নীতিমালা তৈরির ফ্রেমওয়ার্ক, পলিসি সাইকেল

পলিসি সাইকেলের মডেল

Harold Lasswell's popular model of the policy cycle divided the process into seven distinct stages, asking questions of both how and they how public policies should be made. [4] With the stages ranging from (1) intelligence, (2) promotion, (3) prescription, (4) invocation, (5) application, (6) termination and (7) appraisal, this process inherently attempts to combine policy implementation to formulated policy goals.

-- Policy cycle, Wikipedia

বাংলাদেশ টেলিযোগাযোগ নিয়ন্ত্রণ কমিশন এবং ‘পলিসি সাইকেল’

প্রেষণে সেনাবাহিনী থেকে প্রায় সাত বছরের জন্য আমাকে কাজ করতে হয়েছিল বাংলাদেশ টেলিযোগাযোগ নিয়ন্ত্রণ কমিশনে। জনস্বার্থে গ্রাহকস্বার্থ রক্ষা করার জন্য টেলিযোগাযোগ এবং প্রযুক্তি নিয়ে লাইসেন্সধারী কোম্পানিগুলোর ব্যাপারে কি ধরনের নীতিমালা প্রণয়ন করতে হবে সেগুলো কাজ করতে গিয়ে পরিচয় পেলাম ‘পলিসি সাইকেল’ এর। রাষ্ট্রবিজ্ঞানে, এই পলিসি সাইকেল যেকোন নীতিমালার উন্নয়ন, বিকাশ এবং বিশ্লেষণের জন্য একমাত্র টুল হিসেবে ব্যবহার হয়ে থাকে। এটাকে হ্যারল্ড লাসওয়েলের কাজ থেকে ধারণা হিসাবে নিয়ে ডেভেলপ করা হয়। ইন্টারন্যাশনাল টেলিকমিউনিকেশন ইউনিয়নের একজন পরামর্শক শিখিয়েছিলেন ব্যাপারটা হাতে-কলমে।

আমার দপ্তরের প্রধান কাজ ছিল টেলিযোগাযোগ লাইসেন্সধারীদের জন্য প্রয়োজনীয় নীতিমালা, বিধি, এবং পরিচালন সংক্রান্ত নির্দেশনা তৈরি যেখানে রাষ্ট্রপক্ষ, গ্রাহকস্বার্থ এবং পুরো বাংলাদশ টেলিযোগাযোগ বাজারে সবার জন্য লেভেল প্লেয়িং ফিল্ড অর্থাৎ সমতল ভূমি বজায় রাখতে পারে। এর পাশাপাশি সার্ভিসগুলোর সহনশীল ট্যারিফ অর্থাৎ সেবার দাম যেমন, ফোনের কলের দাম, ইন্টারনেট প্যাকেজের দামের যৌক্তিকতা, সার্ভিসগুলোর হোলসেল এবং প্রান্তিক পর্যায়ের দামের মধ্যে অসংগতিগুলোকে গ্রাহক পর্যায়ে কিভাবে প্রভাবিত করছে সেগুলো দেখতে হতো প্রতিনিয়ত।

‘পলিসি সাইকেল’, সব নীতিমালাই সম্পর্কিত

ডায়নামিক পলিসি

The Dynamic Public Policy-Cycle has the potential to generate better and more inclusive solutions to complex societal problems in a more efficient way. In this way, the public policy-cycle becomes more agile and dynamic as well as allowing for the participation of experts and civil society organizations.

-- Assessing the public policy-cycle framework in the age of artificial intelligence: From agenda-setting to policy evaluation, July 2020

তবে, এই ৭ বছরে নীতিমালাগুলো তৈরি করতে গিয়ে বিভিন্ন ‘পলিসি প্রসেস’ নিয়ে কাজ করছিলাম যার মধ্যে রাজনৈতিক এবং প্রশাসনের মূল চাওয়াটাকে কিভাবে প্রান্তিক পর্যায়ে নিয়ে যাওয়া যায় সেটা নিয়ে চলত হাজারো ‘আরএন্ডডি’। এতে ভালো ‘ইনসাইট’ পাওয়া যেতো বিশেষ করে অপারেটর থেকে ডাটা নিয়ে। সবচেয়ে বড় কথা হচ্ছে এই ‘পলিসি সাইকেল’ সবচেয়ে ভালো কাজ করে যখন ডাটা থেকে সিদ্ধান্ত নেওয়া হয়। সবচেয়ে মজার কথা হচ্ছে, এই পলিসি সাইকেলে যখন শুরুতে একটা সমস্যা ঠিকমতো সনাক্ত করা হয় এবং একের বেশি সেই সমস্যাগুলোকে কিভাবে সমাধান করতে গিয়ে কোথায় কোথায় হাত দিতে হবে এবং তার পাশাপাশি কোন কোন অংশ ঠিক করলে একটা নীতিমালা প্রণয়ন করা যাবে সেটার ব্যাপারে একটা ভালো ধারণা পেতে হয় ডাটা থেকে।

রাজনৈতিক এজেন্ডা, শুরুতেই সমস্যাটা কী?

এর শুরুটা হয় একটা রাজনৈতিক এজেন্ডা (জনপ্রতিনিধি থেকে কিছুটা ধারণা পাওয়া যেতে পারে) দিয়ে যা থেকে কিভাবে একটা পলিসি বা নীতিমালা প্রণয়ন করা যায় সেটার ব্যাপারে সিদ্ধান্ত আসবে সেই সমস্যাগুলো ডাটা থেকে। সমস্যাটাকে ঠিকমত শনাক্ত করা একটা বড় বিষয় বটে। এর পাশাপাশি, এর বাস্তবায়নের সময় কি কি সমস্যা হচ্ছে এবং সেটাকে কিভাবে ‘ইভালুয়েট’ অর্থাৎ কোন ডাটা দিয়ে মূল্যায়ন করা হচ্ছে সেটাও দেখার বিষয়। অনেক সময় দেখা যায় যে পরবর্তী কার্যকর অংশে নতুন একটা পলিসি সাইকেলের প্রয়োজন পরে। কারণ সবগুলো নীতিমালা একে অপরের সাথে ওতপ্রোতভাবে সম্পর্কিত।

প্রথম পর্ব: সমস্যাকে ঠিকমতো সনাক্ত করা

যে কোন নীতিমালার শুরুতে দরকার হয় একটা ‘সামাজিক সমস্যা’ যাকে রাজনৈতিক অবস্থান থেকে একটা বিশাল জনগোষ্ঠীর জন্য প্রয়োজন হতে পারে। এ ধরনের সমস্যাগুলো আসতে পারে বিভিন্ন রাজনৈতিক এজেন্ডা, যেমন নির্বাচনী ম্যানিফেস্টো অথবা এই মুহূর্তে বড় সমস্যা থেকে, যার সমাধান হয়তোবা এখনো সেভাবে নীতিমালায় ‘ম্যাপিং’ অথবা ‘ট্রান্সলেট’ করা সম্ভব হয়নি।

সরকার কিভাবে এ ধরনের সমস্যাগুলোকে ঠিক ভাবে শনাক্ত করতে পারে? বিগ ডাটা অর্থাৎ ‘হিস্টোরিক্যাল ইভেন্ট’ থেকে। প্রতিদিনের পত্র-পত্রিকা এবং সামাজিক যোগাযোগ মাধ্যমগুলোকে ঠিকমতো ‘মনিটর’ অর্থাৎ নিরীক্ষণ এবং সেটাকে একই পার্সপেক্টিভ থেকে অ্যানালাইসিস করলে আমাদের দেশে প্রচুর সমস্যা সনাক্ত করা সম্ভব এখনই। গত পাঁচ বছর ধরে কোন কোন বিষয়গুলো পত্রপত্রিকায় এবং ইলেকট্রনিক মিডিয়ায় ‘ভাইরাল’ ছিল সেটা দেখলেই ব্যাপারগুলো বোঝা্ সেরকম সমস্যা নয়। এর পাশাপাশি বিভিন্ন অর্থনৈতিক ইন্ডিকেটর এবং উন্নয়নের ডাটাগুলোকে ঠিকমতো বুঝতে পারলে এগুলোকে বোঝা তেমন ঝামেলার নয়। এছাড়া সরকারি বিভিন্ন সেবা প্রদানকারী ‘হটলাইন’ এবং কলসেন্টারগুলো প্রচুর ডাটা যোগ করছে প্রশাসনের কাজে। প্রতিদিনের অটোমেটেড এনালাইসিস ড্যাশবোর্ডে আনলে, সেখানে অনেক ধরনের সমস্যা পাওয়া যাবে যেগুলো সমাজকে প্রতিনিয়ত অস্থিতিশীল করে তুলছে। বর্তমানে ডাটা সমস্যা নয়, সমস্যা ঠিক পার্সপেক্টিভ থেকে অ্যানালাইসিসে।

ধরা যাক, সরকারের সামাজিক নিরাপত্তা বেষ্টনী কর্মকৌশলে সুযোগ-গ্রহীতারকে ঠিকমতো সনাক্ত করা একটা সমস্যা বটে। পুরো পৃথিবী জুড়ে, বিশেষ করে আফ্রিকা এবং ইউরোপের বেশ কয়েকটা দেশে দারিদ্র্যসীমার নিচে জনগণকে অর্থাৎ একটা বিশাল এবং বিশেষ ধরনের জনগোষ্ঠীকে ঠিকমতো শনাক্ত করতে মোবাইল ফোনের মত প্রযুক্তি ব্যবহার করছে বিগ ডাটার সাহায্যে। প্রযুক্তির উৎকর্ষের এখন মোবাইল ফোন গুলো পৌঁছে গেছে সবার হাতে হাতে। এর অর্থ হচ্ছে, এই যন্ত্রগুলোকে ব্যবহার করা যায় এক একজন মানুষের সঙ্গে এক একটা হিউমান সেন্সর হিসেবে। জিনিসটা সারাদিন থাকে, হয় তার পকেটে - অথবা রাতে মাথার কাছে। সেই জিনিসটা থেকে অসাধারণ প্রজ্ঞা পাচ্ছে প্রশাসনগুলো, ‘অ্যানোনমাইজ’ অর্থাৎ কারো নির্দিষ্ট ডাটা না ব্যবহার করে।

বাংলাদেশ সরকার যখন ‘কোভিড-১৯’ অর্থাৎ মহামারীর সময় দুস্থ জনগোষ্ঠীকে ঠিকমত শনাক্ত করতে কাজ করছিল, তখন কৃত্রিম বুদ্ধিমত্তা নিয়ে অনেকগুলো প্রজেক্টের প্রস্তাবনা দিয়েছিল অনেক উন্নয়ন সহযোগী এবং সকল মোবাইল কোম্পানিগুলো। সরকারের অন্যান্য পদ্ধতিগুলোর (প্রক্সি মিনস) সাথে বিশেষ করে দুস্থ জনগোষ্ঠীকে (অথবা যারা কয়েক মাসের মধ্যে ওই সীমানায় চলে যাবেন) ঠিকমতো শনাক্ত করতে প্রচলিত টুলগুলোর তার পাশাপাশি মোবাইল ফোনের ব্যবহারের হার, কখন ব্যবহার হচ্ছে, কিভাবে ব্যবহার হচ্ছে, ইনকামিং এবং আউটগোয়িং কল এর হার, সেই ফোনটা তার বাসা থেকে আর কোথায় কোথায় যায়, অর্থাৎ কতো বৃত্তাংশে উনি ঘুরছেন, এবং কত দূরে যেতে হয়, ফোনের এয়ারটাইম কত টাকা করে এবং কিভাবে ভরা হয়, কখন ভরা হয় কত টাকা অন্যকে দেয়া হয়, টাকাগুলো নিজে ভরেন না অন্য কেউ ভরে দেন, কী ধরনের সার্ভিস কেনেন এ ধরনের তথ্য বেনামে অর্থাৎ ‘অ্যানোনিমাস মোডে’ নিয়ে অসাধারণ লেভেলের দারিদ্র্যের মাপকাঠি তৈরি করা যায়।

এর সাথে মোবাইল ফিন্যান্সিয়াল সার্ভিসগুলোর একই ধরনের তথ্য ব্যবহার করলে একজন প্রকৃত দুস্থ মানুষকে শনাক্ত করা কোন সমস্যাই নয়। এ ধরনের ডাটা খুব কাজে লাগে যখন একটা দেশ অর্থনৈতিক সমস্যার মধ্যে দিয়ে যায় - বিশেষ করে ‘খাদ্য নিরাপত্তার’ অংশ থেকে। এর পাশাপাশি মানুষের ইনপুট থেকে বিশেষ করে সামাজিক মাধ্যম এবং হাট বাজার থেকে খাদ্যশস্যের দাম ট্র্যাক করে বোঝা যায় জনগণ সেগুলো কি ঠিকমত কিনতে পারছেন কিনা। এর সাথে মানুষের কেনার সামর্থ্য এর যে ইন্ডিকেটর রয়েছে তার এনালাইসিস করলে সামনে কোন কোন জিনিস দাম বাড়তে বা কমতে পারে সেটার একটা ভালো ‘ফোরকাস্টিং’ করা সম্ভব।

ডাটা থেকে নীতিমালা প্রণয়ন

সামাজিক একটা সমস্যা যখন রাজনৈতিক এজেন্ডার ভেতরে ঢুকে যায় তখন রাজনৈতিকভাবে ওই সমস্যার সমাধানের জন্য প্রশাসনিক নীতিমালা প্রনয়নের প্রয়োজন পড়ে। সব ধরনের নীতিমালা শুরু হয় একটা ফাইনাল আউটকাম দিয়ে - জনগনের জন্য সমস্যা সমাধানের জন্য কোন রাস্তায় হাঁটলে ব্যাপারটাকে সহজে এবং সার্বজনীনভাবে সবার উপকারে আসবে। এ ব্যাপারে কৃত্রিম বুদ্ধিমত্তা এবং ডাটা অ্যানালিটিক্স এ ধরনের মডেলের ঝামেলাপূর্ণ অংশগুলোকে আসল নীতিমালার সমস্যার সাথে ম্যাপিং করে একটা প্রমাণ ভিত্তিক অর্থাৎ ‘এভিডেন্স বেইজড’ নীতিমালা প্রণয়ন সম্ভব হয়। মানে সমস্যাগুলো নিয়ে কাজ করবে কৃত্রিম বুদ্ধিমত্তা, মানুষ প্রমানগুলোকে মিলিয়ে দেখবে।

২০০৮ সালে বাংলাদেশ টেলিযোগাযোগ নিয়ন্ত্রণ কমিশনে টেলিযোগাযোগ সার্ভিসগুলোর ‘ভয়েস কল’ এবং ‘এসএমএস’ এর মূল্য বোঝার জন্য একটা মার্কেট এনালাইসিস করছিলাম। সত্যি বলতে - একটা ভয়েস কল অথবা এসএমএস এর যৌক্তিক দাম নিয়ে আমরা সন্দিহান ছিলাম। যারা বাজারে ভয়েস কল দিচ্ছে প্রতিযোগিতা ঠিকমতো না থাকলে অপারেটরদের অদক্ষতার জন্য গ্রাহকদের পকেটে রাখলে সেটা গ্রাহক স্বার্থের বিপরীতে যায়।

সমস্যা সনাক্ত করতে গিয়ে যেটা বোঝা গেল বাংলাদেশের গ্রাহকেরা তাদের ভয়েস অথবা এসএমএস ব্যবহারের জন্য সঠিক অর্থাৎ যৌক্তিক দামটা দিচ্ছেন নাকি অপারেটরদের অদক্ষতার জন্য বেশি পয়সা খরচ হচ্ছে? অনেকে বলতে পারেন যে বাজারে এতো অপারেটর, সেখানে প্রতিযোগিতাই সেগুলো ঠিক করে দেবার কথা, সেখানে সিন্ডিকেশন একটা সমস্যা। এর পাশাপাশি, সর্বনিম্ন সিলিং আরো সমস্যা, মানে এই ৬০ পয়সার নিচে নামতে পারবে না। এই জিনিসটা যখন একটা রাজনৈতিক ‘প্রবলেম স্টেটমেন্ট’ হিসেবে দাঁড়ায় তখন নীতিমালা প্রণয়নের জন্য প্রচুর ডাটা প্রয়োজন হয়েছে ‘এভিডেন্স বেইজড’ নীতিমালা তৈরি করতে গিয়ে। তখন দেখেছি ডাটার কথা বলার ক্ষমতা, নীতিমালা তৈরি করতে গিয়ে। ডাটা একটা ভালো ধারণা দেয় একটা বাজার সম্পর্কে। এর পাশাপাশি মানুষের সেই জিনিসটা কেনার সামর্থ্য আছে কিনা সেটা বের হয়ে আসে ‘প্রক্সি মিনস টেস্ট’ থেকে। সবই ডাটার খেলা।

‘প্রক্সি মিনস টেস্ট’

The term "proxy means test" is used to describe a situation where information on household or individual characteristics correlated with welfare levels is used in a formal algorithm to proxy household income, welfare or need. Given the administrative difficulties associated with sophisticated means tests and the inaccuracy of simple means tests, the idea of using other household characteristics as proxies for income is appealing.

শুরুতে, এক অপারেটর থেকে আরেকটা অপারেটরে একটা কল পাঠাতে কতো পয়সা লাগতে পারে সেটা জানা জরুরি। প্রতিটা অপারেটরের ডাটা, বিশেষ করে মোবাইল ফোন কোম্পানি অথবা ল্যান্ডলাইন অপারেটর থেকে অন্যান্য দেশের ‘বেঞ্চমার্ক প্রাইসিং’ দিয়ে শুরু হয় এ ধরনের কাজ। তবে, এর পাশাপাশি যখন একটা ‘কষ্ট বেইজড’ অর্থাৎ প্রতিটা খরচের হিসেব নিয়ে একটা মডেল তৈরি করা যায় যেখানে প্রতিটা অপারেটরদের খরচ অ্যালোকেশনের হিসেব জমা দেয়া যায় রেগুলেটরকে।

কোথায় কোথায় ফিক্সড খরচ অর্থাৎ কমন খরচ, যার উপরে দাড়িয়ে আছে ইনফ্রাস্ট্রাকচার - যেগুলোকে কমানোর উপায় নেই, কোথায় ইনভেস্টমেন্টগুলো ইতিমধ্যে ব্যবহার হয়ে গেছে, তাদের যন্ত্রপাতির ডেপ্রিসিয়েশন খরচ, ‘রিটার্ন অন ইনভেস্টমেন্ট’ কিভাবে আসছে, বিভিন্ন স্ট্রাকচারাল প্যারামিটার, যা প্রতি মিনিটের ভয়েস কলের মূল্যের সাথে যোগ হচ্ছে, দেশের কর ব্যবস্থাপনা, স্পেক্ট্রাম, (যদি থাকে, বিশেষ করে মোবাইল অপারেটর) লাইসেন্স ফি, বিভিন্ন ছাড়পত্র গ্রহণের জন্য বাড়তি খরচ ইত্যাদির ডাটা সবকিছুই যোগ হচ্ছে একটা মডেলে যা অপারেটরদের আন্তসংযোগের প্রতি মিনিট কলের হিসেবের সাথে যোগ হচ্ছে। যদি বর্তমান ‘কস্ট স্ট্রাকচারে’র ওপরে মডেল করা হয় তখন সেখানে ‘লং রান ইনক্রিমেন্ট কস্ট’ মডেলিং ব্যবহার করে আমরা শেষ পর্যন্ত একটা মডেল বের করতে পেরেছিলাম যা একটা দক্ষ অপারেটরের জন্য প্রায় প্রতিটা খরচের কম্পনেন্টকে হিসেবে আনতে পেরেছিল।

কস্ট মডেলিং

Incremental cost methods are a type of bottom-up approach that arguably can improve and facilitate entry and competition. Incremental costing is a form of marginal cost pricing, with the distinction that incremental costs measure the additional cost of providing an increment (instead of just one additional unit), which can be a service or a network element.

-- Infrastructure Regulation, body of Knowledge

সেভাবেই একজন অপারেটর আরেকজন অপারেটরের কাছে পাইকারি কত সর্বনিম্ন পয়সায় প্রতি মিনিটে কল পাঠাতে পারবে সেটা আমরা নির্ধারণ করে দিয়েছিলাম সেই দু'বছরের ডাটা এক্সারসাইজের মাধ্যমে। এখানে কৃত্রিম বুদ্ধিমত্তা ব্যবহার করলে হয়তোবা পুরো জিনিসটাকে নামিয়ে আনা যায় কয়েক মাসে। নেটওয়ার্ক সার্ভিসের বিভিন্ন খরচের অংশগুলোকে যখন একটা ভয়েস কল অথবা ইন্টারনেটের শুরু থেকে শেষ পর্যন্ত ‘রাউটিং টেবিলে’ ফেলা হয় তখন এর মধ্যে সবকিছুই বের হয়ে আসে। সেখানে ‘ফরওয়ার্ড লুকিং’ অর্থাৎ সামনে একটা সার্ভিসের দাম কত হতে পারে সেটাও বের করে নিয়ে আসতে পারে এই কৃত্রিম বুদ্ধিমত্তা - তার কাছে পুরনো অর্থাৎ হিস্টোরিক্যাল ডাটা থেকে।

ফিনল্যান্ডের একটা শহরে ‘শিশু কল্যাণ এবং মনোরোগ সেবা’র উন্নয়নে প্রায় ১৪ বছর ধরে ৫ লক্ষ ২০ হাজার কেস ফাইল ডাটা ব্যবহার করে একটা কৃত্রিম বুদ্ধিমত্তা সিস্টেম তৈরি করতে গিয়ে বেশ কিছু জিনিস আবিষ্কার করে। সেই নতুন পদ্ধতিতে তারা প্রায় ২৮০টা ফ্যাক্টরকে আলাদা করে আনতে পারে, যেগুলোর প্রভাব এই শিশু কল্যাণ সার্ভিসে ব্যাপক পরিবর্তন নিয়ে আসে। এ ধরনের কৃত্রিম বুদ্ধিমত্তা সিস্টেম থেকে একটা বাচ্চার কিছু হবার আগেই পূর্ব সতর্কতা ব্যবস্থা নিয়েছে সেই সংস্থা। ডাটা দিয়ে সম্ভব অনেক কিছুই। সেই বিশ্বাসটা থাকা জরুরি নীতিনির্ধারকদের।

ডাটা থেকে সিদ্ধান্ত গ্রহণের সক্ষমতা

একটা নীতিমালা তৈরি করার পাশাপাশি অন্যান্য কোন নীতিমালাগুলো এই নতুন নীতিমালাকে প্রভাব ফেলছে সেটার ভালো ধারণা পাওয়া যায় ডাটা ড্রিভেন প্রশাসন থেকে। সবশেষে, সেই নীতিমালার কোন কোন অংশগুলো বাস্তবায়নযোগ্য অথবা যোগ্য নয় - সেটাকে বের করতে পারবে কৃত্রিম বুদ্ধিমত্তা। প্যাটার্ন এনালাইসিসে এটা অসঙ্গতি সনাক্তকরণ, অর্থাৎ অ্যানামলি ডিটেকশন। সাধারণ মেশিন লার্নিং মডেল পারে এগুলো করতে। এ ধরনের সিদ্ধান্ত নেবার প্রসেসে একটা এলাকার গণতান্ত্রিক অন্তর্দৃষ্টি অর্থাৎ ‘ডেমোস্কপিক ইনসাইট’ এবং সামনে কি ঘটতে পারে তার একটা সিমুলেশন নিয়ে বেশ কিছুদিন কাজ করেছিলাম। তবে, একটা জিনিস বুঝেছি, এ ধরনের প্রেডিকটিভ এনালাইসিস নীতিমালার প্রতিটা বিধির অংশগুলোকে আলাদা করে কিভাবে সেটাকে পুরো জনসংখ্যার উপর প্রভাব ফেলবে সেটার ভালো ধারণা তৈরি করা যায়। ডাটার খেলা এখানেই।

ফ্রান্সের সিমুলেশন, কর এবং সামাজিক নিরাপত্তা সুবিধা

ফ্রান্স তাদের কর পদ্ধতির বিভিন্ন নীতিমালা এবং সামাজিক নিরাপত্তা সুবিধাগুলোর মধ্যে কিছু ডাটা নিয়ে সিমুলেশন চালিয়ে দেখেছিল - কিভাবে একেকটা কর পদ্ধতির নীতিমালা সামাজিক নিরাপত্তা সুবিধাগুলোর ওপর আলাদা করে প্রভাব ফেলেছিল। এই দুটো জিনিসের মধ্যে একটা ‘অপটিমাল’ ব্যালান্স করতে পেরেছে ভালোকিছু মডেল। এর সাথে সরকারের সামগ্রিক বাজেট এবং একেকটা এলাকার জনসংখ্যার জীবনযাত্রার মানকে সাথে রেখে কিভাবে কর পদ্ধতি এবং সামাজিক নিরাপত্তা সুবিধাগুলোকে ভালোভাবে সমন্বয় করা যায় সেটার জন্য বেশকিছু সিমুলেশন মডেল তৈরি করে তারা। সেটার ফলাফল ভালো বলেই সেটাকে আস্তে আস্তে যুক্ত করেছে আরো সামাজিক নিরাপত্তা প্রকল্পগুলোতে।

এর পাশাপাশি একটা দেশের সবার জন্য একটা ইউনিভার্সাল ইনকাম অর্থাৎ সার্বজনীন ভাতার সাথে কিভাবে অন্যান্য নীতিমালাগুলোকে জনবান্ধব করা যায় সেটার জন্য তাদের সিমুলেশন প্ল্যাটফর্ম অসাধারণ কাজ করছে। সার্বজনীন ভাতা হচ্ছে ওই রাষ্ট্রের নাগরিক মাত্রই ওই ভাতা পাবেন, আলাদা কোন যোগ্যতা লাগবে না। এই সিমুলেশন প্ল্যাটফর্ম এবং অন্যান্য সব কিছু হচ্ছে নীতিমালাগুলোর সাথে সঙ্গতি রেখে, মডেলের সাহায্য নিয়ে। আমরা হয়তোবা ধারণা করছি - কৃত্রিম বুদ্ধিমত্তা কিভাবে একেকটা নীতিমালা পড়ে সেই নীতিমালার কোন কোন অংশ অন্যান্য নীতিমালার সাথে সাংর্ঘষিক সেটা বুঝবে কিভাবে?

এখন কৃত্রিম বুদ্ধিমত্তা এমন অবস্থানে চলে এসছে যেখানে ‘ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং’ দিয়ে নীতিমালা থেকে তার অ্যাকশন পয়েন্টগুলোকে আলাদা করে সেগুলোকে অন্যান্য নীতিমালার সাথে ‘কোরিলেট’ করা যায়। ফলে নীতিমালাগুলোর মধ্যে কোথায় কোথায় প্রাসঙ্গিক এবং কোথায় অপ্রাসঙ্গিক এবং কোথায় তার সাথে সাংঘর্ষিক এবং কোন জায়গাগুলো ‘বাহুল্য’ মানে দরকার নেই (অন্য নীতিমালায় আগে থেকে আছে), সেগুলো বের করে দিতে পারে কৃত্রিম বুদ্ধিমত্তা। সেই কাজগুলো আমি নিজে দেখেছি।

বাংলাদেশের সুবিধা হচ্ছে যেকোন আইনগত কাগজপত্র এবং আইন শুরুতেই তৈরি হয় ইংরেজিতে। ইংরেজির ‘ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং’ মানুষের থেকেও অনেক ভালো হয়ে গেছে। বাংলাতে ‘ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং’ কাজ শুরু হলেও সেটা ইংরেজির মত সেরকম সক্ষমতা পেতে একটু সময় লাগবে। আমি যেহেতু এই ফিল্ডে কাজ করছি, সে কারণে এ ব্যাপারে একটা ভাল ধারণা আছে। যেহেতু বাংলাদেশের সবগুলো আইন, নীতিমালা, বিধি এগুলো শুরুটা ইংরেজিতে করা হয় বলে বিভিন্ন আইনের মধ্যে প্রাসঙ্গিকতা, বাহুল্যতা অথবা সাংঘর্ষিক অংশ বের করা যায় খুব সহজে, মানুষের সাহায্য ছাড়াই। সেনাবাহিনীতে ব্যবহৃত ‘ওয়ারগেমিং’ কনসেপ্টে নীতিমালার ধারণা একইভাবে বাস্তবায়ন করা যায়।

ডাটার সাথে নীতিমালার বাস্তবায়ন

প্রশাসন যখন সেই নতুন নীতিমালাকে বাস্তবায়ন করতে যাবেন তখন তার প্রতিটা অঙ্গ ঠিকভাবে কাজ করছে কিনা, সেটা দেখার ডাটার প্রয়োজন অবশ্যম্ভাবী। নীতিমালাগুলোর আউটকাম অর্থাৎ সেই নীতিমালা বাস্তবায়ন করলে কি ধরনের ফলাফল আসতে পারে সেটার ধারণা আসবে যখন সেই দেশের জনগণের ইনপুটগুলোকে ঠিকমতো মনিটরিং করা যাবে। এই মুহূর্তে আমরা ‘সিমুলেশন’ ব্যবহার করব না। বরং, সত্তিকারের ডাটা ভালো কাজ করবে। পত্রপত্রিকা, সরকারের বিভিন্ন সেবামূলক কল সেন্টার, সামাজিক যোগাযোগ মাধ্যম, প্রিন্ট এবং ইলেকট্রনিক মিডিয়া থেকে ঠিকমতো ডাটা সংগ্রহ করে সেটার এনালাইসিস করতে পারলে তার জন্য ভবিষ্যত প্রেডিকশন এবং কিভাবে সিদ্ধান্তগুলোকে স্বয়ংক্রিয় করা যায় সেটার ব্যাপারে ভালো ধারণা আসবে।

ফিনল্যান্ডের যে সরকারি সংস্থাটা দেশের সামাজিক নিরাপত্তা ব্যবস্থাপনাটি চালায় তার নাম হচ্ছে ‘কেলা’। সংস্থাটি আগে থেকেই প্রতিটি সুবিধাভোগীর অ্যাপ্লিকেশন এবং কারা কোন সুবিধা পেতে পারে সেই পুরো ব্যাবস্থাপনাকে স্বয়ংক্রিয় করে ফেলেছে। এটা দিয়ে কে যোগ্য অথবা কার যোগ্যতার সমস্যা রয়েছে সেগুলোর সিদ্ধান্ত নেবার অংশটিকে ফেলে দিয়েছে রুল বেসড সিস্টেমে। বুঝতেই পারছেন - এই সংস্থাটি এই পদ্ধতিতে ১৫ মিলিয়ন ইউরোর বেশি সামাজিক সুবিধা বন্টন করে থাকে সুবিধা ভোগীদের সাথে। সেকারণে এর আইন এবং প্রয়োজনীয় নীতিমালাগুলোকে, বিশেষ করে কে কি ধরনের সুবিধা পাবেন, কিভাবে পাবেন, কার মাধ্যমে পাবেন, কখন পাবেন, কেমন করে পাবেন সবকিছুকে ম্যাপিং অর্থাৎ ট্রান্সলেট করে এনেছে রুল বেইজড অ্যালগরিদমে। সমস্যা হলেই তখন মানুষ দেখে। তার আগে সব চলছে রুলসেটে। মানুষ লুপে না থাকার কারণে সমস্যা নেই বললেই চলে।

একটা আবেদনপত্র যখন সিস্টেমে আসে, (সরকারের একটাই ‘ফেস’ অর্থাৎ চেহারা) তখন থেকে কোন ধরনের তথ্যগুলো হলেই সেই আবেদনপত্রটা যোগ্য হবে এবং কোন আবেদনপত্রে কি ধরনের ডাটা থাকলে সেটা প্রাধিকার পাবে এবং আবেদনপত্রগুলোতে প্রশাসনের অন্যান্য কোন কোন জায়গায় ইনপুট লাগবে সেগুলোকে ঠিকঠাক করে নিচ্ছে সিস্টেম। কারণ সব ডাটা তো সরকারের কাছে। কেন এক অফিস বলবে, আরেক অফিসের ওই ছাড়পত্রগুলো নিয়ে আসেন? পুরো ব্যাপারটাকে গতিশীল করার জন্য যে সফটওয়্যারগুলো কাজ করছে সেগুলোর পেছনে আস্তে আস্তে যোগ হচ্ছে কৃত্রিম বুদ্ধিমত্তা। এছাড়া গতি নেই। স্বচ্ছতা এবং গতি আনতে।

কারণ, এই কাজগুলো কখনোই মানুষের পক্ষে সম্ভব নয়। হাজারো রুলসেট, একজন এটা পেলে আরেকজন এটা পাবেননা, আরেকজনের বয়স ৫০ হলে এই সুবিধা পাবেন, ওই এলাকায় এই সুবিধা পাওয়া যাবে এধরনের রুলসেটগুলোকে ঠিকমতো মেলাতে পারবে সফটওয়্যার। আর সেটা মানুষের কাজ নয়। মানুষ রুলসেট তৈরি করে দেবে যন্ত্রকে, যন্ত্র সেটাকে মিলিয়ে করে ফেলবে। সবচেয়ে বড় কথা হচ্ছে - স্বল্প সময়ের মধ্যে বিশালকার এই কাজ সঠিক সময়ে, নিখুঁতভাবে নামিয়ে দিতে হবে।

মানুষের কাজ কী? আমাদের কাছে রয়েছে ড্যাশবোর্ড যা পুরো সিস্টেমের প্রতিনিয়ত সমস্যাগুলো বুঝে সেভাবে রুলসেটগুলোকে আপডেট করে নিচ্ছে। এই একই ব্যবস্থাপনা সম্ভব বাংলাদেশে, যেখানে আমাদের বিশাল জনসংখ্যা এবং কাজের কম্প্লেক্সিটির পাশাপাশি ‘কে যোগ্য’ এবং কখন, কাকে, কোন সুবিধাটা দিতে হবে - সেগুলো মানুষের সাহায্য নিয়ে শুরু করলেও আস্তে আস্তে পুরো জিনিসটাকে অর্থাৎ পুরো ব্যাবস্থাপনাকে ছেড়ে দিতে হবে কৃত্রিম বুদ্ধিমত্তার কাছে। এছাড়া, আমাদের মত এত জনবহুল দেশে নিখুঁতভাবে এত বড় ব্যবস্থাপনা চালানো অসম্ভব। মানুষের ‘বায়াস’ একটা বড় সমস্যা, সেটা থাকবে না যন্ত্রে।

ডাটার সাথে নীতিমালার ‘মূল্যায়ন’ অর্থাৎ নীতিমালা কতটুকু কাজ করেছে, করেনি

অধিকাংশ ক্ষেত্রে দেখা গেছে, যে কোন নীতিমালার মূল্যায়ন করা সম্ভব হয় যখন এর পেছনে একটা ভালো সময় দেয়া হয়। তবে, এই মূল্যায়ন তখনই ঠিক হবে যখন এই নীতিমালার থেকে প্রাপ্ত অংশগুলোকে আলাদা করে কিভাবে জনগণের সাহায্যে লেগেছে অথবা লাগেনি জানা যাবে। সেটার জন্য প্রশাসনকে সেই ব্যাপারে ঠিকমতো ডাটা সংগ্রহ করে সেটাকে এনালাইসিসে ফেললে অনেক কিছু জানা যাবে। যে ধরনের নীতিমালাগুলোতে প্রযুক্তি এবং নীতিমালার প্রজেকশন একই রাস্তায় হাঁটবে, তখন সেই নীতিমালাগুলোকে পাশাপাশি রেখে তার বিভিন্ন অংশগুলোকে নতুন করে বিন্যস্ত করতে পারবে কৃত্রিম বুদ্ধিমত্তা। যেখানে নীতিমালাগুলো ঠিক মতো কাজ করতে পেরেছে অথবা পারেনি সেটা জানা যাবে। সেখানে ‘এজাইল’ সফটওয়্যার ফ্রেমওয়ার্কের মতো প্রশাসনকে নীতিমালাগুলোকে পুনরায় সমন্বয় করে সার্বজনীন করার ব্যাপারে পদক্ষেপ নিতে পারে।

উগান্ডাতে মা এবং শিশুর মধ্যে ‘এইডস’ অর্থাৎ ‘এইচআইভি’ রোগটা কিভাবে সংক্রমণ হচ্ছে সেটার ব্যাপারে একটা নীতিমালা ঠিকমতো বিন্যস্ত করা গেছে যখন তারা বিভিন্ন স্বাস্থ্য সেবা সেন্টারগুলো থেকে ঠিকমতো ডাটা সংগ্রহ করে সেটাকে এনালাইসিস করতে পেরেছে। সেখানে তারা প্রায় শতাধিক ফ্যাক্টরগুলোকে আলাদা করে কোন কোন ইনপুটগুলো এই সংক্রমণকে কমাতে পেরেছে, সেগুলোকে অগ্রাধিকার দিয়ে নতুন মডেলকে সুন্দর ভাবে কাজ করাতে পেরেছে। ঔষুধের সাপ্লাই কখন শেষ হতে পারে অথবা কোন কোন বদ-অভ্যাসগুলো এ ধরনের সমস্যাকে আরও বাড়াতে পারে সেগুলোকে মাথায় নিয়ে এ ধরনের মডেলকে মূল্যায়ন অর্থাৎ ইভালুয়েট করতে গেলে নতুন কিছু পদ্ধতির বিন্যস্ত দেখা গেছে সেই কেস স্টাডিতে। এর অর্থ ডাটাই জীবন বাচায়।

আমাদের নীতিমালাগুলোকে পাল্টাতে হবে সিদ্ধান্ত নেবার ব্যবস্থাপনায়। সেটার জন্য দরকার কৃত্রিম বুদ্ধিমত্তা।