कल्याणकारी योजनांमध्ये AI आधारित facial recognition (फेशियल रिकग्निशन) तंत्रज्ञानाचा वापर केल्यामुळे कामकाज अधिक वेगाने आणि प्रभावीपणे होत आहे. मात्र, जेव्हा ही प्रणाली लाभार्थ्यांना ओळखण्यात अपयशी ठरते, तेव्हा अनेक लोक योजना लाभांपासून वंचित राहण्याची भीती वाढते.
भारताची डिजिटल कल्याणकारी व्यवस्था ही जगातील सर्वात मोठ्या आणि महत्त्वाकांक्षी प्रशासनिक योजनांपैकी एक मानली जाते. सध्या भारताची कल्याणकारी सेवा JAM trinity (जॅम ट्रिनिटी) म्हणजे Jan Dhan (जन धन) बँक खाती, Aadhaar (आधार) ओळख व्यवस्था आणि मोबाइल कनेक्टिव्हिटी यावर आधारित आहे. आज सरकार या डिजिटल व्यवस्थेद्वारे कोट्यवधी नागरिकांना अनुदान, पेन्शन, अन्न सहाय्य, आरोग्य सेवा आणि रोजगाराशी संबंधित लाभ देत आहे. गेल्या काही वर्षांत या डिजिटल व्यवस्थेमध्ये Artificial Intelligence (आर्टिफिशियल इंटेलिजन्स) आधारित facial recognition (फेशियल रिकग्निशन) तंत्रज्ञानाचा वापर सुरू झाला आहे. विशेषतः अंगणवाडी सेवांसाठी Poshan Tracker (पोषण ट्रॅकर) आणि अलीकडे PM e-DRIVE (पीएम ई-ड्राइव्ह) योजनेत Aadhaar-linked face eKYC (आधार लिंक्ड फेस ई-केवायसी) अधिक सोपी ओळख पडताळणी पद्धत म्हणून वापरली जात आहे.
भारत ज्या मोठ्या प्रमाणावर कल्याणकारी योजना चालवतो, त्या स्तरावर बनावट नोंदी, खोटे लाभार्थी आणि ओळख फसवणूक यामुळे होणारी अगदी छोटी गळती किंवा चूकसुद्धा सरकारवर मोठा आर्थिक भार टाकू शकते आणि लोकांचा व्यवस्थेवरील विश्वास कमी करू शकते. Facial recognition (फेशियल रिकग्निशन) तंत्रज्ञान आधीच्या पडताळणी पद्धतींपेक्षा अधिक सोयीस्कर आणि प्रभावी पर्याय म्हणून आणले जात आहे. यामुळे लाभार्थी फक्त स्मार्टफोनद्वारे चेहरा स्कॅन करून स्वतःची ओळख सिद्ध करू शकतात. तत्त्वतः यामुळे पडताळणी जलद होणे, कागदपत्रांवरील अवलंबित्व कमी होणे आणि लाभ अधिक सहजपणे मिळणे शक्य होते.
मात्र, अधिक कार्यक्षमतेच्या या वचनासोबत मोठी जबाबदारीही येते. Facial recognition (फेशियल रिकग्निशन) सारखे तंत्रज्ञान जेव्हा कल्याणकारी योजनांमध्ये वापरले जाते, तेव्हा ते फक्त प्रशासनिक प्रक्रिया सोपी करत नाही, तर लोकांना अन्न, पोषण, आरोग्यसेवा आणि इतर अत्यावश्यक सेवा मिळवून देणाऱ्या व्यवस्थेचाच भाग बनते. अशा परिस्थितीत तांत्रिक अडचणींचे परिणाम केवळ प्रशासकीय गैरसोयीपुरते मर्यादित राहत नाहीत. त्यामुळे प्रश्न हा नाही की सार्वजनिक सेवा वितरणात तंत्रज्ञान वापरावे की नाही, तर ते अशा प्रकारे कसे वापरावे की ते सर्वसमावेशक, विश्वासार्ह आणि लाभार्थ्यांच्या प्रत्यक्ष गरजांशी जुळणारे ठरेल.
Facial recognition (फेशियल रिकग्निशन) मुळे या व्यवस्थेमध्ये एक महत्त्वाचा बदल झाला आहे. आता फक्त एखादी व्यक्ती लाभासाठी पात्र असणे पुरेसे राहिलेले नाही; प्रत्येक वेळी लाभ मिळवताना त्या व्यक्तीची ओळख यशस्वीपणे पडताळली जाणेही आवश्यक झाले आहे.
Facial recognition (फेशियल रिकग्निशन) मुळे कल्याणकारी योजनांची रचना आणि कामकाजाची पद्धत बदलत आहे. यापूर्वी कल्याणकारी लाभ मिळवण्याची प्रक्रिया तुलनेने सोपी होती. नागरिक आपली ओळख आणि आवश्यक कागदपत्रे सादर करून योजनेसाठी पात्रता सिद्ध करत असत. एकदा नाव नोंदवल्यानंतर लाभार्थ्यांपर्यंत ठरलेला लाभ पोहोचवण्याची जबाबदारी प्रशासनाची असायची. तंत्रज्ञानाचा वापर मुख्यतः नोंदी ठेवण्यासाठी आणि प्रशासन अधिक चांगले करण्यासाठी केला जात होता; पण लाभ मिळेल की नाही, हे ठरवण्याचे काम साधारणपणे तंत्रज्ञान करत नव्हते.
मात्र facial recognition (फेशियल रिकग्निशन) मुळे या व्यवस्थेमध्ये मोठा बदल झाला आहे. आता फक्त पात्र असणे पुरेसे राहिलेले नाही; लाभ घेण्यासाठी प्रत्येक वेळी लाभार्थ्याची ओळख यशस्वीपणे पडताळली जाणे आवश्यक झाले आहे. म्हणजेच आता लाभ मिळणे हे प्रत्यक्ष वेळेतील पडताळणीवर अवलंबून झाले आहे. उदाहरणार्थ, एखादी गर्भवती महिला Integrated Child Development Services (इंटिग्रेटेड चाइल्ड डेव्हलपमेंट सर्व्हिसेस) अंतर्गत पोषण सहाय्य मिळवण्यासाठी पूर्णपणे पात्र असली, तरी तिचा live image (लाईव्ह इमेज) आधार डेटाबेसमधील फोटोशी जुळला नाही तर तिला लाभ मिळण्यात विलंब होऊ शकतो.
आता प्रश्न फक्त एखादी व्यक्ती लाभासाठी पात्र आहे का, इतकाच राहिलेला नाही; तर लाभ घेण्याच्या क्षणी तंत्रज्ञान त्या व्यक्तीला ओळखू शकते का, हाही महत्त्वाचा प्रश्न बनला आहे.
या पद्धतीमुळे प्रशासनाला काही स्पष्ट फायदे मिळतात. यामुळे डिजिटल audit trail (ऑडिट ट्रेल) तयार होते, विशेष यंत्रांवरील अवलंबित्व कमी होते आणि fingerprint-based authentication (फिंगरप्रिंट बेस्ड ऑथेंटिकेशन) कठीण असलेल्या ठिकाणी पर्याय उपलब्ध होतो. पण त्याचवेळी यामुळे एक नवीन अवलंबित्वही तयार होते. म्हणजेच आता कल्याणकारी लाभ मिळणे हे कॅमेरे, मोबाइल फोन, सॉफ्टवेअर, इंटरनेट कनेक्टिव्हिटी आणि backend systems (बॅकएंड सिस्टिम्स) सुरळीतपणे काम करण्यावर अधिक अवलंबून झाले आहे. त्यामुळे आता प्रश्न फक्त एखादी व्यक्ती लाभासाठी पात्र आहे का, इतकाच उरलेला नाही; तर लाभ घेण्याच्या वेळी तंत्रज्ञान त्या व्यक्तीला योग्यरीत्या ओळखते का, हेदेखील तितकेच महत्त्वाचे झाले आहे.
कल्याणकारी योजना ज्या गुंतागुंतीच्या आणि असमान परिस्थितींमध्ये चालवल्या जातात, तिथे facial recognition (फेशियल रिकग्निशन) तंत्रज्ञानाच्या मर्यादा सर्वाधिक स्पष्टपणे दिसून येतात. या चुका वेगळ्या किंवा क्वचित घडणाऱ्या घटना नसून, त्या तंत्रज्ञानाच्या मर्यादा आणि ज्या परिस्थितीत ते वापरले जाते त्या दोन्ही गोष्टींमुळे निर्माण होतात.
पहिले मोठे आव्हान म्हणजे ओळख अचूकपणे पटण्याचे. Facial recognition (फेशियल रिकग्निशन) प्रणाली प्रकाश, कॅमेऱ्याची गुणवत्ता, वय वाढणे, आजारपण आणि वेळेनुसार चेहऱ्यात होणारे बदल यांसारख्या गोष्टींवर खूप अवलंबून असते. या कारणांमुळे प्रत्यक्ष घेतलेला फोटो आणि आधारमध्ये साठवलेला फोटो जुळण्यात अडचण येऊ शकते. त्यामुळे एखादा लाभार्थी पूर्णपणे खरा आणि पात्र असतानाही प्रणाली त्याला नाकारू शकते.
दुसरे मोठे आव्हान म्हणजे पायाभूत सुविधांवरील अवलंबित्व. Facial authentication (फेशियल ऑथेंटिकेशन) साठी चांगले इंटरनेट, व्यवस्थित चालणारे सर्व्हर आणि चांगल्या कॅमेऱ्याचा स्मार्टफोन आवश्यक असतो. पण अनेक ग्रामीण आणि कमी सुविधा असलेल्या भागांमध्ये या गोष्टी कायम उपलब्ध असतीलच असे नाही. नेटवर्क चालू आहे की नाही किंवा वापरला जाणारा फोन चांगला फोटो घेऊ शकतो की नाही, यावर लाभार्थ्यांचा काहीही ताबा नसतो. Pulitzer Centre (पुलित्झर सेंटर) च्या अलीकडील सर्वेक्षणानुसार ICDS योजनेतील जवळपास 3/4 अंगणवाडी कर्मचाऱ्यांनी facial recognition (फेशियल रिकग्निशन) करताना वारंवार नेटवर्क समस्या येत असल्याचे सांगितले. प्रत्येक पडताळणीसाठी 3 मिनिटांपेक्षा जास्त वेळ लागत होता आणि त्यामुळे त्यांच्या रोजच्या कामात 3 तासांपेक्षा जास्त वाढ होत होती.
तिसरे मोठे आव्हान म्हणजे चेहरा झाकला जाणे. कोविड-19 महामारीनंतर मास्क हे त्याचे सर्वात मोठे उदाहरण ठरले. त्याशिवाय गॉगल, स्कार्फ किंवा काही प्रकारच्या हेअरस्टाइलमुळेही चेहऱ्याचे महत्त्वाचे भाग झाकले जातात आणि ओळख पटवण्यात अडचण येते. याशिवाय demographic bias (डेमोग्राफिक बायस) हे आणखी एक गंभीर आव्हान आहे. अनेक अभ्यासांमध्ये दिसून आले आहे की facial recognition प्रणाली काही गटांसाठी, विशेषतः गोऱ्या त्वचेच्या पुरुषांसाठी, इतरांपेक्षा अधिक चांगले काम करते. याचे कारण म्हणजे प्रशिक्षणासाठी वापरल्या जाणाऱ्या डेटामध्ये काही समाजगटांचे प्रमाण कमी असते, त्यामुळे प्रणाली त्यांची अचूक ओळख शिकू शकत नाही.
या सगळ्या मर्यादा पाहिल्यानंतर हे स्पष्ट होते की लाभांपासून वंचित राहणे ही केवळ तांत्रिक चूक नाही. प्रत्येक परिस्थितीत पूर्णपणे अचूक काम करू शकत नाही अशा तंत्रज्ञानावर कल्याणकारी लाभ अवलंबून ठेवण्याचा हा आधीपासूनच दिसणारा परिणाम आहे.
या समस्यांचे सर्वात स्पष्ट उदाहरण म्हणजे Integrated Child Development Services (ICDS) अंतर्गत Poshan Tracker (पोषण ट्रॅकर) मध्ये facial recognition (फेशियल रिकग्निशन) चा वापर. पोषणाशी संबंधित लाभ योग्य लाभार्थ्यांपर्यंत पोहोचावेत आणि देखरेख अधिक चांगली व्हावी, यासाठी ही प्रणाली तयार करण्यात आली आहे. या व्यवस्थेमध्ये अंगणवाडी केंद्रांमधून take-home ration (टेक-होम रेशन) आणि इतर पोषण सहाय्य मिळवण्यासाठी लाभार्थ्यांना Aadhaar FACE authentication (आधार फेस ऑथेंटिकेशन) करणे आवश्यक असते. पण प्रत्यक्षात अनेक राज्यांमध्ये ओळख पडताळणी अयशस्वी झाल्यामुळे गर्भवती महिला आणि स्तनपान करणाऱ्या मातांना अन्न व पोषण सहाय्य मिळण्यात उशीर झाला किंवा लाभ थांबला, असे दिसून आले आहे.
ज्या मुलांना आधार कार्ड मिळू शकत नाही, म्हणजेच 6 वर्षांखालील मुलांनाही, या योजनेच्या लाभांपासून वंचित राहावे लागत आहे. कारण ही प्रणाली पालकांच्या ओळखीवर, विशेषतः आईच्या ओळखीवर आधारित असते. बिहार, झारखंड आणि कर्नाटकमध्ये अशी प्रकरणे समोर आली आहेत की, जिथे आईचा सध्याचा चेहरा डेटाबेसमधील जुन्या फोटोशी जुळला नाही आणि त्यामुळे तिच्या मुलाचे नाव लाभार्थी यादीतून काढून टाकण्यात आले. सरकारी आकडेवारीनुसार 2025 च्या अखेरीस फक्त 52.7 टक्के पात्र लाभार्थ्यांनाच रेशन मिळाले होते. महिला आणि बालविकास मंत्रालयाने लाभांपासून वंचित राहिलेल्या मुलांची संख्या मात्र जाहीर केलेली नाही.
अशाच प्रकारच्या चिंता Public Distribution System (PDS) मध्येही दिसतात. येथे OTPs (ओटीपी), fingerprint (फिंगरप्रिंट) आणि iris scan (आयरिस स्कॅन) यांसारख्या जुन्या पद्धतींऐवजी facial recognition (फेशियल रिकग्निशन) वापरणे वाढले आहे. जुलै 2025 मध्ये हिमाचल प्रदेश हे राज्यभरातील रास्त भाव दुकानांमध्ये Aadhaar-based facial authentication (आधार आधारित फेशियल ऑथेंटिकेशन) लागू करणारे पहिले राज्य ठरले. ही योजना विशेषतः ज्येष्ठ नागरिक आणि दिव्यांग व्यक्तींना रेशन मिळवणे सोपे व्हावे म्हणून सुरू करण्यात आली असली, तरी ती त्याच पायाभूत सुविधांवर अवलंबून आहे म्हणजे स्मार्टफोन, इंटरनेट आणि UIDAI सर्व्हर ज्यामुळे याआधीही PDS मध्ये पडताळणीसंबंधी अडचणी निर्माण झाल्या होत्या.
Poshan Tracker (पोषण ट्रॅकर) आणि Public Distribution System (PDS) सारख्या योजनांचा अनुभव हे स्पष्ट दाखवतो की, आवश्यक कल्याणकारी लाभ देताना तंत्रज्ञानाला चूकी न करणारा तसेचं अंतिम निर्णय घेणारा पर्याय मानता येत नाही.
PM e-DRIVE योजनेअंतर्गत Aadhaar FACE-based eKYC (आधार फेस आधारित ई-केवायसी) चा वापर सुरू झाल्याने ही पद्धत आता पारंपरिक कल्याणकारी योजनांपलीकडे जाऊन इतर अनुदान योजनांमध्येही वाढत असल्याचे दिसते. या योजनेत इलेक्ट्रिक वाहन खरेदीसाठी मिळणाऱ्या प्रोत्साहनाचा लाभ घेण्यासाठी लाभार्थ्यांना e-KYC Aadhaar FACE-authenticated e-Voucher (ई-केवायसी आधार फेस ऑथेंटिकेटेड ई-व्हाउचर) पूर्ण करणे आवश्यक आहे. या योजनेचा उद्देश वेगळा असला तरी तिचा आधारही त्याच कल्पनेवर आहे म्हणजे facial recognition (फेशियल रिकग्निशन) यशस्वी झाले तरच सरकारी लाभ मिळू शकतात.
ही सर्व उदाहरणे एकत्र पाहिल्यास असे दिसते की facial recognition (फेशियल रिकग्निशन) आता विविध सरकारी योजनांमध्ये ओळख पडताळणीची सामान्य पद्धत बनत आहे. त्यामुळे या प्रणालीमध्ये होणाऱ्या चुका आणि अडचणींचे परिणामही अधिक गंभीर होत आहेत.
कल्याणकारी योजनांमध्ये facial recognition (फेशियल रिकग्निशन) चा वाढता वापर म्हणजे तंत्रज्ञानाला पूर्णपणे नाकारण्याची गरज नाही. भारतासारख्या मोठ्या देशात बनावट लाभार्थी कमी करणे, योग्य लोकांपर्यंत लाभ पोहोचवणे आणि प्रशासन अधिक प्रभावी बनवणे हे आवश्यक आणि योग्य उद्दिष्ट आहे. योग्य प्रकारे वापरल्यास facial recognition (फेशियल रिकग्निशन) लाभार्थ्यांची पडताळणी सोपी करू शकते आणि सरकारी लाभ वितरण अधिक जलद व सुलभ बनवू शकते.
पण Poshan Tracker (पोषण ट्रॅकर) आणि Public Distribution System (PDS) सारख्या योजनांचा अनुभव हे स्पष्ट दाखवतो की तंत्रज्ञानाला पूर्णपणे चूकी न करणारा तसेचं अंतिम निर्णय घेणारा पर्याय मानता येत नाही. धोरणांवरील चर्चांमध्येही योग्यरित्या सांगितले गेले आहे की AI (एआय) हा पात्रता ठरवणारा अंतिम निर्णयकर्ता नसावा. मानवी देखरेख, ऑफलाइन पर्याय आणि ठराविक वेळेत तक्रार निवारण व्यवस्था या गोष्टी व्यवस्थेचा आवश्यक भाग राहिल्या पाहिजेत. या सुरक्षात्मक उपायांमुळे कल्याणकारी योजनांचा हक्काधारित स्वभाव टिकून राहतो आणि तांत्रिक चुका झाल्या तरी लोकांना लाभांपासून वंचित राहावे लागत नाही.
म्हणूनच खरा उद्देश कार्यक्षमता आणि सर्वसमावेशकता यांपैकी एकाची निवड करणे नसून, दोन्ही गोष्टी एकत्र साध्य करणारी व्यवस्था तयार करणे हा आहे. Facial recognition (फेशियल रिकग्निशन) भारताच्या डिजिटल सार्वजनिक व्यवस्थेचा अधिक महत्त्वाचा भाग बनत असताना, पारदर्शकता, जबाबदारी आणि योग्य पद्धतीने प्रणालीची रचना करणे अत्यंत गरजेचे ठरणार आहे. यामुळे तंत्रज्ञानामुळे कल्याणकारी सेवा अधिक मजबूत होतील आणि सरकारी धोरणांच्या केंद्रस्थानी अल्गोरिदम नव्हे, तर लाभार्थीच राहतील.
तनुषा त्यागी या 'ऑब्झर्वर रिसर्च फाउंडेशन'च्या 'सेंटर फॉर डिजिटल सोसायटीज'मध्ये संशोधन सहाय्यक (Research Assistant) म्हणून कार्यरत 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.
Tanusha Tyagi is a research assistant with the Centre for Digital Societies at ORF. Her research focuses on issues of emerging technologies, data protection and ...
Read More +
PREV
.webp)
.png)