सेंट्रल बँक्स आपल्या कामकाजात सुधारणा करण्याची ‘एआय’ची क्षमता लक्षात घेऊन आणि तसे करताना निर्माण होणाऱ्या संभाव्य धोक्यांची जाणीव ठेवून ‘एआय’चा वापर सावधपणे करीत आहेत.
आर्टिफिशियल इंटेलिजन्सने (AI) जागतिक स्तरावर केलेली प्रगती उल्लेखनीय आहे. विविध महत्त्वाच्या क्षेत्रांमध्ये ‘AI’ने मुसंडी मारली आहे. विशेष नोंदवण्याजोगी गोष्ट म्हणजे, ‘AI’च्या अर्थक्षेत्रातील मिलाफामुळे या नव्या तंत्रज्ञानाच्या केंद्रीय बँकांच्या स्वीकारार्हतेसंबंधात विचार केला जात आहे. अर्थात, अशा प्रकारच्या संस्थांकडून सुरुवातीला स्वीकाराची तयारी नसल्याचे दिसून येते. मात्र, बारकाईने पाहिल्यास सध्याच्या घडामोडींतून ‘AI’चा विवेकाने अवलंब होत असल्याचे लक्षात येते.
‘AI’चा वापर जबाबदारीने केला, तर ते एक परिवर्तनकारी साधन बनू शकते, अशी केंद्रीय बँकांची भूमिका आहे. देखरेख आणि संशोधन यांसाठीच्या ‘AI’वर बँकांकडून भर देण्यात येत आहे. यातून त्यांचा तंत्रज्ञानाच्या प्रगतीशी जोडलेला सावध आणि व्यावहारिक दृष्टिकोन लक्षात येतो.
जागतिक पटलावर केंद्रीय बँका सक्रियपणे ‘AI’ चा प्रयोग करीत आहेत. या तंत्रज्ञानाची अंमलबजावणी करण्यात त्यांनी आघाडी घेतली नसली, तरी त्याचे फायदे स्पष्ट झाल्यावर ते टप्प्याटप्प्याने ‘AI’चा वापर करू लागतील. नव्या तंत्रज्ञानाच्या बाबतीत हीच सर्वसामान्य पद्धत असते. तंत्रज्ञानाचा जास्तीतजास्त वापर करायचा, पण सावधपणे. यातून आर्थिक स्थैर्यातील त्याची महत्त्वाची भूमिका प्रतिबिंबित होते. कोणत्याही प्रकारच्या अयोग्य कृतीचे नकारात्मक परिणाम होऊ शकतात, हे लक्षात घेतले जाते.
उदाहरणार्थ, ‘AI’च्या विकासात भारताची प्रगती लक्षणीय आहे. रिझर्व्ह बँकेकडून चलनविषयक धोरण, संशोधन आणि डेटा व्यवस्थापनात AI आणि मशिन लर्निंगचा अवलंब केला जातो. ‘AI टुल्स’मुळे बँकिंग सांख्यिकीत सुधारणा होते, अंदाजासाठी मशिन लर्निंगचा पारंपरिक पद्धतींशी मिलाफ केला जातो आणि ऑडिट रिपोर्टचे वर्गीकरण व नियामक विश्लेषणासाठी ‘नॅचरल लँग्वेज प्रोसेसिंग’ (एनएलपी) चा वापर केला जातो. रिझर्व्ह बँक संवाद प्रभावाच्या मूल्यांकनासाठी आणि खाद्यपदार्थांच्या ऑनलाइन किंमतीच्या माध्यमातून महागाईवर लक्ष ठेवण्यासाठी ‘मीडिया सेंटीमेंट’चा वापर करते.
‘AI टुल्स’मुळे बँकिंग सांख्यिकीत सुधारणा होते, अंदाजासाठी मशिन लर्निंगचा पारंपरिक पद्धतींशी मिलाफ केला जातो आणि ऑडिट रिपोर्टचे वर्गीकरण व नियामक विश्लेषणासाठी ‘नॅचरल लँग्वेज प्रोसेसिंग’ (एनएलपी) चा वापर केला जातो.
त्याचप्रमाणे युरोपीयन सेंट्रल बँक ॲथेना टूलचा वापर करण्यात आघाडीवर आहे. हे टूल वृत्तांच्या व बँकेच्या कागदपत्रांच्या विश्लेषणासाठी, कल जाणून घेण्यासाठी आणि डेटाची तुलना करण्यासाठी ‘एनएलपी’चा वापर करते. ॲथेनामुळे केवळ एका पर्यवेक्षी प्रक्रियेमध्ये पर्यवेक्षी क्षमतेत वाढ करून ५० लाखांपेक्षाही अधिक कागदपत्रांचे पुनरावलोकन करणे शक्य होते. कागदपत्रांच्या प्रकारांचे मूल्यांकन, विषयांच्या श्रेणीनुसार डेटाचे वर्गीकरण, ट्रेंडिंग विषयांची निवड, भावनांचे विश्लेषण आणि ‘एंटिटी रेकग्निशन’च्या माध्यमातून पर्यवेक्षित संस्थांच्या संदर्भांची जाण ठेवण्यासाठी मशिन लर्निंग मॉडेल्सची रचना केलेली असते.
याचप्रमाणे अमेरिकेच्या फेडरल रिझर्व्हने पेमेंट आणि वार्षिक ताण चाचण्यांमधून मोठ्या प्रमाणातील डेटाचे विश्लेषण करण्यासाठी ‘AI इन्क्युबेटर प्रोग्राम’ सुरू केला आहे. स्थानिक मालमत्ता नोंदींचे विश्लेषण करण्यासाठी ‘एनएलपी’सारखे छोटे पुढाकारही प्रगतीपथावर आहेत.
वर उल्लेखिलेल्या प्रकरणांमध्ये संशोधन विश्लेषणामध्ये आणि निर्णय प्रक्रियेऐवजी पर्यवेक्षणासारख्या काही गोष्टींमध्ये ‘AI’चा वापर करण्याकडे सध्या कल आहे. हा कल ‘AI’च्या अंमलबजावणीच्या सद्यस्थितीचे प्रतीक आहे. यावरून हे तंत्रज्ञान प्रमुख निर्णय प्रक्रियेत आणण्याबाबतचा सावध दृष्टिकोन प्रतिबिंबित होतो. ‘AI’चा आपल्या कामकाजात वापर करण्यासाठी जगभरातील केंद्रीय बँका सावध, पण व्यावहारिक दृष्टिकोनातून प्रयत्न करीत आहेत. या प्रयत्नांमध्ये या तंत्रज्ञानाच्या कार्यक्षमतेची प्रशंसा आहेच, शिवाय त्यातून येणाऱ्या धोक्यांबाबतची दक्षताही आहे. ‘AI’वरील अतिअवलंबनामुळे केंद्रीय बँकांना तंत्रज्ञानातील बिघाड किंवा त्रुटींशी सामना करावा लागू शकतो. त्यामुळे चलनविषयक धोरणाचे व्यवस्थापन आणि आर्थिक स्थैर्य प्रभावीपणे कायम ठेवण्यामध्ये त्यांच्या क्षमतेत अडथळे येऊ शकतात. या व्यतिरिक्त AI यंत्रणेतील गुंतागुंतीमुळे अनपेक्षित परिणामांनाही तोंड द्यावे लागू शकते. त्यामुळे आर्थिक बाजारपेठा आणि स्थैर्यामध्ये गोंधळ माजू शकतो. ही भूमिका कल्पकतेला वाव देण्याचा त्यांचा खुलेपणा आणि आर्थिक संरचनेत स्थैर्य आणि सुरक्षा कायम राखण्याची त्यांची वचनबद्धता या दोहोंचे दर्शन घडवते.
युरोपीयन केंद्रीय बँक ही या समतोल दृष्टिकोनाचे एक उदाहरण आहे. त्यांच्या ॲथेना या AI टूलची रचना मानवाला पर्याय निर्माण करण्याऐवजी प्रगती करण्याच्या दृष्टीने करण्यात आली आहे. युरोपीयन केंद्रीय बँक ‘मानवाला सर्व जाणीव’ असण्याच्या महत्त्वावर भर देते. पर्यवेक्षकांना AI-निर्मित डेटाचे विश्लेषण करणे, मूल्यांकन करणे आणि त्यावर अभिप्राय देणे ही कामे दिली जातात; तसेच कार्यक्षमता आणि मानवी निर्णय यांच्या मिलाफासाठी पुनरावृत्ती शिक्षण प्रक्रियेस चालना देण्याचेही काम नियुक्त केलेले असते.
‘AI’चा आपल्या कामकाजात वापर करण्यासाठी जगभरातील केंद्रीय बँका सावध, पण व्यावहारिक दृष्टिकोनातून प्रयत्न करीत आहेत. या प्रयत्नांमध्ये या तंत्रज्ञानाच्या कार्यक्षमतेची प्रशंसा आहेच, शिवाय त्यातून येणाऱ्या धोक्यांबाबतची दक्षताही आहे.
याच धर्तीवर ब्राझीलची केंद्रीय बँक सावधगिरी बाळगत पुढे जात आहे. बँकेला ‘AI’च्या क्षमतेच्या दुहेरी स्वरूपाची जाणीव आहे. एकीकडे लक्षणीय कार्यक्षमतेचे लाभ आणि दुसरीकडे विशेषतः आर्थिक फसवणुकीसंबंधीचे विवेकी धोके. AI मिलाफाच्या बारकाईने केलेल्या निरीक्षणाच्या माध्यमातून त्याचे धोके कमी करून जास्तीतजास्त लाभ मिळवण्याचे सावध धोरण अवलंबण्याचे उद्दिष्ट आहे.
केंद्रीय बँकिंग पद्धतीमध्ये ‘AI’च्या वापरामुळे नैतिक चिंताही निर्माण होतात. याचा परिणाम मानवी श्रम, डेटा खासगीपणा आणि निर्णय घेतानाचा पूर्वग्रह यांसारख्या गोष्टींवर होतो. पारंपरिकपणे केंद्रीय बँकांमधील नियामक आणि धोके व्यवस्थापनाची कामे व्यावसायिकांकडून केली जातात. मात्र, ‘ब्लॅकरॉक’सारख्या कंपन्यांकडून वापरल्या जाणाऱ्या ‘रेगटेक’सारख्या तंत्रज्ञान उपायांच्या आगमनाने अखेरीस AI या भूमिका निभावू शकते, असे सूचित होते. यामुळे रोजगाराच्या भविष्याबद्दल आणि अशा गंभीर बदलाच्या परिणामांबद्दल महत्त्वाचे नैतिक प्रश्न उपस्थित होऊ शकतात.
डेटा गोपनीयता ही एक प्रमुख चिंता आहे. शिकण्यासाठी आसुसलेल्या AI यंत्रणा व्यापक प्रशिक्षण डेटामधून माहिती मिळवत असतात. त्यात बरेचदा संवेदनशील माहितीचा समावेश असतो. यातील त्रासाची गोष्ट ही की, नष्ट केलेला डेटा किंवा सुरक्षित मानला गेलेला डेटा AI यंत्रणा रिकॉल करू शकतात किंवा उघडही करू शकतात. यामुळे केंद्रीय बँकेमध्ये अनवधानाने डेटा लीक होऊ शकतो. त्यामुळे गोपनीयतेचा भंग होऊ शकतो. त्याचप्रमाणे ‘जनरेटिव्ह AI’बरोबर एक धोकाही येत असतो. तो म्हणजे, कोणत्याही परवानगीशिवाय वैयक्तिक डेटाचा वापर, वर्तनाच्या प्रवृत्तीतून संबंधितांच्या माहितीत ढवळाढवळ आणि अशा प्रकारे खासगीपणाच्या हक्काचा भंग.
AI निर्णय प्रक्रियेतील पक्षपात हा आणखी एक गंभीर नैतिक संभ्रम निर्माण करतो. केंद्रीय बँकांच्या AI यंत्रणांना पक्षपाती डेटाचे प्रशिक्षण दिले, तर व्याज दर रचना, अस्तित्त्वातील पक्षपाती दृष्टिकोन कायम ठेवणे व चुकीचे निष्कर्ष काढणे यांसारखे अयोग्य अंदाज आणि धोरणात्मक निर्णय घेतले जाऊ शकतात. कर्ज देण्यासंबंधी निर्णय घेण्याच्या प्रक्रियेसाठी ‘AI’ला प्रशिक्षण देण्यासाठी पक्षपाती डेटाचा वापर केल्यास उपेक्षित समुदायाविरोधात परंपरागत भेदभाव कायम राहू शकतो. बड्या उमेदवारांना अनुकूलता किंवा विशिष्ट लोकांना लाल फितीत अडकवणे यांसारखे प्रकार घडत असतील म्हणजे प्रशिक्षणाठीच्या डेटातून जुना पक्षपाती दृष्टिकोन प्रतिबिंबित होत असेल, तर अशाच प्रकारचे पक्षपाती निर्णय़ घेण्याचे शिक्षण AI यंत्रणेला मिळेल.
‘जनरेटिव्ह AI’बरोबर एक धोकाही येत असतो. तो म्हणजे, कोणत्याही परवानगीशिवाय वैयक्तिक डेटाचा वापर, वर्तनाच्या प्रवृत्तीतून संबंधितांच्या माहितीत ढवळाढवळ आणि अशा प्रकारे खासगीपणाच्या हक्काचा भंग.
नैतिक गोष्टींची व्याप्ती सायबरसुरक्षेपर्यंत आहे. कारण या यंत्रणांचे हँकिंग होऊ शकते. याशिवाय पारदर्शीपणाचे आव्हानही आहेच. ‘AI’च्या माध्यमातून घेतलेले निर्णय लोकांना समजावून सांगणे मुळातच अवघड गोष्ट आहे. AI प्रशिक्षणासाठी ‘रिअल-वर्ल्ड डेटा’ऐवजी सिंथेटिक डेटावर अवलंबून राहिल्याने आणखी गुंतागुंत निर्माण होते आणि आर्थिक अंदाज चुकीचे लावले जाण्याची शक्यता वाढते.
एखाद्या केंद्रीय बँकेने ‘AI’चा अवलंब केला आणि अन्य केंद्रीय बँकांनी तसा केला नाही, तर आपोआपच स्पर्धा निर्माण करणारा हा काही ‘झिरो-सम’ खेळ (एकाचे नुकसान तो दुसऱ्याचा लाभ) नव्हे. स्पष्टपणे सांगायचे, तर जगभरातील केंद्रीय बँकांनी शक्य तितक्या लवकर ‘AI’चा वापर करावा, हे मत विवेकपूर्ण नाही. देशादेशांची आर्थिक स्थिती, सांस्कृतिक संदर्भ आणि नियामक वातावरण लक्षणीयरीत्या वेगळे आहेत, हे स्पष्टपणे दिसून येते. परिणामतः त्यांचे उपाय आणि AI उपक्रम दोन्हीही वेगवेगळे असतील.
केंद्रीय बँकांनी ‘AI’चा वापर केला, तर या फरकाची चांगली जाण त्यांना असणे अत्यंत आवश्यक आहे. देशादेशांच्या विशिष्ट गरजा आणि धोक्यांचे मूल्यमापन न करता ‘AI’च्या वापरात घाई केल्याने अनपेक्षित गुंतागुंत निर्माण होऊ शकते. त्यामुळे केंद्रीय बँकांनी जागतिक स्तरावरील उत्कृष्ट पद्धतींमधून आपापल्या देशाच्या वैयक्तिक संदर्भाचा काळजीपूर्वक विचार करावा आणि पुढील परिस्थितीचा वेध घेऊन त्यानुसार ‘AI’चा अवलंब करावा.
डेपा २.० (डेटा सक्षमीकरण आणि संरक्षण रचना) अंतर्गत गोपनीय कम्प्युटिंग रूम (सीसीआर) चा भारतातील प्रयोग ही एक लक्षवेधी घडामोड आहे. गोपनीयता आणि सुरक्षितता कायम राखण्यासाठी हार्डवेअर संरक्षित वातावरणाच्या माध्यमातून AI मॉडेल प्रशिक्षणासाठी संवेदनशील डेटाचे सुरक्षितपणे व्यवस्थापन करणे, हे या उपक्रमाचे उद्दिष्ट आहे. ‘डेपा’ची (डिपार्टमेंट इकनॉमिक अँड पॉलिसी ॲनालिसिस) २०२१ मध्ये स्थापना झाल्यापासून रिझर्व्ह बँकेच्या नेतृत्वाखाली त्याचा विस्तार झाला आणि त्यात बँका व फिंटेक कंपन्यांसारख्या ४१५ घटकांचा समावेश झाला. आपल्या परिणामकारकतेचे मूल्यांकन करण्यासाठी टसीसीआरटला कर्जदार, तंत्रज्ञान पुरवठादार आणि सॉफ्टवेअर व्हेंडर यांच्यासमवेत एकत्रित काम करण्याची इच्छा असते; तसेच आर्थिक स्थैर्याच्या व्यवस्थापनासाठी संभाव्य केंद्रीय बँका आपल्या कामकाजात ‘AI’चा वापर करण्यासारखे ठोस बदल करण्यात महत्त्वाची भूमिका बजावतात. अशा बदलांमुळे देशाच्या व्यापक अर्थव्यवस्थेत किंवा आर्थिक स्थैर्याला धोका पोहोचता कामा नये. आपल्या कामकाजात ‘AI’चा समावेश करण्याचा केंद्रीय बँकांचा सावध आणि विवेकी दृष्टिकोन कदाचित या धोक्यांबद्दल जागरूकता आणि आर्थिक प्रणालींमध्ये समतोल राखण्याची गरज दाखवून देतो.
आपल्या कामकाजात ‘AI’चा समावेश करण्याचा केंद्रीय बँकांचा सावध आणि विवेकी दृष्टिकोन कदाचित या धोक्यांबद्दल जागरूकता आणि आर्थिक प्रणालींमध्ये समतोल राखण्याची गरज दाखवून देतो.
केंद्रीय बँकांमध्ये ‘AI’च्या समावेशामुळे निर्माण होणाऱ्या धोक्यांचे प्रमाण निश्चित करणे, ही खरोखरच एक गुंतागुंतीची बाब आहे. आतापर्यंत पाहिलेल्या उदाहरणांनुसार, नैतिक गोष्टींचे प्रमाण लक्षणीय आहे, हे स्पष्ट आहे; परंतु वास्तव जगात या सैद्धांतिक चिंता कशा प्रकट होतील? केंद्रीय बँका विविध प्रकारची महत्त्वपूर्ण कामे करतात. हे उदाहरण पाहू, धोरणात्मक निर्णयांची माहिती देण्यासाठी आणि आर्थिक स्थिती जाणून घेण्यासाठी व्यापक संशोधन करण्यामध्ये त्या भूमिका बजावतात. या संदर्भात, ‘AI’चा कामकाजात वापर तुलनेने वादाचा विषय होऊ शकत नाही. ‘AI’चा उपयोग ‘सिम्युलेशन’साठी (मॉडेल्सचा वापर करून वास्तव जगातील ऑपरेशन्स किंवा सिस्टिमची प्रतिकृती बनवणे), वेगवेगळ्या स्थितीचे मॉडेल तयार करण्यासाठी आणि अनेक आर्थिक व वित्तीय स्थितींबाबतचे आपले आकलन वाढवण्यासाठी होऊ शकतो.
मात्र, महत्त्वाच्या कामांमध्ये ‘AI’ला एक उपाययोजना आणि निर्णय घेणारा ठरवले जाते, तेव्हा स्थिती नाट्यमयरीत्या बदलते. केंद्रीय बँका चलनवाढीच्या व्यवस्थापनासाठी, चलनाच्या स्थिरतेसाठी आणि शाश्वत आर्थिक वाढ साध्य करण्यासाठी अर्थ पुरवठा व व्याजदरावर नियंत्रण ठेवतात. चलनविषयक यंत्रणेत स्थैर्य आणि विश्वासाचे वातावरण कायम ठेवून देशाचे चलन जारी करणे व त्याचे नियमन करणे हे इतरांना नसलेले विशिष्ट अधिकारही केंद्रीय बँकांना असतात. यामुळे अशा ठिकाणी ‘AI’चा वापर अधिक वादग्रस्त ठरतो. ही कामे ‘AI’कडून स्वायत्तपणे केली जाण्याची कल्पना अस्वस्थ करू शकते; परंतु अशा निर्णयांमधील जटीलता आणि सूक्ष्मतेची जाणीव असणेही आवश्यक आहे. अशा प्रकारच्या निर्णयांमध्ये अंतर्भूत असलेली मानवी गुंतागुंत, ऐतिहासिक संदर्भ आणि नैतिक विचारांची सूक्ष्मता समजावून घेण्यास संगणकीय सामर्थ्य असलेला AI असमर्थ असतो. खरे तर, निर्णय प्रक्रियेत या घटकांचा वाटा अतिशय मोठा असतो. त्यात जराशीही चूक झाली, तर संपूर्ण अर्थव्यवस्थेवरच त्याचा परिणाम होऊ शकतो. त्यामुळे वाद केवळ कार्यक्षमता किंवा कल्पकतेसंबंधातील नाहीत, तर ते आपल्या आर्थिक पद्धतींवर नियंत्रण ठेवणारी मूलभूत तत्त्वे आणि मानवी बुद्धी व निर्णयक्षमतेचा अभाव असलेल्या अल्गोरिदमवर सोपवण्याच्या संभाव्य धोक्यांबद्दल आहेत.
थोडक्यात सांगायचे, तर AI हे एक परिवर्तनकारी साधन आहे आणि त्याचा जबाबदारीने वापर केल्यास आपल्या कामकाजात लक्षणीयरीत्या सुधारणा होऊ शकेल, अशी केंद्रीय बँकांची भूमिका आहे. संभाव्य नुकसान टाळण्यासाठी कठोर नियमन आणि पर्यवेक्षण आवश्यक आहे, याची बँकांना जाणीव आहे. अर्थव्यवस्थेची एकात्मता आणि स्थैर्याचे रक्षण करून मानवी कौशल्याला पूरक ठरेल, अशा रीतीने ‘AI’चा अवलंब करून त्याचे लाभ मिळवायचे, हे बँकांचे उद्दिष्ट आहे. सध्या केंद्रीय बँकांच्या AI वापराचा भर पर्यवेक्षण आणि संशोधनावर आहे. त्यातून तंत्रज्ञानाच्या सध्याच्या विकासात्मक पातळीशी जोडलेली आणि विश्वासार्हता कायम राखणारी सावध तरी व्यावहारिक भूमिका प्रत्ययास येते. युरोपीय महासंघाचा ‘ह्युमन इन द लूप’ दृष्टिकोन सद्यस्थिती लक्षात घेता न्याय्य वाटतो. मात्र, भविष्यात केंद्रीय बँकांमध्ये ‘AI’चा अवलंब होण्याबाबत अनिश्चितता आहे. ते तंत्रज्ञानाच्या प्रगतीवर आणि ‘AI’च्या क्षमतांवरील विश्वासावर अवलंबून आहे. जगभरातील केंद्रीय बँकांचे लक्ष उज्ज्वल भविष्यावर केंद्रित झाले आहे. त्यामुळे अशा प्रकारची नवी तंत्रज्ञाने उत्पादकता, रोजगार, संपत्ती आणि आर्थिक प्राप्ती यांवर कसा परिणाम करतील, हे समजावून घेण्याचा त्यांचा प्रयत्न आहे.
सौरदीप बाग हे ‘ऑब्झर्व्हर रीसर्च फाउंडेशन’च्या ‘सेंटर फॉर सिक्युरिटी, स्ट्रॅटेजी अँड टेक्नॉलॉजी’चे असोसिएट फेलो आहेत.
The views expressed above belong to the author(s). ORF research and analyses now available on Telegram! Click here to access our curated content — blogs, longforms and interviews.
Sauradeep is an Associate Fellow at the Centre for Security, Strategy, and Technology at the Observer Research Foundation. His experience spans the startup ecosystem, impact ...
Read More +
PREV
