Raise Us: AI યુગ માટે કામદારોને ફરીથી તાલીમ આપવા માટેનો $1 બિલિયનનો પ્લાન

જેમ જેમ ટેક જાયન્ટ્સ આર્ટિફિશિયલ ઇન્ટેલિજન્સમાં સેંકડો અબજો ડોલર રોકવા માટે સ્પર્ધા કરી રહ્યા છે, તેમ એક નવી દ્વિપક્ષીય (bipartisan) પહેલ ઓટોમેશનના મોટા માનવીય ખર્ચને સંબોધવાનો પ્રયાસ કરી રહી છે. પૂર્વ યુએસ કોમર્સ સેક્રેટરી જીના રાયમંડોના નેતૃત્વ હેઠળની બિન-લાભકારી સંસ્થા "Raise Us" એ AI-સંચાલિત અર્થતંત્ર માટે અમેરિકન કાર્યબળને તૈયાર કરવા માટે $1 બિલિયનનું ભંડોળ સુરક્ષિત કરવા માટે એક વિશાળ મિશન શરૂ કર્યું છે.

AI જાયન્ટ્સનું ઐતિહાસિક જોડાણ

ઉદ્યોગ સહકારમાં એક મહત્વપૂર્ણ પરિવર્તન સૂચવતા એક પગલામાં, અગ્રણી AI ડેવલપર્સ પ્રથમ વખત કાર્યબળ પરિવર્તન પહેલ માટે સંયુક્ત રીતે ભંડોળ પૂરું પાડી રહ્યા છે. "Raise Us" ના ગઠબંધનમાં Amazon, Anthropic, Microsoft અને OpenAI Foundation જેવા દિગ્ગજો સામેલ છે. આ સામૂહિક સમર્થન એવા સમયે આવે છે જ્યારે આ વર્ષે જ Google, Amazon, Microsoft અને Meta દ્વારા AI પર સંયુક્ત રીતે $725 બિલિયન ખર્ચવામાં આવશે તેવી શક્યતા છે.

જોકે Bank of America મુખ્ય સ્પોન્સર તરીકે સેવા આપે છે—ખાસ કરીને એડવાન્સ્ડ મેન્યુફેક્ચરિંગ માટે એપ્રેન્ટિસશિપ પ્રોગ્રામ્સ માટે ભંડોળ પૂરું પાડે છે—તેમાં ફાળો આપનારાઓની યાદી ખૂબ મોટી છે. Rockefeller Foundation જેવી પરોપકારી સંસ્થાઓની સાથે IBM, AMD, Deloitte અને General Motors જેવા મુખ્ય ખેલાડીઓએ પણ સમર્થન આપવાનું વચન આપ્યું છે. હાલમાં, અહેવાલો મુજબ આ પહેલે તેના $1 બિલિયનના લક્ષ્યમાંથી $500 મિલિયન પહેલેથી જ સુરક્ષિત કરી લીધા છે.

વ્યૂહાત્મક પાયલોટ પ્રોગ્રામ્સ અને રાજ્ય ભાગીદારી

વ્યાપક અને બિન-માર્ગદર્શિત અમલીકરણને બદલે, Raise Us સ્કેલેબલ રીટ્રેનિંગ મોડલ્સનું પરીક્ષણ કરવા માટે ચાર રાજ્યોમાં લક્ષિત પાયલોટ પ્રોગ્રામ્સ અમલમાં મૂકી રહી છે. રાજ્યોની પસંદગી જાણીજોઈને દ્વિપક્ષીય રીતે કરવામાં આવી છે, જેમાં આર્કાન્સાસ અને યુટાહમાં રિપબ્લિકન ગવર્નરો અને કનેક્ટિકટ અને મેરીલેન્ડમાં ડેમોક્રેટિક ગવર્નરો સામેલ છે.

આ પાયલોટ્સમાં મુખ્ય પહેલોમાં શામેલ છે:

• Arkansas: "Arkansas LAUNCH" ને ટેકો આપવો, જે એક AI-સંચાલિત કરિયર નેવિગેશન પ્લેટફોર્મ છે જે નોકરી શોધનારાઓને વ્યક્તિગત, એમ્પ્લોયર-લિંક્ડ લર્નિંગ પાથ સાથે જોડે છે.
• Maryland: રાજ્યના Service Year પ્રોગ્રામને હેલ્થકેર જેવા ઉચ્ચ-માંગ ધરાવતા ક્ષેત્રોમાં વિસ્તારવો અને વિસ્થાપિત કામદારોને ઉદ્યોગસાહસિકતામાં પરિવર્તિત થવામાં મદદ કરવા માટે એક્સિલરેટર પ્રોગ્રામ શરૂ કરવો.
• Wage Insurance: જે કામદારોએ તેમની તાલીમ દરમિયાન ઓછા પગારવાળી ભૂમિકાઓમાં જવું પડે છે તેમને ટેકો આપવા માટે "wage insurance" મોડલ્સનું સંશોધન કરવું.

કાર્યબળ પરિવર્તનના ચાર સ્તંભો

ભૂતકાળના "અસરકારક ન હોય તેવા" રીટ્રેનિંગ મોડલ્સથી આગળ વધવા માટે, Raise Us એ તેની કામગીરીને ચાર વ્યૂહાત્મક સ્તંભો પર તૈયાર કરી છે:

1. રાજ્ય ભાગીદારી (State Partnerships): ટૂંકા ગાળાના પ્રમાણપત્રો અને એપ્રેન્ટિસશિપ દ્વારા રાજ્યના શિક્ષણ અને વ્યવસાયિક કાર્યક્રમોને વાસ્તવિક સમયના એમ્પ્લોયરની માંગ સાથે જોડવા.
2. એમ્પ્લોયર કોલિશન (Employer Coalition): કંપનીઓ માટે રિટન્શન મોડલ્સ વિકસાવવા માટે સેન્ડબોક્સ બનાવવું. ઉદાહરણ તરીકે, Microsoft એ આંતરિક ગતિશીલતાને સરળ બનાવવા માટે એન્ટ્રી-લેવલ લીગલ સ્ટાફને AI કૌશલ્યોમાં તાલીમ આપવાનો પાયલોટ પ્રોગ્રામ ચલાવ્યો છે.
3. શિક્ષણ અને તાલીમ (Education and Training): AI-સંચાલિત તાલીમ મોડલ્સનું સ્કેલિંગ કરવું જે પ્રાયોગિક અનુભવ અને પરંપરાગત ચાર વર્ષની ડિગ્રીના સસ્તા વિકલ્પોને પ્રાથમિકતા આપે છે.
4. પોલિસી લેબ (Policy Lab): ઓટોમેટેડ યુગ માટે નવા પોલિસી ફ્રેમવર્ક વિકસાવવા અને પરીક્ષણ કરવા માટે એક સમર્પિત સંશોધન શાખા—જે કોર્પોરેટ ભંડોળથી સ્પષ્ટપણે અલગ રાખવામાં આવી છે.

AI લેન્ડસ્કેપ માટે આ શા માટે મહત્વનું છે

Raise Us નો લોન્ચ ટેક ઇન્ડસ્ટ્રીમાં એક મહત્વપૂર્ણ સમજને પ્રકાશિત કરે છે: અનુરૂપ "પીપલ સ્ટ્રેટેજી" વિના AI માં ટેકનિકલ નેતૃત્વ અર્થહીન છે. જેમ જેમ AI પ્રાયોગિક ચેટબોટ્સથી જટિલ વ્યાવસાયિક કાર્યો કરવા સક્ષમ એજન્ટો તરફ આગળ વધી રહ્યું છે, તેમ લેબર માર્કેટમાં માળખાગત ફેરફાર અનિવાર્ય છે. આ પરિવર્તનો માટે ભંડોળ પૂરું પાડીને, ઓટોમેશનને વેગ આપતી કંપનીઓ પોતે જ મોટા પાયે નોકરીઓના વિસ્થાપનને કારણે ઉદ્ભવવાની સામાજિક-આર્થિક અસ્થિરતાને ઘટાડવાનો પ્રયાસ કરી રહી છે, જે સંભવિત રીતે રાયમંડો જેને "આપણા પોતાના પતનનું ઓટોમેશન" કહે છે તેને રોકી શકે છે.

મુખ્ય મુદ્દાઓ

• અપ્રત્યક્ષ સહકાર: પ્રથમ વખત, OpenAI, Anthropic અને Microsoft જેવા સીધા AI સ્પર્ધકો કાર્યબળ પરિવર્તન પહેલ માટે સહ-ભંડોળ પૂરું પાડી રહ્યા છે.
• લક્ષિત સ્કેલેબિલિટી: પ્રોગ્રામ AI કરિયર નેવિગેશન અને વેજ ઇન્શ્યોરન્સ જેવા વિશિષ્ટ સાધનોનું પરીક્ષણ કરવા માટે દ્વિપક્ષીય રાજ્ય પાયલોટ્સનો ઉપયોગ કરે છે.
• પરિણામ-લક્ષી મોડલ: સફળતા માત્ર કોર્સમાં નોંધણીની સંખ્યાને બદલે વાસ્તવિક નોકરીની પ્લેસમેન્ટ અને સ્થિરતા દ્વારા માપવામાં આવે છે.