ആധുനിക സമൂഹത്തിൽ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് (ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ്) ഉപയോഗിക്കുന്നതിനുള്ള വഴികൾ ആളുകൾ പര്യവേക്ഷണം ചെയ്യുന്നത് തുടരുമ്പോൾ, നിലവിലുള്ളതും സാധ്യതയുള്ളതും ഭാവിയിലെതുമായ എല്ലാ ആപ്ലിക്കേഷനുകളും ധാർമ്മികമായി പ്രവർത്തിക്കുന്നുവെന്ന് ഉറപ്പാക്കുന്നതിനെക്കുറിച്ച് വർദ്ധിച്ചുവരുന്ന ആശങ്കയുണ്ട്. പല പ്രൊഫഷണലുകളും മാർഗ്ഗനിർദ്ദേശങ്ങൾ, മികച്ച സമ്പ്രദായങ്ങൾ, വ്യവസായത്തിന് ഉപയോഗിക്കാൻ മറ്റ് വിഭവങ്ങൾ എന്നിവ വികസിപ്പിച്ചുകൊണ്ട് ധാർമ്മിക ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് തത്വങ്ങൾ മുന്നോട്ട് കൊണ്ടുപോകാൻ സ്വയം സമർപ്പിച്ചിട്ടുണ്ട്.

ഡാറ്റാ സയൻസ് സമ്പ്രദായങ്ങളും അനിവാര്യമായും മാറ്റപ്പെടും: ഇത് ബ്ലാക്ക്-ബോക്സ് അൽഗോരിതങ്ങളെക്കുറിച്ചുള്ള അവബോധം വർദ്ധിപ്പിച്ചേക്കാം

ഡാറ്റാ ശാസ്ത്രജ്ഞരും മറ്റുള്ളവരും ഉപയോഗിക്കുന്ന പല ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് അൽഗോരിതങ്ങളും ബ്ലാക്ക് ബോക്സ് തരമാണ്. അതിനർത്ഥം ഒരു ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഉപകരണം എങ്ങനെ തീരുമാനം എടുത്തുവെന്ന് ആളുകൾക്ക് കാണാൻ കഴിയില്ല. വിശദീകരിക്കാൻ കഴിയാത്ത ഈ അൽഗോരിതങ്ങളുടെ നിർഭാഗ്യകരമായ പ്രശ്നം പല വ്യവസായങ്ങളും കമ്പനികളും ഇതിനകം തന്നെ ഒരാളുടെ ജീവിതത്തെ മാറ്റിമറിക്കാൻ കഴിയുന്ന ആപ്ലിക്കേഷനുകൾക്കായി അവ ഉപയോഗിക്കുന്നു എന്നതാണ്.

ചില കമ്പനികൾ സമർപ്പിത ഉപകരണങ്ങൾ രൂപകൽപ്പന ചെയ്തുകൊണ്ട് പ്രശ്നം കൈകാര്യം ചെയ്തിട്ടുണ്ട്. അത്തരം ഉൽപ്പന്നങ്ങൾ ശരിയായ ദിശയിലേക്കുള്ള ചുവടുകളാണ്, പക്ഷേ ഇപ്പോഴും ഗണ്യമായ പുരോഗതി കൈവരിക്കാനുണ്ട്.

തീരുമാനമെടുക്കാനുള്ള ഉൾക്കാഴ്ചയുടെ അഭാവം ധാർമ്മിക പ്രശ്നങ്ങൾക്ക് കാരണമായേക്കാവുന്ന പ്രധാന പ്രശ്നങ്ങളിൽ ഒന്നാണ്. ഒരു ഉപഭോക്താവിന് വായ്പ നൽകണോ എന്ന് നിർണ്ണയിക്കാൻ പ്രതിനിധികൾ ഡാറ്റ ക്രഞ്ച് ചെയ്യുമ്പോൾ ബാങ്കുകൾ ബ്ലാക്ക് ബോക്സ് അൽഗോരിതം ഉപയോഗിക്കുന്നു. അത്തരം അൽഗോരിതങ്ങൾ ഒരു അക്കൗണ്ടിൽ സംശയാസ്പദമായ തട്ടിപ്പ് ഫ്ലാഗ് ചെയ്തേക്കാം, ഇത് പ്രയോജനകരമാണ്. എന്നിരുന്നാലും, ഇത് ഒരു തെറ്റായ അലാറം ആയിരുന്നെങ്കിൽ – മുഴുവൻ അഗ്നിപരീക്ഷയും ബാധിച്ച ഉപഭോക്താവിനെ മാസങ്ങളോളം അവരുടെ അക്കൗണ്ടിൽ നിന്ന് തടയുന്നു?

ബാങ്കുകൾക്ക് ഈ അൽഗോരിതങ്ങൾ എങ്ങനെ, എപ്പോൾ ഉപയോഗിക്കാൻ കഴിയും എന്നതിന്റെ പ്രശ്നങ്ങൾ റെഗുലേറ്റർമാരുടെ അധികാരത്തിന് പുറത്താണ്, അതിനാൽ ആളുകൾ ജാഗ്രത പുലർത്തുന്നത് എന്തുകൊണ്ടാണെന്ന് മനസിലാക്കാൻ കഴിയും.

ഡയഗ്നോസ്റ്റിക് പിന്തുണ പോലുള്ള മെഡിക്കൽ ആപ്ലിക്കേഷനുകളിൽ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഉപയോഗിക്കുന്നതിനെക്കുറിച്ച് ചിലർക്ക് സമാനമായ അനിശ്ചിതത്വങ്ങളുണ്ട്. ചില ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഉപകരണങ്ങൾക്ക് വർഷങ്ങളുടെ പരിചയമുള്ള ഡോക്ടർമാരെപ്പോലെ ഫലപ്രദമായി രോഗങ്ങൾ നിർണ്ണയിക്കാൻ കഴിയുമെന്ന് തെളിവുകൾ ഇതിനകം കാണിക്കുന്നു.

എന്നിരുന്നാലും, ബ്ലാക്ക്-ബോക്സ് അൽഗോരിതങ്ങളുടെ ഒരു ആശങ്ക, രോഗികൾക്ക് മെഡിക്കൽ തീരുമാനങ്ങൾ വേണ്ടത്ര വിശദീകരിക്കാൻ ഡോക്ടർമാരെ അനുവദിക്കുന്നില്ല എന്നതാണ്. അതിനാൽ, ഈ വിഷയവുമായി പരിചയമുള്ള ചില ആളുകൾ ഡോക്ടർമാർ തീരുമാന പിന്തുണയ്ക്കോ യഥാർത്ഥത്തിൽ ഗുരുതരമായ സാഹചര്യങ്ങളിൽ രോഗികളെ ചികിത്സിക്കുന്നതിനോ മാത്രമേ ഇത്തരത്തിലുള്ള ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഉപയോഗിക്കാവൂ എന്ന് വിശ്വസിക്കുന്നു.

പല ഡാറ്റാ ശാസ്ത്രജ്ഞരും വിശദീകരിക്കാവുന്ന ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് അൽഗോരിതങ്ങളിൽ പ്രവർത്തിച്ചുകൊണ്ട് ഈ ആശങ്കകളോട് പ്രതികരിക്കുന്നു. ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഉപകരണം എങ്ങനെ ആ നിഗമനത്തിലെത്തി എന്ന് കാണാൻ കഴിയുന്നതിനാൽ ഫലങ്ങൾ വ്യാഖ്യാനിക്കാനും വിശ്വസിക്കാനും അവ ആളുകളെ അനുവദിക്കുന്നു. നിലവിൽ ഡാറ്റാ സയൻസിൽ ജോലി ചെയ്യുന്ന അല്ലെങ്കിൽ ഉടൻ തന്നെ ഈ മേഖലയിലേക്ക് പ്രവേശിക്കാൻ ആഗ്രഹിക്കുന്ന ആളുകൾ വിശദീകരിക്കാവുന്ന ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് അവരുടെ ജോലിയെ ഗണ്യമായി സ്വാധീനിക്കുമെന്ന് പ്രതീക്ഷിക്കണം.

പക്ഷപാതം കുറയ്ക്കുന്നതിന് തുടർച്ചയായ പ്രവർത്തനങ്ങൾ ആവശ്യമാണ്

മനുഷ്യർക്ക് നിരവധി ആന്തരിക പക്ഷപാതങ്ങളുണ്ട്, അത് അവർ ലോകത്തെ എങ്ങനെ കാണുന്നു എന്നതിനെ ബാധിക്കും, അതിനാൽ ആളുകൾ നിർമ്മിക്കുന്ന ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് അൽഗോരിതങ്ങളിൽ അവയും അടങ്ങിയിരിക്കുന്നത് സ്വാഭാവികമാണ്. അൽഗോരിതങ്ങൾ സൃഷ്ടിക്കുന്നതിനായി ഡാറ്റ ശേഖരിക്കുമ്പോൾ ഡാറ്റാ ശാസ്ത്രജ്ഞർ നിരവധി പക്ഷപാതങ്ങൾ നേരിടുന്നു. ആർക്കെങ്കിലും ശേഖരിക്കാൻ ലഭ്യമായ ഡാറ്റയിലെ പരിമിതികൾ കാരണം അവ പലപ്പോഴും സംഭവിക്കുന്നു.

പക്ഷപാതത്തിന്റെ അഭാവം ധാർമ്മിക ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിലെ പുരോഗതിയുടെ അടിസ്ഥാന ഭാഗമാണ്. ജോലിക്ക് അപേക്ഷിക്കുമ്പോഴോ ആർട്സ് കോളേജിലെ ഒരു സ്ഥലത്തിനായി ഓഡിഷനിൽ പങ്കെടുക്കുമ്പോഴോ പോലുള്ള ആളുകളെ പരസ്പരം താരതമ്യപ്പെടുത്തുന്ന സാഹചര്യങ്ങളിൽ വിവേചനം അസാധാരണമായ പ്രശ്നങ്ങൾക്ക് കാരണമാകും.

ജോലിസ്ഥലത്ത് ധാർമ്മികമായി ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് പ്രയോഗിക്കാൻ ഹ്യൂമൻ റിസോഴ്സസ് പ്രൊഫഷണലുകൾക്ക് നിരവധി ആക്സസ് ചെയ്യാവുന്ന മാർഗങ്ങളുണ്ട്. ജീവനക്കാർക്ക് വ്യക്തിഗത പരിശീലനം ലഭിക്കുന്നതിന് 41% കമ്പനികൾ ബജറ്റ് ചെയ്യുന്നത് എങ്ങനെയെന്ന് പരിഗണിക്കുക. അൽഗോരിതങ്ങൾക്ക് വലിയ അളവിൽ ഡാറ്റ കൈകാര്യം ചെയ്യാൻ കഴിയും, ഇത് പ്രക്രിയ കാര്യക്ഷമമാക്കാൻ കഴിയും.

പരിശീലന മൊഡ്യൂളുകളിലെ ടീം അംഗങ്ങളുടെ മുൻകാല പ്രകടനം, അവരുടെ റോളുകളിലെ മൊത്തത്തിലുള്ള അനുഭവം, മുമ്പത്തെ അറിവ് വിടവുകൾ എന്നിവയെക്കുറിച്ചുള്ള വിവരങ്ങൾ ഒരു അൽഗോരിതത്തിലേക്ക് ഒരു ഹ്യൂമൻ റിസോഴ്സസ് മാനേജർ നൽകിയേക്കാം. വരാനിരിക്കുന്ന സെഷനിൽ ഏതൊക്കെ മേഖലകൾ ഉൾക്കൊള്ളണം അല്ലെങ്കിൽ ഒഴിവാക്കണം എന്ന് മനസിലാക്കാൻ ഫലങ്ങൾ ഒരു പരിശീലകനെ സഹായിക്കും.

അതേസമയം, ജീവനക്കാരുമായി ബന്ധപ്പെട്ട ആപ്ലിക്കേഷനുകൾക്കായി ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഉപയോഗിക്കുന്ന ആരെങ്കിലും സാങ്കേതികവിദ്യയെക്കുറിച്ച് കേട്ടേക്കാവുന്ന അതിശയകരമായ ചില അവകാശവാദങ്ങൾ ഉടനടി വാങ്ങരുത്. ഉദാഹരണത്തിന്, നിയമനത്തെ പിന്തുണയ്ക്കാൻ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഉപകരണങ്ങൾ ഉപയോഗിക്കുകയാണെങ്കിൽ കൂടുതൽ വൈവിധ്യമാർന്ന ജോലിസ്ഥലങ്ങൾക്ക് കാരണമാകുമെന്ന് ചിലർ പ്രതീക്ഷിച്ചു. എന്നിരുന്നാലും, കേംബ്രിഡ്ജ് യൂണിവേഴ്സിറ്റി സംഘം ഇതിന് വിപരീതമാണെന്ന് കണ്ടെത്തി. സാങ്കേതികവിദ്യ കൂടുതൽ ഏകീകൃത തൊഴിലിടങ്ങൾക്ക് കാരണമാകുമെന്ന് അവർ പറഞ്ഞു.

പക്ഷപാതം കുറയ്ക്കുന്നതിലും അത് കീഴടക്കുന്നതിനുള്ള പുരോഗതി ഉണ്ടായിരുന്നിട്ടും അത് എല്ലായ്പ്പോഴും ഉണ്ടായിരിക്കുമെന്ന് ആളുകളെ ഓർമ്മിപ്പിക്കുന്നതിലും ഡാറ്റാ ശാസ്ത്രജ്ഞർക്ക് പ്രധാന പങ്ക് വഹിക്കാൻ കഴിയും. ധാർമ്മിക ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ അടിത്തറ രൂപപ്പെടുത്തുന്നതിന് അത്തരം ശ്രമങ്ങൾ നിർണായകമാകും.

ഇത് സുതാര്യതയുടെ ആവശ്യകത ഉയർത്തിക്കാട്ടുന്നു

പല ഉപഭോക്താക്കളും ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസുമായി സങ്കീർണ്ണമായ ബന്ധത്തിലാണ്. ഷോപ്പിംഗ് നടത്തുമ്പോൾ ഇത് വ്യക്തിഗത ശുപാർശകൾ നൽകുന്നതെങ്ങനെയെന്ന് അവർ ഇഷ്ടപ്പെട്ടേക്കാം, പക്ഷേ ആ ഡാറ്റ ഉപയോഗിച്ച് കമ്പനികൾ എന്തുചെയ്യുന്നുവെന്നതിനെക്കുറിച്ച് ജാഗ്രത പുലർത്തുകയും വിവരങ്ങൾ ഉത്തരവാദിത്തത്തോടെ കൈകാര്യം ചെയ്യുന്നുണ്ടോ എന്ന് ചിന്തിക്കുകയും ചെയ്യുന്നു.

2023 ലെ ഒരു പഠനത്തിൽ നിന്നുള്ള ഒരു പ്രധാന കാര്യം, മികച്ച റീട്ടെയിൽ അനുഭവങ്ങൾ നേടാൻ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സഹായിച്ചുവെന്ന് 51% പേർ കരുതുന്നു എന്നതാണ്. എന്നിരുന്നാലും, വ്യക്തിഗതമാക്കലും ഡാറ്റ ശേഖരിക്കുന്നതും വാഗ്ദാനം ചെയ്യുന്ന ചില്ലറ വ്യാപാരികൾ മികച്ച രീതിയിൽ ബാലൻസ് ചെയ്യണമെന്ന് 63% പേർ ആഗ്രഹിച്ചു. മറ്റൊരിടത്ത്, 2023 ഗാലപ്പ് വോട്ടെടുപ്പിൽ പ്രതികരിച്ചവരിൽ 79% പേർക്കും ബിസിനസുകൾ ഉത്തരവാദിത്തത്തോടെ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഉപയോഗിക്കുമെന്ന് വിശ്വാസമില്ലെന്ന് വെളിപ്പെടുത്തി.

കമ്പനികൾക്ക് ധാർമ്മിക ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് തത്വങ്ങൾ ഉണ്ടായിരിക്കേണ്ടതിന്റെയും പിന്തുടരേണ്ടതിന്റെയും ആവശ്യകത ഈ സ്ഥിതിവിവരക്കണക്കുകൾ കാണിക്കുന്നു. ഡാറ്റാ സയന്റിസ്റ്റുകൾക്ക് അവ സൃഷ്ടിക്കാൻ സഹായിക്കാനാകും. അനുബന്ധമായി, ബിസിനസുകൾ അവരുടെ വിവരങ്ങൾ എങ്ങനെ, എന്തുകൊണ്ട്, എപ്പോൾ ഉപയോഗിക്കുന്നു എന്നതിനെക്കുറിച്ച് ഉപയോക്താക്കൾക്ക് വ്യക്തമായ വിശദാംശങ്ങൾ ഉണ്ടായിരിക്കണം. ഏത് സമയത്തും ആക്സസ് നൽകാനോ പിൻവലിക്കാനോ ഉള്ള ഓപ്ഷനും ആ ആദ്യ കക്ഷി വിവരങ്ങളിൽ കൂടുതൽ നിയന്ത്രണം വാഗ്ദാനം ചെയ്യുന്നു.

നൈതിക AI ആവശ്യമാണ്

ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് അൽഗോരിതങ്ങൾ ശക്തമാണ്, അവ ഇതിനകം തന്നെ എത്ര ആളുകൾ കാര്യങ്ങൾ ചെയ്യുന്നുവെന്ന് മാറ്റി. എന്നിരുന്നാലും, ഉപയോഗ കേസുകൾ വർദ്ധിക്കുന്നതിനനുസരിച്ച്, വ്യക്തികൾക്ക് മനഃപൂർവ്വമോ അല്ലാതെയോ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് അധാർമ്മികമായി ഉപയോഗിക്കാനുള്ള സാധ്യതയും വർദ്ധിക്കുന്നു. ധാർമ്മിക ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസുമായി ബന്ധപ്പെട്ട ജോലികളിൽ പഠനം, പരിശോധന, നിക്ഷേപം എന്നിവ ദോഷവും വ്യാപകമായ പ്രത്യാഘാതങ്ങളും ഉണ്ടാക്കിയേക്കാവുന്ന ദുരുപയോഗം കുറയ്ക്കും.