एआई नैतिकता एक अपवाद होने के आपके कानूनी अधिकार के लिए पूरे जोश के साथ लड़ रही है

वे कहते हैं कि हर नियम का अपवाद होता है।

हालांकि समस्या यह है कि कई बार स्थायी नियम बना रहता है और अपवाद को स्वीकार करने या स्वीकार करने के लिए बहुत कम या कोई अनुमति नहीं होती है। एक अपवाद सामने होने की प्रबल संभावना के बावजूद औसत-मामले का उपयोग किया जाता है। एक अपवाद को कोई एयरटाइम नहीं मिलता है। इस पर विधिवत विचार करने का अवसर नहीं मिलता।

मुझे यकीन है कि आपको पता होना चाहिए कि मैं किस बारे में बात कर रहा हूं।

क्या आपने कभी किसी प्रकार की व्यक्तिगत ग्राहक सेवा प्राप्त करने का प्रयास किया है जिससे आपके विशेष मामले और आपकी विशिष्ट आवश्यकताओं के लिए बिना किसी भेद के आपके साथ बिना सोचे-समझे व्यवहार किया गया?

यह निस्संदेह आपके साथ हुआ है, संभवतः अनगिनत बार।

मैं आपको एक परेशान करने वाली प्रवृत्ति के बारे में बताने जा रहा हूं जो इस बारे में उत्पन्न हो रही है कि कैसे आर्टिफिशियल इंटेलिजेंस (एआई) को हर चीज को एक आकार में फिट करने के लिए अथक रूप से तैयार किया जा रहा है जो सभी प्रतिमान फिट बैठता है।

अपवादों का या तो पता नहीं लगाया जाता है या उन्हें आकार से बाहर मोड़ने का विकल्प चुना जाता है जैसे कि वे अपवाद नहीं थे। इसके लिए स्टोकिंग आधार आंशिक रूप से मशीन लर्निंग (एमएल) और डीप लर्निंग (डीएल) के आगमन के कारण है। जैसा कि आप जल्द ही देखेंगे, एमएल / डीएल कम्प्यूटेशनल पैटर्न मिलान का एक रूप है, जिसे पसंद करना "आसान" है यदि आप अपवादों को अनदेखा या स्कर्ट करने के इच्छुक हैं तो विकसित और तैनात करना है। यह अत्यधिक समस्याग्रस्त है और एआई एथिक्स के बारे में उल्लेखनीय चिंताएं पैदा करता है। एआई एथिक्स और एथिकल एआई के मेरे समग्र चल रहे और व्यापक कवरेज के लिए, देखें यहाँ लिंक और यहाँ लिंक, कुछ लोगों का नाम बताने के लिए।

चीजें उस तरह से नहीं होनी चाहिए और कृपया जान लें कि यह उन लोगों द्वारा उकसाया जा रहा है जो अपने एआई मनगढ़ंत बातों के भीतर अपवादों को संभालने या अनदेखा करने का विकल्प चुनकर एआई बना रहे हैं और तैनात कर रहे हैं।

जब अपवाद नियम

आइए पहले अपवादों की प्राप्ति बनाम औसत-मामले की प्रकृति को अनपैक करें।

इस प्रकार के कुत्ते पालने का मेरा पसंदीदा उदाहरण या मायोपिक रूप से औसत-केस नो-अपवाद दृष्टिकोण प्रशंसित और अभी भी बेहद लोकप्रिय टीवी श्रृंखला के लगभग किसी भी एपिसोड द्वारा स्पष्ट रूप से प्रकाशित किया गया है जिसे जाना जाता है हाउस, एमडी (आमतौर पर सिर्फ के रूप में व्यक्त किया जाता है मकान, जो 2004 से 2012 तक चला और आज सोशल मीडिया और अन्य मीडिया आउटलेट्स पर देखा जा सकता है)। इस शो में डॉ. ग्रेगरी हाउस नाम का एक काल्पनिक चरित्र शामिल था, जो गंभीर, असहनीय और काफी अपरंपरागत था, फिर भी उन्हें एक चिकित्सा प्रतिभा के रूप में चित्रित किया गया था जो बीमारियों और बीमारियों के सबसे अस्पष्ट रूप को दूर कर सकता था। जरूरी नहीं कि दूसरे डॉक्टर और यहां तक ​​कि मरीज भी उसे पसंद करते हों, लेकिन उसने काम पूरा कर लिया।

यहां बताया गया है कि एक विशिष्ट एपिसोड कैसे खेला जाता है (जेनेरिक स्पॉइलर अलर्ट!)

एक मरीज उस अस्पताल में दिखाई देता है जहां डॉ. हाउस स्टाफ पर है। रोगी शुरू में कुछ सामान्य लक्षण पेश कर रहा है और कई अन्य चिकित्सक रोगी का निदान और इलाज करने की कोशिश कर रहे हैं। अजीब बात यह है कि रोगी की सहायता करने के प्रयास या तो प्रतिकूल परिस्थितियों में सुधार करने में विफल होते हैं या इससे भी बदतर स्थिति में उल्टा पड़ जाता है। रोगी और भी खराब हो जाता है।

क्योंकि रोगी को अब एक प्रकार की चिकित्सा जिज्ञासा के रूप में देखा जाता है, और चूंकि कोई और यह पता नहीं लगा सकता है कि रोगी क्या पीड़ित है, इसलिए डॉ हाउस को मामले में लाया जाता है। यह कई बार जानबूझ कर किया जाता है ताकि उसकी चिकित्सा क्षमता का दोहन किया जा सके, जबकि अन्य मामलों में वह मामले के बारे में सुनता है और उसकी सहज प्रवृत्ति उसे असामान्य परिस्थितियों की ओर खींचती है।

हमें धीरे-धीरे पता चलता है कि रोगी को कोई अत्यंत दुर्लभ बीमारी है। केवल डॉ हाउस और मेडिकल इंटर्न की उनकी टीम ही इसका पता लगा सकती है।

अब जबकि मैंने आपके साथ एपिसोड का मुख्य आधार साझा किया है, आइए सीखे गए पाठों पर ध्यान दें जो औसत-केस बनाम अपवादों की प्रकृति को दर्शाते हैं।

काल्पनिक कहानियों को यह दिखाने के लिए डिज़ाइन किया गया है कि कैसे बॉक्स के अंदर की सोच कभी-कभी निशान से चूक जाती है। अन्य सभी डॉक्टर जो पहले रोगी की सहायता करने का प्रयास कर रहे हैं, उनकी सोच प्रक्रियाओं में बादल छाए हुए हैं। वे लक्षणों को मजबूर करना चाहते हैं और पहलुओं को एक पारंपरिक चिकित्सा निदान में प्रस्तुत करना चाहते हैं। रोगी केवल उन कई लोगों में से एक है जिन्हें उन्होंने संभवतः पहले देखा है। रोगी की जांच करें और फिर वही उपचार और चिकित्सा समाधान निर्धारित करें जो उन्होंने अपने पूरे चिकित्सा करियर में बार-बार उपयोग किए हैं।

धोएं, कुल्ला करें, दोहराएं।

एक मायने में, आप इस दृष्टिकोण को सही ठहरा सकते हैं। संभावना है कि अधिकांश रोगियों को सबसे आम बीमारियां होंगी। दिन-ब-दिन, इन डॉक्टरों को एक ही चिकित्सा समस्याओं का सामना करना पड़ता है। आप यह सुझाव दे सकते हैं कि अस्पताल में प्रवेश करने वाले मरीज वास्तव में मेडिकल असेंबली लाइन पर हैं। हर एक अस्पताल के मानकीकृत प्रोटोकॉल के साथ बहता है जैसे कि वे एक निर्माण सुविधा या असेंबली प्लांट के हिस्से हों।

औसत मामला प्रबल होता है। यह न केवल आम तौर पर उपयुक्त है, बल्कि यह अस्पताल और चिकित्सा कर्मचारियों को अपनी चिकित्सा सेवाओं को तदनुसार अनुकूलित करने की अनुमति देता है। जब आप औसत मामले को संभालने के लिए चिकित्सा प्रक्रियाओं को तैयार करते हैं तो लागत कम हो सकती है। मेडिकल छात्रों के दिमाग में अक्सर एक बहुत प्रसिद्ध सलाह होती है, अर्थात् यदि आप गली से आने वाली खुर की आवाज़ें सुनते हैं, तो संभावना है कि आपको ज़ेबरा के बजाय घोड़े के बारे में सोचना चाहिए।

कुशल, उत्पादक, प्रभावी।

जब तक कोई अपवाद बीच में नहीं आ जाता।

हो सकता है कि चिड़ियाघर से एक ज़ेबरा भाग गया हो और आपकी गली में भटक गया हो।

क्या इसका मतलब यह है कि अपवादों को नियम होना चाहिए और हमें केवल अपवादों पर विशेष रूप से ध्यान केंद्रित करने के बजाय औसत-मामले के नियम को अलग रखना चाहिए?

आपको इस बात पर जोर देना होगा कि हमारे सभी दैनिक मुठभेड़ों और सेवाओं को औसत मामले के बजाय अपवादों पर केंद्रित किया जाना चाहिए।

ध्यान दें कि मैं ऐसा कोई सुझाव नहीं दे रहा हूं। मैं जो दावा कर रहा हूं वह यह है कि हमें यह सुनिश्चित करना चाहिए कि अपवादों को होने दिया जाए और अपवाद होने पर हमें पहचानने की जरूरत है। मैं इसका उल्लेख इसलिए करता हूं क्योंकि कुछ पंडित जोर-शोर से यह घोषणा करने के लिए उपयुक्त हैं कि यदि आप अपवादों को पहचानने के प्रस्तावक हैं तो आपको औसत-मामले के लिए तैयार होने का विरोध करना चाहिए।

यह एक झूठा द्वंद्व है।

इसके लिए गिर मत करो।

हम अपना केक ले सकते हैं और खा भी सकते हैं।

अपवाद होने के अधिकार के लिए मामला बनाना

मैं आगे शायद थोड़ा सा झटका दूंगा जो इस सब को एआई के बढ़ते उपयोग से संबंधित करता है।

एआई सिस्टम को औसत-मामले पर ध्यान केंद्रित करने के लिए तेजी से तैयार किया जा रहा है, अक्सर अपवादों को पहचानने के बहिष्करण या नुकसान के लिए।

आपको जानकर हैरानी होगी कि ऐसा हो रहा है। हम में से अधिकांश लोग यह मानेंगे कि चूंकि एआई कंप्यूटर ऑटोमेशन का एक रूप है, चीजों को स्वचालित करने की खूबी यह है कि आप आमतौर पर अपवादों को शामिल कर सकते हैं। यह आमतौर पर कम लागत पर किया जा सकता है यदि आप मानव श्रम का उपयोग समान सेवा करने के लिए कर रहे थे। मानव श्रम के साथ, सभी प्रकार के श्रम उपलब्ध होना महंगा या निषेधात्मक हो सकता है जो अपवादों से निपट सकता है। यदि आप यह मान सकते हैं कि आपके ग्राहक या ग्राहक सभी औसत-मामले के कैलिबर हैं तो चीजों को प्रबंधित करना और लागू करना बहुत आसान है। लेकिन कम्प्यूटरीकृत प्रणालियों के उपयोग से अपवादों को आसानी से समायोजित करने की अपेक्षा की जाती है। उस तरह से सोचने के लिए, हमें और अधिक कम्प्यूटरीकृत क्षमताओं के लिए सबसे आगे आने के लिए उत्साहित होना चाहिए।

इसे एक दिमागी मोड़ के रूप में देखें और इस परेशान करने वाले प्रश्न पर विचार करने के लिए कुछ समय निकालें: एआई जिसे अन्यथा स्वचालन का सबसे अच्छा माना जाता है, नियमित रूप से नियमित और असाधारण पथ पर चल रहा है जिसे विडंबना या अप्रत्याशित रूप से हमने कल्पना की थी कि बिल्कुल विपरीत दिशा में जा रहा होगा?

उत्तर: मशीन लर्निंग और डीप लर्निंग हमें एक असाधारण अस्तित्व में ले जा रहे हैं, हालांकि नहीं क्योंकि हमें अनिवार्य रूप से वह रास्ता अपनाना होगा (हम बेहतर कर सकते हैं)।

चलो इसे अनपैक करें।

मान लीजिए कि हम एआई को विकसित करने के लिए मशीन लर्निंग का उपयोग करने का निर्णय लेते हैं जिसका उपयोग चिकित्सा निदान का पता लगाने के लिए किया जाएगा। हम रोगियों और उनकी चिकित्सा परिस्थितियों के बारे में ऐतिहासिक डेटा का एक समूह एकत्र करते हैं। हमारे द्वारा स्थापित एमएल/डीएल एक कम्प्यूटेशनल पैटर्न मिलान करने की कोशिश करता है जो रोगियों के लक्षणों की जांच करेगा और उन लक्षणों से जुड़ी एक अपेक्षित बीमारी को प्रस्तुत करेगा।

फेड-इन डेटा के आधार पर, एमएल / डीएल गणितीय रूप से पता लगाता है कि नाक बहना, गले में खराश, सिरदर्द और दर्द जैसे लक्षण आम सर्दी से जुड़े हैं। एक अस्पताल रोगियों की पूर्व-जांच करने के लिए इस एआई का उपयोग करने का विकल्प चुनता है। निश्चित रूप से, अस्पताल में पहली बार आने पर उन लक्षणों की रिपोर्ट करने वाले रोगियों को एक सामान्य सर्दी होने की संभावना के रूप में "निदान" किया जाता है।

गियर बदलते हुए, आइए इस सब में एक डॉ. हाउस प्रकार का ट्विस्ट जोड़ें।

एक मरीज अस्पताल आता है और एआई द्वारा उसका निदान किया जाता है। एआई इंगित करता है कि नाक बहने, गले में खराश और सिरदर्द के लक्षणों के आधार पर रोगी को सामान्य सर्दी लगती है। सामान्य सर्दी से निपटने के लिए रोगी को उचित नुस्खे और चिकित्सकीय सलाह दी जाती है। एआई को तैयार करते समय उपयोग किए जाने वाले औसत-केस दृष्टिकोण का यह हिस्सा और पार्सल है।

पता चलता है कि रोगी में ये लक्षण कई महीनों तक बने रहते हैं। दुर्लभ बीमारियों और आहार के विशेषज्ञ को पता चलता है कि ये वही लक्षण मस्तिष्कमेरु द्रव (सीएसएफ) के रिसाव के प्रतिबिंबित हो सकते हैं। विशेषज्ञ ऐसे लीक से संबंधित विभिन्न सर्जिकल प्रक्रियाओं के साथ रोगी का इलाज करता है। रोगी ठीक हो जाता है (वैसे, एक सीएसएफ रिसाव वाले रोगी के बारे में यह उल्लेखनीय कहानी जिसे शुरू में एक सामान्य सर्दी होने का निदान किया गया था, एक वास्तविक चिकित्सा मामले पर आधारित है)।

अब हम इस चिकित्सा गाथा में अपने कदम पीछे खींचेंगे।

एआई जो इनटेक प्री-स्क्रीनिंग कर रहा था, वह यह आकलन करने में सक्षम क्यों नहीं था कि रोगी को यह दुर्लभ बीमारी हो सकती है?

एक उत्तर यह है कि यदि एमएल/डीएल को क्राफ्ट करने के लिए उपयोग किए जाने वाले प्रशिक्षण डेटा में ऐसा कोई उदाहरण नहीं होता है, तो उसमें मिलान करने के लिए कम्प्यूटेशनल पैटर्न के लिए कुछ भी नहीं होगा। नियम के अपवादों को कवर करने वाले डेटा की अनुपस्थिति को देखते हुए, सामान्य नियम या औसत-मामले को ही बेदाग माना जाएगा और बिना किसी झिझक के लागू किया जाएगा।

एक और संभावना यह है कि ऐतिहासिक डेटा में इस दुर्लभ सीएसएफ रिसाव का एक उदाहरण कहा गया था, लेकिन यह केवल एक विशेष उदाहरण था और उस अर्थ में एक बाहरी था। शेष डेटा गणितीय रूप से निश्चित औसत-मामले के करीब था। तब सवाल उठता है कि तथाकथित बाहरी के बारे में क्या किया जाए।

कृपया ध्यान रखें कि इन आउटलेर्स से निपटना एक ऐसा मामला है जो इस बात से बेतहाशा भिन्न है कि एआई डेवलपर्स कैसे निर्धारित औसत-मामले के बाहर किसी चीज़ की उपस्थिति के साथ संघर्ष करने का निर्णय ले सकते हैं। कोई आवश्यक दृष्टिकोण नहीं है जो एआई डेवलपर्स को लेने के लिए मजबूर किया जाता है। यह एक वाइल्ड वेस्ट का एक सा है कि कोई भी एआई डेवलपर अपने एमएल/डीएल विकास प्रयासों के किसी भी अपवाद-बढ़ाने वाले उदाहरण में क्या कर सकता है।

यहाँ उन तरीकों की मेरी सूची है जो अक्सर ये अपवाद होते हैं अनुपयुक्त संभाला:

• अपवाद एक त्रुटि के रूप में माना जाता है
• अपवाद को अयोग्य माना गया
• अपवाद "आदर्श" में समायोज्य के रूप में माना जाता है
• अपवाद बिल्कुल नहीं देखा गया
• अपवाद देखा गया लेकिन संक्षेप में अनदेखा किया गया
• अपवाद देखा गया और फिर बाद में भुला दिया गया
• अपवाद देखा गया और दृश्य से छिपाया गया
• आदि

एक एआई डेवलपर यह तय कर सकता है कि दुर्लभता डेटा में एक त्रुटि से ज्यादा कुछ नहीं है। यह अजीब लग सकता है कि कोई भी इस तरह से सोचेगा, खासकर यदि आप इसे मानवीय बनाने की कोशिश करते हैं, उदाहरण के लिए यह कल्पना करना कि सीएसएफ रिसाव वाला रोगी वह एक उदाहरण है। हालांकि एक शक्तिशाली प्रलोभन है कि यदि आपके सभी आउट-ऑफ-संदर्भ डेटा मूल रूप से एक बात कहते हैं, शायद हजारों रिकॉर्डों से मिलकर और वे सभी एक औसत-मामले में परिवर्तित हो रहे हैं, तो डेटा के एक ऑडबॉल टुकड़े की घटना हो सकती है आसानी से (आलसी!) को एकमुश्त त्रुटि के रूप में माना जाना चाहिए। तब "त्रुटि" को एआई डेवलपर द्वारा त्याग दिया जा सकता है और एमएल / डीएल को किस पर प्रशिक्षित किया जा रहा है, इसके दायरे में नहीं माना जाता है।

एक अपवाद से निपटने का एक अन्य साधन यह तय करना होगा कि यह एक अयोग्य मामला है। एक दुर्लभ वस्तु से परेशान क्यों हैं जब आप शायद एक एमएल/डीएल को ऊपर और चलाने के लिए दौड़ रहे हैं? बाहरी को टॉस करें और आगे बढ़ें। जरूरी नहीं कि कोई विचार सड़क के नीचे के नतीजों की ओर जाए।

फिर भी एक अन्य दृष्टिकोण में अपवाद को औसत-मामले के बाकी परिवेश में मोड़ना शामिल है। एआई डेवलपर बाकी मानदंडों के भीतर फिट होने के लिए डेटा को संशोधित करता है। एक मौका यह भी है कि एआई डेवलपर यह नहीं देख सकता है कि अपवाद मौजूद है।

एमएल/डीएल रिपोर्ट कर सकता है कि अपवाद का पता चला था, जिसे तब एआई डेवलपर को एमएल/डीएल को निर्देश देना चाहिए था कि गणितीय रूप से कैसे निपटा जाए। एआई डेवलपर इसे टू-डू सूची में डाल सकता है और बाद में इसका मुकाबला करने के बारे में भूल सकता है या इसे अनदेखा करने का विकल्प चुन सकता है, और इसी तरह।

कुल मिलाकर, जब एआई की बात आती है तो अपवादों से निपटने का पता लगाना और समाधान बिना किसी विशेष रूप से निर्धारित या अनिवार्य रूप से संतुलित और तर्कपूर्ण दृष्टिकोण के होता है। अपवादों को अक्सर अयोग्य बहिष्कृत की तरह माना जाता है और औसत-मामला प्रचलित विजेता होता है। अपवादों से निपटना कठिन है, समय लेने वाला हो सकता है, इसके लिए एड्रोइट एआई विकास कौशल की आवश्यकता होती है, और अन्यथा चीजों को एक आकार के निफ्टी बोटी में सभी पैकेज में फिट करने की तुलना में परेशानी होती है।

कुछ हद तक, यही कारण है कि एआई एथिक्स और एथिकल एआई इतना महत्वपूर्ण विषय है। एआई नैतिकता के नियम हमें सतर्क रहने के लिए प्रेरित करते हैं। एआई प्रौद्योगिकीविद कभी-कभी प्रौद्योगिकी के साथ व्यस्त हो सकते हैं, विशेष रूप से उच्च तकनीक का अनुकूलन। जरूरी नहीं कि वे बड़े सामाजिक प्रभावों पर विचार कर रहे हों।

सामान्य रूप से एआई नैतिकता के नियमों को लागू करने के अलावा, एक समान प्रश्न है कि क्या हमारे पास एआई के विभिन्न उपयोगों को नियंत्रित करने के लिए कानून होना चाहिए। नए कानूनों को संघीय, राज्य और स्थानीय स्तरों पर बांधा जा रहा है जो इस बात से संबंधित हैं कि एआई को कैसे तैयार किया जाना चाहिए। ऐसे कानूनों का मसौदा तैयार करने और उन्हें अधिनियमित करने का प्रयास धीरे-धीरे किया जाता है।

अपवादों की भूमिका के बारे में इस विशेष चर्चा में एक उत्तेजक दृष्टिकोण आता है कि शायद अपवाद होने के साथ जुड़ा कानूनी अधिकार होना चाहिए। यह हो सकता है कि किसी के लिए वास्तविक मान्यता प्राप्त करने का एकमात्र व्यवहार्य साधन संभवतः एक अपवाद होने के कारण कानून के लंबे हाथ का उपयोग करना पड़ता है।

एक नए प्रकार का मानव अधिकार स्थापित करें।

अपवाद माने जाने का अधिकार।

इस प्रस्ताव पर विचार करें: "अपवाद होने के अधिकार का अर्थ यह नहीं है कि प्रत्येक व्यक्ति" is एक अपवाद लेकिन यह कि, जब कोई निर्णय निर्णय विषय को नुकसान पहुंचा सकता है, तो निर्णयकर्ता को इस संभावना पर विचार करना चाहिए कि विषय मई अपवाद हो। अपवाद होने के अधिकार में तीन तत्व शामिल हैं: नुकसान, वैयक्तिकरण, तथा अनिश्चितता. निर्णय निर्माता को केवल तभी नुकसान उठाना चाहिए जब उन्होंने विचार किया हो कि क्या निर्णय उचित रूप से व्यक्तिगत है और, महत्वपूर्ण रूप से, अनिश्चितता जो निर्णय के डेटा-संचालित घटक के साथ है। नुकसान का जोखिम जितना अधिक होगा, विचार उतना ही गंभीर होगा" (सारा सेन द्वारा, एक शोध पत्र में जिसका शीर्षक है डेटा संचालित निर्णय लेने में अपवाद होने का अधिकार, एमआईटी, 12 अप्रैल, 2022)।

आप यह मानने के लिए ललचा सकते हैं कि हमारे पास पहले से ही ऐसा अधिकार है।

जरूरी नही। शोध पत्र के अनुसार, अंतरराष्ट्रीय स्तर पर मान्यता प्राप्त मानव अधिकार के समान निकटतम होने की संभावना व्यक्तिगत गरिमा की हो सकती है। सिद्धांत रूप में, यह धारणा कि गरिमा की मान्यता होनी चाहिए जैसे कि एक व्यक्ति और उनकी विशिष्ट विशिष्टता को शामिल किया जाना चाहिए, आपको अपवाद के संभावित मानव अधिकार के बॉलपार्क के भीतर ले जाती है। एक परेशानी यह है कि गरिमा के दायरे को नियंत्रित करने वाले मौजूदा कानूनों को कुछ अस्पष्ट और अत्यधिक लचीला कहा जाता है, इस प्रकार अपवाद के अधिकार के विशिष्ट कानूनी निर्माण के लिए अच्छी तरह से ट्यून नहीं किया जाता है।

जो लोग एक नए अधिकार का समर्थन करते हैं जिसमें अपवाद होने का मानव अधिकार शामिल है, वे तर्क देंगे कि:

• ऐसा अधिकार कानूनी तौर पर एआई डेवलपर्स को अपवादों का स्पष्ट रूप से मुकाबला करने के लिए मजबूर करेगा
• अपवादों से निपटने के लिए AI बनाने वाली फर्म कानूनी तौर पर अधिक सक्षम होंगी
• एआई बेहतर संतुलित और समग्र रूप से अधिक मजबूत होने की संभावना है
• एआई का उपयोग करने वाले या एआई के अधीन रहने वालों की स्थिति बेहतर होगी
• जब AI अपवादों को समायोजित नहीं करता है, तो कानूनी सहारा आसानी से संभव होगा
• एआई के निर्माता भी बेहतर होंगे (उनका एआई उपयोगकर्ताओं की एक विस्तृत श्रृंखला को कवर करेगा)
• आदि

जो लोग एक अपवाद होने के मानव अधिकार के रूप में लेबल किए गए एक नए अधिकार का विरोध करते हैं, वे कहते हैं:

• मौजूदा मानवाधिकार और कानूनी अधिकार इसे पर्याप्त रूप से कवर करते हैं और मामलों को जटिल करने की कोई आवश्यकता नहीं है
• AI निर्माताओं के कंधों पर एक अनुचित बोझ डाला जाएगा
• एआई को तैयार करने के प्रयास महंगे हो जाएंगे और एआई प्रगति को धीमा कर देंगे
• झूठी उम्मीदें पैदा होंगी कि हर कोई मांग करेगा कि वे अपवाद हों
• अधिकार ही निस्संदेह अलग-अलग व्याख्याओं के अधीन होगा
• कानूनी मामलों के आसमान छूने पर सबसे अधिक लाभ पाने वाले कानूनी पेशे होंगे
• आदि

संक्षेप में, इस तरह के एक नए अधिकार का विरोध आमतौर पर यह तर्क दे रहा है कि यह एक शून्य-राशि का खेल है और अपवाद होने का कानूनी अधिकार लाभप्रद रूप से प्राप्त होने की तुलना में अधिक खर्च करने वाला है। जो लोग मानते हैं कि इस तरह के एक नए अधिकार की समझदारी से आवश्यकता है, वे इस बात पर जोर देने के लिए उपयुक्त हैं कि यह एक शून्य-राशि का खेल नहीं है और अंत में सभी को लाभ होता है, जिसमें एआई बनाने वाले और एआई का उपयोग करने वाले भी शामिल हैं।

आप सुनिश्चित हो सकते हैं कि एआई और अपवादों से जुड़े कानूनी, नैतिक और सामाजिक निहितार्थों वाली यह बहस जोरदार और लगातार चलने वाली है।

सेल्फ ड्राइविंग कार और अपवादों का महत्व

विचार करें कि यह स्वायत्त वाहनों और सेल्फ-ड्राइविंग कारों जैसे स्वायत्त प्रणालियों के संदर्भ में कैसे लागू होता है। स्व-ड्राइविंग कारों और स्वायत्त वाहनों के लिए एआई विकास की औसत-मामले की मानसिकता के बारे में पहले से ही विभिन्न आलोचनाएं हो चुकी हैं।

उदाहरण के लिए, सबसे पहले, बहुत कम सेल्फ-ड्राइविंग कार डिज़ाइनों में उन लोगों को समायोजित किया गया था जिनके पास किसी प्रकार की शारीरिक अक्षमता या हानि है। सवार की जरूरतों की पूरी श्रृंखला को अधिक व्यापक रूप से शामिल करने के लिए बहुत अधिक विचार नहीं किया जा रहा था। कुल मिलाकर, यह जागरूकता बढ़ी है, हालांकि अभी भी इस बारे में चिंता व्यक्त की जाती है कि क्या यह काफी दूर है और इसे व्यापक रूप से अपनाया जाना चाहिए।

औसत-मामले बनाम अपवाद का एक और उदाहरण कुछ ऐसा है जो आपको ऑफ-गार्ड पकड़ सकता है।

क्या आप तैयार हैं?

आज के कई AI ड्राइविंग सिस्टम और सेल्फ-ड्राइविंग कारों का डिज़ाइन और परिनियोजन एक मूक या अनकही धारणा बना देता है कि वयस्क सेल्फ-ड्राइविंग कार में सवार होंगे। हम जानते हैं कि जब एक मानव चालक पहिया पर होता है तो निश्चित रूप से वाहन में एक वयस्क होता है, परिभाषा के अनुसार आमतौर पर ड्राइव करने के लिए लाइसेंस प्राप्त करना एक वयस्क (अच्छी तरह से, या लगभग एक) होने पर आधारित होता है। सेल्फ-ड्राइविंग कारों के लिए जिनमें एआई ड्राइविंग का सारा काम कर रहा है, किसी वयस्क के उपस्थित होने की कोई आवश्यकता नहीं है।

मुद्दा यह है कि हम बच्चों को बिना किसी वयस्क उपस्थिति के कारों में सवारी कर सकते हैं, कम से कम यह पूरी तरह से स्वायत्त एआई-संचालित सेल्फ-ड्राइविंग कारों के मामले में संभव है। आप सेल्फ ड्राइविंग कार का उपयोग करके अपने बच्चों को सुबह स्कूल भेज सकते हैं। अपने बच्चों को लिफ्ट देने या राइडशेयरिंग सेवा के मानव चालक का उपयोग करने के बजाय, आप बस अपने बच्चों को सेल्फ-ड्राइविंग कार में ढेर कर सकते हैं और स्कूल ले जा सकते हैं।

जब बच्चों को सेल्फ-ड्राइविंग कारों में रखने की बात आती है तो सब कुछ अच्छा नहीं होता है।

चूंकि अब वाहन में वयस्क होने की आवश्यकता नहीं है, इसका तात्पर्य यह है कि बच्चे भी अब प्रभावित महसूस नहीं करेंगे या हम कहेंगे कि एक वयस्क की उपस्थिति से नियंत्रित होता है। क्या बच्चे पागल हो जाएंगे और सेल्फ-ड्राइविंग कारों के इंटीरियर को फाड़ देंगे? क्या बच्चे सेल्फ-ड्राइविंग कार की खिड़कियों पर चढ़ने या बाहर पहुँचने की कोशिश करेंगे? वे अन्य किस प्रकार की हरकतें कर सकते हैं, जिससे संभावित चोट और गंभीर नुकसान हो सकता है?

मैंने सेल्फ-ड्राइविंग कारों में अकेले सवारी करने वाले बच्चों के विचार के बारे में गरमागरम बहस को कवर किया है, देखें यहाँ लिंक. कुछ का कहना है कि इसकी अनुमति कभी नहीं दी जानी चाहिए। कुछ लोग कहते हैं कि यह अपरिहार्य है और हमें यह पता लगाने की आवश्यकता है कि इसे सर्वोत्तम तरीके से कैसे कार्यान्वित किया जाए।

निष्कर्ष

आइए औसत-मामले बनाम अपवाद के व्यापक विषय पर लौटते हैं।

हम सभी इस बात से सहमत प्रतीत होते हैं कि नियम में हमेशा कोई न कोई अपवाद होता है। एक बार कोई नियम बन जाने या उसकी पहचान हो जाने के बाद, हमें अपवादों की तलाश करनी चाहिए। जब हम अपवादों का सामना करते हैं, तो हमें यह सोचना चाहिए कि यह अपवाद किस नियम पर लागू होता है।

आज तैयार किए जा रहे एआई में से कई को नियम बनाने के लिए आकार दिया गया है, जबकि अपवादों से जुड़ी चुनौतियों को छोड़ दिया जाता है और उन्हें दूर कर दिया जाता है।

उन लोगों के लिए जो धूर्त होना पसंद करते हैं और कहते हैं कि इस नियम के अपवाद नहीं हैं कि नियम के हमेशा अपवाद होते हैं, मैं स्वीकार करूंगा कि यह व्यंग्यवाद एक मानसिक गूढ़ व्यक्ति लगता है। अर्थात्, हमारे पास एक नियम कैसे हो सकता है कि हमेशा अपवाद होते हैं, लेकिन फिर यह नियम इस नियम पर लागू नहीं होता है कि नियम के अपवाद हमेशा होते हैं?

अपना सिर घुमाता है।

सौभाग्य से, इन गंभीर मामलों को अत्यधिक जटिल बनाने की आवश्यकता नहीं है। हम उम्मीद कर सकते हैं कि हम उस आसान और महत्वपूर्ण नियम के साथ जी सकते हैं जिसे हमें देखना चाहिए और हर नियम के अपवादों को समायोजित करना चाहिए।

इससे चीजें सुलझ जाती हैं, तो चलिए अब इस पर काम करते हैं।