چرا آینده هوش مصنوعی نیجریه به شکستن سیلوهای داده‌ای دولتی بستگی دارد

هشت سازمان دولتی بزرگ برخی از ارزشمندترین مجموعه داده‌های نیجریه درباره شهروندان را در اختیار دارند. اما این پایگاه‌های داده همچنان جداگانه و بدون قابلیت همکاری یا اشتراک‌گذاری داده باقی مانده‌اند. کارشناسان صنعت می‌گویند که اگر این وضعیت تغییر نکند، تلاش نیجریه برای تبدیل شدن به یک قدرت پیشرو در حوزه هوش مصنوعی در آفریقا ممکن است پیش از آنکه واقعاً آغاز شود، با شکست مواجه گردد.

سیستم‌های هوش مصنوعی برای عملکرد مناسب به حجم زیادی از داده‌های باکیفیت نیاز دارند. وقتی داده‌ها در پایگاه‌های داده جداگانه با فرمت‌ها و استانداردهای مختلف ذخیره می‌شوند، ساخت ابزارهای هوش مصنوعی که می‌توانند خدماتی مانند مراقبت‌های بهداشتی، آموزش، جمع‌آوری مالیات و تاییدیه هویت را بهبود بخشند، دشوارتر می‌شود.

این پراکندگی برخی از مهم‌ترین پایگاه‌های داده کشور را در بر می‌گیرد. کمیسیون ملی مدیریت هویت (NIMC) پایگاه داده شماره شناسایی ملی (NIN) را مدیریت می‌کند، در حالی که بانک مرکزی نیجریه (CBN) بر سیستم شماره تاییدیه بانکی (BVN) نظارت دارد.

سایر آژانس‌ها، از جمله کمیسیون ارتباطات نیجریه (NCC)، اداره مهاجرت نیجریه (NIS)، اداره درآمد داخلی فدرال (FIRS)، سپاه ایمنی جاده‌های فدرال (FRSC)، کمیسیون امور شرکتی (CAC) و کمیسیون مستقل ملی انتخابات (INEC)، پایگاه‌های داده جداگانه‌ای برای مشترکان مخابراتی، گذرنامه‌ها، مالیات‌ها، گواهینامه‌های رانندگی، ثبت‌نام کسب‌وکارها و سوابق رأی‌دهندگان نگهداری می‌کنند.

نیجریه نزدیک به دو دهه است که تلاش می‌کند این مشکل را حل کند. قانون کمیسیون ملی مدیریت هویت مصوب ۱۳۸۶ (۲۰۰۷)، سیستم ملی مدیریت هویت (NIMS) را به عنوان یک چارچوب مرکزی هویتی طراحی شده برای اتصال پایگاه‌های داده دولتی تأسیس کرد.

تهاجمی‌ترین تلاش در سال ۱۳۹۹ (۲۰۲۰) بود که دولت اتصال سیم‌کارت‌ها به شماره‌های شناسایی ملی (NIN) را الزامی کرد و هدف آن اتصال داده‌های مخابراتی با هویت‌های تاییدشده بود. با این حال، علی‌رغم این تلاش‌ها، رقابت‌های سازمانی و نگرانی‌ها درباره مالکیت داده‌ها همچنان باعث می‌شود بسیاری از سیستم‌ها به صورت موازی و نه به عنوان بخشی از یک زیرساخت دیجیتال یکپارچه عمل کنند.

این خطرات با شتاب گرفتن بلندپروازی‌های هوش مصنوعی نیجریه بیشتر هم شده‌اند. در سال ۱۴۰۴ (۲۰۲۵)، این کشور یک استراتژی ملی هوش مصنوعی راه‌اندازی کرد و N-Atlas، اولین مدل زبانی بزرگ چندزبانه با پشتیبانی دولتی در آفریقا را معرفی نمود. اما کارشناسان می‌گویند که چالش دیگر درباره چشم‌انداز نیست، بلکه درباره اجرا است.

کاشیفو اینووا عبدالله، مدیرکل آژانس ملی توسعه فناوری اطلاعات (NITDA) گفت: «امروز، از سیاست به پیشرفت حرکت می‌کنیم.» این سخنان توسط امانوئل ادت، سرپرست مدیریت تنظیم مقررات و انطباق در نشست هوش مصنوعی نیجریه در آبوجا در روز سه‌شنبه ارائه شد. «معیار واقعی موفقیت تعداد سیاست‌هایی که منتشر می‌کنیم نیست، بلکه تأثیری است که این سیاست‌ها بر زندگی نیجریایی‌های عادی می‌گذارند.»

با این حال، دستیابی به این تأثیر ممکن است به از بین بردن سیلوهای داده در سراسر دولت بستگی داشته باشد.

عبدالله گفت: «هوش مصنوعی تنها بر اساس الگوریتم‌ها کار نمی‌کند. بر اساس انرژی، ظرفیت محاسباتی، داده، استعداد، زیرساخت و از همه مهم‌تر، اعتماد کار می‌کند.»

این بیانیه منعکس‌کننده درک رو به رشد جهانی است که رهبری در حوزه هوش مصنوعی نه تنها به توانایی فنی، بلکه به آمادگی سازمانی نیز بستگی دارد. کشورهایی که در پذیرش هوش مصنوعی پیشتازند، لزوماً آن‌هایی نیستند که مدل‌های پیشرفته می‌سازند؛ اغلب آن‌هایی هستند که در یکپارچه‌سازی داده‌ها و دیجیتالی کردن خدمات عمومی موفق شده‌اند.

جان ادوکپولو، رئیس امور دولتی مایکروسافت برای آفریقا، به کشورهایی مانند امارات متحده عربی و سنگاپور به عنوان نمونه اشاره کرد.

او گفت: «این کشورها لزوماً در طراحی تراشه یا توسعه مدل پیشرو نیستند. آنچه خوب انجام داده‌اند دیجیتالی کردن حکمرانی و ایجاد سیستم‌های متمرکزی است که اشتراک‌گذاری داده‌ها و داده های بازار هوش مصنوعی را ممکن می‌سازند.»

مشکل فنی نیست

بر اساس گفته‌های ادت، سازمان‌های دولتی داده‌ها را به شیوه‌های مختلف دسته‌بندی و مدیریت می‌کنند که این امر ناسازگاری‌هایی ایجاد می‌کند که تبادل اطلاعات را دشوار می‌سازد.

او توضیح داد: «ما یک نظرسنجی انجام دادیم و متوجه شدیم که سازمان‌های دولتی مختلف داده‌ها را به روش‌های مختلف دسته‌بندی می‌کنند. چگونه می‌توان این را هماهنگ کرد تا زمانی که یک دسته داده دارید، بدانید چه نوع داده‌ای انتظار دارید و چگونه آن داده را در تمام سازمان‌ها مدیریت کنید؟»

بدون دسته‌بندی‌های استانداردشده، سیستم‌های هوش مصنوعی نمی‌توانند به طور مؤثر اطلاعات را از منابع متعدد جمع‌آوری کنند. به عنوان مثال، یک پلتفرم هوش مصنوعی بهداشتی ممکن است در ترکیب سوابق بیمارستانی دچار مشکل شود اگر مؤسسات از فرمت‌ها یا استانداردهای مختلف استفاده کنند.

برای رسیدگی به این موضوع، NITDA اعلام کرد که از طریق سیاست ملی ابر کار می‌کند و چارچوب‌هایی برای تبادل داده توسعه می‌دهد. با این حال، این فرآیند پیچیده‌تر از آنچه پیش‌بینی می‌شد در حال ثابت شدن است.

ادت در یک نشست پنل که خودش را نمایندگی می‌کرد اعتراف کرد: «چالش‌ها بسیار زیاد هستند. بیشتر از آنچه پیش‌بینی کرده بودیم طول خواهد کشید.»

بر اساس گفته‌های ادت، سازمان‌های دولتی به طور فزاینده‌ای تشخیص می‌دهند که داده ارزش دارد. در برخی موارد، این ارزش به اهمیت سازمانی، نفوذ یا فرصت‌های کسب درآمد در آینده تبدیل می‌شود.

ادت گفت: «بسیاری از سازمان‌های دولتی درک می‌کنند که داده ارزش دارد. تا جایی که به آن‌ها مربوط می‌شود، اشتراک‌گذاری داده به معنای از دست دادن آن ارزش است.»

این یک پارادوکس ایجاد می‌کند. سیستم‌های هوش مصنوعی برای تولید بینش به مجموعه داده‌های یکپارچه نیاز دارند، اما همان مؤسساتی که این مجموعه داده‌ها را نگه می‌دارند اغلب تمایلی به اشتراک‌گذاری آن‌ها ندارند.

او افزود: «هیچ‌کس نمی‌خواهد در هیچ سیستمی بی‌اهمیت باشد.»

نتیجه یک اکوسیستم دیجیتال پراکنده است که در آن اطلاعات ارزشمند در محدوده‌های سازمانی قفل شده باقی می‌ماند.

اعتماد ارز هوش مصنوعی است

اگر داده سوخت هوش مصنوعی باشد، اعتماد ممکن است ارز آن باشد. استقرار هوش مصنوعی بدون اطمینان عمومی از نحوه جمع‌آوری، پردازش و استفاده از داده‌ها نمی‌تواند موفق شود.

به نظر می‌رسد تنظیم‌کنندگان نیجریه از خطرات آگاه هستند.

باباتونده بامیگبویه، رئیس اداره اجرای قانون و مقررات در کمیسیون حفاظت از داده‌های نیجریه (NDPC)، اهمیت پردازش داده‌های قانونی، منصفانه و شفاف را تحت قانون حفاظت از داده‌های نیجریه برجسته کرد.

ظهور هوش مصنوعی چالش‌های جدیدی ایجاد می‌کند زیرا سیستم‌های هوش مصنوعی اغلب به حجم زیادی از داده‌ها برای عملکرد مؤثر نیاز دارند.

بامیگبویه توضیح داد: «جمع‌آوری یک میلیون نقطه داده ممکن است مجاز باشد، اما سؤال این است که آیا هدف در رابطه با موضوع داده مشروع است یا خیر.»

این موضوع به ویژه هنگام برخورد با جمعیت‌های آسیب‌پذیر مانند کودکان اهمیت پیدا می‌کند.

استفاده از هوش مصنوعی برای ارائه ابزارهای آموزشی به جوامع محروم ممکن است با منافع عمومی همسو باشد. استفاده از سیستم‌های مشابه برای دستکاری رفتار مصرف‌کننده، اما، ممکن است چنین نباشد.

تنظیم‌کنندگان می‌گویند اصل ساده است: نوآوری هوش مصنوعی باید انسان‌محور باقی بماند.