Promises And Pitfalls Recap – Part One

افلاطون کے ذریعہ دوبارہ شائع کیا گیا۔

فالونگ: 0

اس سال کی AAAS سالانہ کانفرنس میں CCC نے تین سائنسی سیشنز کی حمایت کی، اور اگر آپ ذاتی طور پر شرکت کرنے کے قابل نہیں تھے، تو ہم ہر سیشن کو دوبارہ ترتیب دیں گے۔ اس ہفتے، ہم سیشن کی جھلکیوں کا خلاصہ کریں گے، "سائنس میں تخلیقی AI: وعدے اور نقصانات" حصہ ایک میں، ہم ڈاکٹر ربیکا وِلیٹ کے تعارف اور پیشکش کا خلاصہ کریں گے۔

CCC کا 2024 سالانہ اجلاس کا پہلا AAAS پینل کانفرنس کے دوسرے دن جمعہ 16 فروری کو ہوا۔ پینل، CCC کی اپنی طرف سے معتدل ڈاکٹر میتھیو ترکشکاگو میں ٹویوٹا ٹیکنولوجیکل انسٹی ٹیوٹ کے صدر، ماہرین پر مشتمل تھے جو مختلف سائنسی شعبوں میں مصنوعی ذہانت کا اطلاق کرتے ہیں۔ ڈاکٹر ربیکا ولیٹشکاگو یونیورسٹی میں شماریات اور کمپیوٹر سائنس کے پروفیسر نے اپنی پیشکش پر توجہ مرکوز کی کہ سائنس میں جنریٹیو ماڈلز کو کس طرح استعمال کیا جا سکتا ہے اور سائنسی تحقیق پر لاگو ہونے کے لیے آف دی شیلف ماڈل کیوں کافی نہیں ہیں۔ ڈاکٹر مارکس بوہلرمیساچوسٹس انسٹی ٹیوٹ آف ٹکنالوجی میں انجینئرنگ کے پروفیسر نے مادی سائنس پر لاگو ہونے والے تخلیقی ماڈلز کے بارے میں بات کی، اور ڈاکٹر ڈنکن واٹسن پیرس, UC سان ڈیاگو میں سکریپس انسٹی ٹیوشن آف اوشینوگرافی اور Halıcıoğlu ڈیٹا سائنس انسٹی ٹیوٹ میں اسسٹنٹ پروفیسر، اس بات پر تبادلہ خیال کیا کہ موسمیاتی سائنس کے مطالعہ میں کس طرح پیدا کرنے والے ماڈل استعمال کیے جاسکتے ہیں۔

کمپیوٹر وژن اور انسانی کمپیوٹر کے تعامل کے ماہر ڈاکٹر ترک نے جنریٹو اے آئی کو تمام اے آئی سے ممتاز کرتے ہوئے پینل کا آغاز کیا۔ "پیداواری AI ایپلی کیشنز کے بنیادی حصے میں گہرے اعصابی نیٹ ورکس پر مشتمل تخلیقی ماڈلز ہیں جو اپنے بڑے تربیتی ڈیٹا کی ساخت کو سیکھتے ہیں اور پھر جو کچھ انہوں نے سیکھا ہے اس کی بنیاد پر نیا ڈیٹا تیار کرتے ہیں۔"

ڈاکٹر ترک نے جنریٹو سسٹمز کے بارے میں مقبول خدشات کا بھی خاکہ پیش کیا، دونوں ہی نظام کی ناکامیوں کی وجہ سے، جیسے کہ وہ جو غیر موجود قانونی بریفوں کا حوالہ دیتے ہیں، اور یہ بھی کہ غلط اداکاروں کے ذریعے جعلی مواد تیار کرنے کے لیے ان کے استعمال کی وجہ سے، جیسے کہ جعلی آڈیو یا سیاستدانوں یا مشہور شخصیات کی ویڈیو۔

"خاص طور پر،" ڈاکٹر ترک نے کہا، "یہ سیشن سائنس میں تخلیقی AI کے استعمال پر توجہ مرکوز کرے گا، سائنس کے حصول میں ایک تبدیلی کی قوت کے طور پر اور رکاوٹ کے ممکنہ خطرے کے طور پر بھی۔"

ڈاکٹر ربیکا وِلیٹ نے اپنی پیشکش کا آغاز یہ بتاتے ہوئے کیا کہ سائنسی دریافت کے عمل کو سپورٹ کرنے کے لیے کس طرح تخلیقی AI کا فائدہ اٹھایا جا سکتا ہے۔ اس نے سب سے پہلے اس بات پر توجہ مرکوز کی کہ تخلیقی ماڈل کیسے کام کرتے ہیں۔ ڈاکٹر وِلیٹ کی سلائیڈز سے نیچے دی گئی تصویر دکھاتی ہے کہ زبان کا ماڈل، جیسا کہ ChatGPT، الفاظ کے پچھلے سیٹ کو دیکھتے ہوئے، کسی لفظ کے وقوع پذیر ہونے کے امکان کا اندازہ کیسے لگاتا ہے، اور کس طرح تصویر بنانے والا ماڈل، جیسے DALL-E 2، ایک تصویر تیار کرتا ہے۔ تربیت کے دوران اربوں امیجز سے سیکھی گئی امکانی تقسیم کا استعمال کرتے ہوئے دیئے گئے پرامپٹ سے۔

Promises and Pitfalls Recap – Part One » CCC Blog PlatoBlockchain Data Intelligence. Vertical Search. Ai.

"امکانات کی تقسیم کے اس اصول کو استعمال کرتے ہوئے، جو کہ تمام جنریٹیو ماڈلز کی بنیاد رکھتا ہے، ان ماڈلز کو سائنس میں چاند نظر آنے والے خیالات پر لاگو کیا جا سکتا ہے، جیسے کہ موجودہ آب و ہوا اور ممکنہ پالیسیوں کے پیش نظر ممکنہ آب و ہوا کے منظر نامے پیدا کرنا، یا ٹارگٹڈ فعالیت کے ساتھ نئے مائکرو بایوم پیدا کرنا، جیسے۔ ایک جو پلاسٹک کو توڑنے میں خاص طور پر کارآمد ہے"، ڈاکٹر ولیٹ کہتے ہیں۔

تاہم، سائنسی تحقیق کے لیے آف دی شیلف جنریٹو ٹولز، جیسے ChatGPT یا DALL-E 2 کا استعمال کرنا کافی نہیں ہے۔ یہ ٹولز اس سیاق و سباق سے بالکل مختلف ترتیب میں بنائے گئے تھے جس میں سائنسدان کام کرتے ہیں۔ آف دی شیلف جنریٹو ماڈل اور سائنسی ماڈل کے درمیان ایک واضح فرق ڈیٹا ہے۔ سائنس میں، اکثر بہت کم ڈیٹا ہوتا ہے جس پر مفروضوں کی بنیاد رکھی جائے۔ سائنسی ڈیٹا عام طور پر نقلی اور تجربات سے نکلتا ہے، یہ دونوں ہی اکثر مہنگے اور وقت طلب ہوتے ہیں۔ ان حدود کی وجہ سے، سائنسدانوں کو احتیاط سے انتخاب کرنا پڑتا ہے کہ کون سے تجربات چلائے جائیں اور ان نظاموں کی افادیت اور افادیت کو کیسے بڑھایا جائے۔ آف دی شیلف ماڈلز، اس کے برعکس، اس بات کو بہت کم اہمیت دیتے ہیں کہ ڈیٹا کہاں سے آتا ہے تاکہ وہ ڈیٹا کی زیادہ سے زیادہ مقدار کو ترجیح دیں جن پر وہ کام کر سکتے ہیں۔ سائنس میں، ڈیٹاسیٹس اور ان کی اصلیت کی درستگی ناقابل یقین حد تک اہم ہے، کیونکہ سائنسدانوں کو اپنی تحقیق کو مضبوط تجرباتی ثبوت کے ساتھ درست ثابت کرنے کی ضرورت ہے۔

"علاوہ ازیں، سائنس میں، ہمارے اہداف محض ایسی چیزیں تیار کرنے سے مختلف ہیں جو قابل فہم ہیں"، ڈاکٹر وِلیٹ کہتے ہیں۔ "ہمیں سمجھنا چاہیے کہ چیزیں کس طرح کام کرتی ہیں اس حد سے باہر جو ہم نے اب تک مشاہدہ کیا ہے۔" یہ نقطہ نظر تخلیقی AI ماڈلز سے متصادم ہے جو ڈیٹا کو ممکنہ مشاہدات کی مکمل رینج کے نمائندے کے طور پر پیش کرتے ہیں۔ جنریٹو اے آئی میں جسمانی ماڈلز اور رکاوٹوں کو شامل کرنے سے یہ یقینی بنانے میں مدد ملتی ہے کہ یہ جسمانی مظاہر کی بہتر نمائندگی کرے گا۔

سائنسی ماڈلز کو نایاب واقعات کی گرفت کرنے کے قابل بھی ہونا چاہیے۔ "جب ہم ChatGPT کی تربیت کر رہے ہوتے ہیں تو ہم بہت سے نایاب واقعات کو محفوظ طریقے سے نظر انداز کر سکتے ہیں، لیکن اس کے برعکس، نایاب واقعات اکثر ایسے ہوتے ہیں جن کا ہم سائنس کے تناظر میں سب سے زیادہ خیال رکھتے ہیں، جیسے کہ موسمیاتی ماڈل میں جو نایاب موسمی واقعات کی پیش گوئی کرتا ہے۔ اگر ہم ایک ایسا تخلیقی ماڈل استعمال کرتے ہیں جو نایاب واقعات سے بچتا ہے اور مثال کے طور پر کبھی سمندری طوفان کی پیشین گوئی نہیں کرتا، تو یہ ماڈل عملی طور پر زیادہ کارآمد نہیں ہوگا۔

ایک متعلقہ چیلنج افراتفری کے عمل کے لیے تخلیقی AI ماڈلز تیار کرنا ہے، جو ابتدائی حالات کے لیے حساس ہوتے ہیں۔ ڈاکٹر ولیٹ نے نیچے ویڈیو دکھائی، جس میں دو ذرات کو لورینز 63 مساوات کے مطابق خلا میں حرکت کرتے دکھایا گیا ہے۔ یہ مساوات تعییناتی ہیں، بے ترتیب نہیں، لیکن شروع ہونے والے دو قدرے مختلف مقامات کو دیکھتے ہوئے، آپ دیکھ سکتے ہیں کہ کسی بھی وقت دونوں ذرات بہت مختلف مقامات پر ہو سکتے ہیں۔ جنریٹو AI ماڈلز کو تیار کرنا جو اس طرح کے عمل کے صحیح راستے کی پیشین گوئی کرتے ہیں، جو کہ موسمیاتی سائنس، ہنگامہ خیزی، اور نیٹ ورک کی حرکیات میں پیدا ہوتے ہیں، بنیادی طور پر مشکل ہے، لیکن جنریٹو ماڈلنگ کے لیے نئے نقطہ نظر اس بات کو یقینی بنا سکتے ہیں کہ تخلیق شدہ عمل اہم اعدادوشمار کی خصوصیات کو حقیقی سائنسی ڈیٹا کے ساتھ بانٹتے ہیں۔

[سرایت مواد]

آخر میں، ڈاکٹر ولیٹ نے اس حقیقت پر توجہ دی کہ سائنسی اعداد و شمار اکثر مقامی اور وقتی پیمانے پر پھیلے ہوئے ہیں۔ مثال کے طور پر، میٹریل سائنس میں، محققین بڑے پیمانے پر نظام تک، جیسے کہ ایک پورے ہوائی جہاز تک نینو میٹر کے پیمانے پر مواد کا مطالعہ کرتے ہیں۔ "پیمانوں کی وہ حد آف دی شیلف ماڈلز میں استعمال ہونے والے ڈیٹا سے بہت مختلف ہے، اور ہمیں اس بات پر غور کرنے کی ضرورت ہے کہ ہم ان جنریٹیو ماڈلز کو اس طریقے سے کیسے بنا رہے ہیں جو ترازو کے درمیان ان تعاملات کو درست طریقے سے متاثر کرے"۔

ڈاکٹر ولیٹ کہتے ہیں، "جنریٹیو ماڈل سائنس کا مستقبل ہیں"، لیکن اس بات کو یقینی بنانے کے لیے کہ ان کا مؤثر طریقے سے استعمال کیا جائے، ہمیں AI میں بنیادی ترقی کرنے اور ڈیٹا کو ChatGPT میں شامل کرنے سے آگے بڑھنے کی ضرورت ہے۔

پڑھنے کے لیے آپ کا بہت بہت شکریہ، اور براہِ کرم میکانوبیولوجی میں جنریٹیو AI پر ڈاکٹر مارکس بوہلر کی پریزنٹیشن کو پڑھنے کے لیے کل سے رابطہ کریں۔