भारताचे AI भविष्य ‘Edge AI’वर अवलंबून आहे. रिअल-टाइम, स्थानिक गरजांनुसार आणि गोपनीयतेची जाणीव ठेवून मोठ्या प्रमाणावर बुद्धिमान सेवा देण्यासाठी Edge AI महत्त्वाचे ठरणार आहे. मात्र, हे यशस्वी करण्यासाठी मजबूत पायाभूत सुविधा, प्रभावी प्रशासन व्यवस्था, इंटरऑपरेबिलिटी आणि स्वदेशी नवकल्पनांना अधिक बळ देणे आवश्यक आहे.
भारताच्या कृत्रिम बुद्धिमत्ता (AI) महत्त्वाकांक्षा वाढत्या प्रमाणात सेमीकंडक्टर उत्पादन आणि उच्च-कार्यक्षमता संगणकीय तंत्रज्ञानाशी जोडल्या जात आहेत. सध्याचा दृष्टिकोन संगणकीय क्षमता वाढवण्यावर भर देतो, मात्र मोठ्या प्रमाणावर कृत्रिम बुद्धिमत्ता प्रत्यक्षात कशी वापरली जाते, या महत्त्वाच्या स्तराकडे दुर्लक्ष करतो. भारतात सुमारे 1.8 लाख AI स्टार्टअप्स असले, तरी त्यापैकी बहुतांश अजूनही प्रायोगिक (पायलट) टप्प्यातच अडकले आहेत आणि केवळ काही मोजकीच क्षेत्रनिहाय उदाहरणं मोठ्या प्रमाणावर विस्तारू शकली आहेत.
Edge AI म्हणजेच वितरित स्वरूपातील कृत्रिम बुद्धिमत्ता हा तुटलेला दुवा भरून काढू शकतो आणि शेवटच्या टप्प्यापर्यंत (लास्ट-माइल) बुद्धिमत्तेवर आधारित सेवा पोहोचवू शकतो. इंटरनेट किंवा नेटवर्क कनेक्टिव्हिटी विस्कळीत असतानाही स्थानिक पातळीवर उपाय उपलब्ध करून देण्याची क्षमता यात आहे. त्यामुळे रिअल-टाइम निर्णय घेणं शक्य होतं, विलंब (लेटन्सी) कमी होतो आणि डेटा क्लाऊडकडे पाठवण्याऐवजी थेट स्रोताजवळच संकलित करता येतो. याशिवाय, Edge उपकरणांकडे (Edge डिव्हाइसेस) आता क्लाऊड-आधारित AI प्रणालींना अधिक शाश्वत पर्याय म्हणून पाहिलं जात आहे. कारण AI संबंधित प्रक्रिया थेट उपकरणांवरच केल्या जातात, त्यामुळे सतत डेटा ट्रान्सफर करण्याची गरज कमी होते. तसेच Edge AI साठी तयार करण्यात आलेल्या विशेष चिप्स अधिक ऊर्जा-कार्यक्षम मानल्या जातात.
मात्र, या शाश्वततेशी संबंधित फायद्यांची हमी आपोआप मिळत नाही. मोठ्या प्रमाणावर वापर करताना ऊर्जा कार्यक्षमता, हार्डवेअरची घनता आणि संसाधनांचं व्यवस्थापन (रिसोर्स ऑर्केस्ट्रेशन) यांसारख्या आव्हानांनाही Edge प्रणालींना सामोरं जावं लागतं. त्यामुळे पर्यावरणीय फायदे पूर्णपणे मिळवण्यासाठी प्रणालीचं काळजीपूर्वक डिझाइन करणं महत्त्वाचं ठरतं. नेटवर्कमधील विलंब कमी करणं, हा Edge AI चा आणखी एक महत्त्वाचा फायदा मानला जातो. विशेषतः संवेदनशील आणि उच्च-जोखमीच्या प्रणालींमध्ये हा विलंबच सुरक्षिततेची मर्यादा ठरू शकतो. उदाहरणार्थ, वाहतूक क्षेत्रात भारतातील 'कवच' प्रणाली हजारो किलोमीटर रेल्वेमार्गांवर कार्यरत आहे. ही प्रणाली ऑन-बोर्ड सेन्सर्स आणि Edge कम्प्युटिंगच्या मदतीने सिग्नल धोकादायक स्थितीत ओलांडण्याच्या (सिग्नल पास्ड ॲट डेंजर) घटना टाळण्यास मदत करते.
आरोग्य क्षेत्रातही Edge AI आधारित उपायांची क्षमता दिसून येते. निरामाईच्या 'थर्मलिटिक्स'सारख्या प्रणाली Edge-आधारित AI च्या मदतीने निदान सेवा रुग्णांपर्यंत अधिक जवळ आणतात. कमी संसाधन असलेल्या भागांमध्ये रिअल-टाइम स्क्रीनिंग शक्य होतं आणि केंद्रीकृत पायाभूत सुविधांवरील अवलंबित्व कमी होतं. तसेच प्रतिमांचं विश्लेषण (इमेज प्रोसेसिंग) थेट जागेवरच करता येतं. या प्रणालीमुळे रेडिएशनवर आधारित तपासणी आणि शारीरिक संपर्काची गरजही कमी होते. काही मिनिटांतच तपासणीचे निष्कर्ष उपलब्ध होत असल्याने तात्काळ जोखमीचं मूल्यांकन करणं शक्य होतं. विशेषतः ग्रामीण आणि संसाधनांच्या मर्यादा असलेल्या भागांमध्ये हे अधिक महत्त्वाचं ठरतं.
आरोग्य क्षेत्रात निरामाईच्या ‘थर्मलिटिक्स’सारख्या उपाययोजना दाखवून देतात की Edge-आधारित AI निदान सेवा रुग्णांपर्यंत अधिक जवळ कशा आणू शकतो. कमी संसाधन असलेल्या भागांमध्ये रिअल-टाइम स्क्रीनिंग शक्य होतं आणि आरोग्यसेवा अधिक तत्काळ आणि स्थानिक पातळीवर उपलब्ध होऊ शकते.
ही उदाहरणं दाखवून देतात की महत्त्वाच्या प्रणालींमध्ये निर्णय जिथे घेतले जातात, तिथेच बुद्धिमत्ता अधिकाधिक प्रमाणात कार्यरत असणं आवश्यक आहे. त्याहून महत्त्वाचं म्हणजे, ही उदाहरणं भारताच्या डिजिटल पर्सनल डेटा प्रोटेक्शन (DPDP) कायद्यात अधोरेखित करण्यात आलेल्या गोपनीयता आणि डेटा सार्वभौमत्वाच्या महत्त्वालाही अधोरेखित करतात. याशिवाय, वितरित स्वरूपातील बुद्धिमत्ता ही पुढील पिढीतील डिजिटल प्रणालींचा मुख्य पाया ठरत आहे. भारताकडे आधीपासून उभारलेल्या डिजिटल सार्वजनिक पायाभूत सुविधांच्या आधारे हायब्रिड Edge-क्लाऊड इकोसिस्टम विकसित करण्याची मोठी संधी आहे. यामुळे कमी खर्चात, अधिक लवचिक आणि मोठ्या प्रमाणावर रिअल-टाइम सेवा पुरवणारी व्यवस्था उभी राहू शकते.
भारतातील Edge प्रणालींना स्थानिक वास्तवाशी संबंधित अनेक वेगळ्या अडचणींचा सामना करावा लागतो.
यामध्ये पर्यावरणीय, वर्तनाशी संबंधित आणि वापर-सुलभतेशी निगडित मर्यादांचा समावेश होतो. या गोष्टी थेट प्रणालींच्या कार्यक्षमतेवर आणि स्वीकारार्हतेवर परिणाम करतात. अनेक भागांमध्ये तापमान 40 अंश सेल्सिअसपेक्षा जास्त असल्याने कुलिंग व्यवस्था नसलेल्या उपकरणांमध्ये उष्णतेमुळे कार्यक्षमता कमी होणं (थर्मल थ्रॉटलिंग) आणि हार्डवेअरचं नुकसान होऊ शकतं. तसंच, तीव्र मान्सूनमुळे सेन्सर्स हलणे किंवा खराब होण्याचाही धोका असतो.
तांत्रिक अडचणींपलीकडेही अनेक समस्या आहेत. विशेषतः ग्रामीण भागांमध्ये डिजिटल साक्षरतेचा अभाव आणि तंत्रज्ञानावरील विश्वास कमी असल्यामुळे लोक स्वयंचलित प्रणालींवर अवलंबून राहण्यास कचरतात. यामागे पूर्वीचे नकारात्मक अनुभव किंवा कमकुवत UI/UX डिझाइन ही कारणं असू शकतात. त्यातच AI प्रणालींच्या निर्णयप्रक्रियेमध्ये पारदर्शकता आणि स्पष्टतेचा अभाव असल्याने त्यांचे निष्कर्ष सामान्य वापरकर्त्यांसाठी सहज समजण्यासारखे किंवा वापरण्यासारखे राहत नाहीत. याशिवाय, जबाबदारी आणि उत्तरदायित्वासंबंधी अस्पष्ट नियमांमुळे आधीपासून असलेली अविश्वासाची भावना आणखी वाढते. या सर्व कारणांमुळे Edge AI ही प्रत्यक्षात अंमलात आणण्यासाठी अधिक गुंतागुंतीची तंत्रज्ञान प्रणाली ठरते.
● डेटा गोपनीयता आणि सुरक्षेतील विरोधाभास
Edge AI मुळे सुरक्षा आणि व्यवस्थापनाशी संबंधित एक मोठा विरोधाभासही निर्माण होतो. दुर्गम आणि अनेकदा असुरक्षित भागांमध्ये तैनात करण्यात आलेली हजारो वितरित उपकरणं (डिव्हाइसेस) सतत निरीक्षणाखाली ठेवणं, अद्ययावत करणं आणि सुरक्षित राखणं अधिक कठीण ठरतं. त्यामुळे छेडछाड, चोरी किंवा भौतिक नुकसान होण्याचा धोका वाढतो. त्याचवेळी, इतक्या मोठ्या प्रमाणावर या प्रणालींचं व्यवस्थापन करणंही एक मोठं आव्हान ठरत आहे. विश्वासार्ह ओव्हर-द-एअर (OTA) अपडेट्स आणि विविध प्रकारच्या इनपुट्सवर आधारित रिमोट मॉनिटरिंगसारख्या मजबूत Edge MLOps (मशीन लर्निंग ऑपरेशन्स) क्षमता भारतात अजूनही पुरेशा विकसित झालेल्या नाहीत. परिणामी, विस्तीर्ण भागांमध्ये तैनात केलेल्या उपकरणांची कार्यक्षमता कायम राखणं आणि त्यांना सतत सुरक्षित व अद्ययावत ठेवणं कठीण होतं.
ही समस्या परदेशी मॉडेल्समध्ये अंतर्भूत असलेल्या पूर्वग्रहांमुळे किंवा विशिष्ट प्रकारच्या डेटाच्या अतिरेकामुळे आणखी गंभीर बनते. सध्या अनेक Edge AI प्रणाली अत्यंत स्थानिक स्वरूपाच्या डेटासेट्सवर अवलंबून आहेत. मात्र हे डेटासेट्स अनेकदा अपूर्ण असतात किंवा एकमेकांशी एकत्रित करणं कठीण ठरतं. त्यामुळे अचूकता कमी होण्याचा आणि विद्यमान पूर्वग्रह अधिक बळकट होण्याचा धोका निर्माण होतो. अनेकदा असुरक्षित समुदाय, विविध वांशिक गट आणि सामाजिक-आर्थिक स्तरांतील लोक या डेटासेट्समधून वगळले जातात. या सर्व कारणांमुळे Edge AI प्रणालींमध्ये वेगळ्या प्रकारच्या असुरक्षा निर्माण होतात आणि वितरित प्रणाली व्यवस्थापन तसेच डेटा गव्हर्नन्ससाठी नव्या दृष्टिकोनाची गरज अधोरेखित होते.
● विकेंद्रित (Decentralised) डेटा सेंटर्सची कमतरता
भारतामधील सध्याचं डेटा सेंटर नेटवर्क अजूनही प्रामुख्याने मुंबई, बंगळुरू, चेन्नई आणि विशाखापट्टणमसारख्या महानगरांपुरतंच मर्यादित आहे. यामागे समुद्राखालील केबल लँडिंग स्टेशन, औद्योगिक केंद्रं आणि आधीपासून उपलब्ध असलेली डिजिटल पायाभूत सुविधा यांची जवळीक हे प्रमुख कारण आहे. सध्या भारतात 10 पेक्षाही कमी मायक्रो डेटा सेंटर्स (MDCs) आहेत. मात्र, BSNL चे स्थानिक MDCs आणि ओपन क्लाऊड कम्प्युट (OCC) प्रकल्पासारखे उपक्रम AI आणि स्थानिक डेटा प्रक्रियेसाठी अशा 10,000 Edge सुविधा उभारण्याचं उद्दिष्ट ठेवून काम करत आहेत. तरीही, अस्थिर वीजपुरवठा आणि मर्यादित भूमिगत फायबर कनेक्टिव्हिटी ही Edge प्रणालींच्या विस्तारातील मोठी अडचण ठरत आहे. अनेक भागांमध्ये कमी विलंब असलेल्या 5G आणि AI Edge अनुप्रयोगांना आवश्यक असलेली फायबर नेटवर्कची घनताही उपलब्ध नाही.
स्थानिक मायक्रो डेटा सेंटर्सचा विस्तार करणं हे पायाभूत सुविधांमधील महत्त्वाच्या उणिवा भरून काढण्यासाठी अत्यावश्यक मानलं जात आहे. या सुविधा वापरकर्त्यांच्या अधिक जवळ डेटा प्रक्रिया करण्यास मदत करतात, त्यामुळे लांब अंतरावरील डेटा ट्रान्सफरशी संबंधित बँडविड्थ आणि ऊर्जा खर्च कमी होतो. तसंच, कमी कनेक्टिव्हिटी असलेल्या भागांमध्ये प्रणालींची लवचिकता वाढते आणि आरोग्य, शेती, संरक्षण आणि वाहतूक यांसारख्या क्षेत्रांमध्ये वितरित स्वरूपातील कामकाज अधिक प्रभावीपणे हाताळणं शक्य होतं.
एकमेकांशी सुसंगतपणे कार्य करण्याची क्षमता (इंटरऑपरेबिलिटी) नसल्यास Edge प्रणाली सामूहिक स्वरूपात डेटा एकत्रित करू शकत नाहीत किंवा त्यावर आधारित निर्णय घेऊ शकत नाहीत. त्यामुळे रिअल-टाइम आणि संपूर्ण प्रणाली-आधारित निर्णयप्रक्रियेची मूलभूत संकल्पनाच कमकुवत होते आणि वितरित AI ची परिणामकारकताही मर्यादित राहते.
● आर्थिक आणि नियामक अडथळे
विशेष प्रकारच्या Edge हार्डवेअरसाठी लागणारा मोठा प्रारंभिक खर्च अजूनही लहान आणि मध्यम उद्योगांसाठी परवडणारा नाही. विशेषतः लॉजिस्टिक्ससारख्या क्षेत्रांमध्ये, युनिफाइड लॉजिस्टिक्स इंटरफेस प्लॅटफॉर्म (ULIP) सारख्या सुविधा उपलब्ध असूनही हा खर्च मोठं आव्हान ठरतो. त्याचवेळी, विविध उपकरणं आणि प्लॅटफॉर्म्समध्ये एकसमान मानकांचा अभाव असल्यामुळे इंटरऑपरेबिलिटीशी संबंधित गंभीर समस्या निर्माण होतात. अनेक विक्रेते स्वतःच्या मालकीच्या प्रोटोकॉल्सवर अवलंबून असल्यामुळे विखुरलेली डेटा सायलो प्रणाली तयार होते, जिथे वेगवेगळ्या प्रणाली एकमेकांशी सहज संवाद साधू शकत नाहीत. परिणामी ड्रोन, वेअरहाऊसेस, सेन्सर्स आणि वाहनांसारख्या वितरित नोड्सना एकत्रित बुद्धिमत्ता प्रणालीमध्ये जोडणं कठीण होतं. इंटरऑपरेबिलिटीचा अभाव असल्यास Edge प्रणाली सामूहिक स्वरूपात डेटा एकत्रित करू शकत नाहीत किंवा त्यावर आधारित निर्णय घेऊ शकत नाहीत. त्यामुळे रिअल-टाइम, संपूर्ण प्रणालीवर आधारित निर्णयप्रक्रियेची संकल्पना कमकुवत होते आणि वितरित AI ची प्रभावीता मर्यादित राहते.
● हार्डवेअर
सध्या भारतामध्ये स्वदेशी पातळीवर डिझाइन करण्यात आलेल्या ॲनालॉग-मिश्रित सिग्नल इंटिग्रेटेड सर्किट्स (AMICs) ची कमतरता आहे. ही सर्किट्स डिजिटल आणि ॲनालॉग सिग्नल्स एकत्र हाताळतात आणि विशेषतः ऑडिओ-व्हिडिओ उपकरणं, वाहन प्रणाली (उदा. रडार आणि सेन्सर फ्युजन) तसेच IoT सेन्सर्समध्ये त्यांचं महत्त्व मोठं आहे. मात्र, गेल्या काही वर्षांत अनेक आंतरराष्ट्रीय स्टार्टअप्सनी भारतात आपली उपस्थिती निर्माण केली आहे. त्यामुळे तरुण भारतीय अभियंत्यांना अत्यंत विशेषीकृत कामाचा अनुभव मिळत आहे. आयआयटी मद्रासमधील काही संशोधन गट ॲनालॉग, RF आणि मिश्रित-सिग्नल ICs तसेच त्यांच्या प्रत्यक्ष वापरावरही संशोधन करत आहेत.
तरीही, इलेक्ट्रॉनिक डिझाइन ऑटोमेशन (EDA) साधनांवरील अवलंबित्व कायम आहे. बहुतांश चिप डिझाइन्स अजूनही Synopsys, Siemens आणि Cadence Design Systems यांसारख्या कंपन्यांच्या मालकीच्या साधनांवर आधारित आहेत. मात्र, आयआयटी बॉम्बेतील eSim सारख्या ओपन-सोर्स EDA उपक्रमांचाही भारत सक्रियपणे शोध घेत आहे. याशिवाय, Simyog Technologies सारख्या स्टार्टअप्स प्रारंभिक टप्प्यातील हार्डवेअर डिझाइन्ससाठी चाचणी आणि प्रमाणीकरण (टेस्टिंग अँड व्हॅलिडेशन) उपाय विकसित करत आहेत.
याशिवाय, पोस्ट-सिलिकॉन रिलायबिलिटी इन्फ्रास्ट्रक्चर म्हणजे उत्पादनानंतर आणि प्रत्यक्ष वापरापूर्वी मायक्रोचिप्सची चाचणी करण्यासाठी लागणारी साधनं, हार्डवेअर आणि सॉफ्टवेअर व्यवस्था अजूनही पुरेशी विकसित झालेली नाही. सध्या दोन फॅब्स आणि आठ ATMPs/OSATs ला मान्यता देण्यात आली आहे. मात्र, अधिक क्षेत्रनिहाय चाचणी पायाभूत सुविधांची गरज कायम आहे. याशिवाय, सेमीकंडक्टर मिशन 2.0 अंतर्गत Qualcomm ने 2nm चिप डिझाइनचं टेप-आउट पूर्ण केलं आहे, जे Edge AI अनुप्रयोगांसाठी महत्त्वाचं मानलं जात आहे.
● सॉफ्टवेअर आणि मॉडेल्स
भारतामध्ये मिडलवेअर आणि कम्पायलरशी संबंधित मोठी कमतरता आहे. मिडलवेअर हे विखुरलेला डेटा, मॉडेल्स आणि वर्कफ्लोज यांना एकत्र जोडून त्यांचं विस्तारक्षम प्रणालीमध्ये रूपांतर करणारं स्तर म्हणून काम करतं. India AIKosh डेटासेट हे अशा प्रकारचं एक महत्त्वाचं मिडलवेअर प्लॅटफॉर्म मानलं जातं. त्यासोबत Infosys, Wipro आणि इतर कंपन्यांकडूनही एंटरप्राइज उपाय उपलब्ध करून दिले जात आहेत. मात्र, भारतातील सुमारे 45 टक्के उद्योग अजूनही कमी परिपक्व आणि अत्यंत विखुरलेल्या डेटा पायाभूत व्यवस्थेवर कार्यरत आहेत, कारण वेगवेगळे डेटा सायलो एकत्रित करणं कठीण ठरतं.
Apache TVM आणि NVIDIA TensorRT सारखे कम्पायलर्स जटिल मशीन लर्निंग मॉडेल्समधील सोर्स कोडचं रूपांतर करतात आणि तो विद्यमान हार्डवेअर, विशेषतः GPUs साठी अनुकूल स्वरूपात वापरण्याची क्षमता देतात.
तरीही, PyTorch किंवा TensorFlow सारख्या फ्रेमवर्क्सचं Edge उपकरणांसाठी अनुकूलित कोडमध्ये प्रभावी रूपांतर करू शकणारी एकसंध, ओपन आणि स्वदेशी Edge कम्पायलर प्रणाली अजून अस्तित्वात नाही. मात्र, यासाठी विविध स्तरांवर प्रयत्न सुरू आहेत. विशेषतः Multi-Level Intermediate Representation (MLIR) या नव्या ओपन-सोर्स पद्धतीवर काम सुरू आहे. PolyMage Labs ने विकसित केलेली ही प्रणाली विविध हार्डवेअर व्यवस्थांमधील विखुरलेपणा कमी करण्याचा प्रयत्न करते.
● Edge AI साठी संरचनात्मक सुधारणा आवश्यक
जागतिक अनुभव दर्शवतो की AI चा मोठ्या प्रमाणावर विस्तार केवळ तांत्रिक क्षमतेवर नाही, तर प्रशासनिक व्यवस्थेतील बदलांवरही तितकाच अवलंबून असतो. प्रगत Edge AI प्रणाली अनेकदा केवळ प्रायोगिक प्रकल्पांपुरत्याच मर्यादित राहण्याचा धोका आहे, कारण त्यांना व्यापक पायाभूत व्यवस्थेचा भाग बनण्यापासून काही संरचनात्मक मर्यादा रोखतात. भारतामध्ये यातील एक महत्त्वाची अडचण म्हणजे स्थानिक पातळीवरील अंमलबजावणी करणाऱ्या संस्थांमध्ये पुरेशी तांत्रिक क्षमता नसणं. परिणामी, बाह्य विक्रेत्यांवरील अवलंबित्व वाढलं आहे. त्याचवेळी, विविध सरकारी डेटाबेसेसमध्ये इंटरऑपरेबिलिटी सुधारण्याचं आव्हानही कायम आहे.
जागतिक अनुभव दर्शवतो की AI चा विस्तार केवळ तांत्रिक क्षमतेवर नाही, तर प्रशासनिक व्यवस्थेतील परिवर्तनावरही तितकाच अवलंबून असतो.
यासाठी मंत्रालये, राज्य सरकारे आणि शहरी स्थानिक स्वराज्य संस्थांमध्ये स्वतंत्र डिजिटल पथकांची उभारणी करणं अत्यावश्यक आहे. त्याचबरोबर, डिजिटल साक्षरतेला प्रशासनातील मूलभूत क्षमता म्हणून विकसित करणंही तितकंच महत्त्वाचं ठरतं. जिल्हा आणि राज्य स्तरावरील अधिकाऱ्यांना अधिकाधिक डेटा-आधारित होत चाललेल्या प्रशासनिक व्यवस्थेमध्ये AI प्रणालींचं मूल्यमापन आणि अंमलबजावणी करण्यासाठी सक्षम करणं आवश्यक आहे. यामुळे तांत्रिक कौशल्य असलेल्या व्यक्तींना सुरुवातीच्या टप्प्यात ओळखून त्यांना प्रोत्साहन देणं शक्य होईल आणि अधिक समावेशक तसेच वितरित स्वरूपाची नवोपक्रम व्यवस्था विकसित होऊ शकेल.
भारताची AI धोरणं जिल्हा स्तरापर्यंत पोहोचणंही आवश्यक आहे, कारण अंमलबजावणीशी संबंधित सर्वाधिक गंभीर आव्हानं याच स्तरावर दिसून येतात. विद्यार्थी आणि पदवीधरांच्या सहभागाला प्रोत्साहन देणाऱ्या स्थानिक नवोपक्रम व्यवस्थांमधून स्थानिक गरजांनुसार उपाय विकसित होऊ शकतात. त्यानंतर यशस्वी मॉडेल्स राष्ट्रीय स्तरावरील प्लॅटफॉर्मद्वारे व्यापक प्रमाणावर विस्तारता येऊ शकतात. शेवटी, AI प्रणालींची अंमलबजावणी स्थानिक वास्तवाशी सुसंगत असणं आवश्यक आहे. त्यासाठी स्थानिक भाषांमधील इंटरफेसेसचा वापर, विद्यमान सरकारी डेटा व्यवस्थांशी एकत्रीकरण आणि डिजिटल सार्वजनिक पायाभूत सुविधा (DPI) यांच्याशी सुसंगती महत्त्वाची ठरेल. या सुधारणा न झाल्यास भारत मोठ्या प्रमाणावर AI क्षमता उभारेल, मात्र तिचा प्रत्यक्ष परिणाम व्यापक स्तरावर साध्य करण्यात अपयशी ठरू शकतो.
इशीता देशमुख या ऑब्झर्व्हर रिसर्च फाउंडेशनमध्ये इंटर्न 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.
Ishita Deshmukh is a Research Assistant with ORF’s Centre for Security, Strategy & Technology. Her work focuses on how artificial intelligence is reshaping national security, economic ...
Read More +
PREV
.webp)
.png)