AI ও ডিজিটাল ডিভাইড — অ্যাক্সেস বৈষম্য
এই পাঠে যা শিখবেন
- AI-এর সুবিধায় অসম অ্যাক্সেসের তিনটি প্রধান উপাদান — কম্পিউট, ডেটা, দক্ষতা
- AI-এর ঝুঁকিতে অসম এক্সপোজার — কারা বেশি স্বয়ংক্রিয় সিদ্ধান্তের মুখোমুখি হন, কার recourse কম
- কেন এই দুই ধরনের বৈষম্য প্রায়ই একই গোষ্ঠীতে একসাথে ঘটে — একটি কাঠামোগত প্যাটার্ন
- Python দিয়ে একটি প্রকৃত অ্যাক্সেস-বনাম-ঝুঁকি স্কোরিং হিসাব
১ · সুবিধায় অসম অ্যাক্সেস
আধুনিক AI মডেল তৈরি ও উন্নত করতে তিনটি সম্পদ প্রয়োজন — প্রতিটিই অসমভাবে কেন্দ্রীভূত:
বড় মডেল প্রশিক্ষণে বিপুল পরিমাণ কম্পিউটেশনাল ক্ষমতা প্রয়োজন — এই অবকাঠামো তৈরি ও চালানোর খরচ বেশিরভাগ ছোট প্রতিষ্ঠান বা কম-সম্পদশালী অঞ্চলের সাধ্যের বাইরে থেকে যায়।
বেশিরভাগ বড় মডেল যে ভাষা/সাংস্কৃতিক প্রেক্ষাপটের ডেটায় সবচেয়ে বেশি প্রশিক্ষিত, সেই প্রেক্ষাপটেই সবচেয়ে ভালো পারফর্ম করে — কম-প্রতিনিধিত্বশীল ভাষা/সম্প্রদায়ের জন্য মডেলের মান তুলনামূলক কম থাকতে পারে (L09-এর ডেটা-বায়াস প্রশ্নের সাথেও সম্পর্কিত)।
AI তৈরি, মূল্যায়ন ও দায়িত্বশীলভাবে ডিপ্লয় করার বিশেষায়িত দক্ষতা এখনো তুলনামূলকভাবে অল্প কিছু বিশ্ববিদ্যালয়/প্রতিষ্ঠান/অঞ্চলে কেন্দ্রীভূত।
এই তিনটি সম্পদ একে অপরকে শক্তিশালী করে — বেশি কম্পিউট ও দক্ষতা থাকা প্রতিষ্ঠান আরও ভালো মডেল তৈরি করে, যা আরও বেশি রাজস্ব/বিনিয়োগ আকর্ষণ করে, যা আবার আরও বেশি কম্পিউট ও দক্ষতা কেনার সামর্থ্য দেয় — একটি স্ব-শক্তিশালীকরণ চক্র যা বিদ্যমান বৈষম্যকে আরও গভীর করতে পারে।
২ · ঝুঁকিতে অসম এক্সপোজার
একই সাথে ঘটে চলা একটি ভিন্ন, কিন্তু সম্পর্কিত বৈষম্য আছে — AI-এর ঝুঁকিতে এক্সপোজার। যেসব জনগোষ্ঠী ঐতিহাসিকভাবে সরকারি/আর্থিক প্রতিষ্ঠানের নজরদারির আওতায় বেশি থাকেন (যেমন সরকারি সহায়তা, ঋণ-আবেদন, বা আইন-প্রয়োগকারী সংস্থার স্ক্রিনিং প্রক্রিয়ায়), তারাই প্রায়ই সবার আগে স্বয়ংক্রিয় সিদ্ধান্ত-গ্রহণ ব্যবস্থার মুখোমুখি হন — অথচ তাদেরই আবার একটি ভুল বা অন্যায্য স্বয়ংক্রিয় সিদ্ধান্ত চ্যালেঞ্জ করার জন্য প্রয়োজনীয় আইনি সহায়তা, সময় বা তথ্যপ্রযুক্তি-সাক্ষরতা কম থাকতে পারে। এই চ্যালেঞ্জ-করার-সুযোগ, বা recourse, না থাকাটাই মূল সমস্যা — একটি ভুল সিদ্ধান্ত যাচাই বা উল্টে দেওয়ার বাস্তবসম্মত পথ না থাকলে, সিদ্ধান্তটি ভুল হোক বা ঠিক, তার প্রভাব কার্যত চূড়ান্ত হয়ে যায়।
৩ · একটি প্রকৃত অ্যাক্সেস-বনাম-ঝুঁকি স্কোরিং হিসাব
নিচের কোড সেলে তিনটি সম্পূর্ণ সিন্থেটিক, ইলাস্ট্রেটিভ গোষ্ঠী আছে — কোনো নির্দিষ্ট বাস্তব দেশ বা জনগোষ্ঠীর দাবি নয়। প্রতিটি গোষ্ঠীর জন্য একটি ওয়েটেড অ্যাক্সেস স্কোর (কম্পিউট, ডেটা প্রতিনিধিত্ব, দক্ষতা-ঘনত্ব, সংযোগ) এবং একটি ঝুঁকি-এক্সপোজার স্কোর (স্বয়ংক্রিয় সিদ্ধান্তের সম্মুখীন হওয়ার হার, ও recourse-এর অভাব) সত্যিই গণনা করা হয়েছে।
# তিনটি সম্পূর্ণ সিন্থেটিক, ইলাস্ট্রেটিভ গোষ্ঠী -- কোনো বাস্তব দেশ/জনগোষ্ঠীর পরিসংখ্যান নয়
# সব মান ০ (কম) থেকে ১ (বেশি) স্কেলে
groups = [
{
"name": "গ্রুপ ১ · উচ্চ কম্পিউট/ডেটা/দক্ষতা অ্যাক্সেস",
"compute_access": 0.90, "data_representation": 0.85,
"expertise_density": 0.90, "connectivity": 0.95,
"automated_decision_exposure": 0.30, "recourse_availability": 0.85,
},
{
"name": "গ্রুপ ২ · মধ্যম অ্যাক্সেস",
"compute_access": 0.50, "data_representation": 0.45,
"expertise_density": 0.40, "connectivity": 0.60,
"automated_decision_exposure": 0.55, "recourse_availability": 0.50,
},
{
"name": "গ্রুপ ৩ · নিম্ন কম্পিউট/ডেটা/দক্ষতা অ্যাক্সেস",
"compute_access": 0.15, "data_representation": 0.10,
"expertise_density": 0.10, "connectivity": 0.25,
"automated_decision_exposure": 0.75, "recourse_availability": 0.20,
},
]
ACCESS_WEIGHTS = {
"compute_access": 0.30, "data_representation": 0.30,
"expertise_density": 0.25, "connectivity": 0.15,
} # ওজনগুলোর যোগফল 1.0
def access_score(g):
return sum(g[field] * weight for field, weight in ACCESS_WEIGHTS.items())
def risk_exposure_score(g):
# স্বয়ংক্রিয় সিদ্ধান্তের সম্মুখীন হওয়ার হার যত বেশি, আর recourse যত কম -- ঝুঁকি তত বেশি
return g["automated_decision_exposure"] * (1 - g["recourse_availability"])
for g in groups:
g["access_score"] = access_score(g)
g["risk_score"] = risk_exposure_score(g)
for g in groups:
print(g["name"])
print(f" AI-সুবিধা অ্যাক্সেস স্কোর : {g['access_score']:.3f}")
print(f" ঝুঁকি-এক্সপোজার স্কোর : {g['risk_score']:.3f}")
print()"AI ন্যায্য কিনা" প্রশ্নটি শুধু একটি একক মডেলের আউটপুট পরীক্ষা করেই শেষ হয় না (M3-এর প্রশ্ন) — এর একটি বৃহত্তর, কাঠামোগত স্তরও আছে: কে AI তৈরি ও নিয়ন্ত্রণ করার সুযোগ পাচ্ছে, আর কে শুধু তার সিদ্ধান্তের বিষয়বস্তু হয়ে থাকছে, প্রতিরোধের সীমিত সুযোগ নিয়ে। M9-এ (L37, GDPR) স্বয়ংক্রিয় সিদ্ধান্ত সম্পর্কে ব্যাখ্যা পাওয়ার আইনি অধিকার নিয়ে বিস্তারিত আলোচনা আসছে — এই পাঠের recourse-এর প্রশ্নের একটি সম্ভাব্য প্রাতিষ্ঠানিক সমাধান।
ভাবনার প্রশ্ন
প্রতিটি প্রশ্ন নিজে কিছুক্ষণ ভাবুন — তারপর "→ উত্তর" চাপুন।
প্র ০১
উপরের কোডে access_score ও risk_score সম্পূর্ণ ভিন্ন ফিল্ড থেকে
গণনা করা হয়েছে, তবুও তারা বিপরীতমুখী কেন হলো — এটি কি কাকতালীয়?
কোডের মধ্যে এই সম্পর্কটি হার্ডকোড করা নেই — প্রতিটি গোষ্ঠীর জন্য ইনপুট মানগুলো (compute_access, automated_decision_exposure ইত্যাদি) ইচ্ছাকৃতভাবে এমনভাবে বেছে নেওয়া হয়েছে যা বাস্তব-জগতের একটি সুপরিচিত পর্যবেক্ষণকে প্রতিফলিত করে — যেসব গোষ্ঠীর প্রাতিষ্ঠানিক সম্পদ কম, তারা ঐতিহাসিকভাবে সরকারি/আর্থিক স্ক্রিনিং ব্যবস্থার সম্মুখীনও বেশি হন অথচ তা চ্যালেঞ্জ করার সংস্থানও কম থাকে। তাই গণনা "কাকতালীয়" নয় — এটি বাস্তব প্যাটার্নকে প্রতিফলিত করে এমন ইনপুট থেকে আসা একটি প্রকৃত ফল।
প্র ০২ একটি প্রতিষ্ঠান কীভাবে নিম্ন-অ্যাক্সেস গোষ্ঠীর recourse_availability বাড়ানোর দিকে কাজ করতে পারে, তাদের access_score না বাড়িয়েও (যেমন কম্পিউট/দক্ষতা তাৎক্ষণিকভাবে বাড়ানো সম্ভব না হলেও)?
কিছু সম্ভাব্য পদক্ষেপ — স্বয়ংক্রিয় সিদ্ধান্তের একটি সহজবোধ্য, স্থানীয় ভাষায় ব্যাখ্যা প্রদান করা বাধ্যতামূলক করা, একটি সহজ ও বিনামূল্যের আপিল প্রক্রিয়া তৈরি করা, এবং উচ্চ-স্টেক সিদ্ধান্তে মানুষের রিভিউয়ের একটি সুযোগ রাখা। এগুলো কম্পিউট/ডেটা অ্যাক্সেসের কাঠামোগত বৈষম্য সমাধান না করেই, স্বল্পমেয়াদে ঝুঁকি-এক্সপোজারের সবচেয়ে ক্ষতিকর অংশ (recourse-এর অভাব) কমাতে পারে।
প্র ০৩
উপরের কোডে গ্রুপ ৩-এর recourse_availability ০.২০ থেকে ০.৬০-এ বাড়ালে
risk_score কত হবে?
risk_score = automated_decision_exposure × (1 - recourse_availability) = 0.75 ×
(1 - 0.60) = 0.75 × 0.40 = 0.300 — আগের ০.৬০০ থেকে ঠিক অর্ধেক হয়ে যাবে। লক্ষণীয়,
automated_decision_exposure অপরিবর্তিত (০.৭৫) রেখেও শুধু recourse বাড়িয়ে ঝুঁকি
স্কোর উল্লেখযোগ্যভাবে কমানো সম্ভব — এটাই প্রশ্ন ০২-এর ব্যবহারিক পয়েন্টের একটি সংখ্যাভিত্তিক
প্রমাণ।
অনুশীলন
-
চিন্তা করুন: আপনার পরিচিত কোনো প্রেক্ষাপটে (দেশ, শহর, বা প্রতিষ্ঠান) AI-এর সুবিধা ও
ঝুঁকির এই দুই অক্ষে কোথায় অবস্থান করে বলে আপনার ধারণা?
এর কোনো একক সঠিক উত্তর নেই — লক্ষ্য হলো নিজের প্রেক্ষাপটকে এই দুই অক্ষে ভেঙে চিন্তা করার অভ্যাস তৈরি করা: "আমাদের এখানে AI-চালিত সিদ্ধান্ত (ঋণ, চাকরি, সরকারি সেবা) কতটা ব্যবহৃত হয়?" আর "সেই সিদ্ধান্ত ভুল হলে চ্যালেঞ্জ করার বাস্তব পথ কতটা সহজলভ্য?" — এই দুটি প্রশ্নের উত্তর প্রায়ই একসাথে চিন্তা করা দরকার।
-
পরীক্ষা করুন: উপরের কোড সেলে একটি চতুর্থ গোষ্ঠী যোগ করুন যার
compute_access=0.60,data_representation=0.60,expertise_density=0.60,connectivity=0.60,automated_decision_exposure=0.60,recourse_availability=0.60— অর্থাৎ সবকিছু "মাঝারি"। Run চেপে এর access_score ও risk_score কোথায় বসে দেখুন।access_score হবে
0.60×(0.30+0.30+0.25+0.15) = 0.60×1.00 = 0.600(সব ওজন যোগফল ১.০ বলে সহজেই), এবং risk_score হবে0.60×(1-0.60) = 0.60×0.40 = 0.240। access_score গ্রুপ ১ ও ২-এর মাঝামাঝি বসবে, কিন্তু risk_score আসলে গ্রুপ ২-এর (০.২৭৫) চেয়েও কিছুটা কম — কারণ risk_score একটি গুণফল, একটি সরল ওয়েটেড যোগফল নয়, তাই এটি ইনপুটের সাথে রৈখিকভাবে বাড়ে না।
আরও পড়ুন · ABCL TECH-এ আপনার পরবর্তী পদক্ষেপ
- পরবর্তী পাঠ: GDPR ও AI-তে ডেটা প্রোটেকশন L37 M9 শুরু — গভর্নেন্স ও রেগুলেশন, স্বয়ংক্রিয় সিদ্ধান্তে recourse-এর আইনি ভিত্তিসহ।
- L09 · বায়াস কোথা থেকে আসে সহোদর পাঠ ডেটা-প্রতিনিধিত্বের বৈষম্য এই পাঠের অ্যাক্সেস-বৈষম্যেরই একটি ঘনিষ্ঠ সম্পর্কিত দিক।
- কোর্সের সম্পূর্ণ সিলেবাস দেখুন ৫৭টি পাঠ M8 শেষ — এবার M9-এ গভর্নেন্স ও রেগুলেশন নিয়ে বিস্তারিত।
- সব Courses দেখুন ABCL TECH C, C++, Python, Java, JavaScript, DSA, Machine Learning, Deep Learning, System Design, Cybersecurity, Cloud Computing & DevOps, এবং আরও অনেক কোর্স — সব এক জায়গায়।