AI ਇੰਡਸਟਰੀ ਡਾਟਾ ਨੂੰ ਐਨੋਟੇਟ (annotate) ਕਰਨ ਲਈ ਘੱਟ ਤਨਖਾਹ ਵਾਲੇ ਗਲੋਬਲ ਵਰਕਰਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਜਦੋਂ ਕਿ AI ਕੰਪਨੀਆਂ ਵੱਡੀਆਂ ਵੈਲਿਊਏਸ਼ਨ (valuations) ਹਾਸਲ ਕਰ ਰਹੀਆਂ ਹਨ, ਇਹ ਲੇਬਰ ਪ੍ਰਥਾਵਾਂ ਵਧ ਰਹੇ ਵੱਕਾਰ (reputational) ਅਤੇ ਰੈਗੂਲੇਟਰੀ (regulatory) ਜੋਖਮ ਪੈਦਾ ਕਰ ਰਹੀਆਂ ਹਨ। ਜਿਵੇਂ-ਜਿਵੇਂ ਵਰਕਰਾਂ ਦੇ ਅਧਿਕਾਰਾਂ 'ਤੇ ਗਲੋਬਲ ਜਾਂਚ ਵਧ ਰਹੀ ਹੈ, ਨਿਵੇਸ਼ਕ ਇਹ ਦੇਖ ਰਹੇ ਹਨ ਕਿ ਕੰਪਨੀਆਂ ਆਪਣੀ 'ਮਨੁੱਖੀ ਸਪਲਾਈ ਚੇਨ' (human supply chain) ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਬੰਧਿਤ ਕਰਦੀਆਂ ਹਨ।
ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਦਾ ਤੇਜ਼ੀ ਨਾਲ ਵਿਸਥਾਰ ਗਲੋਬਲ ਟੈਕਨਾਲੋਜੀ ਸੈਕਟਰ ਲਈ ਇੱਕ ਵਿਰੋਧਾਭਾਸ (paradox) ਪੈਦਾ ਕਰ ਰਿਹਾ ਹੈ। ਜਿੱਥੇ AI ਨੂੰ ਗੁੰਝਲਦਾਰ ਕੰਮਾਂ ਨੂੰ ਆਟੋਮੇਟ ਕਰਨ ਦੀ ਇਸਦੀ ਯੋਗਤਾ ਲਈ ਸਲਾਹਿਆ ਜਾਂਦਾ ਹੈ, ਉੱਥੇ ਇਸਦਾ ਵਿਕਾਸ ਮਨੁੱਖੀ ਡਾਟਾ ਲੇਬਲਰਾਂ ਦੇ ਇੱਕ ਵਿਸ਼ਾਲ, ਅਕਸਰ ਅਣਦੇਖੇ ਵਰਕਫੋਰਸ 'ਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਨਿਰਭਰ ਹੈ। ਇਹ ਵਰਕਰ ਚਿੱਤਰਾਂ ਨੂੰ ਐਨੋਟੇਟ ਕਰਨ, ਆਡੀਓ ਟ੍ਰਾਂਸਕ੍ਰਾਈਬ ਕਰਨ ਅਤੇ ਟੈਕਸਟ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਵਰਗੇ ਜ਼ਰੂਰੀ ਕੰਮ ਕਰਦੇ ਹਨ, ਜੋ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲਾਂ ਨੂੰ ਕਾਰਜਸ਼ੀਲ ਬਣਾਉਣ ਦੇ ਬਿਲਡਿੰਗ ਬਲਾਕ ਹਨ।
ਆਰਥਿਕ ਅਸੰਤੁਲਨ (The Economic Disconnect)
ਡਾਟਾ ਲੇਬਲਿੰਗ ਦੀ ਵਿੱਤੀ ਹਕੀਕਤ ਪ੍ਰਮੁੱਖ AI ਫਰਮਾਂ ਦੀਆਂ ਅਰਬਾਂ-ਡਾਲਰਾਂ ਦੀਆਂ ਵੈਲਿਊਏਸ਼ਨਾਂ ਦੇ ਨਾਲ ਬਿਲਕੁਲ ਉਲਟ ਹੈ। ਡਾਟਾ ਲੇਬਲਿੰਗ ਕੰਮ ਨੂੰ ਅਕਸਰ ਗਿਗ-ਆਧਾਰਿਤ (gig-based) ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ ਵਰਕਰਾਂ ਨੂੰ ਕਰਮਚਾਰੀ ਦੀ ਬਜਾਏ ਸੁਤੰਤਰ ਉਪਭੋਗਤਾ (independent users) ਵਜੋਂ ਵਰਗੀਕ੍ਰਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਵਰਗੀਕਰਨ ਕੰਪਨੀਆਂ ਨੂੰ ਲਾਭ, ਰਸਮੀ ਇਕਰਾਰਨਾਮੇ (formal contracts), ਜਾਂ ਘੱਟੋ-ਘੱਟ ਮਜ਼ਦੂਰੀ ਗਾਰੰਟੀ ਪ੍ਰਦਾਨ ਕਰਨ ਤੋਂ ਬਚਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਬਹੁਤ ਸਾਰੇ ਖੇਤਰਾਂ ਵਿੱਚ, ਵਰਕਰ ਭੁਗਤਾਨ ਵਿੱਚ ਵੱਡੀਆਂ ਅਸਮਾਨਤਾਵਾਂ (extreme pay disparities) ਦਾ ਸਾਹਮਣਾ ਕਰਦੇ ਹਨ, ਰੋਜ਼ਾਨਾ ਕੁਝ ਕੁ ਡਾਲਰ ਕਮਾਉਂਦੇ ਹਨ, ਜਦੋਂ ਕਿ ਉੱਚ-ਅੰਤ (high-end) AI ਖੋਜ ਭੂਮਿਕਾਵਾਂ ਲਈ ਵੱਡੇ ਪ੍ਰੀਮੀਅਮ (premiums) ਮਿਲਦੇ ਹਨ। ਨਿਵੇਸ਼ਕਾਂ ਲਈ, ਇਹ ਇੱਕ ਅਸੰਤੁਲਨ (misalignment) ਪੈਦਾ ਕਰਦਾ ਹੈ ਜਿੱਥੇ AI ਪ੍ਰਗਤੀ ਨੂੰ ਚਲਾਉਣ ਵਾਲਾ ਬੁਨਿਆਦੀ ਕੰਮ ਸਟੈਂਡਰਡ ਕਾਰਪੋਰੇਟ ਲੇਬਰ ਸੁਰੱਖਿਆ ਤੋਂ ਵੱਖ ਹੋ ਜਾਂਦਾ ਹੈ।
ਨਿਵੇਸ਼ਕ ESG ਜੋਖਮਾਂ 'ਤੇ ਕਿਉਂ ਨਜ਼ਰ ਰੱਖ ਰਹੇ ਹਨ?
ਆਧੁਨਿਕ ਨਿਵੇਸ਼ਕ ਲਈ, ਇੱਕ ਕਾਰੋਬਾਰੀ ਮਾਡਲ ਦੀ ਸਥਿਰਤਾ (sustainability) ਸਿਰਫ ਆਮਦਨ ਅਤੇ ਲਾਭ ਮਾਰਜਿਨ ਤੋਂ ਇਲਾਵਾ ਹੋਰ ਵੀ ਬਹੁਤ ਕੁਝ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਇਸ ਵਿੱਚ ਵਾਤਾਵਰਣ, ਸਮਾਜਿਕ ਅਤੇ ਸ਼ਾਸਨ (Environmental, Social, and Governance - ESG) ਮਾਪਦੰਡ ਵੀ ਸ਼ਾਮਲ ਹਨ। ਘੱਟ ਤਨਖਾਹ, ਅਸੁਰੱਖਿਅਤ (precarious) ਲੇਬਰ 'ਤੇ ਨਿਰਭਰਤਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਸਮਾਜਿਕ ਜੋਖਮ ਪੈਦਾ ਕਰਦੀ ਹੈ। ਜਿਵੇਂ-ਜਿਵੇਂ ਦੁਨੀਆ ਭਰ ਵਿੱਚ ਗਿਗ ਇਕੋਨੋਮੀ (gig economy) 'ਤੇ ਜਨਤਕ ਅਤੇ ਰੈਗੂਲੇਟਰੀ ਜਾਂਚ ਵਧ ਰਹੀ ਹੈ, ਜੋ ਕੰਪਨੀਆਂ ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਸ਼ੋਸ਼ਣਕਾਰੀ (exploitative) ਲੇਬਰ ਮਾਡਲਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀਆਂ ਹਨ, ਉਨ੍ਹਾਂ ਨੂੰ ਭਵਿੱਖ ਵਿੱਚ ਕਾਨੂੰਨੀ ਚੁਣੌਤੀਆਂ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪੈ ਸਕਦਾ ਹੈ। ਜੇਕਰ ਲੇਬਰ ਰੈਗੂਲੇਟਰ ਡਾਟਾ ਲੇਬਲਰਾਂ ਨੂੰ ਕਰਮਚਾਰੀ ਵਜੋਂ ਮੁੜ-ਵਰਗੀਕ੍ਰਿਤ (reclassify) ਕਰਨ ਦਾ ਫੈਸਲਾ ਕਰਦੇ ਹਨ, ਤਾਂ AI ਮਾਡਲਾਂ ਨੂੰ ਬਣਾਉਣ ਅਤੇ ਸਿਖਲਾਈ ਦੇਣ ਵਾਲੀਆਂ ਕੰਪਨੀਆਂ ਲਈ ਕਾਰਜਸ਼ੀਲ ਲਾਗਤਾਂ (operational costs) ਤੇਜ਼ੀ ਨਾਲ ਵੱਧ ਸਕਦੀਆਂ ਹਨ।
ਰੈਗੂਲੇਟਰੀ ਅਤੇ ਆਪਰੇਸ਼ਨਲ ਰੁਕਾਵਟਾਂ (Regulatory and Operational Hurdles)
ਵੱਕਾਰ ਤੋਂ ਪਰ੍ਹੇ, ਇੱਕ ਆਪਰੇਸ਼ਨਲ ਜੋਖਮ ਵੀ ਹੈ। ਡਾਟਾ ਲੇਬਲਿੰਗ ਉਦਯੋਗ ਬਹੁਤ ਜ਼ਿਆਦਾ ਖੰਡਿਤ (fragmented) ਹੈ, ਜੋ ਅਕਸਰ ਕੰਪਨੀਆਂ ਨੂੰ ਵਰਕਰਾਂ ਨਾਲ ਜੋੜਨ ਲਈ ਤੀਜੇ-ਪੱਖੀ ਪਲੇਟਫਾਰਮਾਂ (third-party platforms) 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਸਿੱਧੀ ਨਿਗਰਾਨੀ (direct oversight) ਦੀ ਇਸ ਕਮੀ ਦਾ ਮਤਲਬ ਹੈ ਕਿ AI ਕੰਪਨੀਆਂ ਕੋਲ ਆਪਣੀ ਸਪਲਾਈ ਚੇਨ ਦੇ ਅੰਦਰ ਕੰਮ ਕਰਨ ਦੀਆਂ ਸਥਿਤੀਆਂ 'ਤੇ ਸੀਮਤ ਨਿਯੰਤਰਣ ਹੈ। ਜੇਕਰ ਇਹ ਸਪਲਾਈ ਚੇਨ ਵਿਘਨ (disruptions) ਦਾ ਸਾਹਮਣਾ ਕਰਦੀ ਹੈ - ਸਮੂਹਿਕ ਕਾਰਵਾਈ (collective action), ਵਧੇ ਹੋਏ ਲੇਬਰ ਨਿਯਮਾਂ, ਜਾਂ ਵਰਕਰਾਂ ਦੀ ਅਸੰਤੁਸ਼ਟੀ (dissatisfaction) ਕਾਰਨ - ਤਾਂ AI ਮਾਡਲਾਂ ਦੇ ਵਿਕਾਸ ਅਤੇ ਰੱਖ-ਰਖਾਅ ਵਿੱਚ ਦੇਰੀ ਹੋ ਸਕਦੀ ਹੈ। ਨਿਵੇਸ਼ਕ ਆਮ ਤੌਰ 'ਤੇ ਅਜਿਹੇ ਜੋਖਮਾਂ ਦੀ ਨਿਗਰਾਨੀ ਕਰਦੇ ਹਨ ਤਾਂ ਜੋ ਇਹ ਯਕੀਨੀ ਬਣਾਇਆ ਜਾ ਸਕੇ ਕਿ ਉਹਨਾਂ ਕੋਲ ਮੌਜੂਦ ਕੰਪਨੀਆਂ ਅਚਾਨਕ ਰੈਗੂਲੇਟਰੀ ਕਰੈਕਡਾਊਨ (regulatory crackdowns) ਜਾਂ ਮਹੱਤਵਪੂਰਨ ਪ੍ਰਤਿਭਾ (critical talent) ਦੇ ਨੁਕਸਾਨ ਤੋਂ ਬਚੀਆਂ ਰਹਿਣ।
ਭਵਿੱਖੀ ਖੁਲਾਸਿਆਂ ਦੀ ਨਿਗਰਾਨੀ (Monitoring Future Disclosures)
ਨਿਵੇਸ਼ਕਾਂ ਲਈ ਅਗਲਾ ਮਹੱਤਵਪੂਰਨ ਰੁਝਾਨ (trend) ਵਧੀ ਹੋਈ ਪਾਰਦਰਸ਼ਤਾ (transparency) ਹੋਵੇਗਾ। ਜਿਵੇਂ-ਜਿਵੇਂ AI ਨੈਤਿਕਤਾ (ethics) ਲਈ ਗਲੋਬਲ ਮਾਪਦੰਡ ਵਧੇਰੇ ਪਰਿਭਾਸ਼ਿਤ (defined) ਹੋ ਰਹੇ ਹਨ, ਬਾਜ਼ਾਰ ਭਾਗੀਦਾਰ (market participants) ਉਨ੍ਹਾਂ ਕੰਪਨੀਆਂ ਦੀ ਭਾਲ ਕਰ ਸਕਦੇ ਹਨ ਜੋ ਆਪਣੇ ਡਾਟਾ ਸੋਰਸਿੰਗ (data sourcing) ਅਤੇ ਆਪਣੀ ਮਨੁੱਖੀ ਸਪਲਾਈ ਚੇਨ ਦੇ ਇਲਾਜ (treatment) ਬਾਰੇ ਸਪੱਸ਼ਟ ਖੁਲਾਸੇ (disclosures) ਪ੍ਰਦਾਨ ਕਰਦੀਆਂ ਹਨ। ਨਿਵੇਸ਼ਕਾਂ ਨੂੰ ਇਹ ਟਰੈਕ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਕੀ ਕੰਪਨੀਆਂ ਲੇਬਰ ਪ੍ਰਥਾਵਾਂ, ਨਿਰਪੱਖ ਤਨਖਾਹ ਮਾਪਦੰਡਾਂ (fair pay standards), ਜਾਂ ਸਿਖਲਾਈ ਡਾਟਾ ਦੀ ਨੈਤਿਕ ਸੋਰਸਿੰਗ (ethical sourcing) 'ਤੇ ਰਿਪੋਰਟ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰਦੀਆਂ ਹਨ। ਜਿਵੇਂ-ਜਿਵੇਂ AI ਸੈਕਟਰ ਪਰਿਪੱਕ (matures) ਹੋ ਰਿਹਾ ਹੈ, ਇਨ੍ਹਾਂ ਮਨੁੱਖੀ ਪੂੰਜੀ ਜੋਖਮਾਂ (human capital risks) ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨ ਦੀ ਯੋਗਤਾ ਲੰਬੇ ਸਮੇਂ ਦੀ ਵੈਲਿਊਏਸ਼ਨ ਅਤੇ ਜੋਖਮ ਮੁਲਾਂਕਣ (risk assessment) ਵਿੱਚ ਇੱਕ ਕਾਰਕ ਬਣਨ ਦੀ ਸੰਭਾਵਨਾ ਹੈ।