નવી દિલ્હી, તા. ૧૬: માઇક્રોસોફ્ટના સીઈઓ સત્ય નડેલાએ તાજેતરમાં ટેકનોલોજીની દુનિયા સમક્ષ રજૂ કરેલો ‘રિવર્સ ઇન્ફર્મેશન પેરાડોક્સ’ (Reverse Information Paradox) હાલમાં ચર્ચાના કેન્દ્રમાં છે. નડેલાની ચિંતા અત્યંત ગંભીર અને વાસ્તવિક છે. કૃત્રિમ બુદ્ધિમત્તા (AI) ના આજના યુગમાં કંપનીઓ જે મોડેલ્સ અને ટૂલ્સનો ઉપયોગ કરવા માટે લાખો રૂપિયા ચૂકવે છે, તે વાસ્તવમાં પોતાના જ ડેટા, પ્રોમ્પ્ટ્સ અને સુધારાઓ દ્વારા તે સિસ્ટમોને વધુ સ્માર્ટ અને શક્તિશાળી બનાવી રહી છે. એટલે કે, ગ્રાહકનો પોતાનો ગુપ્ત ડેટા અને વ્યાપારી જ્ઞાન આડકતરી રીતે કોઈ ત્રીજી કંપની માટે તાલીમ મટિરિયલ (Training Data) બની રહ્યું છે.

આ એક મોટો બૌદ્ધિક સંપત્તિનો ખતરો છે. પરંતુ વિશ્લેષકોનું માનવું છે કે, આ જોખમથી ડરીને ડેટાનો પ્રવાહ રોકી દેવો કે ૪૦-૫૦ વર્ષ જૂના ‘એનાલોગ અર્થતંત્ર’ (જ્યાં ટાઇપરાઇટર, પેપર એટલાસ અને લાઇનર ટીવીનો જમાનો હતો) તરફ પાછા જવું એ બિલકુલ યોગ્ય ઉકેલ નથી.

એનાલોગ અર્થતંત્ર તરફ પીછેહઠ કેમ અશક્ય?
જો આપણે ટેકનોલોજી અને ડેટા શેરિંગથી સંપૂર્ણ અંતર બનાવી લઈશું, તો નવીનતાની ગતિ એકદમ થંભી જશે. ભૂતકાળમાં એનાલોગ જમાનાના ટાઇપરાઇટર બનાવતી કંપનીઓને ક્યારેય ખબર નહોતી પડતી કે ગ્રાહક તેનો ઉપયોગ કેવી રીતે કરે છે, કારણ કે ત્યારે કોઈ ફીડબેક કે ટેલિમેટ્રી સિસ્ટમ નહોતી. પરિણામે, નવું મોડેલ આવતા વર્ષો લાગતા હતા. આજે, સ્ટ્રીમિંગ એપ્લિકેશન્સ, સર્ચ એન્જિન અને ઓનલાઇન સ્ટોર્સ ગ્રાહકના ડેટા અને વર્તનથી સતત શીખીને જ સેકન્ડોમાં શ્રેષ્ઠ પરિણામો અને પર્સનલાઈઝ્ડ અનુભવ આપી શકે છે.

ડેટા શેરિંગ એ માત્ર એક ખર્ચ નથી, પરંતુ સામૂહિક બુદ્ધિમત્તા વધારવાનું એક મોટું રોકાણ પણ છે. ઉદાહરણ તરીકે, આજના એઆઈ (AI) મોડેલ્સને કારણે એક મધ્યમ કદની હોસ્પિટલ વિશ્વભરના મેડિકલ ડેટાના આધારે સચોટ નિદાન કરી શકે છે અને સામાન્ય કાનૂની પેઢીઓ પણ અદભૂત ડ્રાફ્ટિંગ સેકન્ડોમાં કરી શકે છે.

બંને વચ્ચે સુવર્ણ મધ્યમ માર્ગ શોધવો અનિવાર્ય
આ વિરોધાભાસનો ઉકેલ ટેકનોલોજીનો ત્યાગ કરવાને બદલે નવી સંસ્થાકીય પ્રથાઓ ઊભી કરવામાં છે. નડેલાએ પોતે આ માટે યોગ્ય દિશા બતાવી છે, જેમાં નીચેની બાબતો મહત્વપૂર્ણ છે:

 ખાનગી શિક્ષણ વાતાવરણ (Private Learning Environments): જ્યાં કંપનીનો ડેટા એન્ટરપ્રાઇઝની સીમાઓ બહાર ન જાય.
 સાર્વભૌમ AI ઇન્ફ્રાસ્ટ્રક્ચર: દરેક સંસ્થા પાસે પોતાના ડેટા અને મોડેલ પોર્ટેબિલિટી પર સંપૂર્ણ નિયંત્રણ હોવું જોઈએ.
 ગોપનીય કમ્પ્યુટિંગ અને ઓપન સોર્સ મોડેલ્સ: જે ડેટાની ગુપ્તતા જાળવીને પણ મોડેલને ટ્રેન કરી શકે.

જેમ ભૂતકાળમાં પેટન્ટ અને કોપીરાઇટના કાયદાઓએ બૌદ્ધિક સંપત્તિનું રક્ષણ કરીને ઔદ્યોગિક ક્રાંતિને વેગ આપ્યો હતો, તેવી જ રીતે આજના યુગમાં પણ નવી કાનૂની અને ટેકનોલોજીકલ મર્યાદાઓ બાંધવાની જરૂર છે. ભવિષ્ય એનાલોગ તરફ પાછા ફરવાનું નથી, પરંતુ ડેટાની સાર્વભૌમત્વ જાળવીને પણ સામૂહિક બુદ્ધિનો શ્રેષ્ઠ ઉપયોગ કરવાનું છે.