गलत इनपुट, गलत आउटपुट: जीवन-सुरक्षा प्रणालियों में एआई की सफलता डेटा की गुणवत्ता पर क्यों निर्भर करती है?

कंप्यूटर जगत में एक पुरानी कहावत है, जो शुरुआती मेनफ्रेम कंप्यूटरों के समय से चली आ रही है: "गलत इनपुट, गलत आउटपुट।" इसका अर्थ है कि मशीन केवल वही काम कर सकती है जो आप उसे देते हैं, और यदि आप उसे गलत जानकारी देते हैं, तो वह पूरी तरह आश्वस्त होकर गलत उत्तर देगी। यह सिद्धांत आज पहले से कहीं अधिक महत्वपूर्ण हो गया है, क्योंकि कृत्रिम बुद्धिमत्ता उन उपकरणों में दिखाई देने लगी है जिनका उपयोग हम अग्नि सुरक्षा प्रणालियों को डिजाइन करने, स्थापित करने और निरीक्षण करने के लिए करते हैं। यह तकनीक प्रभावशाली है। इसके पीछे का डेटा ही सब कुछ तय करता है।

अग्नि सुरक्षा में डेटा की गुणवत्ता क्यों मायने रखती है?

अग्नि सुरक्षा एक ऐसा क्षेत्र है जो बारीकियों पर पूरा ध्यान देने पर आधारित है। NFPA 13 के अनुसार किसी सिस्टम का आकार तय करने वाला डिज़ाइनर उस ज्ञान का उपयोग करता है जो वास्तविक आग, वास्तविक विफलताओं और वास्तविक जानमाल के नुकसान के संदर्भ में परखा गया हो। जब हम किसी AI टूल से इस काम में मदद मांगते हैं, तो हम उससे उस जानकारी का उपयोग करने के लिए कहते हैं जिस पर उसे प्रशिक्षित किया गया है। यदि वह जानकारी वर्तमान, सटीक और हमारे द्वारा वास्तव में उपयोग किए जाने वाले कोड पर आधारित है, तो टूल वास्तव में मददगार हो सकता है। यदि वह पुरानी, अधूरी या इंटरनेट के अविश्वसनीय स्रोतों से ली गई है, तो टूल चुपचाप, आत्मविश्वास से भरी गलती का स्रोत बन जाता है। और जीवन सुरक्षा के संदर्भ में आत्मविश्वास से भरी गलती सबसे खतरनाक होती है।

जीवन सुरक्षा प्रणालियों में एआई के लिए डेटा गुणवत्ता का क्या अर्थ है?

ज़रा सोचिए कि हमारी दुनिया में "डेटा गुणवत्ता" का असल मतलब क्या है। इसका मतलब है कि मानक का संस्करण मायने रखता है। NFPA 13 के पुराने संस्करण पर प्रशिक्षित मॉडल ऐसे स्पेसिंग नियमों या जोखिम वर्गीकरणों का हवाला दे सकता है जो अब लागू नहीं होते। इसका मतलब है कि स्रोत मायने रखता है। किसी निर्माता के इंस्टॉलेशन मैनुअल से लिया गया मार्गदर्शन किसी फ़ोरम पर टिप्पणी से अलग महत्व रखता है, फिर भी एक AI सिस्टम जो दोनों में अंतर नहीं कर सकता, दोनों को समान रूप से सही मानेगा। इसका मतलब है कि संदर्भ मायने रखता है। एक नियम जो हल्के जोखिम वाले स्थान के लिए सही है, वह गलत, यहाँ तक कि खतरनाक भी हो सकता है, जब उसे किसी ऐसे भंडारण व्यवस्था पर लागू किया जाता है जिसके लिए वह बनाया ही नहीं गया था। मशीन तब तक अंतर नहीं जानती जब तक डेटा उसे यह अंतर न सिखाए।

एनएफपीए और एनएफएसए आधिकारिक स्रोतों पर एआई का निर्माण कैसे कर रहे हैं

यहीं पर उद्योग कुछ उल्लेखनीय कार्य करने लगा है। NFPA और NFSA ने खुले वेब के बजाय आधिकारिक स्रोतों पर आधारित AI उपकरण विकसित करना शुरू कर दिया है। NFPA अपने CASI सहायक (जो NFPA LiNK के अंतर्गत लॉन्च किया गया है) को एक ऐसा उत्तर बताता है जिस पर उपयोगकर्ता भरोसा कर सकते हैं, क्योंकि यह आधिकारिक NFPA सामग्री पर आधारित है और उन स्रोत अंशों के संदर्भ भी देता है जिन पर यह निर्भर करता है (NFPA, 2026)। NFSA ने इंजीनियरिंग और डिज़ाइन संबंधी प्रश्नों के लिए अपने Chat EOD उपकरण के साथ भी ऐसा ही मार्ग अपनाया है। जब कोई उपकरण अपने उत्तर कोड और मानकों के वास्तविक संग्रह से प्राप्त करता है, तो इनपुट की गुणवत्ता में उल्लेखनीय वृद्धि होती है और आउटपुट ऐसा बन जाता है जिस पर एक पेशेवर काम करना शुरू कर सकता है। यही मूल आधार है। यही एक अनुमान लगाने वाले उपकरण और उन्हीं दस्तावेजों से तर्क करने वाले उपकरण के बीच का अंतर है जिन्हें आप आमतौर पर उपयोग करते हैं। इन प्रयासों का महत्व यह नहीं है कि वे AI द्वारा संचालित हैं। इनका महत्व यह है कि किसी ने इन्हें बनाने में सावधानी बरती है।

डेटा अपर्याप्त होने पर मतिभ्रम की समस्या

इसकी तुलना उस स्थिति से करें जब डेटा अपर्याप्त हो। एक सामान्य मॉडल से जब अग्नि सुरक्षा से संबंधित प्रश्न पूछा जाता है, तो वह अक्सर ऐसा उत्तर देता है जो आधिकारिक लगता है और पढ़ने में सहज होता है। यह किसी मानक का नाम लेकर उल्लेख कर सकता है। यह सही शब्दावली का प्रयोग कर सकता है। और यह उन तरीकों से गलत भी हो सकता है जिन्हें केवल एक अनुभवी पेशेवर ही पकड़ सकता है। यही भ्रम की समस्या है, और यह कोई दुर्लभ गड़बड़ी नहीं है। यह किसी सिस्टम से उसकी डेटा क्षमता से परे बोलने की अपेक्षा करने का एक अनुमानित परिणाम है। सिस्टम झूठ नहीं बोल रहा है। उसे सत्य की कोई समझ नहीं है। यह पैटर्न से एक विश्वसनीय उत्तर तैयार कर रहा है, और जब अंतर्निहित पैटर्न कमजोर या त्रुटिपूर्ण होते हैं, तो उत्तर भी कमजोर या त्रुटिपूर्ण होता है, जिसे धाराप्रवाह भाषा में प्रस्तुत किया जाता है ताकि त्रुटि छिप जाए। कानूनी पेशे ने इसे सार्वजनिक रूप से तब सीखा जब दो वकीलों ने एक एआई टूल द्वारा बनाए गए मामलों पर आधारित एक याचिका अदालत में प्रस्तुत की, और न्यायाधीश ने इसके लिए उन्हें दंडित किया (माटा बनाम एवियांका)। मनगढ़ंत उद्धरण वास्तविक प्रतीत होते थे। वे वास्तव में मौजूद ही नहीं थे।

पेशेवर जवाबदेही और देखभाल का मानक

इस मामले में गंभीरता का भाव इसे महज एक तकनीकी जिज्ञासा से कहीं अधिक बना देता है। हमारे क्षेत्र में, एक गलती सिर्फ स्क्रीन पर नहीं रहती। यह एक डिज़ाइन बन जाती है जिस पर मुहर लगती है, एक सिस्टम बन जाता है जिसे स्थापित किया जाता है, और एक इमारत बन जाती है जिसमें लोग काम करने लगते हैं। ड्राइंग पर मुहर लगाने वाला पेशेवर अभिकर्ता (पीई) इसके लिए पेशेवर जिम्मेदारी स्वीकार करता है, और कोई भी एआई उपकरण इस जिम्मेदारी को साझा नहीं करता। यदि उपकरण को दिया गया डेटा गलत भी हो, तो भी परिणाम की जिम्मेदारी पेशेवर अभिकर्ता की ही होती है। यह एक गंभीर विचार है, और इससे हम सभी को इन उपकरणों के उपयोग के तरीके को प्रभावित करना चाहिए। हम अपने द्वारा उत्पादित किसी भी चीज़ के लिए जवाबदेह हैं, चाहे उसे बनाने में किसी ने भी मदद की हो।

अग्नि सुरक्षा में एआई उपकरणों के उपयोग के लिए अच्छी पद्धतियाँ

तो इन उपकरणों के आने पर बेहतर कार्यप्रणाली कैसी होनी चाहिए? इसकी शुरुआत यह जानने से होती है कि उत्तर कहाँ से आया है। एक ऐसा उपकरण जो अपने स्रोत बता सके, वास्तविक मानक का हवाला दे सके और उस अंश की ओर इशारा कर सके जिस पर वह आधारित है, वह केवल दावा करने वाले उपकरण से कहीं अधिक उपयोगी होता है। इसके बाद सत्यापन आता है। किसी भी एआई सिस्टम से प्राप्त प्रत्येक आउटपुट की जाँच गवर्निंग कोड के अनुसार उसी तरह की जानी चाहिए जैसे आप किसी कनिष्ठ सहकर्मी के काम की जाँच करते हैं, क्योंकि असल में आप वही कर रहे होते हैं। और यह उस विवेक पर निर्भर करता है, जो वर्षों के कार्य अनुभव से आता है, जिससे एक अनुभवी डिज़ाइनर यह महसूस कर लेता है कि कोई उत्तर गलत है, इससे पहले कि वह कारण बता पाए। यह सहज ज्ञान मशीन की जगह नहीं ले सकता। जब डेटा हमें निराश करता है, तो यह बचाव की अंतिम पंक्ति होती है।

डेटा की गुणवत्ता यह निर्धारित करती है कि एआई जीवन की रक्षा कर पाता है या नहीं।

इन सब बातों का मतलब यह नहीं है कि हम तकनीक से मुंह मोड़ लें। विश्वसनीय स्रोतों पर आधारित उपकरण पहले से ही दिखा रहे हैं कि सटीक डेटा क्या कर सकता है, और ये और भी बेहतर होते जाएंगे। असल मुद्दा इन सबसे कहीं ज़्यादा सरल और पुराना है। कोई भी उपकरण तभी कारगर होता है जब आप उसमें अपना योगदान देते हैं। ज़्यादातर क्षेत्रों में गलत जवाब महज़ एक असुविधा होती है। लेकिन हमारे क्षेत्र में यह लोगों को खतरे में डाल सकता है। इसीलिए डेटा की गुणवत्ता हमारे पेशे के लिए कोई गौण चिंता का विषय नहीं है। यही वह चिंता है जो तय करती है कि ये उपकरण हमें जिंदगियां बचाने में मदद करते हैं या फिर दशकों से स्थापित किए गए हमारे उच्च मानकों को चुपचाप कमज़ोर कर देते हैं।

मशीनें लगातार बेहतर होती रहेंगी। हमारी ज़िम्मेदारी वही रहेगी। अग्निशमन इंजीनियरिंग समुदाय ने पहले ही संकेत दे दिया है कि उनका ध्यान किस पर केंद्रित है। 2025 में बर्कले में आयोजित SFPE AI इन फायर इंजीनियरिंग समिट में, जिसमें मैंने भाग लिया था, सत्यापन और प्रमाणीकरण उपस्थित सभी पेशेवरों के बीच एक साझा प्राथमिकता के रूप में उभर कर सामने आए। जिन इमारतों की हम सुरक्षा करते हैं, उनमें रहने वाले लोग हमारे द्वारा स्वयं जाँचे गए काम पर भरोसा करते हैं, न कि मशीन द्वारा भरोसे के आधार पर दिए गए उत्तरों पर। "गलत इनपुट, गलत आउटपुट" यह कहावत उन मेनफ्रेम ऑपरेटरों के लिए सच थी जिन्होंने इसे गढ़ा था। यह आज भी उतनी ही सच है, और इसे भूलने की कीमत पहले कभी इतनी अधिक नहीं रही।

 संदर्भ

चैट ईओडी: उद्योग द्वारा, उद्योग के लिए विकसित। https://nfsa.org/2025/11/06/chat-eod-developed-by-the-industry-for-the-industry/

एनएफपीए ने अग्नि और जीवन सुरक्षा में डिजिटल परिवर्तन को आगे बढ़ाने के लिए एनएफपीए लिंक 3.0 का अनावरण किया। https://www.nfpa.org/about-nfpa/press-room/news-releases/2026/nfpa-unveils-nfpa-link-3-0-advancing-digital-transformation-in-fire-and-life-safety

माटा बनाम एवियांका मामले में अटॉर्नी एआई की गलतियों से मिले व्यावहारिक सबक। https://www.acc.com/resource-library/practical-lessons-attorney-ai-missteps-mata-v-avianca

2025 एआई इन फायर इंजीनियरिंग शिखर सम्मेलन पर विचार-विमर्श। https://www.sfpe.org/blogs/amanda-tarbet/2025/08/01/2025-ai-in-fire-engineering-summ