सरकारी सुधारणा ही भारताच्या AI क्रांतीची गुरुकिल्ली का आहे | मत

जर तुम्ही फेब्रुवारीमध्ये दिल्लीत असता, तर तुम्ही AI इम्पॅक्ट समिटचा हबब टाळू शकत नाही—तुम्ही तंत्रज्ञानाचे शौकीन आहात की नाही हे महत्त्वाचे नाही. आणि जर तुम्ही भारत मंडपमच्या सहा दिवसांच्या शिखर परिषदेला उपस्थित राहिलेल्या पाच लाखांहून अधिक AI उत्साही व्यक्तींपैकी असाल, तर शक्यता अशी आहे की तुम्ही किमान एका चर्चेला उपस्थित राहिलात ज्यामुळे 'डेटा लोकॅलायझेशन' किंवा 'डेटा सार्वभौमत्व' ची तातडीची गरज होती.

पण डेटा लोकॅलायझेशनचा हा उत्साह नवीन नाही. आपल्या नागरिकांचा डेटा त्याच्या सीमेमध्ये नियंत्रित आणि संग्रहित करण्यावर भारताचा भर अनेक वर्षांपासून जागतिक डेटा प्रशासनाच्या जगात लहरी आहे, विशेषत: 2023 पासून, जेव्हा इलेक्ट्रॉनिक्स आणि माहिती तंत्रज्ञान मंत्रालयाने आपला ऐतिहासिक डिजिटल वैयक्तिक डेटा संरक्षण (DPDP) कायदा सादर केला तेव्हापासून.

भारताचा तर्क जागतिकवाद्यांसाठीही आकर्षक आहे – जर भारतीय दररोज टेराबाइट्सवर टेराबाइट डेटा तयार करत असतील (आणि डेटा हे नवीन तेल आहे), तर भारतीयांनी स्वत: उत्पादित केलेल्या गोष्टीचा फायदा घेणे योग्य आहे.

शेवटी, कोणत्याही AI मॉडेलला प्रशिक्षण देण्यासाठी त्याला भरपूर डेटा देणे आवश्यक आहे. या 'नवीन तेलाची' कापणी करण्यासाठी आणि त्याचा वापर करण्यासाठी आपण नवीन जमिनीवर प्रयत्न करत असताना एक गोष्ट स्पष्ट आहे – भारत AI क्रांतीमध्ये आपल्या स्थानाबद्दल गंभीर आहे.

या रोमांचक फ्रंटियर टेक्नॉलॉजी स्पेसचा उशिर अडकलेल्या सरकारी सुधारणांशी काय संबंध आहे? सरकारला खाजगी डेटा संकलन प्रभावीपणे समजून घेण्यासाठी आणि त्याद्वारे नियंत्रित करण्यासाठी, डेटा काय करू शकतो आणि त्याचे धोके काय आहेत हे पूर्णपणे समजून घेणे आवश्यक आहे.

संपूर्ण सरकारी यंत्रणा मोठ्या प्रमाणावर डेटा व्युत्पन्न करते जी भारताच्या विकासाची आव्हाने सोडवण्यासाठी नवीन अंतर्दृष्टी देऊ शकते. तथापि, हा डेटा बऱ्याचदा दुर्गम अशा प्रकारे संग्रहित केला जाऊ शकतो—केवळ बाहेरील जगासाठीच नाही तर अनेकदा सरकारी यंत्रणेतील अनेकांसाठी.

शेकडो योजनांसाठी अनेकदा एकाच ब्लॉक विकास अधिकाऱ्याच्या देखरेखीखाली ब्लॉक-स्तरावर इनपुट केलेला योजना-स्तरीय प्रगती डेटा, जिल्हा, राज्य आणि नंतर केंद्रापर्यंत श्रेणीक्रमाने प्रवास करावा लागतो आणि अगदी केंद्रातही, मंत्रालयांमधील डेटा शेअर करणे हे आश्चर्यकारकपणे कठीण काम आहे.

वर्षांपूर्वी सुरू करण्यात आलेली ई-ऑफिस प्रणाली केवळ आंतर-मंत्रालयी फाइल्स समाविष्ट करण्यासाठी विस्तारली आहे आणि डेटा शेअरिंग प्रोटोकॉल कंटाळवाणे आहेत. प्रणाली सध्या श्रेणीबद्ध परवानगी देण्यावर कार्य करते, म्हणून क्रॉस-मिनिस्ट्रियल डेटा विश्लेषण करण्याचा प्रयत्न करणाऱ्या रँक-अँड-फाइल कर्मचाऱ्यांसाठी (जेव्हा त्यांना त्यांच्या दैनंदिन कर्तव्यांच्या पलीकडे नवीन शोध घेण्यास किंवा अधिक खोलवर जाण्यासाठी वेळ आणि प्रेरणा मिळेल), विनंती त्यांच्या मंत्रालयातील साखळी वर जाईल. आम्ही याचा व्यवहार खर्च म्हणून विचार करू शकतो – जेव्हा ते खूप जास्त होतात, तेव्हा व्यवहार होत नाही. परंतु धोरणकर्त्यांसाठी, हे व्यवहार खर्च प्रत्यक्षात परिवर्तनाची संधी दर्शवतात. ही प्रवेशयोग्यता अडथळे कमी करून, तळागाळातील डेटा भारताच्या AI पायाभूत सुविधांसाठी एक शक्तिशाली फीडर बनू शकतो.

एक प्रश्न उद्भवू शकतो: एका मंत्रालयाच्या कर्मचाऱ्याला दुसऱ्याच्या डेटामध्ये रस का असावा? आणि ते त्यांना स्वतःचे काम करण्यास कशी मदत करते? याचे उत्तर भारताच्या कुपोषण प्रणालीच्या वैशिष्ट्यावरून स्पष्ट केले जाऊ शकते.

जर 0-6 वर्षे वयोगटातील बालक मध्यम तीव्र कुपोषणाने (MAM) ग्रस्त असेल, तर ते महिला आणि बाल विकास मंत्रालयाच्या अंतर्गत अंगणवाडी प्रणालीच्या कक्षेत येतात.

त्यांना गंभीर तीव्र कुपोषण (एसएएम) ग्रस्त असल्यास सह गुंतागुंत, जसे की सूज येणे, त्यांना आरोग्य आणि कुटुंब कल्याण मंत्रालयाच्या अंतर्गत पोषण पुनर्वसन क्लिनिकमध्ये दाखल केले जावे. पण जर त्यांना SAM चा त्रास होतो शिवाय गुंतागुंत, ते प्रणालीद्वारे पडतात – त्यांच्यासाठी कोणतेही अधिकृत स्थान नाही.

व्यवहारात, अंगणवाडी सेविका आणि दवाखान्यातील कर्मचारी अनेकदा त्यांना आधार देण्यासाठी नियम वाकवतात, परंतु ते देखील त्यांच्याकडे साधनसंपत्ती कशी आहे यावर अवलंबून असते, त्यांच्याकडे एका अतिरिक्त मुलाला दवाखान्यात नेण्यासाठी किंवा त्यांच्या F75 किंवा F100 फीडसाठी पैसे देण्यासाठी वेळ आणि बजेट आहे का.

बालपणीच्या शिक्षण क्षेत्रातही असेच आव्हान उभे राहिले आहे. जन्मतः कमी वजनाने जन्मलेल्या मुलास केवळ सशक्त पोषणच नाही तर सकल आणि उत्तम मोटर कौशल्य विकासावर अधिक भर देण्याची गरज असते.

जन्माच्या परिस्थिती प्राथमिक चिकित्सक, समुदाय आरोग्य कर्मचारी, डेकेअर वर्कर आणि प्रीस्कूल शिक्षक यांच्याशी संबंधित असतात. त्याचप्रमाणे शाळांसह अंगणवाडी केंद्रांच्या एकत्रीकरणासाठी एकाच मुलाच्या जन्मापासून ते बाल्यावस्थेपर्यंत तीन वर्षे, प्लेस्कूलसाठी तीन ते सहा वर्षे, त्यानंतर सहा ते आठ वर्षे, पायाभूत टप्पा पूर्ण करणे आणि त्यापुढील कालावधीचा मागोवा घेणे आवश्यक आहे.

अंगणवाडी केंद्रे महिला आणि बाल विकास मंत्रालयाच्या कक्षेत येत असल्याने, आरोग्य आणि कुटुंब कल्याण मंत्रालयाच्या अंतर्गत आरोग्य केंद्रे आणि रुग्णालये आणि शिक्षण मंत्रालयाच्या अंतर्गत प्राथमिक शाळा, प्रभावी समन्वय दोन्ही मंत्रालयांमध्ये कार्यरत असलेल्या प्रत्येक स्तरावरील अधिकाऱ्यांसाठी सुलभ, सामायिक केलेल्या डेटावर अवलंबून आहे. एक साधा मुद्दा स्पष्ट करणारी ही फक्त दोन उदाहरणे आहेत: भारताची आव्हाने आणि सरकारी संस्था दोन्ही एका विशाल नकाशात पसरलेल्या आहेत ज्यात प्रभावीपणे कार्य करण्यासाठी विलक्षण प्रमाणात समन्वय आवश्यक आहे. त्यांना शक्य तितक्या अखंडपणे एकमेकांशी बोलता आले पाहिजे.

डिजिटल पर्सनल डेटा प्रोटेक्शन (DPDP) कायदा, 2023, हे बदलण्याची संधी प्रदान करतो. हा कायदा नागरिकांच्या गोपनीयतेचे वाईट कृत्यांपासून किंवा खाजगी क्षेत्रातील प्रणालीगत निष्काळजीपणापासून संरक्षण करण्यासाठी प्रशंसनीय मार्गांनी प्रयत्न करत असताना, निनावी सार्वजनिक क्षेत्रातील डेटा कायदेशीर वापरासाठी उपलब्ध करून देणे हे नाविन्य आणि ज्ञान निर्मितीसाठी तितकेच महत्त्वाचे आहे. गोपनीयतेचा विचार सार्वजनिक विश्वास मजबूत करण्यात मदत करू शकतो, तर यशस्वी डेटा वापरामुळे सरकारी कामकाजाची प्रभावीता आणि कार्यक्षमता सुधारू शकते.

येथे आणखी दोन मुद्दे शोधण्यासारखे आहेत: पहिला म्हणजे अशी सुधारणा काय आकार घेऊ शकते आणि दुसरी भारताची जागतिक स्पर्धात्मकता सुधारण्यासाठी ही सुधारणा का महत्त्वाची आहे. प्रथम, प्रत्येक मंत्रालय किंवा विभागाला इन-हाउस डेटा सायंटिस्ट नियुक्त करण्यासाठी कॉल केले गेले आहेत – ही एक महत्त्वपूर्ण पहिली पायरी आहे. परंतु मानवी संसाधने ज्यासाठी नेमले आहेत ते प्रत्यक्षात करण्यासाठी, त्यांचे योग्य व्यवस्थापन केले पाहिजे.

सरकारने नियुक्त केलेल्या डेटा वैज्ञानिकांना डेटामध्ये प्रवेश दिला गेला पाहिजे आणि तो कसा तयार केला जातो, वापरला जातो, निनावी ठेवला जातो आणि सामायिक केला जातो यावर प्रभाव टाकण्याची क्षमता दिली पाहिजे. उच्च-क्षमता आणि विशेष पार्श्व प्रवेशकर्ते आणि सल्लागारांची नियुक्ती आणि व्यवस्थापनासह मजबूत राज्य क्षमतेच्या दिशेने नोकरशाही सुधारणा, भारताच्या AI क्रांतीचे आयोजन करण्यासाठी प्रभावीपणे मनुष्यबळ एकत्रित करण्यासाठी महत्त्वपूर्ण आहे.

हे भारताच्या जागतिक एआय महत्त्वाकांक्षेशी कसे जोडले जाते?

आंतरराष्ट्रीय स्पर्धात्मकता, AI मध्ये पण अधिक पारंपारिक उद्योगांमध्ये, भारतीय लोकसंख्येमध्ये अंतर्निहित सर्व विशाल क्षमतांचा वापर करणे आवश्यक आहे. केंद्र आणि राज्य सरकारच्या योजनांच्या कामगिरीबद्दल विकेंद्रित प्रशासकीय डेटामध्ये खुला प्रवेश प्रदान करणे हे विशिष्ट योजनांचे परिणाम मूल्यमापन आणि व्यापक नावीन्य या दोन्हीसाठी चारा आहे.

आरोग्य आणि शिक्षणात भारताच्या सार्वजनिक गुंतवणुकीला फळ मिळण्यासाठी, आपल्या योजना किती चांगल्या प्रकारे कार्यरत आहेत आणि त्या कुठे अयशस्वी होत आहेत हे ठरवण्याचा मार्ग आपल्याकडे असणे आवश्यक आहे. अर्थमितीय सांख्यिकीय विश्लेषण आणि कार्यपद्धती जागतिक स्तरावर उल्लेखनीय गतीने प्रगती करत आहेत आणि ती तंत्रे भारतीय संदर्भात योजना कार्यप्रणाली, सार्वजनिक सेवा वितरण आणि त्याद्वारे भविष्यातील मानवी भांडवल सुधारण्यासाठी आणखी लागू करता येतील.

त्याच वेळी, नावीन्य अधिकाधिक डेटा-आधारित होत आहे, आणि त्याचा डेटा संशोधकांना सहज उपलब्ध करून देणे, तसेच त्याच्या अंतर्गत लोकसेवकांच्या क्षमतांना बळकट करणे हे भारताच्या हिताचे आहे. अतिरिक्त कर्मचाऱ्यांच्या संदर्भात क्षमता वाढवणे तसेच प्रशिक्षण आणि क्षमता वाढवणे हे केवळ व्यवस्थापनाच्या स्तरावर म्हणजे IAS अधिकाऱ्यांवरच नाही तर गट ब आणि गट क अधिकाऱ्यांच्या बाबतीतही घडले पाहिजे जे प्रत्यक्षात बरेच काम करतात, विकास अधिकारी आणि डेटा तयार करणारे आणि इनपुट करणारे फ्रंटलाइन कामगार यांना रोखण्यासाठी.

डेटा लोकॅलायझेशनसाठी आणि त्याद्वारे AI क्रांती, सरासरी भारतीयांना फायदा होण्यासाठी, विश्वसनीय डेटाचा उपयोग केवळ सार्वजनिक संस्थांनीच नव्हे तर भारताच्या विकासात योगदान देऊ पाहणाऱ्या विद्यार्थी, संशोधक, खाजगी क्षेत्रातील कंपन्या आणि नागरी समाज संस्थांनी देखील केला पाहिजे. हे अभिसरण केवळ तेव्हाच सुलभ केले जाऊ शकते जेव्हा व्यवहाराचा खर्च कमी केला जातो आणि इकोसिस्टम डेटा-चालित नवोपक्रमासाठी उघडते.

एआय इम्पॅक्ट समिटच्या माध्यमातून भारताने एआय-फॉरवर्ड भविष्यात आपला दावा स्पष्टपणे मांडला आहे. योग्य पायाभूत सुविधांसह, पुढील पराग अग्रवाल किंवा सुंदर पिचाई यांना त्यांचा वारसा तयार करण्यासाठी भारताबाहेर पाहावे लागणार नाही. स्वदेशी नवनिर्मितीद्वारे चालवलेल्या 5 ट्रिलियन-डॉलरच्या अर्थव्यवस्थेच्या दिशेने आमच्या महत्त्वाकांक्षा पूर्ण केल्या जाऊ शकतात—परंतु आमच्या सार्वजनिक संस्थांना वचनबद्ध समर्थनाची आवश्यकता आहे जेणेकरून आम्ही AI क्रांती केवळ बाजूला ठेवून पाहत नाही तर प्रत्यक्षात त्याचे नेतृत्व करत आहोत.

लेखक रॉकेट लर्निंगमध्ये राष्ट्रीय उपक्रम आणि धोरण आघाडीवर आहेत.

या लेखात व्यक्त केलेली मते लेखकाची आहेत आणि आठवड्याची मते किंवा दृश्ये प्रतिबिंबित करण्याचा हेतू नाही.