🎯 Advanced · पाठ 1

नैतिकता क्या है?

नैतिक दर्शन के तीन प्रमुख ढाँचे — और AI निर्णयों में उनका वास्तविक उपयोग।

क्या AI को अपनी नैतिकता चाहिए?

2018 में Amazon ने एक AI-आधारित भर्ती टूल को बंद कर दिया क्योंकि वह महिला आवेदकों के रिज्यूमे को लगातार नीचे रैंक कर रहा था। सिस्टम को पिछले 10 वर्षों के भर्ती डेटा पर प्रशिक्षित किया गया था — जिस दौरान तकनीकी क्षेत्र में पुरुषों का वर्चस्व था। परिणाम: AI ने पुराने पूर्वाग्रहों को नया रूप दे दिया। Amazon के इंजीनियरों ने समस्या पहचानी और 2017 में इसका उपयोग रोका, लेकिन यह घटना एक बड़ा प्रश्न छोड़ गई — क्या यह "गलत" था? और क्यों?

नैतिकता: तीन मुख्य ढाँचे

नैतिकता यह तय करने की प्रणाली है कि कोई कार्य सही है या गलत। Amazon के मामले में, इंजीनियरों ने "गलती" क्यों मानी? इसका जवाब इस बात पर निर्भर करता है कि आप किस नैतिक ढाँचे का उपयोग करते हैं।

परिणामवाद (Consequentialism): कोई भी कार्य उतना ही नैतिक है जितना उसके परिणाम अच्छे हों। Amazon का टूल महिला उम्मीदवारों को नुकसान पहुँचा रहा था — इसलिए परिणाम की दृष्टि से यह गलत था, चाहे डिज़ाइन की मंशा कुछ भी रही हो।

कर्तव्य नैतिकता (Deontology): कुछ कार्य अपने आप में गलत हैं, चाहे परिणाम कुछ भी हो। लिंग के आधार पर भेदभाव करना एक बुनियादी अनुचित कार्य है — भले ही कंपनी को फायदा हो।

सद्गुण नैतिकता (Virtue Ethics): एक नैतिक एजेंट वही करता है जो एक सज्जन व्यक्ति करता। एक उचित कंपनी ऐसी प्रणाली नहीं बनाती जो किसी समूह के साथ अन्याय करे।

AI में नैतिकता क्यों जटिल है?

परंपरागत नैतिकता में एक इंसान निर्णय लेता है और उसकी जिम्मेदारी स्पष्ट होती है। AI में यह जिम्मेदारी कई परतों में बँट जाती है: डेटा संग्राहक, मॉडल डिज़ाइनर, उत्पाद प्रबंधक, और अंततः कंपनी।

Amazon के मामले में, किसी ने जानबूझकर भेदभावपूर्ण सिस्टम नहीं बनाया। फिर भी परिणाम भेदभावपूर्ण था। यही AI नैतिकता की मूल चुनौती है — बुरे इरादे के बिना भी बुरे परिणाम आ सकते हैं।

मुख्य सिद्धांत

AI नैतिकता केवल "बुरे लोगों" को रोकने के बारे में नहीं है। यह उन प्रणालियों को डिज़ाइन करने के बारे में है जो अच्छे इरादों के बावजूद होने वाले नुकसान को रोकें।

तीन ढाँचों की तुलना

परिणामवाद: अधिकतम लोगों के लिए अधिकतम भलाई — लेकिन अल्पसंख्यक को नुकसान हो सकता है।
कर्तव्य नैतिकता: कुछ अधिकार अटल हैं — लेकिन कठोर नियम जटिल परिस्थितियों में विफल हो सकते हैं।
सद्गुण नैतिकता: चरित्र और इरादे महत्वपूर्ण हैं — लेकिन "अच्छे चरित्र" की परिभाषा संस्कृति के अनुसार बदलती है।
व्यावहारिक दृष्टिकोण: असली AI निर्णयों में इन तीनों का संयोजन आवश्यक है।

📝 क्विज़ · पाठ 1

नैतिकता क्या है?

तीन प्रश्न — नैतिक ढाँचों पर आपकी समझ परखें।

1. Amazon के AI भर्ती टूल को किस कारण बंद किया गया?

✅ सही! Amazon का AI पिछले दशक के भर्ती डेटा पर प्रशिक्षित था जिसमें पुरुषों का वर्चस्व था, जिससे यह महिलाओं के रिज्यूमे को कम रैंक देता था।

❌ गलत। सिस्टम काम तो करता था, लेकिन पुराने लैंगिक पूर्वाग्रह को दोहरा रहा था, इसलिए इसे बंद किया गया।

2. "परिणामवाद" (Consequentialism) के अनुसार कोई कार्य नैतिक कब होता है?

✅ सही! परिणामवाद का मूल विचार है कि कार्य की नैतिकता उसके परिणामों से मापी जाती है।

❌ गलत। परिणामवाद में नियम या इरादे नहीं, बल्कि परिणाम महत्वपूर्ण होते हैं।

3. AI नैतिकता में जिम्मेदारी का "बँटवारा" किस समस्या को जन्म देता है?

✅ बिल्कुल सही! जब जिम्मेदारी कई लोगों में बँटती है, तो कोई भी पूरी जिम्मेदारी नहीं लेता — यही AI नैतिकता की सबसे बड़ी चुनौती है।

❌ गलत। मुख्य समस्या लागत नहीं, बल्कि नैतिक जवाबदेही का अभाव है।

🧪 लैब · पाठ 1

नैतिक ढाँचे लागू करें

AI के एक वास्तविक निर्णय पर तीनों नैतिक ढाँचों को लागू करके देखें।

लैब निर्देश

इस लैब में आप AI सहायक से चर्चा करेंगे कि Amazon जैसे वास्तविक मामले में परिणामवाद, कर्तव्य नैतिकता, और सद्गुण नैतिकता तीनों कैसे अलग-अलग निष्कर्ष देते हैं।

सुझाए गए प्रश्न: "क्या Amazon का AI टूल परिणामवाद की दृष्टि से गलत था? कर्तव्य नैतिकता के अनुसार क्या फर्क पड़ता?"

🤖 नैतिकता विश्लेषण सहायक पाठ 1 लैब

🎯 Advanced · पाठ 2

फैसला कौन करता है?

AI गवर्नेंस में सत्ता, हितधारक, और लोकतांत्रिक जवाबदेही।

AI के नियम किसे तय करने चाहिए?

2019 में San Francisco, अमेरिका, चेहरे की पहचान (facial recognition) तकनीक पर प्रतिबंध लगाने वाला पहला प्रमुख शहर बन गया। यह निर्णय नगर परिषद ने लिया — न कि पुलिस विभाग ने, न ही तकनीकी कंपनियों ने। इसके पीछे नागरिक समाज की वर्षों की पैरवी थी। इसी वर्ष, भारत में NCRB (National Crime Records Bureau) ने देशव्यापी Automated Facial Recognition System की योजना बनाई — बिना किसी सार्वजनिक परामर्श या संसदीय बहस के। दो देश, दो नीतियाँ, और एक ही सवाल: इस तकनीक का उपयोग करने का फैसला किसे करना चाहिए?

हितधारक कौन हैं?

AI नीति में "हितधारक" (stakeholder) वह व्यक्ति या समूह है जिस पर किसी AI निर्णय का प्रभाव पड़ता है। लेकिन AI गवर्नेंस की वास्तविकता यह है कि प्रभावित लोग अक्सर फैसले की प्रक्रिया से बाहर होते हैं।

San Francisco में चेहरे की पहचान पर प्रतिबंध के मामले में, EFF (Electronic Frontier Foundation) जैसे नागरिक अधिकार संगठनों ने वर्षों तक अभियान चलाया। उन्होंने शोध प्रस्तुत किया जो दिखाता था कि यह तकनीक काले अमेरिकियों और महिलाओं को गलत तरीके से पहचानती है।

सत्ता का प्रश्न

जो लोग AI बनाते हैं, वे जरूरी नहीं कि वही लोग हों जिन पर इसका प्रभाव सबसे अधिक पड़ता है। यही असंतुलन AI नैतिकता की केंद्रीय समस्या है।

गवर्नेंस के तीन मॉडल

सरकारी नियंत्रण: संसद/विधायिका नियम बनाती है — जैसे EU का AI Act (2024)। धीमा लेकिन लोकतांत्रिक।
उद्योग स्व-नियमन: कंपनियाँ अपने नियम खुद बनाती हैं — जैसे Google का AI Principles (2018)। तेज़ लेकिन कमज़ोर जवाबदेही।
नागरिक समाज का दबाव: NGO, पत्रकार, और आम नागरिक जनमत से बदलाव लाते हैं — जैसे San Francisco में हुआ।

भारत में AI गवर्नेंस का ढाँचा अभी विकसित हो रहा है। 2023 में भारत सरकार ने "Responsible AI for All" रिपोर्ट जारी की, लेकिन इसमें नागरिक भागीदारी सीमित रही। Digital Personal Data Protection Act 2023 पारित हुआ, लेकिन AI-विशिष्ट कानून अभी भी नहीं है।

लोकतांत्रिक AI: एक आदर्श

वास्तविक लोकतांत्रिक AI गवर्नेंस के लिए जरूरी है: प्रभावित समुदायों की भागीदारी, पारदर्शिता, स्वतंत्र ऑडिट, और निवारण तंत्र। San Francisco का उदाहरण दिखाता है कि नागरिक दबाव से बड़ी तकनीकी कंपनियों और सरकारों को भी रोका जा सकता है।

📝 क्विज़ · पाठ 2

फैसला कौन करता है?

AI गवर्नेंस और सत्ता पर तीन प्रश्न।

1. San Francisco ने 2019 में चेहरे की पहचान तकनीक पर प्रतिबंध क्यों लगाया?

✅ सही! EFF और अन्य संगठनों ने शोध के आधार पर नगर परिषद को इस निर्णय तक पहुँचाया।

❌ गलत। यह नागरिक समाज के लंबे अभियान का परिणाम था।

2. "उद्योग स्व-नियमन" मॉडल की मुख्य कमज़ोरी क्या है?

✅ सही! जब जज और आरोपी एक ही हों, तो न्याय की संभावना कम हो जाती है।

❌ गलत। स्व-नियमन की गति ठीक है, लेकिन इसकी जवाबदेही कमज़ोर होती है।

3. भारत में AI गवर्नेंस की वर्तमान स्थिति के बारे में कौन सा कथन सही है?

✅ सही! भारत का AI नियामक ढाँचा अभी विकसित हो रहा है।

❌ गलत। भारत में AI-विशिष्ट कानून अभी नहीं है।

🧪 लैब · पाठ 2

गवर्नेंस विश्लेषण

AI निर्णयों में सत्ता और भागीदारी के सवालों को गहराई से समझें।

लैब निर्देश

इस लैब में आप चर्चा करेंगे कि भारत में NCRB की Automated Facial Recognition System में किन समूहों की आवाज़ सुनी गई और किनकी नहीं।

सुझाए गए प्रश्न: "NCRB के Facial Recognition System में आम नागरिकों और अल्पसंख्यक समुदायों की भागीदारी क्यों जरूरी है?"

🤖 AI गवर्नेंस सहायक पाठ 2 लैब

🎯 Advanced · पाठ 3

असली नुकसान, असली लोग

दस्तावेज़ीकृत AI नुकसान — वर्गीकरण, कारण, और जिम्मेदारी।

जब AI असली लोगों को नुकसान पहुँचाए तो क्या होता है?

2020 में Robert Williams, एक अफ्रीकी-अमेरिकी व्यक्ति, को डेट्रॉइट पुलिस ने गलत तरीके से गिरफ्तार किया। कारण: एक चेहरे की पहचान करने वाले AI सिस्टम ने उन्हें एक चोरी के संदिग्ध के रूप में पहचाना — गलत तरीके से। Williams ने 30 घंटे हिरासत में बिताए। ACLU (American Civil Liberties Union) के शोध में पाया गया कि IBM और Microsoft के चेहरे की पहचान के सिस्टम काली महिलाओं के लिए 35% तक की त्रुटि दर रखते हैं, जबकि श्वेत पुरुषों के लिए यह 1% से भी कम है। यह एक दस्तावेज़ीकृत मामला है — और यह पहला नहीं था।

AI नुकसान का वर्गीकरण

AI नुकसान कई रूपों में आता है। इन्हें समझने के लिए शोधकर्ता इन्हें वर्गीकृत करते हैं:

आवंटन हानि (Allocative Harm): जब AI संसाधनों या अवसरों का असमान वितरण करता है — जैसे नौकरी, ऋण, या जमानत।
प्रतिनिधित्व हानि (Representational Harm): जब AI किसी समूह को गलत, अपमानजनक, या रूढ़िबद्ध तरीके से प्रस्तुत करता है।
गुणवत्ता-सेवा हानि (Quality-of-Service Harm): जब AI कुछ समूहों के लिए कम अच्छा प्रदर्शन करता है — जैसे चेहरे की पहचान में।
अंतर-समूह हानि (Interpersonal Harm): जब AI का उपयोग उत्पीड़न, स्टॉकिंग, या भेदभाव के लिए होता है।

नुकसान के कारण

Williams के मामले में AI का प्रशिक्षण डेटा ऐतिहासिक रूप से असंतुलित था। गहरे रंग की त्वचा पर एल्गोरिदम कम सटीक थे। लेकिन क्या यह केवल "तकनीकी" समस्या थी?

नहीं। पुलिस ने जानते हुए भी एक अविश्वसनीय सिस्टम का उपयोग किया। कोई भी अधिकारी ने एआई की पहचान को और सबूतों से सत्यापित नहीं किया। यह एक संस्थागत विफलता थी जिसमें AI एक हथियार बन गया।

महत्वपूर्ण अंतर

AI नुकसान केवल "बग" नहीं है। यह उन सामाजिक असमानताओं का प्रतिबिंब है जो डेटा में, संस्थाओं में, और निर्णय प्रक्रियाओं में पहले से मौजूद हैं।

भारत में AI नुकसान के उदाहरण

2021 में मुंबई पुलिस ने 2019 के दंगों के बाद AI-आधारित चेहरे की पहचान का उपयोग किया। Internet Freedom Foundation ने चेतावनी दी कि यह सिस्टम असंख्य लोगों को गलत तरीके से पहचान सकता है। NCRB के अपने स्वीकृति पत्र में 85% की सटीकता का लक्ष्य रखा गया था — जिसका अर्थ है कि 15% मामलों में यह गलत हो सकता है। 15% त्रुटि दर एक देशव्यापी पुलिस प्रणाली में लाखों गलत पहचानों के बराबर हो सकती है।

📝 क्विज़ · पाठ 3

असली नुकसान, असली लोग

AI नुकसान के प्रकार और वास्तविक मामलों पर प्रश्न।

1. Robert Williams को किस कारण गलत तरीके से गिरफ्तार किया गया?

✅ सही! यह अमेरिका में AI-आधारित गलत गिरफ्तारी का पहला दस्तावेज़ीकृत मामला था।

❌ गलत। यह AI की गलत पहचान का मामला था, न किसी मानवीय गवाह का।

2. "आवंटन हानि" (Allocative Harm) का सही उदाहरण कौन सा है?

✅ सही! आवंटन हानि तब होती है जब AI संसाधनों या अवसरों का असमान वितरण करता है।

❌ गलत। यह प्रतिनिधित्व हानि या गुणवत्ता-सेवा हानि का उदाहरण हो सकता है।

3. NCRB के AI सिस्टम की 15% त्रुटि दर के बारे में क्या चिंताजनक है?

✅ सही! पैमाने पर छोटी त्रुटि दर भी बड़ी संख्या में निर्दोष लोगों को प्रभावित कर सकती है।

❌ गलत। लागत या गति नहीं, बल्कि पैमाने पर त्रुटि की मात्रा चिंताजनक है।

🧪 लैब · पाठ 3

AI नुकसान की जाँच

वास्तविक मामलों में AI नुकसान के प्रकार पहचानें और विश्लेषण करें।

लैब निर्देश

इस लैब में आप Robert Williams के मामले और भारत के NCRB सिस्टम पर आधारित चर्चा करेंगे — किस प्रकार का नुकसान हुआ और इसके लिए कौन जिम्मेदार है।

सुझाए गए प्रश्न: "Williams के मामले में नुकसान केवल AI की गलती थी, या पुलिस की भी जिम्मेदारी थी?"

🤖 AI नुकसान विश्लेषक पाठ 3 लैब

🎯 Advanced · पाठ 4

ट्रॉली प्रॉब्लम, AI संस्करण

AI को ऐसे निर्णय कैसे लेने चाहिए जहाँ किसी भी विकल्प में नुकसान हो?

क्या मशीन नैतिक फ़ैसले ले सकती है?

2018 में Uber की स्वायत्त कार ने एरिज़ोना, अमेरिका में Elaine Herzberg को मारा — यह पैदल यात्री किसी स्वायत्त वाहन द्वारा मारे जाने वाली पहली व्यक्ति थीं। जाँच में पाया गया कि कार का AI सिस्टम "pedestrian crossing road" श्रेणी पर विचार नहीं कर रहा था। ऑपरेटर का ध्यान भटका हुआ था। Uber ने अपना सेल्फ-ड्राइविंग कार प्रोग्राम रोका। लेकिन इससे भी गहरा सवाल उठा: क्या एक स्वायत्त वाहन को यह प्रोग्राम करना चाहिए कि वह किसे बचाए — यात्री को या पैदल यात्री को?

MIT Moral Machine: वास्तविक डेटा

2018 में MIT के शोधकर्ताओं ने "Moral Machine" प्रयोग किया — 40 मिलियन से अधिक लोगों ने स्वायत्त वाहन परिदृश्यों में नैतिक विकल्प चुने। परिणाम चौंकाने वाले थे:

पश्चिमी देशों में लोग व्यक्तिगत स्वायत्तता को प्राथमिकता देते थे।
पूर्वी एशियाई देशों में सामूहिक भलाई को प्राथमिकता मिलती थी।
लगभग सभी संस्कृतियों में बच्चों को बुजुर्गों से अधिक बचाने की प्रवृत्ति थी।
अमीर दिखने वाले लोगों को गरीब दिखने वाले लोगों से अधिक बचाया जाता था — एक चिंताजनक पूर्वाग्रह।

AI ट्रॉली प्रॉब्लम के आयाम

क्लासिक ट्रॉली प्रॉब्लम में आप एक लीवर खींचकर एक की बजाय पाँच लोगों को बचाते हैं। AI स्वायत्त वाहन में यह वास्तविक हो जाती है — और इसमें कई नए आयाम जुड़ते हैं।

नैतिक एन्कोडिंग का प्रश्न: यदि हम AI को "5 की बजाय 1 को बचाओ" सिखाते हैं, तो हम एक इंजीनियरिंग निर्णय में एक दार्शनिक चुनाव छुपा रहे हैं। यह निर्णय किसका है?

जिम्मेदारी का सवाल: Herzberg की मौत के बाद, Uber पर आपराधिक आरोप नहीं लगे — क्योंकि यह "दुर्घटना" थी। लेकिन यदि AI को जानबूझकर एक को बचाकर दूसरे को मारने के लिए प्रोग्राम किया जाए, तो क्या यह मानव हत्या है?

असली चुनौती

अधिकांश शोधकर्ता अब इस निष्कर्ष पर हैं: स्वायत्त वाहनों को "किसे मारें" नहीं, बल्कि "दुर्घटना कैसे टालें" पर ध्यान देना चाहिए। लेकिन टालना संभव न हो — तब?

भारत के संदर्भ में

भारत में मिश्रित यातायात — दोपहिया वाहन, पैदल यात्री, मवेशी, ऑटो रिक्शा — के कारण स्वायत्त वाहनों के लिए "ट्रॉली प्रॉब्लम" पश्चिम की तुलना में कहीं अधिक जटिल है। भारतीय सड़क नियमों की अनिश्चितता और अप्रत्याशित परिस्थितियाँ इस चुनौती को कई गुना बढ़ा देती हैं।

📝 क्विज़ · पाठ 4

ट्रॉली प्रॉब्लम, AI संस्करण

AI के नैतिक व्यापार-विनिमय पर तीन प्रश्न।

1. Elaine Herzberg की मृत्यु की जाँच में Uber के AI सिस्टम में क्या कमी पाई गई?

✅ सही! सिस्टम पैदल यात्री को पहचानने के लिए उचित रूप से प्रशिक्षित नहीं था।

❌ गलत। जाँच में पाया गया कि AI का वर्गीकरण तंत्र अधूरा था।

2. MIT Moral Machine प्रयोग ने किस चिंताजनक पूर्वाग्रह का खुलासा किया?

✅ सही! यह सामाजिक-आर्थिक पूर्वाग्रह AI नीति-निर्माण में एक गंभीर समस्या है।

❌ गलत। सबसे चिंताजनक पूर्वाग्रह आर्थिक स्थिति पर आधारित था।

3. अधिकांश शोधकर्ता अब स्वायत्त वाहनों के लिए क्या मानते हैं?

✅ सही! नुकसान से बचाव को प्राथमिकता देना, नुकसान के आवंटन को नहीं — यह अधिक नैतिक दृष्टिकोण है।

❌ गलत। शोधकर्ता दुर्घटना की रोकथाम को अधिक महत्व देते हैं।

🧪 लैब · पाठ 4

स्वायत्त वाहन नैतिकता

AI ट्रॉली प्रॉब्लम के वास्तविक परिदृश्यों का विश्लेषण करें।

लैब निर्देश

इस लैब में आप भारतीय सड़क परिस्थितियों में स्वायत्त वाहनों की नैतिक चुनौतियों पर चर्चा करेंगे।

सुझाए गए प्रश्न: "भारत की मिश्रित यातायात स्थितियों में एक स्वायत्त वाहन को किस नैतिक ढाँचे का पालन करना चाहिए?"

🤖 AI नैतिकता सलाहकार पाठ 4 लैब

🎯 Advanced · पाठ 5

निष्पक्षता आसान नहीं

AI निष्पक्षता की परिभाषाएँ गणितीय रूप से एक साथ संभव नहीं हो सकतीं।

AI का सबके लिए न्यायपूर्ण होना असंभव क्यों है?

2016 में ProPublica ने COMPAS (Correctional Offender Management Profiling for Alternative Sanctions) एल्गोरिदम की जाँच की — यह अमेरिकी अदालतों में आपराधिक पुनरावृत्ति जोखिम का आकलन करता था। ProPublica ने पाया: काले प्रतिवादियों को उच्च जोखिम वाला बताने में AI दोगुना गलत था, जबकि श्वेत प्रतिवादियों के लिए यह कम जोखिम वाला गलत बताता था। Northpointe (COMPAS बनाने वाली कंपनी) ने कहा: "हमारा सिस्टम निष्पक्ष है — दोनों समूहों में calibration समान है।" दोनों सही थे — अपनी-अपनी परिभाषा से।

निष्पक्षता की परिभाषाएँ

COMPAS विवाद ने एक गणितीय सत्य उजागर किया जिसे "Impossibility Theorem" कहते हैं: निष्पक्षता की कुछ सामान्य परिभाषाएँ एक साथ पूरी नहीं हो सकतीं — जब तक आधार दर (base rate) दोनों समूहों में समान न हो।

Calibration (अंशांकन): यदि AI 70% जोखिम कहे, तो वास्तव में 70% मामलों में पुनरावृत्ति होनी चाहिए — दोनों समूहों में। Northpointe ने यही पूरा किया।
Equal False Positive Rate (समान गलत सकारात्मकता दर): दोनों समूहों में समान प्रतिशत निर्दोष लोगों को "उच्च जोखिम" नहीं बताया जाना चाहिए। ProPublica ने यही माँगा।
Equal False Negative Rate: दोनों समूहों में समान प्रतिशत वास्तविक अपराधियों को "कम जोखिम" नहीं बताया जाना चाहिए।

असंभवता का प्रमाण

2016 में Chouldechova और 2017 में Kleinberg et al. ने गणितीय रूप से सिद्ध किया: जब दो समूहों की base rate (वास्तविक पुनरावृत्ति दर) अलग हो — जो कि अमेरिका में ऐतिहासिक असमानताओं के कारण है — तो एक साथ calibration और equal false positive rate दोनों संभव नहीं हैं।

यह केवल तकनीकी समस्या नहीं है। यह सामाजिक असमानता का गणितीय प्रतिबिंब है। AI "निष्पक्षता" की माँग करना एक राजनीतिक और नैतिक चुनाव है, न केवल तकनीकी।

मूल प्रश्न

यदि आपको चुनना हो: क्या आप चाहेंगे कि AI कम निर्दोष लोगों को हानि पहुँचाए, या कम दोषियों को छोड़े? दोनों एक साथ नहीं हो सकते।

भारत में ऋण AI और निष्पक्षता

भारत में AI-आधारित क्रेडिट स्कोरिंग सिस्टम (जैसे कि कई fintech कंपनियाँ उपयोग करती हैं) भी इसी समस्या से ग्रस्त हो सकते हैं। यदि ऐतिहासिक रूप से दलित और आदिवासी समुदायों के पास कम संपत्ति है, तो AI प्रशिक्षण डेटा यह पूर्वाग्रह बनाए रखेगा — भले ही जाति को सीधे इनपुट न दिया जाए।

📝 क्विज़ · पाठ 5

निष्पक्षता आसान नहीं

COMPAS और AI निष्पक्षता के गणित पर तीन प्रश्न।

1. ProPublica ने COMPAS के बारे में क्या आरोप लगाया?

✅ सही! ProPublica ने पाया कि false positive rate (गलत उच्च जोखिम लेबल) काले प्रतिवादियों के लिए दोगुनी थी।

❌ गलत। ProPublica की मुख्य चिंता असमान false positive rate थी।

2. Northpointe ने COMPAS को "निष्पक्ष" क्यों कहा, जबकि ProPublica ने "अनुचित"?

✅ बिल्कुल सही! Northpointe calibration से संतुष्ट था; ProPublica equal false positive rate माँग रहा था।

❌ गलत। दोनों अपनी-अपनी परिभाषा के अनुसार सही थे — यही विरोधाभास का मूल है।

3. भारत में AI ऋण स्कोरिंग में जाति-आधारित पूर्वाग्रह कैसे आ सकता है?

✅ सही! "Proxy discrimination" — जाति का नाम नहीं, लेकिन जाति से जुड़े आर्थिक पैटर्न — पूर्वाग्रह पैदा करते हैं।

❌ गलत। जाति का सीधा उल्लेख न हो, फिर भी ऐतिहासिक असमानताएँ डेटा में दर्ज होती हैं।

🧪 लैब · पाठ 5

निष्पक्षता की परिभाषाएँ

COMPAS जैसे वास्तविक मामलों में निष्पक्षता के व्यापार-विनिमय का विश्लेषण करें।

लैब निर्देश

इस लैब में आप चर्चा करेंगे कि यदि आप एक AI न्याय प्रणाली डिज़ाइन कर रहे होते, तो आप कौन सी "निष्पक्षता" की परिभाषा चुनते और क्यों।

सुझाए गए प्रश्न: "यदि calibration और equal false positive rate एक साथ संभव नहीं हैं, तो न्याय प्रणाली में कौन सी प्राथमिकता होनी चाहिए?"

🤖 AI निष्पक्षता विशेषज्ञ पाठ 5 लैब

🎯 Advanced · पाठ 6

सहमति, स्वायत्तता और AI

क्या "I Agree" क्लिक करना वास्तविक सहमति है? और AI आपकी स्वायत्तता को कैसे प्रभावित करता है?

क्या आपने AI को अपना विश्लेषण करने की सहमति दी?

2014 में Facebook ने 689,003 उपयोगकर्ताओं पर एक गुप्त प्रयोग किया — बिना उन्हें बताए। Facebook ने इन उपयोगकर्ताओं के न्यूज़फीड में जानबूझकर सकारात्मक या नकारात्मक पोस्ट दिखाए ताकि उनकी भावनाओं पर असर देखा जा सके। जब यह 2014 में सामने आया, तो व्यापक आक्रोश हुआ। Facebook का तर्क था: उपयोगकर्ताओं ने Terms of Service में "research" के लिए सहमति दी थी। लेकिन क्या 15,000 शब्दों की शर्तों में दफन एक वाक्य "सूचित सहमति" (informed consent) है?

सूचित सहमति क्या होती है?

चिकित्सा अनुसंधान में "सूचित सहमति" के तीन तत्व होते हैं: स्पष्ट और समझने योग्य जानकारी, स्वेच्छा से भागीदारी, और बिना परिणाम के मना करने का अधिकार। Facebook का प्रयोग इनमें से कोई भी पूरा नहीं करता था।

डिजिटल युग में "consent fatigue" एक वास्तविक घटना है। शोध दिखाता है कि सभी Terms of Service पढ़ने में एक औसत अमेरिकी को 76 कार्य-दिवस प्रति वर्ष लगेंगे। यह प्रणाली उपयोगकर्ताओं को गुमराह करने के लिए डिज़ाइन की गई है — जानबूझकर।

भारत में स्थिति

Digital Personal Data Protection Act 2023 में "consent" के प्रावधान हैं, लेकिन "उचित रूप से सूचित" की परिभाषा अस्पष्ट रहती है। अधिकांश भारतीय ऐप्स अभी भी अस्पष्ट सहमति माँगते हैं।

AI और स्वायत्तता

स्वायत्तता (autonomy) का अर्थ है: अपने निर्णय स्वयं लेने की क्षमता। AI इसे तीन तरीकों से प्रभावित करता है:

Nudging (प्रेरणा): Netflix, YouTube, Instagram — एल्गोरिदम आपको कुछ देखने के लिए "प्रेरित" करते हैं। यह हेरफेर है या सहायता?
Filter Bubbles: Facebook और Google के एल्गोरिदम आपको वही दिखाते हैं जो आप पहले से मानते हैं — आपकी स्वायत्त जानकारी सीमित होती है।
Dark Patterns: जानबूझकर भ्रामक UI डिज़ाइन जो आपको ऐसी सहमति देने पर मजबूर करता है जो आप नहीं देना चाहते।

Cambridge Analytica और मतदाता हेरफेर

2016-2018 में Cambridge Analytica ने Facebook के 87 मिलियन उपयोगकर्ताओं का डेटा बिना उचित सहमति के लिया और इसका उपयोग 2016 के अमेरिकी चुनाव में मतदाताओं को लक्षित करने के लिए किया। यह स्वायत्तता का अंतिम उल्लंघन था — लोकतांत्रिक निर्णय लेने की प्रक्रिया में AI-आधारित हेरफेर।

📝 क्विज़ · पाठ 6

सहमति, स्वायत्तता और AI

डिजिटल सहमति और AI हेरफेर पर तीन प्रश्न।

1. Facebook के 2014 भावनात्मक प्रयोग में उपयोगकर्ताओं की सहमति के बारे में क्या सत्य था?

✅ सही! लंबी ToS में दफन "research" शब्द सूचित सहमति की कसौटी पूरी नहीं करता।

❌ गलत। Facebook ने ToS का सहारा लिया, लेकिन यह वास्तविक सूचित सहमति नहीं थी।

2. "Filter Bubble" से स्वायत्तता कैसे प्रभावित होती है?

✅ सही! जब आप केवल वही देखते हैं जो आप पहले से मानते हैं, तो स्वतंत्र सोच सिकुड़ जाती है।

❌ गलत। Filter Bubble का मुख्य प्रभाव सूचना तक पहुँच और विविधता पर होता है।

3. Cambridge Analytica मामला लोकतंत्र के लिए क्यों खतरनाक था?

✅ सही! यह मामला दिखाता है कि AI-आधारित हेरफेर लोकतांत्रिक प्रक्रिया को खतरे में डाल सकता है।

❌ गलत। Cambridge Analytica का मुख्य खतरा बिना सहमति के AI-आधारित मतदाता हेरफेर था।

🧪 लैब · पाठ 6

डिजिटल सहमति विश्लेषण

वास्तविक ऐप्स की सहमति प्रक्रियाओं का आलोचनात्मक मूल्यांकन करें।

लैब निर्देश

इस लैब में आप चर्चा करेंगे कि भारत में उपयोग होने वाले प्रमुख ऐप्स (जैसे WhatsApp, Flipkart, IRCTC) की सहमति प्रक्रियाएँ "सूचित सहमति" की कसौटी पर कितनी खरी उतरती हैं।

सुझाए गए प्रश्न: "WhatsApp की Privacy Policy की भाषा क्या एक औसत भारतीय उपयोगकर्ता के लिए वास्तविक 'सूचित सहमति' प्रदान करती है?"

🤖 डिजिटल अधिकार सहायक पाठ 6 लैब

🎯 Advanced · पाठ 7

व्हिसलब्लोअर और जवाबदेही

जब AI नुकसान पहुँचाता है तो कौन बोलता है — और उन्हें क्या कीमत चुकानी पड़ती है?

AI बनाने वालों पर नज़र कौन रखता है?

2021 में Facebook की पूर्व कर्मचारी Frances Haugen ने कांग्रेस और मीडिया को हज़ारों आंतरिक दस्तावेज़ लीक किए। इन्हें "Facebook Papers" कहा गया। दस्तावेज़ दिखाते थे: Facebook जानता था कि Instagram किशोरियों में अवसाद और शरीर-असंतोष बढ़ाता है; कंपनी ने जानबूझकर एल्गोरिदमिक बदलाव नहीं किए क्योंकि वे user engagement कम करते। Haugen ने कहा: "Facebook ने बार-बार सार्वजनिक हित के खिलाफ मुनाफे को चुना।" Facebook ने Haugen पर "भ्रामक" होने का आरोप लगाया। SEC ने Haugen के खिलाफ कोई कार्रवाई नहीं की।

AI जवाबदेही की ज़रूरत क्यों?

AI प्रणालियाँ अक्सर "ब्लैक बॉक्स" होती हैं — बाहर से इनके निर्णयों का कारण जानना लगभग असंभव होता है। जवाबदेही के लिए तीन तंत्र आवश्यक हैं: पारदर्शिता (transparency), स्पष्टीकरण क्षमता (explainability), और ऑडिट (audit)।

लेकिन जब कंपनियाँ ये तंत्र खुद नहीं अपनातीं, तो अक्सर केवल आंतरिक कर्मचारी ही नुकसान के साक्ष्य तक पहुँच सकते हैं।

AI क्षेत्र में प्रमुख व्हिसलब्लोअर

Timnit Gebru (Google, 2020): AI नैतिकता शोधकर्ता को Google ने एक पेपर रोकने के बाद बर्खास्त किया — पेपर बड़े भाषा मॉडलों के पर्यावरणीय और सामाजिक नुकसान पर था।
Margaret Mitchell (Google, 2021): Gebru के साथ काम करने वाली एक और शोधकर्ता को भी बर्खास्त किया गया।
Frances Haugen (Facebook, 2021): Instagram और एल्गोरिदमिक नुकसान के बारे में आंतरिक दस्तावेज़ लीक किए।
Blake Lemoine (Google, 2022): दावा किया कि LaMDA में चेतना हो सकती है — Google ने खारिज किया और उन्हें प्रशासनिक अवकाश पर भेजा।

भारत में व्हिसलब्लोअर सुरक्षा

भारत में Whistle Blowers Protection Act 2014 मौजूद है, लेकिन यह केवल सरकारी कर्मचारियों पर लागू होता है। निजी tech कंपनियों में AI नुकसान की रिपोर्ट करने वाले कर्मचारियों के लिए कोई विशेष सुरक्षा नहीं है। यह एक महत्वपूर्ण खाली जगह है जिसे भरना ज़रूरी है।

जवाबदेही का विरोधाभास

व्हिसलब्लोअर अक्सर उन लोगों द्वारा दंडित होते हैं जिन्होंने नुकसान पहुँचाया — और जो लोग नुकसान झेलते हैं, उनके पास आवाज़ उठाने के साधन नहीं होते।

📝 क्विज़ · पाठ 7

व्हिसलब्लोअर और जवाबदेही

AI में जवाबदेही और व्हिसलब्लोअर पर तीन प्रश्न।

1. Frances Haugen ने Facebook के बारे में क्या खुलासा किया?

✅ सही! "Facebook Papers" ने दिखाया कि कंपनी ने मुनाफे को सार्वजनिक नुकसान से ऊपर रखा।

❌ गलत। Haugen ने Instagram के किशोर मानसिक स्वास्थ्य पर प्रभाव और जानबूझकर की गई निष्क्रियता का खुलासा किया।

2. Timnit Gebru को Google से क्यों बर्खास्त किया गया?

✅ सही! Gebru का पेपर large language models के पर्यावरणीय और सामाजिक जोखिमों पर था — Google ने इसे रोका, जिससे उनका संघर्ष हुआ।

❌ गलत। यह एक शोध पेपर को सेंसर करने का मामला था।

3. भारत में निजी tech कंपनियों में AI व्हिसलब्लोअर की मुख्य समस्या क्या है?

✅ सही! निजी tech क्षेत्र में व्हिसलब्लोअर सुरक्षा का अभाव जवाबदेही की एक बड़ी खाई है।

❌ गलत। मुख्य समस्या कानूनी सुरक्षा का अभाव है।

🧪 लैब · पाठ 7

जवाबदेही तंत्र डिज़ाइन

AI व्हिसलब्लोअर की रक्षा के लिए नीति प्रस्ताव तैयार करें।

लैब निर्देश

इस लैब में आप Frances Haugen और Timnit Gebru जैसे मामलों के आधार पर चर्चा करेंगे — भारत में AI व्हिसलब्लोअर के लिए कैसी नीति बननी चाहिए?

सुझाए गए प्रश्न: "यदि कोई भारतीय tech कर्मचारी AI नुकसान के बारे में जानता है, तो उसके पास क्या विकल्प होने चाहिए और सरकार को क्या सुरक्षा देनी चाहिए?"

🤖 AI नीति सलाहकार पाठ 7 लैब

🎯 Advanced · पाठ 8

नैतिक AI बनाना

सिद्धांत से अभ्यास तक — AI नैतिकता को वास्तविक निर्माण प्रक्रिया में कैसे एकीकृत करें।

व्यवहार में नैतिक AI कैसे बनाया जाता है?

2018 में Google ने "AI Principles" प्रकाशित किए — जिसमें कहा गया कि Google ऐसे AI नहीं बनाएगा जो "हथियारों के रूप में उपयोग हों।" लेकिन उसी वर्ष Google के 3,000 से अधिक कर्मचारियों ने एक खुला पत्र लिखा: कंपनी "Project Maven" में शामिल थी — अमेरिकी सैन्य ड्रोन के लिए AI-आधारित इमेज एनालिसिस। कर्मचारियों के दबाव के बाद Google ने 2019 में यह अनुबंध नवीनीकृत नहीं किया। यह मामला दिखाता है: "AI Ethics principles" और वास्तविक निर्णय अक्सर अलग होते हैं — जब तक आंतरिक दबाव और बाहरी जवाबदेही एक साथ काम न करें।

नैतिक AI: सिद्धांत बनाम व्यवहार

2018-2022 के बीच 100 से अधिक बड़ी कंपनियों और सरकारों ने "AI Ethics Principles" प्रकाशित किए। फिर भी नुकसान जारी रहे। इसे "Ethics Washing" कहते हैं — नैतिक भाषा का उपयोग बिना नैतिक संरचना के।

वास्तविक नैतिक AI के लिए पाँच तत्व आवश्यक हैं जो केवल दस्तावेज़ों में नहीं, बल्कि प्रक्रियाओं में एकीकृत हों।

नैतिक AI के पाँच स्तंभ

1. Diverse Teams (विविध टीमें): अमेरिका और यूरोप में AI टीमों में 80% से अधिक श्वेत पुरुष होते हैं। भारत में भी जाति, लिंग, और क्षेत्रीय विविधता की कमी एक वास्तविक समस्या है। Amazon का भर्ती AI आंशिक रूप से इसलिए विफल हुआ क्योंकि टीम खुद विविध नहीं थी।
2. Impact Assessment (प्रभाव मूल्यांकन): EU AI Act के तहत "High-Risk AI" को तैनाती से पहले मानवाधिकार प्रभाव मूल्यांकन आवश्यक है। यह एक ठोस व्यावहारिक कदम है।
3. Red Teaming (रेड टीमिंग): Microsoft और Google अपने AI सिस्टम में जानबूझकर दोष ढूँढने के लिए "Red Teams" रखते हैं — ऐसे विशेषज्ञ जिनका काम सिस्टम को तोड़ने की कोशिश करना है।
4. External Audit (बाहरी ऑडिट): स्वतंत्र ऑडिट संस्थाएँ जो कंपनी से अलग हों। EU AI Act में यह अनिवार्य है।
5. Redress Mechanism (निवारण तंत्र): प्रभावित लोगों के लिए शिकायत और सुधार का रास्ता।

भारत में नैतिक AI का भविष्य

भारत 2025 तक AI के क्षेत्र में वैश्विक नेतृत्व का दावा करता है। "IndiaAI Mission" और "Responsible AI for All" नीति दस्तावेज़ मौजूद हैं। लेकिन NITI Aayog की 2021 की रिपोर्ट खुद स्वीकार करती है कि "सिद्धांत से कार्यान्वयन तक की खाई" अभी भी व्यापक है।

भारत में नैतिक AI के लिए सबसे बड़ी चुनौती है: विविध समुदायों की भागीदारी — जो न केवल शहरी, अंग्रेज़ी-भाषी, और उच्च-जाति की आवाज़ें हों, बल्कि देश की वास्तविक विविधता को प्रतिबिंबित करें।

अंतिम विचार

नैतिक AI एक मंजिल नहीं, एक प्रक्रिया है। यह तब बनती है जब तकनीकी निर्माता, नागरिक समाज, सरकार, और प्रभावित समुदाय एक साथ बैठकर ईमानदार बातचीत करते हैं।

📝 क्विज़ · पाठ 8

नैतिक AI बनाना

नैतिक AI के स्तंभों और वास्तविक मामलों पर तीन प्रश्न।

1. Google के "Project Maven" मामले में कर्मचारियों के विरोध का क्या परिणाम हुआ?

✅ सही! 3,000 कर्मचारियों के दबाव ने कंपनी के निर्णय को प्रभावित किया — यह नागरिक जवाबदेही का व्यावहारिक उदाहरण है।

❌ गलत। Google ने अनुबंध 2019 में नवीनीकृत नहीं किया — यह कर्मचारी दबाव का सीधा परिणाम था।

2. "Ethics Washing" किसे कहते हैं?

✅ सही! Ethics Washing तब होती है जब कंपनियाँ "AI Ethics" का मार्केटिंग लाभ उठाती हैं लेकिन वास्तविक बदलाव नहीं करतीं।

❌ गलत। Ethics Washing कागज़ी नैतिकता और व्यावहारिक अनैतिकता के बीच की खाई है।

3. भारत में नैतिक AI के लिए सबसे बड़ी चुनौती क्या है?

✅ सही! भारत की विविधता इसकी सबसे बड़ी ताकत है, लेकिन AI नीति में यह विविधता अभी पर्याप्त रूप से प्रतिनिधित नहीं है।

❌ गलत। तकनीकी विशेषज्ञता नहीं, बल्कि समावेशी भागीदारी मुख्य चुनौती है।

🧪 लैब · पाठ 8

नैतिक AI रोडमैप

एक वास्तविक AI प्रोजेक्ट के लिए नैतिक AI ढाँचा डिज़ाइन करें।

लैब निर्देश

इस लैब में आप एक काल्पनिक भारतीय सरकारी AI परियोजना (जैसे कि ग्रामीण ऋण वितरण का AI सिस्टम) के लिए पाँच नैतिक स्तंभों को कैसे लागू करें, इस पर चर्चा करेंगे।

सुझाए गए प्रश्न: "एक ग्रामीण ऋण वितरण AI के लिए Red Teaming और External Audit कैसे डिज़ाइन करेंगे ताकि दलित और आदिवासी किसानों के साथ अन्याय न हो?"

🤖 नैतिक AI डिज़ाइन सहायक पाठ 8 लैब

📋 मॉड्यूल परीक्षा

Module 8: AI Ethics & Real Decisions — 15 प्रश्न · सभी पाठों से

1. Amazon के AI भर्ती टूल में पूर्वाग्रह का मूल कारण क्या था?

✅ सही! ऐतिहासिक डेटा में निहित पूर्वाग्रह AI में पुनः उत्पन्न हो गया।

❌ गलत। मूल कारण ऐतिहासिक रूप से असंतुलित प्रशिक्षण डेटा था।

2. "सद्गुण नैतिकता" (Virtue Ethics) की मुख्य सीमा क्या है?

✅ सही! विभिन्न समाजों में "सज्जन व्यक्ति" की अवधारणा अलग-अलग है।

❌ गलत। सद्गुण नैतिकता की मुख्य चुनौती "अच्छे चरित्र" की सांस्कृतिक सापेक्षता है।

3. San Francisco में चेहरे की पहचान पर प्रतिबंध किसने सफल बनाया?

✅ सही! नागरिक समाज का संगठित दबाव तकनीकी नीति बदल सकता है।

❌ गलत। यह नागरिक समाज का सफल अभियान था।

4. Robert Williams की गलत गिरफ्तारी में AI की त्रुटि का मुख्य कारण क्या था?

✅ सही! ACLU शोध ने पाया कि काली महिलाओं के लिए त्रुटि दर 35% तक थी।

❌ गलत। यह AI के असंतुलित प्रशिक्षण डेटा की मूल समस्या थी।

5. MIT Moral Machine प्रयोग का मुख्य उद्देश्य क्या था?

✅ सही! 40 मिलियन प्रतिक्रियाओं ने दिखाया कि नैतिक प्राथमिकताएँ सांस्कृतिक रूप से भिन्न होती हैं।

❌ गलत। यह नैतिक प्राथमिकताओं की सांस्कृतिक विविधता का अध्ययन था।

6. COMPAS "Impossibility Theorem" के अनुसार निष्पक्षता की दो परिभाषाएँ एक साथ कब पूरी नहीं हो सकतीं?

✅ सही! यह गणितीय सत्य है — सामाजिक असमानता AI में नई प्रकार की दुविधाएँ पैदा करती है।

❌ गलत। असमान base rate ही वह गणितीय कारण है जो दोनों निष्पक्षता परिभाषाओं को एक साथ असंभव बनाता है।

7. Facebook के 2014 भावनात्मक प्रयोग में "सूचित सहमति" की क्या कमी थी?

✅ सही! "Consent fatigue" और अस्पष्ट ToS वास्तविक सूचित सहमति नहीं है।

❌ गलत। Facebook ने ToS का सहारा लिया, लेकिन यह सूचित सहमति की कसौटी पर खरा नहीं उतरता।

8. Timnit Gebru का शोध पेपर किस विषय पर था जिसे Google ने रोका?

✅ सही! उनके पेपर "Stochastic Parrots" ने LLMs की पर्यावरणीय लागत और सामाजिक पूर्वाग्रह पर सवाल उठाए थे।

❌ गलत। Gebru का पेपर large language models के व्यापक नुकसान पर था।

9. AI जवाबदेही के लिए "Red Teaming" क्या है?

✅ सही! Red Teaming सिस्टम को तैनाती से पहले "तोड़ने" की कोशिश करके कमज़ोरियाँ उजागर करता है।

❌ गलत। Red Teaming एक आंतरिक सुरक्षा परीक्षण प्रक्रिया है।

10. Cambridge Analytica मामले में Facebook डेटा का उपयोग कैसे किया गया?

✅ सही! यह लोकतांत्रिक प्रक्रिया में AI-आधारित हेरफेर का ऐतिहासिक उदाहरण है।

❌ गलत। Cambridge Analytica ने चुनावी हेरफेर के लिए इस डेटा का उपयोग किया।

11. EU का AI Act किस प्रकार के AI के लिए मानवाधिकार प्रभाव मूल्यांकन अनिवार्य करता है?

✅ सही! EU AI Act "High-Risk AI" जैसे भर्ती, ऋण, और आपराधिक न्याय AI को अतिरिक्त जाँच के अधीन रखता है।

❌ गलत। EU AI Act जोखिम-आधारित दृष्टिकोण अपनाता है — "High-Risk AI" पर सबसे कड़े नियम लागू होते हैं।

12. "Allocative Harm" और "Representational Harm" में क्या अंतर है?

✅ सही! दोनों AI नुकसान की अलग-अलग श्रेणियाँ हैं जिनके अलग-अलग समाधान की जरूरत है।

❌ गलत। इन दोनों की परिभाषाएँ और प्रभाव अलग-अलग हैं।

13. Google के Project Maven में कर्मचारी आंदोलन का क्या महत्व था?

✅ सही! 3,000 कर्मचारियों के सामूहिक विरोध ने एक बहुराष्ट्रीय कंपनी का निर्णय बदला।

❌ गलत। यह नागरिक जवाबदेही का एक सफल व्यावहारिक उदाहरण था।

14. Uber की स्वायत्त कार दुर्घटना (Elaine Herzberg, 2018) से AI नैतिकता के लिए क्या सबसे महत्वपूर्ण सवाल उठा?

✅ सही! AI दुर्घटनाओं में "distributed responsibility" — कंपनी, ऑपरेटर, और सिस्टम डिज़ाइनर — के बीच जिम्मेदारी का प्रश्न केंद्रीय है।

❌ गलत। सबसे महत्वपूर्ण प्रश्न नैतिक और कानूनी जिम्मेदारी का था।

15. भारत का Whistle Blowers Protection Act 2014 AI नैतिकता के संदर्भ में क्यों अपर्याप्त है?

✅ सही! निजी tech क्षेत्र में AI व्हिसलब्लोअर के लिए कानूनी सुरक्षा का अभाव एक महत्वपूर्ण खाई है।

❌ गलत। मुख्य समस्या इसका सीमित दायरा — केवल सरकारी क्षेत्र — है।