चॅटजीपीटी आणि मानवी मेंदू

एआयच्या साधनांचा (AI tools) आपल्या मेंदूवर काय परिणाम होतो, याबद्दल एमआयटीने (MIT) केलेल्या एका अभ्यासातून काही महत्त्वाच्या गोष्टी समोर आल्या आहेत. हा अभ्यास 'चॅटजीपीटी' (ChatGPT) या एआयवर आधारित असून त्याचे मुख्य निष्कर्ष खालीलप्रमाणे आहेत:

चॅटजीपीटीमुळे मेंदूवर होणारे परिणाम:

१. बौद्धिक क्षमतेत घट (Cognitive Decline): निबंध लिहिण्यासारख्या कामांसाठी चॅटजीपीटीचा नियमित वापर केल्यास स्मरणशक्ती कमी होऊ शकते, मेंदूची क्रियाशीलता घटू शकते आणि गंभीरपणे विचार करण्याची (critical thinking) क्षमता कमकुवत होऊ शकते. एआयवर अवलंबून असलेल्या विद्यार्थ्यांची कामगिरी इतर विद्यार्थ्यांच्या तुलनेत कमी दिसून आली.

२. मेंदूची क्रियाशीलता (Brain Activity): 'ईईजी ब्रेन स्कॅन' (EEG brain scan) मध्ये असे आढळले की, चॅटजीपीटी वापरणाऱ्यांच्या मेंदूत न्यूरॉन्सचे (neurons) जुळणे कमी होते, विशेषतः 'अल्फा' (alpha) आणि 'थीटा' (theta) लाटांच्या (waves) बाबतीत. या लाटांचा संबंध स्मरणशक्ती, सर्जनशीलता आणि सखोल विचारांशी असतो. याउलट, एआयची मदत न घेता काम करणाऱ्यांच्या मेंदूची क्रियाशीलता अधिक होती.

३. स्मरणशक्तीचा अभाव (Memory Loss): चॅटजीपीटी वापरणाऱ्या ८३% लोकांना काही मिनिटांपूर्वी त्यांनी काय लिहिले होते, हे आठवले नाही. या उलट, एआय न वापरणाऱ्या किंवा गुगल सर्च (Google Search) वापरणाऱ्यांमध्ये हे प्रमाण फक्त १०% होते. याचा अर्थ, एआयवर अवलंबून राहिल्यामुळे मेंदू शिकण्याच्या प्रक्रियेत कमी सहभागी होतो, ज्यामुळे 'कॉग्निटिव्ह ऑफलोडिंग' (cognitive offloading) होते.

४. एआयवरील अवलंबित्व (Dependence on AI): जेव्हा चॅटजीपीटी वापरणाऱ्यांना एआयची मदत न घेता लिहायला सांगितले गेले, तेव्हा त्यांच्या मेंदूची क्रियाशीलता आणखी कमी झाली. यातून गंभीरपणे विचार करण्याची क्षमता कमी झाल्याचे दिसून आले. याउलट, ज्यांनी आधी स्वतःहून लिहायला सुरुवात केली आणि नंतर चॅटजीपीटीचा वापर केला, त्यांची बौद्धिक कामगिरी चांगली होती.

५. सर्च इंजिनशी तुलना (Comparison to Search Engines): अभ्यासामध्ये असेही दिसून आले की, चॅटजीपीटी वापरणाऱ्यांच्या तुलनेत सर्च इंजिन वापरणाऱ्यांची स्मरणशक्ती आणि कार्यकारी कार्य (executive function) अधिक चांगली होती. असे कदाचित त्यामुळे झाले असावे की, सर्च इंजिन वापरताना वापरकर्त्याला अधिक गंभीरपणे विचार करावा लागतो आणि प्रश्न तयार करावे लागतात.

या अभ्यासातून शिक्षण आणि कामाच्या ठिकाणी एआयचा वापर जबाबदारीने करण्याची गरज अधोरेखित होते. तसेच, एआयच्या वापरामुळे होणाऱ्या संभाव्य बौद्धिक नुकसानावर (cognitive costs) उपाययोजना करण्याची आवश्यकताही दिसून येते. या धोक्यांची जाणीव ठेवून आपण एआय साधनांचा अधिक प्रभावीपणे वापर करू शकतो आणि आपल्या बौद्धिक क्षमता टिकवून ठेवू शकतो.

संदर्भ: https://techstartups.com

---- तुषार भ. कुटे

आर्थर सॅम्युअल: मशीन लर्निंगचे जनक आणि त्यांचा पहिला 'शिकणारा' प्रोग्राम

आज आपण कृत्रिम बुद्धिमत्ता (Artificial Intelligence - AI) आणि मशीन लर्निंग (Machine Learning - ML) या शब्दांनी वेढलेलो आहोत. आपल्या स्मार्टफोनपासून ते ऑनलाइन शॉपिंगपर्यंत सर्वत्र या तंत्रज्ञानाचा वापर होत आहे. पण या क्रांतीची मुळे खूप खोलवर, अगदी १९५० च्या दशकात रुजलेली आहेत. या प्रवासातील एक महत्त्वाचे आणि आदरणीय नाव म्हणजे आर्थर सॅम्युअल (Arthur Samuel). त्यांना अनेकदा 'मशीन लर्निंगचे जनक' म्हटले जाते. त्यांनी बनवलेला एक साधा वाटणारा पण क्रांतिकारी प्रोग्राम हा या क्षेत्रातील मैलाचा दगड ठरला. 

आर्थर सॅम्युअल: एक द्रष्टा संशोधक

आर्थर सॅम्युअल हे एक अमेरिकन संगणक शास्त्रज्ञ होते. त्यांनी आपल्या कारकिर्दीचा मोठा काळ आयबीएम (IBM) या प्रसिद्ध कंपनीत घालवला. सॅम्युअल यांचा विश्वास होता की संगणक केवळ दिलेल्या आज्ञांचे पालन करणारी यंत्रे नाहीत, तर त्यांना अनुभवातून शिकवून अधिक बुद्धिमान बनवता येते. ही त्या काळासाठी एक अत्यंत पुढारलेली कल्पना होती. हीच कल्पना प्रत्यक्षात आणण्यासाठी त्यांनी एका खेळाची निवड केली - चेकर्स (Checkers).

चेकर्सच्या खेळाची निवड का?

सॅम्युअल यांनी मशीनला शिकवण्यासाठी बुद्धीबळासारख्या (Chess) अत्यंत गुंतागुंतीच्या किंवा टिक-टॅक-टो (Tic-Tac-Toe) सारख्या अगदी सोप्या खेळाची निवड केली नाही. त्यांनी चेकर्स निवडले कारण त्याचे नियम स्पष्ट आणि तुलनेने सोपे असले तरी, जिंकण्यासाठी रणनीती आणि दूरदृष्टीची आवश्यकता असते. यात संभाव्य चालींची संख्या अफाट होती, पण ती संगणकाला हाताळता येण्यासारखी होती. त्यामुळे, मशीनला 'शिकवण्यासाठी' हा एक उत्तम मध्यम मार्ग होता.

प्रोग्राम कसा 'शिकला'?

सॅम्युअल यांच्या प्रोग्रामचे खरे वैशिष्ट्य त्याच्या शिकण्याच्या पद्धतीत होते. त्यांनी प्रोग्रामला केवळ चेकर्स कसे खेळायचे हे शिकवले नाही, तर हरलेल्या डावांमधून शिकून स्वतःच्या खेळात सुधारणा कशी करायची हे देखील शिकवले. या प्रोग्रामने मुख्यत्वे दोन पद्धती वापरून स्वतःला प्रशिक्षित केले.
पहिली पद्धत होती पाठांतर (Rote Learning). या पद्धतीत, प्रोग्राम आपल्या प्रत्येक डावातील पटाची स्थिती (board position) आणि त्या स्थितीनंतर खेळाचा काय निकाल लागला, हे लक्षात ठेवत असे. जेव्हा भविष्यात तशीच स्थिती पुन्हा निर्माण होई, तेव्हा प्रोग्राम आपल्या स्मरणातून सर्वोत्तम चाल निवडत असे. हे एखाद्या विद्यार्थ्याने पाढे पाठ करण्यासारखे होते.
पण खरी जादू दुसऱ्या पद्धतीत होती, जिला अनुभवातून शिकणे (Learning by Generalization) म्हटले जाते. सॅम्युअल यांनी एक 'मूल्यांकन फंक्शन' (Evaluation Function) तयार केले होते. हे फंक्शन पटावरील स्थिती किती चांगली किंवा वाईट आहे, हे काही निकषांच्या आधारे ठरवत असे. या निकषांमध्ये पटावर कोणाच्या सोंगट्या जास्त आहेत, कोणाच्या राजा झालेल्या सोंगट्या (Kings) जास्त आहेत, आणि पटावर कोणाचे नियंत्रण अधिक आहे, अशा गोष्टींचा समावेश होता.

सुरुवातीला या सर्व निकषांना समान महत्त्व दिले गेले होते. पण प्रोग्राम जसजसा खेळू लागला, तसतसा तो शिकू लागला. प्रोग्राम स्वतःच्याच दुसऱ्या प्रतीसोबत हजारो डाव खेळायचा. प्रत्येक डावानंतर, तो जिंकण्यासाठी कोणत्या निकषांना अधिक महत्त्व देणे फायद्याचे ठरले आणि कोणत्या निकषांमुळे पराभव झाला, याचे विश्लेषण करायचा. उदाहरणार्थ, जर केवळ सोंगट्यांची संख्या जास्त ठेवण्याच्या नादात खेळात पराभव होत असेल, तर प्रोग्राम त्या निकषाचे महत्त्व (weight) कमी करायचा आणि पटावरील नियंत्रणासारख्या दुसऱ्या निकषाचे महत्त्व वाढवायचा. ही प्रक्रिया सतत चालू राहायची. जणू काही तो प्रोग्राम अनुभवातून शहाणा होत होता आणि आपली जिंकण्याची रणनीती स्वतःच अधिक परिपक्व करत होता.

या शोधाचे महत्त्व आणि परिणाम

१९५९ साली आर्थर सॅम्युअल यांनी 'मशीन लर्निंग' हा शब्दप्रयोग आपल्या एका शोधनिबंधात वापरला आणि तो जगभर प्रसिद्ध झाला. त्यांच्या प्रोग्रामने हे सिद्ध केले की मशीनला केवळ आज्ञावली देऊन चालवता येत नाही, तर त्याला अनुभवातून शिकण्याची क्षमता देखील देता येते. १९६० च्या दशकात त्यांच्या या प्रोग्रामने अमेरिकेतील एका चांगल्या दर्जाच्या चेकर्स खेळाडूला हरवून सर्वांना आश्चर्यचकित केले.
आर्थर सॅम्युअल यांच्या या कार्यामुळे कृत्रिम बुद्धिमत्तेच्या संशोधनाला एक नवी दिशा मिळाली. त्यांनी घातलेला पाया इतका भक्कम होता की आज विकसित झालेले अत्याधुनिक AI मॉडेल्स, जसे की बुद्धीबळ खेळणारा डीप ब्लू (Deep Blue) किंवा गो (Go) खेळणारा अल्फागो (AlphaGo), कुठेतरी सॅम्युअल यांच्या त्याच मूळ कल्पनेवर आधारित आहेत.
थोडक्यात सांगायचे तर, आर्थर सॅम्युअल यांनी एका साध्या चेकर्सच्या खेळाद्वारे मशीनला 'विचार' करायला आणि 'शिकायला' शिकवले. त्यांचे हे योगदान केवळ एका गेमिंग प्रोग्रामपुरते मर्यादित नव्हते, तर ते एका अशा तंत्रज्ञानाची सुरुवात होती जे आज आपल्या जीवनाचा अविभाज्य भाग बनले आहे.

(आधारित)

--- तुषार भ. कुटे 

कृत्रिम बुद्धिमत्तेचे 'मेंदू': न्यूरल नेटवर्क आणि डीप लर्निंगची दुनिया

आज आपण अशा एका युगात जगत आहोत जिथे यंत्रमानव (robots), स्वतः चालणाऱ्या गाड्या आणि आपल्याशी बोलणारे मोबाईल असिस्टंट्स आता केवळ विज्ञानाच्या कथांमध्ये राहिलेले नाहीत. या सर्व अद्भुत तंत्रज्ञानाच्या मागे एक शक्तिशाली संकल्पना आहे, जी मानवी मेंदूच्या रचनेवरून प्रेरित आहे. ती संकल्पना म्हणजे न्यूरल नेटवर्क (Neural Network).

न्यूरल नेटवर्क म्हणजे नेमकं काय? 🧠

सोप्या भाषेत सांगायचे तर, न्यूरल नेटवर्क ही एक संगणक प्रणाली आहे जी मानवी मेंदू ज्याप्रमाणे माहितीवर प्रक्रिया करतो आणि शिकतो, त्याच पद्धतीची नक्कल करण्याचा प्रयत्न करते. आपला मेंदू कोट्यवधी 'न्यूरॉन्स' (neurons) नावाच्या पेशींनी बनलेला आहे. हे न्यूरॉन्स एकमेकांना जोडलेले असतात आणि विद्युत आणि रासायनिक संकेतांद्वारे (signals) एकमेकांशी संवाद साधतात. याच रचनेवरून प्रेरणा घेऊन कृत्रिम न्यूरल नेटवर्क तयार केले जाते.

एका कृत्रिम न्यूरल नेटवर्कमध्ये तीन मुख्य प्रकारचे थर (layers) असतात:

- इनपुट लेअर (Input Layer): हा नेटवर्कचा दरवाजा आहे. या थराला बाहेरील जगाकडून माहिती मिळते. उदाहरणार्थ, जर आपल्याला एखादा फोटो ओळखून तो कुत्रा आहे की मांजर हे ठरवायचे असेल, तर त्या फोटोमधील पिक्सेल्सची (pixels) माहिती या लेअरला दिली जाते.
- हिडन लेअर्स (Hidden Layers): हा नेटवर्कचा खरा 'विचार करणारा' भाग आहे. इनपुट लेअरकडून मिळालेल्या माहितीवर येथे प्रक्रिया केली जाते. एका न्यूरल नेटवर्कमध्ये एक किंवा एकापेक्षा जास्त हिडन लेअर्स असू शकतात. प्रत्येक लेअर मिळालेल्या माहितीतील विशिष्ट नमुने (patterns) ओळखण्याचा प्रयत्न करतो.
- आउटपुट लेअर (Output Layer): हिडन लेअर्सने प्रक्रिया केल्यानंतर अंतिम निष्कर्ष या लेअरमधून बाहेर येतो. वरील उदाहरणात, हा लेअर "मांजर" किंवा "कुत्रा" असे उत्तर देईल.

एक सोपे उदाहरण: मांजर 🐈 की कुत्रा 🐕?

समजा, आपण एका न्यूरल नेटवर्कला मांजर आणि कुत्रा यांच्यातील फरक ओळखायला शिकवत आहोत.
प्रशिक्षण (Training): सुरुवातीला, आपण नेटवर्कला हजारो फोटो दाखवतो ज्यावर "मांजर" किंवा "कुत्रा" असे लेबल लावलेले असते.
शिकण्याची प्रक्रिया:
- जेव्हा नेटवर्कला मांजरीचा फोटो दाखवला जातो, तेव्हा इनपुट लेअर त्या फोटोचे पिक्सेल्स घेते.
- पहिला हिडन लेअर त्या पिक्सेल्समधून अगदी साधे नमुने ओळखतो, जसे की सरळ रेषा, वक्र रेषा किंवा विशिष्ट रंग.
- पुढचा हिडन लेअर या साध्या नमुन्यांना एकत्र करून थोडे अधिक जटिल आकार ओळखतो, जसे की टोकदार कान, गोल डोळे किंवा मिशा.
- त्यापुढील लेअर हे आकार एकत्र करून "मांजरीसारखा चेहरा" किंवा "कुत्र्यासारखे कान" असे भाग ओळखतो.
ही सर्व माहिती शेवटी आउटपुट लेअरकडे जाते. समजा, नेटवर्कने सुरुवातीला चुकीचे उत्तर दिले आणि मांजरीच्या फोटोला "कुत्रा" म्हटले. तेव्हा आपण त्याला सांगतो की तुझे उत्तर चुकले आहे, हा "मांजर" आहे. या प्रक्रियेला 'बॅकप्रोपगेशन' (Backpropagation) म्हणतात.
या प्रतिक्रियेमुळे (feedback), नेटवर्क आपल्या आतल्या जोडण्यांचे (connections) वजन (weights) थोडे बदलते. ते 'शिकते' की 'टोकदार कान' आणि 'मिशा' हे नमुने 'मांजर' या उत्तराशी अधिक संबंधित आहेत.

हजारो वेळा ही प्रक्रिया केल्यानंतर, नेटवर्क मांजर आणि कुत्रा यांच्यातील सूक्ष्म फरक ओळखण्यात इतके पारंगत होते की ते न पाहिलेला नवीन फोटोसुद्धा अचूकपणे ओळखू शकते.

न्यूरल नेटवर्कचा इतिहास

न्यूरल नेटवर्कची संकल्पना एका रात्रीत जन्माला आलेली नाही. याचा इतिहास अनेक दशकांचा आहे.
- १९४० चे दशक: वॉरन मॅककलोच आणि वॉल्टर पिट्स यांनी पहिल्यांदा एका गणितीय मॉडेलद्वारे कृत्रिम न्यूरॉनची संकल्पना मांडली. हा एक सैद्धांतिक पाया होता.
- १९५० चे दशक: फ्रँक रोझेनब्लॅट यांनी 'पर्सेप्ट्रॉन' (Perceptron) नावाचे पहिले न्यूरल नेटवर्क मशीन तयार केले. हे मशीन अक्षरे ओळखू शकत होते, ज्यामुळे खूप उत्साह निर्माण झाला.
- १९७०-८० चे दशक (AI Winter): सुरुवातीच्या उत्साहानंतर, असे लक्षात आले की तत्कालीन न्यूरल नेटवर्क्स खूपच मर्यादित होती. ती क्लिष्ट समस्या सोडवू शकत नव्हती. त्यामुळे या क्षेत्रातील संशोधन आणि निधी कमी झाला. या काळाला 'एआय विंटर' (AI Winter) म्हटले जाते.
- १९८०-९० चे दशक: 'बॅकप्रोपगेशन' (Backpropagation) या अल्गोरिदमच्या विकासामुळे न्यूरल नेटवर्क्सना पुन्हा संजीवनी मिळाली. यामुळे अनेक थरांचे नेटवर्क प्रभावीपणे प्रशिक्षित करणे शक्य झाले. जेफ्री हिंटन (Geoffrey Hinton) सारख्या संशोधकांचे यात मोठे योगदान आहे.
- २०१० पासून आजपर्यंत: प्रचंड संगणकीय शक्ती (विशेषतः GPUs), इंटरनेटमुळे उपलब्ध झालेला प्रचंड डेटा आणि सुधारित अल्गोरिदम्समुळे न्यूरल नेटवर्क्सची क्षमता प्रचंड वाढली आणि आज आपण त्याचे परिणाम अनुभवत आहोत.

डीप लर्निंग म्हणजे काय? (What is Deep Learning?)

जेव्हा तुम्ही "डीप लर्निंग" (Deep Learning) हा शब्द ऐकता, तेव्हा गोंधळून जाण्याचे कारण नाही. डीप लर्निंग हे न्यूरल नेटवर्कचेच एक प्रगत रूप आहे.
फरक फक्त इतकाच आहे की, साध्या न्यूरल नेटवर्कमध्ये एक किंवा दोन हिडन लेअर्स असतात, तर डीप लर्निंग नेटवर्कमध्ये अनेक (कधीकधी शेकडो) हिडन लेअर्स असतात.

या 'खोलवर' (deep) रचनेमुळे काय होते?

अधिक लेअर्स असल्यामुळे, नेटवर्क अत्यंत गुंतागुंतीचे आणि सूक्ष्म नमुने ओळखू शकते. जसे की:
- पहिला लेअर फक्त प्रकाश आणि सावल्या ओळखेल.
- मधले लेअर्स चेहऱ्याचे भाग ओळखतील.
- त्यापुढील लेअर्स संपूर्ण चेहरा ओळखतील.
- आणि सर्वात वरचे लेअर्स चेहऱ्यावरील हावभाव (जसे की आनंद किंवा दुःख) ओळखायला शिकतील.

ही अतिरिक्त खोलीच डीप लर्निंगला आवाज ओळखणे (Speech Recognition), नैसर्गिक भाषा प्रक्रिया (Natural Language Processing - जसे की चॅटबॉट्स) आणि स्वतः चालणाऱ्या गाड्या (Self-Driving Cars) यांसारख्या जटिल कामांसाठी प्रचंड शक्तिशाली बनवते.

थोडक्यात, सर्व डीप लर्निंग नेटवर्क्स ही न्यूरल नेटवर्क्स आहेत, पण सर्व न्यूरल नेटवर्क्स 'डीप' नसतात.

अर्थात न्यूरल नेटवर्क ही मानवी बुद्धिमत्तेची नक्कल करण्याची एक अद्भुत पद्धत आहे. मेंदूच्या न्यूरॉन्सच्या जाळ्यापासून प्रेरणा घेऊन, ही प्रणाली डेटाच्या महासागरातून शिकते, स्वतःला सुधारते आणि अशी कामे करते जी काही वर्षांपूर्वी अशक्य वाटत होती. डीप लर्निंगने या क्षमतेला एका नवीन उंचीवर नेले आहे. भविष्यात हे तंत्रज्ञान आपल्या जीवनाच्या प्रत्येक पैलूला स्पर्श करेल आणि मानवी प्रगतीचा एक अविभाज्य भाग बनेल यात शंका नाही.

(आधारित)

--- तुषार भ. कुटे

आर्टिफिशियल इंटेलिजन्स: अदृश्य आरसा आणि पक्षपाताचे प्रतिबिंब

आज आपण एका अशा युगात जगत आहोत, जिथे आर्टिफिशियल इंटेलिजन्स (Artificial Intelligence - AI) म्हणजेच कृत्रिम बुद्धिमत्ता आपल्या जीवनाचा एक अविभाज्य भाग बनत चालली आहे. स्मार्टफोनच्या व्हॉईस असिस्टंटपासून ते अगदी वैद्यकीय निदानापर्यंत, एआयची व्याप्ती दिवसेंदिवस वाढत आहे. एआयला एक तटस्थ आणि अचूक निर्णय घेणारी प्रणाली म्हणून पाहिले जाते, कारण ती मानवासारख्या भावना आणि पूर्वग्रहांनी बाधित होत नाही, असा एक सर्वसामान्य समज आहे. पण हा समज पूर्णपणे खरा आहे का? उत्तर आहे, नाही. एआय प्रणाली सुद्धा पक्षपाती (Biased) असू शकते आणि तिचे परिणाम गंभीर असू शकतात. हा पक्षपात नेमका काय आहे, तो एआयमध्ये कसा येतो आणि त्याचे आपल्या समाजावर काय परिणाम होतात, हे समजून घेणे अत्यंत महत्त्वाचे आहे.

आर्टिफिशियल इंटेलिजन्स म्हणजे काय?

सोप्या भाषेत सांगायचे झाल्यास, आर्टिफिशियल इंटेलिजन्स म्हणजे मशीनला (संगणक प्रणालीला) मानवाप्रमाणे विचार करण्याची, शिकण्याची आणि निर्णय घेण्याची क्षमता देणे. हे साध्य करण्यासाठी, एआय प्रणालीला प्रचंड प्रमाणात डेटा (माहिती) दिला जातो. या डेटाचे विश्लेषण करून आणि त्यातील नमुने (Patterns) ओळखून, एआय शिकते आणि भविष्यातील निर्णय घेण्यास सक्षम होते. उदा. हजारो मांजरींचे फोटो दाखवून एआयला 'मांजर' ओळखायला शिकवले जाते.

एआय मधील पक्षपात (AI Bias) म्हणजे काय?

एआय प्रणाली जेव्हा विशिष्ट गट, व्यक्ती किंवा विचारांच्या बाजूने किंवा विरोधात पद्धतशीरपणे चुकीचे किंवा अन्यायकारक निर्णय देते, तेव्हा त्याला 'एआय मधील पक्षपात' असे म्हणतात.
महत्त्वाची गोष्ट ही आहे की एआय स्वतःहून पक्षपाती बनत नाही. तो एक आरसा आहे. आपण त्याला जो डेटा दाखवतो, जे नियम शिकवतो, तो त्याचेच प्रतिबिंब दाखवतो. जर आपण त्याला पक्षपाती माहिती दिली, तर त्याचे निर्णयही पक्षपातीच असणार. कल्पना करा की, एका लहान मुलाला आपण केवळ पांढऱ्या रंगाच्या लोकांबद्दलच चांगली माहिती दिली आणि इतर वर्णाच्या लोकांबद्दल नकारात्मक गोष्टी सांगितल्या, तर ते मूल मोठे झाल्यावर नकळतपणे वर्णद्वेषी विचारसरणीचे बनेल. एआयचेही अगदी तसेच आहे.

एआय प्रणालीमध्ये पक्षपात कसा निर्माण होतो?

एआयमध्ये पक्षपात अनेक मार्गांनी येऊ शकतो, त्यातील काही प्रमुख कारणे खालीलप्रमाणे आहेत:

१. डेटामधील पक्षपात (Data Bias):
हे पक्षपाताचे सर्वात मोठे आणि सामान्य कारण आहे. एआय ज्या डेटावर शिकतो, तो डेटाच जर सदोष किंवा पक्षपाती असेल, तर एआयदेखील पक्षपाती बनतो. याचे काही प्रकार आहेत:

२. ऐतिहासिक पक्षपात (Historical Bias): आपला समाज आणि इतिहास अनेक प्रकारच्या विषमतेने आणि पूर्वग्रहांनी भरलेला आहे. उदा. पूर्वीच्या काळात अनेक मोठ्या पदांवर पुरुषांचीच नियुक्ती केली जात असे. आता जर आपण नोकरीसाठी उमेदवार निवडणाऱ्या एआयला गेल्या २०-३० वर्षांचा डेटा दिला, तर तो 'मोठ्या पदासाठी पुरुष उमेदवारच अधिक योग्य असतो' असा चुकीचा निष्कर्ष काढू शकतो आणि महिला उमेदवारांना डावलू शकतो. ॲमेझॉन कंपनीसोबत नेमके हेच घडले होते, ज्यामुळे त्यांना आपली एआय-आधारित भरती प्रणाली बंद करावी लागली.

३. नमुना पक्षपात (Sampling Bias): जेव्हा एआयला शिकवण्यासाठी वापरलेला डेटा संपूर्ण लोकसंख्येचे योग्य प्रतिनिधित्व करत नाही, तेव्हा हा पक्षपात निर्माण होतो. उदा. चेहऱ्याची ओळख पटवणाऱ्या (Facial Recognition) प्रणालीला जर केवळ गोऱ्या वर्णाच्या लोकांचे लाखो फोटो दाखवून प्रशिक्षित केले असेल, तर ती प्रणाली कृष्णवर्णीय किंवा इतर वर्णाच्या लोकांचे चेहरे ओळखण्यात अपयशी ठरू शकते किंवा चुकीची ओळख पटवू शकते.

४. मापन पक्षपात (Measurement Bias): डेटा गोळा करण्याची किंवा मोजण्याची पद्धतच सदोष असेल, तर पक्षपात निर्माण होतो. उदा. गुन्हेगारीचा अंदाज वर्तवणाऱ्या एआय प्रणालीसाठी जर 'पोलिसांनी अटक केलेल्या लोकांची संख्या' हा निकष लावला, तर तो पक्षपाती ठरू शकतो. कारण पोलिसांकडून विशिष्ट वस्ती किंवा गटातील लोकांवर अधिक लक्ष ठेवले जाण्याची शक्यता असते, ज्यामुळे तिथे अटकेचे प्रमाण जास्त दिसते. याचा अर्थ असा नाही की तिथे गुन्हेगारी जास्त आहे, तर तिथे पोलिसांची नजर जास्त आहे.

५. अल्गोरिदममधील पक्षपात (Algorithmic Bias):
कधीकधी एआयचा मूळ प्रोग्राम (अल्गोरिदम) लिहिताना किंवा डिझाइन करताना नकळतपणे मानवी पूर्वग्रह त्यात समाविष्ट होतात. डेव्हलपर कोणत्या गोष्टीला महत्त्व देतो, यावर अल्गोरिदमचे वर्तन अवलंबून असते. तो नफा, अचूकता की निष्पक्षता यापैकी कशाला प्राधान्य देतो, यावर एआयचे निर्णय बदलू शकतात.

पक्षपाती एआयचे वास्तविक जीवनातील परिणाम

एआयमधील पक्षपाताचे परिणाम केवळ तांत्रिक नसून ते सामाजिक आणि आर्थिक विषमतेला अधिक खतपाणी घालू शकतात.

- नोकरी आणि भरती: पक्षपाती एआयमुळे पात्र महिला किंवा विशिष्ट सामाजिक गटातील उमेदवारांना नोकरीची संधी नाकारली जाऊ शकते.
- कर्ज आणि आर्थिक सेवा: बँकेची एआय प्रणाली जर विशिष्ट पिन कोड किंवा वस्तीतील लोकांना 'धोकादायक' मानत असेल, तर तिथल्या रहिवाशांना कर्ज मिळणे कठीण होऊ शकते, जरी त्यांची आर्थिक पत चांगली असली तरी.
- न्यायव्यवस्था: अमेरिकेत वापरल्या जाणाऱ्या COMPAS नावाच्या एआय प्रणालीवर असा आरोप आहे की, ती कृष्णवर्णीय आरोपी भविष्यात पुन्हा गुन्हा करण्याची शक्यता गोऱ्या आरोपींपेक्षा दुप्पट दाखवते, जे वर्णद्वेषी पक्षपाताचे उदाहरण आहे.
- वैद्यकीय निदान: जर वैद्यकीय एआयला प्रामुख्याने पुरुष रुग्णांच्या डेटावर प्रशिक्षित केले असेल, तर महिलांमध्ये हृदयविकारासारख्या आजारांची वेगळी लक्षणे ओळखण्यात तो कमी पडू शकतो.
- सोशल मीडिया आणि माहिती: आपण सोशल मीडियावर काय पाहतो, हे देखील एआय ठरवते. जर अल्गोरिदमने आपल्याला विशिष्ट प्रकारच्या विचारांच्या पोस्ट दाखवायला सुरुवात केली, तर आपण हळूहळू एका 'इको चेंबर' (Echo Chamber) मध्ये अडकतो, जिथे आपल्याला वेगळे विचार ऐकायलाच मिळत नाहीत. यातून समाजात ध्रुवीकरण वाढते.

भारतीय संदर्भात एआय आणि पक्षपात

भारतासारख्या प्रचंड विविधता असलेल्या देशात एआयमधील पक्षपाताचे धोके अधिक गंभीर आहेत. आपल्याकडे भाषा, धर्म, जात, लिंग, प्रांत आणि आर्थिक स्थिती यावर आधारित विषमता आधीच अस्तित्वात आहे.
- भाषिक विविधता: भारतात शेकडो भाषा आणि बोली आहेत. जर एआय प्रणाली केवळ हिंदी किंवा इंग्रजी भाषेत प्रशिक्षित असेल, तर इतर प्रादेशिक भाषा बोलणाऱ्या मोठ्या लोकसंख्येला ती सेवा उपलब्ध होणार नाही किंवा चुकीची माहिती मिळेल.
- जातिव्यवस्था: नोकरी, कर्ज किंवा इतर सेवांसाठी वापरल्या जाणाऱ्या एआयने जर आडनावांवरून किंवा पत्त्यावरून जातीचा अंदाज बांधून निर्णय देण्यास सुरुवात केली, तर ते सामाजिक न्यायाच्या विरोधात असेल.
- शहरी-ग्रामीण दरी: जर बहुतेक डेटा शहरी भागातून गोळा केला असेल, तर ग्रामीण भागातील लोकांच्या गरजा, सवयी आणि समस्या एआयच्या आकलनाबाहेर राहतील, ज्यामुळे त्यांच्यासाठी बनवलेल्या योजना किंवा सेवा कुचकामी ठरतील.

या समस्येवर उपाय काय?

एआयमधील पक्षपात ही एक गंभीर समस्या आहे, पण त्यावर मात करणे अशक्य नाही. यासाठी एकत्रित प्रयत्नांची गरज आहे.

- विविध आणि प्रातिनिधिक डेटा (Diverse and Representative Data): एआयला प्रशिक्षण देण्यासाठी वापरला जाणारा डेटा हा समाज्याच्या सर्व स्तरांचे (लिंग, वंश, जात, वय, भाषा, प्रांत इ.) योग्य प्रतिनिधित्व करणारा असावा.

- पारदर्शकता आणि स्पष्टीकरण (Transparency and Explainability - XAI): एआय प्रणालीने एखादा निर्णय का घेतला, याचे स्पष्टीकरण मिळायला हवे. यालाच 'Explainable AI' म्हणतात. यामुळे निर्णयामागील पक्षपात ओळखणे सोपे होते.

- नियमित तपासणी आणि ऑडिट (Regular Auditing): एआय प्रणालीची नियमितपणे तपासणी करून ती पक्षपाती निर्णय देत नाही ना, हे पाहणे आवश्यक आहे.

- विविधतापूर्ण डेव्हलपर टीम (Diverse Teams): एआय बनवणाऱ्या टीममध्ये विविध सामाजिक पार्श्वभूमीच्या लोकांचा (महिला, विविध जाती-धर्माचे लोक) समावेश असावा, जेणेकरून नकळतपणे येणारे पूर्वग्रह टाळता येतील.

- नैतिक आणि कायदेशीर चौकट (Ethical and Legal Frameworks): सरकारने आणि उद्योगांनी मिळून एआयच्या वापरासाठी नैतिक मार्गदर्शक तत्त्वे आणि कायदेशीर नियम तयार केले पाहिजेत, जेणेकरून कंपन्यांना जबाबदार धरता येईल.

निष्कर्ष

आर्टिफिशियल इंटेलिजन्स हे एक अत्यंत शक्तिशाली तंत्रज्ञान आहे, जे मानवाच्या प्रगतीला मोठी चालना देऊ शकते. मात्र, ते एक दुधारी शस्त्र आहे. जर आपण सावधगिरी बाळगली नाही, तर ते समाजातील अस्तित्वात असलेली विषमता आणि अन्याय अधिक घट्ट करू शकते.

एआय हा स्वतःहून चांगला किंवा वाईट नसतो; तो आपल्या समाजाचा आणि आपल्या विचारांचा आरसा आहे. जर आपल्याला निष्पक्ष आणि न्यायपूर्ण एआय हवा असेल, तर आधी आपल्याला आपल्या समाजातील आणि आपल्या डेटामधील पक्षपात दूर करावा लागेल. एआय तयार करणे ही केवळ तांत्रिक जबाबदारी नसून, ती एक सामाजिक आणि नैतिक जबाबदारी आहे, हे आपण सर्वांनी लक्षात ठेवले पाहिजे. कारण एका न्यायपूर्ण भविष्याची निर्मिती ही मानवाच्या आणि मशीनच्या एकत्रित आणि जबाबदार प्रयत्नांवरच अवलंबून आहे.

(आधारित)

-- तुषार भ. कुटे

डेटासेट

जगातील "मशीन लर्निंग"मध्ये वापरण्यात येणारे सर्वाधिक डेटासेट ज्या ठिकाणी उपलब्ध आहेत, त्या kaggle.com या संकेतस्थळावर आज मराठी इतिहास आणि संस्कृतीशी संबंधित दोन डेटासेट मी अपलोड केलेले आहेत. मशीन लर्निंगच्या नवख्या विद्यार्थ्यांसाठी हे दोन्ही डेटासेट उपयुक्त ठरतील. यातील पहिल्या डेटासेटमध्ये मराठा शस्त्रांची माहिती दिलेली आहे तर दुसऱ्यामध्ये मराठी अथवा महाराष्ट्रीय दागिन्यांची वैशिष्ट्ये वापरून डेटासेट बनवलेला आहे. खालील लिंक वरून तुम्ही डाऊनलोड करू शकता किंवा थेट कॅगलवरच प्रोग्राम करून हे दोन्ही डेटासेट वापरू शकता. लवकरच मराठी आणि महाराष्ट्रातील अन्य विषयांशी संबंधित डेटासेट देखील कॅगलवर आम्ही अपलोड करत आहोत.

मराठा शस्त्रे: https://www.kaggle.com/datasets/tusharkute/maratha-warfield-weapons-dataset

मराठी दागिने: https://www.kaggle.com/datasets/tusharkute/marathi-and-maharashtrian-ornamants-dataset

--- तुषार भ. कुटे

#MachineLearning #Dataset #DataScience #ArtificialIntelligence #Engineering #Technology

 

सम्या सम्या मैफिलीत माझ्या

'स्टँडअप कॉमेडी' हा मागच्या काही वर्षांमध्ये वेगाने लोकप्रिय झालेला प्रकार. स्वतःला कॉमेडियन म्हणणारे अनेक जण छोट्या छोट्या सभागृहांमध्ये कार्यक्रम घेतात. आणि फुटकळ, बाष्कळ, पांचट तसेच प्रामुख्याने अश्लील विनोद करून इंस्टाग्राम आणि युट्युबद्वारे वेगाने लोकप्रिय होतात. असा हा प्रकार. हिंदीमधून सुरू झालेल्या या प्रकाराची 'झळ' मराठीविश्वाला देखील बसली. त्यामुळे मराठीमध्ये देखील जेन-झेडच्या पिढीमध्ये असेच अनेक कॉमेडीयन तयार झालेले दिसतात. या सर्व विचित्र प्रकारामध्ये मराठीला पु. ल. देशपांडे तसेच व. पु. काळे यांची असलेली नैसर्गिक, दर्जेदार आणि निखळ विनोदाची परंपरा लयाला गेलेली आहे की काय, अशी मला शंका येऊ लागली होती. परंतु समीर चौघुले यांच्या 'सम्या सम्या मैफिलीत माझ्या' या कार्यक्रमाने ती पूर्णतः फोल ठरवली. आजही पुलं आणि वपु यांचा वारसा सांगण्यासाठी आपल्याकडे समीर चौघुले यांच्यासारखा उत्तम विनोदी लेखक आणि कलाकार आहे, याचीच प्रचिती हा कार्यक्रम बघितल्यानंतर आली!
घरी टीव्ही नसल्यामुळे आम्ही मनोरंजनासाठी केवळ सोनी लिव्हवरील 'महाराष्ट्राची हास्यजत्रा' हाच एकमेव कार्यक्रम पाहतो. यातील उत्तम विनोदी प्रहसनांद्वारे या कार्यक्रमातून मनोरंजन होते. शिवाय यातील कलाकार देखील त्याच गुणवत्तेचे आहेत. समीर चौघुले मात्र या सर्वांमध्ये अतिशय विशेष. तो आमच्या नऊ वर्षाच्या ज्ञानेश्वरीचा लाडका कलाकार. 
त्याला पाहण्यासाठीच अगदी योगायोगाने चिंचवडच्या रामकृष्ण मोरे प्रेक्षागृहामध्ये त्याचा कार्यक्रम पाहण्याचा 'योग' आला. या कार्यक्रमामध्ये नक्की काय असेल, याची काहीच कल्पना नव्हती. पण समीरदादाच्या अभिनयाची एकंदरीत उंची आम्हाला माहीत होती. त्यामुळे या एकपात्री कार्यक्रमातून देखील तो निश्चितच काहीतरी वेगळं आणि नाविन्यपूर्ण देणार याची खात्री होती. अर्थात झाले ही तसेच. आम्हाला समोरच्या दुसऱ्या क्रमांकाच्या रांगेतील आसन मिळाले होते. त्यामुळे अगदी जवळून आम्ही समीरदादाला पाहत होतो. कार्यक्रमाच्या नावामागचा इतिहास सांगत त्याने आपल्या 'अभिवाचनाचा' श्रीगणेशा केला. आणि तिथूनच नैसर्गिक विनोदांची पेरणी करत हा कार्यक्रम पुढे सरकू लागला. जवळपास प्रत्येक वाक्याला हास्याच्या लकेरी श्रोत्यांच्या चेहऱ्यावर उमटत होत्या. हास्याचे विविध प्रकार या कार्यक्रमात आम्ही अनुभवत होतो. स्मितहास्यापासून अगदी सातमजली हास्यापर्यंतचे सर्व अनुभव आम्ही घेतले. केवळ आम्हीच नाही तर त्या खचाखच भरलेल्या प्रेक्षागृहामध्ये प्रत्येक जण सम्याच्या नैसर्गिक विनोदांचा पुरेपूर आनंद घेत होता. एखाद्याची निरीक्षणक्षमता आणि विनोदबुद्धी किती वरच्या दर्जाची असते, हेच समीर चौघुलेंच्या या कार्यक्रमातून दिसून आले. पोट धरून हसणारी अनेक मंडळी आमच्या आजूबाजूला आम्ही पाहत होतो. शिवाय आमचीही गत काही वेगळी झालेली नव्हती! त्यादिवशी कित्येक वर्षांनी हसून हसून तोंड आणि पोटही दुखायला लागले! बहुतांश प्रेक्षक सातत्याने 'वा दादा वा...' आणि 'वा सम्या वा'(!) म्हणत उस्फूर्त दाद देखील देत होते. विशेष म्हणजे यातील कोणतेच विनोद आजच्या स्टँडअप कॉमेडीयनच्या फुटकळ विनोदासारखे नव्हते. आपल्या अनुभवातून तसेच निरीक्षणक्षमतेतून सम्यादादाने ते प्रेक्षकांसमोर अतिशय सहजपणे आपल्या नैसर्गिक शैलीत सादर केले. 'पैसा वसूल' म्हणतात तशाच प्रकारातला हा एकंदरीत कार्यक्रम होता. असं म्हणतात की प्रेक्षकांना रडवणं सोपं असतं, परंतु हसवणे मात्र महाकठीण! मग सतत दोन-अडीच तास हसवणे किती कर्मकठीण काम असावं, याचा विचार करा. 
कार्यक्रमामध्ये त्याने त्याच्या सुमधुर आवाजामध्ये काही गाणी देखील गायली. व्यावसायिक गायक नसला तरीही अतिशय गोड गळा त्याला लाभला आहे, हेही समजले.
समीरदादाचा हा कार्यक्रम पाहिल्यानंतर एक गोष्ट मात्र समजली की मराठी विनोदाची परंपरा पुढे नेणारा कलाकार आजही महाराष्ट्रामध्ये आहे. तो इंस्टाग्राम अथवा युट्युबद्वारे झटपट लोकप्रिय झालेला नाही. त्यामागे त्याचे अनेक वर्षांपासूनचे परिश्रम आहेत, वाचन आहे, निरीक्षण आहे. याच कारणास्तव तो एकपात्री नाट्यप्रकारात आपले स्थान 'अढळ' करत आहे. अशा कलाकाराला मराठी प्रेक्षकांच्या शंभर टक्के साथीची आवश्यकता आहे. अर्थात मराठी रसिक मायबाप ती देतच आहे, यात शंका नाही. परंतु उत्तरोत्तर वृद्धिंगत झाली तर आणखीही मराठी कलाकार आपल्या भाषेची ही परंपरा पुढे चालू ठेवतील, अशी आशा वाटते. 
बाकी समीरदादा बेस्टच. अजूनही कितीतरी वेळा हा कार्यक्रम पुन:श्च पाहिला तरी कंटाळा येणार नाही, हे मात्र मी निश्चित खात्रीने सांगतो. पुलं आणि वपु यांचे कार्यक्रम आम्ही आज युट्युबवर पाहतो, ऐकतो तेव्हा त्यांना प्रत्यक्ष रंगमंचावर पाहण्याची, ऐकण्याची आणि अनुभवण्याची संधी मिळाली नाही, याचे वाईट वाटते. परंतु आमच्या पिढीला समीर चौघुलेसारख्या कलाकाराचा कार्यक्रम प्रत्यक्ष अनुभवण्याची संधी मिळाली हे खरोखरच आमचे भाग्य आहे, असे वाटून गेले.

--- तुषार भ. कुटे

 

 

ChatGPT

मी एआयमुळे (AI) नोकऱ्या जातील याची काळजी करत नाही. मला काळजी वाटते ती विचारांची जागा एआय घेईल याची. विशेषतः मुलांमध्ये.

जर आपण काळजी घेतली नाही, तर आपण विचार करणाऱ्या पुढच्या पिढीला घडवू शकणार नाही. त्याऐवजी, आपण अशी पिढी घडवू ज्यांना कधी विचार करण्याची गरजच पडली नाही.

एआयबद्दलची माझी ही सर्वात मोठी भीती आहे – ती हॅल्युसिनेशन्सची नाही, नोकऱ्यांची नाही, किंवा पाळत ठेवण्याचीही नाही.

ती आहे "कॉग्निटिव्ह ॲट्रोफी" – म्हणजेच विचार करण्याच्या क्षमतेची हळूहळू होणारी झीज, जी घडवण्यासाठीच शिक्षण असते.

आणि हे आत्ताच घडायला लागलं आहे.

मी एमआयटीचा (MIT) अलीकडचा अभ्यास वाचल्यापासून त्याबद्दल विचार करत आहे. अर्थात, कोणताही चांगला शास्त्रज्ञ म्हणेल की कोणत्याही संशोधनात लाखो त्रुटी काढता येतात. पण हे संशोधन माझ्या डोक्यातून जात नाहीये.

त्यांनी चॅटजीपीटी (ChatGPT) वापरून निबंध लिहिणाऱ्या विद्यार्थ्यांच्या मेंदूची तपासणी केली आणि त्याने गेल्या अनेक महिन्यांपासून मला वाटणारी भीती खरी ठरवली.

→ मेंदूतील न्यूरल कनेक्टिव्हिटी ७९ वरून ४२ पर्यंत खाली आली – म्हणजेच ४७% घट झाली. काही सत्रांमध्ये आणि फ्रिक्वेन्सी बँडमध्ये ही घट तब्बल ५५% पर्यंत होती.

→ ८३% विद्यार्थी त्यांनी लिहिलेले एकही वाक्य काही मिनिटांनंतर आठवू शकले नाहीत.

→ त्यांनी एआयचा वापर थांबवला तरी, ज्यांनी कधीच एआय वापरले नाही त्यांच्या तुलनेत त्यांच्या मेंदूची कार्यक्षमता कमीच राहिली.

संशोधकांनी याला "कॉग्निटिव्ह ऑफलोडिंग" म्हटले आहे. मी याला झीज (erosion) होण्याच्या जवळचे काहीतरी म्हणतो. कारण यात खरा धोका शैक्षणिक नाही, तर विकासात्मक आहे.

आपण मुलांना फक्त लिहिण्याचे साधन देत नाही आहोत. आयुष्यभरासाठी आवश्यक असलेल्या मानसिक क्षमता विकसित करण्यापूर्वीच आपण त्यांना शॉर्टकट देत आहोत.

जेव्हा तुमचा मेंदू विचार न करता एखादे काम पूर्ण करायला शिकतो, तेव्हा काय होते? तुम्ही तर्कशक्ती विकसित करत नाही, तर अवलंबित्व विकसित करत आहात.

जेव्हा तुम्ही संघर्ष – जसे की चिंतन, कल्पनांवर विचार करणे – हे काम बाहेरील घटकाला देता, तेव्हा तुम्हाला असे काहीतरी मिळते जे विचारांसारखे वाटते, पण ते विचार नसतात.

आणि जर तुम्ही १२ वर्षांचे असाल? १०? ५? तर तुम्ही लिहायला शिकत नाही. तुम्ही विचार करणे टाळायला शिकत आहात.

भीतीदायक भाग काय आहे? हे काम करते. चांगले गुण मिळतात. वेळ वाचतो. ज्यामुळे याला आव्हान देणे आणखी कठीण होते.

पण शिक्षकांनी एआय-सहाय्यित निबंधांना "आत्म्याशिवायचे" (soulless) असे म्हटले. तो शब्द मला घाबरावतो आहे!

मी एआय विरोधी नाही. मी याच क्षेत्रात काम करतो. पण ज्या गोष्टींची जागा एआय घेत आहे, विशेषतः शिक्षणात, त्याच्या मी पूर्णपणे विरोधात आहे.

आपण इथे कठीण गोष्टी टाळून पोहोचलो नाही. आपण विचार करायला शिकून इथे पोहोचलो. हळूहळू. अपूर्णपणे. आणि कधीकधी वेदनादायकपणे.

पुढच्या पिढीला ही संधी कधीच मिळाली नाही तर काय होईल?

- (डॉ. राधिका यांच्या लिंक्डइन पोस्टवरून साभार)

जुळून येती रेशीमगाठी

दूरचित्रवाणीवरच्या मालिका बघण्याची मला बिलकुल सवय नाही. तसं पाहिलं तर काही वर्षांपूर्वी झी मराठी वाहिनीवरच्या काही मालिका आम्ही नियमित बघत होतो. परंतु त्यांचा दर्जा, कथानक पाहता आपण चुकीच्या दिशेने चाललो आहोत, याची जाणीव झाली आणि कालांतराने सर्व बंद केले. मागच्या काही वर्षांपासून घरामध्ये टीव्हीदेखील नाही. त्यामुळे दूरचित्रवाणीवरच्या मालिकांचा आता सहसा संबंध येत नाही.
तरी देखील अधेमध्ये कुठेतरी कुणाच्या घरात मालिकेतील प्रसंग पाहायला मिळतात. कथानक तर अतिशय सुमार दर्जाचे असते. कोणत्याही घरात घडू नयेत, अशा घटनांचा भडीमार केलेला असतो. द्वेष, शत्रुत्व, मत्सर, व्याभिचार, अश्लीलता या वैशिष्ट्यपूर्ण गुणांनी या मालिका सजवलेल्या असतात. घरातल्या घरात इतरांसाठी लपलेले सापळे, इतरांना संपवण्यासाठी सुरू असलेले खटाटोप, आपल्याच सग्यासोयऱ्यांविषयी असलेला पराकोटीचा द्वेष, कोणत्याच बाबतीत सुख नाही आणि समाधान नाही अशी कुटुंबे, प्रेम भावनेचा अनादर करणाऱ्या व्यक्ती, नायकांपेक्षा अधिक असलेले खलनायक आणि विशेषत: खलनायिका, स्वतःचे काम सोडून इतरांच्या जीवनात सातत्याने धुडगूस घालणाऱ्या व्यक्ती. सुख-शांती-समाधान या शब्दांचा अर्थही ज्यांच्या गावी नाही, असे नायक आणि नायिका. अशा कितीतरी शब्दांमध्ये या मालिकांची वर्णने करता येतील. त्याहून विशेष म्हणजे याच प्रकारच्या मालिकांना आज मोठा प्रेक्षकवर्ग लाभलेला आहे. थोड्या हलक्याफुलक्या विषयाच्या मालिका चालू झाल्या की त्यांचा ‘टीआरपी’ लगेच ढासळतो. एखाद्या ऐतिहासिक व्यक्तिरेखेवर सुरू झालेल्या मालिका लवकरच प्रेक्षकांअभावी बंदही पडतात. पण अंधश्रद्धेचा बाजार मांडलेल्या मालिका वर्षानुवर्षे चालूच राहतात, हेही विशेष. एकंदर दूरचित्रवाणी मनोरंजनाची परिस्थिती बघितली तर नैतिकदृष्ट्या ‘भयावह’ आहे, असेच म्हणावे लागेल. अर्थात यामागे निर्माते अथवा दिग्दर्शकांचा दोष आहे असेही नाही. प्रेक्षकांना जे आवडते आणि प्रेक्षक जे अधिकाधिक काळ पचवू शकतात, अशीच कथानके त्यांच्यासमोर सादर केली जातात. एका अर्थाने निर्मात्यांना पैसे कमवायचे असतात. हा त्यांच्या व्यवसायाचाच भाग आहे. परंतु प्रेक्षकांच्या दृष्टीने विचार केला तर दूरचित्रवाणी मालिकांच्या कथानकाचा त्यांच्या मनावर कुठे ना कुठेतरी दुष्परिणाम होतच असतो, हेही तितकेच सत्य. आजच्या स्पर्धेच्या काळात दूरचित्रवाणी वाहिन्यादेखील नवनवी द्वेषपूर्ण कथानके घेऊन मालिका बनवत आहेत. आणि प्रेक्षकांना देखील ‘बनवत’ आहेत हे म्हणायला हरकत नाही.
हे सर्व सांगायचा उद्देश असा की आज जरी उत्तम कथानकाच्या मालिका तयार होत नसल्या तरी काही वर्षांपूर्वी विविध वाहिन्यांवर प्रसारित झालेल्या मालिका आजही बघाव्या अशाच आहेत. दशकभरापूर्वी झी मराठीवर “जुळून येती रेशीमगाठी” नावाची एक मालिका प्रसारित झाली होती. अर्थात त्यावेळी ती मी पाहिली नव्हती. परंतु आमच्या पत्नीच्या आग्रहाखातर या मालिकेचे सर्व भाग झी-मराठीच्या ओटीपी ॲपवर आम्ही पाहिले. आज प्रसारित होणाऱ्या मालिकांच्या बजबजबुरीमध्ये अशी ही एक मालिका होती, याचे मला आश्चर्य वाटले. म्हणून आज ही पोस्ट लिहीत आहे.
एकत्रित कुटुंबात राहणाऱ्या आठ जणांची ही गोष्ट. कौटुंबिक मूल्ये काय असतात, हे या मालिकेच्या प्रत्येक भागात दिसून आले. कुटुंबातील सर्वात ज्येष्ठ व्यक्ती कसे असावेत? त्यांचा दृष्टिकोन कसा असावा? कुटुंबातील समतोल कसा साधावा? तसेच विविध घटनांकडे तटस्थ दृष्टीने कसे पहावे? अशा बराच बऱ्याच प्रश्नांची उत्तरे या मालिकेतील गिरीश ओक यांनी साकारलेल्या नाना देसाईंच्या भूमिकेतून मिळतात. आजच्या मालिकांमध्ये देखील कुटुंबातील जेष्ठ व्यक्ती दाखवलेल्या आहेत. परंतु या व्यक्तिरेखेला अजूनही तोड नाही, असेच म्हणता येईल. विशेष म्हणजे त्यांची पत्नी अर्थात घरातील सर्वांची माई यादेखील त्यांना साजेशा अशाच आहेत. घरातील सासूने कसे असावे? याचे उत्तम उदाहरण म्हणजे सुकन्या कुलकर्णी यांनी साकारलेली माई देसाई यांची भूमिका. मालिकेतल्या विविध प्रसंगांमधून त्यांच्यातील आई आणि सासूचे गुण सातत्याने प्रदर्शित होतात. आजच्या मालिकांमध्ये असणारी खाष्ट सासू किंवा सातत्याने सुनेला त्रास देणारी सासू पाहिली तर सासू अशीच असते, असाही अनेकांचा भ्रम व्हावा. आणि जेव्हा माई देसाईंची भूमिका पहाल तेव्हा सासू अशी असते? का हाही प्रश्न पडावा.
या मालिकेतील मुख्य जोडपं अर्थात आदित्य आणि मेघना. मेघनाचे लग्न तिच्या इच्छेविरुद्ध झालेले आहे. तिचे आई-वडील विशेषता वडील अतिशय तिरसट स्वभावाचे. खरंतर अशा स्वभावाच्या माणसाबरोबर त्यांच्या पत्नीने आजवर कसे दिवस काढले असतील? असाही प्रश्न पडतो. परंतु ते देखील देसाईंच्या कुटुंबासोबत राहून हळूहळू त्यांच्या प्रेमात पडतात. आणि त्यांच्यासारखाच विचार देखील कालांतराने करू लागतात. काहीसं खलनायकी रूपाने दाखवलेलं मेघनाच्या वडिलांचं अर्थात सुरेश कुडाळकर यांचे पात्र विविध रूपांनी भरलेलं आहे. हे मालिकेच्या भागागणिक दिसून येतं. ‘बाबाजी बाबाजी’ म्हणताना ते करत असलेली कृती सातत्याने लक्षात राहते. नाना देसाईंची मुलगी अर्चना आणि तिचा नवरा सतीश हे देखील त्यांच्यासोबतच राहतात. आदर्श जावई कसा असावा? याचे उत्तर सतीशकडे पाहून देता येतं. एकंदरीतच सर्व पात्रे आपापल्या भूमिकांमध्ये उत्तम ठसा उमटवितात. कुटुंबामध्ये एकमेकांना समजून घेण्याचा दृष्टिकोन, सहकार्याची भूमिका, समस्यांच्या काळामध्ये एकमेकांना असणारा पाठिंबा, सर्वांचा सुसंवाद, मैत्री, आपुलकी या सर्व गोष्टी ध्यानात राहतात. आणि विशेष म्हणजे आपल्या मनावर प्रभाव देखील पडतात. सकारात्मक दृष्टिकोन तयार करण्यासाठी मदत देखील करतात. एखाद्या घटनेकडे आपला दृष्टिकोन आपण यातील पात्रांच्या दृष्टिकोनाशी तुलना करायला जातो. आणि एक नवी शिकवण देखील मिळते. अर्थात हे या मालिकेतील पात्रांचे आणि कथानकाचे यश आहे असेच म्हणायला हवे. आई, वडील, मुलगा, मुलगी, सून, जावई, सासू, सासरे, दीर, भावजय, नणंद, दाजी, व्याही आणि विहीन आदर्शवत नाती या मालिकेतून समोर येतात.
४०० पेक्षा अधिक भाग प्रसारित झालेली ही मालिका अजूनही ऑनलाइन विविध प्लॅटफॉर्मवर उपलब्ध आहे. खरोखर काहीतरी चांगलं पहायचं असेल तर आजही या मालिकेला आणि कथानकाला पर्याय नाही, असंच म्हणता येईल.

- तुषार भ. कुटे