एक ऐसी दुनिया की कल्पना करें जहाँ एक कंप्यूटर आपका भविष्य तय करता है। यह आपके ऋण (लोन), आपकी नौकरी के साक्षात्कार, या आपके कॉलेज में प्रवेश के लिए द्वारपाल है। कभी-कभी, यह कहता है "नहीं।" अतीत में, यदि आप पूछते कि क्यों, तो कंप्यूटर शायद एक अस्पष्ट उत्तर देता या केवल उन नियमों की सूची देता जिनका आपने उल्लंघन किया था। लेकिन यह जानना कि आप क्यों असफल हुए, आपको इसे ठीक करने में मदद नहीं करता। आपको एक मानचित्र की आवश्यकता है। आपको ठीक से जानने की आवश्यकता है कि उस "नहीं" को "हाँ" में बदलने के लिए आप क्या बदलाव कर सकते हैं। यह एल्गोरिदमिक रिकोर्स (Algorithmic Recourse) नामक एक क्षेत्र का केंद्र है। इसे जीवन के निर्णयों के लिए एक जीपीएस (GPS) की तरह समझें: केवल यह बताने के बजाय कि आप खो गए हैं, यह आपको अपने गंतव्य तक पहुँचने के लिए एक मार्ग सुझाता है।

हालाँकि, इसमें एक पेंच है। अधिकांश जीपीएस सिस्टम केवल एक ही मार्ग देते हैं। लेकिन वास्तविक जीवन में, अक्सर एक ही स्थान पर पहुँचने के कई तरीके होते हैं। शायद आप क्रेडिट कार्ड का भुगतान करके ऋण प्राप्त कर सकते हैं, या शायद उच्च वेतन वाली नौकरी प्राप्त करके, या एक सह-हस्ताक्षरकर्ता (co-signer) प्राप्त करके। अलग-अलग लोगों के पास अलग-अलग उपकरण, समय और सीमाएँ होती हैं। एक अच्छा सिस्टम केवल एक कठोर पथ नहीं देना चाहिए; इसे आपको वास्तविक, विविध विकल्पों का एक मेनू प्रदान करना चाहिए जो वास्तव में आपके जीवन में फिट बैठते हों। यह एक समस्या है जिसे भारतीय प्रौद्योगिकी संस्थान पला碼 के शोधकर्ताओं का एक नया शोध पत्र हल करने की कोशिश कर रहा है। वे एक एकल "परफेक्ट" उत्तर खोजने के बजाय, संभावनाओं का एक पूरा परिदृश्य बनाने की कोशिश कर रहे हैं, जो आपको दिखा सके कि सफल होने के कई तरीके हैं।

पुराना तरीका: घास के ढेर में एक सुई ढूँढना

कल्पना कीजिए कि आप एक विशाल, अस्त-व्यस्त कमरे में एक विशिष्ट चाबी खोजने की कोशिश कर रहे हैं (वह कमरा आपके जीवन में किए जा सकने वाले सभी संभावित बदलावों का प्रतिनिधित्व करता है)। इसे करने का पुराना तरीका एक रोबोट को टॉर्च लेकर अंदर भेजना था ताकि वह उस एक चाबी को खोज सके जो वर्तमान में आपके खड़े होने के स्थान के सबसे करीब है। रोबक फर्श को स्कैन करेगा, दूरियों की गणना करेगा, और सबसे अच्छे स्थान को चुनेगा। यदि रोबोट को चाबी मिल जाती है, तो बहुत अच्छा! लेकिन क्या होगा यदि वह चाबी कमरे के ऐसे हिस्से में हो जो वास्तव में बंद या खतरनाक हो? या क्या होगा यदि रोबोट पहले वाले पर बहुत अधिक ध्यान केंद्रित करने के कारण कुछ फीट दूर स्थित एक बेहतरीन चाबी को मिस कर दे?

शोधकर्ता बताते हैं कि मौजूदा तरीके इसी तरह के रोबोट की तरह काम करते हैं। वे इस समस्या को एक गणितीय पहेली के रूप में देखते हैं ताकि एक या कुछ विशिष्ट "काउंटरफैक्चुअल्स" (counterfactuals - एक फैंसी शब्द जिसका अर्थ है "क्या होगा यदि" परिदृश्य) खोजे जा सकें। वे समाधान को आपकी वर्तमान स्थिति के करीब रखने और कम से कम चीजों को बदलने के लिए मजबूर करने की कोशिश करते हैं। लेकिन ऐसा करने में, वे अक्सर बड़ी तस्वीर को नजरअंदाज कर देते हैं। वे आपको एक ऐसा समाधान दे सकते हैं जो गणितीय रूप से तो करीब है लेकिन आपके जीवन के लिए पूरी तरह से अवास्तविक है, या वे आपको दस समाधान दे सकते हैं जो मूल रूप से एक ही चीज़ हैं, बस थोड़े से बदले हुए हैं। यह एक ऐसे जीपीएस की तरह है जो केवल सबसे छोटा मार्ग दिखाता है, भले ही वह मार्ग एक डेड एंड (बंद रास्ता) हो, जबकि वह सुंदर, व्यवहार्य विकल्पों को अनदेखा कर देता है।

नया विचार: संभावनाओं का एक प्रायिकता मानचित्र (Probability Map)

लेखक, अनघा साबू, ऋतिक सुरेश और नारायणन सी. कृष्णियन, एक पूरी तरह से अलग दृष्टिकोण का प्रस्ताव करते हैं। एक अकेली सुई की तलाश करने के बजाय, वे पूरे कमरे का एक नक्शा बनाना चाहते हैं, जो आपको दिखाए कि सभी अच्छी चाबियाँ कहाँ होने की संभावना है। वे इसे ट्रैक्टेबल रिकोर्स डिस्ट्रीब्यूशन (Tractable Recourse Distribution - TRD) कहते हैं।

इसे इस तरह समझें: कल्पना करें कि आपके पास ऋण स्वीकृत कराने के सभी तरीकों का एक जादुई, चमकता हुआ मानचित्र है। यह मानचित्र केवल बिंदुओं की एक सूची नहीं है; यह एक हीट मैप (heat map) है। मानचित्र पर सबसे चमकीले, गर्म स्थान उन परिवर्तनों का प्रतिनिधित्व करते हैं जिनके सफल होने की सबसे अधिक संभावना है, जो आपके वर्तमान जीवन के सबसे करीब हैं, और जिनमें एक साथ बहुत अधिक चीजें बदलने की आवश्यकता नहीं है। धुंधले स्थान अभी भी संभव हैं, लेकिन उनके लिए बड़े बदलावों की आवश्यकता होती है।

उनके तरीके का जादू यह है कि वे इस मानचित्र को कैसे बनाते हैं। वे "सफल" लोगों के मॉडल (पॉजिटिव-क्लास डिस्ट्रीब्यूशन) के साथ शुरुआत करते हैं। फिर, वे एक्सपोनेंशियल टिल्टिंग (exponential tilting) नामक एक गणितीय ट्रिक का उपयोग करते हैं। कल्पना करें कि आपके पास सभी संभावित भविष्य का प्रतिनिधित्व करने वाला मोतियों का एक बैग है। अधिकांश मोती केवल रैंडम हैं। लेकिन आप उन मोतियों को खोजना चाहते हैं जो आपकी वर्तमान स्थिति के करीब हैं। इसलिए, आप बैग पर एक चुंबक लगाते हैं। चुंबक उन मोतियों को ऊपर खींचता है जो आपके करीब हैं (निकटता/proximity) और जिनमें बहुत कम बदलाव की आवश्यकता है (स्पैरसिटी/sparsity)। जो मोती दूर हैं या जिनमें बड़े बदलावों की आवश्यकता है, वे नीचे डूब जाते हैं।

क्योंकि वे प्रोबबिलिस्टिक सर्किट (Probabilistic Circuit) नामक एक विशिष्ट प्रकार की गणितीय संरचना का उपयोग करते हैं, वे इस खींचने और छाँटने की प्रक्रिया को सटीक रूप से और तुरंत कर सकते हैं। उन्हें हर व्यक्ति के लिए पूरे सिस्टम को फिर से प्रशिक्षित करने की आवश्यकता नहीं है। वे बस मौजूदा मानचित्र लेते हैं, चुंबक (टिल्ट) लागू करते हैं, और बस—आपके पास उस विशिष्ट व्यक्ति के लिए एक व्यक्तिगत मानचित्र तैयार है।

उन्होंने क्या पाया: वास्तविक विकल्पों का एक मेनू

शोधकर्ताओं ने ऋण अनुमोदन और क्रेडिट स्कोर जैसी चीजों के लिए उपयोग किए जाने वाले मानक डेटासेट्स के साथ-साथ छवियों (एक 8 को 0 में, या 7 को 1 में बदलने) पर इस विचार का परीक्षण किया। यहाँ उनकी खोजें दी गई हैं:

1. अराजकता के बिना विविधता (Diversity without the Chaos)
जब उन्होंने इस नए मानचित्र से नमूने लेने की अनुमति दी, तो इसने स्वाभाविक रूप से विभिन्न समाधानों की एक विस्तृत श्रृंखला उत्पन्न की। कुछ लोग अपनी आय बदल सकते हैं, अन्य अपना कर्ज, और अन्य अपना रोजगार इतिहास। सिस्टम को इस विविधता को थोपने के लिए किसी विशेष "विविधता" नियम की आवश्यकता नहीं थी; मानचित्र स्वयं विविध था। वास्तव में, उन्होंने पाया कि यदि वे केवल मानचित्र से रैंडम सैंपल चुनते, तो भी उन्हें विकल्पों का एक अच्छा मिश्रण मिलता। उन्होंने केवल एक "क्लस्टरिंग" चरण जोड़ा ताकि यह सुनिश्चित हो सके कि अंतिम सूची केवल एक ही सलाह की दस प्रतियां न हो।

2. वास्तविकता बनाए रखना (Plausibility)
इन प्रणालियों के साथ सबसे बड़ा डर यह है कि वे पागलपन भरे, असंभव बदलाव सुझा सकते हैं, जैसे "दूसरे देश में बस जाओ" या "अपनी उम्र बदल लो।" शोधकर्ताओं ने पाया कि उनका तरीका सुझावों को यथार्थवादी बनाए रखता है। क्योंकि मानचित्र की शुरुआत सफल लोगों के वास्तविक डेटा से हुई थी, इसलिए हर सुझाव एक वास्तविक परिदृश्य था। उनके परीक्षणों में, उनके सूची का "सबसे खराब" सुझाव भी अन्य तरीकों के सुझावों की तुलना में बहुत अधिक वास्तविक था। उदाहरण के लिए, जर्मन क्रेडिट डेटासेट पर, उनके तरीके ने "सबसे खराब" सुझाव को भी बहुत व्यावहारिक रखा, जबकि अन्य तरीकों ने ऐसे बदलाव सुझाए जो गणितीय रूप से संभव तो थे लेकिन व्यावहारिक रूप से निरर्थक थे।

3. ट्रेड-ऑफ नियंत्रण (The Trade-off Control)
शोधकर्ताओं ने दिखाया कि वे मानचित्र को नियंत्रित कर सकते हैं। "चुंबक" (टिल्ट पैरामीटर्स) की शक्ति को समायोजित करके, वे सिस्टम को बता सकते हैं: "मुझे निकटतम संभव बदलाव दें, भले ही मुझे कुछ चीजें बदलनी पड़ें," या "मुझे ऐसे बदलाव दें जो मेरे जीवन के कम से कम हिस्सों को प्रभावित करें, भले ही वे थोड़े दूर हों।" उन्होंने पाया कि दोनों नियंत्रणों का एक साथ उपयोग करने से सबसे अच्छे परिणाम मिले, जिससे ऐसे समाधान मिले जो उपयोगकर्ता के वर्तमान जीवन के करीब भी थे और जिनमें न्यूनतम बदलावों की आवश्यकता थी।

4. यह छवियों पर भी काम करता है
उन्होंने इसे चित्रों पर भी आजमाया। यदि आपके पास 8 की एक तस्वीर है और आप इसे 0 में बदलना चाहते हैं, तो सिस्टम केवल अनुमान नहीं लगाता है। यह 8 को 0 में बदलने के सभी तरीकों का एक वितरण बनाता है। जैसे-जैसे वे "टिल्ट" की शक्ति बढ़ाते हैं, उत्पन्न छवियां मूल 8 के अधिक पिक्सेल को बनाए रखती हैं, जिससे परिवर्तन छोटा और सूक्ष्म हो जाता है। हालांकि, उन्होंने नोट किया कि एक ट्रेड-ऑफ है: यदि आप बहुत अधिक टिल्ट करते हैं, तो छवि मूल 8 के बहुत करीब हो सकती है, जिससे वह 0 के रूप में पहचाना नहीं जा सकेगी। इसने दिखाया कि यह विधि जटिल, उच्च-आयामी स्थानों में भी काम करती है, न कि केवल संख्याओं की सरल तालिकाओं में।

निष्कर्ष

यह शोध पत्र निष्कर्ष निकालता है कि यह दृष्टिकोण लोगों की मदद करने का एक व्यावहारिक और शक्तिशाली तरीका है। यह आपको केवल एक उत्तर नहीं देता; यह आपको विविध, यथार्थवादी और कार्रवाई योग्य विकल्पों का एक मेनू देता है। यह एक ट्रैवल एजेंट की तरह है जो न केवल आपको सबसे सस्ता टिकट बुक करके देता है, बल्कि आपको पांच अलग-अलग मार्ग दिखाता है, उनके फायदे और नुकसान समझाता है, और आपको चुनने देता है कि कौन सा आपके शेड्यूल और बजट में फिट बैठता है।

शोधकर्ता सावधानी बरतते हुए कहते हैं कि यह कोई जादुई छड़ी नहीं है जो हर समस्या को हल कर दे। यह प्रणाली "रिजेक्शन सैंपलिंग" (rejection sampling) पर निर्भर करती है, जिसका अर्थ है कि यह कई संभावनाएं उत्पन्न करती है और जो काम नहीं करती उन्हें हटा देती है। यदि नियम बहुत सख्त हैं (जैसे कि क्या बदलाव किए जा सकते हैं इसके बारे में बहुत जटिल कानून), तो एक अच्छा मार्ग खोजना कठिन हो सकता है। लेकिन उनके द्वारा परीक्षण किए गए डेटासेट्स के लिए, यह उल्लेखनीय रूप से अच्छा काम कर गया, जिसने परीक्षण किए गए प्रत्येक व्यक्ति को कम से कम एक वैध, वास्तविक विकल्प के साथ सेवा दी। वे सुझाव देते हैं कि भविष्य में, वे इन सख्त नियमों को सीधे मानचित्र में शामिल कर सकते हैं, जिससे प्रक्रिया और भी सहज हो जाएगी।

संक्षेप में, यह शोध हमें एक ऐसी दुनिया से हटाकर जहाँ कंप्यूटर हमें बताते हैं कि "यहाँ एक चीज़ है जो आपको करनी ही होगी," एक ऐसी दुनिया में ले जाता है जहाँ वे कहते हैं, "यहाँ वे सभी अलग-अलग तरीके हैं जिनसे आप इसे सफल बना सकते हैं, और यहाँ वह सबसे अच्छा तरीका है जो आपके लिए है।"