AI शासन
Note
जिम्मेदार AI विकास के लिए नियामक ढाँचे और नैतिक सिद्धांत राष्ट्रीय और अंतर्राष्ट्रीय दोनों स्तरों पर फैले हैं। भारत का दृष्टिकोण NITI Aayog के 'Responsible AI for All' सिद्धांतों और MeitY के अंतर्गत IndiaAI Mission (2024) पर आधारित है। वैश्विक स्तर पर EU AI Act और Bletchley Declaration प्रतिस्पर्धी मॉडल प्रस्तुत करते हैं। मुख्य बहसें एल्गोरिदमिक जवाबदेही, डेटा पूर्वाग्रह और AI सुरक्षा को कवर करती हैं। डेटा शासन DPDP Act 2023 में निहित है। स्वास्थ्य, कृषि और शिक्षा में विशेषज्ञता की पहुँच बढ़ाने की AI की क्षमता मूलभूत डिजिटल अवसंरचना और दुरुपयोग के विरुद्ध सुरक्षा उपायों पर निर्भर करती है।
In the news
Questions on this topic
AI प्रशासन की अवधारणाओं और उनके विवरणों के संदर्भ में निम्नलिखित युग्मों पर विचार कीजिए:
- IMF AI तत्परता सूचकांक — किसी देश की AI का लाभ उठाने की तैयारी का एक माप, जिसमें अवसंरचना, विनियमन और मानव पूँजी के आयाम शामिल हैं
- श्रम उत्पादकता — प्रति इकाई श्रम इनपुट पर उत्पादित आउटपुट, जिसे AI कार्यकर्ताओं के कार्य-निष्पादन को संवर्धित कर बढ़ाने का अनुमान है
- जेनरेटिव AI प्रथम-क्रम संपर्क — वे रोजगार जहाँ AI मानव की समस्त भूमिकाओं को पूरी तरह प्रतिस्थापित कर देता है और मानव-AI सहयोग की कोई गुंजाइश नहीं रहती
उपर्युक्त युग्मों में से कौन-सा/से सही सुमेलित है/हैं?
Explanation
IMF AI तत्परता सूचकांक एक स्थापित माप है जो यह आकलन करता है कि कोई देश AI को अपनाने और उससे लाभ उठाने के लिए कितना तैयार है — इसमें अवसंरचना, कानूनी ढाँचे, मानव पूँजी और संस्थागत क्षमता शामिल हैं। इस सूचकांक पर भारत का स्कोर अमेरिका की तुलना में काफी कम है, जिससे AI से मिलने वाला संभावित विकास लाभांश सीमित हो जाता है। श्रम उत्पादकता का विवरण भी सही है: AI श्रमिकों को कार्य अधिक कुशलता से पूरा करने में सहायता करके प्रति कार्यकर्ता उत्पादन बढ़ाती है, न कि श्रम को पूरी तरह समाप्त करके। तीसरा युग्म गलत है क्योंकि 'जेनरेटिव AI प्रथम-क्रम संपर्क' का अर्थ विशेष रूप से उन रोजगारों से है जहाँ कार्यकर्ता चैटबॉट या AI उपकरणों की सहायता से अपने मौजूदा कार्यों को अधिक कुशलता से कर सकते हैं — यह एक संवर्धन (augmentation) की अवधारणा है, न कि विस्थापन की। इसका अर्थ यह नहीं है कि AI सभी मानव भूमिकाओं को पूरी तरह प्रतिस्थापित कर देती है; बल्कि यह उन व्यवसायों की पहचान करती है जहाँ AI कार्यकर्ताओं की सहायता कर सकती है। 'संपर्क' को 'पूर्ण प्रतिस्थापन' से जोड़ना AI प्रशासन विमर्श में एक सामान्य भ्रांति है।
प्लेटफ़ॉर्म जवाबदेही और AI गवर्नेंस की अवधारणाओं से संबंधित निम्नलिखित युग्मों पर विचार कीजिए:
- कैम्ब्रिज एनालिटिका घोटाला — लक्षित राजनीतिक विज्ञापन के लिए मतदाता प्रोफ़ाइल बनाने हेतु फेसबुक से उपयोगकर्ताओं का डेटा एकत्र करना
- सरोगेट या डमी राजनीतिक विज्ञापन — आधिकारिक पार्टी खाते के अंतर्गत तृतीय पक्षों द्वारा चलाए गए विज्ञापन, जो पूर्ण चुनावी आचार संहिता के अधीन होते हैं
- प्लेटफ़ॉर्म द्वारा कंटेंट मॉडरेशन — वह प्रक्रिया जिसके तहत सोशल मीडिया कंपनियाँ पोस्ट की समीक्षा करती हैं और उन्हें प्रतिबंधित करती हैं, जिससे प्रायः राजनीतिक पक्षपात की आशंका उत्पन्न होती है
उपर्युक्त युग्मों में से कौन-सा/से सही सुमेलित है/हैं?
Explanation
युग्म 1 सही सुमेलित है: कैम्ब्रिज एनालिटिका घोटाले में एक पर्सनैलिटी-आधारित क्विज़ के माध्यम से फेसबुक उपयोगकर्ताओं का व्यक्तिगत डेटा — जिसमें राजनीतिक प्राथमिकताएँ भी शामिल थीं — बड़े पैमाने पर एकत्र किया गया और एक राजनीतिक परामर्श फर्म को हस्तांतरित किया गया, जिसने 2016 के अमेरिकी राष्ट्रपति चुनाव अभियान के दौरान मतदाता प्रोफ़ाइल बनाने और लक्षित राजनीतिक विज्ञापन देने के लिए इसका उपयोग किया। यह चुनावी संदर्भ में प्लेटफ़ॉर्म डेटा के दुरुपयोग का प्रामाणिक उदाहरण है। युग्म 2 गलत सुमेलित है: सरोगेट या डमी राजनीतिक विज्ञापन ठीक वे विज्ञापन होते हैं जो तथाकथित तृतीय पक्ष खातों द्वारा चलाए जाते हैं, न कि आधिकारिक पार्टी खाते के अंतर्गत। इन विज्ञापनों की मुख्य विशेषता यह है कि ये उस चुनावी आचार संहिता के दायरे से बाहर होते हैं जो आधिकारिक पार्टी हैंडलों पर लागू होती है — ये अपनी राजनीतिक संबद्धता स्पष्ट किए बिना किसी पार्टी का प्रचार कर सकते हैं या उसके विरोधियों पर हमला कर सकते हैं। यह कहना कि ये आधिकारिक पार्टी खाते के अंतर्गत चलाए जाते हैं और पूर्ण आचार संहिता के अधीन हैं, इस अवधारणा को उलट देता है। युग्म 3 सही सुमेलित है: कंटेंट मॉडरेशन से तात्पर्य प्लेटफ़ॉर्म स्तर पर पोस्ट और सामग्री की समीक्षा, प्रतिबंध या हटाने की प्रक्रिया से है। इस प्रक्रिया में राजनीतिक पक्षपात की आशंका — जिसमें प्लेटफ़ॉर्म पर एक राजनीतिक पक्ष की सामग्री को दबाने के आरोप शामिल हैं — वैश्विक स्तर पर AI गवर्नेंस और प्लेटफ़ॉर्म जवाबदेही की बहस में एक केंद्रीय मुद्दा है।
भारत के डेटा सेंटर विस्तार के संदर्भ में, बड़े पैमाने पर AI डेटा सेंटरों से जुड़ी संसाधन-गहनता और शासन चुनौतियों के बारे में निम्नलिखित कथनों पर विचार कीजिए:
- बड़े भाषा मॉडलों (Large Language Models) के प्रशिक्षण में उपयोग किए जाने वाले ग्राफिक्स प्रोसेसिंग यूनिट (GPU) अत्यधिक संगणना-गहन होते हैं और शीतलन के लिए बड़ी मात्रा में स्वच्छ जल की आवश्यकता होती है, जिससे जल उपलब्धता AI डेटा सेंटरों के लिए एक महत्त्वपूर्ण नियोजन चर बन जाती है।
- डेटा सेंटर अनुमोदन की सुदृढ़ नीति-निर्माण के अंतर्गत, किसी निजी डेटा सेंटर परिसर की विशेष सेवा हेतु निर्मित ग्रिड अवसंरचना को सार्वजनिक उपयोगिता निवेश के रूप में राज्य द्वारा वित्तपोषित किया जाना चाहिए, क्योंकि क्षमता वृद्धि से व्यापक ग्रिड को लाभ होता है।
- परियोजना-दर-परियोजना अनुमोदन से परिसर-स्तरीय एवं अवसंरचना-गलियारा नियोजन की ओर बदलाव को एक शासन-सुधार माना जाता है, क्योंकि इससे व्यक्तिगत प्रतिबद्धताएँ निर्धारित होने से पूर्व संचयी संसाधन माँग का समग्र मूल्यांकन संभव होता है।
उपर्युक्त कथनों में से कौन-सा/से सही है/हैं?
Explanation
कथन 1 सही है। बड़े भाषा मॉडलों को संचालित करने वाले GPU अत्यधिक ऊर्जा-खपत करते हैं और शीतलन के लिए बड़ी मात्रा में स्वच्छ जल की आवश्यकता होती है — यह AI कम्प्यूट अवसंरचना की एक सुस्थापित इंजीनियरिंग वास्तविकता है और इसीलिए जल उपलब्धता को अब डेटा सेंटरों के लिए स्थल-चयन का एक महत्त्वपूर्ण चर माना जाने लगा है। कथन 2 गलत है, क्योंकि यह लागत-आवंटन के सिद्धांत की दृष्टि से असंगत है। सुदृढ़ डेटा सेंटर शासन ढाँचे यह मानते हैं कि किसी निजी डेटा सेंटर परिसर की विशेष सेवा हेतु निर्मित ग्रिड अवसंरचना को डेवलपर द्वारा वित्तपोषित किया जाना चाहिए, न कि राज्य द्वारा। तर्क स्पष्ट है: यदि कोई अवसंरचना एकल निजी उपयोगकर्ता को समर्पित है, तो 'लाभार्थी भुगतान करे' का सिद्धांत लागू होता है; सार्वजनिक सब्सिडी प्रभावतः एक निजी लागत को करदाताओं पर डाल देगी। ऐसी समर्पित अवसंरचना को सार्वजनिक उपयोगिता निवेश मानना, साझा-उपयोग अवसंरचना (जो राज्य वित्तपोषण को उचित ठहराती है) और निजी-उपयोग अवसंरचना (जो नहीं ठहराती) के बीच भेद को धुंधला कर देता है। कथन 3 सही है। परियोजना-दर-परियोजना अनुमोदन से परिसर या अवसंरचना-गलियारा स्तर पर नियोजन की ओर बदलाव डेटा सेंटर नीति में एक मान्यता-प्राप्त शासन-सुधार है, क्योंकि इससे किसी भी व्यक्तिगत अनुमोदन की प्रतिबद्धता निर्धारित होने से पूर्व — विद्युत खपत, जल उपभोग, भूमि अधिग्रहण और ग्रिड दबाव जैसी — संचयी संसाधन माँग का समग्र मूल्यांकन किया जा सकता है। परियोजना-स्तरीय समीक्षा एक ही परिसर में अनेक सुविधाओं के संयुक्त प्रभावों को नजरअंदाज कर देती है।
हाइपरस्केल डेटा सेंटरों की संसाधन एवं पर्यावरणीय माँगों तथा उनके सतत् तैनाती हेतु नीति ढाँचों के संबंध में निम्नलिखित कथनों पर विचार कीजिए:
- हाइपरस्केल डेटा सेंटर विद्युत शक्ति और जल — दोनों के महत्त्वपूर्ण उपभोक्ता हैं, और इन्हें अनुमोदन दिए जाने से पहले ग्रिड प्रबंधन प्रणालियों के साथ एकीकरण तथा दीर्घकालिक जल उपलब्धता आकलन अनिवार्य किया जाना चाहिए।
- नवीकरणीय ऊर्जा या बैटरी भंडारण से संबंधित दावों को परियोजना-प्रस्ताव चरण में ही — संबंधित अवसंरचना के चालू होने से पहले — ग्रिड से ली जाने वाली विद्युत को कम करने वाला मान लिया जाना चाहिए, ताकि शीघ्र अपनाने को प्रोत्साहन मिले।
- डेटा सेंटरों के लिए सरकारी प्रोत्साहन केवल निवेश प्रतिबद्धताओं के बजाय मापनीय परिणामों — जैसे रोज़गार सृजन, स्थानीय खरीद, तथा सत्यापित ऊर्जा एवं जल दक्षता — से जोड़े जाना अधिक उचित है।
उपर्युक्त कथनों में से कौन-सा/से सही है/हैं?
Explanation
कथन 1 सही है: हाइपरस्केल डेटा सेंटर ऊर्जा-गहन और जल-गहन सुविधाएँ हैं। उत्तरदायी नीति ढाँचों में यह अपेक्षा की जाती है कि डेवलपर्स, डिस्कॉम (DISCOMs) और राज्य पारेषण उपयोगिताओं के साथ संयुक्त पावर रैम्प-अप योजना के माध्यम से ग्रिड की तैयारी प्रदर्शित करें, और दीर्घकालिक जल उपलब्धता आकलन अनिवार्य हो — यह इस मूल सिद्धांत को दर्शाता है कि AI अभिकलन अवसंरचना की योजना साझा भौतिक संसाधनों की वहन-क्षमता के भीतर बनाई जानी चाहिए। कथन 2 गलत है: सतत् AI अवसंरचना नीति का एक आधारभूत सिद्धांत यह है कि नवीकरणीय ऊर्जा या बैटरी भंडारण द्वारा ग्रिड खपत कम करने के दावों को तभी मान्यता दी जानी चाहिए जब संबंधित अवसंरचना परिचालित हो जाए और स्वतंत्र रूप से सत्यापित हो जाए — न कि प्रस्ताव चरण में। निर्मित न हुई स्वच्छ-ऊर्जा क्षमता को ग्रिड ऑफसेट के रूप में गिनने से ग्रीनवॉशिंग को प्रोत्साहन मिलेगा और ग्रिड पर वास्तविक माँग गलत तरीके से प्रस्तुत होगी। कथन 3 सही है: प्रोत्साहनों को सत्यापन योग्य, मील-पत्थर आधारित परिणामों — जैसे रोज़गार, घरेलू खरीद, ऊर्जा दक्षता, जल दक्षता — से जोड़ना, न कि सुर्खियों में आने वाले निवेश आँकड़ों से, डेटा सेंटर पारिस्थितिकी तंत्र के लिए साक्ष्य-आधारित औद्योगिक नीति की आधारशिला है। इससे यह सुनिश्चित होता है कि सार्वजनिक संसाधन वास्तव में प्रदर्शित लाभों के विरुद्ध वितरित किए जाएँ, न कि केवल वादों के आधार पर।
कृत्रिम बुद्धिमत्ता (AI) के समष्टि-आर्थिक प्रभाव के संदर्भ में निम्नलिखित कथनों पर विचार कीजिए:
- अल्पावधि में, AI निवेश में तीव्र वृद्धि से मांग-पक्ष प्रभावों के माध्यम से मुद्रास्फीति पर ऊपर की ओर दबाव पड़ने की संभावना है।
- दीर्घावधि में, AI से अर्थव्यवस्थाओं में उत्पादकता बढ़ाकर एक सकारात्मक आपूर्ति-पक्ष आघात (supply-side shock) उत्पन्न होने की अपेक्षा है।
उपर्युक्त कथनों में से कौन-सा/से सही है/हैं?
Explanation
दोनों कथन किसी प्रमुख सामान्य-प्रयोजन प्रौद्योगिकी (जैसे AI) के विश्लेषण के लिए प्रचलित मानक आर्थिक ढाँचे को दर्शाते हैं। अल्पावधि में, AI अवसंरचना — जैसे डेटा सेंटर, चिप्स और सॉफ्टवेयर — पर होने वाला भारी पूंजी व्यय एक मांग-पक्ष निवेश उछाल का रूप लेता है। आपूर्ति क्षमता में तत्काल वृद्धि के बिना समग्र मांग में यह तीव्र बढ़ोतरी कीमतों पर ऊपर की ओर दबाव डालती है — यह एक क्लासिक अल्पकालिक मुद्रास्फीतिकारी आवेग है। दीर्घावधि में, AI से कुल कारक उत्पादकता (total factor productivity) में वृद्धि होने की अपेक्षा है, क्योंकि इससे अर्थव्यवस्थाएँ समान या कम संसाधनों में अधिक उत्पादन कर सकती हैं — यह एक आपूर्ति-पक्ष विस्तार है जो समग्र आपूर्ति वक्र को बाहर की ओर धकेलता है और अपस्फीतिकारी या विकास-संवर्धक प्रभाव उत्पन्न करता है। अतः अमेरिकी फेडरल रिजर्व जैसे केंद्रीय बैंकों को ऐसे परिवर्तनकालीन दौर से गुजरना होता है जिसमें अल्पकालिक मुद्रास्फीति जोखिमों के लिए मौद्रिक नीति को कड़ा करना पड़ सकता है, जबकि दीर्घकालिक उत्पादकता लाभ अंततः मूल्य दबावों को कम करते हैं।
भारत में AI शासन ढाँचों और AI-संचालित स्वचालन के श्रम पर प्रभाव के संबंध में निम्नलिखित कथनों पर विचार कीजिए:
- AI के श्रम-बाज़ार प्रभाव का विश्लेषण करने वाला कार्य-आधारित ढाँचा (task-based framework) संपूर्ण रोज़गार के स्वचालन और रोज़गार के भीतर विशिष्ट कार्यों के स्वचालन के बीच अंतर करता है, जिससे यह संभव होता है कि एक ही व्यवसाय एक साथ विस्थापन और संवर्धन (augmentation) दोनों का सामना करे।
- एल्गोरिथ्मिक कार्यस्थल निगरानी — जैसे AI-आधारित प्रदर्शन स्कोरिंग या उत्पादकता डैशबोर्ड — को उत्तरदायी-AI शासन विमर्श में वेतन या रोज़गार-स्तरीय प्रभावों से अलग एक कार्य-गुणवत्ता संबंधी चिंता के रूप में मान्यता दी गई है, क्योंकि यह उन कर्मियों में भी कार्य-तीव्रता और तनाव बढ़ा सकती है जो अपना रोज़गार बनाए रखते हैं।
- AI स्वचालन के माध्यम से प्रवेश-स्तर की भूमिकाओं का खोखला होना मुख्यतः अनौपचारिक क्षेत्र के कर्मियों की चिंता है, क्योंकि औपचारिक IT और BPO क्षेत्र हमेशा से नियमित कार्य-निष्पादन के लिए नए स्नातकों के बजाय अनुभवी मध्य-स्तरीय कर्मियों पर निर्भर रहे हैं।
उपर्युक्त कथनों में से कौन-सा/से सही है/हैं?
Explanation
कथन 1 सही है। कार्य-आधारित ढाँचा — जो उत्तरदायी-AI श्रम शोध में प्रयुक्त विश्लेषणात्मक दृष्टिकोण है — रोज़गारों को उनके घटक कार्यों में विभाजित करता है। चूँकि AI किसी भूमिका के कुछ कार्यों को स्वचालित कर सकता है और अन्य कार्यों को संवर्धित अथवा नया रूप दे सकता है, इसलिए एक ही रोज़गार में एक साथ विस्थापन (स्वचालन-योग्य कार्यों का) और संवर्धन (जहाँ AI मानवीय उत्पादन को बेहतर बनाता है) दोनों हो सकते हैं। यही वह मूलभूत अंतर्दृष्टि है जो कार्य-स्तरीय विश्लेषण को रोज़गार-स्तरीय विश्लेषण से अलग करती है। कथन 2 सही है। उत्तरदायी-AI शासन ढाँचे अब एल्गोरिथ्मिक निगरानी — कॉल-सेंटर वार्तालापों की AI स्कोरिंग, उत्पादकता डैशबोर्ड, रियल-टाइम अपवाद ट्रैकिंग — को कार्य-गुणवत्ता के एक अलग आयाम के रूप में मानते हैं, जो इससे स्वतंत्र है कि कोई व्यक्ति कार्यरत है या नहीं और किस वेतन पर। जो कर्मी अपना रोज़गार बनाए रखते हैं, वे भी तीव्र निगरानी, बढ़े हुए तनाव और घटी हुई स्वायत्तता का सामना कर सकते हैं। इसीलिए शासन चर्चाओं में 'रोज़गार प्रभावों' को 'कार्य-गुणवत्ता प्रभावों' से अलग रखा जाता है। कथन 3 गलत है। प्रवेश-स्तर के करियर मार्गों के खोखले होने की चिंता स्पष्ट रूप से भारत के औपचारिक IT, BPO, वित्त और व्यावसायिक-सेवा क्षेत्रों पर केंद्रित है, जो ऐतिहासिक रूप से प्रवेश-स्तर के स्नातकों की बड़ी संख्या को अवशोषित करते रहे हैं। अनौपचारिक क्षेत्र के कर्मियों पर AI का प्रभाव भिन्न अप्रत्यक्ष माध्यमों — कीमतों, प्लेटफॉर्म प्रबंधन, ऋण पहुँच — से पड़ता है, न कि मुख्यतः कनिष्ठ प्रशिक्षुता भूमिकाओं के विलुप्त होने से। प्रवेश-स्तरीय मार्ग के जोखिम को अनौपचारिक कर्मियों से जोड़ना वास्तविक संरचनात्मक चिंता को उलट देता है।
डिजिटल प्लेटफॉर्मों पर AI गवर्नेंस और एल्गोरिदमिक सामग्री-नियंत्रण से संबंधित निम्नलिखित युग्मों पर विचार कीजिए:
- मॉडल ड्रिफ्ट — किसी मशीन-लर्निंग मॉडल की सटीकता में वह क्रमिक गिरावट, जो तब आती है जब वास्तविक दुनिया के डेटा के पैटर्न बदलते रहते हैं किंतु मॉडल को अद्यतन नहीं किया जाता
- ह्यूमन-इन-द-लूप मॉडरेशन — सामग्री सुरक्षा की वह व्यवस्था जिसमें प्रशिक्षित मानव समीक्षक स्वचालित पहचान-प्रणाली की सहायता करते हैं, विशेष रूप से उन मामलों में जिन्हें एल्गोरिदम अनिश्चित के रूप में चिह्नित करता है
- प्लेटफॉर्म जवाबदेही — वह विनियामक सिद्धांत जिसके अनुसार डिजिटल मध्यस्थ अपनी एल्गोरिदमिक प्रणालियों से होने वाले नुकसान के लिए कानूनी एवं/या परिचालन जिम्मेदारी वहन करते हैं, जिसमें AI-संचालित सुरक्षा उपकरणों की विफलताएँ भी शामिल हैं
उपर्युक्त युग्मों में से कौन-सा/से सही सुमेलित है/हैं?
Explanation
तीनों युग्म सही सुमेलित हैं। मॉडल ड्रिफ्ट मशीन लर्निंग की एक सुस्थापित परिघटना है जिसमें इनपुट डेटा के पैटर्न बदलने के बावजूद मॉडल को नए डेटा पर पुनः प्रशिक्षित न किए जाने से उसकी पूर्वानुमान क्षमता समय के साथ घटती जाती है — यही वह विफलता थी जो टिंडर के मामले में सामने आई, जहाँ घोटाले का पता लगाने वाले मॉडलों को वर्षों से अद्यतन नहीं किया गया था। ह्यूमन-इन-द-लूप (HITL) मॉडरेशन, AI सुरक्षा की एक मानक संरचना है जिसमें मानव मॉडरेटर उन मामलों को संभालते हैं जिन्हें स्वचालित प्रणालियाँ विश्वास के साथ हल नहीं कर पातीं; एक क्षीण होती AI परत के साथ HITL क्षमता का विस्तार न कर पाना प्लेटफॉर्म सुरक्षा के संदर्भ में एक केंद्रीय चिंता है। प्लेटफॉर्म जवाबदेही वह शासन सिद्धांत है — जो EU के डिजिटल सेवा अधिनियम और भारत के IT (मध्यस्थ दिशानिर्देश) नियम, 2021 जैसे उपकरणों में समाहित है — जिसके तहत प्लेटफॉर्म लापरवाही से तैयार या अनुरक्षित एल्गोरिदमिक प्रणालियों से उत्पन्न व्यवस्थागत नुकसान की जिम्मेदारी से बच नहीं सकते। ऑनलाइन मध्यस्थों पर AI-जनित नुकसान के विनियामक समाधान का विश्लेषण करने के लिए इन तीनों अवधारणाओं को एक साथ समझना आवश्यक है।
शैक्षणिक परिवेश में जनरेटिव AI उपकरणों की तैनाती के संदर्भ में AI शासन ढाँचों और उनसे जुड़े सिद्धांतों के निम्नलिखित युग्मों पर विचार कीजिए:
- AI तैनाती के लिए ऑप्ट-इन सहमति मॉडल — संस्थानों को AI उपकरणों को डिफ़ॉल्ट रूप से सक्रिय रखने के बजाय स्वयं सक्रिय करना होता है, जिससे संस्थागत स्वायत्तता सुरक्षित रहती है
- AI शासन में आयु-अनुकूल सुरक्षा उपाय — छोटे उपयोगकर्ताओं की विकासात्मक एवं सुरक्षा आवश्यकताओं के आधार पर जनरेटिव AI सुविधाओं तक पहुँच को प्रतिबंधित करना
- AI विनियमन में प्लेटफ़ॉर्म निर्भरता जोखिम — यह खतरा कि आवश्यक डिजिटल अवसंरचना पर एकाधिकारवादी नियंत्रण का उपयोग AI उत्पादों को अपनाने के लिए संस्थाओं पर दबाव बनाने हेतु किया जा सकता है
उपर्युक्त युग्मों में से कौन-सा/से सही सुमेलित है/हैं?
Explanation
तीनों युग्म शिक्षा में AI शासन के सही सुमेलित वैचारिक सिद्धांत हैं। पहला, ऑप्ट-इन सहमति मॉडल यह मानता है कि AI उपकरण डिफ़ॉल्ट रूप से बंद होने चाहिए और संस्थानों को उन्हें स्वयं सक्रिय करना चाहिए — यह संस्थागत एवं प्रशासनिक स्वायत्तता को सुरक्षित रखता है, जो ऑप्ट-आउट मॉडल के विपरीत है जिसमें उपकरण डिफ़ॉल्ट रूप से चालू रहते हैं। दूसरा, आयु-अनुकूल सुरक्षा उपाय AI एवं डिजिटल शासन ढाँचों में एक मान्यता प्राप्त सिद्धांत है, जो यह स्वीकार करता है कि जनरेटिव AI तक पहुँच उपयोगकर्ता की विकासात्मक अवस्था के अनुसार निर्धारित होनी चाहिए — उदाहरण के लिए, एक निश्चित आयु से कम बच्चों के लिए चैटबॉट पर प्रतिबंध एक मानक सुरक्षात्मक उपाय है। तीसरा, प्लेटफ़ॉर्म निर्भरता जोखिम (जिसे कभी-कभी 'लॉक-इन दबाव' भी कहा जाता है) प्रौद्योगिकी विनियमन और प्रतिस्पर्धा नीति की एक अवधारणा है: जब कोई प्रभुत्वशाली प्रदाता किसी वैकल्पिक उत्पाद को एक आवश्यक सेवा के साथ जोड़ देता है, तो संस्थाएँ उस वैकल्पिक उत्पाद को अपनाने के लिए संरचनात्मक दबाव में आ जाती हैं — यह चिंता एकाधिकारी डिजिटल प्लेटफ़ॉर्मों के माध्यम से AI तैनाती के विनियमन पर बहस के केंद्र में है। तीनों अवधारणाएँ शिक्षा में समकालीन AI शासन विमर्श की आधारभूत हैं।
Your record on this topic
Sign in to see how many of these you have answered, which ones you got wrong, and to practise this topic on its own.
साइन इन →