एआई में हानि क्या है?

एआई में हानि क्या है? 30 प्रतिशत नौकरियों पर जोखिम

एआई में हानि क्या है? यह समझना उन लोगों के लिए आवश्यक है जो भविष्य के करियर को लेकर चिंतित हैं। स्वचालन के बढ़ते प्रभाव से कार्यक्षेत्र में बड़े बदलाव आ रहे हैं। इस तकनीक के जोखिमों और नौकरी सुरक्षा पर पड़ने वाले असर को गहराई से जानकर आप समय रहते नए कौशल सीख सकते हैं।

एआई में हानि क्या है? दो अलग-अलग नजरिए

एआई में हानि या लॉस शब्द सुनते ही ज्यादातर लोग नौकरी जाने या दुनिया खत्म होने की कल्पना करते हैं। यह स्थिति काफी भ्रामक हो सकती है, क्योंकि इसका अर्थ आपके संदर्भ पर निर्भर करता है। एक सॉफ्टवेयर डेवलपर के लिए, यह केवल एक गणितीय त्रुटि है जिसे ठीक किया जाना चाहिए। वहीं, एक आम इंसान के लिए, इसका मतलब रोजगार या निजता (प्राइवेसी) का नुकसान हो सकता है।

ज्यादातर ट्यूटोरियल आपको बताएंगे कि एआई का सबसे बड़ा खतरा स्वचालन (ऑटोमेशन) है। लेकिन एक बहुत बड़ा खतरा है जिसे 90 प्रतिशत लोग नजरअंदाज कर देते हैं - मैं लेख के अंत में एआई के नुकसान और जोखिम वाले हिस्से में इसका खुलासा करूंगा।

मशीन लर्निंग में लॉस फंक्शन: तकनीकी पहलू

तकनीकी दुनिया में, मशीन लर्निंग में लॉस फंक्शन क्या है? एक ऐसा पैमाना है जो बताता है कि एआई का अनुमान वास्तविकता से कितना दूर है। आसान शब्दों में कहें तो, यह एआई की गलती मापने का मीटर है। जब एआई कोई भविष्यवाणी करता है और वह गलत निकलती है, तो लॉस स्कोर बढ़ जाता है।

शायद ही मैंने कभी किसी कांसेप्ट को शुरुआत में इतना गलत समझा हो। जब मैंने पहली बार पाइथन में अपना न्यूरल नेटवर्क कोड किया था, तो मेरा लॉस स्कोर बढ़ता ही जा रहा था। हफ्तों की माथापच्ची। सिर चकरा गया था। तीन दिन बाद समझ आया कि मैंने ट्रेनिंग डेटा को ठीक से प्रोसेस ही नहीं किया था। एआई - और यह बात कई जूनियर डेवलपर्स को भी हैरान करती है - अपने आप में स्मार्ट नहीं है; यह सिर्फ एक कैलकुलेटर है जो अपनी गलतियों (लॉस) को कम करने की कोशिश करता है।

लॉस को कम करने का विज्ञान

मॉडल को प्रशिक्षित करते समय मुख्य लक्ष्य इस लॉस को कम से कम करना होता है। एक अच्छे मशीन लर्निंग मॉडल में, त्रुटि दर काफी कम होने पर उसे वास्तविक दुनिया के उपयोग के लिए स्वीकार्य माना जा सकता है। एआई हानि के प्रकार (जिसे समझना शुरुआत में मुझे बहुत मुश्किल लगा था) दरअसल एक गणितीय गाइड है जो एल्गोरिदम को बताता है कि उसे अपने मापदंडों को कैसे समायोजित करना है। ^[1]

व्यावहारिक नजरिया: एआई के नुकसान और जोखिम

अब बात करते हैं उस हानि की जो हमारे रोजमर्रा के जीवन को प्रभावित करती है। कृत्रिम बुद्धिमत्ता के दुष्प्रभाव केवल फिल्मों तक सीमित नहीं हैं। यह एक जमीनी हकीकत है। क्या एआई सब कुछ बर्बाद कर देगा? बिल्कुल नहीं। लेकिन कुछ गंभीर चुनौतियां हैं।

रोजगार और स्वचालन का प्रभाव

विश्व स्तर पर लगभग 30 प्रतिशत कार्य एआई ऑटोमेशन के जोखिम में हैं।^[2] दोहराव वाले काम, जैसे डेटा एंट्री या बेसिक कस्टमर सपोर्ट, बहुत तेजी से मशीनों के हवाले किए जा रहे हैं। हालांकि, इसके साथ ही एआई से नौकरियों पर प्रभाव नई तरह की नौकरियां भी पैदा कर रहा है। समस्या नौकरी खत्म होने की नहीं, बल्कि कौशल (स्किल) बदलने की है।

वह बड़ा खतरा जिसे लोग अनदेखा करते हैं

यहाँ वह बड़ा खतरा है जिसका मैंने पहले जिक्र किया था: एआई पूर्वाग्रह (Algorithmic Bias) और प्राइवेसी। हमें लगता है कि मशीनें निष्पक्ष होती हैं। यह सच नहीं है। एआई उसी डेटा से सीखता है जो हम उसे देते हैं। यदि पुराने डेटा में नस्लीय या लैंगिक भेदभाव है, तो एआई भी वही करेगा। उदाहरण के लिए, कुछ एआई हायरिंग टूल ने महिलाओं के रिज्यूमे को केवल इसलिए खारिज कर दिया क्योंकि उनके ट्रेनिंग डेटा में ज्यादातर पुरुष सफल उम्मीदवार थे।

ईमानदारी से कहूं तो, शुरुआत में मुझे भी लगता था कि एआई का सबसे बड़ा नुकसान सिर्फ तकनीकी होगा। लेकिन हकीकत में, जब एआई समाज के भेदभाव को स्केल करता है, तो वह सबसे बड़ा आर्टिफिशियल इंटेलिजेंस के फायदे और नुकसान होता है।

तकनीकी लॉस बनाम व्यावहारिक नुकसान: एक तुलना

तकनीकी लॉस (Loss Function)

• बेहतर डेटा, सही एल्गोरिदम और अधिक ट्रेनिंग समय

• डेटा साइंटिस्ट और सॉफ्टवेयर डेवलपर्स

• एआई मॉडल के अनुमान और वास्तविक परिणाम के बीच का गणितीय अंतर

• एल्गोरिदम को बेहतर बनाने के लिए इस लॉस को कम से कम करना

व्यावहारिक नुकसान (Societal Risk)

• सरकारी नियम, निष्पक्ष डेटा ऑडिट और मानवीय निगरानी

• आम जनता, कर्मचारी और समाज का हर तबका

• एआई के अनियंत्रित उपयोग से समाज, प्राइवेसी और रोजगार पर नकारात्मक प्रभाव

• नैतिक एआई (Ethical AI) विकसित करना और मानव हितों की रक्षा करना

एआई मॉडल को सुधारने का संघर्ष: रोहित की कहानी

रोहित, नोएडा में एक स्टार्टअप के लिए काम करने वाला 28 वर्षीय डेवलपर, अपने नए एआई रिकमेंडेशन इंजन के साथ बुरी तरह संघर्ष कर रहा था। उनका मॉडल ग्राहकों को गर्मियों में ऊनी जैकेट दिखा रहा था। बिक्री गिर रही थी और रोहित को समझ नहीं आ रहा था कि क्या गलत है।

पहली कोशिश: रोहित ने मॉडल को और अधिक डेटा फीड किया, यह सोचकर कि यह अपने आप सीख जाएगा। नतीजा? एआई का लॉस फंक्शन और खराब हो गया। सर्वर का खर्च बढ़ गया, और ग्राहकों को अभी भी गलत उत्पाद दिख रहे थे। दो हफ्ते की बिना नींद वाली रातों के बाद, रोहित हार मानने वाले थे।

तभी उन्हें अपनी बुनियादी गलती का एहसास हुआ। वह एक गलत लॉस फंक्शन का उपयोग कर रहे थे जो मौसमी बदलावों को नजरअंदाज कर रहा था। उन्होंने केवल डेटा बढ़ाने के बजाय, गणितीय फॉर्मूले में मौसम के महत्व को शामिल करते हुए एक कस्टम लॉस फंक्शन लिखा।

परिणामस्वरूप, मॉडल की त्रुटि दर कुछ ही दिनों में 85 प्रतिशत से गिरकर 12 प्रतिशत हो गई। न तो यह जादू था और न ही कोई रातों-रात मिली सफलता। रोहित ने सीखा कि एआई में 'ज्यादा डेटा' हमेशा समाधान नहीं होता; कभी-कभी आपको यह बदलना पड़ता है कि मशीन अपनी गलतियों को कैसे मापती है।