சமூக நலனுக்கான AI இன்னும் நிறுவனங்கள், உழைப்பு, மற்றும் உள்ளூர் நம்பிக்கையைச் சார்ந்தே உள்ளது

“AI எல்லாவற்றையும் சரிசெய்யும்” என்ற கருத்துக்கான மிக வலுவான விமர்சனம் தொழில்நுட்ப விரோதம் அல்ல

கல்வி, வேளாண்மை, வேலைவாய்ப்பு, மற்றும் பொது சேவை வழங்கல் ஆகிய துறைகளின் பிரச்சினைகளுக்கான தீர்வாக செயற்கை நுண்ணறிவு இப்போது அதிகமாக விளம்பரப்படுத்தப்படுகிறது. அந்த framing கவர்ச்சிகரமானது, ஏனெனில் அது குழப்பமான சமூகத் தோல்விகளை ஒரு நிர்வகிக்கக்கூடிய பொறியியல் சவாலாக சுருக்குகிறது. நிறுவனங்கள் மெதுவாக, நிதியில்லாமல், அல்லது துண்டிக்கப்பட்டதாக இருந்தால், பதிலளிக்கும் ஒரு model-ன் வாக்குறுதி கிட்டத்தட்ட மறுக்க முடியாததாகத் தெரிகிறது.

ஆனால் Rest of World-இல் வெளியான ஒரு கட்டுரை, இந்த framing சமூக அமைப்புகளின் மைய உண்மையை தவறவிடுகிறது என்று வாதிடுகிறது: தொழில்நுட்ப திறன் மட்டும் போதாது. மேம்பட்ட AI கருவிகளுக்குக் கூட மனித ஆதரவு, நிறுவனத் திறன், மற்றும் உள்ளூர் பொறுப்புணர்வு தேவைப்படுகிறது; அவை வெறும் impress செய்யும் demos-ஐவிட அதிகமாக செயல்பட வேண்டுமெனில்.

Cornell ஆராய்ச்சியாளர்கள் Deepak Varuvel Dennison மற்றும் Aditya Vashistha எழுதிய இந்தக் கட்டுரை AI-யின் உண்மையான சாத்தியங்களை மறுப்பதில்லை. உற்பத்தித் திறன் மேம்பாடுகளுக்கான அதிகரிக்கும் ஆதாரங்களையும், தனியார் மற்றும் பொது துறைகளில் AI-யின் ஈர்ப்பையும் அது வெளிப்படையாக ஏற்கிறது. அதன் வாதம் குறுகலானதாயினும் முக்கியமானது: பின்தங்கிய சமூகங்களில் AI-ஐ பயன்படுத்துவது, அவர்களின் பிரச்சினைகளைத் தீர்ப்பதற்குச் சமம் அல்ல.

AI-for-good-இன் மையத்தில் உள்ள முரண்பாடு

இந்தக் கட்டுரை ஒரு கட்டமைப்பு ரீதியான tension-ஐ முன்வைக்கிறது. AI பெரும்பாலும் சமத்துவமின்மை, விலக்கம், மற்றும் சேவை இடைவெளிகளைச் சரிசெய்யும் கருவியாக காட்டப்படுகிறது. ஆனால் அந்த அமைப்புகள் extraction-ஐ சார்ந்த supply chains, அதிகாரக் குவிப்பு, மற்றும் ஏற்கனவே உள்ள அநீத்திகளால் வடிவமைக்கப்படுகின்றன. AI Snake Oil மற்றும் Atlas of AI போன்ற புத்தகங்களுடன் தொடர்புடைய கருப்பொருள்களை அடிப்படையாகக் கொண்டு, ஆசிரியர்கள் AI-யை நடுநிலையான software layer ஆக அல்ல, இயற்கை வளங்கள், மனித உழைப்பு, மற்றும் நிலைபெற்ற நிறுவனங்களின் மீது கட்டப்பட்ட ஒரு socio-technical system ஆகக் காட்டுகின்றனர்.

அது முக்கியம், ஏனெனில் “சமூக நலனுக்கான AI” திட்டங்கள் பெரும்பாலும் குறிவைக்கும் சமூகங்களே, மோசமாக வடிவமைக்கப்பட்ட interventions-ன் செலவையும் சுமக்க அதிக வாய்ப்புள்ளவை. தொலைவில் இருந்து திறமையானதாகத் தோன்றும் ஒரு model, மொழி, நம்பிக்கை, அணுகல், governance, அல்லது அதன் output-களின் மீது செயல்பட வேண்டிய மனித இடைத்தரகர்கள் ஆகியவற்றை புறக்கணித்தால் உள்ளூரில் தோல்வியடையலாம்.

அதனால் மையக் கேள்வி AI உதவ முடியுமா என்பதல்ல. நீடித்தும் பொறுப்புடனும் உதவுவதற்கு எந்த நிலைமைகள் இருக்க வேண்டும் என்பதே.

டெமோக்களை விட நிறுவனங்கள் ஏன் முக்கியம்

ஆசிரியர்கள் வளர்ந்து வரும் உலகம் முழுவதும் சமூகப் பிரச்சினைகளைத் தீர்க்கப் பயன்படுத்தப்பட்ட எட்டு AI அமைப்புகளை ஆய்வு செய்தனர். இங்கு கிடைக்கும் source text அடிப்படையில், கட்டுரையின் முக்கிய முடிவு AI மனித ஆதரவும் நிறுவனத் திறனும் சேர்ந்தால்தான் வேலை செய்கிறது என்பதாகும். நடைமுறையில், அதற்குப் பயிற்சி பெற்ற பணியாளர்கள், சேவை வழங்கும் pipelines, சமூக உறவுகள், மற்றும் தொழில்நுட்பம் காட்டும் தகவல்களுக்கு பதிலளிக்கக்கூடிய அமைப்புகள் தேவை.

இது ஒரு முக்கியமான விஷயம், ஏனெனில் பல AI deployments இறுதி முடிவுகளை விட model performance அடிப்படையில் மதிப்பிடப்படுகின்றன. ஒரு system திறம்பட சுருக்கவும், வகைப்படுத்தவும், அல்லது முன்னறிவிக்கவும் முடியும்; ஆனால் அந்த தகவலின் மீது எந்த agency-யும் செயல் படுத்த முடியாவிட்டால், அது யாருடைய வாழ்க்கையையும் மேம்படுத்தாது. சமூக சூழலில், கடைசி கட்டமே பெரும்பாலும் முழு கதையாகும்.

ஒரு AI tool தேவையை அடையாளம் காணும் நிலையில், அதற்கு பதிலளிக்க staffing, funding, அல்லது சட்ட அதிகாரம் இல்லை என்றால் என்ன நடக்கும் என்பதை நினைத்துப் பாருங்கள். அந்த system இன்னும் dashboards உருவாக்கலாம், ஆனால் முடிவு பிரச்சினை தீர்வாக இல்லாமல் நிர்வாக நாடகமாகிவிடும். தொழில்நுட்ப வாக்குறுதியும் செயல்படுத்தும் திறனும் இடையிலான இந்த இடைவெளியே பல AI-for-good முன்முயற்சிகளை அமைதியாகச் சிதைக்கிறது என்று கட்டுரை வாதிடுகிறது.

சமூகங்கள் deployment சூழல்கள் அல்ல

இந்தக் கட்டுரையின் இன்னொரு தாக்கம், பின்தங்கிய சமூகங்களை generalized tools-க்கான test beds ஆகக் கருதக்கூடாது என்பதுதான். சமூகப் பிரச்சினைகள் உள்ளூர் வரலாறு, நெறிமுறைகள், மற்றும் அதிகார அமைப்புகளில் ஆழமாகப் பதிந்துள்ளன. அந்த உண்மைகளைப் புறக்கணிக்கும் அமைப்புகள் neutrality-ஐக் கூறிக்கொண்டே விலக்கை மீண்டும் உருவாக்கலாம்.

இது வேளாண்மை, கல்வி, மற்றும் பொது சேவைகளுக்கான அணுகல் போன்ற துறைகளில் குறிப்பாக பொருத்தமானது; அங்கு informal intermediaries மற்றும் நேரடி உறவுகளே மக்கள் உண்மையில் ஒரு system-ஐப் பயன்படுத்த முடியுமா என்பதை பெரும்பாலும் தீர்மானிக்கின்றன. AI அந்த அமைப்புகளுக்கு உதவ முடியும், ஆனால் அவற்றை அரிதாகவே மாற்றுகிறது. மொழிபெயர்ப்பு, விளக்கம், சரிபார்ப்பு, மற்றும் நம்பிக்கை கட்டமைப்பு ஆகிய உழைப்பு இன்னும் பிடிவாதமாக மனித உழைப்பாகவே உள்ளது.

மேலும், அதிக திறன் கொண்ட ஒரு model தானாகவே செயல்படுத்தும் இடைவெளிகளை நிரப்பிவிடும் என்ற பொதுவான எண்ணத்தையும் கட்டுரை எதிர்க்கிறது. சிறந்த reasoning அல்லது வலுவான மொழித் திறன் ஒரு workflow-இன் சில பகுதிகளை மேம்படுத்தலாம்; ஆனால் அவை இல்லாத இடத்தில் நிறுவனங்களை உருவாக்குவதில்லை. உடைந்த procurement, பலவீனமான உள்ளூர் governance, அல்லது குறைந்த வளங்களைக் கொண்ட public agencies-ஐ அவை சரிசெய்யாது.

மிகவும் தீவிரமான AI-for-good திட்டம் என்ன தேவைப்படும்

இந்தக் கட்டுரை சரி என்றால், சமூகத் துறைகளில் அர்த்தமுள்ள AI deployment பல product teams வெளிப்புறச் செலவுகளாகக் கருத விரும்பும் வடிவமைப்பு கட்டுப்பாடுகளோடு தொடங்க வேண்டும். அமைப்புகளுக்கு தெளிவான accountability structures தேவை. தலையிட்டு, விளக்கி, மற்றும் outputs-ஐ எதிர்த்துப் பேசக்கூடிய மனித இயக்குநர்கள் தேவை. பரிந்துரைகளை உண்மையான செயலாக்கமாக மாற்றக்கூடிய நிறுவனங்கள் தேவை. மேலும், சமூகப் பிரச்சினையைப் பற்றிய சரியான புரிதல் இல்லாமலேயே அதற்கு ஒரு தொழில்நுட்பத் தீர்வைத் திணிக்காத அளவுக்கு உள்ளூர் அடித்தளம் தேவை.

இதனால் AI அநாவசியமாகிவிடாது. மாறாக, AI எங்கு மிகச் சிறப்பாக பயன்படலாம் என்பதைக் காட்டுகிறது: public systems-க்கு மாற்றாக அல்ல, அவற்றின் உள்ளே ஒரு கூறாக. இப்படிப் பயன்படுத்தினால், AI clerical burden-ஐக் குறைக்க, தகவல் அணுகலை விரிவுபடுத்த, triage-ஐ ஆதரிக்க, மற்றும் frontline workers-க்கு குறைந்த வளங்களைச் சிறப்பாகப் பயன்படுத்த உதவ முடியும்.

ஆனால் அந்தக் காட்சிப்பாடு, AI நிறுவனத் தோல்வியை வெறுமனே சுற்றி செல்லலாம் என்று விற்கப்படும் pitch-ஐவிட மந்தமானதும் குறைவான கவர்ச்சியானதும் ஆகும். இதற்குச் software-இல் எவ்வளவு முதலீடு தேவைப்படுகிறதோ, அதே அளவு people-இலும்; models-இல் எவ்வளவு தேவைப்படுகிறதோ, அதே அளவு governance-இலும் தேவைப்படுகிறது.

Rest of World கட்டுரையின் மதிப்பு, அது விவாதத்தை மீண்டும் அடிப்படைக் கோட்பாடுகளுக்குத் திருப்புவதில்தான். சமூகப் பிரச்சினைகள் நீடிப்பது யாரும் போதுமான புத்திசாலித்தனமான interface ஒன்றை உருவாக்கவில்லை என்பதால் அல்ல; நீடித்த தீர்வுகள் trust, capacity, மற்றும் power-ஐச் சார்ந்தவை என்பதால்தான். AI அந்த நிலப்பரப்பிற்குள் உதவ முடியும். அதை மறைந்துவிடச் செய்ய முடியாது.

அரசுகள், NGOs, மற்றும் நிறுவனங்கள் பொதுமுக அமைப்புகளில் AI-ஐ தொடர்ந்து ஏற்றுக்கொள்ளும் நிலையில், இந்த வேறுபாடு மேலும் முக்கியமாகும். AI-for-good-இன் அடுத்த கட்டம் models என்ன உருவாக்க முடியும் என்பதைக் கொண்டு அல்ல, நிறுவனங்கள் அவை உருவாக்குவதை பொறுப்புடன் பயன்படுத்த முடியுமா என்பதைக் கொண்டு தான் மதிப்பிடப்படும். அது கடினமான தரநிலை, ஆனால் உண்மையில் முக்கியமானது அதுவே.

இந்தக் கட்டுரை Rest of World வழங்கிய செய்தி அறிக்கையை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.