एथिकल AI प्रिंसिपल्स को प्रैक्टिकल बिज़नेस प्रोसेस में कैसे बदला जा सकता है?

आर्टिफिशियल इंटेलिजेंस एक्सपेरिमेंट से ऑपरेशनल रियलिटी में बदल गया है। यह कस्टमर सर्विस, फ्रॉड डिटेक्शन, हायरिंग वर्कफ़्लो, डॉक्यूमेंट रिव्यू, सॉफ्टवेयर डेवलपमेंट और एग्जीक्यूटिव डिसीजन-मेकिंग में सपोर्ट करता है। जैसे-जैसे इसे अपनाया जा रहा है, वैसे-वैसे स्क्रूटनी भी बढ़ रही है। रेगुलेटर, इन्वेस्टर, कस्टमर और कर्मचारी AI काम करता है या नहीं, इससे भी मुश्किल सवाल पूछ रहे हैं: वे जानना चाहते हैं कि यह ज़िम्मेदारी से काम करता है या नहीं।

कई ऑर्गनाइज़ेशन पहले से ही फेयरनेस, अकाउंटेबिलिटी, ट्रांसपेरेंसी, प्राइवेसी, सेफ्टी और ह्यूमन ओवरसाइट जैसे एथिकल AI प्रिंसिपल्स पब्लिश करते हैं। असली चुनौती उन प्रिंसिपल्स को लिखना नहीं है। बल्कि उन्हें रिपीटेबल बिज़नेस प्रोसेस में बदलना है जो प्रोक्योरमेंट, डेवलपमेंट, डिप्लॉयमेंट, मॉनिटरिंग और गवर्नेंस पर असर डालते हैं। ऑपरेशनल ट्रांसलेशन के बिना, एथिकल AI लिमिटेड असर वाला एक पॉलिसी स्टेटमेंट बनकर रह जाता है।

एथिकल AI को बिज़नेस प्रैक्टिस में बदलने के लिए, ऑर्गनाइज़ेशन को इसे ब्रांडिंग एक्सरसाइज के बजाय एक ऑपरेटिंग मॉडल इश्यू के तौर पर देखना होगा। इसका मतलब है ओनरशिप असाइन करना, कंट्रोल तय करना, मौजूदा वर्कफ़्लो में चेकपॉइंट जोड़ना और समय के साथ परफ़ॉर्मेंस को मापना। प्रैक्टिकल तौर पर, एथिकल AI तब असली बन जाता है जब यह इस बात पर असर डालता है कि टीमें यूज़ केस को कैसे मंज़ूरी देती हैं, डेटा इकट्ठा करती हैं, मॉडल टेस्ट करती हैं, वेंडर रिव्यू करती हैं, फ़ैसलों को डॉक्यूमेंट करती हैं और घटनाओं पर रिस्पॉन्ड करती हैं।

सिर्फ़ प्रिंसिपल काफ़ी क्यों नहीं हैं

हाई-लेवल प्रिंसिपल उपयोगी होते हैं क्योंकि वे इरादा तय करते हैं और लीगल, कंप्लायंस, सिक्योरिटी, डेटा और प्रोडक्ट टीमों के बीच एक शेयर्ड भाषा बनाते हैं। हालाँकि, प्रिंसिपल अक्सर रोज़ाना के एग्ज़िक्यूशन के लिए बहुत एब्स्ट्रैक्ट होते हैं। “हम फेयर AI बनाएंगे” जैसा स्टेटमेंट प्रोडक्ट मैनेजर को यह नहीं बताता कि लॉन्च से पहले क्या करना है, या कंप्लायंस टीम को वेंडर मॉडल का मूल्यांकन कैसे करना चाहिए, या इंटरनल ऑडिट टीम को कब चिंताओं को बढ़ाना चाहिए।

यह गैप बिज़नेस रिस्क पैदा करता है। टीमें एथिकल ज़रूरतों को अलग-अलग तरह से समझ सकती हैं, डिलीवरी के दबाव में ज़रूरी कंट्रोल छोड़े जा सकते हैं, और लीडरशिप यह मान सकती है कि गवर्नेंस मौजूद है, जबकि ऐसा नहीं है। तेज़ी से आगे बढ़ने वाले AI प्रोग्राम में, ऑपरेशनल नियमों की कमी से अक्सर अलग-अलग तरह की निगरानी, ​​दोहरा काम और ऐसे जोखिम होते हैं जिनसे बचा जा सकता है।

इसलिए लक्ष्य सिद्धांत और प्रोसेस के बीच एक पुल बनाना है। हर नैतिक कमिटमेंट को ठोस कामों, मालिकों, सबूतों और फैसले के पॉइंट से जोड़ना चाहिए।

रिस्क-बेस्ड AI गवर्नेंस फ्रेमवर्क से शुरू करें

नैतिक AI को ऑपरेशनल बनाने का सबसे असरदार तरीका रिस्क-बेस्ड गवर्नेंस फ्रेमवर्क है। हर AI यूज़ केस में एक जैसा रिस्क नहीं होता। मीटिंग नोट्स को समराइज़ करने वाला एक इंटरनल टूल, क्रेडिट के फैसलों, हेल्थकेयर प्रायोरिटी, इंश्योरेंस क्लेम, एम्प्लॉई परफॉर्मेंस असेसमेंट या पब्लिक सर्विस तक पहुंच को प्रभावित करने वाले सिस्टम से अलग होता है।

एक प्रैक्टिकल फ्रेमवर्क AI यूज़ केस को असर, सेंसिटिविटी और जोखिम के आधार पर बांटता है। आम इवैल्यूएशन फैक्टर में ये शामिल हैं:

• क्या सिस्टम कानूनी अधिकारों, फाइनेंशियल नतीजों, सुरक्षा, रोज़गार या सर्विस तक पहुंच पर असर डालता है
• क्या यह पर्सनल, कॉन्फिडेंशियल या रेगुलेटेड डेटा को प्रोसेस करता है
• क्या फैसले पूरी तरह से ऑटोमेटेड हैं या इंसानी रिव्यू के अधीन हैं
• क्या आउटपुट कस्टमर-फेसिंग हैं या सिर्फ़ इंटरनली इस्तेमाल किए जाते हैं
• क्या मॉडल इन-हाउस डेवलप किया गया है या किसी थर्ड पार्टी द्वारा सप्लाई किया गया है
• क्या सिस्टम बड़े पैमाने पर नुकसानदायक, गुमराह करने वाले या बायस्ड नतीजे पैदा कर सकता है

एक बार यूज़ केस कैटेगराइज़ हो जाने के बाद, बिज़नेस उसी हिसाब से कंट्रोल लागू कर सकते हैं। कम रिस्क वाले टूल्स के लिए हल्के डॉक्यूमेंटेशन और मैनेजर की मंज़ूरी की ज़रूरत हो सकती है। ज़्यादा रिस्क वाले सिस्टम को ज़्यादा सख़्त रिव्यू, टेस्टिंग, मॉनिटरिंग और एग्जीक्यूटिव अकाउंटेबिलिटी का सामना करना चाहिए। यह तरीका गवर्नेंस को प्रैक्टिकल बनाता है क्योंकि यह कोशिश को असल बिज़नेस और रेगुलेटरी एक्सपोज़र के साथ जोड़ता है।

हर एथिकल प्रिंसिपल को ऑपरेशनल कंट्रोल्स में बदलें

एथिकल AI तब एक्शनेबल बन जाता है जब हर प्रिंसिपल कंट्रोल्स और प्रोसेस की ज़रूरतों के एक सेट से जुड़ा होता है। नीचे दिया गया स्ट्रक्चर एक प्रैक्टिकल शुरुआती पॉइंट है।

फेयरनेस

फेयरनेस का मतलब डेटा रिव्यू, बायस टेस्टिंग और इम्पैक्ट असेसमेंट होना चाहिए। टीमों को यह पहचानना चाहिए कि किन ग्रुप्स पर ज़्यादा असर पड़ सकता है, यूज़ केस के लिए ज़रूरी फेयरनेस मेट्रिक्स तय करें, और काम के सेगमेंट में परफॉर्मेंस को टेस्ट करें। जहाँ अंतर पता चलता है, वहाँ उसे कम करने, स्वीकार करने या रिजेक्ट करने का एक डॉक्यूमेंटेड प्रोसेस होना चाहिए।

बिज़नेस के हिसाब से, फेयरनेस कोई आम उम्मीद नहीं है। यह टेस्ट करने की ज़रूरत है कि मॉडल लगातार काम कर रहा है या नहीं और क्या किसी भी अंतर को सही ठहराया जा सकता है, कम किया जा सकता है, या बढ़ाया जा सकता है।

ट्रांसपेरेंसी

ट्रांसपेरेंसी का नतीजा मॉडल डॉक्यूमेंटेशन, यूज़र डिस्क्लोज़र और इस्तेमाल के साफ़ रिकॉर्ड होना चाहिए। ऑर्गनाइज़ेशन को यह तय करना चाहिए कि हर सिस्टम के लिए क्या डॉक्यूमेंट किया जाना चाहिए: मकसद, ट्रेनिंग डेटा सोर्स, लिमिटेशन, जाने-पहचाने फेलियर मोड, अप्रूवल हिस्ट्री, और मॉनिटरिंग की उम्मीदें। जहाँ कस्टमर या कर्मचारी AI से बने आउटपुट के साथ इंटरैक्ट करते हैं, वहाँ बिज़नेस को यह तय करना चाहिए कि डिस्क्लोज़र कब ज़रूरी है और इसे कैसे कम्युनिकेट किया जाना चाहिए।

ट्रांसपेरेंसी अंदरूनी तौर पर भी लागू होती है। फैसला लेने वालों को यह समझने के लिए काफी जानकारी चाहिए कि कोई सिस्टम क्या करता है, उसका इस्तेमाल किस लिए नहीं किया जाना चाहिए, और क्या रिस्क बने रहते हैं।

अकाउंटेबिलिटी

अकाउंटेबिलिटी का मतलब है नाम वाली ओनरशिप। हर AI सिस्टम में एक जिम्मेदार बिजनेस ओनर, एक टेक्निकल ओनर और गवर्नेंस की जरूरतों के लिए एक कंट्रोल ओनर होना चाहिए। एस्केलेशन के रास्ते साफ होने चाहिए। अगर बायस, प्राइवेसी, सिक्योरिटी या नुकसान पहुंचाने वाले कंटेंट से जुड़ा कोई मामला सामने आता है, तो ऑर्गनाइजेशन को पता होना चाहिए कि इस्तेमाल रोकने, जांच करने और सुधार को मंजूरी देने का अधिकार किसके पास है।

साफ ओनरशिप के बिना, नैतिक AI फेलियर अक्सर क्रॉस-फंक्शनल झगड़े बन जाते हैं, जहां कोई भी जल्दी से कार्रवाई नहीं करता है।

प्राइवेसी और डेटा प्रोटेक्शन

प्राइवेसी के सिद्धांतों को डेटा इनटेक, एक्सेस कंट्रोल, रिटेंशन और मॉडल इस्तेमाल पर रोक में शामिल किया जाना चाहिए। ऑर्गनाइजेशन को इस बारे में नियमों की जरूरत है कि ट्रेनिंग, फाइन-ट्यूनिंग, प्रॉम्प्टिंग या टेस्टिंग के लिए किस डेटा का इस्तेमाल किया जा सकता है। सेंसिटिव जानकारी को कम से कम किया जाना चाहिए, एक्सेस रोल-बेस्ड होना चाहिए, और रिटेंशन शेड्यूल लागू किए जाने चाहिए। थर्ड-पार्टी मॉडल्स के लिए, प्रोक्योरमेंट और लीगल टीमों को वेरिफाई करना चाहिए कि इनपुट्स को अलग-अलग ज्यूरिस्डिक्शन्स में स्टोर, रीयूज या ट्रांसफर किया गया है या नहीं।

यह जेनरेटिव AI के साथ खास तौर पर ज़रूरी है, जहाँ कर्मचारी अनजाने में प्रॉम्प्ट्स और अपलोड की गई फाइलों के ज़रिए कॉन्फिडेंशियल या पर्सनल जानकारी को एक्सपोज़ कर सकते हैं।

सेफ्टी और रिलायबिलिटी

प्री-डिप्लॉयमेंट टेस्टिंग, परफॉर्मेंस थ्रेशहोल्ड, फॉलबैक प्रोसीजर और इंसिडेंट रिस्पॉन्स के लिए सेफ्टी एक ज़रूरत बन जानी चाहिए। टीमों को एक्सेप्टेबल एरर रेट्स डिफाइन करने चाहिए, एक्सपेक्टेड और खराब कंडीशंस में रोबस्टनेस को इवैल्यूएट करना चाहिए, और यह तय करना चाहिए कि एक्शन लेने से पहले किसी इंसान को आउटपुट को कब रिव्यू करना चाहिए। जो सिस्टम नुकसानदायक रिकमेन्डेशन्स या हैलुसिनेटेड कंटेंट प्रोड्यूस कर सकते हैं, उनमें कॉन्फिडेंस थ्रेशहोल्ड्स, आउटपुट फिल्टर्स और यूसेज लिमिट्स जैसे सेफगार्ड्स शामिल होने चाहिए।

रिलायबिलिटी के लिए लगातार मॉनिटरिंग की भी ज़रूरत होती है। एक मॉडल जो लॉन्च के समय अच्छा परफॉर्म करता है, वह समय के साथ डेटा, कॉन्टेक्स्ट या यूज़र बिहेवियर में बदलाव के साथ खराब हो सकता है।

ह्यूमन ओवरसाइट

ह्यूमन ओवरसाइट में यह बताया जाना चाहिए कि ह्यूमन रिव्यू कहाँ ज़रूरी है, रिव्यू करने वालों से क्या चेक करने की उम्मीद की जाती है, और वे कब मॉडल आउटपुट को ओवरराइड कर सकते हैं। इसे साफ़ नहीं छोड़ा जा सकता। अगर ऑर्गनाइज़ेशन का दावा है कि इंसानों का कंट्रोल बना रहेगा, तो वह कंट्रोल वर्कफ़्लो डिज़ाइन, ट्रेनिंग और ऑडिट रिकॉर्ड में दिखना चाहिए।

ज़्यादा असर वाले फ़ैसलों के लिए, ह्यूमन रिव्यू सिर्फ़ औपचारिकता के बजाय मतलब का होना चाहिए। रिव्यू करने वालों को सिस्टम को चुनौती देने के लिए समय, अधिकार और काफ़ी जानकारी चाहिए।

मौजूदा बिज़नेस वर्कफ़्लो में एथिक्स को शामिल करें

सबसे आम गलतियों में से एक है एथिकल AI को एक अलग प्रोसेस के तौर पर बनाना जिसे टीमें बाहरी रुकावट के तौर पर अनुभव करती हैं। एक ज़्यादा टिकाऊ तरीका यह है कि पहले से मौजूद वर्कफ़्लो में कंट्रोल को इंटीग्रेट किया जाए। इसमें प्रोक्योरमेंट, प्रोजेक्ट इनटेक, डेटा गवर्नेंस, सॉफ़्टवेयर डेवलपमेंट, सिक्योरिटी रिव्यू, लीगल साइन-ऑफ़ और इंटरनल ऑडिट शामिल हैं।

प्रैक्टिकल इंटीग्रेशन के उदाहरणों में शामिल हैं:

• प्रोजेक्ट शुरू करने के फ़ॉर्म में AI रिस्क के सवाल जोड़ना
• डिप्लॉयमेंट की मंज़ूरी से पहले मॉडल कार्ड या बराबर के डॉक्यूमेंट की ज़रूरत
• वेंडर ड्यू डिलिजेंस और कॉन्ट्रैक्ट में AI-स्पेसिफिक क्लॉज़ शामिल करना
• AI ट्रेनिंग और इंफरेंस के इस्तेमाल को कवर करने के लिए प्राइवेसी इम्पैक्ट असेसमेंट को बढ़ाना
• क्वालिटी एश्योरेंस गेट्स में बायस और रोबस्टनेस टेस्ट जोड़ना
• सिक्योरिटी थ्रेट मॉडलिंग और रेड टीम एक्सरसाइज़ में AI सिस्टम शामिल करना
• नुकसानदायक या नॉन-कम्प्लायंट AI बिहेवियर के लिए इंसिडेंट कैटेगरी बनाना

यह तरीका डुप्लीकेशन को कम करता है और अपनाने को बेहतर बनाता है क्योंकि टीमें पैरेलल गवर्नेंस सिस्टम को नेविगेट करने के बजाय जाने-पहचाने कंट्रोल स्ट्रक्चर के अंदर काम करती हैं।

एक क्रॉस-फंक्शनल रिव्यू मैकेनिज्म बनाएं

एथिकल AI का मालिकाना हक किसी एक डिपार्टमेंट के पास नहीं हो सकता। ऑपरेशनल मॉडल में बिज़नेस लीडरशिप, लीगल, कम्प्लायंस, प्राइवेसी, सिक्योरिटी, डेटा साइंस, प्रोडक्ट और रिस्क मैनेजमेंट के रिप्रेजेंटेशन वाला एक क्रॉस-फंक्शनल रिव्यू ग्रुप या कमेटी होनी चाहिए। इसका मकसद हर मॉडल का एक ही तरह से रिव्यू करना नहीं है, बल्कि ज़्यादा रिस्क वाले यूज़ केस को इवैल्यूएट करना, ट्रेड-ऑफ़ को सुलझाना और एक जैसे स्टैंडर्ड बनाए रखना है।

इस बॉडी का एक साफ़ मैंडेट होना चाहिए। इसे अप्रूवल क्राइटेरिया तय करने चाहिए, सबूत चाहिए, फैसलों का रिकॉर्ड रखना चाहिए और सुधार के कामों को ट्रैक करना चाहिए। इसके पास उन डिप्लॉयमेंट को रिजेक्ट करने या देरी करने का अधिकार भी होना चाहिए जहाँ कंट्रोल काफ़ी नहीं हैं।

मैच्योर ऑर्गनाइज़ेशन के लिए, यह कमेटी अक्सर सबसे अच्छा तब काम करती है जब उसे स्टैंडर्ड टेम्पलेट, डिसीज़न मैट्रिक्स और रिपोर्टिंग डैशबोर्ड का सपोर्ट मिलता है। इससे यह पक्का होता है कि गवर्नेंस सिर्फ़ किसी एक के फैसले पर निर्भर होने के बजाय दोहराने लायक हो।

मापें, मॉनिटर करें और ऑडिट करें

जो मापा जाता है, उसे मैनेज किया जाता है। एथिकल AI प्रोसेस में ऐसे मेट्रिक्स होने चाहिए जो दिखाएँ कि कंट्रोल असल में काम कर रहे हैं या नहीं। काम के इंडिकेटर्स में शामिल हो सकते हैं AI सिस्टम की इन्वेंटरी की संख्या, डिप्लॉयमेंट से पहले रिस्क का परसेंटेज, टेस्टिंग पूरी हो चुकी हाई-रिस्क सिस्टम की संख्या, वेंडर कम्प्लायंस रेट, इंसिडेंट वॉल्यूम, ओवरराइड रेट और अनसुलझे सुधार आइटम।

मॉनिटरिंग लॉन्च पर खत्म नहीं होनी चाहिए। ऑर्गनाइज़ेशन को मॉडल परफॉर्मेंस, ड्रिफ्ट, एक्सेस पैटर्न, यूज़र कंप्लेंट और रेगुलेटरी बदलावों के लिए रिव्यू इंटरवल तय करने चाहिए। इंटरनल ऑडिट फंक्शन को समय-समय पर टेस्ट करना चाहिए कि बताए गए कंट्रोल असल प्रैक्टिस से मेल खाते हैं या नहीं। यह खास तौर पर रेगुलेटेड सेक्टर या कई ज्यूरिस्डिक्शन में काम करने वाले ऑर्गनाइज़ेशन के लिए ज़रूरी है।

सबूत मायने रखते हैं। अगर कोई रेगुलेटर, कस्टमर या बोर्ड मेंबर पूछता है कि एथिकल AI को कैसे मैनेज किया जाता है, तो ऑर्गनाइज़ेशन को इन्वेंटरी, असेसमेंट, अप्रूवल, टेस्ट रिजल्ट, ट्रेनिंग रिकॉर्ड और इंसिडेंट लॉग बनाने में सक्षम होना चाहिए।

टीमों को सिर्फ पॉलिसी ही नहीं, बल्कि फैसले लेने के लिए ट्रेन करें

कई AI ट्रेनिंग प्रोग्राम इसलिए फेल हो जाते हैं क्योंकि वे सिर्फ अवेयरनेस पर फोकस करते हैं। एम्प्लॉई को अपने रोल से जुड़ी प्रैक्टिकल गाइडेंस की ज़रूरत होती है। प्रोडक्ट मैनेजर को अप्रूवल ट्रिगर और डॉक्यूमेंटेशन की ज़रूरतों को समझना चाहिए। इंजीनियर को टेस्टिंग की उम्मीदों और मना किए गए डेटा इस्तेमाल के बारे में पता होना चाहिए। प्रोक्योरमेंट टीमों को पता होना चाहिए कि AI वेंडर से क्या पूछना है। एग्जीक्यूटिव को पता होना चाहिए कि रिस्क लेने के फैसलों का मूल्यांकन कैसे करना है। फ्रंटलाइन यूज़र्स को पता होना चाहिए कि आउटपुट को कब वेरिफिकेशन की ज़रूरत है।

रोल-बेस्ड ट्रेनिंग एथिकल प्रिंसिपल्स को फैसले लेते समय व्यवहार को प्रभावित करने में मदद करती है। यह इस संभावना को भी कम करता है कि गवर्नेंस को बायपास कर दिया जाए क्योंकि टीमों को यह समझ नहीं आता कि क्या उम्मीद की जाती है।

थर्ड-पार्टी AI को उसी कंट्रोल एनवायरनमेंट का हिस्सा बनाएं

कई बिज़नेस रिस्क अंदर बने मॉडल से नहीं बल्कि बाहरी AI वेंडर, एम्बेडेड प्लेटफॉर्म फीचर्स और सॉफ्टवेयर प्रोवाइडर्स से आते हैं जो मौजूदा टूल्स में जेनरेटिव कैपेबिलिटीज़ जोड़ते हैं। इसलिए एथिकल AI प्रोसेस में प्रोक्योरमेंट और वेंडर मैनेजमेंट को उतनी ही सख्ती से कवर किया जाना चाहिए जितना कि इंटरनल डेवलपमेंट में।

ऑर्गेनाइजेशन को डेटा हैंडलिंग प्रैक्टिस, एक्सप्लेनेबिलिटी, टेस्टिंग मेथड्स, सिक्योरिटी कंट्रोल्स, सबकॉन्ट्रैक्टर डिपेंडेंसी, ज्योग्राफिक प्रोसेसिंग लोकेशन और नुकसानदायक आउटपुट या मॉडल बदलावों को संभालने के मैकेनिज्म के लिए वेंडर्स का मूल्यांकन करना चाहिए। कॉन्ट्रैक्ट में ऑडिट अधिकार, ब्रीच नोटिफिकेशन, डेटा इस्तेमाल की इजाज़त, और कम्प्लायंस की ज़िम्मेदारियों के बारे में बताया जाना चाहिए।

अगर थर्ड-पार्टी AI को गवर्नेंस से छूट दी जाती है, तो एक बड़ा कंट्रोल गैप बना रहता है।

स्टेटमेंट से सिस्टम तक

एथिकल AI प्रिंसिपल्स को प्रैक्टिकल बिज़नेस प्रोसेस में बदलने के लिए डिसिप्लिन की ज़रूरत होती है, नारों की नहीं। जो ऑर्गनाइज़ेशन असली प्रोग्रेस कर रहे हैं, वे वे हैं जो रिस्क टियर तय करते हैं, प्रिंसिपल्स को कंट्रोल्स से जोड़ते हैं, ओनरशिप देते हैं, रिव्यू को मौजूदा वर्कफ़्लो में इंटीग्रेट करते हैं, और समय के साथ सबूत बनाए रखते हैं। वे समझते हैं कि रिस्पॉन्सिबल AI बिज़नेस परफॉर्मेंस से अलग नहीं है। यह भरोसे को बचाता है, ऑपरेशनल सरप्राइज़ को कम करता है, रेगुलेटरी रेडीनेस को मज़बूत करता है, और डिसीज़न-मेकिंग की क्वालिटी को बेहतर बनाता है।

मौजूदा मार्केट में, एथिकल AI अब कोई थ्योरेटिकल डिस्कशन नहीं है। यह एक गवर्नेंस कैपेबिलिटी है। जो बिज़नेस इसे असरदार तरीके से ऑपरेशनल करेंगे, वे AI को कॉन्फिडेंस के साथ स्केल करने, स्क्रूटनी में अपने डिसीज़न का बचाव करने, और रिस्पॉन्सिबल इनोवेशन को एक लंबे समय तक चलने वाले कॉम्पिटिटिव एडवांटेज में बदलने के लिए बेहतर स्थिति में होंगे।