આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) ઇન્ડસ્ટ્રી ડેટા એનઓટેટ કરવા માટે મોટાભાગે ઓછા પગાર ધરાવતા વૈશ્વિક કર્મચારીઓ પર નિર્ભર છે. જ્યારે AI કંપનીઓ ઊંચા મૂલ્યાંકન મેળવે છે, ત્યારે આ શ્રમ પ્રથાઓ પ્રતિષ્ઠા અને નિયમનકારી જોખમોને વધારી રહી છે.
આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) નો ઝડપી વિકાસ વૈશ્વિક ટેકનોલોજી ક્ષેત્ર માટે એક વિરોધાભાસ ઊભો કરી રહ્યો છે. જ્યારે AI જટિલ કાર્યોને સ્વચાલિત કરવાની ક્ષમતા માટે ઉજાગર થયેલું છે, ત્યારે તેનો વિકાસ માનવ ડેટા લેબલર્સના વિશાળ, ઘણીવાર અદ્રશ્ય કાર્યબળ પર ખૂબ નિર્ભર છે. આ કામદારો છબીઓને એનઓટેટ કરવા, ઓડિયો ટ્રાન્સક્રાઇબ કરવા અને ટેક્સ્ટને વર્ગીકૃત કરવા જેવા આવશ્યક કાર્યો કરે છે, જે મશીન લર્નિંગ મોડલ્સને કાર્યરત કરવા માટેના બિલ્ડીંગ બ્લોક્સ છે.
આર્થિક અસમાનતા
ડેટા લેબલિંગની આર્થિક વાસ્તવિકતા અગ્રણી AI કંપનીઓના અબજો ડોલરના મૂલ્યાંકનથી તીવ્રપણે વિપરીત છે. ડેટા લેબલિંગ કાર્યને ઘણીવાર ગિગ-આધારિત તરીકે વર્ગીકૃત કરવામાં આવે છે, જેમાં ઘણા કામદારોને કર્મચારીઓને બદલે સ્વતંત્ર વપરાશકર્તાઓ તરીકે વર્ગીકૃત કરવામાં આવે છે. આ વર્ગીકરણ કંપનીઓને લાભ, ઔપચારિક કરાર અથવા લઘુત્તમ વેતન ગેરંટી પ્રદાન કરવાનું ટાળવા દે છે. ઘણા પ્રદેશોમાં, કામદારો અત્યંત વેતન અસમાનતાનો સામનો કરે છે, જે દિવસના માત્ર થોડા ડોલર કમાય છે, જ્યારે હાઇ-એન્ડ AI સંશોધન ભૂમિકાઓ નોંધપાત્ર પ્રીમિયમ મેળવે છે. રોકાણકારો માટે, આ એક અસંગતતા બનાવે છે જ્યાં AI પ્રગતિને ચલાવવાનું મૂળભૂત કાર્ય પ્રમાણભૂત કોર્પોરેટ શ્રમ સુરક્ષાથી અલગ છે.
રોકાણકારો ESG જોખમો પર શા માટે નજર રાખી રહ્યા છે?
આધુનિક રોકાણકાર માટે, વ્યવસાય મોડેલની ટકાઉપણું માત્ર આવક અને નફા માર્જિન કરતાં વધુ પર આધાર રાખે છે. તેમાં પર્યાવરણીય, સામાજિક અને શાસન (ESG) ધોરણો પણ શામેલ છે. ઓછા પગારવાળા, અનિશ્ચિત શ્રમ પર નિર્ભરતા નોંધપાત્ર સામાજિક જોખમ ઊભું કરે છે. જેમ જેમ ગિગ અર્થતંત્ર પર જાહેર અને નિયમનકારી તપાસ વિશ્વભરમાં વધી રહી છે, તેમ સંભવિત શોષણકારી શ્રમ મોડેલો પર નિર્ભર કંપનીઓ ભવિષ્યમાં કાનૂની પડકારોનો સામનો કરી શકે છે. જો શ્રમ નિયમનકારો ડેટા લેબલર્સને કર્મચારી તરીકે પુનઃવર્ગીકૃત કરવાનો નિર્ણય લે, તો AI મોડેલો બનાવતી અને તાલીમ આપતી કંપનીઓ માટે ઓપરેશનલ ખર્ચમાં તીવ્ર વધારો થઈ શકે છે.
નિયમનકારી અને ઓપરેશનલ અવરોધો
પ્રતિષ્ઠા ઉપરાંત, એક ઓપરેશનલ જોખમ પણ છે. ડેટા લેબલિંગ ઉદ્યોગ અત્યંત વિભાજિત છે, જે ઘણીવાર કંપનીઓને કામદારો સાથે જોડવા માટે તૃતીય-પક્ષ પ્લેટફોર્મ પર આધાર રાખે છે. આ સીધા નિરીક્ષણના અભાવનો અર્થ એ છે કે AI કંપનીઓ તેમની સપ્લાય ચેઇનમાં કામ કરવાની પરિસ્થિતિઓ પર મર્યાદિત નિયંત્રણ ધરાવે છે. જો આ સપ્લાય ચેઇન - સામૂહિક કાર્યવાહી, વધેલા શ્રમ નિયમન, અથવા કામદારોની અસંતોષને કારણે - વિક્ષેપનો સામનો કરે છે, તો AI મોડેલોના વિકાસ અને જાળવણીમાં વિલંબ થઈ શકે છે. રોકાણકારો સામાન્ય રીતે આવા જોખમો પર નજર રાખે છે તેની ખાતરી કરવા માટે કે તેઓ જે કંપનીઓમાં રોકાણ કરે છે તે અચાનક નિયમનકારી કાર્યવાહી અથવા નિર્ણાયક પ્રતિભા ગુમાવવા માટે સંવેદનશીલ નથી.
ભવિષ્યના જાહેરાતોનું નિરીક્ષણ
રોકાણકારો માટે આગામી મહત્વપૂર્ણ વલણ વધેલી પારદર્શિતા હશે. જેમ જેમ AI નીતિશાસ્ત્ર માટે વૈશ્વિક ધોરણો વધુ સ્પષ્ટ થાય છે, તેમ બજાર સહભાગીઓ એવી કંપનીઓ શોધી શકે છે જે તેમના ડેટા સોર્સિંગ અને તેમના માનવ સપ્લાય ચેઇનના વ્યવહાર વિશે સ્પષ્ટ જાહેરાતો પ્રદાન કરે છે. રોકાણકારોએ ટ્રેક કરવું જોઈએ કે કંપનીઓ શ્રમ પ્રથાઓ, યોગ્ય વેતન ધોરણો, અથવા તાલીમ ડેટાના નૈતિક સોર્સિંગ પર અહેવાલ આપવાનું શરૂ કરે છે કે કેમ. જેમ જેમ AI ક્ષેત્ર પરિપક્વ થાય છે, તેમ આ માનવ મૂડી જોખમોનું સંચાલન કરવાની ક્ષમતા લાંબા ગાળાના મૂલ્યાંકન અને જોખમ મૂલ્યાંકનમાં પરિબળ બનવાની શક્યતા છે.