Cooperate And Compete: Archives Can Gain More By Expecting Less From AI Training
यह शोध पत्र तर्क देता है कि अभिलेखीय संगठनों को एआई प्रशिक्षण के लिए संग्रह साझा करने में अपनी झिझक को दूर करने के लिए आइटम-स्तरीय प्रोवेनेंस (स्रोत की जानकारी) के नुकसान को एक प्रतिस्पर्धी लाभ के रूप में पुनर्गठित करना चाहिए और जोखिमों को कम करने तथा सहयोग को बढ़ावा देने के लिए रणनीतिक नीतियां अपनानी चाहिए—जैसे कि अनुकूलित समझौते, आरएजी (RAG) तकनीक, और सार्वजनिक-हित के योगदान के लिए वकालत।
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 लेखक ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
दुनिया के पुस्तकालयों और अभिलेखागारों के शांत कोनों में, लाखों अद्वितीय दस्तावेज़, तस्वीरें और रिकॉर्डिंग देखे जाने की प्रतीक्षा में पड़े हैं। ये केवल पुराने कागज़ नहीं हैं; ये मानव स्मृति की कच्ची सामग्री हैं, जो अक्सर बक्सों में या नाजुक फिल्म पर संग्रहीत होती हैं, और जनता की नज़र से ओझल रहती हैं। हाल ही में, आर्टिफिशियल इंटेलिजेंस बनाने वाली कंपनियों ने इन छिपे हुए संग्रहों तक पहुँच के लिए अनुरोध करना शुरू कर दिया है। वे इस ऐतिहासिक डेटा को अपने कंप्यूटर मॉडल में डालना चाहते हैं ताकि उन्हें अधिक स्मार्ट और जानकार बनाया जा सके। लक्ष्य मशीनों को यह सिखाना है कि सदियों से मनुष्यों ने कैसे सोचा, लिखा और सृजन किया है। हालाँकि, जो लोग इन अभिलेखागारों की रक्षा करते हैं, वे संकोच कर रहे हैं। उन्हें डर है कि यदि वे अपनी सामग्री दे देते हैं, तो मशीनें तथ्यों को तो सीख लेंगी लेकिन यह भूल जाएँगी कि वे तथ्य कहाँ से आए थे। उन्हें अपने इतिहास पर नियंत्रण खोने का डर है, क्योंकि वे मशीनों को उस जानकारी का उपयोग उन तरीकों से करने से रोकने में असमर्थ होंगे जिनकी उन्होंने कभी कल्पना भी नहीं की थी। यह तनाव एक नई बहस के केंद्र में है: क्या अभिलेखागार अपने अतीत की रक्षा के लिए 'ना' कहें, या अपने भविष्य को आकार देने के लिए 'हाँ' कहें?
जेफंग निउ, जो यूनिवर्सिटी ऑफ साउथ फ्लोरिडा में एक शोधकर्ता हैं, का एक हालिया अध्ययन सुझाव देता है कि अभिलेखागार इस समस्या को गलत तरीके से देख रहे होंगे। शोध पत्र का तर्क है कि अभिलेखागार उन चीजों की मांग करने पर बहुत अधिक ध्यान केंद्रित कर रहे हैं जो तकनीक वास्तव में प्रदान नहीं कर सकती, जैसे कि किसी विशिष्ट उत्तर को बनाने के लिए उपयोग किए गए प्रत्येक दस्तावेज़ की एक सटीक सूची। लेखक का सुझाव है कि इन अपेक्षाओं को कम करके, अभिलेखागार वास्तव में अधिक शक्ति और सुरक्षा प्राप्त कर सकते हैं। मशीनों को यह याद रखने के लिए मजबूर करने के बजाय कि उनके प्रशिक्षण का प्रत्येक विवरण क्या था, अभिलेखागारों को यह स्वीकार कर लेना चाहिए कि मशीनें यह बताने में सक्षम नहीं होंगी कि उनके उत्तर विशिष्ट पृष्ठों से कहाँ से आए हैं। इस स्वीकृति के बदले में, अभिलेखागार बेहतर सौदे कर सकते हैं, अपने सबसे मूल्यवान उपकरणों को अपने पास रख सकते हैं, और यह सुनिश्चित कर सकते हैं कि वे इस बात के लिए जिम्मेदार न हों कि मशीनें जानकारी का दुरुपयोग करती हैं।
मुख्य मुद्दा यह है कि आर्टिफिशियल इंटेलिजेंस कैसे सीखता है। जब कोई मनुष्य एक पुस्तक पढ़ता है, तो उसे कहानी और विचार याद रहते हैं, लेकिन वह अपने विचारों को बनाने के लिए पढ़े गए प्रत्येक वाक्य का मानसिक मानचित्र नहीं रखता है। इसी तरह, जब एक AI मॉडल को प्रशिक्षित किया जाता है, तो वह सूचनाओं की विशाल मात्रा को अपने आंतरिक ढांचे में अवशोषित कर लेता है, जिसे 'वेट्स' (weights) कहा जाता है। ये वेट्स दस्तावेजों की कोई फाइलिंग कैबिनेट नहीं हैं; वे गणितीय कनेक्शनों का एक जटिल जाल हैं। एक बार सीखने की प्रक्रिया पूरी हो जाने के बाद, मॉडल किसी विशिष्ट संग्रह के किसी विशिष्ट पृष्ठ की ओर संकेत नहीं कर सकता और यह नहीं कह सकता कि, "मैंने यह तथ्य यहाँ से सीखा है।" जानकारी आपस में मिल जाती है। शोध पत्र नोट करता है कि AI से उसके द्वारा उत्पन्न उत्तर के लिए उपयोग किए गए प्रत्येक डेटा के लिए साइटेशन (संदर्भ) देने की अपेक्षा करना वैसा ही है जैसे किसी व्यक्ति से उस यादों के सटीक क्रम को याद करने के लिए कहना जिसने उन्हें एक कविता लिखने के लिए प्रेरित किया। यह केवल कठिन नहीं है; वर्तमान तकनीक के लिए, यह व्यावहारिक रूप से असंभव है।
इस तकनीकी वास्तविकता के कारण, लेखक का तर्क है कि अभिलेखागारों को "आइटम-लेवल प्रोवेनेंस" (item-level provenance) पर जोर देना बंद कर देना चाहिए, जो कि प्रत्येक AI आउटपुट को एक विशिष्ट रिकॉर्ड से जोड़ने की आवश्यकता है। इसके बजाय, अभिलेखागारों को यह महसूस करना चाहिए कि स्रोत का पता लगाने में यह अक्षमता वास्तव में उनका सबसे बड़ा लाभ है। यदि एक AI किसी विशिष्ट दस्तावेज़ की सटीक नकल या साइटेशन नहीं कर सकता है, तो मूल अभिलेखागार ही एकमात्र स्थान रहता है जहाँ वह दस्तावेज़ अपने वास्तविक, अपरिवर्तित रूप में पाया जा सकता है। मशीन तथ्यों को जान सकती है, लेकिन वह मूल साक्ष्य को देखने के लिए मानव की आवश्यकता को प्रतिस्थापित नहीं कर सकती। इसका अर्थ यह है कि वे अपने डेटा को साझा करके अपना मूल्य नहीं खोते हैं; वे सत्य के विश्वसनीय स्रोत के रूप में और भी आवश्यक बन जाते हैं।
यह शोध पत्र इस डर को भी चुनौती देता है कि एक बार मशीन के भीतर जाने के बाद अभिलेखागार अपने ज्ञान पर नियंत्रण खो देंगे। लेखक बताते हैं कि जब जानकारी उनके भवन से बाहर निकलती है, तो अभिलेखागारों ने वास्तव में कभी भी यह नियंत्रित नहीं किया कि उसके साथ क्या होता है। जब एक शोधकर्ता एक दस्तावेज़ पढ़ता है और फिर उससे सीखी गई बातों के आधार पर एक पुस्तक लिखता है या व्याख्यान देता है, तो अभिलेखागार उसे रोक नहीं सकता। ज्ञान मानव मस्तिष्क में प्रवेश कर चुका है, और अभिलेखागार के पास शोधकर्ता को भूलने के लिए मजबूर करने की कोई शक्ति नहीं है। लेखक का सुझाव है कि AI मॉडल भी इसी तरह के हैं। एक बार जानकारी अवशोषित हो जाने के बाद, यह सिस्टम के ज्ञान का हिस्सा बन जाती है। प्रशिक्षित मॉडल से विशिष्ट तथ्यों को हटाने के लिए किसी कंपनी को मजबूर करना अविश्वसनीय रूप से महंगा और तकनीकी रूप से कठिन है, जिसके लिए अक्सर मॉडल को शून्य से फिर से बनाना पड़ता है। मशीन की स्मृति को नियंत्रित करने की एक हारने वाली लड़ाई लड़ने के बजाय, अभिलेखागारों को सौदे की शर्तों को नियंत्रित करने पर ध्यान केंद्रित करना चाहिए।
इसे सफल बनाने के लिए, शोध पत्र अभिलेखागारों के अनुसरण के लिए नए रणनीतियों का प्रस्ताव करता है। पहला, उन्हें सामग्रियों की कानूनी स्थिति के आधार पर अपने समझौतों को तैयार करना चाहिए। उदाहरण के लिए, यदि अभिलेखागार के पास कॉपीराइट है, तो वे डेटा के उपयोग के लिए शुल्क ले सकते हैं। यदि सामग्री सार्वजनिक डोमेन (public domain) में है, तो अभिलेखागार डेटा का उपयोग करने देने के बदले डिजिटलीकरण में मदद के लिए धन की मांग कर सकता है। यदि सामग्री गोपनीयता या दाता समझौतों के कारण प्रतिबंधित है, तो इसे प्रशिक्षण डेटा से बाहर रखा जाना चाहिए। दूसरा, अभिलेखागारों को 'रिट्रीवल-ऑगमेंटेड जनरेशन' (Retrieval-Augmented Generation - RAG) नामक तकनीक का उपयोग करना चाहिए। यह एक ऐसी विधि है जहाँ AI तथ्यों के लिए अपनी आंतरिक स्मृति पर निर्भर नहीं रहता है, बल्कि वास्तविक समय में एक डेटाबेस में उन्हें खोजता है। यह AI को एक उत्तर देने और तुरंत उस विशिष्ट दस्तावेज़ को दिखाने की अनुमति देता है जिसे उसने पाया है, जिससे साइटेशन की कमी की समस्या हल हो जाती है बिना यह बदले कि AI कैसे सीखता है।
अंत में, लेखक का सुझाव है कि अभिलेखागारों को इंटरनेट से AI कंपनियों को रोकने की कोशिश करना बंद कर देना चाहिए और उनके साथ बातचीत शुरू करनी चाहिए। अभिलेखागार डिजिटलीकरण में मदद के लिए धन, अपने स्वयं के कर्मचारियों के लिए बेहतर AI टूल, या कानूनी सुरक्षा की मांग कर सकते हैं। शोध पत्र अनुशंसा करता है कि अभिलेखागार अपने समझौतों में एक खंड शामिल करें जिसमें कहा गया हो कि यदि AI कंपनी या उसके उपयोगकर्ता जानकारी का दुरुपयोग करते हैं, तो अभिलेखागार जिम्मेदार नहीं है। यह कानूनी जोखिम को कंपनी की ओर स्थानांतरित कर देता है, जिससे हानिकारक सामग्री उत्पन्न होने की स्थिति में अभिलेखागार मुकदमेबाजी से सुरक्षित रहता है। लेखक ऐसी सरकारी नीतियों का भी आह्वान करते हैं जो AI कंपनियों को सार्वजनिक भलाई में योगदान देने के लिए प्रोत्साहित करें, जिससे यह सुनिश्चित हो सके कि इन तकनीकों द्वारा उत्पन्न धन उन सांस्कृतिक संस्थानों की सहायता करता है जो डेटा प्रदान करते हैं।
अध्ययन निष्कर्ष निकालता है कि अभिलेखागारों को आर्टिफिशियल इंटेलिजेंस से डरने की आवश्यकता नहीं है। यह स्वीकार करके कि मशीनें अपने स्रोतों का सटीक रूप से पता नहीं लगा सकतीं, अभिलेखागार असंभव मांगों पर अपनी ऊर्जा बर्बाद करना बंद कर सकते हैं। इसके बजाय, वे जो सबसे अच्छा करते हैं वही कर सकते हैं: मूल रिकॉर्ड को संरक्षित करना और वह संदर्भ प्रदान करना जो मशीनें नहीं दे सकतीं। स्मार्ट समझौतों पर बातचीत करके और उत्तरों को स्रोतों से जोड़ने के लिए नई तकनीकों का उपयोग करके, अभिलेखागार एक संभावित खतरे को एक साझेदारी में बदल सकते हैं जो उनके भविष्य को सुरक्षित करती है और दुनिया को उनके अतीत से सीखने में मदद करती है। आगे बढ़ने का मार्ग 'ना' कहना नहीं है, बल्कि उन शर्तों पर 'हाँ' कहना है जो अभिलेखागार की अखंडता और उसमें निहित इतिहास के मूल्य की रक्षा करती हैं।
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।