Structural Silence: When AI Infrastructure Fails Speakers of Underrepresented Languages

मशीन के भीतर अदृश्य दीवार

कल्पना कीजिए कि इंटरनेट एक विशाल, हलचल भरी लाइब्रेरी है जहाँ हर वह किताब, वीडियो और बातचीत संग्रहीत है जो कभी रिकॉर्ड की गई है। यह वह "प्रशिक्षण डेटा" (training data) है जिसका उपयोग आर्टिफिशियल इंटेलिजेंस (AI) बोलने, लिखने और समस्याओं को हल करने के तरीके सीखने के लिए करता है। लंबे समय तक, यह लाइब्रेरी लगभग पूरी तरह से अंग्रेजी में लिखी गई किताबों से भरी थी। क्योंकि AI के पास पढ़ने के लिए केवल अंग्रेजी किताबें थीं, वह अंग्रेजी में तो विशेषज्ञ बन गया लेकिन किसी अन्य चीज़ को समझने में संघर्ष करने लगा। यही "कम-संसाधन वाली भाषाओं" (low-resource languages) की मूल समस्या है: यदि कोई भाषा डिजिटल दुनिया में अच्छी तरह से प्रतिनिधित्व नहीं करती है, तो उस भाषा का उपयोग करने वाले लोगों की मदद के लिए बनाया गया AI एक विकलांगता के साथ पैदा होता है।

यह समझने के लिए कि यह क्यों मायने रखता है, हमें दो सरल विचारों को देखने की आवश्यकता है। पहला, कॉग्निटिव लोड (Cognitive Load) आपके मस्तिष्क द्वारा ढोए जाने वाले एक बैकपैक की तरह है। जब आप कुछ नया सीखते हैं, तो आपका बैकपैक भारी हो जाता है। यदि आपको एक कठिन गणित अवधारणा सीखनी पड़ती है और साथ ही साथ उसे उस भाषा से अनुवाद करना पड़ता है जिसे आप अच्छी तरह से नहीं जानते, तो आपका बैकपैक इतना भारी हो जाता है कि वह फट जाता है, और आप गणित नहीं सीख पाते। दूसरा, टोकेनाइजेशन (Tokenization) यह है कि कंप्यूटर शब्दों को समझने के लिए उन्हें छोटे-छोटे टुकड़ों में कैसे काटता है। इसे एक पहेली (puzzle) की तरह समझें: यदि एक भाषा के पहेली के टुकड़े पूरी तरह से कटे हुए हैं, तो तस्वीर स्पष्ट है। यदि दूसरी भाषा के टुकड़े छोटे, बिखरे हुए टुकड़ों में कटे हुए हैं, तो कंप्यूटर को उस तस्वीर को वापस जोड़ने के लिए बहुत अधिक मेहनत करनी पड़ती है।

किसी को इसकी परवाह क्यों होनी चाहिए? क्योंकि AI को एक जादुई ट्यूटर के रूप में बेचा जा रहा है जो दुनिया में कहीं भी किसी को भी कोडिंग सिखा सकता है या समस्याओं को हल करना सिखा सकता है। लेकिन यदि वह ट्यूटर केवल अंग्रेजी की किताबों पर प्रशिक्षित था, केवल अंग्रेजी बोलता है, और केवल तभी काम करता है जब आपके पास सुपर-फास्ट इंटरनेट कनेक्शन हो, तो वह उन लोगों को विफल कर देता है जिन्हें इसकी सबसे अधिक आवश्यकता है: जैसे बंगाली बोलने वाले ग्रामीण क्षेत्रों के छात्र। यह शोध पत्र जांच करता है कि यह "जादुई" ट्यूटर उनके लिए क्यों टूटा हुआ है, इसलिए नहीं कि तकनीक खराब है, बल्कि इसलिए क्योंकि जिस नींव पर इसे बनाया गया था, उसे उनके लिए कभी डिज़ाइन ही नहीं किया गया था।

---

मौन विफलता: क्यों AI बंगाली भाषियों की अनदेखी करता है

"स्ट्रक्चरल साइलेंस" (Structural Silence) नामक यह शोध पत्र इस बात की कहानी बताता है कि कैसे AI इंफ्रास्ट्रक्चर अनजाने में कम प्रतिनिधित्व वाली भाषाओं के बोलने वालों के चारों ओर एक दीवार बना देता है, जिसमें बंगाली को एक केस स्टडी के रूप में उपयोग किया गया है। बंगाली एक विशाल भाषा है, जो लगभग 28.5 करोड़ लोगों द्वारा बोली जाती है—जो पूरी मानव आबादी का लगभग 4% है। इसका 1,400 वर्षों से अधिक का इतिहास है और यह दो देशों की आधिकारिक भाषा है। आप सोच सकते हैं कि इतनी बड़ी भाषा AI की दुनिया में सुपरस्टार होगी। लेकिन लेखकों ने पाया कि एक स्टार बनने के बजाय, बंगाली चार विशिष्ट संरचनात्मक विफलताओं के कारण "मौन" की जा रही है जो ताश के पत्तों के घर की तरह एक के ऊपर एक जमा हैं।

1. खाली बुकशेल्फ़ (वेब उपस्थिति का अंतर)

कल्पना कीजिए कि आप एक रोबोट को पढ़ने के लिए एक लाइब्रेरी देकर बंगाली बोलना सिखाने की कोशिश कर रहे हैं। समस्या यह है कि लाइब्रेरी लगभग खाली है। भले ही बंगाली बोलने वाले दुनिया का 4% हिस्सा हैं, लेकिन इंटरनेट पर मौजूद कुल सामग्री में इस भाषा का योगदान 0.5% से भी कम है। इसके विपरीत, अंग्रेजी, जिसके मूल वक्ता लगभग समान संख्या में हैं, वेब का लगभग 49.5% हिस्सा बनाती है।

AI मॉडल टेक्स्ट प्राप्त करने के लिए वेब को "क्रॉल" (crawling) करके प्रशिक्षित होते हैं। चूंकि ऑनलाइन बंगाली टेक्स्ट बहुत कम है, इसलिए AI को बहुत कम अभ्यास मिलता है। यह ऐसा है जैसे आप एक गाना सुनकर वायलिन बजाना सीखने की कोशिश कर रहे हों, जबकि आपका अंग्रेजी बोलने वाला दोस्त दस लाख गाने सुन सकता है। लेखक बताते हैं कि यह केवल इंटरनेट एक्सेस के बारे में नहीं है; यह इस बारे में है कि दशकों से ऑनलाइन कंटेंट कौन लिख और पोस्ट कर रहा है। परिणाम? AI अपना प्रशिक्षण एक शब्द सीखने से पहले ही एक बड़े नुकसान के साथ शुरू करता है।

2. डेटा का अकाल (प्रशिक्षण टोकन की कमी)

चूंकि वेब पर बंगाली बहुत कम है, इसलिए AI "टोकन" से वंचित रह जाता है। टोकन वे छोटे टेक्स्ट के हिस्से हैं जिनका उपयोग कंप्यूटर सीखने के लिए करता है। शोध पत्र एक चौंकाने वाले अंतर को उजागर करता है: प्रमुख प्रशिक्षण डेटासेट में, प्रत्येक 1 बंगाली टोकन के लिए 67 अंग्रेजी टोकन मौजूद हैं।

इसे एक आहार (diet) की तरह समझें। यदि अंग्रेजी को 67 थालियों के भोजन का भोज मिलता है, तो बंगाली को केवल एक टुकड़ा मिलता है। लेखक नोट करते हैं कि भले ही बंगाली को "बहुभाषी" मॉडलों (वे मॉडल जो कई भाषाएँ सीखने की कोशिश करते हैं) में शामिल किया गया हो, फिर भी यह अंग्रेजी की तुलना में बहुत खराब प्रदर्शन करता है। डेटा केवल कम नहीं है; यह इतना कम है कि AI भाषा के नियमों को ठीक से सीखने के लिए पर्याप्त उदाहरण देख ही नहीं पाता।

3. टूटे हुए पहेली के टुकड़े (टोकेनाइजेशन पेनल्टी)

यहाँ चीजें जटिल हो जाती हैं। भले ही आप AI को अंग्रेजी के समान मात्रा में बंगाली टेक्स्ट दे दें, फिर भी उसे संघर्ष करना पड़ेगा। क्यों? क्योंकि कंप्यूटर शब्दों को काटने के तरीके के कारण।

अंग्रेजी लैटिन वर्णमाला का उपयोग करती है, जो कंप्यूटर के लिए टुकड़ों में काटने के लिए अपेक्षाकृत सरल है। बंगाली एक "अक्षर-सिलेबरी" (alphasyllabary) लिपि का उपयोग करती है, जहाँ अक्षर छोटे चिह्नों (diacritics) के साथ मिलते हैं और जटिल तरीकों से आपस में जुड़ते हैं। मानक कंप्यूटर उपकरण, जो अंग्रेजी के लिए डिज़ाइन किए गए हैं, बंगाली शब्दों को छोटे, बिखरे हुए टुकड़ों में काट देते हैं। लेखक इसे "टोकेनाइजेशन पेनल्टी" कहते हैं।

कल्पना कीजिए कि आप एक पहेली को जोड़ने की कोशिश कर रहे हैं। अंग्रेजी के लिए, टुकड़े बड़े और स्पष्ट आकार के हैं। बंगाली के लिए, वही तस्वीर हजारों छोटे, नुकीले टुकड़ों में कटी हुई है। कंप्यूटर को यह समझने के लिए बहुत अधिक मेहनत करनी पड़ती है कि वे टुकड़े कैसे फिट बैठते हैं। इसका मतलब है कि AI को उसी मात्रा में अर्थ समझने के लिए और भी अधिक डेटा "खाना" पड़ता है। शोध पत्र सुझाव देता है कि अंग्रेजी के समान प्रदर्शन प्राप्त करने के लिए, बंगाली मॉडलों को इस बिखरे हुए काटने की समस्या से उबरने के लिए काफी अधिक डेटा की आवश्यकता है।

4. क्लाउड ट्रैप (कनेक्टिविटी बहिष्कार)

अंतिम विफलता AI के मस्तिष्क के बारे में नहीं है; यह AI के शरीर के बारे में है। आज के अधिकांश AI उपकरण "क्लाउड" में रहते हैं। इसका अर्थ है कि आपको अपना प्रश्न इंटरनेट के माध्यम से एक विशाल सर्वर पर भेजना होगा, जो उस पर विचार करेगा और उत्तर वापस भेजेगा।

शोध पत्र एक कठोर वास्तविकता की ओर इशारा करता है: ग्रामीण बांग्लादेश में, जहाँ कई बंगाली भाषी रहते हैं, व्यक्तिगत इंटरनेट पैठ (penetness) केवल 36.5% है, जबकि शहरों में यह 71.4% है। इसके अलावा, केवल 9.2% परिवारों के पास कंप्यूटर है। यदि एक AI ट्यूटर को काम करने के लिए निरंतर, तेज़ इंटरनेट कनेक्शन की आवश्यकता है, तो वह ग्रामीण छात्र के लिए कार्यात्मक रूप से अदृश्य है। यह एक ऐसी लाइब्रेरी डिजाइन करने जैसा है जो केवल तभी खुलती है जब आपके पास वहां पहुंचने के लिए निजी जेट हो। लेखक तर्क देते हैं कि यह केवल एक असुविधा नहीं है; यह एक डिज़ाइन विकल्प है जो यह मान लेता है कि हर कोई पहले से ही जुड़ा हुआ है, जो प्रभावी रूप से उन लोगों को बाहर कर देता है जिन्हें इसकी सबसे अधिक आवश्यकता है।

दोहरा बोझ: एक भारी बैकपैक

जब आप इन चार विफलताओं को मिलाते हैं, तो परिणाम शिक्षार्थी के लिए एक "दोहरा बोझ" होता है। कल्पना कीजिए कि एक ग्रामीण गाँव का छात्र कंप्यूटर प्रोग्रामिंग सीखने की कोशिश कर रहा है।

1. भाषा की बाधा: AI ट्यूटर कोड को अंग्रेजी में समझाता है (क्योंकि इसे मुख्य रूप से अंग्रेजी पर प्रशिक्षित किया गया था)। छात्र को जटिल प्रोग्रामिंग अवधारणा को समझने की कोशिश करते समय अपने दिमाग में अंग्रेजी अनुवाद करना पड़ता है।
2. संज्ञानात्मक अधिभार (Cognitive Overload): उनका मस्तिष्क एक साथ दो कठिन काम कर रहा है: भाषा का अनुवाद करना और गणित सीखना। उनका "बैकपैक" (वर्किंग मेमोरी) बहुत भारी हो जाता है, और वे समझना बंद कर देते हैं।

शोध पत्र बताता है कि जब छात्र बिना किसी सहायता के दूसरी भाषा में तकनीकी अवधारणाओं को सीखते हैं, तो वे कम सीखते हैं और कम याद रख पाते हैं। एक बंगाली भाषी के लिए, एक AI ट्यूटर जो अंग्रेजी बोलता है, वह केवल कम सुविधाजनक नहीं है; वह अक्सर प्रभावी ढंग से उपयोग करने के लिए असंभव है।

शोध पत्र क्या कहता है कि हमें क्या करना चाहिए

लेखक सावधानी से कहते हैं कि यह केवल "कोड ठीक करने" की समस्या नहीं है। उनका तर्क है कि हम AI को थोड़ा सा बेहतर बनाने के लिए इसे थोड़ा सा नहीं बदल सकते। पूरी नींव उन धारणाओं पर बनी है जो गैर-अंग्रेजी भाषियों को बाहर करती है।

• डेटा को साइड प्रोजेक्ट के रूप में मानना बंद करें: शोध पत्र सुझाव देता है कि बंगाली जैसी भाषाओं के लिए डेटासेट बनाना केवल "प्रारंभिक कार्य" के रूप में नहीं देखा जाना चाहिए। इसे एक प्रमुख वैज्ञानिक योगदान के रूप में पहचाना जाना चाहिए, जो एक नया AI मॉडल बनाने जितना ही महत्वपूर्ण है।
• "ऑफलाइन-फर्स्ट" बनें: यह मानने के बजाय कि सबके पास इंटरनेट है, हमें ऐसे AI उपकरण डिजाइन करने चाहिए जो बिना कनेक्शन के फोन या कंप्यूटर पर काम कर सकें। यह AI का "कमतर" संस्करण नहीं है; यह दुनिया के बहुमत के लिए काम करने वाला एकमात्र संस्करण है।
• भाषाविदों (Linguists) की सुनें: शोध पत्र आह्वान करता है कि भाषाविद् हस्तक्षेप करें और समझाएं कि मानक कंप्यूटर उपकरण बंगाली जैसी भाषाओं के साथ क्यों विफल होते हैं। उनके पास उन संरचनात्मक खामियों को पहचानने के लिए शब्दावली है जिन्हें इंजीनियर मिस कर सकते हैं।

निष्कर्ष

यह शोध पत्र यह दावा नहीं करता है कि इसने बंगाली भाषियों के लिए एक आदर्श AI बनाया है। इसके बजाय, यह एक जासूस की तरह कार्य करता है, उन चार संरचनात्मक कारणों की ओर इशारा करता है कि क्यों वर्तमान प्रणाली उन्हें विफल कर रही है। यह सुझाव देता है कि प्रदर्शन में अंतर इसलिए नहीं है क्योंकि बंगाली एक "कठिन" भाषा है या इसलिए कि छात्र बुद्धिमान नहीं हैं। यह इसलिए है क्योंकि AI इंफ्रास्ट्रक्चर अंग्रेजी को ध्यान में रखकर बनाया गया था, उन किताबों से लेकर जिन्हें उसने पढ़ा, शब्दों को काटने के तरीके तक, और इस धारणा तक कि हर किसी के पास तेज़ इंटरनेट कनेक्शन है। जब तक हम इन संरचनात्मक मौनों को ठीक नहीं करते, तब तक AI का एक सार्वभौमिक शिक्षक होने का वादा केवल कुछ लोगों तक ही सीमित रहेगा।