مصنوعی ذہانت کیا ہے؟ مشین لرننگ سسٹمز کیسے کام کرتے ہیں

مصنوعی ذہانت (AI) ٹیکنالوجی کا ایک شعبہ ہے جو کمپیوٹرز اور مشینوں کو انسانی سیکھنے، سمجھ، مسائل کا حل نکالنے، فیصلہ سازی، تخلیقی صلاحیت اور خود مختاری کی نقل کرنے دیتا ہے، IBM کے مطابق۔

تنگ AI بمقابلہ عام AI

IBM دو وسیع اقسام میں فرق کرتا ہے۔ تنگ AI، جسے کمزور AI بھی کہا جاتا ہے، ایک مخصوص کام کے لیے بنائے گئے نظام پر مشتمل ہے، جیسے وائس اسسٹنٹ یا چیٹ بات۔ عام AI، یا مضبوط AI، ایک نظریاتی نظام سے متعلق ہے جو بہت سے کاموں میں انسانی یا انسان سے بہتر سطح پر وسیع سمجھ رکھتا ہے؛ IBM بیان کرتا ہے کہ ایسے نظام ابھی موجود نہیں ہیں۔

مشین لرننگ: زیادہ تر AI کے پیچھے کا انجن

مشین لرننگ (ML) AI کا وہ ذیلی شعبہ ہے جو ان الگورتھم پر توجہ مرکز کرتا ہے جو تربیتی ڈیٹا سے نمونے سیکھتے ہیں اور پھر نئے ڈیٹا کے بارے میں نتائج اخذ کرتے ہیں، IBM وضاحت دیتا ہے۔ روایتی پروگرامنگ سے اہم فرق یہ ہے کہ ایک پروگرامر کو ہر اصول کی تفصیل سے بیان کرنے کی ضرورت نہیں۔ IBM spam کی شناخت کی مثال دیتا ہے: ایک قاعدہ پر مبنی پروگرام کو انسان کی ضرورت ہے کہ وہ بتائے کہ spam کی شکل کیا ہے، جبکہ ML ماڈل بہت سی مثال کے ای میلز کا مطالعہ کر کے خود spam کی خصوصیات سیکھتا ہے۔

تین اہم اقسام کی سیکھنا

IBM کے مطابق، مشین لرننگ سسٹمز عام طور پر تین طریقوں میں سے کسی ایک میں تربیت دیے جاتے ہیں۔ نگرانی شدہ سیکھنا لیبل شدہ ڈیٹا استعمال کرتی ہے جس میں درست جوابات معلوم ہوں، چیزوں کی درجہ بندی یا قیمت جیسی مسلسل قیمت کی پیش گوئی جیسے کاموں کے لیے۔ بے نگاہ سیکھنا غیر لیبل شدہ ڈیٹا کے ساتھ کام کرتی ہے اور پوشیدہ ڈھانچے تلاش کرتی ہے، جیسے ملتے جلتے گاہکوں کو ایک جیسے گروپ میں رکھنا۔ تقویتی سیکھنا ایک نظام کو ٹریل اور غلطی کے ذریعے تربیت دیتی ہے، ایسی کارروائیوں کو انعام دیتے ہوئے جو اسے ایک مقصد کی طرف لے جاتی ہیں تاکہ یہ بتدریج ایک بہترین حکمت عملی سیکھتا ہے۔

جہاں AI پہلے سے ظاہر ہوتا ہے

IBM کسٹمر سروس چیٹ بات، دھوکہ دہی کی شناخت، ذاتی نوعیت کی مارکیٹنگ کی سفارشات، AI سے معاون بھرتی کی جانچ، کوڈ جنریشن ٹولز اور پیش گی دیکھ بھال کو موجودہ استعمالات میں درج کرتا ہے۔ الگ الگ، IBM کا مشین لرننگ جائزہ خود مختار گاڑیوں، ای میل spam فلٹرنگ، طب کی تشخیص میں معاونت، سفارش کے انجن اور زبان کے ترجمہ کو ML سے چلانے والی تکنولوجی کی فہرست میں شامل کرتا ہے جو پہلے سے استعمال میں ہیں۔

معلوم حدود: hallucinations اور bias

Generative AI سسٹمز "hallucinations" پیدا کر سکتے ہیں — جعلی معلومات جو قابلِ قبول نظر آتی ہے، MIT Sloan کے Teaching & Learning Technologies گروپ کے مطابق۔ MIT Sloan ایک وسیع پیمانے پر رپورٹ شدہ معاملہ کی طرف اشارہ کرتا ہے جس میں ایک وکیل نے ChatGPT کو قانونی تحقیق کے لیے استعمال کیا اور ٹول نے ایسے معاملات کے حوالہ جات گھڑے جو موجود نہیں تھے۔ گروپ ایسی تحقیق کا حوالہ دیتا ہے جس میں پایا گیا کہ عام مقصد کی chatbots نے ٹیسٹ شدہ 58% سے 82% قانونی سوالات میں hallucinations کیے، جبکہ retrieval-augmented generation کا استعمال کرتے ہوئے خصوصی قانونی ٹولز اب بھی 17% سے زیادہ معاملات میں hallucinations کیے۔

MIT Sloan hallucinations کو تین عوامل میں منسوب کرتا ہے: تربیتی ڈیٹا جو درست اور غلط معلومات کو ملاتا ہے، جو ماڈلز دوبارہ پیدا کر سکتے ہیں؛ generative سسٹمز کا بنیادی ڈیزائن، جو "advanced autocomplete ٹولز" کی طرح کام کرتے ہیں جو حقائق کی تصدیق کرنے کے بجائے ممکنہ اگلے الفاظ کی پیش گوئی کرتے ہیں؛ اور تعماری حدود جو ماڈلز کو نئے، بعض اوقات غلط، طریقوں سے نمونے ملانے دیتے ہیں یہاں تک کہ صاف تربیتی ڈیٹا کے ساتھ بھی۔

Bias کے بارے میں، MIT Sloan رپورٹ کرتا ہے کہ مطالعات سے پایا گیا ہے کہ AI سسٹمز تیار شدہ امیجز میں صنف اور نسلی دقیانوسیت کو بڑھا سکتے ہیں اور ایک prompt میں آبادیاتی اشارات پر منحصر ہے مختلف معیار کی رائے، grading یا پروفیشنل سفارشات دے سکتے ہیں۔ گروپ اس کا تعلق تربیتی ڈیٹا سے رکھتا ہے جو موجودہ معاشرتی تعصب رکھتا ہے، جو ماڈلز دوبارہ پیدا کرتے ہیں بغیر صحیح یا غلط کا فیصلہ کرنے کی صلاحیت کے۔ IBM کا جائزہ الگ الگ ڈیٹا کے خطرات جیسے poisoning یا embedded bias، ماڈل کے خطرات جیسے چوری یا parameter manipulation، اور operational خطرات جیسے model drift کو AI تعینات کرنے والی تنظیموں کے لیے وسیع تر فکری مسائل کے طور پر نشاندہی کرتا ہے۔

یہ اب کیوں اہم ہے

IBM نوٹ کرتا ہے کہ جدید AI بحث generative AI سے dominated ہے — ایسے نظام جو اصل متن، امیجز، ویڈیو اور دیگر مواد بناتے ہیں موجودہ ڈیٹا سے صرف درجہ بندی یا پیش گوئی کے بجائے۔ جیسے جیسے یہ ٹولز کام جگہوں، اسکولوں اور روز مرہ ایپس میں پہنچتے ہیں، یہی بنیادی میکانزم — تربیتی ڈیٹا سے نمونے سیکھنا — ان کی صلاحیتوں اور ان کی توثیق شدہ حدود دونوں کی وضاحت کرنے میں مدد دیتا ہے، جس میں MIT Sloan بیان کرتے ہیں۔