“AI सब ठीक कर देगा” की सबसे मजबूत आलोचना तकनीक-विरोधी नहीं है
कृत्रिम बुद्धिमत्ता को अब शिक्षा, कृषि, रोजगार और सार्वजनिक सेवा वितरण की समस्याओं के समाधान के रूप में तेजी से बेचा जा रहा है। यह framing आकर्षक है क्योंकि यह जटिल सामाजिक विफलताओं को एक साध्य इंजीनियरिंग चुनौती में समेट देती है। अगर संस्थान धीमे, कम-वित्तपोषित या बिखरे हुए हैं, तो एक उत्तरदायी मॉडल का वादा लगभग अनिरोध्य लगता है।
लेकिन Rest of World में प्रकाशित एक निबंध का तर्क है कि यह framing सामाजिक प्रणालियों की केंद्रीय सच्चाई को चूक जाती है: केवल तकनीकी क्षमता पर्याप्त नहीं होती। अगर AI टूल्स को प्रभावी होना है, तो उन्हें प्रभावशाली डेमो से आगे बढ़कर मानवीय समर्थन, संस्थागत क्षमता और स्थानीय जवाबदेही की जरूरत होती है।
Cornell के शोधकर्ताओं Deepak Varuvel Dennison और Aditya Vashistha द्वारा लिखा गया यह लेख AI की वास्तविक क्षमता को नकारता नहीं है। यह उत्पादकता में बढ़ोतरी के बढ़ते प्रमाण और निजी तथा सार्वजनिक दोनों क्षेत्रों में AI की अपील को स्पष्ट रूप से स्वीकार करता है। इसका तर्क अधिक संकुचित और अधिक महत्वपूर्ण है: वंचित समुदायों में AI को तैनात करना और उनकी समस्याओं को हल करना एक ही बात नहीं है।
AI-for-good के केंद्र में विरोधाभास
यह निबंध एक संरचनात्मक तनाव को सामने लाता है। AI को अक्सर असमानता, बहिष्करण और सेवा-खंडों को संबोधित करने के उपकरण के रूप में पेश किया जाता है। लेकिन स्वयं ये सिस्टम निष्कर्षणकारी आपूर्ति-श्रृंखलाओं, शक्ति के संकेंद्रण और मौजूदा असमानताओं से आकार लेते हैं। AI Snake Oil और Atlas of AI जैसी पुस्तकों से जुड़ी थीमों का सहारा लेते हुए लेखक AI को एक तटस्थ सॉफ़्टवेयर परत की तरह नहीं, बल्कि प्राकृतिक संसाधनों, मानव श्रम और जड़ जमाए संस्थानों पर आधारित एक सामाजिक-तकनीकी प्रणाली के रूप में प्रस्तुत करते हैं।
यह इसलिए मायने रखता है क्योंकि “AI for social good” परियोजनाओं के लिए सबसे अधिक लक्षित समुदाय ही अक्सर गलत तरीके से डिज़ाइन किए गए हस्तक्षेपों की लागत उठाने वाले समुदाय भी होते हैं। दूर से देखने पर कुशल लगने वाला मॉडल स्थानीय स्तर पर तब भी विफल हो सकता है यदि वह भाषा, भरोसा, पहुंच, शासन या अपने निष्कर्षों पर कार्रवाई करने के लिए आवश्यक मानवीय मध्यस्थों की अनदेखी करता है।
तो केंद्रीय प्रश्न यह नहीं है कि AI मदद कर सकता है या नहीं। प्रश्न यह है कि किन परिस्थितियों में वह टिकाऊ और जवाबदेह तरीके से मदद कर सकता है।
डेमो से अधिक महत्वपूर्ण क्यों हैं संस्थान
लेखकों ने विकासशील दुनिया में सामाजिक समस्याओं को संबोधित करने के लिए तैनात आठ AI सिस्टमों का अध्ययन किया। यहां उपलब्ध स्रोत-पाठ से लेख का मुख्य निष्कर्ष यह है कि AI केवल तब काम करता है जब उसके साथ मानवीय समर्थन और संस्थागत क्षमता जुड़ी हो। व्यवहार में इसका अर्थ है प्रशिक्षित कर्मचारी, सेवा-प्रदायन की पाइपलाइनें, समुदाय से संबंध, और ऐसी संस्थाएं जो तकनीक द्वारा सामने लाई गई बातों पर प्रतिक्रिया दे सकें।
यह एक महत्वपूर्ण बिंदु है क्योंकि कई AI तैनातियों का मूल्यांकन मॉडल प्रदर्शन के आधार पर किया जाता है, न कि आगे के परिणामों के आधार पर। कोई सिस्टम प्रभावी ढंग से सारांश, वर्गीकरण या पूर्वानुमान कर सकता है, फिर भी यदि कोई एजेंसी उस जानकारी पर कार्रवाई ही न कर सके तो वह किसी की जिंदगी सुधारने में विफल रह सकता है। सामाजिक संदर्भों में, आखिरी मील ही अक्सर पूरी कहानी होता है।
कल्पना कीजिए कि एक AI टूल ज़रूरत की पहचान करता है, लेकिन प्रतिक्रिया देने के लिए न स्टाफ है, न फंडिंग, न कानूनी अधिकार। सिस्टम फिर भी डैशबोर्ड बना सकता है, लेकिन परिणाम समस्या-समाधान नहीं बल्कि प्रशासनिक नाटक होगा। निबंध का तर्क है कि तकनीकी वादे और कार्यान्वयन क्षमता के बीच का यही अंतर वह जगह है जहां कई AI-for-good पहलें चुपचाप टूट जाती हैं।
समुदाय तैनाती के वातावरण नहीं हैं
निबंध का एक और निहितार्थ यह है कि वंचित समुदायों को सामान्यीकृत टूल्स के परीक्षण-क्षेत्र की तरह नहीं देखा जाना चाहिए। सामाजिक समस्याएं स्थानीय इतिहास, मानदंडों और शक्ति-संरचनाओं में गहराई से जड़ी होती हैं। जो सिस्टम इन वास्तविकताओं की अनदेखी करते हैं, वे तटस्थता का दावा करते हुए भी बहिष्करण को दोहरा सकते हैं।
यह खास तौर पर कृषि, शिक्षा और सार्वजनिक सेवाओं तक पहुंच जैसे क्षेत्रों में प्रासंगिक है, जहां अनौपचारिक मध्यस्थ और जमीनी रिश्ते अक्सर यह तय करते हैं कि लोग किसी सिस्टम का वास्तव में उपयोग कर पाएंगे या नहीं। AI इन प्रणालियों की सहायता कर सकता है, लेकिन शायद ही कभी उन्हें पूरी तरह प्रतिस्थापित करता है। अनुवाद, व्याख्या, सत्यापन और भरोसा बनाने का श्रम जिद्दी रूप से मानवीय बना रहता है।
लेख का तर्क उस आम धारणा का भी प्रतिवाद करता है कि अधिक सक्षम मॉडल अपने आप कार्यान्वयन की खामियों को भर देगा। बेहतर तर्कशक्ति या अधिक मजबूत भाषा-प्रवाह काम के कुछ हिस्सों में सुधार कर सकते हैं, लेकिन वे वहां संस्थान नहीं बना देते जहां वे मौजूद ही नहीं हैं। वे खराब खरीद-प्रक्रिया, नाज़ुक स्थानीय शासन या कम संसाधनों वाले सार्वजनिक एजेंसियों को ठीक नहीं करते।
एक अधिक गंभीर AI-for-good एजेंडा क्या मांगता है
यदि यह निबंध सही है, तो सामाजिक क्षेत्रों में सार्थक AI तैनाती की शुरुआत उन डिज़ाइन बाधाओं से होनी चाहिए जिन्हें कई उत्पाद टीमें बाहरी प्रभाव मानकर टाल देती हैं। सिस्टमों में स्पष्ट जवाबदेही संरचनाएं होनी चाहिए। उन्हें ऐसे मानवीय ऑपरेटर चाहिए जो हस्तक्षेप कर सकें, समझा सकें और आउटपुट को चुनौती दे सकें। उन्हें ऐसे संस्थान चाहिए जो सिफारिशों को वास्तविक कार्रवाई में बदल सकें। और उन्हें इतना स्थानीय संदर्भ भी चाहिए कि किसी सामाजिक समस्या पर, जिसे ठीक से समझा ही नहीं गया है, कोई तकनीकी उत्तर थोपने से बचा जा सके।
इसका अर्थ यह नहीं कि AI अप्रासंगिक है। इसके विपरीत, यह बताता है कि AI सबसे उपयोगी कहां हो सकता है: सार्वजनिक प्रणालियों के विकल्प के रूप में नहीं, बल्कि उनके भीतर एक घटक के रूप में। इस तरह उपयोग होने पर AI दफ़्तरी बोझ कम कर सकता है, जानकारी तक पहुंच बढ़ा सकता है, ट्रायेज में सहायता कर सकता है, और मोर्चे पर काम करने वालों को सीमित संसाधनों का बेहतर उपयोग करने में मदद कर सकता है।
लेकिन यह दृष्टि उस पिच से धीमी और कम ग्लैमरस है जिसमें कहा जाता है कि AI संस्थागत विफलता के चारों ओर से बस निकल सकता है। इसमें सॉफ़्टवेयर जितना ही लोगों में निवेश चाहिए, और मॉडलों जितना ही शासन में भी।
Rest of World निबंध की ताकत यह है कि यह बहस को मूल सिद्धांतों पर वापस ले आता है। सामाजिक समस्याएं इसलिए नहीं बनी रहतीं कि किसी ने अभी तक पर्याप्त चतुर इंटरफेस नहीं बनाया, बल्कि इसलिए बनी रहती हैं क्योंकि टिकाऊ समाधान भरोसे, क्षमता और शक्ति पर निर्भर करते हैं। AI उस परिदृश्य में सहायता कर सकता है। वह उसे मिटा नहीं सकता।
जैसे-जैसे सरकारें, NGOs और कंपनियां सार्वजनिक-सामना करने वाली प्रणालियों में AI अपनाती जाएंगी, यह अंतर और भी महत्वपूर्ण हो जाएगा। AI-for-good का अगला चरण इस बात से कम आंका जाएगा कि मॉडल क्या जेनरेट कर सकते हैं और अधिक इस बात से कि संस्थान उन आउटपुट का जिम्मेदारी से उपयोग कर सकते हैं या नहीं। यह कठिन मानक है, लेकिन यही वास्तव में मायने रखता है।
यह लेख Rest of World की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें.
Originally published on restofworld.org
