स्वचालन और रोजगार Automation and Employment

स्वचालन प्रौद्योगिकियों की एक विस्तृत श्रृंखला को संदर्भित करता है जो प्रक्रियाओं में मानवीय हस्तक्षेप को कम करता है।  इसमें औद्योगिक स्वचालन, व्यवसाय प्रक्रिया स्वचालन (बीपीए), आईटी स्वचालन और व्यक्तिगत अनुप्रयोग जैसे होम ऑटोमेशन और बहुत कुछ शामिल हैं।

औद्योगिक स्वचालन से तात्पर्य विनिर्माण प्रणालियों से है जो मानवीय भागीदारी के स्थान पर विभिन्न प्रक्रियाओं और मशीनरी को संभालती हैं।  ऐसी प्रणालियों द्वारा संचालित अधिकांश प्रक्रियाओं को दोहरावदार, यांत्रिक या दोनों के रूप में माना जाएगा।

औद्योगिक स्वचालन चार प्रकार के होते हैं:

1 निश्चित स्वचालन

2 प्रोग्रामयोग्य

3 लचीला स्वचालन

4 इंटररेटेड ऑटोमेशन

औद्योगिक स्वचालन / Industrial Automation

जैसे-जैसे हम नौकरियों को स्वचालित करने के तरीकों का आविष्कार करते हैं, हम लोगों के लिए अधिक जटिल भूमिकाएँ निभाने के लिए जगह बना सकते हैं, शारीरिक कार्य से संज्ञानात्मक श्रम की ओर बढ़ सकते हैं जो रणनीतिक और प्रशासनिक कार्य की विशेषता है।

एआई/एमएल सक्षम स्वचालन AI/ML Enabled Automation

कृत्रिम बुद्धिमत्ता और मशीन लर्निंग या एआई/एमएल ने इस प्रवृत्ति को बदल दिया है क्योंकि उन्होंने पारंपरिक रूप से मशीनों द्वारा प्रतिस्थापन से "सुरक्षित" माने जाने वाले क्षेत्रों में स्वचालन को सक्षम किया है।

परिचालन स्तर पर अधिकांश नौकरियाँ एआई/एमएल द्वारा ख़त्म होने के ख़तरे में होंगी।  उदाहरण के लिए ट्रकिंग को देखें - अगर अगले दशक में सेल्फ-ड्राइविंग ट्रक व्यापक रूप से उपलब्ध हो जाएं तो ट्रक ड्राइवरों का क्या होगा?

परिचालनात्मक नौकरियाँ - उदाहरण Operational Jobs - Examples

परिचालन संबंधी नौकरियों के अन्य उदाहरण हैं:

भविष्यवाणी में पूर्वाग्रह Bias in Prediction

कृत्रिम बुद्धिमत्ता और मशीन लर्निंग या एआई/एमएल एल्गोरिदम के बारे में दिलचस्प चीजों में से एक यह है कि वे दिए गए डेटा के साथ एक कंप्यूटर प्रोग्राम को प्रभावी ढंग से बढ़ाते हैं।

इसके कई लाभ हैं, लेकिन यह पूरे कंप्यूटिंग सिस्टम को अप्रत्याशित और संभावित रूप से हानिकारक तरीकों से पूर्वाग्रहित करने का जोखिम भी उठाता है।

में दो कारणों से एआई/एमएल सिस्टम में पूर्वाग्रहों का सामना करना पड़ता है:

 • डेवलपर्स बिना किसी सूचना के पक्षपातपूर्ण एआई/एमएल सिस्टम प्रोग्राम कर सकते हैं।

• एआई/एमएल एल्गोरिदम को प्रशिक्षित करने के लिए उपयोग किया जाने वाला ऐतिहासिक डेटा पूरी आबादी का निष्पक्ष प्रतिनिधित्व करने के लिए पर्याप्त नहीं हो सकता है।

 ये पूर्वाग्रह एआई/एमएल सिस्टम को निष्पक्ष निर्णय लेने से रोकते हैं।

एल्गोरिथम पूर्वाग्रह Algorithm Bias

उदाहरण के लिए, आपराधिक दंड से लेकर फोटोग्राफ कैप्शनिंग तक के क्षेत्रों में कुछ एल्गोरिथम पूर्वाग्रह की खोज की गई है।

ये पूर्वाग्रह न केवल उन निगमों के लिए शर्मनाक हैं जो इन दोषपूर्ण उत्पादों का उत्पादन करते हैं;  इन पूर्वाग्रहों के शिकार लोगों पर इनका ठोस नकारात्मक और हानिकारक प्रभाव पड़ता है।  पूर्वाग्रह इन उत्पादों का उपयोग करने वाले निगमों, सरकार और अन्य संस्थानों पर भी विश्वास कम कर सकता है।

एक नैतिक और जिम्मेदार कृत्रिम बुद्धिमत्ता और मशीन लर्निंग या एआई/एमएल प्रणाली बनाने के लिए पूर्वाग्रहों से छुटकारा पाना आवश्यक है।  हालाँकि कई मानवीय पूर्वाग्रहों के अस्तित्व और नए पूर्वाग्रहों की निरंतर पहचान के कारण एआई/एमएल सिस्टम में सभी पूर्वाग्रहों से छुटकारा पाना लगभग असंभव है, व्यवसाय उन्हें कम करने का लक्ष्य रख सकते हैं।

सर्वोत्तम प्रथाएं Best Practices 

कृत्रिम बुद्धिमत्ता और मशीन लर्निंग (एआई/एमएल) के संभावित नकारात्मक प्रभाव को कम करने के उद्देश्य से कई पहल और संगठन हैं।  इन नैतिक दुविधाओं से निपटने के लिए कुछ सर्वोत्तम अभ्यास चित्र 23 में प्रस्तुत किए गए हैं।

सर्वोत्तम प्रथाएँ - पारदर्शिता Best Practices - Transparency

आर्टिफिशियल इंटेलिजेंस और मशीन लर्निंग या एआई/एमएल सिस्टम का उपयोग वर्तमान में कई संवेदनशील क्षेत्रों में किया जाता है, जैसे सेल्फ-ड्राइविंग कारें और घातक स्वायत्त हथियार।  इन अनुप्रयोगों में कानूनों को तोड़ने और मानव अनुभव पर नकारात्मक प्रभाव डालने की क्षमता है।

उदाहरण के लिए, 2018 में, एक उबर सेल्फ-ड्राइविंग कार ने एक पैदल यात्री को टक्कर मार दी, जिसकी बाद में अस्पताल में मृत्यु हो गई।

यह महत्वपूर्ण है कि एआई/एमएल विकास पारदर्शी और सुलभ हो।  एआई/एमएल पारदर्शिता सुनिश्चित करने के लिए कुछ पहलें हैं:

• एआई/एमएल अनुसंधान का सार्वजनिक साझाकरण-भले ही यह निजी-लाभकारी कंपनियों में हो

• एआई/एमएल सिस्टम विकास में ओपन-सोर्स फ्रेमवर्क का उपयोग

सर्वोत्तम अभ्यास - व्याख्यात्मकता Best Practices - Explainability

AI डेवलपर्स और व्यवसायों को यह समझाने की आवश्यकता है कि उनके एल्गोरिदम उनकी भविष्यवाणियों पर कैसे पहुंचते हैं।  गलत भविष्यवाणियों से उत्पन्न होने वाले नैतिक मुद्दों पर काबू पाने के लिए यह बहुत महत्वपूर्ण है।

 विभिन्न तकनीकी दृष्टिकोण यह बता सकते हैं कि ये एल्गोरिदम इन निष्कर्षों तक कैसे पहुंचते हैं और किन कारकों ने किसी दिए गए निर्णय को प्रभावित किया है।  व्याख्यात्मकता प्राप्त करने के तरीकों में से एक व्याख्या योग्य एआई (एक्सएआई) है .explainable AI (XAI).

एक्सएआई बताता है कि मॉडल कैसे विशिष्ट निष्कर्ष निकालते हैं और एल्गोरिदम की ताकत और कमजोरियां क्या हैं।

XAI अल मॉडल की व्याख्या को विस्तृत करता है और मनुष्यों को उनके निर्णयों के कारणों को समझने में मदद करता है।

सर्वोत्तम प्रथाएँ - समावेशिता Best Practices - Inclusiveness

 कृत्रिम बुद्धिमत्ता (एआई) समुदाय में विविधता बढ़ाना मॉडल की गुणवत्ता में सुधार और पूर्वाग्रह को कम करने की कुंजी है।  समुदाय के भीतर विविधता बढ़ाने के लिए हार्वर्ड विश्वविद्यालय द्वारा समर्थित एएल और इंक्लूजन परियोजना एक पहल है।

सर्वोत्तम अभ्यास - संरेखण Best Practices - Alignment

कई देश, कंपनियां और विश्वविद्यालय कृत्रिम बुद्धिमत्ता और मशीन लर्निंग या एआई/एमएल सिस्टम का निर्माण कर रहे हैं।  हालाँकि, अधिकांश मामलों में, एआई/एमएल से संबंधित कोई कानूनी ढांचा नहीं अपनाया गया है।  कानूनी ढांचे का आधुनिकीकरण नैतिक एआई/एमएल विकास का मार्ग स्पष्ट करेगा।  अग्रणी कंपनियों को अपने उद्योगों के लिए स्पष्टता पैदा करने के लिए इन प्रयासों का नेतृत्व करना चाहिए।

अपनी प्रगति जांचें