एआयच्या जगात प्रवेश: जागतिक प्रेक्षकांसाठी साधनांची निवड आणि नैतिक विचार

कृत्रिम बुद्धिमत्ता (एआय) जगभरातील उद्योगांमध्ये वेगाने बदल घडवत आहे, ज्यामुळे नवनिर्मिती आणि कार्यक्षमतेसाठी अभूतपूर्व संधी उपलब्ध होत आहेत. तथापि, एआयच्या वापरामुळे महत्त्वपूर्ण आव्हाने देखील निर्माण होतात, विशेषतः योग्य साधने निवडण्यात आणि नैतिक अंमलबजावणी सुनिश्चित करण्यात. हे मार्गदर्शक जागतिक प्रेक्षकांसाठी एआय साधनांची निवड आणि नैतिक विचारांचे सर्वसमावेशक विहंगावलोकन प्रदान करते, ज्याचा उद्देश व्यवसाय आणि व्यक्तींना एआयच्या जगात जबाबदारीने आणि प्रभावीपणे नेव्हिगेट करण्यासाठी आवश्यक ज्ञानाने सुसज्ज करणे आहे.

एआयच्या जगाला समजून घेणे

साधनांची निवड आणि नैतिक विचारांमध्ये जाण्यापूर्वी, एआयच्या जगाची व्याप्ती समजून घेणे महत्त्वाचे आहे. एआयमध्ये विविध प्रकारच्या तंत्रज्ञानाचा समावेश आहे, जसे की:

• मशीन लर्निंग (ML): अल्गोरिदम जे स्पष्ट प्रोग्रामिंगशिवाय डेटामधून शिकतात. यात पर्यवेक्षित शिक्षण (उदा. ग्राहक गळतीचा अंदाज), अपर्यवेक्षित शिक्षण (उदा. ग्राहक विभागणी), आणि मजबुतीकरण शिक्षण (उदा. रोबोट्सना प्रशिक्षण देणे) यांचा समावेश आहे.
• नैसर्गिक भाषा प्रक्रिया (NLP): संगणकांना मानवी भाषा समजून घेण्यास, त्याचा अर्थ लावण्यास आणि तयार करण्यास सक्षम करणे. अनुप्रयोगांमध्ये चॅटबॉट्स, भावना विश्लेषण आणि मशीन भाषांतर यांचा समावेश आहे.
• संगणक दृष्टी (Computer Vision): संगणकांना प्रतिमा आणि व्हिडिओ "पाहण्यास" आणि त्यांचा अर्थ लावण्यास सक्षम करणे. अनुप्रयोगांमध्ये चेहऱ्याची ओळख, वस्तू ओळखणे आणि प्रतिमा विश्लेषण यांचा समावेश आहे.
• रोबोटिक्स: रोबोट्सची रचना, बांधकाम, संचालन आणि वापर. एआय स्वायत्त नेव्हिगेशन, कार्य ऑटोमेशन आणि मानव-रोबोट सहकार्याला शक्ती देते.
• तज्ञ प्रणाली (Expert Systems): मानवी तज्ञांच्या निर्णय क्षमतेचे अनुकरण करणाऱ्या संगणक प्रणाली.

यापैकी प्रत्येक क्षेत्रात अनेक साधने आणि प्लॅटफॉर्म उपलब्ध आहेत, ज्यामुळे निवड प्रक्रिया गुंतागुंतीची होते. म्हणून, एक धोरणात्मक दृष्टिकोन आवश्यक आहे.

एआय साधनांच्या निवडीसाठी एक आराखडा

योग्य एआय साधन निवडण्यासाठी एका संरचित दृष्टिकोनाची आवश्यकता असते जो तुमच्या विशिष्ट गरजा, संसाधने आणि नैतिक जबाबदाऱ्या विचारात घेतो. प्रक्रियेचे मार्गदर्शन करण्यासाठी येथे एक आराखडा आहे:

१. तुमची उद्दिष्ट्ये आणि वापर प्रकरणे परिभाषित करा

तुम्ही एआयद्वारे सोडवू इच्छित असलेल्या विशिष्ट समस्या किंवा तुम्ही शोधू इच्छित असलेल्या संधी स्पष्टपणे परिभाषित करून सुरुवात करा. खालील प्रश्नांचा विचार करा:

• तुम्ही कोणत्या व्यावसायिक आव्हानांना तोंड देत आहात? (उदा. ग्राहक सेवा सुधारणे, पुरवठा साखळी ऑप्टिमाइझ करणे, फसवणूक कमी करणे)
• एआयद्वारे कोणती विशिष्ट कार्ये स्वयंचलित किंवा सुधारित केली जाऊ शकतात?
• यशासाठी तुमचे मुख्य कार्यप्रदर्शन निर्देशक (KPIs) कोणते आहेत?
• एआय अंमलबजावणीसाठी तुमचे बजेट किती आहे?

उदाहरण: एका जागतिक ई-कॉमर्स कंपनीला जलद आणि अधिक वैयक्तिकृत सहाय्य देऊन ग्राहकांचे समाधान सुधारायचे आहे. एक संभाव्य वापर प्रकरण म्हणजे सामान्य ग्राहक प्रश्ना हाताळण्यासाठी एआय-सक्षम चॅटबॉटची अंमलबजावणी करणे.

२. तुमच्या डेटा सज्जतेचे मूल्यांकन करा

एआय अल्गोरिदम डेटावर मोठ्या प्रमाणावर अवलंबून असतात. साधन निवडण्यापूर्वी, तुमच्या डेटाची गुणवत्ता, प्रमाण आणि उपलब्धतेचे मूल्यांकन करा. खालील गोष्टींचा विचार करा:

• तुमच्याकडे एआय मॉडेलला प्रभावीपणे प्रशिक्षित करण्यासाठी पुरेसा डेटा आहे का?
• तुमचा डेटा स्वच्छ, अचूक आणि पूर्ण आहे का?
• तुमचा डेटा योग्यरित्या लेबल केलेला आणि संरचित आहे का?
• तुमच्याकडे डेटा संग्रहित आणि प्रक्रिया करण्यासाठी आवश्यक पायाभूत सुविधा आहेत का?
• तुम्ही संबंधित डेटा गोपनीयता नियमांचे (उदा. GDPR, CCPA) पालन करत आहात का?

उदाहरण: एका बहुराष्ट्रीय बँकेला फसव्या व्यवहारांचा शोध घेण्यासाठी एआय वापरायचा आहे. त्यांना फसवणूक शोध मॉडेलला प्रशिक्षित करण्यासाठी फसव्या आणि कायदेशीर व्यवहारांचा पुरेसा ऐतिहासिक डेटासेट, तसेच संबंधित ग्राहक डेटा असल्याची खात्री करणे आवश्यक आहे. त्यांना ते कार्यरत असलेल्या सर्व देशांमधील डेटा गोपनीयता नियमांचे पालन सुनिश्चित करणे देखील आवश्यक आहे.

३. उपलब्ध एआय साधने आणि प्लॅटफॉर्मचे मूल्यांकन करा

एकदा तुम्ही तुमची उद्दिष्ट्ये परिभाषित केली आणि तुमच्या डेटा सज्जतेचे मूल्यांकन केले की, तुम्ही उपलब्ध एआय साधने आणि प्लॅटफॉर्मचे मूल्यांकन करण्यास सुरुवात करू शकता. ओपन-सोर्स लायब्ररीपासून ते व्यावसायिक क्लाउड-आधारित सेवांपर्यंत अनेक पर्याय उपलब्ध आहेत. खालील घटकांचा विचार करा:

• कार्यक्षमता: साधनात तुम्हाला आवश्यक असलेल्या विशिष्ट क्षमता आहेत का? (उदा. NLP, संगणक दृष्टी, मशीन लर्निंग)
• वापर सुलभता: साधन वापरकर्ता-अनुकूल आणि तुमच्या टीमसाठी सोपे आहे का? त्यासाठी विशेष कौशल्य किंवा प्रोग्रामिंग कौशल्यांची आवश्यकता आहे का?
• मापनीयता (Scalability): साधन तुमच्या सध्याच्या आणि भविष्यातील डेटाची मात्रा आणि प्रक्रियेच्या गरजा हाताळू शकते का?
• एकात्मता (Integration): साधन तुमच्या विद्यमान प्रणाली आणि कार्यप्रवाहांसह सहजपणे एकत्रित केले जाऊ शकते का?
• खर्च: परवाना शुल्क, पायाभूत सुविधा खर्च आणि देखभाल खर्चासह मालकीचा एकूण खर्च किती आहे?
• सुरक्षितता: साधन तुमच्या डेटाचे संरक्षण करण्यासाठी पुरेशी सुरक्षा उपाययोजना करते का?
• समर्थन (Support): विक्रेत्याकडून कोणत्या स्तराचे समर्थन उपलब्ध आहे?
• समुदाय (Community): वापरकर्ते आणि विकासकांचा एक मजबूत समुदाय आहे का जो समर्थन आणि संसाधने देऊ शकेल?

एआय साधने आणि प्लॅटफॉर्मची उदाहरणे:

• क्लाउड-आधारित एआय सेवा: Amazon Web Services (AWS), Microsoft Azure, Google Cloud Platform (GCP) मशीन लर्निंग, NLP, आणि संगणक दृष्टी यासह विविध प्रकारच्या एआय सेवा देतात.
• ओपन-सोर्स लायब्ररी: TensorFlow, PyTorch, scikit-learn या मशीन लर्निंगसाठी लोकप्रिय ओपन-सोर्स लायब्ररी आहेत.
• विशेष एआय प्लॅटफॉर्म: DataRobot, H2O.ai, आणि SAS मशीन लर्निंग प्रक्रिया स्वयंचलित करण्यासाठी प्लॅटफॉर्म देतात.
• NLP प्लॅटफॉर्म: IBM Watson, Dialogflow, आणि Rasa संभाषणात्मक एआय अनुप्रयोग तयार करण्यासाठी प्लॅटफॉर्म देतात.

४. प्रायोगिक प्रकल्प आणि चाचणी करा

एखाद्या विशिष्ट एआय साधनास वचनबद्ध करण्यापूर्वी, तुमच्या विशिष्ट संदर्भात त्याच्या कार्यक्षमतेचे मूल्यांकन करण्यासाठी प्रायोगिक प्रकल्प आणि चाचणी करा. हे तुम्हाला संभाव्य समस्या ओळखण्यात आणि तुमची अंमलबजावणी धोरण सुधारण्यात मदत करेल. खालील गोष्टींचा विचार करा:

• साधनाच्या कार्यक्षमतेची आणि कामगिरीची चाचणी घेण्यासाठी एका लहान-प्रमाणातील प्रकल्पाने सुरुवात करा.
• साधनाच्या अचूकतेचे आणि विश्वासार्हतेचे मूल्यांकन करण्यासाठी वास्तविक-जगातील डेटा वापरा.
• अभिप्राय गोळा करण्यासाठी विविध विभागांतील भागधारकांना सामील करा.
• संभाव्य समस्या ओळखण्यासाठी वेळेनुसार साधनाच्या कामगिरीवर लक्ष ठेवा.

५. तुमच्या दृष्टिकोनात पुनरावृत्ती आणि सुधारणा करा

एआय अंमलबजावणी ही एक पुनरावृत्ती प्रक्रिया आहे. तुमच्या प्रायोगिक प्रकल्पांच्या आणि चाचणीच्या परिणामांवर आधारित तुमचा दृष्टिकोन समायोजित करण्यास तयार रहा. तुमच्या एआय मॉडेल्सच्या कामगिरीचे सतत निरीक्षण करा आणि अचूकता आणि प्रासंगिकता टिकवून ठेवण्यासाठी आवश्यकतेनुसार त्यांना पुन्हा प्रशिक्षित करा.

एआयच्या अंमलबजावणीतील नैतिक विचार

एआय प्रचंड क्षमता देत असले तरी, ते महत्त्वपूर्ण नैतिक चिंता देखील निर्माण करते ज्यांना सक्रियपणे हाताळले पाहिजे. या चिंतांमध्ये खालील गोष्टींचा समावेश आहे:

१. पूर्वग्रह आणि निष्पक्षता

एआय मॉडेल्स ज्या डेटावर प्रशिक्षित आहेत त्यातील विद्यमान पूर्वग्रहांना कायम ठेवू शकतात आणि वाढवू शकतात, ज्यामुळे अन्यायकारक किंवा भेदभावपूर्ण परिणाम होऊ शकतात. उदाहरणार्थ, प्रामुख्याने एका लोकसंख्याशास्त्रीय गटाच्या प्रतिमांवर प्रशिक्षित चेहऱ्याची ओळख प्रणाली इतर गटांवर खराब कामगिरी करू शकते. हे महत्त्वाचे आहे:

• एआय मॉडेल्सना प्रशिक्षित करण्यासाठी विविध आणि प्रातिनिधिक डेटासेट वापरा.
• पूर्वग्रह आणि निष्पक्षतेसाठी एआय मॉडेल्सचे निरीक्षण करा.
• एआय मॉडेल्समधील पूर्वग्रह दूर करण्यासाठी शमन धोरणे लागू करा.
• विविध लोकसंख्याशास्त्रीय गटांमध्ये निष्पक्षता सुनिश्चित करा.

उदाहरण: एका एआय-सक्षम भरती साधनाचे काळजीपूर्वक मूल्यांकन केले पाहिजे जेणेकरून ते लिंग, वंश, वांशिकता किंवा इतर संरक्षित वैशिष्ट्यांवर आधारित उमेदवारांशी भेदभाव करणार नाही. यासाठी प्रशिक्षण डेटा आणि संभाव्य पूर्वग्रहांसाठी मॉडेलच्या कामगिरीचे ऑडिट करणे आवश्यक आहे.

२. पारदर्शकता आणि स्पष्टीकरणक्षमता

अनेक एआय मॉडेल्स, विशेषतः डीप लर्निंग मॉडेल्स, "ब्लॅक बॉक्स" असतात, ज्यामुळे ते त्यांच्या निर्णयांपर्यंत कसे पोहोचतात हे समजणे कठीण होते. पारदर्शकतेच्या या अभावामुळे त्रुटी किंवा पूर्वग्रह ओळखणे आणि दुरुस्त करणे कठीण होऊ शकते. हे महत्त्वाचे आहे:

• एआय मॉडेल्स कसे कार्य करतात हे समजून घेण्यासाठी स्पष्टीकरणक्षम एआय (XAI) तंत्रांचा वापर करा.
• भागधारकांना एआय निर्णयांसाठी स्पष्टीकरण द्या.
• एआय निर्णय ऑडिट करण्यायोग्य आणि जबाबदार असल्याची खात्री करा.

उदाहरण: जर एखादी एआय प्रणाली कर्जाचा अर्ज नाकारत असेल, तर अर्जदाराला नाकारण्याच्या कारणांचे स्पष्ट आणि समजण्याजोगे स्पष्टीकरण दिले पाहिजे. या स्पष्टीकरणात केवळ एआय प्रणालीने निर्णय घेतला असे न सांगता, परिणामात योगदान देणारे विशिष्ट घटक प्रदान केले पाहिजेत.

३. डेटा गोपनीयता आणि सुरक्षा

एआय प्रणालींना अनेकदा मोठ्या प्रमाणात डेटाची आवश्यकता असते, ज्यामुळे डेटा गोपनीयता आणि सुरक्षिततेबद्दल चिंता निर्माण होते. हे महत्त्वाचे आहे:

• संबंधित डेटा गोपनीयता नियमांचे (उदा. GDPR, CCPA) पालन करा.
• डेटाला अनधिकृत प्रवेशापासून संरक्षित करण्यासाठी मजबूत सुरक्षा उपाययोजना लागू करा.
• गोपनीयतेचे संरक्षण करण्यासाठी अज्ञातकरण आणि टोपणनाव तंत्रांचा वापर करा.
• व्यक्तींचा डेटा गोळा करण्यापूर्वी आणि वापरण्यापूर्वी त्यांची माहितीपूर्ण संमती मिळवा.

उदाहरण: रुग्णांच्या डेटाचे विश्लेषण करण्यासाठी एआय वापरणाऱ्या आरोग्य सेवा प्रदात्याने हे सुनिश्चित केले पाहिजे की डेटा HIPAA नियमांनुसार संरक्षित आहे आणि रुग्णांनी एआय विश्लेषणासाठी त्यांचा डेटा वापरण्यास माहितीपूर्ण संमती दिली आहे.

४. जबाबदारी आणि उत्तरदायित्व

एआय प्रणालींसाठी जबाबदारी आणि उत्तरदायित्वाच्या स्पष्ट रेषा स्थापित करणे महत्त्वाचे आहे. जर एआय प्रणालीने चूक केली किंवा नुकसान केले तर कोण जबाबदार आहे? हे महत्त्वाचे आहे:

• एआय विकास आणि उपयोजनासाठी स्पष्ट भूमिका आणि जबाबदाऱ्या परिभाषित करा.
• एआय प्रणालींमधील त्रुटी आणि पूर्वग्रह दूर करण्यासाठी यंत्रणा स्थापित करा.
• एआय अंमलबजावणीसाठी नैतिक मार्गदर्शक तत्त्वे आणि मानके विकसित करा.
• नोकरी आणि कर्मचाऱ्यांवर एआयच्या संभाव्य परिणामाचा विचार करा.

उदाहरण: जर एखाद्या स्वायत्त वाहनामुळे अपघात झाला, तर कोण जबाबदार आहे हे ठरवणे महत्त्वाचे आहे: वाहन निर्माता, सॉफ्टवेअर विकसक, की वाहनाचा मालक? या समस्यांचे निराकरण करण्यासाठी स्पष्ट कायदेशीर आणि नैतिक चौकटींची आवश्यकता आहे.

५. मानवी देखरेख आणि नियंत्रण

एआय प्रणाली मानवी देखरेख आणि नियंत्रणाशिवाय कार्य करू नये. आवश्यक असेल तेव्हा मानवांनी एआय निर्णयांमध्ये हस्तक्षेप करून ते बदलण्यास सक्षम असावे. हे महत्त्वाचे आहे:

• एआय प्रणालींवर मानवी देखरेख ठेवा.
• मानवांना एआय निर्णयांमध्ये हस्तक्षेप करून ते बदलण्यासाठी यंत्रणा स्थापित करा.
• मानवांना एआय प्रणाली समजून घेण्यासाठी आणि प्रभावीपणे वापरण्यासाठी प्रशिक्षित केले असल्याची खात्री करा.

उदाहरण: एआय-सक्षम वैद्यकीय निदान प्रणालीचा वापर डॉक्टरांना निदान करण्यात मदत करण्यासाठी केला पाहिजे, परंतु अंतिम निदान नेहमी मानवी डॉक्टरनेच केले पाहिजे. डॉक्टर एआयच्या शिफारसींचे पुनरावलोकन करू शकले पाहिजेत आणि आवश्यक असल्यास त्या बदलू शकले पाहिजेत.

एआय नैतिकतेवरील जागतिक दृष्टिकोन

एआय अंमलबजावणीतील नैतिक विचार विविध संस्कृती आणि देशांमध्ये भिन्न असतात. या फरकांची जाणीव असणे आणि एआय नैतिकतेसाठी सांस्कृतिकदृष्ट्या संवेदनशील दृष्टिकोन स्वीकारणे महत्त्वाचे आहे. उदाहरणार्थ, डेटा गोपनीयता नियम युरोपमध्ये (GDPR) इतर काही प्रदेशांपेक्षा अधिक कठोर आहेत. त्याचप्रमाणे, चेहऱ्याच्या ओळखीच्या तंत्रज्ञानाची सांस्कृतिक स्वीकृती जगभरात लक्षणीयरीत्या बदलते. जागतिक स्तरावर एआय उपयोजित करणाऱ्या संस्थांनी हे केले पाहिजे:

• ते ज्या देशांमध्ये कार्यरत आहेत तेथील नैतिक निकष आणि मूल्ये यांचे संशोधन करून ते समजून घ्या.
• एआय अंमलबजावणीवर अभिप्राय गोळा करण्यासाठी स्थानिक भागधारकांशी संलग्न व्हा.
• विशिष्ट सांस्कृतिक संदर्भांनुसार तयार केलेली नैतिक मार्गदर्शक तत्त्वे विकसित करा.
• विविध दृष्टिकोन विचारात घेतले जातील याची खात्री करण्यासाठी विविध संघ स्थापित करा.

एक जबाबदार एआय आराखडा तयार करणे

नैतिक आणि जबाबदार एआय अंमलबजावणी सुनिश्चित करण्यासाठी, संस्थांनी एक सर्वसमावेशक एआय आराखडा विकसित केला पाहिजे ज्यात खालील घटकांचा समावेश आहे:

• नैतिक तत्त्वे: एआय विकास आणि उपयोजनाचे मार्गदर्शन करणाऱ्या नैतिक तत्त्वांचा एक संच परिभाषित करा. ही तत्त्वे संस्थेच्या मूल्यांचे प्रतिबिंब असावीत आणि संबंधित नैतिक मानके आणि नियमांशी सुसंगत असावीत.
• एआय प्रशासन: एआय क्रियाकलापांवर देखरेख ठेवण्यासाठी आणि नैतिक तत्त्वे आणि नियमांचे पालन सुनिश्चित करण्यासाठी एक प्रशासन रचना स्थापित करा. या संरचनेत कायदेशीर, अनुपालन, नैतिकता आणि तंत्रज्ञान यासह विविध विभागांचे प्रतिनिधी असावेत.
• जोखीम मूल्यांकन: एआय प्रणालींशी संबंधित संभाव्य नैतिक आणि कायदेशीर जोखीम ओळखण्यासाठी नियमित जोखीम मूल्यांकन करा. या मूल्यांकनांमध्ये व्यक्ती, समुदाय आणि संपूर्ण समाजावर एआयच्या संभाव्य परिणामाचा विचार केला पाहिजे.
• प्रशिक्षण आणि शिक्षण: कर्मचाऱ्यांना एआय नैतिकता आणि जबाबदार एआय पद्धतींवर प्रशिक्षण आणि शिक्षण द्या. या प्रशिक्षणात पूर्वग्रह, निष्पक्षता, पारदर्शकता, डेटा गोपनीयता आणि जबाबदारी यासारख्या विषयांचा समावेश असावा.
• निरीक्षण आणि ऑडिटिंग: एआय प्रणाली अपेक्षेप्रमाणे कार्य करत आहेत आणि ते नैतिक तत्त्वे किंवा नियमांचे उल्लंघन करत नाहीत याची खात्री करण्यासाठी त्यांच्यावर निरीक्षण आणि ऑडिटिंगसाठी यंत्रणा लागू करा. यामध्ये पूर्वग्रह किंवा अन्याय ओळखण्यासाठी स्वयंचलित साधनांचा वापर करणे, तसेच स्वतंत्र तज्ञांकडून नियमित ऑडिट करणे समाविष्ट असू शकते.
• पारदर्शकता आणि संवाद: एआय प्रणाली कशा वापरल्या जात आहेत याबद्दल पारदर्शक रहा आणि एआयच्या संभाव्य फायदे आणि जोखमींबद्दल भागधारकांशी उघडपणे संवाद साधा. यामध्ये एआय निर्णयांसाठी स्पष्टीकरण देणे आणि भागधारकांना असलेल्या कोणत्याही चिंता किंवा प्रश्नांचे निराकरण करणे समाविष्ट आहे.

निष्कर्ष

योग्य एआय साधने निवडणे आणि त्यांची नैतिकदृष्ट्या अंमलबजावणी करणे हे एआयच्या धोक्यांना कमी करताना त्याच्या पूर्ण क्षमतेचा उपयोग करण्यासाठी महत्त्वाचे आहे. साधनांच्या निवडीसाठी एक संरचित दृष्टिकोन अवलंबून, नैतिक विचारांना सक्रियपणे हाताळून, आणि एक जबाबदार एआय आराखडा तयार करून, संस्था एआयच्या जगात जबाबदारीने आणि प्रभावीपणे नेव्हिगेट करू शकतात, त्यांच्या भागधारकांसाठी मूल्य निर्माण करू शकतात आणि अधिक न्याय्य आणि शाश्वत भविष्यासाठी योगदान देऊ शकतात.

एआय क्रांती येथे आहे, आणि आपण उत्साह आणि सावधगिरी या दोन्हींसह त्याचा सामना करणे अत्यावश्यक आहे. नैतिक विचारांना आणि जबाबदार अंमलबजावणीला प्राधान्य देऊन, आपण हे सुनिश्चित करू शकतो की एआय सर्व मानवतेला लाभ देईल.

अधिक संसाधने

• युरोपियन कमिशनकडून एआय नैतिकतेसाठी मार्गदर्शक तत्त्वे: https://ec.europa.eu/digital-single-market/en/news/ethics-guidelines-trustworthy-ai
• स्वायत्त आणि बुद्धिमान प्रणालींच्या नैतिकतेवरील आयईईई ग्लोबल इनिशिएटिव्ह (The IEEE Global Initiative on Ethics of Autonomous and Intelligent Systems): https://standards.ieee.org/initiatives/autonomous-systems/
• एआय नाऊ इन्स्टिट्यूट (AI Now Institute): https://ainowinstitute.org/