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

“AI সব ঠিক করে দেবে” ধারণার সবচেয়ে শক্তিশালী সমালোচনা প্রযুক্তিবিরোধী নয়

কৃত্রিম বুদ্ধিমত্তা এখন শিক্ষা, কৃষি, কর্মসংস্থান, এবং জনসেবা সরবরাহের সমস্যার সমাধান হিসেবে ক্রমেই বাজারজাত করা হচ্ছে। এই framing আকর্ষণীয়, কারণ এটি জটিল সামাজিক ব্যর্থতাগুলোকে একটি নিয়ন্ত্রণযোগ্য engineering challenge-এ সংকুচিত করে। প্রতিষ্ঠানগুলো যদি ধীর, কম অর্থায়িত, বা খণ্ডিত হয়, তবে একটি responsive model-এর প্রতিশ্রুতি প্রায় অপ্রতিরোধ্য মনে হয়।

কিন্তু Rest of World-এ প্রকাশিত একটি প্রবন্ধ যুক্তি দেয় যে এই framing সামাজিক ব্যবস্থার কেন্দ্রীয় বাস্তবতাকে মিস করে: প্রযুক্তিগত সক্ষমতা একা যথেষ্ট নয়। উন্নত AI tools-কেও human support, institutional capacity, এবং local accountability দরকার, যদি সেগুলো কেবল impressive demo তৈরি করার চেয়ে বেশি কিছু করতে চায়।

Cornell-এর গবেষক Deepak Varuvel Dennison এবং Aditya Vashistha লেখা এই নিবন্ধ AI-র প্রকৃত সম্ভাবনাকে অস্বীকার করে না। এটি productivity gains-এর ক্রমবর্ধমান প্রমাণ এবং private ও public sector উভয় ক্ষেত্রেই AI-র আকর্ষণকে স্পষ্টভাবে স্বীকার করে। এর যুক্তি আরও সংকীর্ণ এবং আরও গুরুত্বপূর্ণ: underserved communities-তে AI deploy করা আর তাদের সমস্যা সমাধান করা এক নয়।

AI-for-good-এর কেন্দ্রে থাকা দ্বন্দ্ব

প্রবন্ধটি একটি structural tension তুলে ধরে। AI-কে প্রায়ই inequality, exclusion, এবং service gaps মোকাবেলার একটি tool হিসেবে উপস্থাপন করা হয়। কিন্তু systems-গুলিই extractive supply chains, concentrated power, এবং বিদ্যমান বৈষম্য দ্বারা গঠিত। AI Snake Oil এবং Atlas of AI-এর মতো বইয়ের সঙ্গে সম্পর্কিত themes ধরে লেখকেরা AI-কে neutral software layer নয়, বরং natural resources, human labor, এবং entrenched institutions-এর ওপর নির্মিত একটি socio-technical system হিসেবে স্থাপন করেছেন।

এটি গুরুত্বপূর্ণ, কারণ “AI for social good” প্রকল্পে সবচেয়ে বেশি লক্ষ্যবস্তু হওয়া communities-ই প্রায়ই খারাপভাবে নকশা করা interventions-এর খরচও বহন করে। দূর থেকে কার্যকর মনে হওয়া একটি model স্থানীয়ভাবে ব্যর্থ হতে পারে যদি তা language, trust, access, governance, বা তার output-এ কাজ করার জন্য প্রয়োজনীয় human intermediaries উপেক্ষা করে।

অতএব মূল প্রশ্ন AI সাহায্য করতে পারে কি না, তা নয়। প্রশ্ন হলো, টেকসই ও জবাবদিহিমূলকভাবে সাহায্য করতে হলে কোন শর্তগুলো থাকতে হবে।

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.