Governing Artificial Intelligence Through Institutional Readiness: An Institutional Readiness Theory Explanation of Governance Alignment, Adaptive Capability, and Implementation Stability
यह शोध पत्र तर्क देता है कि विभिन्न क्षेत्रों में आर्टिफिशियल इंटेलिजेंस के कार्यान्वयन की अस्थिरता तकनीकी सीमाओं के बजाय संस्थागत तत्परता की चुनौतियों से उत्पन्न होती है, और शासन संरेखण, अनुकूलन क्षमता एवं दोहरी जवाबदेही के माध्यम से उत्तरदायित्व-क्षमता असंतुलन को संबोधित करने के लिए 'इंस्टीट्यूशनल रेडीनेस थ्योरी' पर आधारित एक 'रेडीनेस स्पाइन' ढांचे का प्रस्ताव करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
यहाँ एक सरल भाषा और रोज़मर्रा के उदाहरणों का उपयोग करके शोध पत्र (paper) की व्याख्या दी गई है।
मुख्य विचार: यह इंजन नहीं, ड्राइवर की बात है
कल्पना कीजिए कि आपने एक बिल्कुल नई, हाई-परफॉर्मेंस रेस कार (आर्टिफिशियल इंटेलिजेंस) खरीदी है। आपके पास सबसे अच्छा इंजन, सबसे अच्छे टायर और दुनिया का सबसे उन्नत कंप्यूटर सिस्टम है जिसे पैसा देकर खरीदा जा सकता है। लेकिन हर बार जब आप इसे चलाने की कोशिश करते हैं, तो आप दुर्घटनाग्रस्त हो जाते हैं, रास्ता भटक जाते हैं, या कार बाएं मुड़ने से मना कर देती है।
ज्यादातर लोग सोचते हैं कि समस्या कार में है। वे कहते हैं, "इंजन काफी अच्छा नहीं है," या "सॉफ्टवेयर में कोई बग है।"
यह शोध पत्र तर्क देता है कि समस्या कार में बिल्कुल नहीं है। समस्या ड्राइवर और सड़क के नियमों की है। पेपर का दावा है कि AI इसलिए विफल नहीं होता क्योंकि तकनीक खराब है, बल्कि इसलिए क्योंकि जिस संस्था (institution) द्वारा इसका उपयोग किया जा रहा है, वह उस जटिलता को संभालने के लिए तैयार नहीं है जो यह कार लेकर आती है।
मूल सिद्धांत: "सही मात्रा में अराजकता का नियम"
शोध पत्र एक वैज्ञानिक अवधारणा का उपयोग करता है जिसे लॉ ऑफ रिक्विज़िट वैरायटी (Law of Requisite Variety) कहा जाता है। इसे समझने का एक सरल तरीका यहाँ दिया गया है:
कल्पना कीजिए कि आप एक बहुत ही चालाक प्रतिद्वंद्वी के खिलाफ "रॉक, पेपर, सिज़र्स" का खेल खेल रहे हैं।
- यदि आपका प्रतिद्वंद्वी केवल "रॉक" फेंक सकता है, तो आपको जीतने के लिए केवल "पेपर" फेंकना जानने की आवश्यकता है। आपके पास कम विविधता (variety) है (एक चाल)।
- लेकिन यदि आपका प्रतिद्वंद्वी रॉक, पेपर, सिज़र्स और फिर अचानक ग्रेनेड भी फेंक सकता है, और खेल के नियम भी बदल सकता है, तो आपको तालमेल बनाए रखने के लिए अपनी जेब में बहुत सारी विविध चालें रखनी होंगी।
नियम: एक जटिल स्थिति को नियंत्रित करने के लिए, आपके पास कम से कम उतने ही उपकरण, नियम और प्रतिक्रियाएं होनी चाहिए जितनी उस स्थिति में सरप्राइज (अचानक बदलाव) हैं।
पेपर का दावा: AI दुनिया को बहुत अधिक जटिल और अप्रत्याशित (अधिक "सरप्राइज") बनाता है। यदि कोई संस्था AI का उपयोग करने की कोशिश करती है लेकिन उसके पास केवल सरल, कठोर नियमों और एक छोटी टीम का सेट है, तो वे विफल हो जाएंगे। उनकी "आंतरिक विविधता" (internal variety) AI की "बाहरी विविधता" (external variety) से मेल खाने के लिए बहुत कम है।
"रेडीनेस स्पाइन" (Readiness Spine): स्थिरता के पांच स्तंभ
लेखकों का कहना है कि AI को संभालने के लिए, एक संस्था को पांच जुड़े हुए हिस्सों से बनी एक मजबूत "रीढ़ की हड्डी" (spine) की आवश्यकता होती है। यदि एक भी हिस्सा कमजोर है, तो पूरी रीढ़ टूट जाएगी। इसे एक पांच पैरों वाले स्टूल की तरह समझें। यदि एक पैर बहुत छोटा है, तो स्टूल डगमगा जाएगा और गिर जाएगा।
- गवर्नेंस अलाइनमेंट (कैप्टन): प्रभारी कौन है? क्या हमारे पास स्पष्ट नियम, जवाबदेही और जहाज को दिशा देने वाला कोई है?
- रेगुलेटरी अलाइनमेंट (नियम पुस्तिका): क्या हम कानून और नैतिक दिशानिर्देशों का पालन कर रहे हैं?
- कैपेबिलिटी (क्रू/चालक दल): क्या लोगों के पास वास्तव में उस टूल का उपयोग करने और उसके टूटने पर उसे ठीक करने का कौशल है?
- एविडेंस (मैप/नक्शा): क्या हमारे पास प्रमाण है कि AI काम करता है? क्या डेटा सटीक है, या वह कचरा है?
- एडेप्टिव कैपेसिटी (शॉक एब्जॉर्बर): जब चीजें बदलती हैं (और वे बदलेंगी), तो क्या संस्था सीख सकती है, तालमेल बिठा सकती है और समस्या को जल्दी ठीक कर सकती है?
क्या होता है जब रीढ़ टूट जाती है?
शोध पत्र ने 15 वास्तविक दुनिया के उदाहरणों (जैसे स्वास्थ्य सेवा में IBM Watson, उबर की सेल्फ-ड्राइविंग कारें, और स्कूलों में AI) का अध्ययन किया और पाया कि विफलताएं अनुमानित पैटर्न में होती हैं। वे इन्हें "ब्रेकडाउन पाथवेज़" (Breakdown Pathways) कहते हैं।
यहाँ "स्टूल" के गिरने के चार मुख्य तरीके दिए गए हैं:
1. "तेज़ कार, धीमा ड्राइवर" की समस्या (Governance–Capability Misalignment)
- परिदृश्य: आपके पास एक सुपर-फास्ट AI (कार) है, लेकिन आपके प्रबंधक और नियम (ड्राइवर) धीमे और भ्रमित हैं।
- परिणाम: AI उन निर्णयों को इंसानों की तुलना में अधिक तेज़ी से लेता है जिन्हें चेक करने की क्षमता इंसानों के पास है।
- वास्तविक उदाहरण: उबर की सेल्फ-ड्राइविंग कारें। कार तकनीकी रूप से चलने में सक्षम थी, लेकिन सुरक्षा निरीक्षण (गवर्नेंस) और मानवीय प्रतिक्रिया समय तैयार नहीं थे। इससे सुरक्षा संबंधी विफलताएं हुईं।
- रूपक (Metaphor): एक बच्चे को फेरारी देना। कार तो काम करती है, लेकिन ड्राइवर तैयार नहीं है।
2. "गलत नक्शा" की समस्या (Evidence–Complexity Mismatch)
- परिदृश्य: AI एक ऐसे नक्शे को देख रहा है जो वास्तविक दुनिया से मेल नहीं खाता। डेटा गलत है, अधूरा है, या गलत अनुमानों पर आधारित है।
- परिणाम: AI आत्मविश्वास के साथ गलत भविष्यवाणियां करता है।
- वास्तविक उदाहरण: Google Flu Trends। इसने सर्च टर्म्स के आधार पर फ्लू के प्रकोप की भविष्यवाणी करने की कोशिश की, लेकिन "नक्शा" (सर्च डेटा) वास्तविक "मैदान" (वास्तविक फ्लू के मामले) से मेल नहीं खाता था। इसने फ्लू का अत्यधिक अनुमान लगाया।
- रूपक: 100 साल पुराने नक्शे का उपयोग करके जहाज चलाना। जहाज शानदार है, लेकिन नक्शा गलत है।
3. "काम के लिए गलत टूल" की समस्या (Operational–Context Misalignment)
- परिदृश्य: AI लैब में पूरी तरह से काम करता है, लेकिन यह उन लोगों के दैनिक जीवन में फिट नहीं बैठता जो इसका उपयोग कर रहे हैं। यह उनके वर्कफ़्लो या संस्कृति से टकराता है।
- परिणाम: लोग इसे अनदेखा करते हैं, इसका गलत उपयोग करते हैं, या इससे नफरत करते हैं।
- वास्तविक उदाहरण: यूके (UK) ए-लेवल ग्रेडिंग एल्गोरिदम। गणित काम कर रहा था, लेकिन यह इस वास्तविकता में फिट नहीं बैठा कि स्कूल और छात्र कैसे काम करते हैं, जिससे भारी सार्वजनिक आक्रोश और वैधता संकट पैदा हुआ।
- रूपक: कीचड़ वाली कुश्ती के मैच में टक्सीडो (Tuxedo) पहनने की कोशिश करना। टक्सीडो ठीक है, लेकिन यह गलत संदर्भ (context) है।
4. "कठोर रोबोट" की समस्या (Adaptive Breakdown)
- परिदृश्य: AI आज बहुत अच्छा काम करता है, लेकिन कल दुनिया बदल जाती है। संस्था AI को अपडेट करने या अपने नियमों को बदलने के लिए बहुत कठोर है।
- परिणाम: सिस्टम पुराना हो जाता है और धीरे-धीरे विफल होने लगता है जब तक कि वह पूरी तरह से टूट न जाए।
- वास्तविक उदाहरण: वित्तीय AI मॉडल। वे एक स्थिर बाजार में अच्छा काम करते हैं लेकिन जब अर्थव्यवस्था बदलती है तो क्रैश हो जाते हैं क्योंकि वे इतनी तेज़ी से "सीख" या अनुकूलित नहीं हो पाते।
- रूपक: एक रोबोट जो समतल जमीन पर चलने के लिए प्रोग्राम किया गया है। जब जमीन सीढ़ियों में बदल जाती है, तो रोबोट समतल चलने की कोशिश करता रहता है और गिर जाता है क्योंकि वह अनुकूलित नहीं हो पाता।
समाधान: "रीबैलेंसिंग" (Rebalancing)
शोध पत्र निष्कर्ष निकालता है कि हम केवल बेहतर AI नहीं खरीद सकते। हमें अपनी "रीढ़ की हड्डी को रीबैलेंस" करना होगा।
यदि आपके पास एक सुपर-स्मार्ट AI (उच्च क्षमता) है, तो आपको इसके अनुरूप अपने नियमों (गवर्नेंस), अपने डेटा (एविडेंस) और सीखने की अपनी क्षमता (एडैप्टेशन) को भी अपग्रेड करना होगा। आपको केवल तकनीक को ही नहीं, बल्कि पूरे संगठन को विकसित करना होगा।
संक्षेप में: AI किसी संस्था को बदलता नहीं है। AI एक दर्पण (mirror) की तरह काम करता है। यह प्रकट करता है कि क्या संस्था वास्तव में उस जटिलता को संभालने के लिए तैयार है जो यह लेकर आता है। यदि संस्था तैयार नहीं है, तो AI टूट जाएगा। यदि संस्था तैयार है, तो AI सफल होगा।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।