क्या AI असमानता को बढ़ाए बिना गरीबी कम करने में मदद कर सकता है?

AI को अब गवर्नेंस सिस्टम में शामिल किया जा रहा है जो कमज़ोर आबादी की पहचान करते हैं, वेलफेयर रिसोर्स बांटते हैं, सर्विस डिलीवरी पर नज़र रखते हैं और यह तय करने में मदद करते हैं कि किसे मदद मिलनी चाहिए। एक नए सिस्टमैटिक रिव्यू में पाया गया है कि AI गरीबी से जुड़े फैसले लेने में सुधार कर सकता है, साथ ही यह चेतावनी भी दी गई है कि एकतरफ़ा डेटा, कमज़ोर इंफ्रास्ट्रक्चर और सीमित निगरानी उन असमानताओं को और बढ़ा सकते हैं जिन्हें ऐसे सिस्टम कम करने के लिए बनाए गए हैं।

एडमिनिस्ट्रेटिव साइंसेज़ में छपी रिव्यू, 'द रोल ऑफ़ आर्टिफिशियल इंटेलिजेंस इन पॉवर्टी गवर्नेंस: ए सिस्टमैटिक लिटरेचर रिव्यू ऑफ़ इनोवेशन्स एंड इम्प्लीमेंटेशन चैलेंजेस', हाल की रिसर्च का रिव्यू करती है कि AI का इस्तेमाल गरीबी गवर्नेंस में कैसे किया जा रहा है, जिसमें सोशल प्रोटेक्शन, खेती, हेल्थ, एजुकेशन, फाइनेंशियल सर्विस और पब्लिक एडमिनिस्ट्रेशन शामिल हैं।

लेखकों का तर्क है कि AI को गरीबी खत्म करने के लिए अकेले सॉल्यूशन के तौर पर नहीं, बल्कि एक सोशियो-टेक्निकल सिस्टम के तौर पर देखा जाना चाहिए जिसका असर संस्थानों, डेटा क्वालिटी, रेगुलेशन और इनक्लूजन पर निर्भर करता है।

AI गरीबी गवर्नेंस की मशीनरी में जा रहा है

रिव्यू के मुताबिक, AI पुराने सिस्टम की तुलना में बड़े और अलग-अलग तरह के डेटासेट को ज़्यादा तेज़ी से प्रोसेस करके गरीबी गवर्नेंस को मज़बूत कर सकता है। मशीन लर्निंग टूल सैटेलाइट इमेजरी, मोबाइल फ़ोन डेटा, एडमिनिस्ट्रेटिव रिकॉर्ड और डिजिटल ट्रांज़ैक्शन को मिलाकर ज़्यादा डिटेल्ड गरीबी मैप बना सकते हैं और नई कमज़ोरियों का पता लगा सकते हैं। ये टूल सरकारों और सहायता एजेंसियों को देरी से जवाब देने से ज़्यादा समय पर दखल देने में मदद कर सकते हैं।

पारंपरिक गरीबी माप अक्सर घरेलू सर्वे और एडमिनिस्ट्रेटिव रिकॉर्ड पर निर्भर करता है जो अधूरे, पुराने या लंबे अंतराल पर इकट्ठा किए जा सकते हैं। AI-बेस्ड तरीके गरीबी की जानकारी को ज़्यादा बार अपडेट करने का एक संभावित तरीका देते हैं, खासकर उन जगहों पर जहाँ पारंपरिक डेटा इकट्ठा करना मुश्किल है। सिद्धांत रूप में, यह कैश ट्रांसफर, खाने की मदद, सब्सिडी और इमरजेंसी सपोर्ट को ज़्यादा सटीक रूप से टारगेट करने में मदद कर सकता है।

AI एडमिनिस्ट्रेटिव एफिशिएंसी में भी सुधार कर सकता है। ऑटोमेटेड सिस्टम एलिजिबिलिटी चेक, फ्रॉड का पता लगाने, पेमेंट शेड्यूलिंग और प्रोग्राम मॉनिटरिंग में मदद कर सकते हैं। सीमित क्षमता वाले पब्लिक सेक्टर में, ये टूल देरी कम कर सकते हैं और एजेंसियों को सेवाओं को ज़्यादा प्रभावी ढंग से कोऑर्डिनेट करने में मदद कर सकते हैं।

AI की वैल्यू का सबसे मज़बूत सबूत उन क्षेत्रों में दिखाई देता है जहाँ काम प्रेडिक्टिव, क्लासिफ़िकेटरी या एडमिनिस्ट्रेटिव होता है। गरीबी मैपिंग, बेनिफिशियरी टारगेटिंग, अर्ली वॉर्निंग सिस्टम और रिसोर्स एलोकेशन इसके सबसे साफ़ इस्तेमाल के मामलों में से हैं। AI का इस्तेमाल फाइनेंशियल इनक्लूजन के लिए भी किया जा रहा है। इसके लिए क्रेडिट स्कोरिंग के लिए दूसरे डेटा का इस्तेमाल किया जा रहा है। इससे बिना फॉर्मल क्रेडिट हिस्ट्री वाले लोगों को लोन, सेविंग्स, इंश्योरेंस और दूसरी फाइनेंशियल सर्विस तक पहुंचने में मदद मिल रही है।

खेती में, AI सटीक खेती, फसल की पैदावार का अनुमान, कीड़ों का पता लगाने, मिट्टी की मॉनिटरिंग और क्लाइमेट-स्मार्ट सलाह सिस्टम के ज़रिए गांवों में रहने वालों की मदद कर सकता है। हेल्थ और एजुकेशन में, AI डायग्नोस्टिक्स, टेलीमेडिसिन, अडैप्टिव लर्निंग और सर्विस ऑप्टिमाइजेशन में मदद कर सकता है। इन सभी सेक्टर में, आम उम्मीद बेहतर जानकारी, तेज़ तालमेल और ज़्यादा टारगेटेड सपोर्ट है।

भेदभाव, बाहर रखना और कमज़ोर संस्थान बड़ी रुकावटें बने हुए हैं।

रिव्यू में चेतावनी दी गई है कि AI क्षमता और असमानता दोनों को बढ़ा सकता है। अधूरे या पक्षपाती डेटासेट पर ट्रेन किए गए सिस्टम सबसे गरीब या सबसे ज़्यादा हाशिए पर पड़े ग्रुप की पहचान करने में फेल हो सकते हैं। गरीबी मॉडल बनाने के लिए इस्तेमाल किए जाने वाले डेटा में इनफॉर्मल बस्तियों, दूर-दराज के ग्रामीण इलाकों या डिजिटल रूप से अलग-थलग समुदायों के लोगों को खराब तरीके से दिखाया जा सकता है। अगर उन मॉडलों का इस्तेमाल फायदे बांटने के लिए किया जाता है, तो नतीजा सपोर्ट से बाहर रखा जाना हो सकता है।

यह रिस्क तब चिंता की बात है जब AI सिस्टम का इस्तेमाल सोशल प्रोटेक्शन, क्रेडिट एक्सेस या पब्लिक सर्विस डिलीवरी में एलिजिबिलिटी के फैसलों के लिए किया जाता है। गरीबी का अनुमान लगाने वाले मॉडल में गलती सिर्फ़ टेक्निकल नहीं होती। इससे यह पता चल सकता है कि किसी परिवार को खाने की मदद, कैश मदद, हेल्थकेयर सपोर्ट या क्रेडिट मिल रहा है या नहीं।

स्टडी में डिजिटल एक्सक्लूज़न को लेकर भी चिंता जताई गई है। AI सिस्टम डेटा इंफ्रास्ट्रक्चर, कनेक्टिविटी, बिजली, कंप्यूटिंग रिसोर्स और टेक्निकल एक्सपर्टीज़ पर निर्भर करते हैं। कम रिसोर्स वाली जगहों पर, कमज़ोर इंफ्रास्ट्रक्चर AI डिप्लॉयमेंट की एक्यूरेसी और सस्टेनेबिलिटी दोनों को सीमित कर सकता है। अगर गरीब समुदायों के लिए एक्सेस पक्का किए बिना डिजिटल सिस्टम शुरू किए जाते हैं, तो वे उन लोगों के बीच की खाई को और बढ़ा सकते हैं जो सरकार को दिखते हैं और जो फॉर्मल सिस्टम से बाहर रहते हैं।

रिव्यू प्राइवेसी, सर्विलांस, एल्गोरिदमिक अकाउंटेबिलिटी और डेटा जस्टिस को लेकर चिंताओं की ओर इशारा करता है। गरीबी गवर्नेंस में, डेटा अक्सर कमज़ोर आबादी से इकट्ठा किया जाता है। सहमति, मकसद की लिमिट, ऑडिटेबिलिटी और अपील मैकेनिज्म पर मज़बूत नियमों के बिना, AI सिस्टम लोगों को मॉनिटरिंग या ऑटोमेटेड फैसलों के सामने ला सकते हैं जिन्हें वे समझ या चुनौती नहीं दे सकते।

लेखक चेतावनी देते हैं कि AI को एक न्यूट्रल टेक्निकल फिक्स नहीं समझना चाहिए। गरीबी इनकम, हेल्थ, एजुकेशन, हाउसिंग, फूड सिक्योरिटी, पब्लिक सर्विसेज़, पॉलिटिकल आवाज़ और झटकों के असर से तय होती है। AI इन सभी पहलुओं में पैटर्न का पता लगाने में मदद कर सकता है, लेकिन यह पॉलिसी चुनने की जगह नहीं ले सकता या अकेले कमी के स्ट्रक्चरल कारणों को ठीक नहीं कर सकता।

लेखक डेटा कॉलोनियलिज़्म के रिस्क की ओर ध्यान दिलाते हैं, जहाँ AI इंफ्रास्ट्रक्चर, क्लाउड सिस्टम, प्रोप्राइटरी मॉडल और डेटा-प्रोसेसिंग टूल्स को उन कम्युनिटी या देशों के बाहर कंट्रोल किया जाता है जहाँ गरीबी दूर करने के लिए दखल दिया जाता है। इससे डेवलपमेंट सिस्टम पर लोकल कंट्रोल कम हो सकता है और बाहरी प्लेटफॉर्म पर निर्भरता बढ़ सकती है।

एक और कमी लंबे समय के नतीजों पर कम सबूत हैं। कई स्टडीज़ टेक्निकल परफॉर्मेंस की रिपोर्ट करती हैं, लेकिन कम ही इस बात की जांच करती हैं कि क्या AI सिस्टम असल में समय के साथ गरीबी कम करते हैं, फेयरनेस में सुधार करते हैं या पब्लिक अकाउंटेबिलिटी को मजबूत करते हैं। रिव्यू में ज़्यादा इम्पैक्ट इवैल्यूएशन, फेयरनेस-अवेयर AI, पार्टिसिपेटरी डिज़ाइन और कम रिसोर्स वाले माहौल के लिए सही तरीकों की मांग की गई है।

यह पॉलिसी और डेवलपमेंट के लिए क्यों ज़रूरी है

AI गरीबी कम करने में तभी मदद कर सकता है जब इसे अकाउंटेबल, इनक्लूसिव और लोकल लेवल पर आधारित गवर्नेंस सिस्टम में बनाया जाए। सिर्फ़ अंदाज़ा लगाना काफ़ी नहीं है। सरकारों और डेवलपमेंट एजेंसियों को यह भी पूछना चाहिए कि डेटा को कौन कंट्रोल करता है, किसकी ज़रूरतें पूरी होती हैं, कौन फ़ैसलों को चुनौती दे सकता है और क्या सिस्टम डिज़ाइन में प्रभावित समुदायों की कोई आवाज़ है।

पॉलिसी बनाने वालों को डेटा गवर्नेंस को प्राथमिकता देनी चाहिए। गरीबी प्रोग्राम में इस्तेमाल होने वाले AI सिस्टम को प्राइवेसी, डेटा प्रोटेक्शन, ट्रांसपेरेंसी, ऑडिटेबिलिटी और इंसानी निगरानी पर साफ़ नियमों की ज़रूरत है। ऑटोमेटेड फ़ैसलों से प्रभावित समुदायों के पास नतीजों पर सवाल उठाने या अपील करने के सही तरीके होने चाहिए।

इसके बाद आता है इनक्लूसिव इंफ्रास्ट्रक्चर। गरीबी गवर्नेंस के लिए AI में इन्वेस्टमेंट के साथ कनेक्टिविटी, डिजिटल लिटरेसी, पब्लिक-सेक्टर कैपेसिटी और स्थानीय तौर पर काम के डेटा सिस्टम में इन्वेस्टमेंट होना चाहिए। इन बुनियादों के बिना, AI टूल उन आबादी के लिए सबसे अच्छा काम कर सकते हैं जो पहले से ही दिखाई देती हैं, जुड़ी हुई हैं और जिन्हें मापना आसान है।

तीसरी प्राथमिकता इंस्टीट्यूशनल कैपेसिटी है। सरकारी अधिकारियों, सिविल सोसाइटी ग्रुप और स्थानीय संगठनों को AI आउटपुट को समझने, भेदभाव पर नज़र रखने और यह पक्का करने के लिए स्किल की ज़रूरत है कि ऑटोमेटेड टूल सामाजिक न्याय के लक्ष्यों के साथ जुड़े रहें। जब सिस्टम ज़रूरी सेवाओं तक पहुँच को प्रभावित करते हैं तो इंसानी निगरानी को ऑप्शनल नहीं माना जाना चाहिए।

ये नतीजे डेवलपमेंट एजेंसियों और टेक्नोलॉजी प्रोवाइडर्स के लिए भी मायने रखते हैं। ज़्यादा इनकम या ज़्यादा डेटा वाले माहौल में डिज़ाइन किए गए टूल्स, कम रिसोर्स वाले माहौल में आसानी से काम नहीं कर सकते। वेलफेयर टारगेटिंग, क्रेडिट स्कोरिंग या सर्विस एलोकेशन में AI सिस्टम का इस्तेमाल करने से पहले कॉन्टेक्स्ट-सेंसिटिव डिज़ाइन, पार्टिसिपेटरी कंसल्टेशन और इंडिपेंडेंट ऑडिटिंग ज़रूरी हैं।