किसी एआई सुझाव के रोगी के विश्लेषण को छूने से पहले, आपको उसके बारे में एक प्रश्न का उत्तर दे पाने में सक्षम होना चाहिए: यह कहां से आया? यदि टूल आपको दिखा सकता है — यह रूब्रिक, इस रेपर्टरी में, इस स्थान पर, इस ग्रेड के साथ; यह passage, इस पुस्तक में — तो एआई-सहायता प्राप्त रेपर्टराइजेशन ठीक उसी अनुशासन के लिए accelerator है जिसे classical training सिखाती है। यदि वह ऐसा नहीं कर सकता, तो आउटपुट की कोई भी fluency उसे इस्तेमाल के लिए सुरक्षित नहीं बनाती। यह लेख उस सिद्धांत को एक व्यावहारिक ऑडिट में बदलता है: दस जांचें जिन्हें कोई भी चिकित्सक किसी भी एआई होम्योपैथी टूल — हमारे टूल सहित — पर consulting room में भरोसा करने से पहले एक घंटे से कम समय में चला सकता है। यह हमारे व्यापक लेखों remedy selection में AI और case-analysis workflow से अलग है: वे बताते हैं कि technology क्या करती है; यह लेख उसे verify करने के बारे में है। हमेशा की तरह, यह चिकित्सकों और छात्रों के लिए लिखा गया है — clinical decision, यहां पहले से भी अधिक, आपका ही रहता है।
ऑडिट की जरूरत ही क्यों? होम्योपैथी में एआई के दो पैटर्न
होम्योपैथिक सॉफ्टवेयर का हर एआई फीचर, जांचने पर, दो में से किसी एक पैटर्न में आता है।
retrieval pattern. एआई एक तेज index है। यह रोगी के शब्द लेता है — "सिर के चारों ओर कसती हुई पट्टी, जोर से दबाने पर बेहतर" — और वास्तविक रेपर्टरियों से candidate rubrics सामने लाता है, जिनके साथ locations और grades जुड़े होते हैं; या यह strictly उन रूब्रिक्स से shortlist बनाता है जिन्हें आपने confirm किया है। हर output मौजूद और खोले जा सकने वाले स्रोतों की ओर pointer है। चिकित्सक का कौशल — चुनना, weigh करना, materia medica में verify करना — अपरिवर्तित रहता है; केवल पन्ने पलटना तेज हुआ है।
oracle pattern. एआई एक answer machine है। Case description अंदर, remedy name बाहर, reasoning opaque, references अनुपस्थित या सजावटी। यह कभी-कभी कितना भी accurate क्यों न हो, यह unauditable है — और clinical method में डाला गया unauditable step उसकी accountability chain को उसके सबसे महत्वपूर्ण link पर तोड़ देता है।
नीचे दिया गया audit व्यवहार में, feature by feature, इन दो patterns को अलग करने के लिए है — क्योंकि वास्तविक products (फिर से: हमारे सहित) mixtures होते हैं, और सवाल कभी यह नहीं होता कि "एआई अच्छा है या बुरा?" बल्कि यह होता है: "इस tool के कौन से outputs मैं trace कर सकता हूं, और क्या कभी कोई untraceable चीज analysis तक पहुंचती है?"
दस-बिंदु ऑडिट
इन्हें क्रम से चलाएं; ये mechanics से governance तक बढ़ते हैं। कोई tool जो 1–4 में fail करता है, बाकी सबके बावजूद unsafe है। Notes रखें — वे आपका re-audit baseline बन जाते हैं।
1. रूब्रिक traceability
तीन एआई-सुझाए गए रूब्रिक्स लें और click through करें। क्या हर एक नामित रेपर्टरी में अपने exact location पर खुलता है — chapter, rubric, sub-rubric — और उसकी remedy list और grades visible हैं? कोई suggestion जिसे खोला नहीं जा सकता, red flag है। Similia में, एआई द्वारा प्रस्तावित हर rubric उस repertory में live link है जहां से वह आया; यही design bar है जिस पर किसी भी tool को कसना चाहिए।
2. quotations का source verification
जहां एआई materia medica को quote या paraphrase करता है, passage खोलें। क्या cited book में वह उस remedy के बारे में, recognizable form में मौजूद है? तीन जांचें। एक भी fabricated quotation audit को सीधे fail करता है — invented scholarship, no scholarship से बदतर है, क्योंकि यह ठीक वहीं false confidence पैदा करता है जहां verification होना चाहिए।
3. invented-rubric probe
Tool को ऐसा symptom दें जिसके बारे में आप जानते हैं कि repertories उसे awkwardly handle करती हैं — कोई अजीब modern phrasing, कोई rare modality। सही व्यवहार हैं: nearest genuine rubrics (nearest के रूप में labelled), या ईमानदार "no close match." Failing behaviour है perfectly-worded rubric जो किसी repertory में exist नहीं करता। यह single probe किसी भी दूसरी check से अधिक oracle-pattern tools पकड़ता है।
4. Grade fidelity
दो suggested rubrics के लिए, एआई द्वारा दिखाए गए grades की repertory की अपनी entry से तुलना करें — bold, italic, plain; और Murphy की four-grade scheme में fourth degree सही तरह handled है या नहीं। Grades पूरे method का evidential weight carry करते हैं; जो tool grades के साथ careless है, वह downstream हर चीज के साथ careless होगा। (Grades इतना मायने क्यों रखते हैं, इसमें नए हैं? repertorisation guide foundations cover करती है।)
5. Confirmation gating
Suggestion से analysis तक एक पूरा path trace करें। क्या कोई rubric या remedy बिना explicit practitioner action के repertorisation में enter कर सकता है? भरोसेमंद उत्तर है no: एआई propose करता है, आप confirm करते हैं, और केवल confirmed items analyze होते हैं। Auto-inserted suggestions — चाहे अच्छे हों — का अर्थ है कि tool, आप नहीं, चुपचाप case ले रहा है।
6. Uncertainty behaviour
इसे thin case दें: दो vague symptoms, कुछ भी striking नहीं। क्या tool कहता है कि picture insufficient है, visibly hedge करता है, या candidates को उसी confident face के साथ rank करता है जो उसने rich case के लिए पहना था? जो systems uncertainty express नहीं कर सकते, वे अपना overconfidence users को transfer करते हैं — बिल्कुल उसका उलटा, जिसकी junior prescriber को जरूरत होती है।
7. Semantic search precision
हर रोज की भाषा वाली mapping को पांच phrasings से test करें जिन्हें आपके patients सच में इस्तेमाल करते हैं — अगर आप English के बाहर practice करते हैं तो अपनी consulting language में एक शामिल करें — और judge करें कि returned rubrics सचमुच sense से match करते हैं, सिर्फ keywords से नहीं। फिर reverse check करें: क्या precise classical phrase अपना exact rubric पहले ढूंढता है? हमारा semantic search guide समझाता है कि under the hood अच्छा कैसा दिखता है।
8. Privacy and data governance
Tool की terms तीन questions के साथ पढ़ें: क्या consultation/case text models train करने में इस्तेमाल होता है? Data कौन process करता है, और किस legal basis पर (Europe में GDPR processor terms)? क्या आप export और delete कर सकते हैं? Recorded consultations के लिए, confirm करें कि consent obligation वहीं बैठता है जहां उसे होना चाहिए — आपके पास — और vendor का handling उसे support करता है। Evasive data terms वाला clinically brilliant tool audit fail करता है; patient narrative वह सबसे sensitive data है जो homeopath रखता है।
9. Model-change transparency
पूछें (या changelog में खोजें): क्या vendor announce करता है जब एआई के models या sources materially change होते हैं? Continuous deployment का अर्थ है कि जिस tool को आपने January में audit किया था, वह July में इस्तेमाल किए जा रहे tool जैसा नहीं है। आप उस चीज का re-audit नहीं कर सकते जिसके बदलने की जानकारी आपको नहीं है — इसलिए FAQ में twice-yearly re-audit rhythm दी गई है।
10. sign-off rule
अंत में, स्वयं का audit करें। एक personal rule स्थापित करें: कोई भी AI-touched analysis तब तक finished नहीं है जब तक leading candidates को materia medica में patient के विरुद्ध पढ़ न लिया गया हो। Retrieval delegate किया जा सकता है; judgement नहीं। यदि मदद मिले तो rule को अपने case template में लिखें — discipline में तीन मिनट लगते हैं और यही AI-assisted practice और AI-directed practice के बीच का अंतर है।
इसे score करना
Invent करने लायक कोई points system नहीं है: checks 1–5 pass/fail हैं (traceability, sources, no inventions, grade fidelity, gating), और किसी tool को उसके conveniences consideration deserve करने से पहले ये सभी पांच pass करने चाहिए। Checks 6–10 tool की और उसके आसपास आपकी governance की maturity grade करते हैं। सभी दस pass करने वाला tool "AI you can trust blindly" नहीं है — वह ऐसा AI है जिस पर आपको कभी blindly trust करना ही नहीं पड़ता, और यही actual goal है।
काम सही हो तो यह कैसा दिखता है
ईमानदारी से चलाया गया audit सिर्फ tools filter नहीं करता — यह आपके kept tool को इस्तेमाल करने का तरीका बदल देता है। Suggestions leads बन जाते हैं, verdicts नहीं। Rubric तक click-through reflex बन जाता है। अंत में materia medica reading formality जैसी लगना बंद कर देती है क्योंकि वह visibly एआई के near-misses पकड़ती है — वह rubric जिसने words match किए लेकिन sense नहीं, वह remedy जो grid में strong थी लेकिन gestalt में wrong। इस तरह काम करने वाले practitioners वही बात report करते हैं जो हमारा अपना usage data दिखाता है: एआई का असली gift answers नहीं बल्कि coverage है — तीसरा और चौथा candidate rubric जिसे hand से hunt down करने का समय आपके पास नहीं होता — जबकि decision quality अब भी वहीं से आती है जहां से हमेशा आती थी। यही वह standard है जिसके अनुसार हम Similia की AI features बनाते हैं, और ऊपर दिया गया audit यही तरीका है जिससे आप हमें — और किसी भी दूसरे को — उस पर कायम रखते हैं।
