केंद्र सरकार क्वचितच न तपासलेल्या तंत्रज्ञानाचा अवलंब करते. विशेषतः, सार्वजनिक आरोग्य विभाग एखाद्या साधनाची रुग्णांच्या नोंदी किंवा उद्रेकाच्या (outbreak) डेटाशी संबंधित वापर करण्यापूर्वी त्याची पडताळणी करण्यासाठी अनेक वर्षे खर्च करू शकतात. त्यामुळे, जेव्हा अमेरिकन आरोग्य संस्थांनी OpenAI आणि Anthropic ने तयार केलेल्या जनरेटिव्ह AI प्रणालींच्या थेट चाचण्या घेण्याची घोषणा केली, तेव्हा संदेश स्पष्ट होता: लार्ज लँग्वेज मॉडेल्स आता केवळ ग्राहकांसाठीचा प्रयोग न राहता, गंभीर संस्थात्मक उमेदवार बनले आहेत.
PULSE नेमके काय करते
या नवीन प्रयत्नाला 'पब्लिक हेल्थ युज केस अँड लर्निंग स्केलिंग इंजिन'—थोडक्यात PULSE असे म्हटले जाते. हा एक चाचणी आराखडा (testing framework) आहे, उत्पादन लाँच (product rollout) नाही. आरोग्य विभागाच्या ईमेल प्रणालींमध्ये चॅटबॉट्स टाकून नशिबावर अवलंबून राहण्याऐवजी, PULSE जनरेटिव्ह AI ला त्याच प्रकारे हाताळते ज्याप्रमाणे सार्वजनिक आरोग्य विभाग नवीन लसीला हाताळतो. हे अशा नियंत्रित परिस्थिती निर्माण करते जिथे राज्य, स्थानिक, आदिवासी आणि प्रादेशिक संस्था या साधनांची चाचणी घेऊ शकतात आणि त्याच वेळी त्यांच्या दुष्परिणामांवर (side effects) बारकाईने लक्ष ठेवू शकतात.
हा कार्यक्रम चार भिन्न भागीदारांना एकत्र आणतो. Coalition for Health AI (CHAI) आरोग्य क्षेत्राशी संबंधित प्रशासन आणि सुरक्षा मानके पुरवते. OpenAI आणि Anthropic प्रगत लँग्वेज मॉडेल्समध्ये योगदान देतात. Accenture या प्रणालींना विद्यमान सरकारी पायाभूत सुविधांशी जोडण्यासाठी आवश्यक असलेले एकत्रीकरण कौशल्य (integration expertise) प्रदान करते, ज्या प्रणाली अनेकदा दशकांपूर्वीच्या डेटाबेस आणि कडक खरेदी नियमांवर चालतात.
PULSE हे AI ईमेल लिहू शकते का किंवा मीटिंगचा सारांश देऊ शकते का, हे विचारत नाहीये. तर हे मॉडेल तीन मुख्य कामांमध्ये विश्वासार्हपणे मदत करू शकते का, हे विचारत आहे: महामारी सर्वेक्षण (epidemiological surveillance), संसाधनांचे वाटप (resource allocation) आणि सार्वजनिक आरोग्य संवाद (public health communication). ही सर्व कामे ऐकायला अमूर्त वाटू शकतात, परंतु एकत्रितपणे ती आरोग्य विभाग चालवण्याचा दैनंदिन भार दर्शवतात. 'सर्वेक्षण' म्हणजे एखादा उद्रेक मोठा होण्यापूर्वी तो शोधण्यासाठी प्रयोगशाळा अहवाल, रुग्णालयातील प्रवेश आणि शाळांमधील गैरहजेरीचा डेटा तपासणे. 'संसाधनांचे वाटप' म्हणजे तीव्र फ्लू हंगामात मर्यादित लसींचे डोस किंवा अँटीव्हायरल उपचार कुठे पाठवायचे याचा रिअल-टाइममध्ये निर्णय घेणे. 'सार्वजनिक आरोग्य संवाद' म्हणजे अन्नजन्य आजारांच्या तपासादरम्यान वेळेचे महत्त्व लक्षात घेऊन, जटिल फेडरल मार्गदर्शक तत्त्वांचे डझनभर विविध समुदायांसाठी साध्या भाषेत भाषांतर करणे. जर AI अतिरिक्त काम न वाढवता किंवा चुका न करता यांपैकी कोणत्याही कामात मदत करू शकले, तर कार्यक्षमतेत मोठी वाढ होऊ शकते.
दहा अधिकारक्षेत्रांमुळे सर्व काही का बदलते
हा कार्यक्रम राज्ये, स्थानिक संस्था, आदिवासी राष्ट्रे आणि अमेरिकन प्रदेशांमधून निवडलेल्या दहा अधिकारक्षेत्रांमध्ये चाचण्या करेल. हे हेतुपुरस्सर केलेले विस्तारण महत्त्वाचे आहे. दाट लोकवस्तीच्या प्रदेशातील राज्य आरोग्य विभाग, ज्यामध्ये शेकडो महामारी तज्ज्ञ कार्यरत आहेत आणि जे फायबर-ऑप्टिक नेटवर्क वापरतात, त्यांना अशा प्रादेशिक संस्थेच्या तुलनेत पूर्णपणे वेगळ्या मर्यादांचा सामना करावा लागतो, जी केवळ अत्यल्प कर्मचारी आणि खंडित कनेक्टिव्हिटीसह डेंग्यूचा मागोवा घेत आहे.
आदिवासींचा समावेश करणे विशेष महत्त्वाचे आहे. आदिवासी आरोग्य संस्थांना ऐतिहासिकदृष्ट्या अपुरा निधी आणि डेटा सार्वभौमत्वाच्या (data sovereignty) गंभीर समस्यांचा सामना करावा लागला आहे. आदिवासी अधिकारक्षेत्रांचा समावेश करून, PULSE हे मान्य करते की राष्ट्रीय उपयुक्तता दावा करणाऱ्या कोणत्याही AI साधनाला विशेष लोकसंख्या हाताळावी लागेल, विशिष्ट प्रशासन संरचनांचा आदर करावा लागेल आणि अद्वितीय पर्यावरणीय आणि सामाजिक आरोग्य समस्या असलेल्या वातावरणात कार्य करावे लागेल. जर एखादे मॉडेल या परिस्थितीत काम करू शकत नसेल, तर ते फेडरल मान्यतेसाठी पात्र नाही.
प्रादेशिक संस्था आणखी एक आवश्यक ताण चाचणी (stress test) जोडतात. अमेरिकन प्रदेशांमधील सार्वजनिक आरोग्य अधिकारी अशा आजारांचे स्वरूप आणि पुरवठा साखळी व्यवस्थापित करतात, ज्या मुख्य भूभागापेक्षा (mainland) पूर्णपणे वेगळ्या आहेत. एखादा AI सहाय्यक जो उत्तम इंटरनेट कनेक्टिव्हिटी गृहीत धरतो किंवा मोठ्या शहरी रुग्णालयांमध्ये सामान्य असलेल्या ICD-10 कोडिंग पद्धतींवर अवलंबून असतो, तो चक्रीवादळामुळे पायाभूत सुविधा कोलमडल्यास अपयशी ठरेल. दहा-अधिकारक्षेत्रांची ही रचना कार्यक्रमाला हे ठोस पुरावे गोळा करण्यास भाग पाडते की ही मॉडेल्स अपूर्ण वातावरणात जुळवून घेतात की कोलमडून पडतात.
चॅटबॉट्सपासून मिशन-क्रिटिकल पायाभूत सुविधांपर्यंत
गेल्या दोन वर्षांपासून, लार्ज लँग्वेज मॉडेल्सबद्दलची सार्वजनिक चर्चा कोडिंग शॉर्टकट्स, मार्केटिंग कॉपी आणि इमेज जनरेशनभोवती केंद्रित होती. PULSE हेतुपुरस्सर लक्ष 'मिशन-क्रिटिकल पायाभूत सुविधांकडे' वळवते. जेव्हा एखादा आरोग्य विभाग संसर्गजन्य रोग अहवाल तपासण्यासाठी AI मॉडेल वापरतो, तेव्हा केलेली चूक ही केवळ एक विचित्र 'हॅलुसिनेशन' (hallucination) नसते, तर ती सार्वजनिक सुरक्षिततेतील संभाव्य त्रुटी असते.
ही वास्तविकता या पायलट प्रकल्पाला तीन निरंतर तांत्रिक समस्यांसाठी - अचूकता, हॅलुसिनेशन (hallucination) कमी करणे आणि डेटा गोपनीयता - एक आदर्श (precedent-setter) बनवते. या संदर्भात, 'हॅलुसिनेशन' म्हणजे मॉडेलने औषधांमधील परस्परसंवाद (drug interaction) स्वतःहून तयार करणे, अस्तित्वात नसलेला उद्रेकाचा क्लस्टर (outbreak cluster) शोधणे किंवा रिपोर्टिंग नियमांची चुकीची माहिती देणे असा असू शकतो. या त्रुटी किती वेळा घडतात आणि निर्णय घेण्यापूर्वी तांत्रिक सुरक्षा उपाय (technical guardrails) त्यांना रोखू शकतात का, हे मोजण्यासाठी PULSE ची रचना करण्यात आली आहे.
गोपनीयतेलाही तितकेच महत्त्व आहे. सार्वजनिक आरोग्य संस्था HIPAA आणि अतिरिक्त राज्य-स्तरीय कायद्यांद्वारे नियंत्रित असलेल्या संरक्षित आरोग्य माहितीचे (protected health information) व्यवस्थापन करतात. या डेटाचा वापर करणाऱ्या कोणत्याही AI प्रणालीला ती नेमकी काय साठवते, ट्रेनिंग डेटा कुठे प्रवाहित होतो आणि नंतर आउटपुट्स कोणाला वापरता येतील, हे स्पष्टपणे सिद्ध करावे लागेल. CHAI च्या सहभागामुळे हे सूचित होते की हे परीक्षण केवळ OpenAI आणि Anthropic मॉडेल्सच्या मूळ बुद्धिमत्तेचीच नाही, तर कडक संस्थात्मक शासन चौकटीत (institutional governance frameworks) काम करण्याची आणि स्पष्ट ऑडिट ट्रेल (audit trails) सोडण्याची त्यांची क्षमता तपासणार आहे.
डेव्हलपर्स आणि नियामक (Regulators) साठी एक ब्लूप्रिंट
आरोग्य सेवा AI तयार करणाऱ्या डेव्हलपर्स आणि स्टार्टअप संस्थापकांसाठी, PULSE बाजाराला तातडीने आवश्यक असलेली गोष्ट प्रदान करते: एक दृश्यमान, सरकार-समर्थित मानक (standard). नवीन कंपन्यांना सार्वजनिक आरोग्य प्रणालींमध्ये आपली उत्पादने विकताना अनेकदा संघर्ष करावा लागतो, कारण खरेदी अधिकाऱ्यांकडे (procurement officers) AI सुरक्षिततेचे मूल्यांकन करण्यासाठी कोणतीही सामायिक चेकलिस्ट नसते. जर PULSE ने प्रशासकीय आरोग्य सेटिंग्जमध्ये पूर्वग्रह (bias), अचूकता आणि गोपनीयता मोजण्यासाठी पारदर्शक निकष तयार केले, तर ते निकष देशभरातील विक्रेत्यांसाठी (vendors) झपाट्याने डीफॉल्ट बेंचमार्क बनू शकतात.
हा कार्यक्रम सरकारची सेवा करण्यासाठी लार्ज लँग्वेज मॉडेल्सना (LLMs) कशा प्रकारे विकसित होण्याची आवश्यकता आहे, याचे संकेतही देतो. ग्राहक चॅटबॉट्स हे प्रवाही आणि उपयुक्त प्रतिसादांसाठी ऑप्टिमाइझ केलेले असतात. सरकारी आरोग्य कामासाठी संदर्भ (citations), मोजलेली अनिश्चितता (calibrated uncertainty) आणि संस्थात्मक स्मृती (institutional memory) आवश्यक असते. नर्स एपिडेमिओलॉजिस्टला (nurse epidemiologist) सल्ला देणाऱ्या मॉडेलने आत्मविश्वासाने चुकीचे उत्तर देण्याऐवजी "पुरावे अस्पष्ट आहेत" असे म्हणणे आवश्यक आहे. OpenAI आणि Anthropic या वातावरणासाठी त्यांच्या प्रॉम्प्टिंग स्ट्रॅटेजीज (prompting strategies) आणि रिट्रिव्हल सिस्टम्स (retrieval systems) कशा प्रकारे समायोजित करतात, यावर लक्ष ठेवल्यास ही मूळ तंत्रज्ञान खरोखरच नोकरशाहीच्या अपेक्षा पूर्ण करू शकते की नाही, हे स्पष्ट होईल.
जर हे पायलट प्रकल्प यशस्वी झाले, तर तांत्रिक आणि शासनविषयक अंतर्दृष्टी अमेरिकेच्या सीमांच्या पलीकडे देखील पोहोचू शकते. जगभरातील सार्वजनिक आरोग्य विभागांना डेटाचा भार आणि कर्मचाऱ्यांची कमतरता यांसारख्या समांतर समस्यांचा सामना करावा लागत आहे. एपिडेमिओलॉजी आणि आरोग्य संवादात LLMs तैनात करण्यासाठी एक प्रमाणित फ्रेमवर्क, इलेक्ट्रॉनिक हेल्थ रेकॉर्ड्ससाठी FHIR मानकांप्रमाणेच, एक आंतरराष्ट्रीय संदर्भ बिंदू बनू शकते.
मुख्य निष्कर्ष
PULSE म्हणजे कृत्रिम बुद्धिमत्ता सार्वजनिक आरोग्याच्या समस्या सोडवेल, असा कोणताही शब्द नाही. हे या गोष्टीची कबुली आहे की आरोग्य माहिती प्रक्रिया करण्याच्या जुन्या पद्धती खूप संथ आणि श्रमसाध्य आहेत, आणि कोणताही पर्याय राष्ट्रीय स्तरावर लागू करण्यापूर्वी वास्तववादी आणि विविध परिस्थितीत सिद्ध होणे आवश्यक आहे. CHAI च्या सुरक्षा फ्रेमवर्कला OpenAI आणि Anthropic च्या अत्याधुनिक (frontier) मॉडेल्सशी जोडून आणि त्या साधनांना दहा खरोखरच भिन्न अधिकारक्षेत्रांमध्ये (jurisdictions) स्वतःला सिद्ध करण्यास भाग पाडून, हा कार्यक्रम जनरेटिव्ह AI कडे योग्य संशयाने पाहतो आणि त्याच वेळी त्याला आवश्यक असलेले परीक्षण क्षेत्र देखील प्रदान करतो. आरोग्य अधिकारी, डेव्हलपर्स आणि त्यांनी सेवा देणाऱ्या समुदायांसाठी, जबाबदार अवलंबन (responsible adoption) म्हणजे नेमके हेच संतुलन आहे.