Etika AI Berjuang dengan Penuh Semangat Demi Hak Hukum Anda Untuk Menjadi Pengecualian

Mereka mengatakan bahwa ada pengecualian untuk setiap aturan.

Masalahnya adalah bahwa seringkali aturan tetap berlaku dan ada sedikit atau tidak ada kelonggaran untuk pengecualian untuk diakui atau dihibur. Kasus rata-rata digunakan meskipun ada kemungkinan besar bahwa pengecualian ada di depan. Pengecualian tidak mendapatkan airtime. Itu tidak mendapat kesempatan untuk dipertimbangkan.

Saya yakin Anda pasti tahu apa yang saya bicarakan.

Pernahkah Anda mencoba untuk mendapatkan semacam layanan pelanggan individual di mana Anda diperlakukan tanpa berpikir tanpa perbedaan untuk kasus khusus Anda dan kebutuhan spesifik Anda?

Ini tidak diragukan lagi terjadi pada Anda, mungkin berkali-kali.

Saya akan membawa Anda melalui tren mengganggu yang muncul tentang bagaimana Kecerdasan Buatan (AI) sedang dirancang tanpa henti untuk memaksa segala sesuatu masuk ke dalam satu ukuran cocok untuk semua paradigma.

Pengecualian tidak terdeteksi atau dipilih untuk dibengkokkan seolah-olah bukan pengecualian sama sekali. Dasar pemicu untuk ini sebagian karena munculnya Machine Learning (ML) dan Deep Learning (DL). Seperti yang akan segera Anda lihat, ML/DL adalah bentuk pencocokan pola komputasi, yang "lebih mudah" untuk dikembangkan dan diterapkan jika Anda bersedia mengabaikan atau menghindari pengecualian. Ini sangat bermasalah dan menimbulkan masalah Etika AI yang sangat penting. Untuk liputan saya yang berkelanjutan dan ekstensif tentang AI Etika dan AI Etis, lihat tautannya di sini dan tautannya di sini, Hanya untuk beberapa nama.

Hal-hal tidak harus seperti itu dan perlu diketahui bahwa ini dipicu oleh mereka yang membuat dan menggunakan AI dengan memilih untuk mengabaikan atau mengecilkan penanganan pengecualian dalam ramuan AI mereka.

Saat Aturan Pengecualian

Mari kita pertama-tama membongkar sifat kasus rata-rata versus realisasi pengecualian.

Contoh favorit saya dari jenis dogpiling atau pendekatan tanpa pengecualian kasus rata-rata yang rabun ini dengan jelas diterangi oleh hampir semua episode dari serial TV yang terkenal dan masih sangat populer yang dikenal sebagai House, MD (biasanya hanya dinyatakan sebagai Rumah, yang berlangsung dari tahun 2004 hingga 2012 dan dapat dilihat hari ini di media sosial dan outlet media lainnya). Pertunjukan tersebut melibatkan karakter fiksi bernama Dr. Gregory House yang kasar, tidak tertahankan, dan sangat tidak konvensional, namun ia digambarkan sebagai seorang jenius medis yang dapat menemukan penyakit dan penyakit yang paling tidak jelas. Dokter lain dan bahkan pasien mungkin belum tentu menyukainya, tetapi dia menyelesaikan pekerjaannya.

Begini cara episode tipikal dimainkan (peringatan spoiler umum!).

Seorang pasien muncul di rumah sakit tempat Dr. House menjadi staf. Pasien awalnya menunjukkan gejala yang agak umum dan berbagai dokter medis lainnya bergiliran mencoba mendiagnosis dan menyembuhkan pasien. Yang aneh adalah bahwa upaya untuk membantu pasien baik gagal untuk memperbaiki kondisi buruk atau lebih buruk masih cenderung menjadi bumerang. Pasien menjadi lebih buruk dan lebih buruk.

Karena pasien sekarang dilihat sebagai semacam keingintahuan medis, dan karena tidak ada orang lain yang dapat mengetahui apa yang diderita pasien, Dr. House dibawa ke dalam kasus tersebut. Ini kadang-kadang dilakukan dengan sengaja untuk memanfaatkan kecakapan medisnya, sementara dalam kasus lain dia mendengar tentang kasus itu dan naluri bawaannya menariknya ke keadaan yang tidak biasa.

Kami secara bertahap menemukan bahwa pasien memiliki beberapa penyakit yang sangat langka. Hanya Dr. House dan tim dokter magangnya yang dapat mengetahui hal ini.

Sekarang setelah saya membagikan kepada Anda alur cerita utama dari episode-episode tersebut, mari selami pelajaran yang dipetik yang menggambarkan sifat kasus rata-rata versus pengecualian.

Kisah-kisah fiksi dirancang untuk menunjukkan bagaimana berpikir di dalam kotak terkadang bisa sangat meleset. Semua dokter lain yang pada mulanya mencoba membantu pasien diliputi oleh proses berpikir mereka. Mereka ingin memaksakan gejala dan aspek yang disajikan ke dalam diagnosis medis konvensional. Pasien hanyalah salah satu dari banyak yang mungkin pernah mereka lihat sebelumnya. Periksa pasien dan kemudian resepkan perawatan dan solusi medis yang sama yang telah mereka gunakan berulang kali sepanjang karir medis mereka.

Cuci, bilas, ulangi.

Di satu sisi, Anda dapat membenarkan pendekatan ini. Kemungkinannya adalah sebagian besar pasien akan memiliki penyakit yang paling umum. Hari demi hari, para dokter ini menghadapi masalah medis yang sama. Anda dapat menyarankan bahwa pasien yang memasuki rumah sakit benar-benar berada di jalur perakitan medis. Masing-masing mengalir di sepanjang protokol standar rumah sakit seolah-olah mereka adalah bagian dari fasilitas manufaktur atau pabrik perakitan.

Kasus rata-rata berlaku. Ini tidak hanya cocok secara umum, tetapi juga memungkinkan rumah sakit dan staf medis untuk mengoptimalkan layanan medis mereka sesuai dengan itu. Biaya dapat diturunkan ketika Anda merancang proses medis untuk menangani kasus rata-rata. Ada nasihat yang cukup terkenal yang sering terngiang di benak mahasiswa kedokteran, yaitu jika Anda mendengar suara kuku kaki dari jalan, kemungkinan besar Anda akan memikirkan seekor kuda daripada seekor zebra.

Efisien, produktif, efektif.

Sampai pengecualian menyelinap ke tengah-tengah.

Mungkin seekor zebra dari kebun binatang telah melarikan diri dan berkeliaran di jalan Anda.

Apakah ini berarti bahwa pengecualian harus menjadi aturan dan kita harus mengesampingkan aturan kasus rata-rata alih-alih berfokus secara eksklusif pada pengecualian saja?

Anda akan kesulitan untuk menegaskan bahwa semua pertemuan dan layanan kita sehari-hari harus difokuskan pada pengecualian daripada kasus rata-rata.

Perhatikan bahwa saya tidak membuat saran seperti itu. Apa yang saya klaim adalah bahwa kita harus memastikan bahwa pengecualian diperbolehkan terjadi dan bahwa kita perlu mengenali kapan pengecualian muncul. Saya menyebutkan ini karena beberapa pakar cenderung dengan lantang menyatakan bahwa jika Anda adalah pendukung untuk mengenali pengecualian, Anda harus menentang merancang untuk kasus rata-rata.

Itu dikotomi yang salah.

Jangan tertipu.

Kita dapat memiliki kue kita dan memakannya juga.

Membuat Kasus Untuk Hak Menjadi Pengecualian

Saya selanjutnya mungkin akan memberikan sedikit kejutan yang menghubungkan semua ini dengan penggunaan AI yang sedang berkembang.

Sistem AI semakin dibuat untuk berkonsentrasi pada kasus rata-rata, seringkali dengan mengesampingkan atau merugikan mengenali pengecualian.

Anda mungkin terkejut mengetahui bahwa ini terjadi. Sebagian besar dari kita akan berasumsi bahwa karena AI adalah bentuk otomatisasi komputer, keindahan dari mengotomatisasi hal-hal adalah bahwa Anda biasanya dapat memasukkan pengecualian. Ini biasanya dapat dilakukan dengan biaya yang lebih rendah daripada jika Anda menggunakan tenaga manusia untuk melakukan layanan serupa. Dengan tenaga kerja manusia, mungkin akan mahal atau mahal untuk memiliki segala macam tenaga kerja yang tersedia yang dapat menangani pengecualian. Hal-hal jauh lebih mudah untuk dikelola dan diterapkan jika Anda dapat mengasumsikan bahwa pelanggan atau klien Anda adalah orang-orang yang biasa-biasa saja. Tetapi penggunaan sistem terkomputerisasi seharusnya mengakomodasi pengecualian, dengan mudah begitu. Dengan cara berpikir seperti itu, kita harus bersorak-sorai untuk kemampuan yang lebih terkomputerisasi yang datang ke permukaan.

Anggap ini sebagai teka-teki yang membingungkan dan luangkan waktu sejenak untuk merenungkan pertanyaan yang menjengkelkan ini: Bagaimana AI yang sebaliknya dianggap sebagai otomatisasi terbaik yang tampaknya tak terhindarkan berbaris di jalur rutin dan tanpa pengecualian yang ironisnya atau tidak terduga yang kita bayangkan akan menuju ke arah yang berlawanan?

Jawaban: Pembelajaran Mesin dan Pembelajaran Mendalam membawa kita ke keberadaan tanpa pengecualian tidak karena kita harus menempuh jalan itu (kita bisa lebih baik).

Mari kita bongkar ini.

Misalkan kita memutuskan untuk menggunakan Machine Learning untuk merancang AI yang akan digunakan untuk mengetahui diagnosis medis. Kami mengumpulkan banyak data historis tentang pasien dan keadaan medis mereka. ML/DL yang kami siapkan mencoba melakukan pencocokan pola komputasi yang akan memeriksa gejala pasien dan membuat penyakit yang diharapkan terkait dengan gejala tersebut.

Berdasarkan data yang dimasukkan, ML/DL secara matematis memastikan gejala seperti pilek, sakit tenggorokan, sakit kepala, dan pegal-pegal, semuanya sangat terkait dengan flu biasa. Sebuah rumah sakit memilih untuk menggunakan AI ini untuk melakukan pra-penyaringan pasien. Benar saja, pasien yang melaporkan gejala tersebut saat pertama kali datang ke rumah sakit "didiagnosis" kemungkinan terkena flu biasa.

Pergeseran persneling, mari tambahkan semacam twist Dr. House untuk semua ini.

Seorang pasien datang ke rumah sakit dan didiagnosis oleh AI. AI menunjukkan bahwa pasien tampaknya menderita flu biasa berdasarkan gejala pilek, sakit tenggorokan, dan sakit kepala. Pasien diberikan resep dan nasihat medis yang tampaknya sesuai untuk mengatasi flu biasa. Ini semua adalah bagian tak terpisahkan dari pendekatan kasus rata-rata yang digunakan saat merancang AI.

Ternyata pasien akhirnya mengalami gejala tersebut selama beberapa bulan. Seorang ahli penyakit langka dan aliments menyadari bahwa gejala yang sama dapat mencerminkan kebocoran cairan serebrospinal (CSF). Pakar merawat pasien dengan berbagai prosedur bedah terkait kebocoran tersebut. Pasien pulih (omong-omong, kisah luar biasa tentang pasien dengan kebocoran CSF yang awalnya didiagnosis menderita flu biasa ini didasarkan pada kasus medis nyata).

Kami sekarang akan menelusuri kembali langkah-langkah kami dalam kisah medis ini.

Mengapa AI yang melakukan pra-screening asupan tidak dapat menilai bahwa pasien mungkin memiliki penyakit langka ini?

Salah satu jawabannya adalah jika data pelatihan yang digunakan untuk membuat ML/DL tidak berisi instance seperti itu, tidak akan ada apa pun di dalamnya untuk pencocokan pola komputasi yang cocok. Mengingat tidak adanya data yang mencakup pengecualian terhadap aturan, aturan umum atau kasus rata-rata itu sendiri akan dianggap tidak bercacat dan diterapkan tanpa ragu-ragu.

Kemungkinan lain adalah bahwa ada contoh kebocoran CSF yang langka ini dalam data historis, tetapi itu hanya satu contoh tertentu dan dalam pengertian itu merupakan outlier. Sisa data semuanya secara matematis mendekati kasus rata-rata yang dipastikan. Pertanyaan kemudian muncul tentang apa yang harus dilakukan tentang apa yang disebut outlier.

Perlu diketahui bahwa berurusan dengan outlier ini adalah masalah yang sangat berbeda tentang bagaimana pengembang AI mungkin memutuskan untuk bersaing dengan penampilan sesuatu di luar kasus rata-rata yang ditentukan. Tidak ada pendekatan wajib yang harus dilakukan oleh pengembang AI. Ini sedikit Wild West tentang apa yang mungkin dilakukan oleh pengembang AI tertentu dalam setiap contoh peningkatan pengecualian dari upaya pengembangan ML/DL mereka.

Inilah daftar saya tentang cara pengecualian ini sering terjadi Tidak pantas ditangani:

• Pengecualian diasumsikan sebagai kesalahan
• Pengecualian dianggap tidak layak
• Pengecualian diasumsikan dapat disesuaikan ke dalam "norma"
• Pengecualian tidak diperhatikan sama sekali
• Pengecualian diperhatikan tetapi diabaikan begitu saja
• Pengecualian diperhatikan dan kemudian dilupakan
• Pengecualian diperhatikan dan disembunyikan dari pandangan
• Dan lain-lain

Pengembang AI mungkin memutuskan bahwa kelangkaan tidak lebih dari kesalahan dalam data. Ini mungkin tampak aneh bahwa siapa pun akan berpikir seperti ini, terutama jika Anda mencoba untuk memanusiakannya, misalnya membayangkan bahwa pasien dengan kebocoran CSF adalah salah satu contohnya. Ada godaan yang kuat bahwa jika semua data di luar konteks Anda pada dasarnya mengatakan satu hal, mungkin terdiri dari ribuan catatan dan semuanya konvergen ke kasus rata-rata, kemunculan satu data eksentrik dapat mudah (malas!) ditafsirkan sebagai kesalahan langsung. “Kesalahan” kemudian dapat dibuang oleh pengembang AI dan tidak dipertimbangkan dalam bidang apa ML/DL sedang dilatih.

Cara lain untuk mengatasi pengecualian adalah dengan memutuskan bahwa itu adalah masalah yang tidak layak. Mengapa repot-repot dengan satu kelangkaan ketika Anda mungkin terburu-buru untuk menjalankan dan menjalankan ML/DL? Buang outlier dan lanjutkan. Tidak ada pikiran yang mengarah pada dampak di jalan.

Namun pendekatan lain melibatkan melipat pengecualian ke dalam lingkungan kasus rata-rata lainnya. Pengembang AI memodifikasi data agar sesuai dengan norma lainnya. Ada juga kemungkinan bahwa pengembang AI mungkin tidak menyadari bahwa ada pengecualian.

ML/DL mungkin melaporkan bahwa pengecualian terdeteksi, yang kemudian pengembang AI seharusnya menginstruksikan ML/DL tentang bagaimana outlier harus ditangani secara matematis. Pengembang AI mungkin memasukkan ini ke daftar To-Do dan kemudian melupakan untuk mengatasinya atau mungkin memilih untuk mengabaikannya, dan seterusnya.

Secara keseluruhan, deteksi dan resolusi untuk menangani pengecualian dalam hal AI tanpa pendekatan yang ditetapkan secara khusus atau seimbang dan beralasan. Pengecualian sering diperlakukan seperti orang buangan yang tidak layak dan kasus rata-rata adalah pemenang yang berlaku. Berurusan dengan pengecualian itu sulit, bisa memakan waktu, membutuhkan kemiripan keterampilan pengembangan AI yang gesit, dan sebaliknya merepotkan dibandingkan dengan menyatukan hal-hal menjadi dasi kupu-kupu yang bagus dari satu ukuran cocok untuk semua paket.

Sampai taraf tertentu, itulah mengapa Etika AI dan AI Etis adalah topik yang sangat penting. Ajaran Etika AI membuat kita tetap waspada. Teknolog AI terkadang dapat disibukkan dengan teknologi, terutama pengoptimalan teknologi tinggi. Mereka tidak perlu mempertimbangkan konsekuensi sosial yang lebih besar.

Selain menerapkan prinsip Etika AI secara umum, ada pertanyaan terkait apakah kita harus memiliki undang-undang untuk mengatur berbagai penggunaan AI. Undang-undang baru sedang dibahas di tingkat federal, negara bagian, dan lokal yang menyangkut jangkauan dan sifat bagaimana AI harus dirancang. Upaya penyusunan dan pengesahan undang-undang tersebut dilakukan secara bertahap.

Dalam diskusi khusus tentang peran pengecualian ini muncul sudut pandang provokatif bahwa mungkin harus ada hak hukum yang terkait dengan pengecualian. Bisa jadi satu-satunya cara yang layak untuk mendapatkan pengakuan yang bonafid bagi seseorang yang mungkin menjadi pengecualian adalah dengan memanfaatkan lengan panjang hukum.

Menempatkan jenis baru hak asasi manusia.

Hak untuk dianggap sebagai pengecualian.

Pertimbangkan proposal ini: “Hak untuk menjadi pengecualian tidak berarti bahwa setiap individu is pengecualian tetapi, ketika suatu keputusan dapat merugikan subjek keputusan, pembuat keputusan harus mempertimbangkan kemungkinan bahwa subjek mungkin menjadi pengecualian. Hak untuk menjadi pengecualian melibatkan tiga unsur: membahayakan, individualisasi, dan ketidakpastian. Pengambil keputusan harus memilih untuk menimbulkan kerugian hanya ketika mereka telah mempertimbangkan apakah keputusan tersebut disesuaikan secara individual dan, yang terpenting, ketidakpastian yang menyertai komponen keputusan yang digerakkan oleh data. Semakin besar risiko kerugian, semakin serius pertimbangannya” (oleh Sarah Cen, dalam makalah penelitian berjudul Hak Untuk Menjadi Pengecualian Dalam Pengambilan Keputusan Berdasarkan Data, MIT, 12 April 2022).

Anda mungkin tergoda untuk berasumsi bahwa kita sudah memiliki hak seperti itu.

Belum tentu. Menurut makalah penelitian, hak asasi manusia yang paling mirip dan diakui secara internasional mungkin adalah martabat individu. Secara teori, gagasan bahwa harus ada pengakuan martabat sedemikian rupa sehingga individu dan keunikan khusus mereka seharusnya dicakup tidak membuat Anda berada dalam rata-rata pengecualian hak asasi manusia yang potensial. Satu keraguan adalah bahwa undang-undang yang ada yang mengatur bidang martabat dikatakan agak samar-samar dan terlalu lunak, sehingga tidak sesuai dengan konstruksi hukum khusus tentang hak pengecualian.

Mereka yang mendukung hak baru yang terdiri dari hak asasi manusia untuk menjadi pengecualian akan berpendapat bahwa:

• Hak seperti itu secara hukum akan memaksa pengembang AI untuk secara eksplisit mengatasi pengecualian
• Perusahaan yang membuat AI akan lebih siap secara hukum karena tidak berurusan dengan pengecualian
• AI kemungkinan akan lebih seimbang dan lebih kuat secara keseluruhan
• Mereka yang menggunakan AI atau tunduk pada AI akan lebih baik
• Ketika AI tidak mengakomodasi pengecualian, jalan hukum akan mudah dilakukan
• Pembuat AI juga pasti akan lebih baik (AI mereka akan mencakup lebih banyak pengguna)
• Dan lain-lain

Mereka yang menentang hak baru yang dicap sebagai hak asasi manusia untuk menjadi pengecualian cenderung mengatakan:

• Hak asasi manusia dan hak hukum yang ada cukup mencakup hal ini dan tidak perlu memperumit masalah
• Beban yang tidak semestinya akan ditempatkan di pundak pembuat AI
• Upaya untuk membuat AI akan menjadi lebih mahal dan cenderung memperlambat kemajuan AI
• Harapan palsu akan muncul bahwa setiap orang akan menuntut mereka menjadi pengecualian
• Hak itu sendiri tidak diragukan lagi akan tunduk pada interpretasi yang berbeda
• Mereka yang paling untung akan menjadi profesi hukum ketika kasus hukum meroket
• Dan lain-lain

Singkatnya, oposisi terhadap hak baru seperti itu biasanya berargumen bahwa ini adalah permainan zero-sum dan bahwa hak legal untuk menjadi pengecualian akan lebih mahal daripada keuntungan yang diperolehnya. Mereka yang percaya bahwa hak baru seperti itu diperlukan dengan bijaksana cenderung untuk menekankan bahwa ini bukan permainan zero-sum dan pada akhirnya semua orang diuntungkan, termasuk mereka yang membuat AI dan mereka yang menggunakan AI.

Anda dapat yakin bahwa debat yang mencakup implikasi hukum, etika, dan sosial yang terkait dengan AI dan pengecualian ini akan berlangsung keras dan terus-menerus.

Mobil Mengemudi Sendiri Dan Pentingnya Pengecualian

Pertimbangkan bagaimana ini berlaku dalam konteks sistem otonom seperti kendaraan otonom dan mobil self-driving. Sudah ada berbagai kritik tentang pola pikir kasus rata-rata pengembangan AI untuk mobil self-driving dan kendaraan otonom.

Misalnya, pada awalnya, sangat sedikit desain mobil self-driving yang mengakomodasi mereka yang memiliki beberapa bentuk cacat fisik atau cacat. Tidak banyak pemikiran yang diberikan untuk lebih luas mencakup berbagai kebutuhan pengendara. Pada umumnya, kesadaran ini telah meningkat, meskipun kekhawatiran masih diungkapkan tentang apakah ini cukup jauh dan dianut secara luas sebagaimana mestinya.

Contoh lain dari kasus rata-rata versus pengecualian berkaitan dengan sesuatu yang mungkin membuat Anda lengah.

Apakah Anda siap?

Desain dan penerapan banyak sistem mengemudi AI dan mobil self-driving saat ini cenderung membuat asumsi diam atau tak terucapkan bahwa orang dewasa akan mengendarai mobil self-driving. Kita tahu bahwa ketika pengemudi manusia berada di belakang kemudi tentu saja ada orang dewasa di dalam kendaraan, menurut definisi karena biasanya mendapatkan lisensi untuk mengemudi didasarkan pada menjadi orang dewasa (baik, atau hampir satu). Untuk mobil self-driving yang memiliki AI yang melakukan semua mengemudi, tidak perlu kehadiran orang dewasa.

Intinya adalah bahwa kita dapat memiliki anak-anak yang mengendarai mobil sendiri tanpa kehadiran orang dewasa, setidaknya ini mungkin dalam kasus mobil self-driving yang digerakkan oleh AI yang sepenuhnya otonom. Anda dapat mengirim anak-anak Anda ke sekolah di pagi hari dengan menggunakan mobil self-driving. Daripada Anda harus memberikan tumpangan kepada anak-anak Anda, atau harus menggunakan pengemudi manusia dari layanan berbagi tumpangan, Anda dapat dengan mudah meminta anak-anak Anda masuk ke dalam mobil yang dapat mengemudi sendiri dan dibawa ke sekolah.

Semua tidak menyenangkan ketika datang untuk memiliki anak-anak di mobil self-driving sendiri.

Karena tidak perlu lagi ada orang dewasa di dalam kendaraan, ini berarti anak-anak juga tidak akan lagi merasa terpengaruh atau bisa dibilang dikendalikan oleh kehadiran orang dewasa. Akankah anak-anak menjadi gila dan merobek interior mobil self-driving? Akankah anak-anak mencoba memanjat atau menjangkau di luar jendela mobil yang bisa mengemudi sendiri? Apa jenis kejenakaan lain yang mungkin mereka lakukan, yang menyebabkan potensi cedera dan bahaya parah?

Saya telah membahas perdebatan sengit tentang gagasan anak-anak mengendarai mobil self-driving sendirian, lihat tautannya di sini. Beberapa orang mengatakan ini seharusnya tidak pernah diizinkan. Ada yang mengatakan itu tidak bisa dihindari dan kita perlu mencari cara terbaik untuk membuatnya berhasil.

Kesimpulan

Mari kembali ke tema menyeluruh dari kasus rata-rata versus pengecualian.

Kita semua tampaknya setuju bahwa akan selalu ada pengecualian terhadap aturan tersebut. Setelah aturan telah dibentuk atau diidentifikasi, kita harus mencari pengecualian. Ketika kita menemukan pengecualian, kita harus memikirkan aturan mana yang mungkin berlaku untuk pengecualian ini.

Banyak dari AI yang dirancang saat ini dibentuk untuk merumuskan aturan, sementara tantangan yang terkait dengan pengecualian cenderung diabaikan dan diabaikan.

Bagi mereka yang suka menyindir dan mengatakan bahwa tidak ada pengecualian untuk aturan bahwa selalu ada pengecualian untuk aturan, saya akan mengakui bahwa lelucon ini tampaknya menjadi teka-teki mental. Yaitu, bagaimana kita bisa memiliki aturan bahwa selalu ada pengecualian, tetapi kemudian aturan ini tampaknya tidak berlaku untuk aturan bahwa selalu ada pengecualian?

Membuat kepala Anda berputar.

Untungnya, tidak perlu terlalu memperumit masalah serius ini. Mudah-mudahan kita dapat hidup dengan aturan praktis dan penting yang harus kita perhatikan dan mengakomodasi pengecualian untuk setiap aturan.

Itu menyelesaikan banyak hal, jadi sekarang mari kita mulai mengerjakannya.