ماضی کے دوران چھ ماہ میں، ہم نے AI میں کچھ ناقابل یقین پیش رفت دیکھی ہے۔ Stable Diffusion کی ریلیز نے آرٹ کی دنیا کو ہمیشہ کے لیے بدل دیا، اور ChatGPT-3 نے گانے لکھنے، تحقیقی مقالوں کی نقل کرنے، اور عام طور پر گوگل کے سوالات کے مکمل اور بظاہر ذہین جوابات فراہم کرنے کی صلاحیت سے انٹرنیٹ کو ہلا کر رکھ دیا۔
تخلیقی AI میں یہ پیشرفت مزید ثبوت پیش کرتی ہے کہ ہم ایک AI انقلاب کی منزل پر ہیں۔
تاہم، ان میں سے زیادہ تر تخلیقی AI ماڈلز بنیادی ماڈلز ہیں: اعلیٰ صلاحیت کے حامل، غیر زیر نگرانی سیکھنے کے نظام جو کہ ڈیٹا کی وسیع مقدار پر تربیت دیتے ہیں اور اسے کرنے کے لیے لاکھوں ڈالر کی پروسیسنگ پاور لیتے ہیں۔ فی الحال، صرف اچھی مالی اعانت سے چلنے والے ادارے ہی ان ماڈلز کو بنانے کے قابل ہیں۔
ایپلی کیشن لیئر AI تیار کرنے والی زیادہ تر کمپنیاں جو ٹیکنالوجی کو بڑے پیمانے پر اپنانے کو آگے بڑھا رہی ہیں اب بھی لیبل لگائے گئے تربیتی ڈیٹا کے بڑے پیمانے پر استعمال کرتے ہوئے زیر نگرانی سیکھنے پر انحصار کرتی ہیں۔ فاؤنڈیشن ماڈلز کے متاثر کن کارناموں کے باوجود، ہم ابھی بھی AI انقلاب کے ابتدائی دنوں میں ہیں اور متعدد رکاوٹیں ایپلی کیشن لیئر AI کے پھیلاؤ کو روک رہی ہیں۔
کے بہاو معروف ڈیٹا لیبلنگ کا مسئلہ اضافی ڈیٹا کی رکاوٹیں موجود ہیں جو بعد کے مرحلے کے AI کی ترقی اور پیداواری ماحول میں اس کی تعیناتی میں رکاوٹ بنیں گی۔
ان مسائل کی وجہ سے، ابتدائی وعدے اور سرمایہ کاری کے سیلاب کے باوجود، 2014 سے اب تک سیلف ڈرائیونگ کاروں جیسی ٹیکنالوجیز صرف ایک سال کی دوری پر ہیں۔
یہ دلچسپ ثبوت کے تصوراتی ماڈل تحقیقی ماحول میں بینچ مارک کردہ ڈیٹاسیٹس پر اچھی کارکردگی کا مظاہرہ کرتے ہیں، لیکن حقیقی دنیا میں جاری ہونے پر وہ درست پیشین گوئی کرنے کے لیے جدوجہد کرتے ہیں۔ ایک بڑا مسئلہ یہ ہے کہ ٹیکنالوجی ہائی اسٹیک پروڈکشن ماحول میں درکار اعلی کارکردگی کی حد کو پورا کرنے کے لیے جدوجہد کرتی ہے، اور مضبوطی، وشوسنییتا اور برقرار رکھنے کے لیے اہم بینچ مارک کو نشانہ بنانے میں ناکام رہتی ہے۔
مثال کے طور پر، یہ ماڈل اکثر آؤٹ لیئرز اور ایج کیسز کو ہینڈل نہیں کر پاتے ہیں، اس لیے خود سے چلنے والی کاریں خود سائیکل کے لیے سائیکلوں کی عکاسی کرنے میں غلطی کرتی ہیں۔ یہ قابل بھروسہ یا مضبوط نہیں ہیں اس لیے ایک روبوٹ بارسٹا ہر پانچ میں سے دو بار ایک بہترین کیپوچینو بناتا ہے لیکن باقی تین بار کپ کو پھیلا دیتا ہے۔
نتیجے کے طور پر، AI پروڈکشن گیپ، \”یہ صاف ہے\” اور \”یہ کارآمد ہے\” کے درمیان کا فاصلہ ایم ایل انجینئرز کے پہلے اندازے سے کہیں زیادہ بڑا اور مضبوط رہا ہے۔
جوابی طور پر، بہترین نظاموں میں بھی سب سے زیادہ انسانی تعامل ہوتا ہے۔
خوش قسمتی سے، جیسا کہ زیادہ سے زیادہ ML انجینئرز نے AI کی ترقی کے لیے ڈیٹا پر مبنی نقطہ نظر کو اپنایا ہے، فعال سیکھنے کی حکمت عملیوں کا نفاذ بڑھتا جا رہا ہے۔ انتہائی نفیس کمپنیاں اس ٹیکنالوجی کا فائدہ اٹھائیں گی تاکہ AI پروڈکشن گیپ کو کم کر سکیں اور ایسے ماڈلز بنائیں جو جنگل میں زیادہ تیزی سے چل سکیں۔
فعال تعلیم کیا ہے؟
فعال تعلیم تربیت کو ایک زیر نگرانی ماڈل بناتی ہے۔ ماڈل ایک بڑے ڈیٹاسیٹ سے لیبل لگائے گئے ڈیٹا کے ابتدائی ذیلی سیٹ پر ٹرین کرتا ہے۔ اس کے بعد، یہ جو کچھ سیکھا ہے اس کی بنیاد پر باقی غیر لیبل والے ڈیٹا پر پیشین گوئیاں کرنے کی کوشش کرتا ہے۔ ایم ایل انجینئر اس بات کا اندازہ لگاتے ہیں کہ ماڈل اپنی پیشین گوئیوں میں کتنا یقینی ہے اور، مختلف قسم کا استعمال کرکے حصول کے افعال، بغیر لیبل والے نمونوں میں سے کسی ایک کی تشریح کر کے شامل کردہ کارکردگی کے فائدے کی مقدار درست کر سکتا ہے۔
اپنی پیشین گوئیوں میں غیر یقینی صورتحال کا اظہار کرتے ہوئے، ماڈل خود فیصلہ کر رہا ہے کہ اس کی تربیت کے لیے کون سا اضافی ڈیٹا سب سے زیادہ مفید ہو گا۔ ایسا کرنے میں، یہ تشریح کرنے والوں سے صرف اس مخصوص قسم کے ڈیٹا کی مزید مثالیں فراہم کرنے کو کہتا ہے تاکہ وہ اپنے اگلے دور کی تربیت کے دوران اس سب سیٹ پر زیادہ شدت سے تربیت دے سکے۔ اس کے بارے میں سوچیں جیسے کسی طالب علم سے یہ معلوم کرنے کے لیے کوئز کرنا کہ ان کے علم میں فرق کہاں ہے۔ ایک بار جب آپ کو معلوم ہو جائے کہ وہ کون سے مسائل سے محروم ہیں، آپ انہیں نصابی کتب، پیشکشیں اور دیگر مواد فراہم کر سکتے ہیں تاکہ وہ موضوع کے اس خاص پہلو کو بہتر طور پر سمجھنے کے لیے اپنی تعلیم کو ہدف بنا سکیں۔
فعال سیکھنے کے ساتھ، ایک ماڈل کی تربیت ایک لکیری عمل ہونے سے ایک مضبوط فیڈ بیک لوپ کے ساتھ سرکلر کی طرف بڑھ جاتی ہے۔
کیوں جدید ترین کمپنیوں کو فعال سیکھنے کا فائدہ اٹھانے کے لیے تیار ہونا چاہیے۔
پروٹوٹائپ پروڈکشن کے فرق کو ختم کرنے اور ماڈل کی بھروسے کو بڑھانے کے لیے فعال سیکھنا بنیادی ہے۔
یہ ایک عام غلطی ہے کہ AI سسٹمز کو سافٹ ویئر کا ایک جامد حصہ سمجھنا، لیکن ان سسٹمز کو مسلسل سیکھنا اور تیار ہونا چاہیے۔ اگر نہیں، تو وہ وہی غلطیاں بار بار کرتے ہیں، یا، جب وہ جنگل میں چھوڑے جاتے ہیں، تو وہ نئے منظرناموں کا سامنا کرتے ہیں، نئی غلطیاں کرتے ہیں اور ان سے سیکھنے کا موقع نہیں ملتا ہے۔
>>Join our Facebook page From top right corner. <<