ਭਾਰਤ 'ਚ AI ਜਿੰਮੇਵਾਰੀ ਦਾ ਵੱਡਾ ਘਾਟਾ: 'ਹਾਲੂਸੀਨੇਸ਼ਨ' ਤੋਂ ਪਰ੍ਹੇ ਦਾ ਜੋਖਮ

ਅਲਗੋਰਿਦਮਿਕ ਜਿੰਮੇਵਾਰੀ ਦਾ ਖਲਾਅ

ਭਾਰਤੀ ਵਰਕਫੋਰਸ (Workforce) ਵਿੱਚ ਲਾਰਜ ਲੈਂਗੂਏਜ ਮਾਡਲ (Large Language Models) ਨੂੰ ਬਿਨਾਂ ਕਿਸੇ ਢੁਕਵੇਂ ਕਾਨੂੰਨੀ ਢਾਂਚੇ ਦੇ ਲਾਗੂ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ, ਜਿਸ ਨਾਲ ਅਲਗੋਰਿਦਮਿਕ ਗਲਤੀਆਂ (Algorithmic Inaccuracies) ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਸੰਭਾਲਣਾ ਔਖਾ ਹੋ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਕਈ ਪਲੇਟਫਾਰਮ ਆਪਣੇ ਸਿਸਟਮਾਂ ਨੂੰ ਉੱਨਤ ਖੋਜ ਸਹਾਇਕ (Research Assistants) ਵਜੋਂ ਵੇਚਦੇ ਹਨ, ਇਹ ਟੂਲ ਲਗਾਤਾਰ ਤੱਥਾਂ ਦੀਆਂ ਗਲਤੀਆਂ (Factual Errors) ਦਾ ਸ਼ਿਕਾਰ ਹੋ ਸਕਦੇ ਹਨ। ਮੌਜੂਦਾ ਰੈਗੂਲੇਟਰੀ ਯਤਨ, ਜਿਸ ਵਿੱਚ ਡਿਜੀਟਲ ਪਰਸਨਲ ਡਾਟਾ ਪ੍ਰੋਟੈਕਸ਼ਨ ਐਕਟ (Digital Personal Data Protection Act) ਸ਼ਾਮਲ ਹੈ, ਮੁੱਖ ਤੌਰ 'ਤੇ ਜਾਣਕਾਰੀ ਸੁਰੱਖਿਆ ਅਤੇ ਡਾਟਾ ਪ੍ਰੋਵੇਨੈਂਸ (Data Provenance) 'ਤੇ ਕੇਂਦ੍ਰਿਤ ਹੈ, ਨਾ ਕਿ ਖਪਤਕਾਰਾਂ ਨੂੰ ਦਿੱਤੇ ਜਾਣ ਵਾਲੇ ਆਉਟਪੁੱਟ (Output) ਦੀ ਭਰੋਸੇਯੋਗਤਾ 'ਤੇ। ਇਹ ਇੱਕ ਖਤਰਨਾਕ ਸਥਿਤੀ ਪੈਦਾ ਕਰਦਾ ਹੈ ਜਿੱਥੇ ਉਪਭੋਗਤਾ, ਖਾਸ ਕਰਕੇ ਕਾਨੂੰਨ ਅਤੇ ਸਿਹਤ ਸੰਭਾਲ ਵਰਗੇ ਉੱਚ-ਮਹੱਤਵ ਵਾਲੇ ਖੇਤਰਾਂ ਵਿੱਚ, ਮਸ਼ੀਨ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਜਵਾਬਾਂ ਨੂੰ ਅਧਿਕਾਰਤ ਮੰਨਦੇ ਹਨ, ਭਾਵੇਂ ਕਿ ਇਸਦੀ ਅੰਤਰੀ ਨੀਂਹ ਭਾਸ਼ਾਈ ਪ੍ਰਵਾਹ ਨੂੰ ਤੱਥਾਂ ਦੀ ਸ਼ੁੱਧਤਾ 'ਤੇ ਤਰਜੀਹ ਦਿੰਦੀ ਹੈ।

ਕਾਰਪੋਰੇਟ ਐਕਸਪੋਜ਼ਰ ਅਤੇ ਸ਼ੈਡੋ AI

ਖਪਤਕਾਰ-ਮੁਖੀ AI (Consumer-facing AI) ਨੂੰ ਸੰਗਠਨਾਤਮਕ ਤੌਰ 'ਤੇ ਅਪਣਾਉਣਾ ਕਾਰਪੋਰੇਟ ਸੁਰੱਖਿਆ (Enterprise Security) ਲਈ ਇੱਕ ਚੁੱਪ ਖਤਰਾ ਹੈ। ਕਈ ਕਾਰਪੋਰੇਸ਼ਨਾਂ ਇਸ ਸਮੇਂ ਇੱਕ ਅੰਦਰੂਨੀ ਸੰਕਟ ਦਾ ਸਾਹਮਣਾ ਕਰ ਰਹੀਆਂ ਹਨ ਕਿਉਂਕਿ ਕਰਮਚਾਰੀ ਅਣਅਧਿਕਾਰਤ ਚੈਟਬਾਟ ਇੰਟਰਫੇਸ (Unauthorized Chatbot Interfaces) ਨੂੰ ਆਪਣੇ ਰੋਜ਼ਾਨਾ ਕੰਮਕਾਜ ਵਿੱਚ ਜੋੜ ਰਹੇ ਹਨ, ਪ੍ਰੋਪਰਾਈਟਰੀ ਸੋਰਸ ਕੋਡ (Proprietary Source Code) ਅਤੇ ਸੰਵੇਦਨਸ਼ੀਲ ਕਾਨੂੰਨੀ ਡਾਟਾ (Sensitive Legal Data) ਨੂੰ ਜਨਤਕ ਮਾਡਲਾਂ ਵਿੱਚ ਅਪਲੋਡ ਕਰ ਰਹੇ ਹਨ। ਇਹ ਵਿਵਹਾਰ ਅਕਸਰ ਚੀਫ ਇਨਫਰਮੇਸ਼ਨ ਸਕਿਉਰਿਟੀ ਅਫਸਰਾਂ (Chief Information Security Officers) ਦੇ ਦਾਇਰੇ ਤੋਂ ਬਾਹਰ ਹੁੰਦਾ ਹੈ। ਪਿਛਲੇ ਉਦਾਹਰਣਾਂ, ਜਿਵੇਂ ਕਿ ਗਲਤ ਪ੍ਰੀਸਿਡੈਂਟਸ (Fabricated Precedents) ਲਈ ਅੰਤਰਰਾਸ਼ਟਰੀ ਕਾਨੂੰਨੀ ਕਾਰਵਾਈਆਂ ਵਿੱਚ ਉੱਚ-ਪ੍ਰੋਫਾਈਲ ਸੰਕੇਤ (High-profile Sanctions) ਅਤੇ ਗਲਤੀ ਭਰੇ ਪੇਸ਼ੇਵਰ ਰਿਪੋਰਟਾਂ (Erroneous Professional Reports) ਦੀ ਮਾਣਹਾਨੀ ਦੀ ਲਾਗਤ, ਇੱਕ ਸਪੱਸ਼ਟ ਚੇਤਾਵਨੀ ਵਜੋਂ ਕੰਮ ਕਰਦੀ ਹੈ। ਮੁੱਦਾ ਹੁਣ ਸਿਰਫ ਜਨਤਕ ਗਲਤ ਸੂਚਨਾ ਦਾ ਨਹੀਂ ਰਿਹਾ; ਇਹ ਪਹੁੰਚਯੋਗ AI ਟੂਲਜ਼ ਦੀ ਸਹੂਲਤ ਦੁਆਰਾ ਕਾਰਪੋਰੇਟ ਗੁਪਤਤਾ (Corporate Confidentiality) ਦੇ ਖਾਤਮੇ ਬਾਰੇ ਹੈ।

ਢਾਂਚਾਗਤ ਸ਼ਾਸਨ ਚੁਣੌਤੀ (Structural Governance Challenge)

ਭਾਰਤ ਵਿੱਚ ਇੱਕ ਕੰਜ਼ਿਊਮਰ AI ਸੇਫਟੀ ਕੋਡ (Consumer AI Safety Code) ਵਿਕਸਿਤ ਕਰਨ ਲਈ ਨਵੀਨਤਾ (Innovation) ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਨ ਅਤੇ ਵਿਆਪਕ ਖਪਤਕਾਰ ਨੁਕਸਾਨ (Consumer Harm) ਨੂੰ ਰੋਕਣ ਦੇ ਵਿਚਕਾਰ ਸੰਘਰਸ਼ ਨੂੰ ਨੈਵੀਗੇਟ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਭਾਰੀ ਰੈਗੂਲੇਸ਼ਨ ਦੇ ਆਲੋਚਕ ਦਲੀਲ ਦਿੰਦੇ ਹਨ ਕਿ ਪਾਬੰਦੀਸ਼ੁਦਾ ਲਾਇਸੈਂਸਿੰਗ ਪ੍ਰਣਾਲੀਆਂ (Restrictive Licensing Regimes) ਘਰੇਲੂ ਟੈਕ ਈਕੋਸਿਸਟਮ (Domestic Tech Ecosystem) ਨੂੰ ਰੋਕ ਸਕਦੀਆਂ ਹਨ, ਪਰ ਇਸਦੇ ਵਿਕਲਪ ਵਿੱਚ ਜਿੰਮੇਵਾਰੀ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਮੁਨਾਫੇ-ਅਧਾਰਤ ਸੰਸਥਾਵਾਂ (Profit-oriented Entities) 'ਤੇ ਛੱਡਣਾ ਸ਼ਾਮਲ ਹੈ, ਜਿਨ੍ਹਾਂ ਕੋਲ ਆਪਣੀਆਂ ਸੀਮਾਵਾਂ 'ਤੇ ਜ਼ੋਰ ਦੇਣ ਲਈ ਕੋਈ ਪ੍ਰੇਰਣਾ ਨਹੀਂ ਹੈ। ਇੱਕ ਵਧੇਰੇ ਸੰਤੁਲਿਤ ਪਹੁੰਚ ਵਿੱਚ ਲਾਜ਼ਮੀ ਅਨਿਸ਼ਚਿਤਤਾ ਸੰਕੇਤ (Mandatory Uncertainty Signaling) ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ — ਜਿੱਥੇ ਮਾਡਲਾਂ ਨੂੰ ਆਪਣੇ ਆਉਟਪੁੱਟ ਦੀ ਭਰੋਸੇਯੋਗਤਾ ਨੂੰ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ — ਅਤੇ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਕੰਮ ਕਰਨ ਵਾਲੇ ਪਲੇਟਫਾਰਮਾਂ ਲਈ ਸਖਤ ਪਾਰਦਰਸ਼ਤਾ ਰਿਪੋਰਟਿੰਗ ਲੋੜਾਂ (Transparency Reporting Requirements) ਲਾਗੂ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ। ਇਹਨਾਂ ਯਤਨਾਂ ਨੂੰ ਐਡਵਰਟਾਈਜ਼ਿੰਗ ਸਟੈਂਡਰਡਜ਼ ਕੌਂਸਲ ਆਫ ਇੰਡੀਆ (Advertising Standards Council of India) ਵਰਗੀਆਂ ਸਥਾਪਿਤ ਸੰਸਥਾਵਾਂ ਨਾਲ ਜੋੜ ਕੇ, ਨੀਤੀ ਨਿਰਮਾਤਾ ਛੋਟੇ ਡਿਵੈਲਪਰਾਂ 'ਤੇ ਨਵੀਨਤਾ-ਮਾਰਨ ਵਾਲਾ ਬੋਝ ਪਾਏ ਬਿਨਾਂ 'ਖਰੀਦਦਾਰ ਸਾਵਧਾਨ ਰਹੇ' (Buyer Beware) ਤੋਂ 'ਪਲੇਟਫਾਰਮ ਜਿੰਮੇਵਾਰੀ' (Platform Accountability) ਵੱਲ ਇੱਕ ਪੈਰਾਡਾਈਮ ਸ਼ਿਫਟ (Paradigm Shift) ਨੂੰ ਮਜਬੂਰ ਕਰ ਸਕਦੇ ਹਨ।

ਫੋਰੈਂਸਿਕ ਬੇਅਰ ਕੇਸ: ਢਾਂਚਾਗਤ ਕਮਜ਼ੋਰੀਆਂ

ਭਾਰਤ ਵਿੱਚ AI ਟ੍ਰੈਜੈਕਟਰੀ (AI Trajectory) ਲਈ ਪ੍ਰਾਇਮਰੀ ਜੋਖਮ ਅਣ-ਪ੍ਰਮਾਣਿਤ ਸਮੱਗਰੀ (Unverified Content) ਦਾ ਤੇਜ਼ੀ ਨਾਲ ਸਧਾਰਨ ਹੋਣਾ ਹੈ। ਜੇਕਰ ਭਾਰਤ ਸਰਕਾਰ ਜਾਂ ਖੇਤਰੀ ਰੈਗੂਲੇਟਰ AI ਪ੍ਰਦਾਤਾਵਾਂ (AI Providers) 'ਤੇ ਸਖਤ ਦੇਣਦਾਰੀ (Strict Liability) ਲਾਗੂ ਕਰਨ ਵੱਲ ਵਧਦੇ ਹਨ, ਤਾਂ Alphabet ਅਤੇ OpenAI ਵਰਗੀਆਂ ਕੰਪਨੀਆਂ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਕਾਨੂੰਨੀ ਓਵਰਹੈੱਡ (Legal Overhead) ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪਵੇਗਾ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਭਾਰਤੀ ਬਾਜ਼ਾਰ ਦੀ ਅੰਦਰੂਨੀ ਭਾਸ਼ਾਈ ਗੁੰਝਲਤਾ (Linguistic Complexity) ਇੱਕ 'ਅਨੁਵਾਦ ਜਾਲ' (Translation Trap) ਬਣਾਉਂਦੀ ਹੈ, ਜਿੱਥੇ ਖੇਤਰੀ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ AI ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਅੰਗਰੇਜ਼ੀ ਨਾਲੋਂ ਕਾਫ਼ੀ ਘੱਟ ਰਹਿੰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਹਾਨੀਕਾਰਕ ਹੈਲੂਸੀਨੇਸ਼ਨ (Harmful Hallucinations) ਦੀ ਸੰਭਾਵਨਾ ਵੱਧ ਜਾਂਦੀ ਹੈ। ਜੇਕਰ ਰੈਗੂਲੇਟਰੀ ਸੰਸਥਾਵਾਂ ਇਹ ਫੈਸਲਾ ਕਰਦੀਆਂ ਹਨ ਕਿ ਮੌਜੂਦਾ ਸਵੈ-ਰੈਗੂਲੇਸ਼ਨ (Self-regulation) ਨਾਕਾਫ਼ੀ ਹੈ, ਤਾਂ ਅਸੀਂ ਲਾਜ਼ਮੀ, ਮਹਿੰਗੇ ਅਤੇ ਸਰੋਤ-ਭਾਰੀ ਕੰਪਲਾਇੰਸ ਆਡਿਟ (Compliance Audits) ਵੱਲ ਇੱਕ ਮੋੜ ਦੀ ਉਮੀਦ ਕਰ ਸਕਦੇ ਹਾਂ ਜੋ ਸਥਾਨਕ ਬਾਜ਼ਾਰ ਵਿੱਚ ਘੁਸਪੈਠ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨ ਵਾਲੀਆਂ ਟੈਕ ਫਰਮਾਂ ਲਈ ਮਾਰਜਿਨ ਨੂੰ ਸਕਿਊਜ਼ (Squeeze Margins) ਕਰ ਸਕਦੇ ਹਨ।