اے آئی ڈوم اور ہائپ کو بھول جائیں، آئیے کمپیوٹر کو کارآمد بنائیں

سسٹمز اپروچ مکمل انکشاف: میری AI کے ساتھ ایک تاریخ ہے، جس نے 1980 کی دہائی میں اس کے ساتھ چھیڑ چھاڑ کی تھی (ماہر نظام کو یاد ہے؟) اور پھر 1980 کی دہائی کے آخر میں AI کے موسم سرما سے محفوظ طریقے سے بچ کر باضابطہ توثیق کرنے سے پہلے بالآخر نیٹ ورکنگ پر اترنے سے پہلے میری خاصیت کے طور پر 1988.

اور جس طرح میرے سسٹمز اپروچ کے ساتھی لیری پیٹرسن کے پاس اپنی کتابوں کی الماری پر پاسکل دستی جیسی کلاسیکی کتابیں ہیں، میرے پاس ابھی بھی اسی کی دہائی کی کچھ AI کتابیں ہیں، خاص طور پر پی ایچ ونسٹن کی مصنوعی ذہانت (1984)۔ اس کتاب کے ذریعے نکلنا کافی دھماکا ہے، اس لحاظ سے کہ اس کا زیادہ تر حصہ ایسا لگتا ہے جیسے یہ کل لکھا گیا ہو۔ مثال کے طور پر دیباچہ اس طرح شروع ہوتا ہے:

میں 1984 کی کچھ مثالیں دیکھ کر بھی متجسس تھا کہ "کمپیوٹر کیا کر سکتے ہیں۔" ایک مثال سنجیدگی سے مشکل کیلکولس کے مسائل کو حل کرنا تھی - قابل ذکر کیونکہ درست ریاضی آج کے LLM پر مبنی نظاموں کی صلاحیتوں سے باہر لگتا ہے۔

اگر کیلکولس پہلے ہی 1984 میں کمپیوٹرز کے ذریعے حل کیا جا سکتا تھا، جبکہ بنیادی ریاضی ان سسٹمز کو اسٹمپ کرتا ہے جسے ہم آج کی جدید ترین حالت کے طور پر دیکھتے ہیں، تو شاید پچھلے 40 سالوں میں AI میں ترقی کی مقدار اتنی زیادہ نہیں ہے جتنی کہ یہ پہلی بار دکھائی دیتی ہے۔ (اس نے کہا، یہاں بھی ہیں بہتر آج کل کیلکولس سے نمٹنے کے نظام، وہ صرف LLMs پر مبنی نہیں ہیں، اور یہ واضح نہیں ہے کہ آیا کوئی انہیں AI کے طور پر حوالہ دیتا ہے۔)

ونسٹن کی اپنی پرانی کاپی اٹھانے کی ایک وجہ یہ تھی کہ وہ AI کی تعریف کے بارے میں کیا کہتے ہیں، کیونکہ یہ بھی ایک متنازعہ موضوع ہے۔ اس پر اس کا پہلا قدم زیادہ حوصلہ افزا نہیں ہے:

ٹھیک ہے، ٹھیک ہے، یہ کافی سرکلر ہے، کیونکہ آپ کو کسی نہ کسی طرح ذہانت کی وضاحت کرنے کی ضرورت ہے، جیسا کہ ونسٹن نے اعتراف کیا ہے۔ لیکن پھر وہ AI کے دو مقاصد بیان کرتا ہے:

1. کمپیوٹر کو مزید کارآمد بنانے کے لیے
2. ان اصولوں کو سمجھنا جو ذہانت کو ممکن بناتے ہیں۔

دوسرے لفظوں میں، ذہانت کی تعریف کرنا مشکل ہے، لیکن ہو سکتا ہے کہ AI کا مطالعہ ہمیں یہ سمجھنے میں مدد دے کہ یہ کیا ہے۔ میں یہاں تک کہوں گا کہ ہم 40 سال بعد بھی اس بات پر بحث کر رہے ہیں کہ ذہانت کیا ہے۔ پہلا مقصد قابل تعریف لگتا ہے لیکن واضح طور پر بہت ساری غیر AI ٹیکنالوجی پر لاگو ہوتا ہے۔

"AI" کے معنی کے بارے میں یہ بحث انڈسٹری میں جاری ہے۔ میں نے بہت سارے ہنگاموں کو دیکھا ہے کہ ہمیں آرٹیفیشل جنرل انٹیلی جنس عرف AGI کی اصطلاح کی ضرورت نہیں ہوتی، اگر صرف AI کی اصطلاح AI کے طور پر شماریاتی ماڈلز کی مارکیٹنگ کرنے والے لوگوں کی طرف سے اتنی آلودہ نہ ہوتی۔ میں واقعی یہ نہیں خریدتا۔ جہاں تک میں بتا سکتا ہوں کہ AI نے ہمیشہ کمپیوٹنگ تکنیکوں کی ایک وسیع رینج کا احاطہ کیا ہے، جن میں سے زیادہ تر کسی کو یہ سوچنے میں بے وقوف نہیں بنائے گا کہ کمپیوٹر انسانی سطح کی ذہانت کو ظاہر کر رہا ہے۔

جب میں نے تقریباً آٹھ سال قبل AI کے شعبے کے ساتھ دوبارہ مشغول ہونا شروع کیا تو نیورل نیٹ ورکس – جسے میرے کچھ ساتھی 1988 میں استعمال کر رہے تھے اس سے پہلے کہ وہ حق سے محروم ہو جائیں – نے ایک چونکا دینے والی واپسی کی تھی، اس مقام پر جہاں تصویر کی پہچان گہری ہو گئی تھی۔ اعصابی نیٹ ورکس تھے۔ حد تک کچھ انتباہات کے باوجود انسانوں کی رفتار اور درستگی۔ AI کے اس اضافے نے VMware میں میرے انجینئرنگ ساتھیوں میں ایک خاص سطح پر اضطراب پیدا کیا، جنہوں نے محسوس کیا کہ ایک اہم تکنیکی تبدیلی جاری ہے جسے (a) ہم میں سے اکثر نہیں سمجھتے تھے (b) ہمارا آجر اس سے فائدہ اٹھانے کی پوزیشن میں نہیں تھا۔ .

جیسا کہ میں نے اپنے آپ کو یہ سیکھنے کے کام میں ڈال دیا کہ نیورل نیٹ ورک کس طرح کام کرتے ہیں (a بڑی مدد Rodney Brooks سے) مجھے یہ احساس ہوا کہ ہم AI سسٹمز کے بارے میں بات کرنے کے لیے جو زبان استعمال کرتے ہیں اس کا اس بات پر اہم اثر پڑتا ہے کہ ہم ان کے بارے میں کیسے سوچتے ہیں۔ مثال کے طور پر، 2017 تک ہم "ڈیپ لرننگ" اور "ڈیپ نیورل نیٹ ورکس" کے بارے میں بہت کچھ سن رہے تھے، اور لفظ "ڈیپ" کا استعمال ایک دلچسپ دوہرا معنی رکھتا ہے۔ اگر میں کہتا ہوں کہ میں "گہرے خیالات" رکھتا ہوں تو آپ تصور کر سکتے ہیں کہ میں زندگی کے معنی یا اتنی ہی وزنی چیز کے بارے میں سوچ رہا ہوں، اور "گہری تعلیم" کا مطلب کچھ ایسا ہی لگتا ہے۔

لیکن درحقیقت "گہرے سیکھنے" میں "گہرائی" گہرائی کا حوالہ ہے، جس کی تہوں کی تعداد میں پیمائش کی جاتی ہے، اس عصبی نیٹ ورک کی جو سیکھنے میں معاون ہوتی ہے۔ تو یہ معنی خیز کے معنی میں "گہرا" نہیں ہے، بلکہ بالکل اسی طرح گہرا ہے جس طرح ایک سوئمنگ پول کا اختتام گہرا ہوتا ہے - جس میں زیادہ پانی ہوتا ہے۔ یہ دوہرا مطلب اس وہم میں حصہ ڈالتا ہے کہ اعصابی نیٹ ورک "سوچ" ہیں۔

اسی طرح کی الجھن "سیکھنے" پر لاگو ہوتی ہے، جہاں بروکس بہت مددگار تھا: ایک ڈیپ نیورل نیٹ ورک (DNN) کسی کام میں جتنا زیادہ تربیتی ڈیٹا سامنے آتا ہے بہتر ہوتا ہے، اس لحاظ سے یہ تجربے سے "سیکھتا" ہے، لیکن جس طرح سے یہ سیکھتا ہے وہ کچھ بھی نہیں ہے جیسا کہ انسان چیزوں کو سیکھتا ہے۔

DNNs کیسے سیکھتے ہیں اس کی مثال کے طور پر غور کریں۔ AlphaGo، گیم پلےنگ سسٹم جس میں نیورل نیٹ ورکس کا استعمال ہوتا ہے۔ کو شکست انسانی گرینڈ ماسٹرز. سسٹم ڈویلپرز کے مطابق، جہاں ایک انسان بورڈ کے سائز کی تبدیلی کو آسانی سے سنبھال لے گا (عام طور پر 19×19 گرڈ)، ایک چھوٹی سی تبدیلی AlphaGo کو اس وقت تک نامرد بنا دے گی جب تک کہ اسے دوبارہ سائز والے بورڈ سے نئے ڈیٹا پر تربیت دینے کا وقت نہ مل جائے۔

میرے نزدیک یہ صاف طور پر واضح کرتا ہے کہ کس طرح DNNs کی "سیکھنا" بنیادی طور پر انسانی سیکھنے کے برعکس ہے، چاہے ہم ایک ہی لفظ استعمال کریں۔ نیورل نیٹ ورک اس بات کو عام کرنے سے قاصر ہے جو اس نے "سیکھا" ہے۔ اور یہ بات کرتے ہوئے، الفاگو حال ہی میں تھا۔ ہار ایک انسانی مخالف کی طرف سے جس نے بار بار کھیل کا ایسا انداز استعمال کیا جو تربیتی ڈیٹا میں نہیں تھا۔ نئے حالات کو سنبھالنے میں یہ نااہلی AI سسٹمز کا خاصہ لگتا ہے۔

زبان کے معاملات۔

AI سسٹمز کو بیان کرنے کے لیے استعمال ہونے والی زبان اس پر اثر انداز ہوتی ہے کہ ہم ان کے بارے میں کیسے سوچتے ہیں۔ بدقسمتی سے، حالیہ AI ہائپ پر معقول پش بیک، اور AI سسٹمز کے ساتھ کچھ قابل ذکر ناکامیوں کے پیش نظر، اب بہت سے لوگ اس بات پر قائل ہو سکتے ہیں کہ AI مکمل طور پر بیکار ہے کیونکہ کیمپ کے ایسے ارکان ہیں جو کہتے ہیں کہ AI انسان جیسی ذہانت حاصل کرنے والا ہے۔ .

میں مؤخر الذکر کیمپ کے بارے میں بہت زیادہ شکی ہوں، جیسا کہ اوپر بیان کیا گیا ہے، لیکن میں یہ بھی سمجھتا ہوں کہ AI سسٹمز - یا، اگر آپ چاہیں تو، مشین لرننگ سسٹم - کے مثبت اثرات کو نظر انداز کرنا بدقسمتی ہوگی۔

میں فی الحال نیٹ ورکنگ کے لیے مشین لرننگ ایپلی کیشنز پر کتاب لکھنے میں کچھ ساتھیوں کی مدد کر رہا ہوں، اور یہ سن کر کسی کو حیران نہیں ہونا چاہیے کہ نیٹ ورکنگ کے بہت سے مسائل ہیں جو ایم ایل پر مبنی حل کے لیے موزوں ہیں۔ خاص طور پر، نیٹ ورک ٹریفک کے نشانات ڈیٹا کے شاندار ذرائع ہیں، اور تربیتی ڈیٹا وہ غذا ہے جس پر مشین لرننگ سسٹم پروان چڑھتے ہیں۔

ڈینیئل-آف-سروس-پریونشن سے لے کر مالویئر کا پتہ لگانے سے لے کر جغرافیائی محل وقوع تک کی ایپلی کیشنز ML الگورتھم کا استعمال کر سکتی ہیں، اور اس کتاب کا مقصد نیٹ ورکنگ کے لوگوں کو یہ سمجھنے میں مدد کرنا ہے کہ ML کوئی جادوئی پاؤڈر نہیں ہے جسے حاصل کرنے کے لیے آپ اپنے ڈیٹا پر چھڑکتے ہیں۔ جوابات، لیکن انجینئرنگ ٹولز کا ایک سیٹ جو حقیقی مسائل کے حل کے لیے منتخب طور پر لاگو کیا جا سکتا ہے۔ دوسرے الفاظ میں، نہ تو کوئی علاج ہے اور نہ ہی زیادہ ہائیڈ پلیسبو۔ کتاب کا مقصد قارئین کو یہ سمجھنے میں مدد کرنا ہے کہ نیٹ ورکنگ کے مسائل کی مختلف کلاسوں کے لیے کون سے ML ٹولز موزوں ہیں۔

ایک کہانی جس نے کچھ عرصہ پہلے میری نظر پکڑی وہ تھی UK میں نیٹ ورک ریل کی مدد کے لیے AI کا استعمال پودوں کا انتظام کریں جو برطانوی ریلوے لائنوں کے ساتھ ساتھ بڑھتا ہے۔ یہاں کی کلیدی "AI" ٹیکنالوجی تصویر کی شناخت ہے (پودوں کی انواع کی شناخت کے لیے) - اس قسم کی ٹیکنالوجی کا فائدہ اٹھانا جو DNNs نے گزشتہ دہائی میں فراہم کی ہے۔ 2023 میں دنیا کی توجہ حاصل کرنے والے تخلیقی AI سسٹمز کی طرح شاید اتنا پرجوش نہیں، لیکن AI چھتری کے نیچے بیٹھنے والی تکنیک کا ایک اچھا، عملی اطلاق۔

ان دنوں میرا رجحان یہ ہے کہ AI کی بجائے "مشین لرننگ" کی اصطلاح استعمال کرنے کی کوشش کروں جب یہ مناسب ہو، امید ہے کہ "AI" اب پیدا ہونے والے ہائپ اور الرجک رد عمل دونوں سے بچوں گا۔ اور پیٹرک ونسٹن کے الفاظ میرے ذہن میں تازہ ہونے کے ساتھ، میں شاید "کمپیوٹر کو مفید بنانے" کے بارے میں بات کرنا چاہتا ہوں۔ ®

• SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
• پلیٹو ڈیٹا ڈاٹ نیٹ ورک ورٹیکل جنریٹو اے آئی۔ اپنے آپ کو بااختیار بنائیں۔ یہاں تک رسائی حاصل کریں۔
• پلیٹوآئ اسٹریم۔ ویب 3 انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
• پلیٹو ای ایس جی۔ کاربن، کلین ٹیک، توانائی ، ماحولیات، شمسی، ویسٹ مینجمنٹ یہاں تک رسائی حاصل کریں۔
• پلیٹو ہیلتھ۔ بائیوٹیک اینڈ کلینیکل ٹرائلز انٹیلی جنس۔ یہاں تک رسائی حاصل کریں۔
• ماخذ: https://go.theregister.com/feed/www.theregister.com/2024/04/25/ai_usefulness/