અલ્ગોરિધમિક પક્ષપાત અને ડિજિટલ અંત્યોદય

Introduction

ભારતનું ડિજિટલ પબ્લિક ઈન્ફ્રાસ્ટ્રક્ચર (DPI - જેમ કે આધાર, UPI) વહીવટમાં ઝડપ અને પારદર્શિતા લાવવામાં ક્રાંતિકારી સાબિત થયું છે. તેમ છતાં, જ્યારે સરકારી સેવાઓમાં કૃત્રિમ બુદ્ધિમત્તા (AI) અને સ્વચાલિત પ્રણાલીઓનો ઉપયોગ થાય છે, ત્યારે પરંપરાગત અમલદારશાહીની ઉદાસીનતાનું સ્થાન 'અલ્ગોરિધમિક પક્ષપાત' (Algorithmic Bias) લઈ લેવાનું જોખમ રહેલું છે. અપૂરતા કે પક્ષપાતી ડેટાબેઝ પર પ્રશિક્ષિત AI મોડેલ્સ સમાજના ઐતિહાસિક રીતે વંચિત વર્ગોને સરકારી કલ્યાણકારી યોજનાઓમાંથી બહાર ધકેલી શકે છે.

અલ્ગોરિધમિક પક્ષપાત અને બાયોમેટ્રિક બાકાતનાં મુખ્ય પડકારો

સ્વચાલિત વહીવટ દરમિયાન માનવીય સંદર્ભનો અભાવ ઘણીવાર સામાજિક અન્યાયમાં પરિણમે છે:

• બાયોમેટ્રિક બાકાત (Biometric Exclusion): કઠોર શારીરિક શ્રમ કરતા શ્રમિકોના ફિંગરપ્રિન્ટ ઘસાઈ જવા કે વૃદ્ધાવસ્થાના કારણે આઇરિસ (Iris) સ્કેન નિષ્ફળ જવા પર સાર્વજનિક વિતરણ પ્રણાલી (PDS રેશનિંગ) કે વૃદ્ધ પેન્શન જેવા પાયાના અધિકારો અટકી જાય છે.
• ડેટા અન્ડર-રિપ્રેઝન્ટેશન (Data Under-representation): જો મોડેલનો ડેટાબેઝ મુખ્યત્વે શહેરી કે શિક્ષિત વર્ગ પર આધારિત હોય, તો ગ્રામીણ, આદિવાસી કે મહિલા લાભાર્થીઓની ચોક્કસ પરિસ્થિતિઓને અલ્ગોરિધમ સમજી શકતું નથી.
• નિયમોની કઠોરતા (Algorithmic Rigidity): અલ્ગોરિધમિક સિસ્ટમ સામાજિક પરિસ્થિતિ કે માનવીય ક્ષતિઓને ઓળખી શકતી નથી. દાખલા તરીકે, દસ્તાવેજમાં નામના સ્પેલિંગની સામાન્ય ભૂલના કારણે પાત્ર લાભાર્થીની સમગ્ર અરજી સ્વચાલિત રીતે રદ થઈ જાય છે.

DPI માં ગાંધીવાદી 'અંત્યોદય' અને સહાનુભૂતિ સમાવવાના વ્યવહારુ મોડેલ્સ

ગાંધીજીના 'તાવીજ' અનુસાર કોઈપણ નીતિ છેવાડાના ગરીબ માનવીના ઉત્થાન માટે હોવી જોઈએ. આ મૂલ્યને ડિજિટલ માળખામાં નીચે મુજબ ટેકનિકલ રીતે જોડી શકાય:

• માનવીય હસ્તક્ષેપ અને સુનાવણીનો અધિકાર (Human-in-the-loop - HITL): સંપૂર્ણ સ્વચાલિત પ્રક્રિયાના બદલે સિસ્ટમમાં માનવીય અપીલનું સ્તર હોવું જોઈએ. જો કોઈ નાગરિકનું બાયોમેટ્રિક કે AI ઓથેન્ટિકેશન નિષ્ફળ જાય, તો તેને આપમેળે બાકાત કરવાના બદલે મેન્યુઅલ ઓવરરાઇડ (Manual Override) અને માનવીય સુનાવણી (Right to Human Hearing) ની સુવિધા મળવી જોઈએ.
• અલ્ગોરિધમિક ઑડિટ અને નૈતિક AI ફ્રેમવર્ક: નીતિ આયોગના 'Responsible AI Framework' અને #AIforAll વ્યૂહરચના હેઠળ સરકારી એલ્ગોરિધમ્સનું થર્ડ-પાર્ટી ઓડિટ થવું જોઈએ. ડેટા ટ્રેનિંગ અને કોડિંગ સ્તરે જાતિ, લિંગ કે ભૌગોલિક પક્ષપાત દૂર કરવા 'બાયસ ટેસ્ટિંગ' ફરજિયાત બનાવવું જોઈએ.
• મલ્ટી-મોડલ ઓથેન્ટિકેશન અને ઑફલાઇન ફોલબેક (Fallback): માત્ર બાયોમેટ્રિક્સ પર સંપૂર્ણ નિર્ભરતા રાખવાને બદલે OTP, સ્માર્ટ કાર્ડ કે સ્થાનિક પંચાયત દ્વારા ભૌતિક ચકાસણી જેવા વૈકલ્પિક મોડેલ્સ ઉપલબ્ધ હોવા જોઈએ, જેથી નેટવર્ક અથવા ટેકનિકલ ખામીને કારણે કોઈ અંત્યોદય નાગરિક લાભથી વંચિત ન રહે.
• સમાવેશી ડેટાબેઝ અને ભાષાકીય સુલભતા: ભારત સરકારના 'ભાષિની' (Bhashini) પ્રોજેક્ટની જેમ સ્થાનિક બોલીઓ, અવાજ આધારિત આદેશો (Voice Commands) અને સરળ ઇન્ટરફેસનો સમાવેશ કરવો જોઈએ, જેથી નિરક્ષર કે ગ્રામીણ નાગરિકો સહજતાથી ડિજિટલ સેવાઓ મેળવી શકે.

Conclusion

ટેક્નોલોજી એ લોકકલ્યાણ અને સેવા વિતરણ માટેનું સાધન છે, અંતિમ સાધ્ય નથી. ડિજિટલ પબ્લિક ઈન્ફ્રાસ્ટ્રક્ચરને સાચા અર્થમાં 'ડિજિટલ અંત્યોદય'નું માધ્યમ બનાવવા માટે કોડિંગના પાયાના સ્તરથી જ તેમાં નૈતિકતા, પારદર્શિતા અને નાગરિક-કેન્દ્રિત સહાનુભૂતિનું સંયોજન કરવું અનિવાર્ય છે.