लिंग-संवेदनशील (Gender-responsive) कृषी-AI परिसंस्था उभारण्यासाठी लिंग-आधारित डेटा अनिवार्य करणे, स्थानिक भाषांचा समावेश, डिजिटल प्रशिक्षण, SHG-आधारित विस्तार, तसेच महिलांना कृषी नवोपक्रमातील समान भागीदार मान्यता देण्यावर परिषदेत भर.
योजना/उपक्रमाची पार्श्वभूमी (Background of the scheme)
मुंबईतील AI for Agri 2026 परिषदेच्या दुसऱ्या दिवशी “समतेसाठी कोडिंग: लिंग-संवेदनशील कृषी-एआय परिसंस्थेसाठी धोरणात्मक उपाय” या विषयावर समांतर सत्र झाले. या सत्रात कृषी क्षेत्रात वाढणाऱ्या AI/डिजिटल उपायांचा लाभ महिला शेतकऱ्यांपर्यंत समानतेने पोहोचावा, यासाठी धोरणात्मक बदलांची मागणी करण्यात आली.
डेटा अंतर्दृष्टीच्या प्रमुख सुरभी भाटिया यांनी सत्राचे समन्वयन केले. त्यांनी बारामती (निंबुत) येथील संगीता जाधव (‘ड्रोन दीदी’) यांचे उदाहरण देत सांगितले की, योग्य प्रशिक्षण व साधने मिळाल्यास महिला शेतकरी तंत्रज्ञानाच्या मदतीने उत्पादकता आणि कार्यक्षमता वाढवू शकतात (उदा. ड्रोनद्वारे 1 एकरावर 7 मिनिटांत खत फवारणी).
सत्रात सहभागी तज्ज्ञ:
- रंजिता पुस्कुर (CGIAR)
- इलियट गार्सिया (IFPRI)
- डॉ. ए. अमरेंद्र रेड्डी (Crop Health Policy Support Research)
- मिताली निकोरे (Nicores Associates)
मुख्य तरतुदी/शिफारसी (Key provisions)
या सत्रातून पुढील प्रमुख धोरण शिफारसी पुढे आल्या:
- “शेतकरी” व्याख्येची पुनर्व्याख्या
- घरातील/शेतीतील प्रमुख निर्णय घेणाऱ्या महिलांचा “शेतकरी” म्हणून स्पष्ट समावेश
- महिलांचे कृषीतील योगदान “सहाय्यक” न मानता मान्यताप्राप्त भागीदार म्हणून नोंदवणे
- समान वेतन आणि आर्थिक समता
- महिला कृषी कामगार/शेतकऱ्यांसाठी समान वेतनाची अंमलबजावणी
- महिलांकडे तुलनेने कमी जमीनमालकी/संसाधने असल्याने लक्ष्यित आर्थिक उपाय आवश्यक
- महिला-अनुकूल कर्ज व वित्तीय प्रवेश
- महिलांसाठी अनुकूल कर्जउत्पादने, सुलभ प्रक्रिया, आणि क्रेडिट स्कोअरिंग/पात्रता नियमांमध्ये समावेशकता
- कर्ज, विमा, अनुदान अशा सेवांमध्ये महिलांचा सहभाग वाढवणे
- लिंग-आधारित डेटा अनिवार्य
- Gender-disaggregated data (लिंग-आधारित डेटा) संकलन “ऐच्छिक” न ठेवता अनिवार्य करणे
- AI मॉडेल्स/डिजिटल सेवांनी महिलांच्या गरजा, कामाचे स्वरूप, संसाधन प्रवेशातील फरक प्रतिबिंबित करणे
- स्थानिक भाषा व संदर्भांचा समावेश
- अनेक AI साधने इंग्रजी/पाश्चात्य डेटावर आधारित असल्याने स्थानिक प्रश्न दुर्लक्षित होतात
- स्थानिक भाषा-आधारित डेटासेट आणि स्थानिक संदर्भ समाविष्ट केल्याने अचूकता व उपयुक्तता वाढते
- जेंडर-न्यूट्रल नव्हे, जेंडर-रिस्पॉन्सिव्ह डिझाइन
- “AI तटस्थ नसते”—डेटा-आधारित साधनांना सामाजिक-राजकीय परिणाम असतात
- म्हणून risk assessment, विश्वास निर्माण, आणि स्थानिक सामाजिक संरचनांचे भान ठेवणारी अंमलबजावणी
- समुदाय-आधारित डेटा गव्हर्नन्स (डेटा सार्वभौमत्व)
- उदाहरण: माओरी डेटा सार्वभौमत्व मॉडेल—समुदाय डेटा सह-मालकीने ठेवतो व वापरासाठी संमती देतो
- कृषी डेटाच्या वापरात संमती, पारदर्शकता, उत्तरदायित्व यावर भर
- डिजिटल लिंग दरी कमी करण्यासाठी प्रशिक्षण व संस्था-बांधणी
- महिला स्वयंसाहाय्य गट (SHG), स्थानिक संस्था यांच्या माध्यमातून डिजिटल साक्षरता
- महिला-केंद्रित डिजिटल केंद्रे, आणि agri-tech डिझाइन प्रक्रियेत महिलांचा समावेश
आर्थिक तरतूद (Financial allocation)
या विशिष्ट सत्र/शिफारसींसाठी स्वतंत्र आर्थिक तरतूद/बजेटची घोषणा या प्रेस नोटमध्ये नमूद नाही. मात्र तज्ज्ञांनी सूचित केलेल्या उपायांसाठी (डिजिटल प्रशिक्षण केंद्रे, डेटा संकलन, विस्तार सेवा, महिला-अनुकूल वित्त) लक्ष्यित निधी आणि कार्यक्रमात्मक तरतुदी आवश्यक ठरतील.
पात्रता निकष (Eligibility criteria)
ही सत्र-आधारित धोरण शिफारस असल्याने पात्रता “योजना” म्हणून घोषित नाही; तरी शिफारसीनुसार लक्षित गट:
- महिला शेतकरी (विशेषतः निर्णय घेणाऱ्या, परंतु दस्तऐवज/मालकीमध्ये कमी नोंद असलेल्या)
- महिला कृषी मजूर
- महिला SHG सदस्य, FPO/शेतकरी गटांतील महिला
- ग्रामीण युवक-युवती (डिजिटल प्रशिक्षण/ड्रोन/अॅग्री-टेक कौशल्यांसाठी)
- AgriTech डेव्हलपर्स/स्टार्टअप्स (जेंडर-रिस्पॉन्सिव्ह प्रॉडक्ट डिझाइनसाठी)
अंमलबजावणी यंत्रणा (Implementation mechanism)
तज्ज्ञांच्या शिफारसींनुसार राज्य/संस्था-स्तरावर पुढील यंत्रणा परिणामकारक ठरू शकतात:
- कायदेशीर/प्रशासकीय स्तर
- “शेतकरी” व्याख्येत महिलांचा समावेश करण्यासाठी नोंदणी, लाभार्थी डेटाबेस, पात्रता नियम अद्ययावत करणे
- समान वेतनासाठी अंमलबजावणी व निरीक्षण मजबूत करणे
- डेटा व AI गव्हर्नन्स
- सर्व कृषी डिजिटल कार्यक्रमांमध्ये लिंग-आधारित डेटा संकलन अनिवार्य
- मॉडेल्ससाठी पूर्वग्रह चाचण्या (bias checks) आणि प्रभाव मूल्यांकन (impact assessment)
- विस्तार सेवा (Extension) आणि क्षमता-विकास
- SHG/स्थानिक संस्थांद्वारे डिजिटल प्रशिक्षण, उपकरण प्रवेश, हेल्पडेस्क
- गावपातळीवर डेटा/डिजिटल केंद्रांचे पायलट, महिलांसाठी सुरक्षित व सुलभ सेवा
- वित्त व बाजार प्रवेश
- महिलांसाठी अनुकूल कर्ज: कमी कागदपत्री अडथळे, स्थानिक सहाय्य, डिजिटल सहाय्यक/मित्र
- ड्रोन/अॅग्री-टेकसाठी कौशल्य + सेवा-आधारित मॉडेल्स (उदा. कस्टम हायरिंग)
शेतकऱ्यांना होणारे फायदे (Farmer benefits)
- महिलांना “शेतकरी” म्हणून औपचारिक मान्यता मिळाल्यास: कर्ज, विमा, अनुदान, प्रशिक्षणात प्रवेश सुलभ
- समान वेतन व आर्थिक समता वाढण्याची शक्यता
- जेंडर-रिस्पॉन्सिव्ह AI मुळे महिलांच्या वास्तव गरजांनुसार सल्ला/सेवा (पीक, वेळ, श्रम, संसाधन मर्यादा)
- डिजिटल साक्षरता वाढल्याने ड्रोन, अॅग्री-टेक सेवा, बाजार माहिती, सरकारी सेवा वापर वाढणे
- स्थानिक भाषा-आधारित साधनांमुळे तंत्रज्ञानाचा स्वीकार आणि विश्वास वाढणे
तज्ज्ञ/धोरण दृष्टीकोन (Expert or policy perspective)
- रंजिता पुस्कुर (CGIAR): लिंग-आधारित डेटा आणि स्थानिक भाषांचा समावेश अत्यावश्यक; लिंग-आधारित डेटा संकलन अनिवार्य असावे.
- इलियट गार्सिया (IFPRI): “AI तटस्थ नसते”; म्हणून जोखीम मूल्यमापन आणि स्थानिक समाजरचनेत विश्वास निर्माण महत्त्वाचे. समुदाय-आधारित डेटा संमतीचे मॉडेल (माओरी डेटा सार्वभौमत्व) उल्लेखनीय.
- डॉ. अमरेंद्र रेड्डी: महिलांचे कृषीतील योगदान दीर्घकाळ दुर्लक्षित; आजही कमी वेतन व कमी जमीनमालकी ही वास्तव समस्या—“शेतकरी” संकल्पनेची पुनर्व्याख्या गरजेची.
- मिताली निकोरे: ग्रामीण महिलांमध्ये डिजिटल साक्षरतेचे प्रमाण कमी; SHG व स्थानिक संस्थांच्या मदतीने महिला-केंद्रित डिजिटल केंद्रे आणि डिझाइन प्रक्रियेत महिलांचा सहभाग आवश्यक.
आव्हाने (Challenges)
- मालकी/नोंदणीतील दरी: निर्णय घेणाऱ्या महिला “शेतकरी” म्हणून नोंद नसणे
- डिजिटल लिंग दरी: उपकरण/इंटरनेट/कौशल्यातील असमानता
- डेटा पूर्वग्रह: इंग्रजी/पाश्चात्य डेटावर आधारित मॉडेल्समुळे स्थानिक संदर्भ आणि महिलांचे काम दुर्लक्षित
- सामाजिक अडथळे: प्रशिक्षण, हालचाल, वेळ, सार्वजनिक डिजिटल स्पेसेसवर प्रवेश मर्यादा
- विश्वास व संमती: कृषी डेटा कोणाचा, कसा वापरला जातो—याविषयी पारदर्शकता/संमती यंत्रणा अपुरी
Who Will Benefit?
- महिला शेतकरी आणि महिला कृषी मजूर
- महिला SHG सदस्य, महिला-नेतृत्वाखालील शेती गट/FPO
- ड्रोन/अॅग्री-टेक सेवा देणाऱ्या ग्रामीण महिला उद्योजिका
- विस्तार अधिकारी/स्थानिक संस्था (जेंडर-रिस्पॉन्सिव्ह कार्यक्रमामुळे सेवा परिणामकारक)
Why This Matters for Agriculture Sector
- महिलांचे श्रम व निर्णय शेतीसाठी केंद्रस्थानी असतानाही “शेतकरी” म्हणून त्यांची ओळख/हक्क अपुरे राहतात—यामुळे सरकारी सेवा, वित्त, प्रशिक्षणात वंचितता वाढते.
- AI/डिजिटल सेवा जर जेंडर-रिस्पॉन्सिव्ह नसतील, तर नवीन तंत्रज्ञानाची दरी वाढू शकते.
- समावेशक डिझाइन केल्यास उत्पादकता, उत्पन्न, व शाश्वतता वाढवण्याची क्षमता बहुगुणित होते.
What Farmers Should Do Next
- महिला शेतकऱ्यांनी: स्थानिक कृषी कार्यालय/ग्रामपंचायत/SHG माध्यमातून स्वतःची शेती-भूमिका, निर्णय-भूमिका व सेवा-गरजांची नोंद/माहिती अद्ययावत करण्यासाठी मार्गदर्शन घ्या.
- SHG/FPO ने: डिजिटल प्रशिक्षण, ड्रोन/अॅग्री-टेक डेमो, आणि महिला-केंद्रित सेवा कॅम्प आयोजित करण्यासाठी जिल्हा/तालुका स्तरावर समन्वय साधा.
- कुटुंब/समुदायाने: महिलांच्या प्रशिक्षणासाठी वेळ, प्रवास, उपकरण प्रवेश यांना पाठबळ द्या—हा “समृद्ध शेतीचा” थेट गुंतवणूक घटक आहे.
- AgriTech/स्टार्टअप्सने: स्थानिक भाषा, जेंडर-आधारित डेटा, आणि bias testing सह प्रॉडक्ट डिझाइन करा; फील्ड पायलटमध्ये महिलांचा सक्रिय सहभाग सुनिश्चित करा.
Krishi Parva Desk
FAQs
1) “शेतकरी” व्याख्येत महिलांचा समावेश का महत्त्वाचा आहे?
कारण अनेक महिला प्रत्यक्ष शेतीचे निर्णय घेतात, पण नोंद/मालकी/लाभार्थी यादीत त्यांचे नाव नसल्याने कर्ज, विमा, प्रशिक्षण आणि सरकारी योजनांचा लाभ मर्यादित राहतो. व्याख्या सुधारल्यास प्रवेश आणि उत्तरदायित्व दोन्ही वाढतात.
2) “AI तटस्थ नसते” याचा अर्थ काय?
AI मॉडेल्स डेटावर शिकतात. जर डेटा एकतर्फी (उदा. पुरुष-केंद्रित किंवा इंग्रजी/पाश्चात्य संदर्भ) असेल, तर सल्ले/निर्णय महिलांच्या वास्तव गरजांशी जुळणार नाहीत. त्यामुळे जोखीम मूल्यमापन, पूर्वग्रह तपासणी आणि स्थानिक संदर्भ आवश्यक ठरतात.
3) ग्रामीण महिलांसाठी डिजिटल दरी कमी करण्यासाठी कोणते उपाय सुचवले?
SHG आणि स्थानिक संस्थांच्या मदतीने डिजिटल प्रशिक्षण, महिला-केंद्रित डिजिटल केंद्रे, स्थानिक भाषेतील साधने, आणि agri-tech डिझाइन/पायलटमध्ये महिलांचा सक्रिय सहभाग—हे उपाय सत्रात ठळकपणे मांडले गेले.