भारत का स्वदेशी AI पारिस्थितिकी तंत्र

फाउंडेशन मॉडल के बारे में

• फाउंडेशन मॉडल बड़े AI सिस्टम होते हैं, जिन्हें टेक्स्ट, इमेज, ऑडियो और वीडियो जैसे विशाल डेटासेट पर प्रशिक्षित किया जाता है।
  • उदाहरण के लिए: GPT-4 और BERT जैसे मॉडल व्यापक रूप से उपयोग किए जाने वाले फाउंडेशन मॉडल हैं।
    • कार्य सिद्धांत: ये मॉडल अनुवाद, सारांश, प्रश्नोत्तर और टेक्स्ट वर्गीकरण सहित कई प्रकार के कार्य कर सकते हैं और आधुनिक AI विकास में एक महत्त्वपूर्ण स्तर माने जाते हैं।

 आवश्यकता

• वर्तमान में, भारत में उपयोग किए जाने वाले कई AI मॉडल विदेशों में विकसित किए गए हैं और ऐसे डेटासेट पर प्रशिक्षित किए गए हैं, जो देश की विविधता का पूर्णतः प्रतिनिधित्व नहीं करते हैं।
  • इस कमी को दूर करने के लिए, सरकार अपनी डिजिटल अवसंरचना रणनीति के अंतर्गत स्थानीय AI विकास को प्राथमिकता दे रही है।

चुनौतियाँ 

• उच्च कंप्यूटिंग और अवसंरचना संबंधी आवश्यकताएँ: आधारभूत मॉडल के प्रशिक्षण के लिए अत्यधिक कंप्यूटिंग शक्ति, उन्नत जीपीयू/टीपीयू और बड़े डेटा केंद्रों की आवश्यकता होती है, जिससे विकास महँगा और संसाधन-गहन हो जाता है।
  • उदाहरण के लिए: ओपनAI और गूगल जैसी कंपनियाँ GPT-4 जैसे बड़े मॉडल को प्रशिक्षित करने के लिए कंप्यूटिंग अवसंरचना में अरबों डॉलर का निवेश करती हैं।
• डेटा उपलब्धता और गुणवत्ता संबंधी समस्याएँ: आधारभूत मॉडल के लिए बड़े, विविध और उच्च-गुणवत्ता वाले डेटासेट की आवश्यकता होती है। भारत सहित कई देशों में, क्षेत्रीय भाषाओं और विशिष्ट क्षेत्रों में संरचित डेटासेट सीमित हैं, जो मॉडल की सटीकता और समावेशिता को प्रभावित कर सकते हैं।
  • उदाहरण के लिए: कई भारतीय भाषाओं में अंग्रेजी की तुलना में डिजिटल सामग्री बहुत कम है, जिससे बहुभाषी आबादी की सेवा करने वाले AI सिस्टम के लिए चुनौतियाँ उत्पन्न होती हैं।
• पूर्वाग्रह और नैतिक चिंताएँ: AI मॉडल प्रशिक्षण डेटासेट में मौजूद पूर्वाग्रहों को ग्रहण कर सकते हैं, जिससे भेदभावपूर्ण या अनुचित परिणाम हो सकते हैं। यह भर्ती, क्रेडिट स्कोरिंग या स्वास्थ्य सेवा जैसे संवेदनशील क्षेत्रों में निर्णय लेने को प्रभावित कर सकता है।
  • उदाहरण के लिए: ऐतिहासिक रूप से अस्पष्ट रोजगार डेटा पर प्रशिक्षित किए जाने पर AI-आधारित भर्ती उपकरणों ने पहले पूर्वाग्रह का प्रदर्शन किया है।
• डेटा गोपनीयता और सुरक्षा जोखिम: बड़े मॉडल को प्रशिक्षित करने में भारी मात्रा में व्यक्तिगत और सार्वजनिक डेटा का प्रसंस्करण शामिल होता है, जिससे डेटा गोपनीयता, दुरुपयोग और निगरानी के बारे में चिंताएँ उत्पन्न होती हैं। उपयोगकर्ता डेटा की सुरक्षा के लिए मजबूत नियामक सुरक्षा उपायों की आवश्यकता है।
  • उदाहरण के लिए: डेटा सुरक्षा संबंधी चिंताओं को डिजिटल व्यक्तिगत डेटा संरक्षण अधिनियम, 2023 जैसे ढाँचों में संबोधित किया गया है।

आगे की राह 

• बहुभाषी और विशिष्ट क्षेत्र से संबंधित डेटासेट विकसित करना: क्षेत्रीय भाषाओं, शासन संबंधी डेटा, स्वास्थ्य सेवा, कृषि और जलवायु के लिए डेटासेट विकसित करने से AI की समावेशिता में सुधार होगा।
• छोटे और कुशल AI मॉडल को बढ़ावा देना: छोटे भाषा मॉडल (SLM) और ऊर्जा-कुशल आर्किटेक्चर को प्रोत्साहित करने से लागत और पर्यावरणीय प्रभाव को कम किया जा सकता है।
• नैतिक और नियामक ढाँचे को मजबूत करना: सरकारों को पूर्वाग्रह, जवाबदेही और AI के उत्तरदायित्वपूर्ण उपयोग को संबोधित करने वाले पारदर्शी AI शासन ढाँचे को अपनाना चाहिए।

DOWNLOAD PDF