शिक्षण विभागाने जानेवारी २०२६ मध्ये AGAP.AI कार्यक्रम सुरू केला, ज्यामध्ये देशभरातील शिक्षकांसाठी AI-आधारित ट्युटरिंग टूल्स देण्याचे आश्वासन दिले आहे. विश्लेषकांच्या मते फिलीपिन्सचा EdTech बाजार २०३४ पर्यंत $१४.५ अब्ज पर्यंत पोहोचेल, तरीही बहुतेक शाळांमध्ये हे टूल्स चालवता येत नाहीत कारण त्यांचे नेटवर्क अत्यंत संथ आहे आणि त्यांचे संगणक दशकांपूर्वीचे आहेत.

अंमलबजावणी आणि बाजारपेठेतील उत्साह

AGAP.AI कृत्रिम बुद्धिमत्तेकडे (artificial intelligence) केवळ हेडलाईन मिळवणारे उत्पादन म्हणून न पाहता, वर्गातील सहाय्यक (classroom assistant) म्हणून पाहते. Microsoft 'Reading Progress' सारख्या सेवा पुरवते, जी विद्यार्थ्यांच्या कामगिरीचे रिअल-टाइममध्ये मूल्यमापन करते. ही वेळ योग्य वाटते: वाढती बाजारपेठ सूचित करते की शाळा अत्याधुनिक सॉफ्टवेअरसाठी तयार आहेत, आणि धोरणकर्त्यांनी DepEd Order No. 003, s. 2026 द्वारे AI च्या वापराचे नियमन करण्यास सुरुवात केली आहे, जे डेटा-प्रायव्हसी नियम, संमती प्रक्रिया आणि ऑडिट आवश्यकता निर्धारित करते.

परंतु या उत्साहामागे एक संरचनात्मक समस्या दडलेली आहे. विभागाच्या 'डिजिटल मॅच्युरिटी असेसमेंट'मध्ये असे आढळले की कनेक्टिव्हिटीमधील त्रुटी आणि उपकरणांची कमतरता हे शिक्षणाच्या खराब निकालांचे सर्वात मोठे घटक आहेत. अनेक सरकारी शाळांमध्ये इंटरनेट दर काही मिनिटांनी खंडित होते आणि उपलब्ध असलेले हार्डवेअर अनेकदा आधुनिक ब्राउझर चालवू शकत नाही किंवा AI APIs द्वारे निर्माण होणाऱ्या डेटा ट्रॅफिकला हाताळू शकत नाही. एक उच्च-गुणवत्तेची API की, खंडित होणाऱ्या कनेक्शनची कमतरता भरून काढू शकत नाही.

पायाभूत सुविधांमधील तफावत

AI ट्यूटर्सना क्लाउडशी सतत जोडलेले असणे आवश्यक आहे. जेव्हा एखादे मॉडेल विद्यार्थ्याच्या उत्तरावर प्रक्रिया करते, तेव्हा ते डेटा सर्व्हरला पाठवते, प्रतिसाद प्राप्त करते आणि फीडबॅक प्रदर्शित करते—हे सर्व काही काही सेकंदात होते. जर कनेक्शन खंडित झाले, तर शिकवण्याची प्रक्रियाही थांबते. या मूल्यमापनात दोन वारंवार येणाऱ्या समस्या अधोरेखित केल्या आहेत:

  • इंटरनेटची विश्वासार्हता – अनेक ग्रामीण आणि निमशहरी शाळांमध्ये वारंवार इंटरनेट खंडित होते.
  • उपकरणांचे वय – अनेक शाळांमधील संगणकांमध्ये आधुनिक वेब ॲप्ससाठी आवश्यक असलेला RAM आणि CPU पॉवर उपलब्ध नाही.

अगदी उत्कृष्ट सॉफ्टवेअर देखील अपयशी ठरते जेव्हा हार्डवेअर ते चालवू शकत नाही. चांगल्या निधी असलेल्या खाजगी शाळांमधील शिक्षक AI टूल्स सुरळीतपणे काम करताना पाहू शकतात, तर सरकारी शाळांमधील त्यांचे सहकारी त्याच ॲप्स हँग होताना किंवा क्रॅश होताना पाहतात. ही तफावत डिजिटल दरीला अधिक रुंदावते, जी बाजारपेठेतील अंदाज भरून काढण्याचे आश्वासन देतात.

वेगाशी जुळवून घेण्याचा प्रयत्न करणारी धोरणे

DepEd Order No. 003, s. 2026 स्पष्ट डेटा-हँडलिंग प्रक्रिया, पालकांची संमती मिळवण्याची कार्यप्रणाली आणि अल्गोरिदमिक निर्णयांचे ऑडिट करण्यासाठी यंत्रणांची मागणी करून AI साठी सुरक्षित वातावरण निर्माण करण्याचा प्रयत्न करते. ही ऑर्डर चेतावणी देते की जर शाळांकडे देखरेख करण्यासाठी तांत्रिक कर्मचारी नसतील, तर AI एक "ब्लॅक बॉक्स" बनू शकते. तरीही, हे नियम पुस्तक असे गृहीत धरते की मूळ प्रणाली—नेटवर्क आणि डिव्हाइस—विश्वासार्हपणे कार्य करेल.

सचिव सोनी अँगारा यांनी AI ला एक "नैतिक सहाय्यक साधन" (ethical support tool) म्हणून संबोधले आहे, ज्यामध्ये केवळ कामगिरीपेक्षा जबाबदार वापरावर अधिक भर दिला आहे. ही भावना योग्य आहे, परंतु केवळ नैतिकता अशा वर्गातील समस्या सोडवू शकत नाही जिथे AI विद्यार्थ्यांपर्यंत कधीच पोहोचू शकत नाही. कार्यात्मक पायाभूत सुविधांशिवाय, अनुपालन उपाय केवळ सैद्धांतिक राहतात.

एक कार्यक्षम प्रणाली कशी असावी

फिलीपिन्सचा संदर्भ समजून घेणारे डिझाइनर्स आधीच काही व्यावहारिक उपाय सुचवत आहेत:

  • लोकल कॅशिंग (Local caching) – वारंवार वापरले जाणारे मॉडेल स्निपेट्स शाळेच्या सर्व्हरवर साठवून ठेवावेत, जेणेकरून मूलभूत प्रश्न ऑफलाइन किंवा कमी बँडविड्थमध्ये सोडवता येतील.
  • मॉड्यूलर APIs – मोठ्या AI सेवांचे लहान, परस्पर बदलता येण्याजोग्या घटकांमध्ये विभाजन करावे, जेणेकरून एखादा एंडपॉइंट नेटवर्कसाठी खूप जड ठरल्यास तो बदलता येईल.
  • फॉलबॅक मोड (Fallback modes) – इंटरनेट खंडित झाल्यावर आपोआप टूलच्या हलक्या, नियम-आधारित आवृत्तीवर स्विच व्हावे, ज्यामुळे शिकण्याची प्रक्रिया अखंड राहील.

हे पर्याय एका मोठ्या, एकसंध मॉडेलकडून लवचिक आर्किटेक्चरकडे लक्ष वळवतात जे अडथळ्यांना सहन करू शकते.

पुढील वाटचाल

पुढचा निर्णायक प्रश्न असा आहे की DepEd एक राष्ट्रीय AI प्लॅटफॉर्म तयार करेल की प्रादेशिक कार्यालयांना त्यांची स्वतःची मॉड्यूलर प्रणाली विकसित करू देईल. एकच प्लॅटफॉर्म डेटा संरक्षण प्रमाणित करू शकतो आणि प्रशिक्षण सोपे करू शकतो, परंतु त्यातून 'कमकुवत दुव्याची' (weakest-link) समस्या देखील उद्भवू शकते—जर राष्ट्रीय प्रणाली दुर्गम शाळेच्या बँडविड्थशी जुळवून घेऊ शकली नाही, तर प्रत्येक शाळेला त्याचा फटका बसेल. विकेंद्रित उपाय प्रादेशिक परिस्थितीनुसार कॅशिंग, API निवड आणि फॉलबॅक लॉजिक तयार करण्याची संधी देतात, परंतु त्यामध्ये डेटा गव्हर्नन्स विखुरले जाण्याचा धोका असतो.

निष्कर्ष

जोपर्यंत मूळ नेटवर्क आणि हार्डवेअर सोबत चालत नाही, तोपर्यंत AI फिलीपिन्सच्या शिक्षण व्यवस्थेत परिवर्तन घडवून आणणार नाही. बाजारपेठेचा $१४.५ अब्जचा अंदाज प्रभावी आहे, आणि शाळांना ते साध्य करण्यासाठी लवचिक आर्किटेक्चरची—लोकल कॅशिंग, मॉड्यूलर APIs आणि फॉलबॅक यंत्रणांची—गरज भासणार आहे. जे जिल्हा (districts) खराब कनेक्टिव्हिटी लक्षात घेऊन रचना करतील, तेच यशस्वी होतील, केवळ नवीन मॉडेल्सच्या मागे धावणारे नाही.