Beyond Model Readiness: Institutional Readiness for AI Deployment in Public Systems

तकनीकी सारांश: सार्वजनिक प्रणालियों में AI परिनियोजन के लिए संस्थागत तत्परता

समस्या विवरण
सार्वजनिक-क्षेत्र की आर्टिफिशियल इंटेलिजेंस (AI) प्रणालियाँ अक्सर मॉडल विकास या तकनीकी प्रदर्शन में कमी के कारण नहीं, बल्कि परिनियोजन (deployment) के समय संस्थागत तत्परता की कमी के कारण विफल होती हैं। जबकि मौजूदा जिम्मेदार AI ढांचे (जैसे, मॉडल कार्ड्स, डेटासेट्स के लिए डेटाशीट्स, NIST AI RMF) सटीकता, मजबूती, निष्पक्षता और डेवलपर-पक्ष की प्रक्रियाओं जैसे आर्टिफैक्ट-स्तरीय गुणों का प्रभावी ढंग से मूल्यांकन करते हैं, वे एक प्रणाली को संचालित करने, प्रबंधित करने और बनाए रखने की प्राप्तकर्ता संस्था की क्षमता का मूल्यांकन करने में अक्षम हैं। फलस्वरूप, तकनीकी रूप से व्यवहार्य प्रोटोटाइप अक्सर अनसुलझी संस्थागत निर्भरताओं के कारण रुक जाते हैं या विफल हो जाते हैं, जिनमें अनुमोदन मार्ग (approval pathways), डेटा-साझाकरण प्रोटोकॉल, स्टाफिंग संबंधी बाधाएं, वित्तीय निरंतरता और कानूनी स्पष्टता शामिल हैं। यह अंतर उन संसाधन-सीमित परिवेशों में विशेष रूप से गंभीर है जहाँ तकनीकी व्यवहार्यता और परिचालन वास्तविकता के बीच घर्षण उच्चतम होता है।

कार्यप्रणाली
यह शोध पत्र संस्थागत संरेखण तत्परता (Institutional Alignment Readiness - IAR) प्रस्तुत करता है, जो एक पूर्व-परिनियोजन ढांचा है जिसे यह आकलन करने के लिए डिज़ाइन किया गया है कि क्या कोई विशिष्ट संस्था किसी विशिष्ट मशीन लर्निंग प्रणाली को जिम्मेदारी से तैनात करने के लिए तैयार है। यह ढांचा फिलीपींस की एक बड़ी राष्ट्रीय सार्वजनिक शिक्षा प्रणाली के दो अज्ञात परिचालन मामलों पर आधारित है:

1. केस A: प्रारंभिक-ग्रेड शिक्षार्थियों के लिए एक इमेज-आधारित मानवमिति (anthropometric) स्क्रीनिंग टूल।
2. केस B: प्रारंभिक शिक्षण जोखिम की पहचान के लिए एक स्पीच-एनालिसिस (वाक्-विश्लेषण) प्रणाली।

दोनों परियोजनाओं ने तकनीकी रूप से आशाजनक चरणों तक पहुँच प्राप्त की थी, लेकिन संस्थागत, न कि तकनीकी, बाधाओं के कारण वे प्रोटोटाइप से व्यापक रोलआउट की ओर संक्रमण के दौरान रुक गईं। लेखकों ने इन मामलों का विश्लेषण करके उन ठोस संस्थागत स्थितियों की पहचान की, जिनका अनुपस्थित होना जिम्मेदार परिनियोजन को रोकता है। विश्लेषण का केंद्र डेटा प्रतिनिधित्व, रेफरल पथ (referral pathways), वर्कफ़्लो एकीकरण और कानूनी प्राधिकरण जैसे कारक थे।

मुख्य योगदान
यह शोध पत्र परिनियोजन तत्परता का आकलन करने के लिए एक पांच-आयामी मॉडल के रूप में संस्थागत संरेखण तत्परता (IAR) प्रस्तावित करता है। एक संगठन की सामान्य AI क्षमता का मूल्यांकन करने वाले परिपक्वता मॉडलों के विपरीत, IAR सिस्टम-विशिष्ट और परिनियोजन-विशिष्ट है। इसके पांच आयाम हैं:

1. संस्थागत और परिचालन अनुकूलता: अनुमोदन मार्गों, फ्रंटलाइन अभ्यास के साथ वर्कफ़्लो फिट, ऑपरेटर प्रशिक्षण योजनाओं और विभिन्न साइटों में लॉजिस्टिक व्यवहार्यता का आकलन करता है।
2. डेटा पारिस्थितिकी तंत्र की परिपक्वता: लक्षित जनसंख्या के लिए डेटासेट की प्रतिनिधित्व क्षमता, डेटा एक्सेस/साझाकरण प्रोटोकॉल, एनोटेशन क्षमता और प्रतिधारण (retention) नीतियों का मूल्यांकन करता है।
3. मानवीय निरीक्षण क्षमता: योग्य समीक्षकों की उपलब्धता, स्पष्ट ओवरराइड अधिकार, रेफरल पथ और गैर-तकनीकी चुनौती के तंत्रों का निर्धारण करता है।
4. वित्तीय स्थिरता: पायलट चरण के बाद बजट स्पष्टता, रखरखाव और पुनर्रचना (retraining) योजनाओं, तथा नेतृत्व या फंडिंग परिवर्तन के दौरान निरंतरता की जांच करता है।
5. नियामक संरेखण तत्परता: गोपनीयता अनुपालन, डेटा संग्रह/साझाकरण के लिए कानूनी आधार, नैतिकता समीक्षा, सहमति प्रक्रियाओं और विवाद समाधान (contestability) पथों को सत्यापित करता है।

यह ढांचा एक स्टेजिंग टूल के रूप में डिज़ाइन किया गया है, न कि स्कोरिंग उपकरण के रूप में। यह विशिष्ट आयामों की परिपक्वता के आधार पर "नो-गो" (no-go), "केवल पायलट-ओनली" (pilot-only), या "व्यापक परिनियोजन" (broader deployment) के निर्णय लेने में सहायता करता है, यह स्वीकार करते हुए कि कुछ कमियां पूर्ण अवरोधक हो सकती हैं जबकि अन्य केवल स्कोपिंग समायोजन की आवश्यकता वाली हो सकती हैं।

परिणाम और केस निष्कर्ष
दो परिचालन मामलों का विश्लेषण यह दर्शाता है कि परिनियोजन पथ अक्सर उन संस्थागत बाधाओं द्वारा निर्धारित होते हैं जो मानक आर्टिफैक्ट मूल्यांकन में अदृश्य होती हैं:

• केस A (मानवमिति स्क्रीनिंग): तकनीकी तत्परता के बावजूद, कई साइटों में अनुमोदन और डेटा एक्सेस के लिए आवश्यक समय, स्कूल कैलेंडर के साथ डेटा संग्रह का मिसअलाइनमेंट और पहचाने गए शिक्षार्थियों के लिए स्थापित रेफरल पथों की कमी के कारण व्यापक रोलआउट में देरी हुई।
• केस B (स्पीच एनालिसिस): परियोजना का पथ डेटा अव्यवहारिकता (data infeasibility) द्वारा आकार लिया गया, जिससे परिनियोजन से पहले ही बदलाव (pivot) करना पड़ा। इसके बाद का परिनियोजन इस आवश्यकता द्वारा बाधित हुआ कि नैतिकता आवश्यकताओं, सहमति प्रक्रियाओं और रेफरल प्रोटोकॉल को औपचारिक रूप दिया जाए ताकि आउटपुट कलंकपूर्ण (stigmatizing) न हो और योग्य कर्मचारियों द्वारा कार्रवाई योग्य हो।

दोनों मामलों में, प्रणालियाँ आंतरिक सत्यापन या सीमित पायलट चरणों में ही रहीं क्योंकि प्राप्तकर्ता संस्था के पास स्केल करने के लिए आवश्यक विशिष्ट स्थितियाँ नहीं थीं, भले ही आंतरिक परीक्षण में मॉडल का प्रदर्शन अच्छा रहा हो।

महत्व और दावे
यह शोध पत्र IAR के मूल्य के संबंध में तीन मामूली दावे करता है:

1. स्पष्टता: IAR बार-बार होने वाले परिनियोजन संबंधी प्रश्नों को संसाधन प्रतिबद्ध करने से पहले स्पष्ट और मूल्यांकन योग्य बनाता है, जिससे उन मुद्दों (जैसे, डेटा एक्सेस, रेफरल क्षमता) को सामने लाया जा सके जो अक्सर बहुत देर से उभरते हैं।
2. निर्णय-प्रासंगिकता: संस्थागत तत्परता इस बात का निर्णायक कारक है कि तकनीकी रूप से व्यवहार्य प्रणालियाँ स्केल करेंगी या नहीं। मामले दिखाते हैं कि परिनद्योचन के निर्णय उन संस्थागत स्थितियों द्वारा आकार लेते हैं जिन्हें मानक मॉडल मूल्यांकन हल नहीं कर सकता।
3. गैर-अतिरेक (Non-Redundancy): IAR मौजूदा जिम्मेदार AI टूल्स के साथ अतिरेक नहीं है। जबकि वर्तमान ढांचे आर्टिफैक्ट और डेवलपर का मूल्यांकन करते हैं, IAR प्राप्तकर्ता संस्था का मूल्यांकन करता है। यह उन प्रश्नों को संबोधित करता है जिनका उत्तर मौजूदा उपकरण वास्तुशिल्प रूप से देने में असमर्थ हैं, जैसे कि क्या विशिष्ट क्रॉस-एजेंसी डेटा साझाकरण कानूनी रूप से अनुमत है या क्या वास्तव में योग्य मानव समीक्षक मौजूद हैं।

लेखक IAR को स्थापित AI मूल्यांकन उपकरणों के विकल्प के रूप में नहीं, बल्कि एक पूरक के रूप में देखते हैं। यह सुनिश्चित करने के लिए एक आवश्यक दूसरे स्तर के मूल्यांकन के रूप में कार्य करता है कि सार्वजनिक-क्षेत्र की AI प्रणालियाँ न केवल तकनीकी रूप से सुदृढ़ हों, बल्कि जिम्मेदार परिनियोजन के लिए संस्थागत रूप से भी व्यवहार्य हों।