যেহেতু ডেটা সায়েন্স আরও পরিশীলিত হয়ে ওঠে এবং ভোক্তারা ক্রমবর্ধমানভাবে আরও ব্যক্তিগতকৃত গ্রাহক অভিজ্ঞতার দাবি করে, তাই AI হল ব্যবসাগুলিকে তাদের গ্রাহক এবং শ্রোতাদের আরও ভালভাবে বুঝতে সাহায্য করার একটি হাতিয়ার৷ কিন্তু AI-তে বিশ্বের সমস্ত সম্ভাবনা থাকলেও, সেই পূর্ণ সম্ভাবনা কখনই উপলব্ধি করা যাবে না যদি আমরা স্থির থাকা নৈতিক চ্যালেঞ্জগুলিকে কীভাবে মোকাবেলা করতে পারি তা বুঝতে না পারি। এই প্রযুক্তিটি বিকশিত হওয়ার সাথে সাথে, একটি প্রশ্ন যা একটি AI কৌশল বাস্তবায়ন করতে চাওয়া সমস্ত নেতাদের মনে রাখা উচিত তা হল কীভাবে নৈতিক এবং দায়িত্বশীল পদ্ধতিতে এন্টারপ্রাইজের মধ্যে AI-এর ব্যবহার সর্বাধিক করা যায়। ঝুঁকি কমিয়ে, পক্ষপাত কমাতে এবং AI-কে মূল্যের দিকে চালিত করার সময় বিনিয়োগের উপর ইতিবাচক রিটার্ন প্রদান করে এমন AI সক্ষমতাগুলি বাস্তবায়ন এবং স্কেল করতে, সংস্থাগুলির চারটি নীতি অনুসরণ করা উচিত:
1. লক্ষ্য, উদ্দেশ্য এবং ঝুঁকি বোঝা
প্রায় সাত বছর আগে, একটি সংস্থা প্রকাশ করেছিল যাকে তারা "উদীয়মান প্রযুক্তির জন্য হাইপ সাইকেল" বলে অভিহিত করেছিল, যা পরবর্তী দশকে সমাজ এবং ব্যবসাকে পরিবর্তন করবে এমন প্রযুক্তিগুলির ভবিষ্যদ্বাণী করে৷ কৃত্রিম বুদ্ধিমত্তা এই প্রযুক্তিগুলির মধ্যে একটি। প্রতিবেদন প্রকাশের ফলে কোম্পানিগুলিকে বিশ্লেষক এবং বিনিয়োগকারীদের কাছে প্রমাণ করার জন্য ঝাঁকুনিতে প্ররোচিত করেছে যে তারা এআই-বুদ্ধিমান, এবং অনেকেই তাদের ব্যবসায়িক মডেলগুলিতে এআই কৌশল প্রয়োগ করতে শুরু করেছে। যাইহোক, কখনও কখনও এই কৌশলগুলি খারাপভাবে সম্পাদিত হতে প্রমাণিত হয় এবং শুধুমাত্র বিদ্যমান বিশ্লেষণাত্মক বা সংখ্যাসূচক লক্ষ্যগুলির জন্য একটি পরবর্তী চিন্তা হিসাবে ব্যবহার করা যেতে পারে। এর কারণ হল ব্যবসায়িক সমস্যা সম্পর্কে তাদের স্পষ্ট ধারণা নেই যে তারা সমাধানের জন্য AI খুঁজছে। কোম্পানি দ্বারা তৈরি করা AI এবং ML মডেলের মাত্র 10 শতাংশ বাস্তবায়িত হয়। প্রশ্নবিদ্ধ ব্যবসা এবং সমস্যা সমাধানের জন্য AI ব্যবহার করতে পারেন এমন ডেটা বিজ্ঞানীদের মধ্যে ঐতিহাসিক সংযোগ বিচ্ছিন্ন হওয়ার কারণে AI পিছিয়ে আছে। যাইহোক, ডেটা পরিপক্কতা বৃদ্ধির সাথে সাথে, কোম্পানিগুলি ডেটা অনুবাদককে বিভিন্ন মূল্য শৃঙ্খলে একীভূত করতে শুরু করেছে, যেমন বিপণন ব্যবসার ফলাফলগুলি আবিষ্কার এবং রূপান্তর করার প্রয়োজন। এই কারণেই একটি নৈতিক AI কৌশল বিকাশের মূল নীতি হল সমস্ত লক্ষ্য, উদ্দেশ্য এবং ঝুঁকিগুলি বোঝা এবং তারপর এন্টারপ্রাইজের মধ্যে AI-তে একটি বিকেন্দ্রীভূত পদ্ধতি তৈরি করা।
2. কুসংস্কার এবং বৈষম্য মোকাবেলা করা
বড় এবং ছোট ব্যবসাগুলি সুনামগত ক্ষতির সম্মুখীন হয়েছে এবং গ্রাহকরা তাদের বিশ্বাস করেন না কারণ পক্ষপাত দূর করার জন্য AI সমাধানগুলি কখনই সঠিকভাবে তৈরি করা হয়নি। সুতরাং এআই মডেল তৈরি করা ব্যবসাগুলিকে অবশ্যই তাদের সমাধানগুলি ক্ষতির কারণ না হওয়ার জন্য পূর্ব-উদ্দেশ্যমূলক ব্যবস্থা নিতে হবে। এটি করার উপায় হল অ্যালগরিদমের ভবিষ্যদ্বাণীগুলিতে কোনও নেতিবাচক প্রভাব রোধ করার জন্য একটি কাঠামো তৈরি করা৷ উদাহরণ স্বরূপ, যদি কোনো কোম্পানি সমীক্ষার মাধ্যমে গ্রাহকের অনুভূতিকে আরও ভালোভাবে বুঝতে চায়, যেমন একটি নিম্ন প্রতিনিধিত্বকারী সম্প্রদায় কীভাবে তাদের পরিষেবাগুলি উপলব্ধি করে, তারা এই গ্রাহক সমীক্ষাগুলি বিশ্লেষণ করতে ডেটা সায়েন্স ব্যবহার করতে পারে এবং স্বীকার করতে পারে যে কিছু প্রতিক্রিয়ার একটি শতাংশ ইংরেজি ছাড়া অন্য ভাষায় ছিল, একমাত্র ভাষা যা এআই অ্যালগরিদম সম্ভবত বুঝতে পারে। এই সমস্যাটি সমাধান করার জন্য, ডেটা বিজ্ঞানীরা শুধুমাত্র অ্যালগরিদম পরিবর্তন করতে পারে না, তবে ভাষার জটিল সূক্ষ্মতাগুলিও অন্তর্ভুক্ত করতে পারে। যদি তারা এই ভাষাগত সূক্ষ্মতাগুলি বুঝতে পারে এবং এই সিদ্ধান্তগুলিকে আরও কার্যকর করার জন্য আরও সাবলীল ভাষার সাথে AI-কে একত্রিত করতে পারে, তাহলে ব্যবসাগুলি তাদের গ্রাহক অভিজ্ঞতা উন্নত করার জন্য নিম্ন প্রতিনিধিত্বকারী সম্প্রদায়ের চাহিদাগুলি বুঝতে সক্ষম হবে।
3. মৌলিক ডেটার একটি সম্পূর্ণ পরিসর তৈরি করুন
AI অ্যালগরিদমগুলি বড় ডেটাসেটগুলি বিশ্লেষণ করতে সক্ষম, এবং ব্যবসাগুলিকে তাদের AI মডেলগুলির দ্বারা ব্যবহৃত এবং ইনজেস্ট করা ডেটা স্ট্যান্ডার্ডগুলির জন্য ফ্রেমওয়ার্কগুলিকে অগ্রাধিকার দেওয়া উচিত৷ AI সফলভাবে বাস্তবায়নের জন্য, একটি সামগ্রিক, স্বচ্ছ এবং সনাক্তযোগ্য ডেটাসেট অপরিহার্য। এআইকে অবশ্যই মানুষের হস্তক্ষেপের জন্য দায়ী করতে হবে। যেমন স্ল্যাং, সংক্ষিপ্ত রূপ, কোড শব্দ, এবং আরও অনেক শব্দ যা মানুষ ক্রমাগত বিবর্তনের ভিত্তিতে তৈরি করেছে, যার প্রতিটি উচ্চ প্রযুক্তিগত কৃত্রিম বুদ্ধিমত্তার অ্যালগরিদমগুলিকে ভুল করতে পারে। AI মডেলগুলি যেগুলি এই মানবিক সূক্ষ্মতাগুলি পরিচালনা করতে অক্ষম তাদের সামগ্রিক ডেটাসেটের অভাব রয়েছে। এটি একটি রিয়ারভিউ মিরর ছাড়া গাড়ি চালানোর চেষ্টা করার মতো, কিছু প্রয়োজনীয় তথ্য সহ, কিন্তু মূল অন্ধ দাগের অভাব। এআই মডেলগুলিকে এই জটিল পার্থক্যগুলি বোঝার জন্য ব্যবসাগুলিকে অবশ্যই ঐতিহাসিক ডেটা এবং মানুষের হস্তক্ষেপের মধ্যে একটি ভারসাম্য খুঁজে বের করতে হবে। স্ট্রাকচার্ড এবং আনস্ট্রাকচার্ড ডেটা এবং এআই-কে উভয়কেই চিনতে প্রশিক্ষণের সমন্বয় করে, একটি আরও ব্যাপক ডেটাসেট তৈরি করা যেতে পারে এবং ভবিষ্যদ্বাণীগুলির সঠিকতা উন্নত করা যেতে পারে। অধিকন্তু, ডেটাসেটের তৃতীয় পক্ষের অডিটিং পক্ষপাত ও অমিল থেকে মুক্ত একটি অতিরিক্ত সুবিধা হতে পারে।
4. অ্যালগরিদম উন্নয়নের "ব্ল্যাক বক্স" এড়িয়ে চলুন
দৃষ্টিভঙ্গি AI-কে নৈতিক হওয়ার জন্য, এটি সম্পূর্ণরূপে স্বচ্ছ হওয়া প্রয়োজন। একই সাথে স্বচ্ছ, ব্যাখ্যাযোগ্য এবং ব্যাখ্যাযোগ্য AI কৌশলগুলি বিকাশ করতে, অ্যালগরিদমের প্রতিটি নোড কীভাবে সিদ্ধান্ত নেয় এবং ফলাফল ব্যাখ্যা করে তা বোঝার জন্য কোম্পানিগুলিকে অবশ্যই কোডের "ব্ল্যাক বক্স" খুলতে হবে। যদিও এটি সহজ শোনায়, এটি অর্জনের জন্য একটি শক্তিশালী প্রযুক্তিগত কাঠামোর প্রয়োজন যা তৈরি করা বিভিন্ন উপ-পূর্বাভাস দেখানোর জন্য অন্তর্নিহিত কোডটি দেখে মডেল এবং অ্যালগরিদম আচরণকে ব্যাখ্যা করতে পারে। ব্যবসাগুলি একাধিক মাত্রা জুড়ে AI এবং ML মডেলগুলি মূল্যায়ন করতে ওপেন সোর্স ফ্রেমওয়ার্কের উপর নির্ভর করতে পারে, যার মধ্যে রয়েছে:
বৈশিষ্ট্য বিশ্লেষণ: বিদ্যমান মডেলগুলিতে নতুন বৈশিষ্ট্য প্রয়োগের প্রভাব মূল্যায়ন করতে
নোড বিশ্লেষণ: ভবিষ্যদ্বাণীগুলির একটি উপসেট ব্যাখ্যা করুন
স্থানীয় বিশ্লেষণ: ফলাফল উন্নত করতে পৃথক ভবিষ্যদ্বাণী এবং মিলিত বৈশিষ্ট্য ব্যাখ্যা করুন
●গ্লোবাল অ্যানালাইসিস: সামগ্রিক মডেল আচরণ এবং মূল বৈশিষ্ট্যগুলির একটি টপ-ডাউন পর্যালোচনা প্রদান করে। কৃত্রিম বুদ্ধিমত্তা হল একটি জটিল প্রযুক্তি যেখানে ব্যবসাগুলি সতর্ক না হলে অনেকগুলি সম্ভাব্য ত্রুটি রয়েছে৷
একটি সফল এআই মডেলের প্রথম দিন থেকেই নীতিশাস্ত্রকে অগ্রাধিকার দেওয়া উচিত, পরবর্তী চিন্তা নয়। সমস্ত শিল্প এবং ব্যবসা জুড়ে, AI এক-আকার-ফিট-সব নয়, তবে একটি সাধারণ সূচক যা সাফল্য অর্জন করতে হবে তা হল স্বচ্ছ এবং নিরপেক্ষ পূর্বাভাসের প্রতিশ্রুতি।