ਵਿਸ਼ਵ ਸਿਹਤ ਸੰਗਠਨ ਨੇ ਜਨਸੰਖਿਆ ਦੀ ਸਿਹਤ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਨ ਅਤੇ ਸੁਰੱਖਿਅਤ ਕਰਨ ਲਈ ਇਸਦੀ ਢੁਕਵੀਂ ਵਰਤੋਂ ਲਈ ਵੱਡੇ ਮਲਟੀ-ਮੋਡਲ ਮਾਡਲਾਂ (LMMs) ਦੀ ਨੈਤਿਕਤਾ ਅਤੇ ਸ਼ਾਸਨ ਬਾਰੇ ਨਵੀਂ ਸੇਧ ਜਾਰੀ ਕੀਤੀ ਹੈ। LMMs ਇੱਕ ਕਿਸਮ ਦੀ ਤੇਜ਼ੀ ਨਾਲ ਵਧ ਰਹੀ ਪੈਦਾਵਾਰ ਹੈ ਬਣਾਵਟੀ ਗਿਆਨ (AI) ਤਕਨਾਲੋਜੀ ਜਿਸ ਵਿੱਚ ਸਿਹਤ ਲਈ ਪੰਜ ਵਿਆਪਕ ਐਪਲੀਕੇਸ਼ਨ ਹਨ in
1. ਨਿਦਾਨ ਅਤੇ ਕਲੀਨਿਕਲ ਦੇਖਭਾਲ, ਜਿਵੇਂ ਕਿ ਮਰੀਜ਼ਾਂ ਦੇ ਲਿਖਤੀ ਸਵਾਲਾਂ ਦਾ ਜਵਾਬ ਦੇਣਾ;
2. ਮਰੀਜ਼ ਦੁਆਰਾ ਨਿਰਦੇਸ਼ਿਤ ਵਰਤੋਂ, ਜਿਵੇਂ ਕਿ ਲੱਛਣਾਂ ਅਤੇ ਇਲਾਜ ਦੀ ਜਾਂਚ ਲਈ;
3. ਕਲੈਰੀਕਲ ਅਤੇ ਪ੍ਰਸ਼ਾਸਕੀ ਕੰਮ, ਜਿਵੇਂ ਕਿ ਇਲੈਕਟ੍ਰਾਨਿਕ ਸਿਹਤ ਰਿਕਾਰਡਾਂ ਦੇ ਅੰਦਰ ਮਰੀਜ਼ਾਂ ਦੀ ਮੁਲਾਕਾਤ ਦਾ ਦਸਤਾਵੇਜ਼ੀਕਰਨ ਅਤੇ ਸੰਖੇਪ ਕਰਨਾ;
4. ਮੈਡੀਕਲ ਅਤੇ ਨਰਸਿੰਗ ਸਿੱਖਿਆ, ਸਿਖਿਆਰਥੀਆਂ ਨੂੰ ਸਿਮੂਲੇਟਡ ਮਰੀਜ਼ਾਂ ਦੇ ਮੁਕਾਬਲੇ ਪ੍ਰਦਾਨ ਕਰਨ ਸਮੇਤ, ਅਤੇ;
5. ਵਿਗਿਆਨਕ ਖੋਜ ਅਤੇ ਨਸ਼ੀਲੇ ਪਦਾਰਥਾਂ ਦਾ ਵਿਕਾਸ, ਜਿਸ ਵਿੱਚ ਨਵੇਂ ਮਿਸ਼ਰਣਾਂ ਦੀ ਪਛਾਣ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ।
ਹਾਲਾਂਕਿ, ਹੈਲਥਕੇਅਰ ਵਿੱਚ ਇਹ ਐਪਲੀਕੇਸ਼ਨਾਂ ਗਲਤ, ਗਲਤ, ਪੱਖਪਾਤੀ, ਜਾਂ ਅਧੂਰੇ ਬਿਆਨ ਪੈਦਾ ਕਰਨ ਦੇ ਜੋਖਮਾਂ ਨੂੰ ਚਲਾਉਂਦੀਆਂ ਹਨ, ਜੋ ਸਿਹਤ ਫੈਸਲੇ ਲੈਣ ਵਿੱਚ ਅਜਿਹੀ ਜਾਣਕਾਰੀ ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਾਲੇ ਲੋਕਾਂ ਨੂੰ ਨੁਕਸਾਨ ਪਹੁੰਚਾ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਤੋਂ ਇਲਾਵਾ, LMMs ਨੂੰ ਅਜਿਹੇ ਡੇਟਾ 'ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾ ਸਕਦੀ ਹੈ ਜੋ ਮਾੜੀ ਗੁਣਵੱਤਾ ਵਾਲੇ ਜਾਂ ਪੱਖਪਾਤੀ ਹਨ, ਭਾਵੇਂ ਨਸਲ, ਨਸਲ, ਵੰਸ਼, ਲਿੰਗ, ਲਿੰਗ ਪਛਾਣ, ਜਾਂ ਉਮਰ ਦੁਆਰਾ। ਸਿਹਤ ਪ੍ਰਣਾਲੀਆਂ ਲਈ ਵਿਆਪਕ ਜੋਖਮ ਵੀ ਹਨ, ਜਿਵੇਂ ਕਿ ਸਭ ਤੋਂ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਵਾਲੇ LMM ਦੀ ਪਹੁੰਚਯੋਗਤਾ ਅਤੇ ਸਮਰੱਥਾ। LMM ਸਿਹਤ ਸੰਭਾਲ ਪੇਸ਼ੇਵਰਾਂ ਅਤੇ ਮਰੀਜ਼ਾਂ ਦੁਆਰਾ 'ਆਟੋਮੇਸ਼ਨ ਪੱਖਪਾਤ' ਨੂੰ ਵੀ ਉਤਸ਼ਾਹਿਤ ਕਰ ਸਕਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਗਲਤੀਆਂ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜੋ ਕਿ ਨਹੀਂ ਤਾਂ ਪਛਾਣੀਆਂ ਜਾਂਦੀਆਂ ਹਨ ਜਾਂ ਮੁਸ਼ਕਲ ਵਿਕਲਪਾਂ ਨੂੰ ਗਲਤ ਤਰੀਕੇ ਨਾਲ LMM ਨੂੰ ਸੌਂਪਿਆ ਜਾਂਦਾ ਹੈ। LMM, ਦੇ ਹੋਰ ਰੂਪਾਂ ਵਾਂਗ AI, ਸਾਈਬਰ ਸੁਰੱਖਿਆ ਜੋਖਮਾਂ ਲਈ ਵੀ ਕਮਜ਼ੋਰ ਹਨ ਜੋ ਮਰੀਜ਼ਾਂ ਦੀ ਜਾਣਕਾਰੀ ਜਾਂ ਇਹਨਾਂ ਐਲਗੋਰਿਦਮਾਂ ਦੀ ਭਰੋਸੇਯੋਗਤਾ ਅਤੇ ਸਿਹਤ ਸੰਭਾਲ ਦੇ ਪ੍ਰਬੰਧ ਨੂੰ ਵਧੇਰੇ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਖਤਰੇ ਵਿੱਚ ਪਾ ਸਕਦੇ ਹਨ।
ਇਸ ਲਈ, ਸੁਰੱਖਿਅਤ ਅਤੇ ਪ੍ਰਭਾਵੀ LMMs ਬਣਾਉਣ ਲਈ, WHO ਨੇ LMMs ਦੇ ਸਰਕਾਰਾਂ ਅਤੇ ਵਿਕਾਸਕਾਰਾਂ ਲਈ ਸਿਫ਼ਾਰਸ਼ਾਂ ਕੀਤੀਆਂ ਹਨ।
ਸਰਕਾਰਾਂ ਦੀ ਮੁੱਖ ਜ਼ਿੰਮੇਵਾਰੀ ਹੈ ਕਿ ਉਹ LMM ਦੇ ਵਿਕਾਸ ਅਤੇ ਤਾਇਨਾਤੀ ਲਈ ਮਾਪਦੰਡ ਨਿਰਧਾਰਤ ਕਰਨ, ਅਤੇ ਉਹਨਾਂ ਦੇ ਏਕੀਕਰਨ ਅਤੇ ਜਨਤਕ ਸਿਹਤ ਅਤੇ ਡਾਕਟਰੀ ਉਦੇਸ਼ਾਂ ਲਈ ਵਰਤੋਂ। ਸਰਕਾਰਾਂ ਨੂੰ ਗੈਰ-ਲਾਭਕਾਰੀ ਜਾਂ ਜਨਤਕ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਵਿੱਚ ਨਿਵੇਸ਼ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਕੰਪਿਊਟਿੰਗ ਪਾਵਰ ਅਤੇ ਜਨਤਕ ਡੇਟਾ ਸੈੱਟ ਸ਼ਾਮਲ ਹਨ, ਜਨਤਕ, ਨਿੱਜੀ ਅਤੇ ਗੈਰ-ਲਾਭਕਾਰੀ ਖੇਤਰਾਂ ਵਿੱਚ ਡਿਵੈਲਪਰਾਂ ਲਈ ਪਹੁੰਚਯੋਗ, ਜਿਸ ਲਈ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਅਤੇ ਮੁੱਲਾਂ ਦੀ ਪਾਲਣਾ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਪਹੁੰਚ ਲਈ ਵਟਾਂਦਰਾ.
· ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਕਾਨੂੰਨਾਂ, ਨੀਤੀਆਂ ਅਤੇ ਨਿਯਮਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ ਕਿ ਸਿਹਤ ਸੰਭਾਲ ਅਤੇ ਦਵਾਈ ਵਿੱਚ ਵਰਤੇ ਜਾਂਦੇ LMMs ਅਤੇ ਐਪਲੀਕੇਸ਼ਨਾਂ, ਨਾਲ ਜੁੜੇ ਜੋਖਮ ਜਾਂ ਲਾਭ ਦੀ ਪਰਵਾਹ ਕੀਤੇ ਬਿਨਾਂ AI ਤਕਨਾਲੋਜੀ, ਨੈਤਿਕ ਜ਼ਿੰਮੇਵਾਰੀਆਂ ਅਤੇ ਮਨੁੱਖੀ ਅਧਿਕਾਰਾਂ ਦੇ ਮਾਪਦੰਡਾਂ ਨੂੰ ਪੂਰਾ ਕਰਨਾ ਜੋ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ, ਉਦਾਹਰਨ ਲਈ, ਕਿਸੇ ਵਿਅਕਤੀ ਦੀ ਸ਼ਾਨ, ਖੁਦਮੁਖਤਿਆਰੀ ਜਾਂ ਨਿੱਜਤਾ।
· ਇੱਕ ਮੌਜੂਦਾ ਜਾਂ ਨਵੀਂ ਰੈਗੂਲੇਟਰੀ ਏਜੰਸੀ ਨੂੰ ਐੱਲ.ਐੱਮ.ਐੱਮ. ਅਤੇ ਸਿਹਤ ਦੇਖ-ਰੇਖ ਜਾਂ ਦਵਾਈ ਵਿੱਚ ਵਰਤੋਂ ਲਈ ਤਿਆਰ ਕੀਤੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਅਤੇ ਮਨਜ਼ੂਰੀ ਦੇਣ ਲਈ ਨਿਯੁਕਤ ਕਰੋ - ਸਰੋਤ ਪਰਮਿਟ ਵਜੋਂ।
· ਇੱਕ LMM ਨੂੰ ਵੱਡੇ ਪੈਮਾਨੇ 'ਤੇ ਤਾਇਨਾਤ ਕੀਤੇ ਜਾਣ 'ਤੇ ਸੁਤੰਤਰ ਤੀਜੀ ਧਿਰਾਂ ਦੁਆਰਾ, ਡਾਟਾ ਸੁਰੱਖਿਆ ਅਤੇ ਮਨੁੱਖੀ ਅਧਿਕਾਰਾਂ ਸਮੇਤ, ਲਾਜ਼ਮੀ ਪੋਸਟ-ਰਿਲੀਜ਼ ਆਡਿਟਿੰਗ ਅਤੇ ਪ੍ਰਭਾਵ ਮੁਲਾਂਕਣਾਂ ਦੀ ਸ਼ੁਰੂਆਤ ਕਰੋ। ਆਡਿਟਿੰਗ ਅਤੇ ਪ੍ਰਭਾਵ ਮੁਲਾਂਕਣ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤੇ ਜਾਣੇ ਚਾਹੀਦੇ ਹਨ
ਅਤੇ ਉਪਭੋਗਤਾ ਦੀ ਕਿਸਮ ਦੁਆਰਾ ਵੱਖ ਕੀਤੇ ਨਤੀਜਿਆਂ ਅਤੇ ਪ੍ਰਭਾਵਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ, ਉਦਾਹਰਨ ਲਈ ਉਮਰ, ਨਸਲ ਜਾਂ ਅਪਾਹਜਤਾ ਸਮੇਤ।
LMM ਨਾ ਸਿਰਫ਼ ਵਿਗਿਆਨੀਆਂ ਅਤੇ ਇੰਜੀਨੀਅਰਾਂ ਦੁਆਰਾ ਡਿਜ਼ਾਈਨ ਕੀਤੇ ਗਏ ਹਨ। ਸੰਭਾਵੀ ਉਪਭੋਗਤਾਵਾਂ ਅਤੇ ਡਾਕਟਰੀ ਪ੍ਰਦਾਤਾਵਾਂ, ਵਿਗਿਆਨਕ ਖੋਜਕਰਤਾਵਾਂ, ਸਿਹਤ ਸੰਭਾਲ ਪੇਸ਼ੇਵਰਾਂ ਅਤੇ ਮਰੀਜ਼ਾਂ ਸਮੇਤ, ਸਾਰੇ ਸਿੱਧੇ ਅਤੇ ਅਸਿੱਧੇ ਹਿੱਸੇਦਾਰਾਂ ਨੂੰ ਸ਼ੁਰੂਆਤੀ ਪੜਾਵਾਂ ਤੋਂ ਹੀ ਸ਼ਾਮਲ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। AI ਢਾਂਚਾਗਤ, ਸੰਮਲਿਤ, ਪਾਰਦਰਸ਼ੀ ਡਿਜ਼ਾਇਨ ਵਿੱਚ ਵਿਕਾਸ ਅਤੇ ਨੈਤਿਕ ਮੁੱਦਿਆਂ, ਆਵਾਜ਼ ਦੀਆਂ ਚਿੰਤਾਵਾਂ ਨੂੰ ਉਠਾਉਣ ਅਤੇ ਇਨਪੁਟ ਪ੍ਰਦਾਨ ਕਰਨ ਦੇ ਮੌਕੇ ਦਿੱਤੇ ਗਏ ਹਨ। AI ਵਿਚਾਰ ਅਧੀਨ ਅਰਜ਼ੀ.
LMMs ਨੂੰ ਸਿਹਤ ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਸਮਰੱਥਾ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਅਤੇ ਮਰੀਜ਼ਾਂ ਦੇ ਹਿੱਤਾਂ ਨੂੰ ਅੱਗੇ ਵਧਾਉਣ ਲਈ ਲੋੜੀਂਦੀ ਸ਼ੁੱਧਤਾ ਅਤੇ ਭਰੋਸੇਯੋਗਤਾ ਨਾਲ ਚੰਗੀ ਤਰ੍ਹਾਂ ਪਰਿਭਾਸ਼ਿਤ ਕਾਰਜ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਸੰਭਾਵੀ ਸੈਕੰਡਰੀ ਨਤੀਜਿਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਅਤੇ ਸਮਝਣ ਦੇ ਯੋਗ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।
***
ਸਰੋਤ:
WHO 2024. ਸਿਹਤ ਲਈ ਨਕਲੀ ਬੁੱਧੀ ਦਾ ਨੈਤਿਕਤਾ ਅਤੇ ਪ੍ਰਸ਼ਾਸਨ: ਵੱਡੇ ਬਹੁ-ਮਾਡਲ ਮਾਡਲਾਂ 'ਤੇ ਮਾਰਗਦਰਸ਼ਨ। 'ਤੇ ਉਪਲਬਧ ਹੈ https://iris.who.int/bitstream/handle/10665/375579/9789240084759-eng.pdf?sequence=1&isAllowed=y
***
