On the missing data layer and a potential solution

एक स्थानीय मस्तिष्क के लिए गायब सामग्रियाँ

कल्पना कीजिए कि आप एक आदर्श केक बनाने की कोशिश कर रहे हैं, लेकिन आपको मिलने वाली हर रेसिपी किसी दूसरे किचन के लिए लिखी गई है, जिसमें ऐसी सामग्रियों का उपयोग किया गया है जिन्हें आपने कभी देखा भी नहीं, और ऐसे ओवन हैं जो अलग तापमान पर चलते हैं। आर्टिफिशियल इंटेलिजेंस (AI) के लिए लैटिन अमेरिका की वर्तमान स्थिति भी ऐसी ही है। यह समझने के लिए कि यह क्यों मायने रखता है, हमें दो सरल विचारों को देखने की आवश्यकता है। पहला, AI मॉडल बहुत बुद्धिमान छात्रों की तरह हैं; वे समस्याओं को हल करने का तरीका समझने के लिए भारी मात्रा में जानकारी (डेटा) पढ़कर सीखते हैं। दूसरा, बेंचमार्क मानकीकृत परीक्षाओं (standardized tests) की तरह हैं; ये वे परीक्षाएँ हैं जो हम इन छात्रों को देते हैं ताकि यह देख सकें कि क्या वे वास्तव में अपना ज्ञान प्रदर्शित कर रहे हैं या वे केवल अनुमान लगा रहे हैं।

अभी, लैटिन अमेरिका में अधिकांश AI "छात्रों" को दूसरे देशों के शिक्षकों द्वारा, दूसरी भाषाओं में लिखी गई पाठ्यपुस्तकों का उपयोग करके पढ़ाया जा रहा है। हालांकि ये छात्र गणित या कोडिंग जैसे सामान्य कार्यों में बहुत अच्छे हैं, लेकिन जब उनसे उनके स्थानीय पड़ोस से संबंधित कार्य करने के लिए कहा जाता है, जैसे कि स्थानीय बोलियों को समझना, स्थानीय पौधों को पहचानना, या स्थानीय कानूनों को समझना, तो वे अक्सर लड़खड़ा जाते हैं। बड़ा सवाल केवल अधिक स्मार्ट होने के बारे में नहीं है; सवाल यह है कि क्या कोई क्षेत्र अपना खुद का मस्तिष्क बना सकता है जो वास्तव में अपने लोगों को समझता हो, या उसे हमेशा बाहर बने हुए मस्तिष्क पर निर्भर रहना होगा जो उसकी विशिष्ट आवश्यकताओं की परवाह नहीं करता।

---

AI घर की दो गायब परतें

SURUS टीम के एक नए शोध पत्र के अनुसार, लैटिन अमेरिका के AI घर में दो महत्वपूर्ण मंजिलें गायब हैं: एक डेटासेट परत (dataset layer) और एक बेंचमार्क परत (benchmarks layer)। डेटासेट परत को उन किताबों की लाइब्रेरी के रूप में सोचें जिन्हें AI सीखने के लिए पढ़ता है, और बेंचमार्क परत को उस परीक्षण केंद्र के रूप में देखें जहाँ हम जाँचते हैं कि क्या AI वास्तव में स्मार्ट है। इनके बिना, क्षेत्र अपना AI नहीं बना सकता है, और वह यह भी ठीक से जाँच नहीं कर सकता कि उसके द्वारा उपयोग किया जाने वाला विदेशी AI अच्छा काम कर रहा है या नहीं।

लेखकों का तर्क है कि यह अनुपस्थिति दो प्रकार की मुश्किलें पैदा करती है। व्यवसायों के लिए, समस्या यूरोपीय खेतों के लिए बनी मार्गदर्शिका का उपयोग करके ब्राजील के खेत में कीटों की पहचान करने की कोशिश करने जैसी है। कार्य (कीटों को खोजना) वही है, लेकिन कीट अलग हैं। यदि आप गलत डेटा का उपयोग करते हैं, तो आपका AI उन कीटों को मिस कर सकता है जो वास्तव में फसल को नष्ट कर देते हैं। सरकारों और सार्वजनिक संस्थानों के लिए, समस्या अधिक गहरी है: यह पहचान के बारे में है। यदि AI को विदेशी कहानियों और मूल्यों पर प्रशिक्षित किया जाता है, तो यह स्थानीय नागरिकों का ऐसा वर्णन कर सकता है जो उनके अनुकूल न हो, या ऐसे निर्णय ले सकता है जो इस बात को प्रतिबिंबित न करें कि वे लोग वास्तव में कैसे रहते हैं। यह एक ऐसे मेयर की तरह है जो अलग भाषा बोलता है और स्थानीय संस्कृति को नहीं समझता—वह विनम्र हो सकता है, लेकिन वह आपका शासन अच्छी तरह से नहीं कर पाएगा।

एक महान डेटा खोज (Data Scavenger Hunt)

शोध पत्र बताता है कि लैटिन अमेरिकी डेटा गायब नहीं है; यह बस खो गया है। यह इंटरनेट पर पहेली के टुकड़ों की तरह बिखरा हुआ है—कुछ शोध पत्रों में, कुछ Hugging Face जैसे प्लेटफॉर्म पर, और कुछ निजी कंपनी अभिलेखों (archives) में फंसा हुआ है। उन्हें खोजने के लिए कोई एकल मानचित्र नहीं है। भले ही आप उन सभी को खोज सकें, फिर भी अमेरिका या यूरोप की तुलना में यह पर्याप्त नहीं है।

यह एक दुष्चक्र बनाता है: क्योंकि डेटा साझा करने का कोई आसान स्थान नहीं है जहाँ आपको श्रेय मिले, इसलिए लोग साझा नहीं करते हैं। क्योंकि लोग साझा नहीं करते हैं, इसलिए दूसरों को शामिल होने के लिए प्रेरित करने के लिए कोई बड़ा संग्रह नहीं होता। लेखक DataHub नामक एक समाधान का प्रस्ताव करते हैं, जो इस चक्र को तोड़ने के लिए डिज़ाइन किया गया एक केंद्रीय पुस्तकालय है। यह केवल एक सूची नहीं है; यह एक ऐसी प्रणाली है जो लोगों को साझा करने के लिए पुरस्कृत करती है। यदि आप एक डेटासेट का योगदान करते हैं, तो आपको दृश्यता और पहचान मिलती है, जिससे आपका डेटा खोलना सार्थक हो जाता है।

लाइब्रेरी को व्यवस्थित करने का एक नया तरीका

इस शोध पत्र का सबसे रचनात्मक हिस्सा यह है कि वे इस नए पुस्तकालय को व्यवस्थित करने का सुझाव कैसे देते हैं। डेटा को "यह कैसा दिखता है" (जैसे चित्र या टेक्स्ट) या "यह किस मॉडल के लिए है" के आधार पर वर्गीकृत करने के बजाय, वे इसे इस आधार पर वर्गीकृत करने का सुझाव देते हैं कि AI को क्या करने की आवश्यकता है।

एक ऐसी लाइब्रेरी की कल्पना करें जहाँ किताबें रंग या आकार के आधार पर नहीं, बल्कि उस काम के आधार पर वर्गीकृत की जाती हैं जिसे वे आपको करने में मदद करती हैं। लेखक तीन-चरणीय सीढ़ी का प्रस्ताव करते हैं:

1. कार्य (Task): काम क्या है? (जैसे, "ऑडियो ट्रांसक्राइब करना")।
2. डोमेन (Domain): विशिष्ट क्षेत्र क्या है? (जैसे, "चिकित्सा" बनाम "कानूनी")।
3. भाषा और क्षेत्र (Language & Region): कौन बोल रहा है? (जैसे, "रियोप्लाटेंस स्पेनिश" बनाम "कोलंबियाई स्पेनिश")।

यह महत्वपूर्ण है क्योंकि ब्यूनस आयर्स के एक डॉक्टर को बोगोटा के वकील की तुलना में एक अलग प्रकार के मेडिकल ट्रांसक्रिप्शन AI की आवश्यकता होती है। एक सामान्य AI शब्दों को सही ढंग से लिख सकता है, लेकिन वह विशिष्ट चिकित्सा शब्दों या स्थानीय लहजे को मिस कर सकता है। इस तरह से डेटा को व्यवस्थित करके, DataHub यह सुनिश्चित करता है कि आपके द्वारा बनाया गया AI ठीक आपकी विशिष्ट आवश्यकताओं के लिए ट्यून किया गया है, जिससे इसका प्रदर्शन बेहतर और अधिक "स्थानीय" महसूस होता है।

खुले दरवाजे और प्रोत्साहन

शोध पत्र इस बारे में एक कड़ा रुख लेता है कि इसे कैसे बनाया जाना चाहिए: डिज़ाइन द्वारा खुला (Open by design)। लेखकों का मानना है कि एक ऐसे क्षेत्र के लिए जो बराबरी करने की कोशिश कर रहा है, सहयोग ही एकमात्र तरीका है। डेटा को बंद दरवाजों के पीछे छिपाना मदद नहीं करेगा; इसे खुले तौर पर साझा करने से सभी को तेजी से सीखने में मदद मिलती है। हालाँकि, वे यह भी जानते हैं कि लोग केवल नेकदिली के कारण साझा नहीं करेंगे। प्रणाली "प्रोत्साहन-संचालित" (incentive-driven) होनी चाहिए, जिसका अर्थ है कि योगदानकर्ताओं को लाभ दिखना चाहिए, जैसे कि उनके काम के लिए पहचान या उनके संस्थान का नाम डेटा के साथ जुड़ा होना।

आगे की राह

लेखक स्पष्ट हैं कि यह केवल शुरुआत है—एक "स्टार्टर" (kickstart) न कि एक तैयार उत्पाद। वे स्वीकार करते हैं कि अभी भी बड़ी बाधाएं हैं। लैटिन अमेरिका के विभिन्न देशों में गोपनीयता और डेटा के बारे में अलग-अलग कानून हैं, और अभी तक इस डेटा को लेबल करने या लाइसेंस देने के लिए कोई सहमत नियम नहीं हैं। वे यह दावा नहीं करते कि उन्होंने इन समस्याओं को हल कर लिया है; इसके बजाय, वे सभी को—कंपनियों, विश्वविद्यालयों और सरकारों को—इसे सुलझाने में मदद करने के लिए आमंत्रित कर रहे हैं।

शोध पत्र एक आह्वान के साथ समाप्त होता है: लैटिन अमेरिकी AI के लिए डेटासेट परत को क्षेत्र द्वारा, क्षेत्र के लिए बनाई जानी चाहिए, अन्यथा इसे बनाया ही नहीं जाएगा। DataHub पहला कदम है, जो किसी के लिए भी एक जीवित निमंत्रण है जिसके पास डेटा है, आकर साझा करने और एक ऐसा भविष्य बनाने में मदद करने के लिए आए जहाँ लैटिन अमेरिका की आर्टिफिशियल इंटेलिजेंस की दुनिया में अपनी आवाज़ हो।