कृत्रिम बुद्धि (AI) युगमे प्रमाण आ उत्तरदायित्व

समस्या AI प्रमाण-उत्तरदायित्वक सम्पूर्ण श्रृंखला दाबी → स्रोत → उत्पत्ति-श्रृंखला → संस्करण/मॉडल → प्रक्रिया → मानवीय जाँच → निर्णय → प्रभाव → audit trail → सुधार/अपील → दायित्व प्रवाहपूर्ण उत्तर ≠ प्रमाण ; automation ≠ उत्तरदायित्व-विलोपन ; “मॉडल कहलक” ≠ उचित कारण ; audit trail बिना निर्णय = पुनर्परीक्षण कठिन ; गलती स्वीकार + सुधार + अपील = उत्तरदायी व्यवस्था कृत्रिम बुद्धि युगमे ज्ञानक संकट केवल गलत उत्तरक संकट नहि अछि; ई प्रमाणक स्थान, लेखकत्वक सीमा, निर्णयक स्रोत आ दायित्वक संरचना बदलि रहल अछि। पहिले पाठक प्रायः लेखक, संस्था, दस्तावेज अथवा प्रत्यक्ष स्रोतक पहचान कए सकैत छल। AI-उत्पन्न उत्तरमे वाक्य सहज, संक्षिप्त आ आत्मविश्वासपूर्ण होइत अछि, मुदा ओकर प्रत्येक दाबी कोन स्रोतसँ आयल, कोन प्रशिक्षण-सामग्रीक प्रभाव अछि, कोन retrieval अथवा tool उपयोग भेल, आ कोन अंश अनुमान अछि—ई सभ प्रत्यक्ष नहि देखाइत। एहि कारण “उत्तर मिलल” आ “ज्ञान प्राप्त भेल” बीच दूरी बढ़ि जाइत अछि। उपयोगकर्ता यदि AI outputकेँ स्वतः प्रमाण मानि लेत, त भाषा-कौशल सत्यक स्थान लऽ सकैत अछि। प्रवाहपूर्णता, सुन्दर संरचना, तकनीकी शब्द आ citations-जकाँ रूप विश्वसनीयताक मनोवैज्ञानिक संकेत बनैत अछि; मुदा epistemic विश्वसनीयता लेल स्रोत, विधि, संगति, पुनरुत्पादन, विरोधी प्रमाण आ संशोधन-इतिहास आवश्यक अछि। दोसरा तरफ, AI निर्णय-प्रणाली केवल ज्ञान-उत्पादन नहि करैत; ओ भर्ती, ऋण, बीमा, शिक्षा, चिकित्सा, सुरक्षा, सामग्री-छँटाई, मूल्यांकन, fraud detection, resource allocation आ प्रशासनमे मानवक अवसर प्रभावित करि सकैत अछि। एहि क्षेत्रमे गलतीक अर्थ केवल “गलत उत्तर” नहि; रोजगार, प्रतिष्ठा, धन, सेवा, स्वतंत्रता वा अधिकारपर प्रभाव हो सकैत अछि। एतय उत्तरदायित्वक प्रसिद्ध कठिनाई उभरैत अछि: developer कहि सकैत अछि जे user गलत उपयोग कएल; deployer कहि सकैत अछि जे vendor model बनौलक; manager कहि सकैत अछि जे algorithm recommendation देलक; operator कहि सकैत अछि जे system auto-approved; संस्था कहि सकैत अछि जे प्रक्रिया standardized छल। जँ सभ भागीदार कारण-श्रृंखलामे छथि मुदा कोनो अन्तिम जिम्मेदार नहि, त “responsibility gap” उत्पन्न होइत अछि। AI प्रणालीक जटिलता दायित्व घटबैत नहि; उलटा documentationक आवश्यकता बढ़बैत अछि। opaque modelक कारण exact आन्तरिक कारण हमेशा सरल भाषामे नहि भेटत, मुदा संस्था कम-से-कम ई बता सकैत अछि जे model/version कोन, input की, policy की, threshold की, human override छल कि नहि, validation कोना भेल, known limitations की, decision reviewer के, आ appeal path कतय अछि। मूल प्रतिपादन एहि अध्यायक मूल प्रतिपादन अछि: AI युगमे प्रमाणकेँ “उत्तरक सामग्री” नहि, “उत्पत्ति-श्रृंखला” रूपेँ बुझू; आ उत्तरदायित्वकेँ “एक व्यक्ति पर दोष” नहि, “भूमिका-विशिष्ट कर्तव्य आ अन्तिम जवाबदेही” रूपेँ रचू। सत्यापनीय स्रोत, versioned process, human authorization, audit trail, correction आ appeal—ई सभ एकहि उत्तरदायी ज्ञान-व्यवस्थाक तत्त्व छथि। पहिल सिद्धान्त—AI output prima facie सूचना हो सकैत अछि, स्वतः प्रमाण नहि। सामान्य brainstormingमे verification हल्का हो सकैत अछि; high-stakes चिकित्सा, कानून, वित्त, ऐतिहासिक उद्धरण, शैक्षणिक reference वा सार्वजनिक नीति मे मूल स्रोतक स्वतंत्र जाँच अनिवार्य स्तरक होय। दोसर सिद्धान्त—प्रमाणक भार दाबी अनुसार बदलय। “ई पुस्तक प्रसिद्ध अछि” आ “फलाँ पृष्ठपर ई वाक्य अछि” समान verification नहि माँगैत। संख्या, तिथि, उद्धरण, कानूनी प्रावधान, औषधि मात्रा, वैज्ञानिक परिणाम, attribution आ archival claim उच्च source-specificity माँगैत अछि। तेसर सिद्धान्त—provenance अर्थात उत्पत्ति-श्रृंखला। उत्तर कोन model/version, कोन prompt/context, कोन retrieved documents, कोन tools, कोन human edits आ कोन समयपर बनल—ई metadata दाबीकेँ reproducible बनबैत अछि। provenance पूर्ण truth guarantee नहि, मुदा auditक आधार अछि। चारिम सिद्धान्त—explanation आ evidence अलग। प्रणाली निर्णयक बाद plausible कारण लिखि सकैत अछि जे वास्तवमे causal process नहि हो। “किएक?”क natural-language explanationकेँ decision log, feature record, rule, threshold, source अथवा causal testसँ मिलाउ। post-hoc कथा प्रमाण नहि। पाँचम सिद्धान्त—human-in-the-loop केवल नाम नहि। यदि reviewer हजारों recommendation mechanical clickसँ approve करैत अछि, त human presence वास्तविक oversight नहि। reviewerक समय, authority, competence, relevant information, override power आ documented reason चाही। छठम सिद्धान्त—automation bias उत्तरदायित्वक शत्रु अछि। मशीन recommendationकेँ objective मानि मानव अपन निर्णय-दायित्व छोड़े, त error amplifies। उलटा algorithm aversion सेहो अनुचित—एक गलती देखिते उपयोगी system त्याग। उचित नीति human-machine comparative performance आ contextपर आधारित हो। सातम सिद्धान्त—उत्तरदायित्व विभाज्य अछि, पर विघटित नहि। data provider, model developer, integrator, deployer, domain professional, manager आ institutionक अलग कर्तव्य हो सकैत अछि; तैँ सभकेँ जिम्मेदार कहि कोनोकेँ जिम्मेदार नहि बनाउ। प्रत्येक stageक duty स्पष्ट, आ अन्तिम affected-person-facing accountability संस्था पर निश्चित हो। आठम सिद्धान्त—appeal epistemic mechanism सेहो अछि। प्रभावित व्यक्ति निर्णय चुनौती दैत अछि त ओ केवल न्याय नहि माँगैत; ओ systemक त्रुटि, context loss, identity mismatch, outdated data अथवा proxy failureक नया प्रमाण प्रस्तुत करि सकैत अछि। appeal system institutional learningक source अछि। प्रमुख तर्क तर्क 1—स्रोत-विहीन प्रवाहपूर्णता epistemic shortcut बनैत अछि। भाषा-model वाक्य-संगति बनाबयमे दक्ष हो सकैत अछि, मुदा संगति truth-trackingक पर्याप्त शर्त नहि। जँ user prose qualityकेँ सत्यताक proxy बनबैत अछि, त hallucination विशेष प्रभावशाली होइत अछि। तें उच्च-मूल्य दाबी source-linked output चाही। तर्क 2—retrieval प्रमाणक स्थिति स्वतः सुधारि नहि दैत। retrieved document गलत, पुरान, पक्षपाती, अधूरा वा query-mismatch हो सकैत अछि। RAG-जकाँ प्रणालीमे source उपलब्ध होयब लाभकारी अछि, मुदा source quality, passage relevance, quotation fidelity आ synthesis accuracy अलग जाँचल जाए। तर्क 3—सही sourceसँ गलत inference सम्भव। दस्तावेज वास्तविक हो, तयो model context छोड़ि निष्कर्ष निकालि सकैत अछि, correlationकेँ causation मानि सकैत अछि, exception अनदेखा करि सकैत अछि, अथवा बहु-स्रोत मतभेद flatten करि सकैत अछि। source citation reasoning auditकेँ replace नहि करैत। तर्क 4—training data opacity attribution प्रश्न कठिन बनबैत अछि। generated text exact quotation नहि होय तओ शैली, तथ्य, विचार अनेक स्रोतक statistical मिश्रण हो सकैत अछि। लेखकत्वक नैतिक चर्चा लेल memorization, transformation, retrieval, public-domain status, licence आ attribution policy अलग विश्लेषण चाही। तर्क 5—decision score नैतिक निर्णय नहि। risk score 0.72 बनलापर “deny” threshold 0.70 कोन व्यक्ति/संस्था तय कएल? false positive बनाम false negativeक लागत कोना तौलल? protected groupsपर असर की? score technical output; threshold normative policy। तर्क 6—proxy selection सत्ता वहन करैत अछि। “merit”, “risk”, “fraud”, “quality”, “engagement”, “toxicity” जकाँ अमूर्त गुण सीधे मापल नहि जाइत; features/proxies चुनल जाइत अछि। proxyक परिभाषा सामाजिक मूल्य समाहित करैत अछि। Chapter 86क वर्गीकरण-विवेक एतय उत्तरदायित्वक रूप धारण करैत अछि। तर्क 7—error distribution average accuracyसँ अधिक महत्त्वपूर्ण हो सकैत अछि। 95% overall accuracy यदि एक छोट समूहमे 65% हो, त governance समस्या छिपि सकैत अछि। disaggregated testing, subgroup uncertainty, sample size आ context-specific harm बिना aggregate metric अधूरा। तर्क 8—non-determinism auditक जरूरत बढ़बैत अछि। same prompt अलग output दे सकैत अछि; system updates पुरान behavior बदलि सकैत अछि। तें incident investigation लेल prompt, model/version, settings, retrieved sources, tool results, timestamp आ final human action capture करब उपयोगी। तर्क 9—human overrideक freedom बिना accountability hollow। कर्मचारी यदि algorithmक recommendation बदलला पर दण्डित हो, अथवा interface default button अत्यन्त प्रबल हो, त formal human control वास्तविक नहि। governance interface incentives तक देखय। पूर्वपक्ष पहिल पूर्वपक्ष: “AI मानवसँ औसतन अधिक सही अछि, तें हर जगह मानवकेँ हटायब उचित।” औसत performance context, subgroup, rare case आ accountability cost नहि देखबैत। अधिक accurate system उपयोगी हो सकैत अछि, मुदा authority transfer लेल failure mode, appeal, domain shift आ harm severity जाँच आवश्यक। दोसर पूर्वपक्ष: “AI केवल tool अछि; जिम्मेदारी पूरा userक।” toolक design, defaults, warnings, capability claims, deployment constraints आ foreseeable misuse developer/deployer duty उत्पन्न करि सकैत अछि। हथौड़ा-जकाँ सरल tool analogies adaptive opaque systems पर हमेशा लागू नहि। तेसर पूर्वपक्ष: “model स्वतः निर्णय लेलक, तें कोनो मानव जिम्मेदार नहि।” स्वतः निर्णयक environment, objective, data access, threshold, deployment आ authority मानव/संस्था निर्धारित करैत अछि। autonomy operational वर्णन हो सकैत अछि, accountability vacuumक तर्क नहि। चारिम पूर्वपक्ष: “source देल अछि, तें उत्तर प्रमाणित।” source existence केवल पहिल चरण। relevant passage, exact quotation, source authority, date, context, conflicting sources आ inference validity जाँचबाक अछि। पाँचम पूर्वपक्ष: “explainable AI सब समस्या हल करैत अछि।” explanation fidelity, comprehensibility, audience, manipulability आ causal relevance प्रश्नगत। सुंदर explanation unjust policyकेँ वैध नहि बनबैत। छठम पूर्वपक्ष: “proprietary system अछि, तें transparency असम्भव।” trade secret पूर्ण public disclosure सीमित करि सकैत अछि, मुदा confidential independent audit, regulator access, performance reporting, adverse-action reason आ incident disclosure सम्भव। सातम पूर्वपक्ष: “human reviewer अछि, तें system accountable।” reviewer rubber stamp करैत अछि, पर्याप्त समय नहि, override authority नहि, वा model logic बुझबाक training नहि—त formal review केवल उत्तरदायित्वक प्रतीक। आठम पूर्वपक्ष: “bias हटाबय लेल protected attribute निकालि दिअ।” proxy features protected attributeक signal पुनः बना सकैत अछि; fairness definition outcome, error rate, opportunity, calibration आदि मे टकरा सकैत अछि। attribute blindness स्वतः न्याय नहि। नवम पूर्वपक्ष: “बहुत बड़ा model स्वयं robust होइत अछि।” scale capability बढ़ा सकैत अछि, मुदा hallucination, rare failures, prompt sensitivity, emergent misuse वा domain-specific errors स्वतः समाप्त नहि। testing architecture-sizeक बदला task/harm आधारपर हो। दसम पूर्वपक्ष: “AI decision objective अछि, मानव subjective।” training labels, loss function, feature selection, threshold, data collection आ policy objective मानव विकल्प सँ बनैत। machine consistency objectivityक एक अंश हो सकैत अछि, value neutrality नहि। उत्तरपक्ष उत्तरपक्षक पहिल नियम—दाबी वर्गीकृत करू। सामान्य व्याख्या, exact fact, संख्या, quotation, diagnosis, legal interpretation, prediction, recommendation, ranking, eligibility decision—सभक evidence threshold अलग हो। system interface userकेँ ई भेद देखाबय। दोसर नियम—source ladder बनाउ। प्राथमिक दस्तावेज/मूल data उच्च प्राथमिकता; reputable secondary analysis अगिला; tertiary summary सहायक; uncited AI prose केवल navigation/brainstorming। दाबी जितना महत्त्वपूर्ण, ladderमे ततेक ऊपरक source चाही। तेसर नियम—citation verification स्वचालित + मानवीय दुनू। URL/DOI अस्तित्व check, quoted string match, publication metadata, date freshness machine जाँच सकैत अछि; अर्थगत relevance, context आ विवादित interpretation मानव/विशेषज्ञ जाँचय। चारिम नियम—provenance log minimum dataset राखू: timestamp, model/version, system configuration, user prompt or case identifier, retrieved source IDs, tool actions, decision rule, human reviewer, final action। privacy-sensitive field access-controlled रहय। पाँचम नियम—high-stakes decisionमे “reason for action” structured हो। कौन evidence considered, कौन excluded, key rule/threshold, uncertainty, human reviewer, available appeal। generic “system determined” कारण नहि। छठम नियम—override record द्विपक्षीय हो। reviewer algorithm बदललक त कारण दर्ज; algorithm recommendation follow कएल त blind acceptance नहि, खास high-risk caseमे review affirmation दर्ज। एहि dataसँ later learning सम्भव। सातम नियम—incident severity tiers। harmless formatting error आ denied medical service समान process नहि। severity, reach, reversibility, affected population, recurrence probabilityक आधारपर escalation timeline बनाउ। आठम नियम—rollback readiness। model update खराब result दे त पुरान validated version पर लौटबाक क्षमता, version registry आ change log रहय। “continuous improvement” बिना rollback uncontrolled experiment बनि सकैत अछि। नवम नियम—independent auditक scope स्पष्ट। data sampling, performance, subgroup errors, security, privacy, documentation, human workflow, complaint records आ governance authority—केवल model benchmark नहि। दसम नियम—affected-person intelligibility। explanation तकनीकी रूपेँ सत्य हो, मुदा व्यक्ति बुझि नहि सकय त redress कठिन। सरल कारणक संग detailed technical record अलग स्तरपर उपलब्ध हो। एगारहम नियम—uncertainty disclosure actionable हो। “confidence low” लिखि छोड़ू नहि; low confidence पर system की करय—abstain, additional evidence माँगय, second model, expert review, temporary hold—ई नीति पूर्वनिर्धारित हो। भारतीय संवाद भारतीय प्रमाणमीमांसा AI युगमे सीधा software manual नहि, मुदा ज्ञान-दावीक अनुशासन लेल गहन संसाधन दैत अछि। प्रत्यक्ष, अनुमान, शब्द, उपमान, अर्थापत्ति, अनुपलब्धि आदि प्रमाणक भिन्न मान्यता अलग परम्परामे अछि; मुख्य शिक्षा ई जे “किछु कहल गेल” आ “ज्ञान सिद्ध भेल” एक बात नहि। न्याय परम्परामे प्रमाण फलस्वरूप यथार्थ ज्ञानक चर्चा करैत अछि आ प्रमाणाभास/दोषक विश्लेषण ज्ञानक असफलता बुझबैत अछि। AI output यदि शब्द-जकाँ व्यवहार करैत अछि, त वक्ता-सदृश source competence, विश्वसनीयता, अभिप्राय, दोष आ corroborationक आधुनिक समानान्तर प्रश्न उठैत अछि। मशीनकेँ आप्त मानि लेब स्वतः उचित नहि। शब्द-प्रमाणक आधुनिक समानता सावधानीसँ लिअ। classical testimonyमे वक्ता, वाक्य आ अर्थ-संबंधक जटिल प्रश्न अछि; language model text अनेक स्रोतक statistical synthesis हो सकैत अछि। तें “AI कहलक” स्वयं testimonial authority नहि; source-grounded chain चाही। अनुमानक व्याप्ति-विचार algorithmic prediction लेल रोचक अछि। historical dataमे feature आ outcome सम्बन्ध भेटलापर model generalize करैत अछि; मुदा उपाधि, domain shift, confounding वा changed institution सम्बन्ध तोड़ि सकैत अछि। व्याप्ति-जाँचक अनुशासन modern validationक समानान्तर बनि सकैत अछि। नव्य-न्यायक अवच्छेदक, सम्बन्ध, विशेषण-विशेष्य आ locusक सूक्ष्मता classification decisionमे उपयोगी प्रश्न बनबैत अछि: “risk” कोन वस्तुक गुण, कोन कालमे, कोन प्रसंगमे, कोन सीमा तक? context-विहीन label दार्शनिक रूपेँ अधूरा। संशय आ निर्णयक भेद विशेष महत्त्वपूर्ण। evidence समान बलक हो, data अपूर्ण, source conflict हो—त संशय वैध ज्ञान-अवस्था। AI systemकेँ हर प्रश्नपर निश्चयात्मक वाक्य देबाक दबाव हटायब न्यायीय विवेकसँ संगत methodological शिक्षा। मीमांसा परम्परामे प्रामाण्यक स्वतः/परतः बहस आधुनिक trust designसँ तुलना योग्य अछि। की output prima facie स्वीकार हो जतय defeater नहि, अथवा external verification हरदम चाही? उत्तर domain-dependent हो सकैत अछि: low-stakes routineमे prima facie trust; high-stakes specific claimमे external check। बौद्ध प्रमाणपरम्परा cognitionक क्षणिकता, error, conceptual construction आ प्रमाणक सीमा पर ध्यान दैत अछि। AI generated categoryकेँ वस्तुक स्वभाव मानि लेबाक विरुद्ध ई स्मरण उपयोगी—label conceptual/operational construction हो सकैत अछि, अन्तिम सत्ता नहि। जैन अनेकान्तवादक सम्यक उपयोग “सभ मत समान” नहि, बल्कि दृष्टिकोण-सीमा पहिचान। एक model आर्थिक risk देखैत अछि, दोसर clinical risk, तेसर fraud risk; अलग नय/दृष्टिसँ वर्णन आ सकैत अछि। निर्णयमे viewpoint specification आवश्यक। गीता वा धर्मशास्त्रीय कर्तव्य-विचारकेँ आधुनिक corporate liability पर सीधा आरोपित करब उचित नहि, मुदा भूमिका-सापेक्ष कर्तव्यक प्रश्न उपयोगी अछि: developerक duty, domain professionalक duty, administratorक duty अलग। भूमिका स्पष्ट हो त responsibility diffusion घटैत अछि। मिथिलाक समानान्तर दृष्टि मिथिलाक न्याय-नव्यन्याय परम्परा AI प्रमाण-उत्तरदायित्व लेल खास पद्धतिगत मॉडल दैत अछि: प्रतिज्ञा स्पष्ट, हेतु निर्दिष्ट, उदाहरण/व्याप्ति जाँचल, उपाधि खोजल, प्रतिपक्ष सुनल, आ निष्कर्षक सीमा लिखल। black-box authorityक विरुद्ध ई reason-giving culture महत्त्वपूर्ण। गङ्गेशीय परम्पराक प्रश्नशैली—ज्ञान कोन प्रकारक, कारण की, दोष की, संशयक कारण की—AI evaluationमे audit checklist बनि सकैत अछि। “model accurate अछि”क बदला: कोन task, कोन population, कोन काल, कोन comparator, कोन error class, कोन confidence interval? सीमित प्रतिज्ञा अधिक प्रमाणिक। उपाधि-विचार algorithmic fairnessमे गहन समानान्तर दैत अछि। “feature X → risk” सम्बन्ध training dataमे सत्य देखाइत हो, मुदा hidden condition Y कारण हो सकैत अछि। policy बदललापर relation टूटि सकैत अछि। hidden condition खोजब केवल statistical refinement नहि, दार्शनिक जिम्मेदारी। अभाव-विचार negative evidenceकेँ अनुशासित करैत अछि। “complaint नहि आयल” = “harm नहि भेल” नहि, जखन complaint mechanism inaccessible हो। absence meaningful तखन हो जखन detection condition उचित हो। governance dashboard एहि logicकेँ अपनाबय। अनुव्यवसाय/second-order cognitionक समानान्तर institutionक self-auditमे देखल जा सकैत अछि: system decision करैत अछि; meta-layer decision quality, uncertainty, override, complaint आ correction देखैत अछि। केवल प्रथम-स्तर output नहि, द्वितीय-स्तर निगरानी आवश्यक। मिथिलाक शास्त्रार्थ परम्परामे प्रतिपक्षकेँ स्थान देब accountabilityक सांस्कृतिक प्रतिरूप अछि। independent reviewer, affected community, domain expert आ developer—सभक आपत्ति record हो। केवल internal compliance checklist पर्याप्त नहि। समानान्तर दर्शन एतय शास्त्रीय पदकेँ decorative label नहि बनबैत। उद्देश्य modern AI governanceकेँ प्रमाण, संशय, उपाधि, अभाव, कारण आ उत्तरपक्षक कठोरता सँ समृद्ध करब; आ बदला मे नूतन तकनीकी उदाहरणसँ पुरान अवधारणाक उपयोग-सीमा जाँचब। एहि दृष्टिसँ उत्तरदायित्वक सूत्र बनैत अछि: “जतय निर्णयक प्रभाव, ततय कारणक लेखा; जतय कारणक लेखा, ततय प्रतिपक्ष; जतय त्रुटि, ततय सुधार; जतय प्रभावित व्यक्ति, ततय अपीलक द्वार।” समकालीन प्रयोग शोध-लेखनमे AI उपयोग स्पष्ट workflowसँ हो। brainstorming, भाषा-सुधार, खोज-सहायता, citation discovery आ final factual claim अलग stage। bibliographyमे हर reference मूल catalogue/publicationसँ verify; उद्धरण page-level sourceसँ मिलान; AI-generated summaryकेँ primary evidence न बनाउ। पत्रकारितामे breaking news पर modelक पुरान knowledge विशेष जोखिम। newsroom AI output publicationपूर्व source deskसँ verify करय; generated quote निषिद्ध हो; image/audio provenance जाँच; correction log सार्वजनिक। शिक्षामे शिक्षक AI-generated answerक साथ “source trail” assignment दऽ सकैत छथि। विद्यार्थी हर factual claimक स्रोत खोजथि, AIक गलती चिन्हथि, conflicting evidence तुलना करथि। ई AI-ban सँ अधिक epistemic literacy सिखा सकैत अछि। विश्वविद्यालय मूल्यांकनमे केवल detector पर disciplinary decision नहि। detector error, writing history, oral clarification, drafts, citations, process evidence संयुक्त हो। accusationक appeal path रहय। चिकित्सामे clinical decision support recommendation doctorक judgment replace न करय जखन diagnosis/treatment high-stakes। source guideline version, patient-specific contraindication, uncertainty, override reason आ follow-up outcome दर्ज हो। कानूनमे AI-generated case citation हरदम original reporter/databaseमे जाँचल जाए। fabricated precedent न्यायिक प्रक्रिया बिगाड़ि सकैत अछि। practitionerक professional duty vendor पर हस्तांतरित नहि। भर्तीमे resume scoring tool deploy करैत संस्था job-relevance validation, subgroup error, accommodation, human review आ candidate appeal सुनिश्चित करय। “vendor proprietary” applicant-facing accountability रोकबाक कारण नहि। ऋण/बीमामे adverse decisionक meaningful reason चाही। feature attribution मात्र पर्याप्त नहि जँ user actionable correction नहि बुझि सकय। गलत data update mechanism आ पुनर्मूल्यांकन उपलब्ध हो। सरकारी लाभ-वितरणमे automation error vulnerable नागरिकपर अनुपातहीन असर डालि सकैत अछि। default denialक बदला uncertainty escalation, offline appeal, local language explanation, human caseworker access आवश्यक। पुलिस/सुरक्षा analyticsमे risk score reasonable suspicion वा guiltक स्वतः विकल्प नहि। false positive, demographic skew, data provenance आ feedback loops न्यायिक निगरानी माँगैत अछि। चेहरा-पहिचानमे confidence score context-sensitive। poor lighting, ageing, demographic imbalance, database quality आ look-alike risk। उच्च प्रभावमे multiple evidence चाही; single model match निर्णायक न बनय। content moderationमे “toxicity” label context, dialect, satire, quotation, reclamation पर निर्भर। automated action severity proportional हो; appeal, human context review, language-community evaluation जरूरी। अध्याय-निष्कर्ष AI युगमे प्रमाणक अर्थ केवल “कहाँ लिंक अछि?” नहि; दाबी कोना उत्पन्न भेल, कोन स्रोत/मॉडल/संस्करण उपयोग भेल, कोन मानवीय निर्णय जुड़ल, कोन uncertainty रहल, आ पुनरीक्षण कोना सम्भव—ई पूरा श्रृंखला प्रमाणक आधुनिक रूप बनबैत अछि। उत्तरदायित्व सेहो केवल दोषारोपण नहि। role-specific duty, competent oversight, traceability, monitoring, incident response, correction आ appeal बिना “human in the loop” वा “ethical AI” शब्द खाली रहि सकैत अछि। सबसे खतरनाक वाक्य हो सकैत अछि—“system एना कहलक।” ई वाक्य कारणक स्थान लैत अछि, पर कारण नहि; authorityक रूप लैत अछि, पर legitimacy नहि। उचित प्रश्न अछि: system किएक एना configured, evidence की, reviewer के, decision authority के, harm हो त सुधार के करत? भारतीय प्रमाणमीमांसा आ मिथिलाक न्याय-नव्यन्याय परम्परा आधुनिक AI शासनकेँ एक महत्त्वपूर्ण शिक्षा दैत अछि: ज्ञान-दाबीकेँ साधन, दोष, संशय, व्याप्ति, उपाधि, प्रतिपक्ष आ निरसनक जाँचसँ गुजरू। आधुनिक audit एहि प्राचीन अनुशासनक यांत्रिक प्रतिलिपि नहि, समानान्तर पुनर्रचना अछि। एहि अध्यायक सूत्र: “AI उत्तरकेँ प्रमाण मत मानू; प्रमाणक उत्पत्ति-श्रृंखला बनाउ। मशीन निर्णयकेँ दायित्व-विलोपन मत बनाउ; भूमिका, समीक्षा, सुधार आ अपीलक श्रृंखला बनाउ।” अगिला अध्याय 90 एहि बिन्दुसँ आगे डिजिटल नैतिकता/तकनीकी जीवनक स्वीकृत योजनानुसार बढ़त; मुदा Chapter 100क विस्तृत 100.1–100.25 anti-placeholder blueprint यथावत plan-only रहत। अध्याय-ग्रन्थसूची Luciano Floridi — The Ethics of Information Luciano Floridi — The Fourth Revolution: How the Infosphere Is Reshaping Human Reality Helen Nissenbaum — Privacy in Context: Technology, Policy, and the Integrity of Social Life Frank Pasquale — The Black Box Society Cathy O’Neil — Weapons of Math Destruction Virginia Eubanks — Automating Inequality Ruha Benjamin — Race After Technology Safiya Umoja Noble — Algorithms of Oppression Kate Crawford — Atlas of AI Brian Christian — The Alignment Problem Batya Friedman and David G. Hendry — Value Sensitive Design Mireille Hildebrandt — Smart Technologies and the End(s) of Law Andrew D. Selbst and collaborators — work on fairness and abstraction in sociotechnical systems Joshua A. Kroll and collaborators — “Accountable Algorithms” Inioluwa Deborah Raji and collaborators — work on algorithmic auditing and accountability Margaret Mitchell and collaborators — “Model Cards for Model Reporting” Timnit Gebru and collaborators — “Datasheets for Datasets” Emily M. Bender and collaborators — “On the Dangers of Stochastic Parrots” Rishi Bommasani and collaborators — “On the Opportunities and Risks of Foundation Models” Solomon Kullback and information-theoretic work relevant to statistical inference and model evaluation Judea Pearl — Causality Judea Pearl and Dana Mackenzie — The Book of Why Daniel Kahneman, Paul Slovic, and Amos Tversky (eds.) — Judgment under Uncertainty: Heuristics and Biases Cass R. Sunstein — Risk and Reason Donald A. Norman — The Design of Everyday Things James Reason — Human Error Charles Perrow — Normal Accidents Sidney Dekker — The Field Guide to Understanding “Human Error” NIST — Artificial Intelligence Risk Management Framework (AI RMF) OECD — Principles on Artificial Intelligence UNESCO — Recommendation on the Ethics of Artificial Intelligence IEEE — work on ethically aligned design and autonomous/intelligent systems Gautama — Nyāya-sūtra Vātsyāyana — Nyāya-bhāṣya Uddyotakara — Nyāya-vārttika Jayanta Bhaṭṭa — Nyāyamañjarī Udayana — Nyāyakusumāñjali Udayana — Ātmatattvaviveka Gaṅgeśa — Tattvacintāmaṇi Raghunātha Śiromaṇi — Dīdhiti and related Navya-Nyāya works Śabara — Śābara-bhāṣya Kumārila Bhaṭṭa — Ślokavārttika Dignāga — Pramāṇasamuccaya Dharmakīrti — Pramāṇavārttika Bimal Krishna Matilal — Perception: An Essay on Classical Indian Theories of Knowledge Bimal Krishna Matilal — The Character of Logic in India Stephen H. Phillips — Epistemology in Classical India: The Knowledge Sources of the Nyāya School Jonardon Ganeri — Philosophy in Classical India: The Proper Work of Reason