সামাজিক মঙ্গলের জন্য AI এখনও প্রতিষ্ঠান, শ্রম, এবং স্থানীয় আস্থার ওপর নির্ভরশীল

ডেমোর চেয়ে প্রতিষ্ঠান কেন বেশি গুরুত্বপূর্ণ

লেখকেরা উন্নয়নশীল বিশ্বজুড়ে সামাজিক সমস্যা মোকাবিলায় চালু করা আটটি AI system পর্যালোচনা করেছেন। এখানে উপলব্ধ source text অনুযায়ী, নিবন্ধের প্রধান উপসংহার হলো AI কেবল human support এবং institutional capacity-এর সঙ্গে কাজ করে। বাস্তবে এর মানে প্রশিক্ষিত staff, service delivery pipeline, community relationship, এবং technology যা প্রকাশ করে তার ওপর পদক্ষেপ নিতে সক্ষম organization দরকার।

এটি একটি গুরুত্বপূর্ণ বিষয়, কারণ বহু AI deployment downstream outcome-এর বদলে model performance-এর ভিত্তিতে বিচার করা হয়। একটি system সঠিকভাবে summarize, classify, বা predict করতে পারে, তবু যদি কোনো agency সেই তথ্যের ভিত্তিতে পদক্ষেপ নিতে না পারে, তবে তা কারও জীবনই উন্নত করবে না। সামাজিক প্রসঙ্গে, শেষ ধাপটাই প্রায়শই পুরো গল্প।

ভেবে দেখুন, কোনো AI tool যদি প্রয়োজন শনাক্ত করে, কিন্তু সাড়া দেওয়ার জন্য staffing, funding, বা legal authority না থাকে, তাহলে কী হয়। system তখনও dashboard তৈরি করতে পারে, কিন্তু ফলাফল হয় প্রশাসনিক theater, সমস্যা সমাধান নয়। প্রযুক্তিগত প্রতিশ্রুতি আর বাস্তবায়ন সক্ষমতার এই ফাঁকটাই অনেক AI-for-good উদ্যোগকে নীরবে ভেঙে দেয় বলে প্রবন্ধটি যুক্তি দেয়।

কমিউনিটিগুলো deployment environment নয়

প্রবন্ধটির আরেকটি তাৎপর্য হলো, underserved communities-কে generalized tools-এর test bed হিসেবে দেখা উচিত নয়। সামাজিক সমস্যাগুলো স্থানীয় ইতিহাস, norms, এবং power structure-এ গভীরভাবে প্রোথিত। এই বাস্তবতাগুলো উপেক্ষা করা system-neutrality-এর নামে exclusion পুনরুত্পাদন করতে পারে।

এটি বিশেষভাবে কৃষি, শিক্ষা, এবং public service access-এর মতো ক্ষেত্রে প্রাসঙ্গিক, যেখানে informal intermediary এবং মাঠপর্যায়ের সম্পর্কই প্রায়শই নির্ধারণ করে মানুষ আসলেই কোনো system ব্যবহার করতে পারবে কি না। AI এই systems-কে সহায়তা করতে পারে, কিন্তু খুব কমই তাদের প্রতিস্থাপন করে। translation, explanation, verification, এবং trust-building-এর শ্রম এখনও জেদীভাবে মানবিক।

নিবন্ধটি আরও যে সাধারণ ধারণাকে চ্যালেঞ্জ করে তা হলো, আরও সক্ষম একটি model স্বাভাবিকভাবে implementation gap পূরণ করবে। ভালো reasoning বা শক্তিশালী language fluency workflow-এর কিছু অংশ উন্নত করতে পারে, কিন্তু যেখানে প্রতিষ্ঠানই নেই, সেখানে প্রতিষ্ঠান তৈরি করে না। Broken procurement, ভঙ্গুর local governance, বা under-resourced public agency-কে তা ঠিক করে না।

আরও গম্ভীর AI-for-good agenda কী দাবি করবে

নিবন্ধটি যদি ঠিক হয়, তবে সামাজিক খাতে অর্থবহ AI deployment শুরু হতে হবে এমন design constraint দিয়ে, যেগুলো অনেক product team externality বলে এড়াতে চায়। Systems-এর স্পষ্ট accountability structure দরকার। এমন human operator দরকার যারা intervene, explain, এবং output challenge করতে পারে। এমন প্রতিষ্ঠান দরকার যারা recommendation-কে বাস্তব action-এ পরিণত করতে পারে। এবং যথেষ্ট local grounding দরকার, যাতে কোনো সামাজিক সমস্যার ওপর প্রযুক্তিগত উত্তর জোর করে চাপিয়ে দেওয়া না হয়, যা যথাযথভাবে বোঝাই হয়নি।

এতে AI অপ্রাসঙ্গিক হয়ে যায় না। বরং এটি দেখায় AI কোথায় সবচেয়ে কার্যকর হতে পারে: public system-এর বিকল্প হিসেবে নয়, বরং তাদের ভেতরের একটি component হিসেবে। এভাবে ব্যবহার করলে AI clerical burden কমাতে, তথ্যপ্রাপ্তি বাড়াতে, triage support করতে, এবং frontline worker-দের সীমিত সম্পদ আরও ভালোভাবে কাজে লাগাতে সাহায্য করতে পারে।

কিন্তু এই দৃষ্টিভঙ্গি সেই pitch-এর চেয়ে অনেক ধীর এবং কম ঝলমলে, যেখানে বলা হয় AI কেবল institutional failure এড়িয়ে যেতে পারে। এতে software-এ যতটা বিনিয়োগ দরকার, মানুষের মধ্যেও ততটাই; model-এ যতটা দরকার, governance-এও ততটাই।

Rest of World-এর প্রবন্ধের মূল্য হলো, এটি বিতর্ককে আবার প্রথম নীতিতে ফিরিয়ে আনে। সামাজিক সমস্যা টিকে থাকে না কারণ কেউ যথেষ্ট চতুর interface বানায়নি, বরং কারণ টেকসই সমাধান trust, capacity, এবং power-এর ওপর নির্ভরশীল। AI সেই প্রেক্ষাপটে সহায়তা করতে পারে। সেটিকে অদৃশ্য করে দিতে পারে না।

সরকার, NGO, এবং কোম্পানিগুলো যখন public-facing systems-এ AI গ্রহণ করতে থাকবে, তখন এই পার্থক্য আরও গুরুত্বপূর্ণ হয়ে উঠবে। AI-for-good-এর পরবর্তী ধাপ model কী তৈরি করতে পারে তা দিয়ে নয়, বরং প্রতিষ্ঠানগুলো তা দায়িত্বশীলভাবে ব্যবহার করতে পারে কি না তা দিয়ে বিচার হবে। এটি কঠোর মানদণ্ড, কিন্তু সেটাই আসল।

এই নিবন্ধটি Rest of World-এর প্রতিবেদনের ওপর ভিত্তি করে। মূল নিবন্ধ পড়ুন.