جنریٹو AI: ایک ہائپربل کو تبدیلی کی تمثیل میں تبدیل کرنے میں کیا ہوتا ہے۔

1.    جنریٹو اے آئی کی طرف مصنوعی ذہانت کی ارتقائی تبدیلی

 مصنوعی ذہانت (AI) اور مشین لرننگ (ML) تکنیکوں میں تیزی سے پیشرفت - مثال کے طور پر، قدرتی زبان کی پروسیسنگ (NLP) اور بڑے لینگویج ماڈلز (LLM) کی صلاحیتوں نے کاروبار، حکومت اور معاشرے کے کام کاج پر ٹیکنالوجی کے وسیع پیمانے کو تیز کر دیا ہے۔ حالیہ دنوں AI/ML کی ارتقائی تبدیلی کا ایک حصہ، تخلیقی AI صلاحیتوں سے چلنے والے بڑے لینگویج ماڈلز جدت کے استعمال کے معاملات کی تلاش اور کاروباری فرموں کے ذریعہ ان کو اپنانے کے لیے گہری دلچسپی کے موضوع کے طور پر ابھرے ہیں۔ یہ ماڈل متنوع ڈومینز ڈیٹا کے بڑے کارپس پر پہلے سے تربیت یافتہ ہیں اور اپنے نتائج کی درستگی میں ترقی پذیر اضافہ کے لیے غیر زیر نگرانی یا نیم زیر نگرانی سیکھنے کے طریقوں کو اپنانے کے لیے ڈیزائن کردہ صلاحیتوں پر مشتمل ہیں۔

تخلیقی AI کا ظہور تمام ڈومینز میں خلل ڈالنے والی جدت طرازی کے نئے محاذ کھولتا ہے - کاروباری ماڈلز کو نئی شکل دینا اور ذہین ایپلی کیشنز کی نئی شکلوں کو بڑھانا۔ مارکیٹ ریسرچ اس بات کی نشاندہی کرتی ہے کہ اگلے 32.2 سالوں میں 5 فیصد کی سی اے جی آر سے بڑھتی ہوئی عالمی پیداواری AI مارکیٹ 53.9 تک 2028 بلین ڈالر تک پہنچ جائے گی۔ بنیادی guardrails کی ترتیب.

 2.    وعدہ اور امکان

نومبر 2022 میں ریلیز ہونے کے بعد LLM سے چلنے والے ChatGPT کے ذریعے تخلیق کردہ بڑے پیمانے پر بز نے غیر متوقع طور پر تخلیقی AI کو ٹیکنالوجی کے انقلاب کے مرکز میں لایا ہے۔ وسیع جنون کو ایک طرف رکھتے ہوئے، ChatGPT - بڑے ملٹی موڈل ماڈل کی ایک مثال کے طور پر، جدت اور پیداواری صلاحیت کے مقصد سے ادراک کے استعمال کے معاملات کے ساتھ کاروبار کو دوبارہ ایجاد کرنے کے لیے تخلیقی صلاحیتوں کی ایک وسیع رینج لاتا ہے۔ انسان جیسی گفتگو، متن/تصویر/ویڈیو مواد کی تخلیق یا تدوین، گفتگو یا مواد کا خلاصہ، تکنیکی تحریر اور تصنیف تخلیقی AI کی تخلیقی صلاحیتوں کی بنیادی مثالیں ہیں۔ بڑھتی ہوئی دلچسپی کے درمیان، ٹکنالوجی کے بڑے اداروں کی طرف سے مختلف آف دی شیلف پہلے سے تربیت یافتہ LLM ماڈلز اور پلیٹ فارمز کا جنونی آغاز صنعت میں AI کو اپنانے کا ایک نیا راستہ طے کرتا ہے تاکہ کاروباری فرموں کے لیے جنریٹو AI تک جمہوری رسائی کو ممکن بنایا جا سکے۔

اگرچہ ڈومینز کے وسیع میدانوں میں تخلیقی AI سے چلنے والے تبدیلی کے خیالات کے وعدے نے لوگوں کے تصور کو اپنی لپیٹ میں لے لیا، ممکنہ خطرات اور اخلاقی مسائل کے بارے میں بڑھتے ہوئے خدشات اندرونی کمزوریوں کی نشاندہی کرتے ہیں – اگر ان پر توجہ نہ دی جائے۔ حقائق کی درستگی کا فقدان، خیالی یا خیالی پیداوار، کم جذباتی ذہانت، اور ہمدردی کے ساتھ ساتھ پریشان کن یا تصادم کے ردعمل حقیقی دنیا کے خطرات ہیں جن سے تمام کاروباری منظرناموں میں گریز کیا جانا چاہیے۔ ہر وقت، انسانی صلاحیت کی بے عزتی اور ملازمت سے محرومی، تاریک تصورات، امتیازی سلوک، اور تعصب سے متعلق خدشات جنریٹیو AI کے بے قابو کام کرنے سے پیدا ہونے والی سنگین اخلاقی پابندیاں ہیں۔ نیز، LLMs کی تربیت میں کمپیوٹنگ کی بڑی طاقت کو سپورٹ کرنے کے لیے بڑے پیمانے پر توانائی کی کھپت جس کے نتیجے میں کاربن فوٹ پرنٹ میں اضافہ آنے والے سالوں میں کاربن نیوٹرل کرنے کے فرموں کے ارادے کو روکتا ہے۔

3.    مالیاتی اداروں کا مخمصہ

تخلیقی AI کے نئے پن کے بارے میں ابتدائی تجسس اور جوش کے علاوہ، مالیاتی فرموں کا ایک بڑا حصہ اب بھی بڑی تصویر کے تناظر کو حقیقت پسندانہ طور پر سمجھنے کے لیے جدوجہد کر رہا ہے- اس کی عملی مطابقت، اطلاق کے علاقوں اور استعمال کے معاملات، اخراجات اور فوائد کے ساتھ ساتھ قانونی اور کاروبار کو اپنانے میں شامل ریگولیٹری خطرات۔ مواقع اور اخراجات کے غیر واضح سپیکٹرم کے ساتھ ساتھ اپنی مرضی کے مطابق حل تیار کرنے کے لیے انٹرپرائز کی سطح کو اپنانے کی سمت مربوط اگلے اقدامات کے بارے میں شاید ہی کوئی قابل اعتماد جوابات ہوں۔ اس کے علاوہ، ڈیٹا پرائیویسی، سرقہ، کاپی رائٹ کی خلاف ورزی اور ریگولیٹری ابہام سے متعلق خدشات صنعت میں ابتدائی طور پر اپنانے کے ایک بڑے منظر نامے کو مزید کمزور کر دیتے ہیں۔

شدید ہائپ کے درمیان، مالیاتی خدمات کے منظر نامے میں جنریٹیو AI کو اپنانے کے لیے دو متضاد طریقے ابھر رہے ہیں۔ سرکردہ مالیاتی فرموں کی طرف سے لیے گئے مختلف پوزیشنیں اس مخمصے کی نشاندہی کرتی ہیں جو صنعت کو اس کی مستقبل کی سمتوں کے بارے میں درپیش ہیں۔ ایک سرے پر، فرموں نے مکمل طور پر تیار کردہ اسٹریٹجک اقدام کا آغاز کیا ہے جس پر توجہ مرکوز کی گئی ہے جنریٹو AI– یعنی تجربات سے آگے، مخصوص ایپلی کیشن کے شعبوں میں اپنانے پر توجہ مرکوز کی گئی ہے تاکہ پیداواری صلاحیت کو بڑھانے کے لیے مخصوص استعمال کے معاملات پر توجہ دی جا سکے اور بیسپوک حل کے ذریعے ذہین بصیرت کو بڑھایا جا سکے۔ دوسرے سرے پر، فرمیں انتہائی محتاط ہیں اور خطرے پر قابو پانے اور ریگولیٹری تعمیل کے خدشات کو مدنظر رکھتے ہوئے، کم از کم قریبی مدت میں اپنانے کے کسی تصور سے دور رہتی ہیں - بشمول تھرڈ پارٹی سافٹ ویئر کے مسائل، کلائنٹ کی خفیہ معلومات کی حساسیت اور ڈیٹا کی رازداری کی خلاف ورزی۔ دو متضاد انتہاؤں کے درمیان، فرموں کی تلاش اور تجربہ شروع کرنے کے ابتدائی ارادے کے لیے ایک وسیع تشخیص کی ضرورت ہے۔ ذمہ دار AI اصولوں، کاروبار اور استعمال کے معاملات کی تکنیکی عملداری، اور بنیادی کاروباری عمل کے ساتھ LLM کے انضمام کے لیے اہم طور پر قابل اعتماد تعمیراتی تعمیرات کی رہنمائی بنیادی ضروریات بن جاتی ہے۔

4.    انٹرپرائز پیمانے کو اپنانا: کلیدی ضروریات

اگرچہ مستقبل کی سمتوں اور صنعت کی طرف سے جنریٹو AI کو اپنانے کے راستے کے بارے میں پیشین گوئی کرنا بہت جلد ہے، FOMO (چھوٹ جانے کا خوف) سنڈروم مالیاتی فرموں کی سوچ پر حاوی ہونے کی توقع کی جاتی ہے کہ وہ ایک محدود سیٹ کے لیے تجربات میں سرمایہ کاری کریں۔ - مرکوز استعمال کے معاملات۔ اہم بات یہ ہے کہ مالیاتی فرموں کے بنیادی کاروباری عمل میں تخلیقی AI پر مبنی صلاحیتوں کے انضمام کے لیے بنیادی عوامل کے وسیع جائزے کی ضرورت ہے۔ استعمال کے کیس فوکس، کم تقابلی خصوصیات، اور دستیاب LLMs کی پیچیدہ بینچ مارکنگ پر وسیع اختلاف کو مدنظر رکھتے ہوئے، ان کی صلاحیتوں اور تجارتی اور تعیناتی کی شرائط کا جائزہ لینا ایک مشکل مشق بن جاتا ہے۔ اس میں ان کے کنٹرول اور تخفیف کے اقدامات کے علاوہ استعمال کے معاملات کی مناسبیت، اختراعی خصوصیات کے لاگت سے فائدہ کا تجزیہ، ٹیکنالوجی کی قابل عملیت، انسانی اثرات کے ساتھ ساتھ قانونی، ریگولیٹری، اور ساکھ کے خطرات کی باریکیوں کا تفصیلی جائزہ شامل ہے۔

ٹیکنالوجی کے نقطہ نظر سے، جنریٹو AI کو انٹرپرائز پیمانے پر اپنانا تنقیدی طور پر ٹیکنالوجی اور ڈیٹا ایکو سسٹم کے عوامل پر منحصر ہے – بشمول ڈیٹا سائنس کے طریقوں اور کاروباری فرم کے پلیٹ فارمز۔ متنوع ایپلی کیشن کے شعبوں میں حل کیے جانے والے کاروباری مسئلے کے سیاق و سباق کے علاوہ، AI کو اپنانے کی پختگی کی سطح اور ماڈلنگ پلیٹ فارم اور ٹولز کی تیاری کے ساتھ ساتھ ڈیٹا انجینئرنگ پائپ لائنوں کی اسکیلنگ جنریٹیو AI فوکسڈ ویلیو ایکسپلوریشن کے راستے پر آگے بڑھنے کے لیے کلیدی تقاضے ہیں۔ مختلف اوپن سورس یا ملکیتی ماڈلز، نئی نسل کے ماڈلنگ ٹولز اور ورک فلو کے ساتھ ساتھ اعلیٰ کارکردگی والے کمپیوٹیشن انفراسٹرکچر کے انتظامات تک رسائی کو قابل بنا کر انٹرپرائز AI پلیٹ فارم کا قابل قدر اضافہ بنیادی پہلا قدم ہے۔

4.1  صحیح ماڈل اور اس کا سیاق و سباق تلاش کرنا

کاروباری استعمال کے معاملات کی مرکزیت کے مطابق، فرموں کے پاس دستیاب LLMs کی رینج سے ایک ماڈل منتخب کرنے کے اختیارات ہیں - اوپن سورس (جیسے، Meta's OPT، LLaMA، EleutherAI's GPT-NeoX، Hugging Face' Bloom، Google's PaLM، Databricks's Dolly 2.0، Stability .AI کا StableLM) یا بند ملکیتی ماڈلز (جیسے، OpenAI سے ChatGPT، Databricks سے Dolly، AI21 Labs سے Jurassic، Cohere، LightOn)۔ عام طور پر، اوپن سورس ماڈلز ڈویلپرز کا ایک بھرپور ماحولیاتی نظام پیش کرتے ہیں جس میں تیز رفتار تکرار سائیکل کی صلاحیت کے ساتھ ساتھ تخمینہ اور اسکیلنگ کے لیے اصلاح کے لیے بہتر تکنیک بھی ہوتی ہے۔ دوسرے اہم غور و فکر میں بڑے سائز کے عمومی مقصد کے ماڈل کا انتخاب شامل ہے جو وسیع کاروباری ڈومینز کو پورا کرتا ہے یا نسبتاً ہلکے سائز کے ڈومین مخصوص ماڈل (مثلاً، مالیات کے لیے بلومبرگ جی پی ٹی)۔ مختلف استعمال کے کیسز کی کوریج کے ساتھ دستیاب پہلے سے تربیت یافتہ ماڈلز کی کثرت کو دیکھتے ہوئے، کسی فرم کے لیے شروع سے اپنا ماڈل بنانا کم سے کم عملی آپشن ہے۔ مزید برآں، یہ نقطہ نظر بڑے اخراجات اٹھانے، ماڈلنگ کی سختی کی پیچیدگیوں سے نمٹنے اور پری ٹریننگ کے تقاضوں کے لیے بڑے ڈومین ڈیٹا کارپس کی فراہمی کے بعد بھی کم قابل اعتماد نتائج پیدا کرنے کے خطرے سے بھرا ہے۔

4.2  فائن ٹیوننگ اور ری ٹریننگ ماڈلز کی لاگت

چند شاٹ لرننگ یا زیرو شارٹ لرننگ کی شکل میں صارف کے ڈیٹاسیٹ کی محدود مقدار کے ساتھ مخصوص ڈومین سیاق و سباق میں دستیاب ماڈلز کی ٹرانسفر لرننگ یا فائن ٹیوننگ کی لچک کاروباری ضروریات کے مطابق تیز تر تعیناتی کے لیے ایک اہم عنصر بن جاتی ہے۔ نیز، ڈیٹا سائنس اور کمپیوٹنگ ٹیکنالوجی کا ارتقاء ماڈلز میں متحرکیت کا عنصر لاتا ہے اور اس کے لیے باقاعدہ اپ گریڈ اور تکرار کی ضرورت ہوتی ہے۔ درحقیقت، یہ ایک نافذ شدہ ماڈل کے لیے نئی سیکھنے، اور دوبارہ تربیت کی ضروریات کو شامل کرتا ہے۔ یہاں تک کہ اگر ٹریننگ ڈیٹا اور ماڈل کے استعمال کے لیے انفرنس API یا سروس کال چارجز عام طور پر ایک ڈالر کے کم 100ویں یا 1000ویں حصے میں دکھائی دیتے ہیں (کہیں، $0.000N/1K ٹوکنز)، ماڈل کو ٹھیک کرنے یا دوبارہ تربیت دینے میں مجموعی لاگت ہو سکتی ہے۔ فلکیاتی طور پر زیادہ مقدار۔ جیسا کہ کلاؤڈ ٹریول کے معاملے میں احساس ہوا، مختلف تعیناتی ماڈلز کے تحت ہائپر اسکیلرز کے ذریعے ڈیٹا کے اخراج اور داخلے کے لیے لاگو کردہ برائے نام ظاہر ہونے والے تجارتی چارجز معمول کے مطابق متوقع OPEX آؤٹگو سے آگے نکل جاتے ہیں۔ اس کے لائف سائیکل میں LLM اپ گریڈ کی غیر متوقع صلاحیت اور اس کے نتیجے میں سیکھنے یا دوبارہ تربیت کی ضروریات کو دیکھتے ہوئے، ان لاگت کے سروں کا حقیقت پسندانہ اندازہ لگانا مشکل ہوگا۔

4.3  ٹیکنالوجی اور کمپیوٹنگ کے بنیادی ڈھانچے کی ضروریات

LLMs کی پیچیدگیوں کو تیز تربیت اور چلانے کے لیے نمایاں طور پر طاقتور کمپیوٹیشنل طاقت کی ضرورت ہوتی ہے۔ ایک سے زیادہ بلین یا ٹریلین سائز کے ٹوکن پیرامیٹرز کی تربیت اور بڑے پیمانے پر ڈیٹا کارپس کی پروسیسنگ میں معاونت کے لیے، اسے متوازی یا تقسیم شدہ سیٹ اپ میں خصوصی ہارڈ ویئر، میموری، اور کمپیوٹ وسائل کی ضرورت ہوتی ہے۔ ایک مثال لینے کے لیے، کچھ تجزیہ بتاتا ہے کہ 380 A2048 GPU پر 100 ٹوکن/سیکنڈ/جی پی یو پر کارروائی کرنے والے پینسٹھ بلین پیرامیٹر LLaMA ماڈل کو تربیت دینے میں 80GB RAM کے ساتھ ڈیٹا سیٹ 1.4 ٹریلین ٹوکنز تقریباً 21 دن لگتے ہیں۔ اس میں GPU اور بنیادی ڈھانچے کی لاگت 4.05 ملین USD ہے۔ ایک سے زیادہ یا تکراری تربیتی منظرناموں کی صورت میں جس میں طویل دورانیہ شامل ہوتا ہے، کمپیوٹنگ کے اخراجات ایک حد سے زیادہ ممنوعہ اعداد و شمار تک پہنچ سکتے ہیں۔ اس طرح، ایک بہترین کارکردگی پر بڑے پیمانے پر پروسیسنگ کو سپورٹ کرنے کے لیے ایک لاگت سے موثر کمپیوٹنگ انفراسٹرکچر کی فراہمی ایک اہم ضرورت بن جاتی ہے۔

4.4  ماڈلنگ ٹولز اور ورک فلو

پہلے سے تربیت یافتہ ماڈلز کے متنوع سیٹ تک رسائی، جدید ماڈلنگ ٹولز اور ایکسلریٹر ڈیزائن، ڈیولپمنٹ، ٹیسٹنگ اور اپنی مرضی کے مطابق حلوں کی تعیناتی کے مراحل میں جدت طرازی کے استعمال کے امکانات کو تلاش کرنے کے لیے بنیادی تقاضے ہیں۔ کمپیوٹنگ اور ڈیٹا انجینئرنگ کے بنیادی ڈھانچے کو فعال کرنے کے علاوہ، جنریٹو AI پلیٹ فارمز کو ماڈلز کی تربیت، فائن ٹیوننگ، انفرنس سروسز اور اس کی تعیناتی میں ایک مربوط AI ورک فلو کی حمایت میں جامع خدمات کی رینج کی حمایت کرنی چاہیے۔ اچھی بات یہ ہے کہ سرکردہ ہائپر اسکیلرز نے LLM میں بڑھتی ہوئی مارکیٹ کی دلچسپی کو حاصل کرنے کے لیے اعلیٰ کارکردگی کے فاؤنڈیشن ماڈلز، کمپیوٹنگ ہارڈویئر، اور سافٹ ویئر فریم ورک فراہم کرنے کے لیے اپنے AI سینٹرک پلیٹ فارم اور خدمات کی اصلاح کی ہے۔ ایک عام سروس پورٹ فولیو پہلے سے تربیت یافتہ ماڈلز پر مشتمل ہوتا ہے، جو کہ حل کے ماڈلز اور سروسز، ورک فلو ٹولز اور صلاحیتوں کے ساتھ ساتھ APIs اور فریم ورکس پر مشتمل ہوتا ہے تاکہ ایپلی کیشنز کو پیمانے پر بنایا جا سکے۔

4.5  رسک کنٹرول اور تحفظات

حالیہ برسوں میں، بڑے دائرہ اختیار میں ریگولیٹری زور (اور ضابطہ سازی جاری ہے) AI سسٹمز کے لیے منصفانہ، وضاحت اور اعتماد کو یقینی بنانے کے لیے طریقوں کے ذمہ دار AI فریم ورک اور رسک گورننس کے اقدامات کے جامع معیارات پر مرکوز ہے۔ بنیادی کاروباری عمل میں AI ماڈلز کے انضمام میں ڈیٹا پرائیویسی اور سیکیورٹی خدشات کے ساتھ ساتھ نتائج کے اعتماد اور بھروسے کو یقینی بنانے کے لیے خطرے پر قابو پانے اور حفاظتی اقدامات شامل ہیں۔ رسک کنٹرول اور تعمیل کے مسائل کا مؤثر طریقے سے نمٹنا دو بنیادی شماروں کے لیے ناگزیر ہو جاتا ہے - اول، انٹرپرائز ایپلی کیشنز اور کام کے بوجھ کو چلانے کے لیے عام ہائبرڈ کلاؤڈ ماڈل، حفاظتی تحفظ کے اقدامات کے باوجود، نامعلوم خطرات کے لیے حساس رہتا ہے۔ دوم، بڑے ڈیٹا کارپس کا استعمال جس میں کلائنٹ کی خفیہ، یا کاروباری حساس معلومات شامل ہیں غیر ارادی ڈیٹا کی نمائش سے خطرے کی نئی سطحیں لاتی ہیں۔ اس کے علاوہ، چند شاٹ یا زیرو شاٹ ٹریننگ ڈیٹا سے متاثر جذبات یا رویے کے نمونے نتائج میں تعصب کی غیر متعین سطح رکھتے ہیں۔ یقینی طور پر، آنے والے اعتماد اور بھروسے کے اہم کاروباری اثرات ہیں اور اسے ماڈل کے لائف سائیکل پر مکمل نگرانی اور کنٹرول کی ضرورت ہے، جوابی AI رہنمائی کی تعمیل کرنے کے لیے باکس ٹک سے آگے۔

5.    آگے کا راستہ: غیر یقینی راستے کو عبور کرنے کی تیاری

کاروباری افعال میں جنریٹو AI کا وسیع تبدیلی کا اثر اس طریقے کو تبدیل کرنے کا پابند ہے جس طرح مالیاتی فرمیں حالیہ برسوں میں ڈیٹا کی قیادت والی کاروباری تنظیم میں دوبارہ ایجاد کرنے کی کوشش کر رہی ہیں۔ تکنیکی اور ریگولیٹری ارتقاء کے مزید واضح نشانات کا انتظار کرتے ہوئے، فرموں کے لیے فوری حوصلہ افزائی محتاط ریسرچ وینچرز کی طرف اشارہ کرتی ہے جو ایک مضبوط مسابقتی برتری حاصل کرنے کے لیے استعمال کے چند تنگ معاملات پر مرکوز ہے۔ کاروبار کو دوبارہ ایجاد کرنے اور پیداواری صلاحیت اور لاگت کی تاثیر کے فوائد کو بروئے کار لانے کا مقصد، داخلی کاروباری عمل میں کیسز کا استعمال تخلیقی AI ایپلی کیشن کے لیے امیدواروں کا پہلا مجموعہ معلوم ہوتا ہے۔ ایک محتاط انداز کے ساتھ شروع کرنے کے لیے، یہ کاروبار، ریگولیٹری اور قانونی خطرات کو کم ترین سطح تک محدود کر دے گا۔

AI ارتقاء کے منحنی خطوط پر غیر متوقعیت کے مروجہ دائرے میں، قاتل ایپس کے سیٹ کے ساتھ انٹرپرائز بھر میں اپنانا مختلف حقیقی دنیا کے عوامل کے لیے ایک لمبا راستہ دکھائی دیتا ہے - ڈیٹا پرائیویسی کے خدشات، ایک مربوط قانونی اور ریگولیٹری ماڈل کا ارتقا، ماڈل کی تربیت اور دوبارہ تربیت کی ضروریات، کمپیوٹنگ۔ پلیٹ فارم، اور بنیادی ڈھانچے کے اخراجات اور رکاوٹیں۔ جیسے جیسے استعمال کے کیسز اور گود لینے کی کہانیاں تلاشی کے راستوں سے آگے بڑھ رہی ہیں، کم سے کم سرمایہ کاری ایک سرے پر باطل کی دوڑ میں شمار ہونے کے لیے اور دوسری انتہا پر تجسس سے بھرپور جذبہ تجرباتی سفر کی وسعت ہے۔ اہم بات یہ ہے کہ کمپیوٹنگ سائیڈ پر AI سپر کمپیوٹنگ کا ارتقا، قانونی پہلو پر کاپی رائٹ کے پہلوؤں پر بہتر وضاحت اور ماڈلز میں ذمہ دار AI کور کی گہرائی میں سرایت آنے والے سالوں میں تخلیقی AI پیراڈیم یا اس کے مستقبل کے اوتاروں کو مکمل طور پر از سر نو تشکیل دے سکتی ہے۔

• SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
• ای وی ایم فنانس۔ وکندریقرت مالیات کے لیے متحد انٹرفیس۔ یہاں تک رسائی حاصل کریں۔
• کوانٹم میڈیا گروپ۔ آئی آر/پی آر ایمپلیفائیڈ۔ یہاں تک رسائی حاصل کریں۔
• پلیٹوآئ اسٹریم۔ ویب 3 ڈیٹا انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
• ماخذ: https://www.finextra.com/blogposting/24371/generative-ai-what-it-takes-to-turn-a-hyperbole-into-transformational-paradigm?utm_medium=rssfinextra&utm_source=finextrablogs