Shadowing Practice: What is AI Ethics? - Learn English Speaking with Video
בחר מצב תרגול
כל מצב פותח חדר תרגול במסך מלא.
72 משפטים
אם המשפטים קצרים או ארוכים מדי, לחץ על ערוך כדי להתאים אותם.
1
I want to start off with talking to you about three things that keep me up at night, right?
2
Three things.
3
The first, and it may be, you know, very common for you too, is climate change.
4
Climate change absolutely keeps me up at night.
5
The second thing that keeps me up at night is
6
that people may have no idea that an artificial intelligence is making a decision
7
that directly impacts their lives what percentage interest rate you get on your loan,
8
whether you get that job that you applied for, whether your kid gets into that college that they really want to go to.
9
Today, AI is making decisions that directly impact you.
10
The third thing that keeps me up at night is even
11
when When people know that an AI is making a decision about them,
12
they may assume that because it's not a fallible human with bias,
13
that somehow the AI is going to make a decision that's morally or ethically squeaky clean.
14
And that could not be farther from the truth.
15
So if you think about organizations and what happens, over 80 % of the time,
16
proof of concepts associated with artificial intelligence actually gets stalled in testing.
17
And more often than not, it is because people do not trust the results from that AI model.
18
So we're going to talk a lot about trust.
19
And when thinking about trust, I'm going to switch colors here, there's actually five pillars.
20
Okay.
21
When you're thinking about what does it take to earn trust in an artificial intelligence
22
that's being made by your organization or being procured by your organization, five pillars.
23
The first thing to be thinking about is fairness.
24
How can you ensure that the AI model is fair towards everybody, in particular historically underrepresented groups?
25
The second is explainable.
26
Is your AI model explainable such that you'd be able to tell somebody,
27
an end user, what data sets were being used in order to curate that model?
28
What methods, what expertise, what's the data lineage and provenance associated with how that model was trained?
29
The third, robustness.
30
Can you assure end users that nobody can hack such an AI model such
31
that a person could disadvantage willfully other people and or make the results of that model benefit one particular person over another?
32
The fourth is transparency.
33
Are you telling people right off the bat than the AI model is indeed being used to make that decision?
34
And are you giving people access to a fact sheet or metadata so that they can learn more about that model?
35
And the fifth one is, are you assuring people's data privacy?
36
So those are the five pillars, okay?
37
Now, IBM has come up with three principles when thinking about AI in an organization.
38
The first being that the purpose of artificial intelligence is really meant to be to augment human intelligence,
39
not to replace it.
40
The second is that data and the insights from those data belong to the creator alone.
41
And the third is that AI systems, and I would opine the entire AI lifecycle, really should be transparent and explainable right?
42
So those are the five pillars.
43
Now, the next thing I want you to remember
44
as you're thinking about this space of earning trust and artificial intelligence is that this is not a technological challenge.
45
It can't be solved with just throwing tools and tech over some kind of a fence.
46
This is a socio -technological challenge.
47
Socio meaning people, people, people.
48
Socio -technological challenge.
49
And because it's a socio -technological challenge.
50
It must be addressed holistically, okay?
51
Holistically, meaning there's three major things that you should think about.
52
I mentioned people, people, the culture of your organization, right?
53
Thinking about the diversity of your teams, you know, your data science team who is curating that data to train that model.
54
How many women are on that team?
55
How many minorities are on that team, right?
56
Think about diversity.
57
I don't know if you've ever heard of the the wisdom of crowns that's actually a proven mathematical theory
58
The more diverse your group of people, the less chance for error.
59
And that is absolutely true in the realm of artificial intelligence.
60
The second thing is process or governance, right?
61
What is it that you as your organization,
62
what are you going to promise both your employees as well as the market with respect to what standards
63
you're going to stand by for your AI model in terms of things like fairness and explainability, accountability, etc., right?
64
And the third area is tooling, right?
65
What are the tools, AI engineering,
66
methods, frameworks that you can use in order to ensure these things, ensure those five pillars?
67
And we're going to do a deep dive into that as well.
68
But the next show that I'm going to be running with you, we're actually going to be talking about this one, about people and culture.
69
So stay tuned.
70
If you like this video and series, please comment below.
71
Stay tuned for more videos that are part of this series.
72
And to get updates, please like and subscribe.
הורד אפליקציה
כל מה שאתה צריך כדי לדבר בשטף
הגיית AIציון לכל משפט
תרגול IPAשלוט בכל צליל
אוצר מיליםבנה את מאגר המילים שלך
משחק אוצר מיליםלמד תוך כדי משחק
אותו ערוץ
B21
Every Generation Thinks This Time Is Different: The AI Job Myth
Daily ConversationWorking Adults
C12
What is Event Driven Architecture (EDA)?
Daily ConversationUniversity StudentsWorking Adults
C11
Agentic AI Frameworks Explained: Workflows, Multi-Agent, & Production
Daily ConversationUniversity StudentsWorking Adults
C18
AI, Machine Learning, Deep Learning and Generative AI Explained
Daily ConversationUniversity StudentsWorking Adults
C11
Spec-Driven Development: AI Assisted Coding Explained
Daily ConversationUniversity StudentsWorking Adults
C15
AI Agents vs Business Rules: Which Should Make Decisions?
Daily ConversationUniversity StudentsWorking Adults
C13
AI & Education: Generative AI & the Future of Critical Thinking
Business EnglishUniversity StudentsWorking Adults
C12
EDR vs. EPP vs. NGAV
Business EnglishWorking Adults
C13
MCP vs ADK: How Modern AI Agents Connect and Work Together
University StudentsWorking Adults
C11
Cybersecurity Architecture: Data Security
Business EnglishUniversity StudentsWorking Adults
C113
The 7 Skills You Need to Build AI Agents
Business EnglishUniversity StudentsWorking Adults
C14
What Is Jev? The AI Model That Doesn't Generate Text
Daily ConversationUniversity StudentsWorking Adults
C118
How Smart Organizations Will Use AI: Jevons Paradox & Workforce Impact
Business EnglishUniversity StudentsWorking Adults
C111
What are AI Agents?
Business EnglishUniversity StudentsWorking Adults
C16
Cybersecurity Architecture: Five Principles to Follow (and One to Avoid)
Business EnglishUniversity StudentsWorking Adults
C11
Zero Trust Explained in 4 mins
Business EnglishUniversity StudentsWorking Adults
C1What is Responsible AI? A Guide to AI Governance
Daily ConversationUniversity StudentsWorking Adults
FOR YOU
המלץ על סרטון
C11
105 משפטים
AI Governance Explained: Ethical, Transparent & Accountable AI for the Future
Daily ConversationUniversity StudentsWorking Adults
C11
198 משפטים
Jack Dorsey’s New Dessa AI Voice Sounds Scary Human
Daily ConversationUniversity StudentsWorking Adults
C141 משפטים
No, Really — Is A.I. a Bubble? | The Ezra Klein Show
Daily ConversationUniversity StudentsWorking Adults
C11
74 משפטים
AI & Inequality | Daron Acemoglu: Big Tech poses risks as AI reshapes society
Daily ConversationUniversity StudentsWorking Adults
C11
293 משפטים
Is AI Killing Human Fashion Design? Who Will Shape the Future of Design? Fashion Tea #6
Daily ConversationUniversity StudentsWorking Adults
C18
55 משפטים
When AIs act emotional
Daily ConversationUniversity StudentsWorking Adults
C11
358 משפטים
It’s not just you
Daily ConversationUniversity StudentsWorking Adults
C11
114 משפטים
Harnessing generative AI in architecture, engineering & construction
Daily ConversationUniversity StudentsWorking Adults
C11
109 משפטים
Teacher to Teacher: Is AI reshaping education for the better?
Daily ConversationUniversity StudentsWorking Adults
C12
74 משפטים
How AI is helping brands identify consumer trends faster
Daily ConversationUniversity StudentsWorking Adults
אוצר מילים והערות הגייה לשיעור הזה
שיעור הדיבור הזה ברמה C1 מבוסס על הסרטון “What is AI Ethics?”. המילים שחוזרות הכי הרבה: model, intelligence, artificial, organization, thinking. בסרטון הזה יש 72 משפטים ו-859 מילים לתרגול Shadowing. הדיבור נמשך 6:08. הדובר שומר על קצב יציב של כ-140 מילים בדקה, קצב נוח לתרגול Shadowing. 86% מהמילים נמצאות בין 3,000 המילים הנפוצות ביותר באנגלית; כדאי ללמוד את השאר לפני שמתחילים. 18 מתוך 72 המשפטים שלו הם שאלות, כך שזה תרגול טוב לאינטונציה של שאלות ולתשובות קצרות.
אוצר מילים מרכזי בסרטון הזה
9 המילים המתקדמות ביותר בסרטון, עם ההגייה והמשמעות שלהן:
| מילה | הגייה | משמעות |
|---|---|---|
| pillar שם עצם | /ˈpɪlɚ/ | עמוד |
| technological שם תואר | /ˌtɛk.nəˈlɑ.dʒɪ.kəl/ | טֶכְנוֹלוֹגִי |
| lineage שם עצם | /ˈlɪn.i.ɪd͡ʒ/ | שׁוֹשֶׁלֶת |
| disadvantage שם עצם | /ˌdɪsədˈvæntɪd͡ʒ/ | חיסרון |
| stall שם עצם | /stɔːl/ | תָּא |
| transparency שם עצם | /tɹænsˈpæɹənsi/ | שְׁקִיפוּת |
| transparent שם תואר | /tɹænsˈpæɹənt/ | שָׁקוּף |
| subscribe פועל | /səbˈskɹaɪb/ | נִמְנָה |
| mathematical שם תואר | /ˌmæθ(.ə)ˈmæt.ɪ.kəl/ | מָתֵמָטִי |
דקדוק בסרטון הזה
המבנים שהדובר משתמש בהם הכי הרבה, עם המילים המדויקות מהסרטון:
| מבנה | בסרטון |
|---|---|
| סביל (Passive voice) be + past participle — הדגש הוא על מה שקורה, לא על מי שעושה את הפעולה | being made · was trained · is really meant |
| הווה מושלם (Present perfect) have/has + past participle — פעולה שקרתה בעבר ועדיין יש לה חשיבות או השפעה עכשיו | has come · you've ever heard |
הגייה ששווה לשים לב אליה
הדובר משתמש ב-12 קיצורים וצורות מקוצרות, כמו we're, you're, I'm. אמרו אותם בצורה הקצרה, כפי שאתם שומעים אותם.
- הצלילים של “th”: ethically /ˈɛθɪkəli/, mathematical /ˌmæθ(.ə)ˈmæt.ɪ.kəl/
- מילים ארוכות — שימו לב להטעמה: technological /ˌtɛk.nəˈlɑ.dʒɪ.kəl/, ethically /ˈɛθɪkəli/, metadata /ˈmɛt.əˌdeɪ.tə/, disadvantage /ˌdɪsədˈvæntɪd͡ʒ/, transparency /tɹænsˈpæɹənsi/
צלילים שדוברי עברית מתקשים בהם:
- /w/ — שפתיים מעוגלות, לא /v/: squeaky /ˈskwiːki/, wilfully /ˈwɪlfəli/
- /æ/ — פתוח יותר מה-“אֶ” העברית, לא כמו “a” ב-“cup”: disadvantage /ˌdɪsədˈvæntɪd͡ʒ/, transparency /tɹænsˈpæɹənsi/, transparent /tɹænsˈpæɹənt/, mathematical /ˌmæθ(.ə)ˈmæt.ɪ.kəl/
- /r/ — הלשון לא נוגעת בשום מקום, לא ה-“ר” הגרונית: curate /ˈkjʊɹɪt/, assure /əˈʃʊɹ/, procure /pɹəˈkjʊɹ/, provenance /ˈpɹɑ.və.nəns/, morally /ˈmɔɹəli/
איך לתרגל עם הסרטון הזה
- הקשיבו לכל הסרטון פעם אחת בלי לדבר, ורשמו את המילים שאתם לא מכירים.
- תרגלו Shadowing משפט אחר משפט במהירות רגילה, וחזרו על כל משפט עד שהקצב שלכם תואם את הדובר.
- הקליטו את עצמכם והשוו למקור, תוך תשומת לב למילים כמו pillar, technological, lineage.
מהי טכניקת השאדואינג?
שאדואינג היא טכניקת למידת שפה מבוססת מדע שפותחה במקור להכשרת מתורגמנים מקצועיים ופופולרית על ידי הפוליגלוט ד"ר אלכסנדר ארגואלס. השיטה פשוטה אך עוצמתית: אתה מקשיב לאודיו באנגלית ילידית וחוזר עליו בקול רם מיד — כמו צל העוקב אחרי הדובר עם עיכוב של 1–2 שניות בלבד. בניגוד להאזנה פסיבית או תרגילי דקדוק, שאדואינג מכריח את המוח והשרירים בפה לעבד ולשחזר דפוסי דיבור אמיתיים בו זמנית. מחקרים מראים שזה משפר משמעותית את דיוק ההגייה, האינטונציה, הקצב, הדיבור המחובר, הבנת השמיעה ושטף הדיבור — מה שהופך אותו לאחת השיטות היעילות ביותר להכנה לIELTS Speaking ולתקשורת באנגלית בעולם האמיתי.