ایک ہولیسٹک مینٹل ماڈل کے ساتھ AI پروڈکٹس بنانا

نوٹ: یہ مضمون "Disecting AI ایپلی کیشنز" نامی سیریز کا پہلا مضمون ہے، جس میں AI سسٹمز کے لیے ایک ذہنی ماڈل متعارف کرایا گیا ہے۔ یہ ماڈل کراس ڈسپلنری AI اور پروڈکٹ ٹیموں کے ذریعے AI پروڈکٹس کی بحث، منصوبہ بندی اور تعریف کے ساتھ ساتھ بزنس ڈیپارٹمنٹ کے ساتھ صف بندی کے لیے ایک ٹول کے طور پر کام کرتا ہے۔ اس کا مقصد پروڈکٹ مینیجرز، UX ڈیزائنرز، ڈیٹا سائنسدانوں، انجینئرز، اور ٹیم کے دیگر اراکین کے نقطہ نظر کو اکٹھا کرنا ہے۔ اس مضمون میں، میں ذہنی ماڈل کو متعارف کرایا جا رہا ہوں، جبکہ مستقبل کے مضامین میں یہ دکھایا جائے گا کہ اسے مخصوص AI مصنوعات اور خصوصیات پر کیسے لاگو کیا جائے۔

اکثر، کمپنیاں یہ فرض کرتی ہیں کہ انہیں اپنی پیشکش میں AI کو شامل کرنے کی ضرورت ہے AI ماہرین کی خدمات حاصل کرنا اور انہیں تکنیکی جادو چلانے دینا۔ یہ نقطہ نظر انہیں سیدھے انضمام کی غلط فہمی کی طرف لے جاتا ہے: یہاں تک کہ اگر یہ ماہرین اور انجینئر غیر معمولی ماڈل اور الگورتھم تیار کرتے ہیں، ان کے آؤٹ پٹس اکثر کھیل کے میدانوں، سینڈ باکسز اور ڈیمو کی سطح پر پھنس جاتے ہیں، اور کبھی بھی مصنوعات کے مکمل حصے نہیں بنتے ہیں۔ سالوں کے دوران، میں نے ڈیٹا سائنسدانوں اور انجینئرز کی طرف سے بہت زیادہ مایوسی دیکھی ہے جن کے تکنیکی طور پر بقایا AI کے نفاذ کو صارف کا سامنا کرنے والی مصنوعات میں اپنا راستہ نہیں ملا۔ بلکہ، ان کے پاس خون بہانے والے تجربات کی باعزت حیثیت تھی جس نے اندرونی اسٹیک ہولڈرز کو AI لہر پر سوار ہونے کا تاثر دیا۔ اب، 2022 میں ChatGPT کی اشاعت کے بعد سے AI کے ہر جگہ پھیلاؤ کے ساتھ، کمپنیاں اپنی تکنیکی ذہانت کو دکھانے کے لیے AI کو "لائٹ ہاؤس" فیچر کے طور پر استعمال کرنے کی مزید متحمل نہیں ہو سکتیں۔

AI کو ضم کرنا اتنا مشکل کیوں ہے؟ اس کی ایک دو وجوہات ہیں:

• اکثر، ٹیمیں AI سسٹم کے کسی ایک پہلو پر توجہ مرکوز کرتی ہیں۔ یہاں تک کہ اس کی وجہ سے الگ الگ کیمپس، جیسے ڈیٹا سینٹرک، ماڈل سینٹرک، اور ہیومن سینٹرک AI کے ابھرنے کا باعث بنے۔ اگرچہ ان میں سے ہر ایک تحقیق کے لیے دلچسپ نقطہ نظر پیش کرتا ہے، ایک حقیقی زندگی کی مصنوعات کو ڈیٹا، ماڈل، اور انسانی مشین کے تعامل کو مربوط نظام میں یکجا کرنے کی ضرورت ہے۔
• اے آئی ڈیولپمنٹ ایک انتہائی باہمی تعاون پر مبنی ادارہ ہے۔ روایتی سافٹ ویئر ڈویلپمنٹ میں، آپ پسدید اور فرنٹ اینڈ اجزاء پر مشتمل نسبتاً واضح اختلاف کے ساتھ کام کرتے ہیں۔ AI میں، آپ کو نہ صرف اپنی ٹیم میں مزید متنوع کردار اور مہارتیں شامل کرنے کی ضرورت ہوگی بلکہ مختلف جماعتوں کے درمیان قریبی تعاون کو بھی یقینی بنانا ہوگا۔ آپ کے AI سسٹم کے مختلف اجزاء ایک دوسرے کے ساتھ مباشرت طریقوں سے بات چیت کریں گے۔ مثال کے طور پر، اگر آپ ورچوئل اسسٹنٹ پر کام کر رہے ہیں، تو آپ کے UX ڈیزائنرز کو قدرتی صارف بہاؤ بنانے کے لیے فوری انجینئرنگ کو سمجھنا ہوگا۔ آپ کے ڈیٹا اینوٹیٹرز کو آپ کے برانڈ اور آپ کے ورچوئل اسسٹنٹ کے "کردار کی خصوصیات" سے آگاہ ہونے کی ضرورت ہے تاکہ تربیتی ڈیٹا تیار کیا جا سکے جو آپ کی پوزیشننگ کے ساتھ مطابقت رکھتا ہو اور آپ کے پروڈکٹ مینیجر کو اس بات کو یقینی بنانے کے لیے ڈیٹا پائپ لائن کے فن تعمیر کو سمجھنے اور جانچنے کی ضرورت ہے۔ یہ آپ کے صارفین کے گورننس کے خدشات کو پورا کرتا ہے۔
• AI کی تعمیر کرتے وقت، کمپنیاں اکثر ڈیزائن کی اہمیت کو کم سمجھتی ہیں۔ جب کہ AI پس منظر میں شروع ہوتا ہے، اچھا ڈیزائن اسے پیداوار میں چمکانے کے لیے ناگزیر ہے۔ AI ڈیزائن روایتی UX کی حدود کو آگے بڑھاتا ہے۔ آپ کی پیش کردہ بہت ساری فعالیتیں انٹرفیس میں نظر نہیں آتی ہیں، لیکن ماڈل میں "چھپی ہوئی" ہیں، اور آپ کو ان فوائد کو زیادہ سے زیادہ کرنے کے لیے اپنے صارفین کی تعلیم اور رہنمائی کرنے کی ضرورت ہے۔ اس کے علاوہ، جدید فاؤنڈیشنل ماڈلز جنگلی چیزیں ہیں جو زہریلے، غلط، اور نقصان دہ نتائج پیدا کر سکتی ہیں، اس لیے آپ ان خطرات کو کم کرنے کے لیے اضافی گارڈریلز قائم کریں گے۔ ان سب کے لیے آپ کی ٹیم میں نئی ​​مہارتوں کی ضرورت ہو سکتی ہے جیسے کہ فوری انجینئرنگ اور بات چیت کا ڈیزائن۔ بعض اوقات، اس کا مطلب یہ بھی ہوتا ہے کہ متضاد چیزیں کرنا، جیسے صارفین کی توقعات کو منظم کرنے کے لیے قدر کو کم کرنا اور انھیں مزید کنٹرول اور شفافیت دینے کے لیے رگڑ شامل کرنا۔
• AI ہائپ دباؤ پیدا کرتا ہے۔ بہت سی کمپنیاں ایسے عمل میں کود کر گھوڑے کے آگے گاڑی ڈال دیتی ہیں جن کی توثیق گاہک اور مارکیٹ کی ضروریات سے نہیں ہوتی ہے۔ کبھی کبھار AI buzzword ڈالنے سے آپ کو ایک ترقی پسند اور اختراعی کاروبار کے طور پر مارکیٹ اور پوزیشن میں لانے میں مدد مل سکتی ہے، لیکن طویل مدتی میں، آپ کو حقیقی مواقع کے ساتھ اپنے بز اور تجربات کی حمایت کرنے کی ضرورت ہوگی۔ یہ کاروبار اور ٹکنالوجی کے درمیان سخت ہم آہنگی کے ساتھ حاصل کیا جا سکتا ہے، جو تکنیکی صلاحیتوں کے لیے مارکیٹ کی طرف سے مواقع کی واضح نقشہ سازی پر مبنی ہے۔

اس مضمون میں، ہم AI سسٹمز کے لیے ایک ذہنی ماڈل بنائیں گے جو ان مختلف پہلوؤں کو مربوط کرتا ہے (cf. اعداد و شمار 1)۔ یہ معماروں کو مجموعی طور پر سوچنے، اپنے ہدف کی مصنوعات کی واضح تفہیم پیدا کرنے، اور راستے میں نئی ​​بصیرت اور ان پٹ کے ساتھ اپ ڈیٹ کرنے کی ترغیب دیتا ہے۔ ماڈل کو تعاون کو آسان بنانے، AI ٹیم کے اندر اور باہر متنوع نقطہ نظر کو سیدھ میں لانے اور مشترکہ وژن کی بنیاد پر کامیاب مصنوعات بنانے کے لیے ایک ٹول کے طور پر استعمال کیا جا سکتا ہے۔ یہ نہ صرف نئی، AI سے چلنے والی مصنوعات پر لاگو کیا جا سکتا ہے بلکہ AI خصوصیات پر بھی لاگو کیا جا سکتا ہے جو موجودہ مصنوعات میں شامل ہیں۔

مندرجہ ذیل حصے مختصر طور پر ہر ایک اجزاء کی وضاحت کریں گے، ان حصوں پر توجہ مرکوز کرتے ہوئے جو AI مصنوعات کے لیے مخصوص ہیں۔ ہم کاروباری نقطہ نظر سے شروع کریں گے — مارکیٹ کے موقع اور قدر — اور پھر UX اور ٹیکنالوجی میں ڈوبیں گے۔ ماڈل کو واضح کرنے کے لیے، ہم مارکیٹنگ کے مواد کی تخلیق کے لیے ایک copilot کی چلتی ہوئی مثال استعمال کریں گے۔

اگر یہ گہرائی والا تعلیمی مواد آپ کے لیے مفید ہے، تو آپ کر سکتے ہیں۔ ہماری AI ریسرچ میلنگ لسٹ کو سبسکرائب کریں۔ جب ہم نیا مواد جاری کرتے ہیں تو متنبہ کیا جائے۔ 

1. موقع

تمام ٹھنڈی چیزوں کے ساتھ جو آپ اب AI کے ساتھ کر سکتے ہیں، ہو سکتا ہے کہ آپ اپنے ہاتھوں کو گندا کرنے اور تعمیر شروع کرنے کے لیے بے چین ہوں۔ تاہم، آپ کے صارفین کو جس چیز کی ضرورت ہے اور پیار کرنے کے لیے، آپ کو مارکیٹ کے مواقع کے ساتھ اپنی ترقی کی حمایت کرنی چاہیے۔ مثالی دنیا میں، مواقع ہم تک گاہکوں سے پہنچتے ہیں جو ہمیں بتاتے ہیں کہ انہیں کیا چاہیے یا کیا چاہتے ہیں۔[1] یہ غیر پوری ضروریات، درد کے مقامات، یا خواہشات ہو سکتی ہیں۔ آپ اس معلومات کو موجودہ کسٹمر فیڈ بیک میں تلاش کر سکتے ہیں، جیسے کہ پروڈکٹ کے جائزے اور اپنی سیلز اور کامیابی کی ٹیموں کے نوٹس میں۔ اس کے علاوہ، اپنے پروڈکٹ کے ممکنہ صارف کے طور پر اپنے آپ کو مت بھولیں — اگر آپ کسی ایسے مسئلے کو نشانہ بنا رہے ہیں جس کا آپ نے خود تجربہ کیا ہے، تو یہ معلوماتی فائدہ ایک اضافی کنارہ ہے۔ اس کے علاوہ، آپ سروے اور انٹرویوز جیسے ٹولز کا استعمال کرتے ہوئے کسٹمر کی فعال تحقیق بھی کر سکتے ہیں۔

مثال کے طور پر، مجھے اسٹارٹ اپس کے لیے مواد کی مارکیٹنگ کے درد کو دیکھنے کے لیے زیادہ دور دیکھنے کی ضرورت نہیں ہے، بلکہ بڑی کمپنیوں کو بھی۔ میں نے خود اس کا تجربہ کیا ہے — جیسے جیسے مقابلہ بڑھتا ہے، انفرادی، باقاعدہ، اور (!) اعلیٰ معیار کے مواد کے ساتھ فکری قیادت کو فروغ دینا تفریق کے لیے زیادہ سے زیادہ اہم ہوتا جاتا ہے۔ دریں اثنا، ایک چھوٹی اور مصروف ٹیم کے ساتھ، میز پر ہمیشہ ایسی چیزیں ہوں گی جو ہفتے کی بلاگ پوسٹ لکھنے سے زیادہ اہم معلوم ہوتی ہیں۔ میں اکثر اپنے نیٹ ورک میں ایسے لوگوں سے بھی ملتا ہوں جو مواد کی مارکیٹنگ کا ایک مستقل معمول ترتیب دینے کے لیے جدوجہد کرتے ہیں۔ یہ "مقامی"، ممکنہ طور پر متعصبانہ مشاہدات کی توثیق ان سروے کے ذریعے کی جا سکتی ہے جو کسی کے نیٹ ورک سے آگے بڑھتے ہیں اور حل کے لیے ایک وسیع مارکیٹ کی تصدیق کرتے ہیں۔

حقیقی دنیا قدرے مبہم ہے، اور گاہک ہمیشہ آپ کے پاس نئے، اچھی طرح سے تیار کردہ مواقع پیش کرنے کے لیے نہیں آئیں گے۔ بلکہ، اگر آپ اپنے اینٹینا کو پھیلاتے ہیں، تو مواقع آپ تک کئی سمتوں سے پہنچیں گے، جیسے:

• مارکیٹ پوزیشننگ: AI جدید ہے — قائم شدہ کاروباروں کے لیے، اس کا استعمال کسی کاروبار کی تصویر کو اختراعی، ہائی ٹیک، مستقبل کے پروف، وغیرہ کے طور پر مضبوط کرنے کے لیے استعمال کیا جا سکتا ہے۔ مثال کے طور پر، یہ موجودہ مارکیٹنگ ایجنسی کو AI سے چلنے والی سروس تک لے جا سکتا ہے اور اسے حریفوں سے الگ کریں۔ تاہم، AI کی خاطر AI نہ کریں۔ پوزیشننگ ٹرک کو احتیاط کے ساتھ اور دوسرے مواقع کے ساتھ مل کر لاگو کیا جانا ہے - بصورت دیگر، آپ کو ساکھ کھونے کا خطرہ ہے۔
• مقابلہ: جب آپ کے حریف حرکت کرتے ہیں، تو امکان ہے کہ وہ پہلے ہی بنیادی تحقیق اور توثیق کر چکے ہوں۔ کچھ دیر بعد ان کو دیکھو - کیا ان کی ترقی کامیاب تھی؟ اس معلومات کو اپنے حل کو بہتر بنانے، کامیاب حصوں کو اپنانے اور غلطیوں کو دور کرنے کے لیے استعمال کریں۔ مثال کے طور پر، فرض کریں کہ آپ ایک ایسے مدمقابل کو دیکھ رہے ہیں جو مارکیٹنگ کے مواد کی مکمل طور پر خودکار نسل کے لیے ایک سروس پیش کر رہا ہے۔ صارفین ایک "بڑے سرخ بٹن" پر کلک کرتے ہیں، اور AI مواد کو لکھنے اور شائع کرنے کے لیے آگے بڑھتا ہے۔ کچھ تحقیق کے بعد، آپ کو معلوم ہوتا ہے کہ صارفین اس پروڈکٹ کو استعمال کرنے میں ہچکچاتے ہیں کیونکہ وہ اس عمل پر زیادہ کنٹرول برقرار رکھنا چاہتے ہیں اور تحریر میں اپنی مہارت اور شخصیت کا حصہ ڈالنا چاہتے ہیں۔ سب کے بعد، تحریر خود اظہار اور انفرادی تخلیق کے بارے میں بھی ہے. یہ آپ کے لیے ایک ورسٹائل ٹول کے ساتھ آگے بڑھنے کا وقت ہے جو آپ کے مواد کی تشکیل کے لیے بھرپور فعالیت اور کنفیگریشن پیش کرتا ہے۔ یہ صارفین کی کارکردگی کو بڑھاتا ہے جب کہ وہ جب چاہیں اس عمل میں خود کو "انجیکشن" لگانے کی اجازت دیتے ہیں۔
• ضابطے: تکنیکی رکاوٹ اور عالمگیریت جیسے میگاٹرینڈز ریگولیٹرز کو اپنی ضروریات کو سخت کرنے پر مجبور کرتے ہیں۔ ضابطے دباؤ پیدا کرتے ہیں اور یہ موقع کا بلٹ پروف ذریعہ ہیں۔ مثال کے طور پر، تصور کریں کہ ایک ایسا ضابطہ وجود میں آتا ہے جس کے لیے سختی سے ہر ایک سے AI سے تیار کردہ مواد کی تشہیر کی ضرورت ہوتی ہے۔ وہ کمپنیاں جو پہلے سے ہی AI مواد کی تیاری کے لیے ٹولز استعمال کرتی ہیں اس پر اندرونی بات چیت کے لیے غائب ہو جائیں گی کہ آیا وہ یہ چاہتے ہیں۔ ان میں سے بہت سے لوگ گریز کریں گے کیونکہ وہ حقیقی سوچ والی قیادت کی تصویر کو برقرار رکھنا چاہتے ہیں، جیسا کہ بظاہر AI سے تیار کردہ بوائلر پلیٹ تیار کرنے کے برخلاف ہے۔ فرض کریں کہ آپ ہوشیار تھے اور آپ نے ایک ایسے بڑھے ہوئے حل کا انتخاب کیا جو صارفین کو کافی کنٹرول فراہم کرتا ہے تاکہ وہ متن کے سرکاری "مصنفین" بن کر رہ سکیں۔ جیسے ہی نئی پابندی متعارف کرائی گئی ہے، آپ مدافعتی ہیں اور ضابطے کا فائدہ اٹھانے کے لیے آگے بڑھ سکتے ہیں، جب کہ مکمل طور پر خودکار حل کے ساتھ آپ کے حریفوں کو دھچکے سے باز آنے کے لیے وقت درکار ہوگا۔
• ٹیکنالوجیز کو فعال کرنا: ابھرتی ہوئی ٹیکنالوجیز اور موجودہ ٹیکنالوجیز میں نمایاں چھلانگیں، جیسے کہ 2022-23 میں تخلیقی AI کی لہر، چیزوں کو کرنے کے نئے طریقے کھول سکتی ہے، یا موجودہ ایپلی کیشنز کو نئی سطح تک پہنچا سکتی ہے۔ فرض کریں کہ آپ پچھلی دہائی سے ایک روایتی مارکیٹنگ ایجنسی چلا رہے ہیں۔ اب، آپ اپنے کاروبار میں AI ہیکس اور حل متعارف کروانا شروع کر سکتے ہیں تاکہ اپنے ملازمین کی کارکردگی کو بڑھا سکیں، موجودہ وسائل کے ساتھ مزید کلائنٹس کی خدمت کریں، اور اپنے منافع میں اضافہ کریں۔ آپ اپنی موجودہ مہارت، شہرت، اور (امید ہے کہ نیک نیت) کسٹمر بیس پر تعمیر کر رہے ہیں، لہذا AI میں اضافہ متعارف کروانا کسی نئے آنے والے کے لیے اس سے کہیں زیادہ ہموار اور کم خطرناک ہو سکتا ہے۔

آخر میں، جدید مصنوعات کی دنیا میں، مواقع اکثر کم واضح اور رسمی ہوتے ہیں اور تجربات میں ان کی براہ راست توثیق کی جا سکتی ہے، جو آپ کی ترقی کو تیز کرتا ہے۔ اس طرح، مصنوعات کی قیادت میں ترقی میں، ٹیم کے ارکان بغیر کسی سخت ڈیٹا پر مبنی دلیل کے اپنے اپنے مفروضوں کے ساتھ آ سکتے ہیں۔ ان مفروضوں کو ایک چھوٹے سے انداز میں وضع کیا جا سکتا ہے، جیسے کہ فوری طور پر ترمیم کرنا یا کچھ UX عناصر کی مقامی ترتیب کو تبدیل کرنا، جس سے انہیں لاگو کرنا، تعینات کرنا اور جانچ کرنا آسان ہو جاتا ہے۔ فراہم کرنے کے دباؤ کو ہٹا کر ایک priori ہر نئی تجویز کے لیے ڈیٹا، یہ نقطہ نظر تجاویز کی براہ راست توثیق کو نافذ کرتے ہوئے ٹیم کے تمام اراکین کے وجدان اور تخیلات کا فائدہ اٹھاتا ہے۔ آئیے کہتے ہیں کہ آپ کے مواد کی پیداوار آسانی سے چلتی ہے، لیکن آپ کو AI شفافیت اور وضاحت کی عام کمی کے بارے میں زیادہ سے زیادہ شکایات سننے کو ملتی ہیں۔ آپ ایک اضافی شفافیت کی سطح کو نافذ کرنے کا فیصلہ کرتے ہیں اور اپنے صارفین کو وہ مخصوص دستاویزات دکھاتے ہیں جو مواد کے ایک ٹکڑے کو تیار کرنے کے لیے استعمال کیے گئے تھے۔ آپ کی ٹیم اس خصوصیت کو صارفین کے ایک گروپ کے ساتھ جانچنے کے لیے رکھتی ہے اور یہ محسوس کرتی ہے کہ وہ اصل معلومات کے ذرائع کو واپس کرنے کے لیے اسے استعمال کرنے میں خوش ہیں۔ اس طرح، آپ استعمال اور اطمینان کو بڑھانے کے لیے اسے بنیادی مصنوعات میں قائم کرنے کا فیصلہ کرتے ہیں۔

2. قدر۔

اپنے AI پروڈکٹ یا فیچر کی قدر کو سمجھنے اور اس سے بات چیت کرنے کے لیے، آپ کو پہلے اسے استعمال کے معاملے میں نقشہ بنانا ہوگا — ایک مخصوص کاروباری مسئلہ جسے یہ حل کرے گا — اور ROI (سرمایہ کاری پر واپسی) کا پتہ لگانا چاہیے۔ یہ آپ کو ٹیکنالوجی سے اپنے دماغ کو ہٹانے اور حل کے صارف کے فوائد پر توجہ مرکوز کرنے پر مجبور کرتا ہے۔ ROI مختلف جہتوں کے ساتھ ماپا جا سکتا ہے۔ AI کے لیے، ان میں سے کچھ یہ ہیں:

• کارکردگی میں اضافہ: AI افراد، ٹیموں اور پوری کمپنیوں کی پیداوری کے لیے ایک بوسٹر ثابت ہو سکتا ہے۔ مثال کے طور پر، مواد کی تیاری کے لیے، آپ کو معلوم ہو سکتا ہے کہ بلاگ پوسٹ لکھنے کے لیے عام طور پر 4-5 گھنٹے درکار ہوتے ہیں [2]، اب آپ اسے 1-2 گھنٹے میں کر سکتے ہیں، اور اپنے بچائے ہوئے وقت کو دوسرے کاموں کے لیے خرچ کر سکتے ہیں۔ کارکردگی کا فائدہ اکثر لاگت کی بچت کے ساتھ ہاتھ میں جاتا ہے، کیونکہ کام کی اتنی ہی مقدار کو انجام دینے کے لیے کم انسانی کوشش کی ضرورت ہوتی ہے۔ اس طرح، کاروباری تناظر میں، یہ فائدہ صارفین اور قیادت دونوں کے لیے پرکشش ہے۔
• ایک زیادہ ذاتی تجربہ: مثال کے طور پر، آپ کا مواد تیار کرنے والا ٹول صارفین سے اپنی کمپنی کے پیرامیٹرز جیسے برانڈ کی خصوصیات، اصطلاحات، پروڈکٹ کے فوائد وغیرہ سیٹ کرنے کے لیے کہہ سکتا ہے۔ مزید برآں، یہ کسی مخصوص مصنف کی طرف سے کی گئی ترمیم کو ٹریک کر سکتا ہے، اور اپنی نسلوں کو منفرد تحریر کے مطابق ڈھال سکتا ہے۔ وقت کے ساتھ اس صارف کا انداز۔
• تفریح ​​اور لذت: یہاں، ہم مصنوعات کے استعمال کے جذباتی پہلو میں داخل ہوتے ہیں، جسے ڈان نارمن کی طرف سے "visceral" سطح بھی کہا جاتا ہے [3]۔ B2C کیمپ میں تفریح ​​اور تفریح ​​کے لیے پروڈکٹس کی پوری کیٹیگریز موجود ہیں، جیسے گیمنگ اور Augmented Reality۔ B2B کے بارے میں کیا ہے - کیا آپ یہ نہیں مانیں گے کہ B2B مصنوعات جراثیم سے پاک پیشہ ورانہ خلا میں موجود ہیں؟ حقیقت میں، یہ زمرہ B2C سے بھی زیادہ مضبوط جذباتی ردعمل پیدا کر سکتا ہے۔[4] مثال کے طور پر، تحریر کو خود اظہار کے ایک اطمینان بخش عمل کے طور پر، یا مصنف کے بلاک اور دیگر مسائل کے ساتھ اندرونی جدوجہد کے طور پر سمجھا جا سکتا ہے۔ اس بارے میں سوچیں کہ آپ کا پروڈکٹ کس طرح کسی کام کے مثبت جذبات کو تقویت دے سکتا ہے جب کہ اس کے تکلیف دہ پہلوؤں کو کم یا تبدیل بھی کر سکتا ہے۔
• سہولت: آپ کے صارف کو AI کی جادوئی طاقتوں سے فائدہ اٹھانے کے لیے کیا کرنے کی ضرورت ہے؟ MS Office، Google Docs، اور Notion جیسے مشہور اشتراکی ٹولز میں اپنے مواد کی تخلیق کے copilot کو ضم کرنے کا تصور کریں۔ صارفین اپنے ڈیجیٹل "گھر" کے آرام کو چھوڑے بغیر آپ کی مصنوعات کی ذہانت اور کارکردگی تک رسائی حاصل کر سکیں گے۔ اس طرح، آپ اس کوشش کو کم کرتے ہیں جو صارفین کو مصنوعات کی قدر کا تجربہ کرنے اور اسے استعمال کرتے رہنے کے لیے کرنے کی ضرورت ہے، جس کے نتیجے میں آپ کے صارف کے حصول اور اپنانے میں اضافہ ہوتا ہے۔

AI کے کچھ فوائد — مثال کے طور پر کارکردگی — کو ROI کے لیے براہ راست مقدار میں طے کیا جا سکتا ہے۔ سہولت اور خوشی جیسے کم ٹھوس فوائد کے لیے، آپ کو صارف کی اطمینان جیسے پراکسی میٹرکس کے بارے میں سوچنا ہوگا۔ ذہن میں رکھیں کہ اختتامی صارف کی قدر کے لحاظ سے سوچنے سے نہ صرف آپ کے صارفین اور آپ کی مصنوعات کے درمیان فرق ختم ہو جائے گا۔ خوش آئند ضمنی اثر کے طور پر، یہ آپ کے عوامی مواصلات میں تکنیکی تفصیلات کو کم کر سکتا ہے۔ یہ آپ کو اتفاقی طور پر پارٹی میں ناپسندیدہ مقابلے کو مدعو کرنے سے روک دے گا۔

آخر میں، قدر کا ایک بنیادی پہلو جس پر آپ کو ابتدائی طور پر غور کرنا چاہیے وہ ہے پائیداری۔ آپ کا حل معاشرے اور ماحول کو کیسے متاثر کرتا ہے؟ ہماری مثال میں، خودکار یا بڑھا ہوا مواد تخلیق بڑے پیمانے پر انسانی کام کے بوجھ کو بے گھر اور ختم کر سکتا ہے۔ آپ شاید پوری ملازمت کے زمرے کے قاتل کے طور پر مشہور نہیں ہونا چاہتے ہیں - آخر کار، یہ نہ صرف اخلاقی سوالات کو جنم دے گا بلکہ ان صارفین کی طرف سے مزاحمت بھی کرے گا جن کی ملازمتوں کو آپ خطرے میں ڈال رہے ہیں۔ اس بارے میں سوچیں کہ آپ ان خوفوں سے کیسے نمٹ سکتے ہیں۔ مثال کے طور پر، آپ صارفین کو اس بارے میں تعلیم دے سکتے ہیں کہ وہ مزید نفیس مارکیٹنگ کی حکمت عملیوں کو ڈیزائن کرنے کے لیے اپنے نئے فارغ وقت کو کس طرح مؤثر طریقے سے استعمال کر سکتے ہیں۔ یہ ایک قابل دفاع کھائی فراہم کر سکتے ہیں یہاں تک کہ جب دوسرے حریف خود کار مواد کی تیاری کے ساتھ آتے ہیں۔

3 ڈیٹا

کسی بھی قسم کی AI اور مشین لرننگ کے لیے، آپ کو اپنا ڈیٹا اکٹھا کرنے اور تیار کرنے کی ضرورت ہے تاکہ یہ حقیقی زندگی کے آدانوں کی عکاسی کرے اور آپ کے ماڈل کے لیے کافی سیکھنے کے سگنل فراہم کرے۔ آج کل، ہم ڈیٹا سینٹرک AI کی طرف ایک رجحان دیکھتے ہیں - ایک AI فلسفہ جو ماڈلز کی لامتناہی موافقت اور اصلاح سے دور ہو جاتا ہے، اور ان ماڈلز میں فیڈ کیے جانے والے ڈیٹا میں متعدد مسائل کو حل کرنے پر توجہ مرکوز کرتا ہے۔ جب آپ شروعات کرتے ہیں، تو مہذب ڈیٹاسیٹ پر ہاتھ اٹھانے کے مختلف طریقے ہوتے ہیں:

• آپ موجودہ ڈیٹاسیٹ کا استعمال کریں۔. یہ یا تو معیاری مشین لرننگ ڈیٹاسیٹ ہو سکتا ہے یا ایک مختلف ابتدائی مقصد کے ساتھ ڈیٹا سیٹ ہو سکتا ہے جسے آپ اپنے کام کے لیے ڈھالتے ہیں۔ کچھ ڈیٹاسیٹ کلاسیکی ہیں، جیسے آئی ایم ڈی بی مووی ریویو ڈیٹا سیٹ جذبات کے تجزیہ کے لیے اور MNIST ڈیٹاسیٹ ہاتھ سے لکھے ہوئے کردار کی شناخت کے لیے۔ مزید غیر ملکی اور دلچسپ متبادل ہیں، جیسے غیر قانونی ماہی گیری پکڑنا اور کتے کی نسل کی شناخت، اور Kaggle جیسے ڈیٹا ہبس پر بے شمار صارف کے تیار کردہ ڈیٹا سیٹس۔ اس بات کے امکانات کہ آپ کو ایک ایسا ڈیٹاسیٹ ملے گا جو آپ کے مخصوص کام کے لیے بنایا گیا ہو اور آپ کی ضروریات کو مکمل طور پر پورا کرتا ہو، بہت کم ہیں، اور زیادہ تر معاملات میں، آپ کو اپنے ڈیٹا کی افزودگی کے لیے دوسرے طریقے بھی استعمال کرنے کی ضرورت ہوگی۔
• آپ دستی طور پر ڈیٹا کی تشریح یا تخلیق کریں۔ صحیح سیکھنے کے سگنل بنانے کے لیے۔ دستی ڈیٹا تشریح - مثال کے طور پر، جذباتی اسکور کے ساتھ متن کی تشریح - مشین لرننگ کے ابتدائی دنوں میں جانے کا طریقہ تھا۔ حال ہی میں، اس نے ChatGPT کی خفیہ چٹنی میں مرکزی جزو کے طور پر دوبارہ توجہ حاصل کی ہے۔ انسانی ترجیحات کی عکاسی کرنے کے لیے ماڈل کے ردعمل کو بنانے اور درجہ بندی کرنے پر ایک بہت بڑی دستی کوشش خرچ کی گئی۔ اس تکنیک کو Reinforcement Learning from Human Feedback (RLHF) بھی کہا جاتا ہے۔ اگر آپ کے پاس ضروری وسائل ہیں، تو آپ انہیں زیادہ مخصوص کاموں کے لیے اعلیٰ معیار کا ڈیٹا بنانے کے لیے استعمال کر سکتے ہیں، جیسے کہ مارکیٹنگ کے مواد کی تخلیق۔ تشریح یا تو اندرونی طور پر یا بیرونی فراہم کنندہ یا کراؤڈ سورسنگ سروس جیسے Amazon Mechanical Turk کے ذریعے کی جا سکتی ہے۔ ویسے بھی، زیادہ تر کمپنیاں RLHF ڈیٹا کی دستی تخلیق کے لیے درکار بھاری وسائل خرچ نہیں کرنا چاہیں گی اور اپنے ڈیٹا کی تخلیق کو خودکار بنانے کے لیے کچھ چالوں پر غور کریں گی۔
• لہذا، آپ موجودہ ڈیٹاسیٹ کا استعمال کرتے ہوئے مزید مثالیں شامل کر سکتے ہیں۔ ڈیٹا میں اضافہ. جذباتی تجزیہ جیسے آسان کاموں کے لیے، آپ متن میں کچھ اضافی شور ڈال سکتے ہیں، چند الفاظ کو تبدیل کر سکتے ہیں، وغیرہ۔ مزید کھلے نسل کے کاموں کے لیے، فی الحال خودکار کے لیے بڑے ماڈلز (مثلاً فاؤنڈیشنل ماڈل) استعمال کرنے کے بارے میں کافی جوش و خروش پایا جاتا ہے۔ ڈیٹا جنریشن کی تربیت۔ ایک بار جب آپ اپنے ڈیٹا کو بڑھانے کے لیے بہترین طریقہ کی نشاندہی کر لیتے ہیں، تو آپ مطلوبہ ڈیٹا سیٹ کے سائز تک پہنچنے کے لیے اسے آسانی سے پیمانہ بنا سکتے ہیں۔

اپنا ڈیٹا بناتے وقت، آپ کو معیار اور مقدار کے درمیان تجارت کا سامنا کرنا پڑتا ہے۔ آپ دستی طور پر اعلیٰ معیار کے ساتھ کم ڈیٹا کی تشریح کر سکتے ہیں، یا خودکار ڈیٹا بڑھانے کے لیے ہیکس اور ٹرکس تیار کرنے پر اپنا بجٹ خرچ کر سکتے ہیں جو اضافی شور کو متعارف کرائے گی۔ اگر آپ دستی تشریح کے لیے جاتے ہیں، تو آپ اسے اندرونی طور پر کر سکتے ہیں اور تفصیل اور معیار کی ثقافت کو تشکیل دے سکتے ہیں، یا گمنام لوگوں کے لیے کام کو کراؤڈ سورس کر سکتے ہیں۔ کراؤڈ سورسنگ کا معیار عام طور پر کم ہوتا ہے، اس لیے آپ کو شور کی تلافی کے لیے مزید تشریح کرنے کی ضرورت پڑ سکتی ہے۔ آپ مثالی توازن کیسے تلاش کرتے ہیں؟ یہاں کوئی تیار ترکیبیں نہیں ہیں - بالآخر، آپ کو تربیت اور اپنے ڈیٹا کو بڑھانے کے درمیان مسلسل آگے پیچھے کے ذریعے اپنا مثالی ڈیٹا کمپوزیشن مل جائے گا۔ عام طور پر، جب کسی ماڈل کی پہلے سے تربیت کرتے ہیں، تو اسے شروع سے علم حاصل کرنے کی ضرورت ہوتی ہے، جو کہ ڈیٹا کی ایک بڑی مقدار کے ساتھ ہی ہو سکتا ہے۔ دوسری طرف، اگر آپ ٹھیک ٹیون کرنا چاہتے ہیں اور کسی موجودہ بڑے ماڈل کو اسپیشلائزیشن کی آخری ٹچ دینا چاہتے ہیں، تو آپ کو مقدار سے زیادہ معیار کو اہمیت دے سکتے ہیں۔ تفصیلی رہنما خطوط کا استعمال کرتے ہوئے چھوٹے ڈیٹاسیٹ کی کنٹرول شدہ دستی تشریح اس معاملے میں بہترین حل ہو سکتی ہے۔

4. الگورتھم

ڈیٹا وہ خام مال ہے جس سے آپ کا ماڈل سیکھے گا، اور امید ہے کہ آپ ایک نمائندہ، اعلیٰ معیار کا ڈیٹاسیٹ مرتب کر سکتے ہیں۔ اب، آپ کے AI سسٹم کی اصل سپر پاور — موجودہ ڈیٹا سے سیکھنے اور نئے ڈیٹا کو عام کرنے کی صلاحیت — الگورتھم میں رہتی ہے۔ بنیادی AI ماڈلز کے لحاظ سے، تین اہم اختیارات ہیں جو آپ استعمال کر سکتے ہیں:

• ایک موجودہ ماڈل کا اشارہ کریں۔ GPT فیملی کے ایڈوانسڈ LLMs (Large Language Models)، جیسے ChatGPT اور GPT-4، نیز دیگر فراہم کنندگان جیسے Anthropic اور AI21 Labs سے API کے ذریعے اندازہ لگانے کے لیے دستیاب ہیں۔ اشارہ کرنے کے ساتھ، آپ ان ماڈلز سے براہ راست بات کر سکتے ہیں، بشمول آپ کے پرامپٹ میں کسی کام کے لیے درکار تمام ڈومین- اور ٹاسک سے متعلق مخصوص معلومات۔ اس میں استعمال کرنے کے لیے مخصوص مواد، مشابہ کاموں کی مثالیں (چند شاٹ پرمپٹنگ) کے ساتھ ساتھ ماڈل کے لیے ہدایات بھی شامل ہو سکتی ہیں۔ مثال کے طور پر، اگر آپ کا صارف کسی نئے پروڈکٹ کی خصوصیت کے بارے میں بلاگ پوسٹ بنانا چاہتا ہے، تو آپ ان سے اس خصوصیت کے بارے میں کچھ بنیادی معلومات فراہم کرنے کے لیے کہہ سکتے ہیں، جیسے کہ اس کے فوائد اور استعمال کے معاملات، اسے استعمال کرنے کا طریقہ، لانچ کی تاریخ وغیرہ۔ پھر آپ کا پروڈکٹ اس معلومات کو احتیاط سے تیار کردہ پرامپٹ ٹیمپلیٹ میں بھرتا ہے اور LLM سے متن تیار کرنے کو کہتا ہے۔ پہلے سے تربیت یافتہ ماڈلز کا آغاز کرنے کے لیے اشارہ کرنا بہت اچھا ہے۔ تاہم، آپ پرامپٹنگ کے ساتھ جو کھائی تعمیر کر سکتے ہیں وہ وقت کے ساتھ تیزی سے کم ہو جائے گا — درمیانی مدت میں، آپ کو اپنے مسابقتی برتری کو برقرار رکھنے کے لیے ایک زیادہ قابل دفاع ماڈل حکمت عملی کی ضرورت ہے۔
• پہلے سے تربیت یافتہ ماڈل کو ٹھیک بنائیں۔ اس نقطہ نظر نے پچھلے سالوں میں AI کو بہت مقبول بنا دیا ہے۔ جیسے جیسے زیادہ سے زیادہ پہلے سے تربیت یافتہ ماڈلز دستیاب ہو رہے ہیں اور پورٹلز جیسے Huggingface ماڈلز کے ساتھ کام کرنے کے لیے ماڈل ریپوزٹریز کے ساتھ ساتھ معیاری کوڈ بھی پیش کرتے ہیں، فائن ٹیوننگ کوشش کرنے اور لاگو کرنے کا طریقہ بنتا جا رہا ہے۔ جب آپ پہلے سے تربیت یافتہ ماڈل کے ساتھ کام کرتے ہیں، تو آپ اس سرمایہ کاری سے فائدہ اٹھا سکتے ہیں جو کسی نے پہلے ہی ماڈل کے ڈیٹا، تربیت اور تشخیص میں کی ہے، جو زبان اور دنیا کے بارے میں بہت ساری چیزیں پہلے سے ہی "جانتا" ہے۔ آپ کو صرف ایک ٹاسک مخصوص ڈیٹاسیٹ کا استعمال کرتے ہوئے ماڈل کو ٹھیک کرنے کی ضرورت ہے، جو پہلے سے تربیت کے لیے استعمال کیے گئے ڈیٹاسیٹ سے بہت چھوٹا ہو سکتا ہے۔ مثال کے طور پر، مارکیٹنگ کے مواد کی تیاری کے لیے، آپ بلاگ پوسٹس کا ایک سیٹ جمع کر سکتے ہیں جنہوں نے مصروفیت کے لحاظ سے اچھی کارکردگی کا مظاہرہ کیا، اور ان کے لیے ہدایات کو ریورس انجینئر کر سکتے ہیں۔ اس ڈیٹا سے، آپ کا ماڈل کامیاب مضامین کی ساخت، بہاؤ اور انداز کے بارے میں سیکھے گا۔ اوپن سورس ماڈلز کا استعمال کرتے وقت فائن ٹیوننگ ایک راستہ ہے، لیکن LLM API فراہم کنندگان جیسے OpenAI اور Cohere بھی تیزی سے فائن ٹیوننگ فعالیت کی پیشکش کر رہے ہیں۔ خاص طور پر اوپن سورس ٹریک کے لیے، آپ کو اب بھی ماڈل کے انتخاب کے مسائل، تربیت کی لاگت اور بڑے ماڈلز کی تعیناتی، اور اپنے ماڈل کی دیکھ بھال اور اپ ڈیٹ کے نظام الاوقات پر غور کرنے کی ضرورت ہوگی۔
• اپنے ایم ایل ماڈل کو شروع سے تربیت دیں۔ عام طور پر، یہ طریقہ آسان، لیکن انتہائی مخصوص مسائل کے لیے بہتر کام کرتا ہے جن کے لیے آپ کے پاس مخصوص جانکاری یا مہذب ڈیٹا سیٹس ہیں۔ مواد کی تخلیق قطعی طور پر اس زمرے میں نہیں آتی ہے — اسے آپ کو زمین سے اتارنے کے لیے جدید لسانی صلاحیتوں کی ضرورت ہوتی ہے، اور یہ مضحکہ خیز اعداد و شمار کی بڑی مقدار پر تربیت کے بعد ہی حاصل کیے جا سکتے ہیں۔ کسی مخصوص قسم کے متن کے لیے جذباتی تجزیہ جیسے آسان مسائل کو اکثر مشین لرننگ کے قائم کردہ طریقوں جیسے لاجسٹک ریگریشن سے حل کیا جا سکتا ہے، جو کہ گہرے سیکھنے کے فینسی طریقوں سے کمپیوٹیشنل طور پر کم مہنگے ہوتے ہیں۔ بلاشبہ، معقول حد تک پیچیدہ مسائل کی درمیانی بنیاد بھی ہے جیسے مخصوص ڈومینز کے لیے تصور نکالنا، جس کے لیے آپ شروع سے ہی گہرے نیورل نیٹ ورک کی تربیت پر غور کر سکتے ہیں۔

تربیت کے علاوہ، مشین لرننگ کے کامیاب استعمال کے لیے تشخیص بنیادی اہمیت کا حامل ہے۔ مناسب تشخیصی میٹرکس اور طریقے نہ صرف آپ کی AI خصوصیات کے پر اعتماد آغاز کے لیے اہم ہیں، بلکہ مزید اصلاح کے لیے ایک واضح ہدف کے طور پر اور اندرونی بات چیت اور فیصلوں کے لیے ایک مشترکہ بنیاد کے طور پر بھی کام کریں گے۔ اگرچہ تکنیکی میٹرکس جیسے درستگی، یاد کرنا، اور درستگی ایک اچھا نقطہ آغاز فراہم کر سکتی ہے، بالآخر آپ ایسے میٹرکس کو تلاش کرنا چاہیں گے جو حقیقی زندگی کی قدر کی عکاسی کریں جو آپ کا AI صارفین کو فراہم کر رہا ہے۔

5. صارف کا تجربہ

AI پروڈکٹس کا صارف کا تجربہ ایک دلکش تھیم ہے - آخر کار، صارفین کو بہت زیادہ امیدیں ہوتی ہیں لیکن ایک AI کے ساتھ "شراکت داری" کے بارے میں خوف بھی ہوتا ہے جو ان کی ذہانت کو سپرچارج اور ممکنہ طور پر بہتر بنا سکتا ہے۔ اس انسانی AI شراکت داری کے ڈیزائن کے لیے سوچ سمجھ کر اور سمجھدار دریافت اور ڈیزائن کے عمل کی ضرورت ہے۔ اہم باتوں میں سے ایک آٹومیشن کی ڈگری ہے جسے آپ اپنے پروڈکٹ کے ساتھ دینا چاہتے ہیں — اور آپ کو یاد رکھیں، کل آٹومیشن ہمیشہ مثالی حل نہیں ہوتا ہے۔ مندرجہ ذیل اعداد و شمار آٹومیشن تسلسل کی وضاحت کرتا ہے:

آئیے ان سطحوں میں سے ہر ایک کو دیکھیں:

• پہلے مرحلے میں، انسان تمام کام کرتے ہیں، اور کوئی آٹومیشن نہیں کی جاتی ہے۔ AI کے ارد گرد کے ہپ کے باوجود، جدید کمپنیوں میں زیادہ تر علمی کام اب بھی اسی سطح پر کیے جاتے ہیں، جو آٹومیشن کے لیے بڑے مواقع پیش کرتے ہیں۔ مثال کے طور پر، مواد لکھنے والا جو AI سے چلنے والے ٹولز کے خلاف مزاحمت کرتا ہے اور اس بات پر قائل ہوتا ہے کہ تحریر ایک انتہائی دستی اور محاوراتی ہنر یہاں کام کرتی ہے۔
• معاون AI کے دوسرے مرحلے میں، صارفین کو کام کی تکمیل پر مکمل کنٹرول حاصل ہوتا ہے اور وہ کام کا ایک بڑا حصہ دستی طور پر کرتے ہیں، لیکن AI ٹولز ان کا وقت بچانے اور ان کے کمزور نکات کی تلافی میں مدد کرتے ہیں۔ مثال کے طور پر، ایک سخت ڈیڈ لائن کے ساتھ بلاگ پوسٹ لکھتے وقت، گرامرلی یا اس سے ملتے جلتے ٹول کے ساتھ حتمی لسانی جانچ ایک خوش آئند ٹائم سیور بن سکتی ہے۔ یہ دستی نظرثانی کو ختم کر سکتا ہے، جس کے لیے آپ کے بہت کم وقت اور توجہ کی ضرورت ہوتی ہے اور ہو سکتا ہے کہ پھر بھی آپ کو غلطیوں اور نظر اندازوں کے ساتھ چھوڑ دیا جائے - بہر حال، غلطی کرنا انسان ہے۔
• بڑھی ہوئی ذہانت کے ساتھ، AI ایک ایسا پارٹنر ہے جو انسان کی ذہانت کو بڑھاتا ہے، اس طرح دونوں جہانوں کی طاقتوں کا فائدہ اٹھاتا ہے۔ معاون AI کے مقابلے میں، مشین کے پاس آپ کے عمل میں کہنے کے لیے اور بھی بہت کچھ ہے اور یہ ذمہ داریوں کے ایک بڑے سیٹ کا احاطہ کرتی ہے، جیسے آئیڈییشن، جنریشن، اور مسودوں کی تدوین، اور آخری لسانی جانچ۔ صارفین کو اب بھی کام میں حصہ لینے، فیصلے کرنے، اور کام کے حصوں کو انجام دینے کی ضرورت ہے۔ یوزر انٹرفیس کو واضح طور پر انسانی اور AI کے درمیان محنت کی تقسیم کی نشاندہی کرنی چاہیے، غلطی کی صلاحیتوں کو اجاگر کرنا چاہیے، اور اس کے انجام دینے والے اقدامات میں شفافیت فراہم کرنی چاہیے۔ مختصراً، "بڑھا ہوا" تجربہ صارفین کو تکرار اور اصلاح کے ذریعے مطلوبہ نتائج کی طرف رہنمائی کرتا ہے۔
• اور آخر کار، ہمارے پاس مکمل آٹومیشن ہے — AI گیکس، فلسفیوں اور پنڈتوں کے لیے ایک دلچسپ خیال، لیکن اکثر حقیقی زندگی کی مصنوعات کے لیے بہترین انتخاب نہیں ہوتا۔ مکمل آٹومیشن کا مطلب ہے کہ آپ ایک "بڑا سرخ بٹن" پیش کر رہے ہیں جو عمل کو شروع کرتا ہے۔ AI مکمل ہونے کے بعد، آپ کے صارفین کو حتمی آؤٹ پٹ کا سامنا کرنا پڑتا ہے اور یا تو اسے لے جاتے ہیں یا چھوڑ دیتے ہیں۔ درمیان میں جو کچھ بھی ہوا وہ کنٹرول نہیں کر سکتے۔ جیسا کہ آپ تصور کر سکتے ہیں، یہاں UX کے اختیارات کافی حد تک محدود ہیں کیونکہ عملی طور پر کوئی تعامل نہیں ہے۔ کامیابی کی زیادہ تر ذمہ داری آپ کے تکنیکی ساتھیوں کے کندھوں پر ہے، جنہیں پیداوار کے غیر معمولی اعلیٰ معیار کو یقینی بنانے کی ضرورت ہے۔

جب ڈیزائن کی بات آتی ہے تو AI مصنوعات کو خصوصی علاج کی ضرورت ہوتی ہے۔ معیاری گرافیکل انٹرفیس متعین ہوتے ہیں اور آپ کو ان تمام ممکنہ راستوں کا اندازہ لگانے کی اجازت دیتے ہیں جو صارف اختیار کر سکتا ہے۔ اس کے برعکس، بڑے AI ماڈلز امکانی اور غیر یقینی ہوتے ہیں - وہ حیرت انگیز صلاحیتوں کی ایک حد کو بے نقاب کرتے ہیں لیکن زہریلے، غلط اور نقصان دہ نتائج جیسے خطرات بھی۔ باہر سے، آپ کا AI انٹرفیس سادہ لگ سکتا ہے کیونکہ آپ کی مصنوعات کی بہت سی صلاحیتیں براہ راست ماڈل میں رہتی ہیں۔ مثال کے طور پر، ایک LLM اشارے کی تشریح کر سکتا ہے، متن تیار کر سکتا ہے، معلومات کی تلاش کر سکتا ہے، اس کا خلاصہ کر سکتا ہے، ایک مخصوص انداز اور اصطلاحات کو اپنا سکتا ہے، ہدایات پر عمل کر سکتا ہے، وغیرہ۔ یہاں تک کہ اگر آپ کا UI ایک سادہ چیٹ یا پرامپٹ کرنے والا انٹرفیس ہے، اس امکان کو پوشیدہ نہ چھوڑیں۔ - صارفین کو کامیابی کی طرف لے جانے کے لیے، آپ کو واضح اور حقیقت پسندانہ ہونا ضروری ہے۔ صارفین کو اپنے AI ماڈلز کی صلاحیتوں اور حدود سے آگاہ کریں، انہیں AI کی طرف سے کی گئی غلطیوں کو آسانی سے دریافت کرنے اور ان کو ٹھیک کرنے کی اجازت دیں، اور انہیں خود کو بہتر سے بہتر آؤٹ پٹس پر اعادہ کرنے کے طریقے سکھائیں۔ اعتماد، شفافیت اور صارف کی تعلیم پر زور دے کر، آپ اپنے صارفین کو AI کے ساتھ تعاون کرنے پر مجبور کر سکتے ہیں۔ اگرچہ AI ڈیزائن کے ابھرتے ہوئے نظم و ضبط میں گہرا غوطہ لگانا اس مضمون کے دائرہ کار سے باہر ہے، میں آپ کو پرزور ترغیب دیتا ہوں کہ آپ نہ صرف دیگر AI کمپنیوں سے بلکہ ڈیزائن کے دیگر شعبوں جیسے کہ انسانی مشین کے تعامل سے بھی متاثر ہوں۔ آپ جلد ہی اعادی ڈیزائن کے نمونوں کی ایک رینج کی شناخت کریں گے، جیسے خودکار تکمیل، فوری تجاویز، اور AI نوٹس، جنہیں آپ اپنے ڈیٹا اور ماڈلز سے زیادہ سے زیادہ فائدہ اٹھانے کے لیے اپنے انٹرفیس میں ضم کر سکتے ہیں۔

اس کے علاوہ، واقعی ایک بہترین ڈیزائن فراہم کرنے کے لیے، آپ کو اپنی ٹیم میں ڈیزائن کی نئی مہارتیں شامل کرنے کی ضرورت پڑ سکتی ہے۔ مثال کے طور پر، اگر آپ مارکیٹنگ کے مواد کو بہتر بنانے کے لیے ایک چیٹ ایپلیکیشن بنا رہے ہیں، تو آپ ایک بات چیت کے ڈیزائنر کے ساتھ کام کریں گے جو گفتگو کے بہاؤ اور آپ کے چیٹ بوٹ کی "شخصیت" کا خیال رکھتا ہے۔ اگر آپ ایک بھرپور اضافہ شدہ پروڈکٹ بنا رہے ہیں جس کے لیے دستیاب اختیارات کے ذریعے اپنے صارفین کو اچھی طرح سے تعلیم دینے اور ان کی رہنمائی کرنے کی ضرورت ہے، تو ایک مواد ڈیزائنر آپ کو صحیح قسم کے معلوماتی فن تعمیر میں مدد کر سکتا ہے، اور آپ کے صارفین کے لیے مناسب مقدار میں نڈنگ اور پرامپٹ شامل کر سکتا ہے۔

اور آخر میں، حیرت کے لئے کھلے رہیں. AI ڈیزائن آپ کو صارف کے تجربے کے بارے میں اپنے اصل تصورات پر دوبارہ غور کرنے پر مجبور کر سکتا ہے۔ مثال کے طور پر، بہت سے UX ڈیزائنرز اور پروڈکٹ مینیجرز کو صارف کے تجربے کو ہموار کرنے کے لیے تاخیر اور رگڑ کو کم کرنے کے لیے ڈرل کیا گیا تھا۔ ٹھیک ہے، AI مصنوعات میں، آپ اس لڑائی کو روک سکتے ہیں اور دونوں کو اپنے فائدے کے لیے استعمال کر سکتے ہیں۔ تاخیر اور انتظار کے اوقات آپ کے صارفین کو تعلیم دینے کے لیے بہترین ہیں، مثلاً یہ بتانا کہ AI فی الحال کیا کر رہا ہے اور ان کی جانب سے ممکنہ اگلے اقدامات کی نشاندہی کرنا۔ وقفے، جیسے ڈائیلاگ اور نوٹیفکیشن پاپ اپ، انسانی-AI شراکت کو تقویت دینے اور آپ کے صارفین کے لیے شفافیت اور کنٹرول کو بڑھانے کے لیے رگڑ متعارف کرا سکتے ہیں۔

6. غیر فعال ضروریات

ڈیٹا، الگورتھم اور UX سے ہٹ کر جو آپ کو ایک مخصوص فعالیت، نام نہاد غیر فعال ضروریات (NFRs) کو لاگو کرنے کے قابل بناتے ہیں جیسے کہ درستگی، تاخیر، اسکیل ایبلٹی، وشوسنییتا، اور ڈیٹا گورننس اس بات کو یقینی بناتے ہیں کہ صارف کو درحقیقت تصور کردہ قدر ملے۔ NFRs کا تصور سافٹ ویئر ڈویلپمنٹ سے آتا ہے لیکن ابھی تک AI کے ڈومین میں منظم طریقے سے حساب نہیں کیا گیا ہے۔ اکثر، ان تقاضوں کو ایڈہاک انداز میں اٹھایا جاتا ہے کیونکہ یہ صارف کی تحقیق، نظریہ، ترقی، اور AI صلاحیتوں کے آپریشن کے دوران سامنے آتی ہیں۔

آپ کو اپنے NFRs کو جلد از جلد سمجھنے اور اس کی وضاحت کرنے کی کوشش کرنی چاہیے کیونکہ مختلف NFRs آپ کے سفر میں مختلف مقامات پر زندہ ہوں گے۔ مثال کے طور پر، رازداری کو ڈیٹا کے انتخاب کے بالکل ابتدائی مرحلے سے شروع کرنے پر غور کرنے کی ضرورت ہے۔ پیداواری مرحلے میں درستگی سب سے زیادہ حساس ہوتی ہے جب صارفین آپ کے سسٹم کو آن لائن استعمال کرنا شروع کرتے ہیں، ممکنہ طور پر اسے غیر متوقع ان پٹ سے مغلوب کر دیتے ہیں۔ اسکیل ایبلٹی ایک اسٹریٹجک غور و فکر ہے جو اس وقت عمل میں آتی ہے جب آپ کا کاروبار صارفین کی تعداد اور/یا درخواستوں یا پیش کردہ فعالیت کے اسپیکٹرم کی پیمائش کرتا ہے۔

جب بات NFRs کی ہو تو آپ کے پاس یہ سب نہیں ہو سکتے۔ یہاں کچھ عام تجارتی بندیاں ہیں جن میں آپ کو توازن قائم کرنے کی ضرورت ہوگی:

• درستگی بڑھانے کے پہلے طریقوں میں سے ایک بڑا ماڈل استعمال کرنا ہے، جو تاخیر کو متاثر کرے گا۔
• مزید اصلاح کے لیے پروڈکشن ڈیٹا کا استعمال "جیسا ہے" سیکھنے کے لیے بہترین ہو سکتا ہے، لیکن یہ آپ کی رازداری اور گمنامی کے قوانین کی خلاف ورزی کر سکتا ہے۔
• مزید توسیع پذیر ماڈل جنرلسٹ ہیں، جو کمپنی یا صارف کے مخصوص کاموں پر ان کی درستگی کو متاثر کرتے ہیں۔

آپ مختلف تقاضوں کو کس طرح ترجیح دیتے ہیں اس کا انحصار دستیاب کمپیوٹیشنل وسائل، آپ کے UX تصور بشمول آٹومیشن کی ڈگری، اور AI کے تعاون یافتہ فیصلوں کے اثرات پر ہوگا۔

اہم لۓ

1. آخر کو ذہن میں رکھ کر شروع کریں۔یہ مت سمجھو کہ ٹیکنالوجی اکیلے کام کرے گی۔ آپ کو اپنے AI کو صارف کا سامنا کرنے والی مصنوعات میں ضم کرنے اور اس کے فوائد، خطرات اور حدود کے بارے میں اپنے صارفین کو آگاہ کرنے کے لیے ایک واضح روڈ میپ کی ضرورت ہے۔
2. مارکیٹ کی صف بندی: مارکیٹ کے مواقع کو ترجیح دیں اور گاہک کو اے آئی کی ترقی کی رہنمائی کرنے کی ضرورت ہے۔ ہائپ کے ذریعہ اور مارکیٹ کی طرف سے توثیق کے بغیر AI کے نفاذ میں جلدی نہ کریں۔
3. صارف کی قدر: کارکردگی، ذاتی نوعیت، سہولت اور قدر کی دیگر جہتوں کے لحاظ سے AI پروڈکٹس کی قدر کی وضاحت، مقدار، اور بات چیت کریں۔
4. ڈیٹا کا معیار: AI ماڈلز کو مؤثر طریقے سے تربیت دینے کے لیے ڈیٹا کے معیار اور مطابقت پر توجہ دیں۔ ٹھیک ٹیوننگ کے لیے چھوٹے، اعلیٰ معیار کے ڈیٹا اور شروع سے تربیت کے لیے بڑے ڈیٹا سیٹس استعمال کرنے کی کوشش کریں۔
5. الگورتھم/ماڈل کا انتخاب: اپنے استعمال کے معاملے کے لیے پیچیدگی اور دفاعی صلاحیت کی صحیح سطح کا انتخاب کریں (پرامپٹ، فائن ٹیوننگ، شروع سے ٹریننگ) اور احتیاط سے اس کی کارکردگی کا جائزہ لیں۔ وقت گزرنے کے ساتھ، جیسا کہ آپ اپنی پروڈکٹ میں ضروری مہارت اور اعتماد حاصل کرتے ہیں، ہو سکتا ہے آپ مزید جدید ماڈل کی حکمت عملیوں پر جانا چاہیں۔
6. صارف پر مبنی ڈیزائن: AI مصنوعات کو صارف کی ضروریات اور جذبات کو ذہن میں رکھتے ہوئے ڈیزائن کریں، آٹومیشن اور صارف کے کنٹرول میں توازن پیدا کریں۔ ممکنہ AI ماڈلز کی "غیر متوقع صلاحیت" کو ذہن میں رکھیں، اور اپنے صارفین کو اس کے ساتھ کام کرنے اور اس سے فائدہ اٹھانے کے لیے رہنمائی کریں۔
7. باہمی تعاون کے ساتھ ڈیزائن: اعتماد، شفافیت، اور صارف کی تعلیم پر زور دے کر، آپ اپنے صارفین کو AI کے ساتھ تعاون کرنے پر مجبور کر سکتے ہیں۔
8. غیر فعال ضروریات: ترقی کے دوران درستگی، تاخیر، توسیع پذیری، اور قابل اعتمادی جیسے عوامل پر غور کریں، اور ابتدائی طور پر ان کے درمیان تجارت کا جائزہ لینے کی کوشش کریں۔
9. تعاون: AI ماہرین، ڈیزائنرز، پروڈکٹ مینیجرز، اور ٹیم کے دیگر ممبران کے درمیان قریبی تعاون کو فروغ دیں تاکہ کراس ڈسپلنری انٹیلی جنس سے استفادہ کیا جا سکے اور اپنے AI کو کامیابی سے مربوط کریں۔

حوالہ جات

[1] ٹریسا ٹوریس (2021)۔ مسلسل دریافت کی عادات: ایسی مصنوعات دریافت کریں جو گاہک کی قدر اور کاروباری قدر پیدا کریں۔

[2] مدار میڈیا (2022)۔ نئے بلاگنگ کے اعدادوشمار: 2022 میں کون سی مواد کی حکمت عملی کام کرتی ہے؟ ہم نے 1016 بلاگرز سے پوچھا.

[3] ڈان نارمن (2013)۔ روزمرہ کی چیزوں کا ڈیزائن۔

[4] Google, Gartner and Motista (2013)۔ پروموشن سے جذبات تک: B2B صارفین کو برانڈز سے جوڑنا.

نوٹ: تمام تصاویر مصنف کی ہیں۔

یہ مضمون اصل میں شائع کیا گیا تھا ڈیٹا سائنس کی طرف اور مصنف کی اجازت سے TOPBOTS پر دوبارہ شائع کیا گیا۔

اس مضمون کا لطف اٹھائیں؟ مزید AI ریسرچ اپ ڈیٹس کے لیے سائن اپ کریں۔

جب ہم اس جیسے مزید خلاصہ مضامین جاری کریں گے تو ہم آپ کو بتائیں گے۔

متعلقہ

• 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۔ آٹوموٹو / ای وی، 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۔
• چارٹ پرائم۔ ChartPrime کے ساتھ اپنے ٹریڈنگ گیم کو بلند کریں۔ یہاں تک رسائی حاصل کریں۔
• بلاک آفسیٹس۔ ماحولیاتی آفسیٹ ملکیت کو جدید بنانا۔ یہاں تک رسائی حاصل کریں۔
• ماخذ: https://www.topbots.com/building-ai-products-with-a-holistic-mental-model/