انسان + مشین۔ مصنوعی ذہانت کا حقیقی نمونہ

کیا یہ پہلے ہی Apocalypse ہے؟

ایلون مسک نے کہا کہ مصنوعی ذہانت تیسری جنگ عظیم شروع کر سکتی ہے۔ اگر کرہ ارض پر سب سے جدید اور قابل مصنوعی ذہانت کے ساتھ کار بنانے والا ایسا کہتا ہے تو اس کا مطلب ہے کہ ایک بنیاد موجود ہے۔ حال ہی میں بہت کم لوگ ایسے تھے جنہوں نے تکنیکی اختراع کے نتائج کی پرواہ کی جو ایک غضبناک قدم اٹھا رہے تھے۔ اور ہم ابھی شروع میں تھے، ہم نے ابھی تک کچھ نہیں دیکھا تھا۔

پھر یوں ہوا کہ ٹیکنالوجی کے نتائج پر گفتگو معاشرے کے ہر حصے میں پھیلنے لگی، سوائے تکنیکی ماہرین کے جو اس بات پر یقین رکھتے ہیں کہ وہ "خدا کے لیے مشن پر ہیں"۔ مصنوعی ذہانت عوامی تاثر کے اس الٹ پھیر کا بنیادی الزام ہے۔

جب AI کی بات آتی ہے، تو عوامی گفتگو کا ایک بڑا حصہ صرف ملازمتوں میں کمی یا چین کے اوپری ہاتھ حاصل کرنے پر توجہ مرکوز کرتا ہے۔ لیکن سب سے بڑھ کر اس خوف پر کہ ذہین مشینیں ایک دن دنیا کو فتح کر لیں گی جو انسان کو فوڈ چین میں محض ایک کڑی بنا دے گی۔ میں ایسا نہیں ہوتا دنیا کی جنگ ہکسلے کی طرف سے؟

واضح مفروضہ یہ ہے کہ انسان اور مشینیں مقابلے میں ہیں۔ ایک مقابلہ جو مشین جیت جائے گی۔ بالآخر ذہین نظام، اپنی اعلیٰ رفتار، پروسیسنگ کی طاقت اور ٹوٹ پھوٹ کے خلاف مزاحمت کے ساتھ، آخرکار ہماری جگہ پہلے پیشوں میں، پھر تنظیموں میں اور آخر میں فیصلوں میں لے لیں گے۔

نیشنل بیورو آف اکنامک ریسرچ کا ایک 2015 کا اکانومیٹرک مطالعہ ہے، جو ایک تحقیقی مرکز ہے جو کافی درستگی کے ساتھ معاشی رجحانات کی پیش گوئی کرتا ہے۔ اس تحقیق نے مصنوعی ذہانت کی ترقی پر تحقیق سے یہ نتیجہ اخذ کیا:

"ایک مناسب مالیاتی پالیسی کی عدم موجودگی میں جو جیتنے والوں سے ہارنے والوں میں دوبارہ تقسیم کرتی ہے، ذہین کاروں کا مطلب طویل مدت میں سب کے لیے زیادہ غربت ہوگا۔"

دو حالتیں جو اس وقت آنے سے بعید لگتی ہیں، اگر تصور بھی نہ کیا گیا ہو۔ لیکن ایک چیز ہو رہی ہے: ترقی یافتہ ممالک میں آبادی کا ایک اہم حصہ درحقیقت غریب ہے۔ اور ہم جانتے ہیں کہ غریبی کے مصنوعی ذہانت سے بھی زیادہ سفاکانہ نتائج ہو سکتے ہیں۔

اضافی ذہانت

آئیے اس معاملے کو ایک مختلف زاویے سے دیکھنے کی کوشش کرتے ہیں۔ آئیے اپنے آپ سے پوچھیں۔ کیا ہوگا اگر طاقت کا انسان مشین آپریشن گھٹا دینے والا نہیں بلکہ اضافی ہوتا؟ یہ وہ نقطہ نظر ہے جو پال ڈوگرٹی اور جیمز ولسن نے اپنی کتاب میں آخر کار اطالوی میں ترجمہ کیا ہے۔ انسان + مشین۔ مصنوعی ذہانت کے دور میں کام پر دوبارہ غور کرنا, Guerini, 2019, p. 215 (گو ویئر کے ساتھ شریک ایڈیشن میں ای بک میں بھی دستیاب ہے)۔

Daugherty اور Wilson کا کام نظریاتی یا کہانی سنانے والا نہیں ہے، لیکن یہ دونوں مصنفین کے حاصل کردہ فیلڈ تجربے سے اپنے خیالات کو کھینچتا ہے۔ درحقیقت، دونوں ایکسینچر میں بنیادی ذمہ داریاں سنبھالتے ہیں۔ Daugherty چیف ٹیکنالوجی اور انوویشن آفیسر ہے، جو عالمی سطح پر مصنوعی ذہانت اور R&D منصوبوں کی نگرانی کرتی ہے۔ ولسن آئی ٹی اور بزنس ریسرچ ڈیپارٹمنٹ کے سربراہ ہیں۔

ایکسینچر دنیا کی سب سے بڑی مینجمنٹ کنسلٹنگ فرم ہے۔ وہ کمپنیاں، خاص طور پر بڑی کمپنیوں کی طرح ہوا میں سانس لیتا ہے، جس کے لیے وہ کندھے سے کندھا ملا کر کام کرتا ہے۔ جہاں جدت اور تبدیلیاں ہو رہی ہیں اس علاقے کا بہتر نظارہ کرنے والی رصد گاہ کا ہونا مشکل ہے۔

Daugherty اور ولسن نے 450 کے نمونے میں 1500 تنظیموں کا مشاہداتی تجزیہ اور کیس اسٹڈیز کیں اور متعدد متعلقہ مظاہر کی نشاندہی کی جن سے مقداری تحقیق چھوٹ گئی ہے۔ ایک "فیوژن اسکل" کا تصور ہے: مرد اور مشینیں مل کر نئی قسم کے کام اور پیشہ ورانہ تجربات بناتے ہیں۔

بعینہ یہی علم اور ہنر کا امتزاج "گھوسٹ اسپیس" ہے۔ بھوت اس معنی میں کہ یہ کام پر پولرائزنگ بحث سے غیر حاضر ہے جس نے مردوں کو مشینوں کے خلاف کھڑا کیا ہے۔ اور یہ اس مرکزی فینٹم اسپیس میں ہے کہ جدید کمپنیوں نے کارکردگی میں غیر معمولی بہتری حاصل کرتے ہوئے اپنے کام کے طریقہ کار کو از سر نو ایجاد کیا ہے۔

میں دوبارہ مہارت حاصل کر رہا ہوں۔

کتاب کے دیباچے میں، FBK ICT Fondazione Bruno Kessler Center کے ڈائریکٹر Paolo Traverso نے دونوں مصنفین کے مقالے کا بہت اچھی طرح سے خلاصہ کیا ہے۔ لکھتے ہیں:

کام کے احساس کا عنوان میں اعلان کیا گیا ہے: مستقبل مشینوں میں نہیں ہوتا ہے، جیسا کہ وہ ہو سکتا ہے ذہین، یہ خالص صنعتی آٹومیشن میں نہیں ہے، یہاں تک کہ اگر سب سے زیادہ معمول کے اعلی فیصد کو تبدیل کرنے کے لئے زیادہ سے زیادہ دھکیل دیا جائے اور ہر پیشے کے کم تخلیقی اجزاء۔ معاشرے کا مستقبل، بلکہ مارکیٹ اور کاروبار کا بھی، دراصل وہ جگہ ہے جہاں مشینیں اور لوگ مل کر کام کرتے ہیں، جہاں تجارت بلکہ کاروباری ماڈلز کی بھی کافی حد تک تجدید کی جائے گی۔ مصنوعی ذہانت کو لوگوں، ان کی صلاحیتوں، ان کی تخلیقی صلاحیتوں کو تبدیل نہیں کرنا چاہیے، بلکہ اسے ان میں اضافہ کرنا چاہیے، اسے ان میں اضافہ کرنا چاہیے۔

ایسا ہونے کا بنیادی فائدہ اس میں مضمر ہے جسے مصنفین ری اسکلنگ کہتے ہیں، یعنی ہر عمر کے لاکھوں لوگوں کو نئی ٹیکنالوجیز کے ساتھ کام کرنے کے لیے تیار کرنا۔ ایک ٹائٹینک لیکن ناگزیر اقدام۔

یہاں تک کہ اریانا ہفنگٹن جیسی پشیمان ٹیکنولوجسٹ، جو اب رابطہ منقطع کرنے کی وکالت کرتی ہے، نے ان دونوں مصنفین کے کام کی بہت تعریف کی جو بالآخر انسانی حالت کے اندر ٹیکنالوجی کو جذب کرنے کی سمت جاتی ہے جب تک کہ یہ اس کا لازمی حصہ نہ بن جائے۔ یہاں یہ ہے کہ ہفنگٹن کتاب کے بارے میں اسے کس طرح رکھتا ہے:

"Human + Machine میں، Daugherty اور Wilson مستقبل کا ایک ماڈل فراہم کرتے ہیں جس میں مصنوعی ذہانت ہمارے انسانی پہلو کو بڑھاتی ہے۔ مثالوں، ہدایات اور الہام سے بھری، یہ کتاب مصنوعی ذہانت کو سمجھنے کے لیے ایک عملی گائیڈ ہے — اس کا ہماری زندگیوں کے لیے کیا مطلب ہے اور ہم اس سے کس طرح فائدہ اٹھا سکتے ہیں۔"

ذیل میں ہم Daugherty اور Wilson کی کتاب سے دو مختصر اقتباسات فراہم کرتے ہیں۔ پہلا مصنوعی ذہانت کی مختصر تاریخ کے بارے میں ہے۔ تاریخ ہمیشہ سمجھنے کی خدمت کرتی ہے۔ دوسرا، تاہم، ٹیکنالوجی کے برجوں کے سیٹ پر بحث کرتے ہوئے معاملے کے دل تک پہنچ جاتا ہے جو آج مصنوعی ذہانت بناتے ہیں۔ جوہر میں، ترقی کے اس مرحلے پر مصنوعی ذہانت بنیادی طور پر گہری تعلیم ہے۔ ہم اب بھی اسے کنٹرول کر سکتے ہیں۔

پڑھنے سے لطف اٹھائیں۔

ہے. ہے. ہے.

مصنوعی ذہانت کی مختصر تاریخ

1956

انکولی عمل کے موجودہ دور کے پیچھے ڈرائیونگ ٹیکنالوجی مصنوعی ذہانت ہے، جو گزشتہ دو دہائیوں میں تیار ہوئی ہے۔ مختصراً اس کی تاریخ ہمیں ایک ایسا سیاق و سباق فراہم کرے گی جس میں اس کی جدید ترین خصوصیات اور صلاحیت کو مرتب کیا جائے۔

مصنوعی ذہانت کا شعبہ باضابطہ طور پر 1956 میں پیدا ہوا، جب کمپیوٹر سائنس دانوں اور محققین کا ایک چھوٹا گروپ جان میک کارتھی کی قیادت میں، اور جس میں کلاڈ شینن، مارون منسکی اور دیگر شامل تھے، ڈارٹ ماؤتھ کالج میں پہلی کانفرنس کے لیے ملاقات کی جو اس امکان کے لیے وقف تھی۔ ذہانت انسانی ذہانت کی نقل کر سکتی ہے۔

کانفرنس، بنیادی طور پر ایک طویل دماغی طوفان کا سیشن، اس مفروضے پر مبنی تھی کہ سیکھنے اور تخلیقی صلاحیتوں کے ہر پہلو کو اس طرح درست طریقے سے بیان کیا جا سکتا ہے کہ یہ ایک ریاضیاتی ماڈل بن سکتا ہے، اس لیے مشینوں کے ذریعے اس کی نقل تیار کی گئی۔ اہداف مہتواکانکشی تھے، ڈیزائن کی تجویز سے شروع کرتے ہوئے: "کوئی بھی کوشش کی جائے گی کہ مشین کو زبان، شکل، تجرید اور تصورات کو استعمال کرنے کے قابل کیسے بنایا جائے، فی الحال انسانوں تک محدود مسائل کو حل کیا جائے، اور خود کو بہتر بنایا جائے۔" . یقینا، یہ صرف آغاز تھا.

کانفرنس نے فوری طور پر میدان کو تنگ کرنے اور مصنوعی ذہانت کے تصور کے گرد گھومنے والے بہت سے ریاضیاتی نظریات کو یکجا کرنے میں کامیابی حاصل کی۔

علمبردار

اور اس کے بعد کی دہائیوں میں، اس نے تحقیق کے مکمل طور پر نئے شعبوں کو متاثر کیا۔ مثال کے طور پر، منسکی نے سیمور پیپرٹ کے ساتھ مل کر، نیورل نیٹ ورکس کی حدود اور امکانات پر بنیادی کتاب لکھی، جو مصنوعی ذہانت کی ایک قسم ہے جو حیاتیاتی نیوران کو بطور نمونہ استعمال کرتی ہے۔ دیگر آئیڈیاز جیسے کہ ماہرانہ نظام - جس میں کمپیوٹر مخصوص شعبوں جیسے فن تعمیر یا طبی تشخیص سے متعلق "علم" کے گہرے ذخائر سے لیس ہوتا ہے - یا قدرتی زبان کی پروسیسنگ، کمپیوٹر ویژن اور پورٹیبل روبوٹکس، کو بھی اس تقریب میں تلاش کیا جا سکتا ہے۔

کانفرنس کے شرکاء میں آرتھر سیموئیل، ایک IBM انجینئر تھا جو چیکرس کھیلنے کے لیے ایک کمپیوٹر پروگرام بنا رہا تھا۔ اس کے پروگرام نے بورڈ کی حالت کا اندازہ لگایا اور ان امکانات کا حساب لگایا کہ ایک دی گئی پوزیشن فتح کا باعث بن سکتی ہے۔

1959 میں، سیموئیل نے ایکسپریشن مشین لرننگ، "آٹومیٹک لرننگ" وضع کیا: یعنی وہ تحقیقی شعبہ جو کمپیوٹر کو واضح طور پر پروگرام کیے بغیر سیکھنے کی صلاحیت کو منسوب کرتا ہے۔ 1961 میں اس کا مشین لرننگ پروگرام ریاستہائے متحدہ میں چوتھے سب سے بڑے چیکرس کھلاڑی کو شکست دینے کے لیے استعمال کیا گیا۔

لیکن چونکہ سیموئل ایک پرائیویٹ شخص تھا اور خود کو فروغ دینے کی سیاست پر عمل نہیں کرتا تھا، اس لیے 1966 میں IBM سے ان کی ریٹائرمنٹ تک مشین لرننگ پر ان کے کام کی اہمیت عوام کے علم میں نہیں آئی تھی۔

مشین لرننگ

کانفرنس کے بعد کی دہائیوں میں، مشین لرننگ غیر واضح رہی کیونکہ توجہ AI کے دوسرے ماڈلز کی طرف مبذول ہوئی۔ خاص طور پر، XNUMX اور XNUMX کی دہائیوں میں کی گئی تحقیق نے جسمانی علامتوں پر مبنی ذہانت کے تصور پر توجہ مرکوز کی اور منطقی اصولوں سے جوڑ توڑ کی۔ تاہم، ان علامتی نظاموں کو عملی طور پر کامیابی نہیں ملی، اور ان کی ناکامی نے "مصنوعی ذہانت کا موسم سرما" کے نام سے جانا جانے والا دور شروع کیا۔

تاہم، 1990 کی دہائی میں، مشین لرننگ ایک بار پھر پروان چڑھنے لگی اور اس کے حامیوں نے اپنے نقطہ نظر میں مربوط اعداد و شمار اور امکانی نظریہ کو اپنایا۔ اسی دوران پرسنل کمپیوٹر کا انقلاب شروع ہوا۔ اگلی دہائی کے دوران، ڈیجیٹل سسٹمز، سینسرز، انٹرنیٹ، اور سیل فونز عام ہو جائیں گے، جو مشین لرننگ کے ماہرین کو ہر طرح کا ڈیٹا فراہم کریں گے کیونکہ وہ اپنا اپنانے والا نظام تیار کر رہے ہیں۔

آج ہم مشین لرننگ پروگرام کو ڈیٹا سیٹ پر مبنی ماڈل بلڈر کے طور پر سوچتے ہیں جسے انجینئرز اور ماہرین سسٹم کو تربیت دینے کے لیے استعمال کرتے ہیں۔ یہ روایتی کمپیوٹر پروگرامنگ کے بالکل برعکس ہے۔ معیاری الگورتھم جامد ہدایات یا پروگرامر کوڈ کے ذریعے حرکت میں آنے والے پہلے سے طے شدہ راستوں کی پیروی کرتے ہیں۔ دوسری طرف، مشین لرننگ سسٹم سیکھ سکتا ہے جیسا کہ یہ کام کرتا ہے۔ ڈیٹا کے ہر نئے سیٹ کے ساتھ، یہ اپنے ماڈلز کو اپ ڈیٹ کرتا ہے اور یہ دنیا کو کس طرح "دیکھتا" ہے۔ اس دور میں جہاں مشینیں تجربے اور معلومات کے ذریعے سیکھ سکتی ہیں اور بدل سکتی ہیں، پروگرامرز کم سے کم قانون ساز اور آمر بن گئے ہیں، اور اساتذہ اور کوچز کی طرح بہت کچھ۔

آج کی طرح آج

آج، مصنوعی ذہانت کے نظام جو مشین لرننگ کو ملازمت دیتے ہیں ہر جگہ موجود ہیں۔ بینک انہیں دھوکہ دہی سے بچانے کے لیے استعمال کرتے ہیں۔ ڈیٹنگ سائٹس انہیں ممکنہ میچوں کی تجویز کرنے کے لیے استعمال کرتی ہیں۔ مارکیٹرز ان کا استعمال یہ پیشین گوئی کرنے کے لیے کرتے ہیں کہ کون کسی اشتہار کو موافق جواب دے گا۔ اور فوٹو شیئرنگ سائٹس انہیں خودکار چہرے کی شناخت کے لیے استعمال کرتی ہیں۔ چیکرس کے پہلے کھیل کے بعد ایک طویل راستہ آ گیا ہے. 2016 میں، Google AlphaGo نے میدان میں ایک اہم پیش رفت کا نشان لگایا۔ پہلی بار، ایک کمپیوٹر نے گو کے چیمپیئن کو شکست دی ہے، یہ چیکرس یا شطرنج سے کہیں زیادہ پیچیدہ کھیل ہے۔ وقت کی علامت کے طور پر، الفاگو نے اس قدر غیر متوقع حرکتیں کی ہیں کہ کچھ مبصرین نے انہیں تخلیقی، یہاں تک کہ "خوبصورت" کہا ہے۔

مصنوعی ذہانت اور مشین لرننگ کی ترقی گزشتہ برسوں کے دوران وقفے وقفے سے ہوتی رہی ہے، لیکن جس طرح سے دونوں نے حال ہی میں پروڈکٹس اور کاروباری کاموں کو توڑا ہے اس سے ظاہر ہوتا ہے کہ وہ ایک اہم کردار کے لیے تیار ہیں۔ ڈینی لینج کے مطابق، Uber میں مشین لرننگ کے سابق سربراہ، ٹیکنالوجی نے بالآخر ریسرچ لیبز کی دیواریں چھوڑ دی ہیں اور تیزی سے "اس طوفانی نئی صنعتی تبدیلی کا سنگ بنیاد" بن رہی ہے۔

سمارٹ ٹیکنالوجیز اور ایپلی کیشنز: وہ کیسے ایک ساتھ رہ سکتے ہیں؟

یہاں AI ٹیکنالوجیز کے نکشتر کی ایک لغت ہے جس کے بارے میں آپ کو آج آگاہ ہونے کی ضرورت ہے۔ یہ ٹیکنالوجیز نیچے دی گئی تصویر کے مطابق مشین لرننگ، مصنوعی ذہانت کی صلاحیتوں اور ایپلیکیشن لیئرز سے مطابقت رکھتی ہیں۔

مشین لرننگ کے اجزاء

- مشین لرننگ (ML). کمپیوٹر سائنس کا شعبہ جو الگورتھم سے نمٹتا ہے جو ڈیٹا سے سیکھتے ہیں اور ڈیٹا سے واضح طور پر پروگرام کیے بغیر پیشین گوئیاں کرتے ہیں۔ یہ ایک ایسا علاقہ ہے جس کی جڑیں IBM کے آرتھر سیموئل کی تحقیق میں ہیں، جنہوں نے 1959 میں یہ اصطلاح بنائی اور کمپیوٹر گیمز پر اپنے کام میں مشین لرننگ کے اصولوں کو استعمال کیا۔ الگورتھم کو تربیت دینے کے لیے دستیاب ڈیٹا کے پھٹنے کی بدولت، مشین لرننگ کو اس وقت مختلف شعبوں میں استعمال کیا جا رہا ہے جتنا کہ کمپیوٹر ویژن ریسرچ، فراڈ کی تحقیقات، قیمت کی پیشن گوئی، قدرتی زبان کی پروسیسنگ، اور اس سے بھی زیادہ۔

- زیر نگرانی تعلیم. مشین لرننگ کی ایک قسم جس میں مثالی ان پٹ اور مطلوبہ آؤٹ پٹس پر مشتمل پہلے سے درجہ بند اور منتخب کردہ ڈیٹا الگورتھم کو پیش کیا جاتا ہے۔ الگورتھم کا مقصد ان عام اصولوں کو سیکھنا ہے جو ان پٹ کو آؤٹ پٹس سے جوڑتے ہیں اور ان اصولوں کا استعمال صرف ان پٹ ڈیٹا سے مستقبل کے واقعات کی پیش گوئی کرنے کے لیے کرتے ہیں۔

- غیر زیر نگرانی تعلیم. الگورتھم کو لیبل کے ساتھ فراہم نہیں کیا جاتا ہے، اسے ڈھانچے اور ان پٹ ماڈلز تلاش کرنے کے لیے اکیلا چھوڑ دیا جاتا ہے۔ غیر زیر نگرانی سیکھنا اپنے آپ میں ایک خاتمہ ہوسکتا ہے (ڈیٹا میں چھپے ہوئے نمونوں کو دریافت کرنے کے لحاظ سے) یا کسی خاص چیز کا مقصد (مثلاً، ڈیٹا سے متعلقہ خصلتوں کو نکالنا)۔ زیر نگرانی سیکھنے کی بجائے آؤٹ پٹ پر کم توجہ مرکوز کی جاتی ہے، اور ان پٹ ڈیٹا کو تلاش کرنے اور پوشیدہ ڈھانچے اور غیر نشان زدہ ڈیٹا کا اندازہ لگانے پر زیادہ توجہ مرکوز ہوتی ہے۔

- نیم زیر نگرانی تعلیم. ٹیگ شدہ اور غیر ٹیگ شدہ ڈیٹا کا استعمال کریں — عام طور پر پلس سیکنڈز۔ بہت سے محققین نے پایا ہے کہ دونوں ڈیٹا سیٹوں کا امتزاج سیکھنے کے عمل کی درستگی کو کافی حد تک بڑھاتا ہے۔

- کمک سیکھنا. یہ ایک قسم کی تربیت ہے جس میں ایک الگورتھم کو ایک مخصوص مقصد تفویض کیا جاتا ہے، جیسے کہ مکینیکل بازو چلانا یا Go کھیلنا۔ الگورتھم کی طرف سے کی جانے والی ہر حرکت کو انعام یا سزا دی جاتی ہے۔ فیڈ بیک الگورتھم کو مقصد کے لیے سب سے موثر راستہ بنانے کی اجازت دیتا ہے۔

- اعصابی نیٹ ورک. مشین لرننگ کی ایک قسم جس میں ایک الگورتھم، مشاہداتی ڈیٹا سے سیکھتا ہے، انسانی اعصابی نظام کی طرح معلومات پر کارروائی کرتا ہے۔ 1957 میں، کارنیل یونیورسٹی کے فرینک روزن بلاٹ نے پہلا نیورل نیٹ ورک ایجاد کیا، ایک سادہ، واحد سطحی فن تعمیر (جسے سطحی نیٹ ورک کہا جاتا ہے)۔

- گہری سیکھنے اور سبسیٹ: ڈیپ نیورل نیٹ ورکس (DNN)، ریکرنٹ نیورل نیٹ ورکس (rnn)، اور فیڈ فارورڈ نیورل نیٹ ورکس (FNN)۔ ملٹی لیول نیورل نیٹ ورک کی تربیت کے لیے تکنیکوں کا سیٹ۔ ڈی این این میں "سمجھا ہوا" ڈیٹا مختلف سطحوں کے ذریعے پروسیس کیا جاتا ہے۔ ہر سطح پچھلے ایک کے آؤٹ پٹ کو بطور ان پٹ استعمال کرتی ہے۔ rnn ڈیٹا کو سطحوں کے درمیان آگے پیچھے بہنے کی اجازت دیتا ہے، fnn کے برعکس، جہاں ڈیٹا یک طرفہ ہوتا ہے۔

ذہین مہارت کے اجزاء

- پیشن گوئی کا نظام. وہ نظام جو متعلقہ نتائج کے ساتھ تاریخی ڈیٹاسیٹس میں متغیرات کے درمیان تعلق تلاش کرتا ہے۔ تعلقات کو ماڈل تیار کرنے کے لیے استعمال کیا جاتا ہے، جو بدلے میں مستقبل کے منظرناموں کی پیش گوئی کرنے کے لیے استعمال ہوتے ہیں۔

- مقامی تلاش (اصلاح). مسئلہ حل کرنے کا ایک ریاضیاتی نقطہ نظر جو ممکنہ حلوں کے ایک بڑے سیٹ کا استعمال کرتا ہے۔ الگورتھم سیریز کے ایک نقطہ سے شروع ہونے والے بہترین حل کی تلاش کرتا ہے اور تکراری اور منظم طریقے سے پڑوسی حلوں کی طرف بڑھتا ہے جب تک کہ اسے بہترین حل نہ مل جائے۔

- علم کی نمائندگی. مصنوعی ذہانت کا ایک شعبہ دنیا کے بارے میں معلومات کو اس شکل میں پیش کرنے کے لیے وقف ہے جسے کمپیوٹر کاموں کو انجام دینے کے لیے استعمال کر سکتا ہے، جیسے کہ طبی تشخیص کرنا یا کسی شخص کے ساتھ بات چیت کرنا۔

- ماہر نظام (تخمینہ). ایک ایسا نظام جو سیکٹرل علم (طب، کیمسٹری، قانون) کو قواعد پر مبنی انجن کے ساتھ استعمال کرتا ہے جو فیصلہ کرتا ہے کہ اس علم کو کس طرح لاگو کیا جاتا ہے۔ نظام میں بہتری آتی ہے جیسے جیسے نئی معلومات شامل کی جاتی ہیں یا جیسے جیسے قواعد کو اپ ڈیٹ یا بڑھایا جاتا ہے۔

- کمپیوٹر ویژن. کمپیوٹرز کو تصویروں اور ویڈیوز کے مواد کی شناخت، درجہ بندی اور سمجھنا، انسانی وژن کی تقلید اور عمل درآمد کرنے کی تعلیم دینے کے لیے وقف ہے۔

- آڈیو سگنلز کی پروسیسنگ. مشین لرننگ جو آڈیو اور دیگر ڈیجیٹل سگنلز کا تجزیہ کرنے کے لیے استعمال کی جا سکتی ہے، خاص طور پر ایسے ماحول میں جہاں آواز سنترپتی ہو۔ ایپلی کیشنز میں کمپیوٹیشنل اسپیچ اور آڈیو اور آڈیو ویژول پروسیسنگ شامل ہیں۔

متن سے تقریر. نیورل نیٹ ورکس جو آڈیو سگنلز کو مختلف قدرتی زبانوں میں ٹیکسٹ سگنلز میں تبدیل کرتے ہیں۔ ایپلی کیشنز میں ترجمہ، وائس کمانڈ اور کنٹرول، آڈیو ٹرانسکرپشن اور بہت کچھ شامل ہے۔

- قدرتی زبان کی پروسیسنگ (NLP، قدرتی زبان پروسیسنگ) ایک ایسا ڈومین جس میں کمپیوٹر انسانی (قدرتی) زبانوں پر کارروائی کرتے ہیں۔ درخواستوں میں تقریر کی شناخت، مشینی ترجمہ، جذبات کا تجزیہ شامل ہے۔

AI درخواست کے اجزاء

- ذہین ایجنٹس. وہ ایجنٹ جو فطری زبان کے ذریعے لوگوں سے بات چیت کرتے ہیں۔ ان کا استعمال کسٹمر سروس، انسانی وسائل، انٹرنشپ اور کاروبار کے دیگر شعبوں میں انسانی محنت کو نافذ کرنے کے لیے کیا جا سکتا ہے جہاں FAQ ٹیمپلیٹ کی درخواستوں کو سنبھالا جاتا ہے۔

تعاونی روبوٹکس (کوبوٹس). روبوٹس جو سست رفتاری سے کام کرتے ہیں اور ایسے سینسر سے لیس ہوتے ہیں جو انسانی ساتھیوں کے ساتھ محفوظ تعامل کی اجازت دیتے ہیں۔

- بایومیٹرک، چہرے اور اشاروں کی شناخت. انسانی مشین کے تعامل، یا شناخت اور تصدیق کے مقاصد کے لیے بائیو میٹرک پیمائش (تناؤ، سرگرمی، وغیرہ) میں لوگوں، اشاروں، یا رجحانات کی شناخت کریں۔

- ذہین آٹومیشن. یہ روایتی آپریشن کو یکسر تبدیل کرنے کے لیے کچھ کاموں کو انسان سے مشین میں منتقل کرتا ہے۔ مشینوں کی صلاحیت اور صلاحیتوں (رفتار، طول و عرض، پیچیدگی کو روکنے کی صلاحیت) کے ذریعے، یہ اوزار انسانی کام کی تکمیل کرتے ہیں اور جہاں ممکن ہو اسے وسعت دیتے ہیں۔

- سفارشی نظام. وہ الگورتھم کے ذریعہ وقت کے ساتھ شناخت شدہ لطیف نمونوں کی بنیاد پر سفارشات فراہم کرتے ہیں۔ انہیں نئی ​​مصنوعات تجویز کرنے کے لیے صارفین کو نشانہ بنایا جا سکتا ہے یا اسٹریٹجک تجاویز کے لیے اندرونی طور پر استعمال کیا جا سکتا ہے۔

- سمارٹ مصنوعات. ذہانت کو ڈیزائن میں شامل کیا گیا ہے تاکہ وہ صارفین کی ضروریات اور ترجیحات کو پورا کرنے اور ان کا اندازہ لگانے کے لیے مسلسل تیار ہو سکیں۔

- پرسنلائزیشن. انفرادی صارفین یا صارفین کے لیے ٹولز اور مصنوعات کو بہتر بنانے کے لیے صارفین اور ملازمین کے رجحانات اور نمونوں کا تجزیہ کریں۔

- متن، تقریر، تصویر اور ویڈیو کی پہچان. یہ متن، تقریر، تصاویر اور ویڈیو سے ڈیٹا کی ترجمانی کرتا ہے اور ایسی انجمنیں بناتا ہے جن کا استعمال تجزیاتی سرگرمیوں کو وسیع کرنے اور تعامل اور وژن کے لیے جدید ایپلی کیشنز کو فعال کرنے کے لیے کیا جا سکتا ہے۔

- فروزاں حقیقت. تربیت، دیکھ بھال اور دیگر کاموں میں ذہانت کو شامل کرنے کے لیے AI کی طاقت کو ورچوئل، بڑھا ہوا اور مخلوط حقیقت والی ٹیکنالوجیز کے ساتھ جوڑیں۔