কৃত্রিম বুদ্ধিমত্তা (AI) সাম্প্রতিক বছরগুলিতে ব্যাংকিং সেক্টর সহ অনেক ক্ষেত্রে বিপ্লব ঘটিয়েছে। এর বাস্তবায়নের ইতিবাচক এবং নেতিবাচক উভয় দিকই রয়েছে, বিশেষ করে ঋণ দেওয়ার ক্ষেত্রে অ্যালগরিদমিক বৈষম্যের সমস্যা৷
কানাডায় এবং আরও বিস্তৃতভাবে সারা বিশ্বে, প্রধান ব্যাঙ্কগুলির মধ্যে AI প্রয়োগের ফলে পরিষেবাগুলিকে আরও বেশি ব্যক্তিগতকরণের অফার করার সময় উত্পাদনশীলতা বৃদ্ধি পেয়েছে৷
IEEE গ্লোবাল সার্ভে অনুসারে, 2025 সালের মধ্যে বিশ্বব্যাপী AI-ভিত্তিক সমাধান গ্রহণের পরিমাণ দ্বিগুণ হবে, যা আর্থিক প্রতিষ্ঠানের 80 শতাংশে পৌঁছাবে বলে আশা করা হচ্ছে।
কিছু ব্যাঙ্ক আরও উন্নত, যেমন BMO ফাইন্যান্সিয়াল গ্রুপ, যারা প্রতিযোগিতামূলক থাকার জন্য তার ডিজিটাল পরিষেবাগুলিতে AI-এর একীকরণের তদারকি করার জন্য নির্দিষ্ট অবস্থান তৈরি করেছে। ফলস্বরূপ, AI-কে ধন্যবাদ, 2028 সালের মধ্যে বিশ্বব্যাপী ব্যাঙ্কিং শিল্পের মুনাফা US$2 ট্রিলিয়ন ছাড়িয়ে যেতে পারে, যা 2024 থেকে 2028 সালের মধ্যে প্রায় নয় শতাংশ বৃদ্ধির প্রতিনিধিত্ব করে৷
লাভাল ইউনিভার্সিটি অফ নলেজ অ্যান্ড ইনোভেশন ম্যানেজমেন্টের একজন অধ্যাপক এবং একজন বিজ্ঞান কমিউনিকেটর হিসেবে, অ্যালগরিদমিক বৈষম্যের উপর একটি গবেষণা প্রকল্পের লেখক কান্দেত ওমর বাহ এবং ফরাসি প্রুডেন্সিয়াল সুপারভিশন অ্যান্ড রেজোলিউশন অথরিটির গভর্নেন্স এবং সাইবার ঝুঁকির বিশেষজ্ঞ আজিজা হালিলেম এই বিশ্লেষণটি লিখতে আমাকে সহায়তা করেছিলেন৷
ব্যাঙ্কিং সেক্টরে AI এর একীকরণ ইতিমধ্যে আর্থিক প্রক্রিয়াগুলিকে উল্লেখযোগ্যভাবে অপ্টিমাইজ করেছে, 25 থেকে 40 শতাংশ পরিচালন দক্ষতা লাভ করেছে৷ বড় ডেটার ক্রমবর্ধমান ক্ষমতার সাথে একত্রিত - উদাহরণস্বরূপ, ডেটার বিশাল সংগ্রহ - AI শক্তিশালী বিশ্লেষণ অফার করে যা ইতিমধ্যেই আর্থিক সিস্টেমের ত্রুটি মার্জিন 18 থেকে 30 শতাংশ কমাতে পারে৷
এটি রিয়েল টাইমে লক্ষ লক্ষ লেনদেন নিরীক্ষণ করা, সন্দেহজনক আচরণ সনাক্ত করা এবং এমনকি কিছু প্রতারণামূলক লেনদেনকে প্রতিরোধমূলকভাবে ব্লক করাও সম্ভব করে তোলে। এটি J.P. Morgan দ্বারা বাস্তবায়িত ব্যবহারগুলির মধ্যে একটি।
এছাড়াও, FICO-এর মতো প্ল্যাটফর্মগুলি, যা AI-ভিত্তিক সিদ্ধান্ত বিশ্লেষণে বিশেষজ্ঞ, আর্থিক প্রতিষ্ঠানগুলিকে বিভিন্ন ধরনের গ্রাহক ডেটার সুবিধা নিতে সাহায্য করে, উন্নত ভবিষ্যদ্বাণীমূলক মডেলগুলির মাধ্যমে তাদের ক্রেডিট সিদ্ধান্তগুলিকে পরিমার্জিত করে৷
বিশ্বের বেশ কয়েকটি ব্যাংক এখন স্বয়ংক্রিয় রেটিং অ্যালগরিদমের উপর নির্ভর করে যা আয়, ক্রেডিট ইতিহাস এবং ঋণের অনুপাত সহ কয়েক সেকেন্ডের মধ্যে অসংখ্য প্যারামিটার বিশ্লেষণ করতে পারে। ক্রেডিট মার্কেটে, এই টুলগুলি উল্লেখযোগ্যভাবে আবেদনের প্রক্রিয়াকরণের উন্নতি করে, বিশেষ করে "মানক" ক্ষেত্রে, যেমন সুস্পষ্ট ঋণের গ্যারান্টি রয়েছে।
কিন্তু অন্যান্য ক্ষেত্রে কি?
যেমন আমেরিকান গবেষক তাম্বারি নুকা এবং আমোস ওগুনোলা উল্লেখ করেছেন, অ্যালগরিদমগুলি ন্যায্য এবং উদ্দেশ্যমূলক ভবিষ্যদ্বাণী তৈরি করে এমন বিভ্রমটি ব্যাংকিং খাতের জন্য একটি বড় ঝুঁকি তৈরি করে।
বৈজ্ঞানিক সাহিত্য পর্যালোচনা করে, তারা স্বয়ংক্রিয় সিস্টেমে জটিল মানব আচরণের মূল্যায়ন অন্ধভাবে অর্পণ করার প্রলোভনের বিরুদ্ধে সতর্ক করে। কানাডার সহ বেশ কয়েকটি কেন্দ্রীয় ব্যাঙ্কও এই বিষয়ে দৃঢ় সংকল্প প্রকাশ করেছে, এআই-এর উপর অতিরিক্ত নির্ভরতার সাথে যুক্ত কর্মক্ষম ঝুঁকি সম্পর্কে সতর্ক করেছে, বিশেষ করে ঋণযোগ্যতা এবং স্বচ্ছলতা মূল্যায়নের ক্ষেত্রে।
যদিও অ্যালগরিদমগুলি প্রযুক্তিগতভাবে নিরপেক্ষ, তারা বিদ্যমান বৈষম্যকে প্রসারিত করতে পারে যখন প্রশিক্ষণের ডেটা ঐতিহাসিক পক্ষপাত দ্বারা কলঙ্কিত হয়, বিশেষ করে নির্দিষ্ট গোষ্ঠীর বিরুদ্ধে পদ্ধতিগত বৈষম্য থেকে উত্তরাধিকারসূত্রে প্রাপ্ত। এই পক্ষপাতগুলি শুধুমাত্র লিঙ্গ বা জাতিগত উৎপত্তির মতো সুস্পষ্ট পরিবর্তনশীল থেকে নয়, বরং বসবাসের স্থান বা কর্মসংস্থানের প্রকারের মতো কারণগুলির সাথে পরোক্ষ সম্পর্ক থেকেও ঘটে৷
উদাহরণস্বরূপ, রেটিং সিস্টেমগুলি মহিলাদের জন্য নিম্ন ক্রেডিট সীমা নির্ধারণ করতে পারে, এমনকি এমন পরিস্থিতিতে যেখানে তারা আর্থিকভাবে পুরুষদের সমতুল্য। পোস্টাল কোড এবং কর্মসংস্থানের ইতিহাসের মতো ভেরিয়েবলগুলি বিশ্লেষণ করলেও প্রান্তিক গোষ্ঠীর সদস্যদের বাদ দেওয়া যেতে পারে, যেমন জাতিগত ব্যক্তি, অনিয়মিত আয়ের শ্রমিক এবং সাম্প্রতিক অভিবাসীরা৷
ভার্জিনিয়া ইউব্যাঙ্কস, মার্কিন যুক্তরাষ্ট্রের একজন অধ্যাপক এবং সামাজিক ন্যায়বিচারের একজন বিশেষজ্ঞ, এই ঘটনাটিকে ভালভাবে চিত্রিত করেছেন, দেখিয়েছেন যে কীভাবে ঐতিহাসিকভাবে সুবিধাবঞ্চিত এলাকায় বসবাসকারী বা অ্যাটিপিকাল কর্মজীবনের পথের সাথে বসবাসকারী লোকেরা পক্ষপাতমূলক ডেটার উপর ভিত্তি করে স্বয়ংক্রিয় আর্থিক সিদ্ধান্তের দ্বারা দণ্ডিত হয়৷
এটি একটি গুরুত্বপূর্ণ প্রশ্ন উত্থাপন করে:কীভাবে আমরা নিশ্চিত করতে পারি যে আর্থিক সিদ্ধান্তের স্বয়ংক্রিয়তা ব্যাঙ্কিং পরিষেবাগুলিতে অ্যাক্সেসের বৈষম্য কমাতে সাহায্য করে?
বৈষম্যের এই ঝুঁকিগুলির প্রতিক্রিয়া হিসাবে বৈজ্ঞানিক সাহিত্যে বেশ কয়েকটি উপায় অনুসন্ধান করা হচ্ছে। নুকা এবং ওগুনোলা, উদাহরণস্বরূপ, একটি আর্থিক অন্তর্ভুক্তির পদ্ধতির পরামর্শ দেয়। এটি সামাজিক গোষ্ঠীর মধ্যে চিকিত্সার বৈষম্য কমাতে প্রশিক্ষণের ডেটাতে পক্ষপাতিত্বগুলি সনাক্ত এবং সংশোধন করে পরিসংখ্যানগত মডেলগুলিকে ক্রমাগত উন্নত করা জড়িত৷
প্রযুক্তিগত সমাধানের বাইরে, অর্থের মতো সংবেদনশীল খাতে অ্যালগরিদমের স্বচ্ছতা এবং ন্যায্যতা নিশ্চিত করার জন্য সম্প্রতি নিয়ন্ত্রক কাঠামো স্থাপন করা হয়েছে। কানাডার আর্টিফিশিয়াল ইন্টেলিজেন্স অ্যান্ড ডেটা অ্যাক্ট এবং ইউরোপের ইইউ আর্টিফিশিয়াল ইন্টেলিজেন্স অ্যাক্ট এর উদাহরণ। পরেরটি, 2024 সালে গৃহীত এবং ধীরে ধীরে প্রয়োগ করা হয়, উচ্চ-ঝুঁকির AI সিস্টেমগুলির উপর কঠোর প্রয়োজনীয়তা আরোপ করে, যেমন ক্রেডিট প্রদানের জন্য ব্যবহৃত হয়৷
অনুচ্ছেদ 13 সিস্টেমগুলি নিরীক্ষণযোগ্য এবং তাদের সিদ্ধান্তগুলি সমস্ত স্টেকহোল্ডারদের দ্বারা বোঝা যায় তা নিশ্চিত করার জন্য স্বচ্ছতার প্রয়োজনীয়তাগুলি নির্ধারণ করে৷ লক্ষ্য হল অ্যালগরিদমিক বৈষম্য প্রতিরোধ করা এবং নৈতিক ও ন্যায্য ব্যবহার নিশ্চিত করা। ন্যায্য প্রতিযোগিতার নিয়ম মেনে চলা এবং আর্থিক স্থিতিশীলতা এবং গ্রাহক সুরক্ষার স্বার্থে বিচক্ষণ ও স্বচ্ছ অনুশীলনের নিশ্চয়তা নিশ্চিত করতে আর্থিক নিয়ন্ত্রকদেরও গুরুত্বপূর্ণ ভূমিকা রয়েছে।
যাইহোক, কিছু প্রযুক্তি এবং আর্থিক লবিগুলির কঠোর মানগুলি গ্রহণকে ধীর করার জন্য চাপ একটি উল্লেখযোগ্য ঝুঁকি তৈরি করে:কিছু দেশে নিয়ন্ত্রণের অভাব এবং অন্যগুলিতে প্রয়োগের অসুবিধাগুলি অস্বচ্ছতাকে উত্সাহিত করতে পারে, যা সবচেয়ে দুর্বল নাগরিকদের ক্ষতি করতে পারে৷