AI ব্যবহারকারীদের জন্য যে গোপনীয়তার প্রশ্নগুলো জানা জরুরি

ডিজিটাল আইসোলেশনের দিন শেষ। কয়েক দশক ধরে গোপনীয়তা মানে ছিল আপনার ফাইল কে দেখছে বা মেসেজ কে পড়ছে তা নিয়ন্ত্রণ করা। কিন্তু আজ চ্যালেঞ্জটি সম্পূর্ণ ভিন্ন। লার্জ ল্যাঙ্গুয়েজ মডেলগুলো কেবল আপনার ডেটা জমা রাখে না, বরং তা গিলে ফেলে। প্রতিটি প্রম্পট, আপলোড করা ডকুমেন্ট এবং সাধারণ কথোপকথন এখন প্যাটার্ন শনাক্তকরণের এক বিশাল ইঞ্জিনের জ্বালানি হয়ে দাঁড়িয়েছে। আধুনিক ব্যবহারকারীদের জন্য মূল কথা হলো, আপনার ডেটা এখন আর কোনো স্থির রেকর্ড নয়, বরং এটি একটি ট্রেনিং সেট। ডেটা স্টোরেজ থেকে ডেটা ইনজেশনের এই পরিবর্তন এমন সব ঝুঁকি তৈরি করেছে যা প্রথাগত প্রাইভেসি সেটিংস দিয়ে সামলানো কঠিন। আপনি যখন কোনো জেনারেটিভ সিস্টেমের সাথে কাজ করেন, তখন আপনি আসলে সম্মিলিত বুদ্ধিমত্তার এক বিশাল পরীক্ষায় অংশ নিচ্ছেন, যেখানে ব্যক্তিগত মালিকানার সীমানা ক্রমশ ঝাপসা হয়ে আসছে।

মূল দ্বন্দ্বটি হলো মানুষ যেভাবে কথোপকথন বোঝে এবং মেশিন যেভাবে তথ্য প্রসেস করে তার মধ্যে। আপনি হয়তো ভাবছেন, কোনো সংবেদনশীল মিটিংয়ের সারসংক্ষেপ করার জন্য আপনি একজন প্রাইভেট অ্যাসিস্ট্যান্টকে বলছেন। কিন্তু বাস্তবে, আপনি একটি উচ্চমানের, মানুষের তৈরি নমুনা প্রদান করছেন যা অন্যদের জন্য মডেলটিকে আরও উন্নত করতে ব্যবহৃত হতে পারে। এটি সিস্টেমের কোনো বাগ নয়, বরং এই টুলগুলো তৈরি করা কোম্পানিগুলোর মূল লক্ষ্য। ডেটা এখন বিশ্বের সবচেয়ে মূল্যবান মুদ্রা, আর সবচেয়ে মূল্যবান ডেটা হলো সেটি যা মানুষের যুক্তি এবং উদ্দেশ্যকে ধারণ করে। আমরা যত সামনের দিকে এগোচ্ছি, ব্যবহারকারীর উপযোগিতা এবং কর্পোরেট ডেটা সংগ্রহের মধ্যকার টানাপোড়েন ততই বাড়ছে।

ইনজেশনের মেকানিজম

গোপনীয়তার ঝুঁকি বুঝতে হলে ট্রেনিং ডেটা এবং ইনফারেন্স ডেটার মধ্যে পার্থক্য করা জরুরি। ট্রেনিং ডেটা হলো বিশাল টেক্সট, ইমেজ এবং কোডের ভাণ্ডার যা দিয়ে মডেলটি তৈরি করা হয়। এতে ওপেন ওয়েব থেকে নেওয়া কোটি কোটি পেজ, বই এবং একাডেমিক পেপার থাকে। ইনফারেন্স ডেটা হলো সেটি যা আপনি টুলটি ব্যবহারের সময় প্রদান করেন। বেশিরভাগ বড় প্রোভাইডার সাধারণত ইনফারেন্স ডেটা ব্যবহার করে তাদের মডেলকে ফাইন-টিউন করে, যদি না আপনি সেটিংস থেকে তা বন্ধ করেন। এর মানে হলো আপনার লেখার ধরন, কোম্পানির অভ্যন্তরীণ শব্দভাণ্ডার এবং সমস্যার সমাধানের অনন্য পদ্ধতিগুলো নিউরাল নেটওয়ার্কের অংশ হয়ে যাচ্ছে।

এই ক্ষেত্রে সম্মতি বা কনসেন্ট একটি আইনি ফাঁকি মাত্র। যখন আপনি পঞ্চাশ পৃষ্ঠার টার্মস অফ সার্ভিস ডকুমেন্টে “I agree” ক্লিক করেন, তখন আপনি খুব কমই সচেতনভাবে সম্মতি দিচ্ছেন। আপনি আসলে একটি মেশিনকে আপনার চিন্তাভাবনাকে পরিসংখ্যানগত সম্ভাবনায় ভেঙে ফেলার অনুমতি দিচ্ছেন। এই চুক্তিগুলোর ভাষা ইচ্ছাকৃতভাবে অস্পষ্ট রাখা হয়, যাতে কোম্পানিগুলো তাদের সুবিধামতো ডেটা ধরে রাখতে এবং ব্যবহার করতে পারে। একজন সাধারণ গ্রাহকের জন্য এর মূল্য ব্যক্তিগত, আর একজন প্রকাশকের জন্য এটি অস্তিত্বের সংকট। যখন একটি এআই কোনো সাংবাদিক বা শিল্পীর কাজের ওপর ভিত্তি করে তাদের স্টাইল নকল করে, তখন মেধা স্বত্বের ধারণাটিই ভেঙে পড়ে। এ কারণেই বড় বড় মিডিয়া সংস্থাগুলো মামলা করছে যে তাদের কাজ চুরি করে এমন পণ্য তৈরি করা হচ্ছে যা শেষ পর্যন্ত তাদেরই প্রতিস্থাপন করবে।

এন্টারপ্রাইজগুলোর ক্ষেত্রে চাপ ভিন্ন। একজন কর্মী যদি কোম্পানির গোপন কোড পাবলিক এআই টুলে পেস্ট করেন, তবে তা পুরো কোম্পানির প্রতিযোগিতামূলক সুবিধাকে নষ্ট করতে পারে। একবার সেই ডেটা ইনজেস্ট হয়ে গেলে তা সহজে বের করা যায় না। এটি সার্ভার থেকে ফাইল ডিলিট করার মতো নয়। তথ্যটি মডেলের প্রেডিক্টিভ ক্ষমতার অংশ হয়ে যায়। যদি পরে কোনো প্রতিযোগী সেই মডেলকে নির্দিষ্টভাবে প্রম্পট করে, তবে সেটি অনিচ্ছাকৃতভাবে মূল কোডের লজিক ফাঁস করে দিতে পারে। এটিই এআই প্রাইভেসির “ব্ল্যাক বক্স” সমস্যা। আমরা জানি ভেতরে কী যাচ্ছে এবং বাইরে কী আসছে, কিন্তু নিউরাল কানেকশনের ভেতরে ডেটা কীভাবে জমা আছে তা অডিট করা বা মুছে ফেলা প্রায় অসম্ভব।

ডেটা সার্বভৌমত্বের বৈশ্বিক লড়াই

এই উদ্বেগগুলোর প্রতিক্রিয়া বিশ্বজুড়ে ভিন্ন। ইউরোপীয় ইউনিয়নে এআই অ্যাক্ট ডেটা ব্যবহারের ওপর নিয়ন্ত্রণ আনার সবচেয়ে বড় প্রচেষ্টা। এটি স্বচ্ছতার ওপর জোর দেয় এবং ব্যবহারকারীকে জানতে দেয় যে তারা কখন এআই-এর সাথে কথা বলছে। সবচেয়ে গুরুত্বপূর্ণ হলো, এটি “সবকিছু স্ক্র্যাপ করার” মানসিকতাকে চ্যালেঞ্জ করে। নিয়ন্ত্রকরা দেখছেন যে ট্রেনিংয়ের জন্য গণহারে ডেটা সংগ্রহ করা জিডিপিআর (GDPR)-এর মৌলিক নীতি লঙ্ঘন করে কি না। যদি একটি মডেল “রাইট টু বি ফরগটেন” বা ভুলে যাওয়ার অধিকার নিশ্চিত করতে না পারে, তবে কি তা জিডিপিআর কমপ্লায়েন্ট হতে পারে? এটি একটি অমীমাংসিত প্রশ্ন।

যুক্তরাষ্ট্রে পরিস্থিতি আরও জটিল। কোনো ফেডারেল প্রাইভেসি আইন না থাকায়, দায়ভার পড়ছে অঙ্গরাজ্য এবং আদালতের ওপর। নিউ ইয়র্ক টাইমসের ওপেনএআই-এর বিরুদ্ধে মামলাটি একটি মাইলফলক যা ডিজিটাল যুগের “ফেয়ার ইউজ” ধারণাকে নতুন করে সংজ্ঞায়িত করতে পারে। যদি আদালত রায় দেয় যে কপিরাইট করা ডেটা ব্যবহারের জন্য লাইসেন্স প্রয়োজন, তবে পুরো ইন্ডাস্ট্রির অর্থনৈতিক মডেল রাতারাতি বদলে যাবে। অন্যদিকে, চীন কঠোর নিয়ম কার্যকর করছে যাতে এআই মডেলগুলো “সমাজতান্ত্রিক মূল্যবোধ” প্রতিফলিত করে এবং পাবলিক রিলিজের আগে কঠোর নিরাপত্তা যাচাইয়ের মধ্য দিয়ে যায়। এর ফলে একটি খণ্ডিত বৈশ্বিক পরিবেশ তৈরি হয়েছে, যেখানে একই এআই টুল সীমান্তের এপার-ওপারে ভিন্ন আচরণ করতে পারে।

সাধারণ ব্যবহারকারীর জন্য এর মানে হলো, **ডেটা সার্বভৌমত্ব** এখন একটি বিলাসিতা। আপনি যদি শক্তিশালী সুরক্ষা আছে এমন অঞ্চলে থাকেন, তবে আপনার ডিজিটাল ফুটপ্রিন্টের ওপর আপনার নিয়ন্ত্রণ বেশি থাকতে পারে। অন্যথায়, আপনার ডেটা সবার জন্য উন্মুক্ত। এটি একটি দ্বি-স্তরীয় ইন্টারনেট তৈরি করছে যেখানে গোপনীয়তা একটি সর্বজনীন অধিকারের চেয়ে ভৌগোলিক অবস্থানের ওপর বেশি নির্ভরশীল। প্রান্তিক জনগোষ্ঠী এবং রাজনৈতিক ভিন্নমতাবলম্বীদের জন্য ঝুঁকি অনেক বেশি, কারণ গোপনীয়তার অভাব তাদের জীবনে বড় ধরনের প্রভাব ফেলতে পারে। যখন এআই ইনজেস্ট করা ডেটার ওপর ভিত্তি করে আচরণের প্যাটার্ন শনাক্ত করতে পারে, তখন নজরদারি এবং নিয়ন্ত্রণের সম্ভাবনা অভূতপূর্ব পর্যায়ে পৌঁছায়।

ফিডব্যাক লুপে জীবন

সারার কথা চিন্তা করুন, যিনি একটি মাঝারি মানের টেক ফার্মের সিনিয়র মার্কেটিং ম্যানেজার। তার দিন শুরু হয় এআই অ্যাসিস্ট্যান্ট ব্যবহার করে আগের দিনের মিটিংয়ের ট্রান্সক্রিপ্ট থেকে ইমেইল ড্রাফট করার মাধ্যমে। ট্রান্সক্রিপ্টে নতুন পণ্যের লঞ্চ, দাম এবং অভ্যন্তরীণ দুর্বলতার মতো সংবেদনশীল তথ্য থাকে। এটি টুলে পেস্ট করার মাধ্যমে সারা আসলে সেই তথ্য সার্ভিস প্রোভাইডারকে দিয়ে দিলেন। বিকেলে তিনি ইমেজ জেনারেটর ব্যবহার করে সোশ্যাল মিডিয়া ক্যাম্পেইনের জন্য অ্যাসেট তৈরি করেন। জেনারেটরটি এমন সব শিল্পীর লক্ষ লক্ষ ছবি দিয়ে ট্রেনিং করা হয়েছে যারা অনুমতি দেননি। সারা আগের চেয়ে বেশি প্রোডাক্টিভ, কিন্তু তিনি এমন একটি ফিডব্যাক লুপের অংশ যা তার কোম্পানি এবং শিল্পীদের গোপনীয়তা নষ্ট করছে।

সম্মতির এই ভাঙন ঘটে ছোট ছোট মুহূর্তে। যেমন “আমাদের পণ্য উন্নত করতে সাহায্য করুন” চেক বক্সটি যা ডিফল্টভাবে টিক দেওয়া থাকে। এটি একটি “ফ্রি” টুলের সুবিধা যা আসলে আপনার ডেটার বিনিময়ে পাওয়া যায়। সারার অফিসে এই টুলগুলো ব্যবহারের চাপ অনেক। ম্যানেজমেন্ট আউটপুট বাড়াতে চায়, আর এআই হলো তার উপায়। কিন্তু এই সিস্টেমগুলোতে কী শেয়ার করা যাবে আর কী যাবে না, তা নিয়ে কোম্পানির কোনো স্পষ্ট পলিসি নেই। এটি আজকের পেশাদার জগতের সাধারণ চিত্র। প্রযুক্তি এত দ্রুত এগিয়েছে যে পলিসি এবং নৈতিকতা অনেক পেছনে পড়ে গেছে। এর ফলে কর্পোরেট এবং ব্যক্তিগত বুদ্ধিমত্তা নীরবে কিছু প্রভাবশালী টেক কোম্পানির হাতে চলে যাচ্ছে।

বাস্তব জীবনের প্রভাব অফিসের বাইরেও বিস্তৃত। যখন আপনি স্বাস্থ্য বিষয়ক এআই ব্যবহার করেন বা উইল লেখার জন্য লিগ্যাল এআই ব্যবহার করেন, তখন ঝুঁকি আরও বেশি। এই সিস্টেমগুলো কেবল টেক্সট প্রসেস করছে না, তারা আপনার সবচেয়ে ঘনিষ্ঠ দুর্বলতাগুলো প্রসেস করছে। যদি প্রোভাইডারের ডেটাবেস হ্যাক হয় বা তাদের অভ্যন্তরীণ পলিসি বদলে যায়, তবে সেই ডেটা আপনার বিরুদ্ধে ব্যবহৃত হতে পারে। বীমা কোম্পানিগুলো আপনার “ব্যক্তিগত” কোয়েরি ব্যবহার করে প্রিমিয়াম বাড়াতে পারে। ভবিষ্যতের নিয়োগকর্তারা আপনার ইন্টারঅ্যাকশন হিস্ট্রি ব্যবহার করে আপনার ব্যক্তিত্ব বিচার করতে পারে। মনে রাখবেন, প্রতিটি ইন্টারঅ্যাকশন এমন এক লেজারে স্থায়ী এন্ট্রি যা আপনার নিয়ন্ত্রণে নেই।

মালিকানার অস্বস্তিকর প্রশ্ন

এই নতুন বাস্তবতায় আমাদের সেই কঠিন প্রশ্নগুলো করতে হবে যা ইন্ডাস্ট্রি এড়িয়ে যায়। মানবতার সম্মিলিত কাজের ওপর ট্রেনিং করা এআই-এর আউটপুটের প্রকৃত মালিক কে? যদি কোনো মডেল আপনার ব্যক্তিগত তথ্য “শিখে” ফেলে, তবে সেই তথ্য কি আর আপনার থাকে? লার্জ ল্যাঙ্গুয়েজ মডেলে *মেমোরাইজেশন* বা মুখস্থ করার বিষয়টি গবেষকদের জন্য উদ্বেগের কারণ। তারা দেখেছেন যে মডেলগুলোকে নির্দিষ্ট প্রম্পট দিলে তারা ট্রেনিং ডেটার অংশ হিসেবে সোশ্যাল সিকিউরিটি নম্বর, ব্যক্তিগত ঠিকানা এবং গোপন কোড ফাঁস করে দিতে পারে। এর মানে হলো ডেটা কেবল বিমূর্তভাবে “শেখা” হয় না, বরং তা এমনভাবে জমা থাকে যা দক্ষ আক্রমণকারীরা বের করে নিতে পারে।

“ফ্রি” এআই বিপ্লবের লুকানো খরচ কী? এই মডেলগুলো ট্রেনিং এবং চালানোর জন্য যে পরিমাণ শক্তি প্রয়োজন তা বিস্ময়কর, এবং পরিবেশগত প্রভাব প্রায়শই উপেক্ষা করা হয়। কিন্তু মানবিক মূল্য আরও বেশি। আমরা আমাদের গোপনীয়তা এবং মেধা স্বত্বকে সামান্য দক্ষতার বিনিময়ে বিসর্জন দিচ্ছি। এই বিনিময় কি সার্থক? যদি আমরা ব্যক্তিগতভাবে চিন্তা করার এবং সৃষ্টি করার ক্ষমতা হারাই, তবে আমাদের আইডিয়ার মান কী হবে? উদ্ভাবনের জন্য এমন একটি জায়গা প্রয়োজন যেখানে কেউ নজরদারি বা রেকর্ড না করে ব্যর্থ হতে পারে, পরীক্ষা করতে পারে। যখন প্রতিটি চিন্তা ইনজেস্ট এবং বিশ্লেষণ করা হয়, তখন সেই জায়গাটি সংকুচিত হতে থাকে। আমরা এমন এক পৃথিবী গড়ছি যেখানে “ব্যক্তিগত” বলে কিছু নেই, এবং আমরা তা করছি প্রতিটি প্রম্পটের মাধ্যমে।

গ্রাহক, প্রকাশক এবং এন্টারপ্রাইজের জন্য গোপনীয়তার উদ্বেগ ভিন্ন কারণ তাদের লক্ষ্য ভিন্ন। গ্রাহকরা সুবিধা চায়। প্রকাশকরা তাদের বিজনেস মডেল রক্ষা করতে চায়। এন্টারপ্রাইজগুলো তাদের প্রতিযোগিতামূলক সুবিধা বজায় রাখতে চায়। তবুও, তারা সবাই এমন কিছু কোম্পানির দয়ায় আছে যারা এআই যুগের অবকাঠামো নিয়ন্ত্রণ করে। ক্ষমতার এই কেন্দ্রীকরণ নিজেই একটি গোপনীয়তার ঝুঁকি। যদি এই কোম্পানিগুলোর কোনো একটি তাদের ডেটা রিটেনশন পলিসি বা টার্মস অফ সার্ভিস পরিবর্তন করে, তবে পুরো ইকোসিস্টেমকে তা মানতে হয়। মূল ডেটাসেটের ক্ষেত্রে কোনো সত্যিকারের প্রতিযোগিতা নেই। যারা আগেভাগে এসে সবচেয়ে বেশি ডেটা স্ক্র্যাপ করেছে, তাদের একটি দুর্ভেদ্য প্রাচীর তৈরি হয়েছে।

গোপনীয়তার প্রযুক্তিগত আর্কিটেকচার

পাওয়ার ইউজারদের জন্য ফোকাস পলিসি থেকে ইমপ্লিমেন্টেশনের দিকে সরে যায়। ঝুঁকি কমিয়ে কীভাবে এই টুলগুলো ব্যবহার করা যায়? সবচেয়ে কার্যকর কৌশলগুলোর একটি হলো লোকাল স্টোরেজ এবং লোকাল এক্সিকিউশন। Llama.cpp এবং বিভিন্ন লোকাল এলএলএম র‍্যাপার ব্যবহারকারীদের নিজস্ব হার্ডওয়্যারে মডেল চালানোর সুযোগ দেয়। এটি নিশ্চিত করে যে কোনো ডেটা ডিভাইস থেকে বাইরে যাচ্ছে না। যদিও এই মডেলগুলো ক্লাউড-ভিত্তিক সিস্টেমের মতো শক্তিশালী নাও হতে পারে, তবে সেগুলো দ্রুত উন্নত হচ্ছে। সংবেদনশীল কাজ করা ডেভেলপার বা লেখকদের জন্য পারফরম্যান্সের চেয়ে গোপনীয়তার নিশ্চয়তা বেশি গুরুত্বপূর্ণ। এটিই হলো “গিক সেকশন” সমাধান: যদি আপনি চান না তারা আপনার ডেটা পাক, তবে তাদের সার্ভারে তা পাঠাবেন না।

ওয়ার্কফ্লো ইন্টিগ্রেশন এবং এপিআই লিমিটও গুরুত্বপূর্ণ ভূমিকা পালন করে। অনেক এন্টারপ্রাইজ-গ্রেড এপিআই “জিরো রিটেনশন” পলিসি অফার করে, যেখানে ইনফারেন্সের জন্য পাঠানো ডেটা কখনোই জমা রাখা হয় না বা ট্রেনিংয়ে ব্যবহৃত হয় না। এটি সাধারণ টুলের চেয়ে অনেক ভালো, তবে এর খরচ বেশি। পাওয়ার ইউজারদের ফাইন-টিউনিং এবং রিট্রিভাল-অগমেন্টেড জেনারেশন (RAG)-এর মধ্যে পার্থক্য জানা উচিত। RAG মডেলকে ব্যক্তিগত ডেটা অ্যাক্সেস করতে দেয় কিন্তু সেই ডেটা মডেলের ওয়েটসে “শেখা” হয় না। ডেটা একটি আলাদা ভেক্টর ডেটাবেসে থাকে এবং শুধুমাত্র নির্দিষ্ট কোয়েরির জন্য কনটেক্সট হিসেবে দেওয়া হয়। পেশাদার পরিবেশে সংবেদনশীল তথ্য সামলানোর জন্য এটি অনেক নিরাপদ উপায়।

পরিশেষে, আমাদের এনক্রিপশন এবং ডিসেন্ট্রালাইজড এআই-এর ভূমিকা বিবেচনা করতে হবে। “ফেডারেটেড লার্নিং” নিয়ে গবেষণা চলছে, যেখানে অনেক ডিভাইসের মাধ্যমে মডেল ট্রেনিং করা হয় কিন্তু মূল ডেটা কখনোই সেন্ট্রালাইজড হয় না। এটি আমাদের ডেটা সাইলোর ঝুঁকি ছাড়াই বড় আকারের এআই-এর সুবিধা পেতে সাহায্য করতে পারে। তবে এই প্রযুক্তিগুলো এখনো প্রাথমিক পর্যায়ে। আপাতত, আমাদের সচেতন থাকাই সবচেয়ে বড় সুরক্ষা।