جعلی خبروں کی تعریف ایسی خبروں کے طور پر کی جاتی ہے جو جھوٹی، من گھڑت، یا جان بوجھ کر گمراہ کن معلومات فراہم کرتی ہے یا شامل کرتی ہے، پرنٹنگ پریس کے ظہور کے آغاز سے ہی ہوتی رہی ہے۔ جعلی خبروں اور غلط معلومات کا آن لائن تیزی سے پھیلاؤ نہ صرف عوام کو دھوکہ دے رہا ہے بلکہ معاشرے، سیاست، معیشت اور ثقافت پر بھی گہرا اثر ڈال سکتا ہے۔ مثالوں میں شامل ہیں:
- میڈیا میں عدم اعتماد پیدا کرنا
- جمہوری عمل کو نقصان پہنچانا
- جھوٹی یا بدنام سائنس پھیلانا (مثال کے طور پر، اینٹی ویکس تحریک)
مصنوعی ذہانت (AI) اور مشین لرننگ (ML) میں پیشرفت نے جعلی خبریں بنانے اور شیئر کرنے کے لیے ٹولز کو مزید آسان بنا دیا ہے۔ ابتدائی مثالوں میں جدید سماجی بوٹس اور خودکار اکاؤنٹس شامل ہیں جو جعلی خبریں پھیلانے کے ابتدائی مرحلے کو سپرچارج کرتے ہیں۔ عام طور پر، عوام کے لیے یہ تعین کرنا معمولی بات نہیں ہے کہ آیا ایسے اکاؤنٹس لوگ ہیں یا بوٹس۔ اس کے علاوہ، سماجی بوٹس غیر قانونی اوزار نہیں ہیں، اور بہت سی کمپنیاں قانونی طور پر انہیں اپنی مارکیٹنگ کی حکمت عملی کے حصے کے طور پر خریدتی ہیں۔ لہذا، منظم طریقے سے سماجی بوٹس کے استعمال کو روکنا آسان نہیں ہے۔
تخلیقی AI کے میدان میں حالیہ دریافتوں نے بڑے لینگویج ماڈلز (LLMs) کی مدد سے متنی مواد کو بے مثال رفتار سے تیار کرنا ممکن بنایا ہے۔ LLM 1 بلین سے زیادہ پیرامیٹرز کے ساتھ تخلیقی AI ٹیکسٹ ماڈل ہیں، اور انہیں اعلیٰ معیار کے متن کی ترکیب میں سہولت فراہم کی جاتی ہے۔
اس پوسٹ میں، ہم دریافت کرتے ہیں کہ آپ جعلی خبروں کا پتہ لگانے کے مروجہ مسئلے سے نمٹنے کے لیے کس طرح LLMs کا استعمال کر سکتے ہیں۔ ہم تجویز کرتے ہیں کہ ایل ایل ایم اس کام کے لیے کافی حد تک ترقی یافتہ ہیں، خاص طور پر اگر فوری طور پر بہتر تکنیکیں جیسے سوچ کا سلسلہ اور ReAct معلومات کی بازیافت کے لیے ٹولز کے ساتھ مل کر استعمال کیا جاتا ہے۔
ہم ایک تخلیق کرکے اس کی وضاحت کرتے ہیں۔ لینگ چین ایپلیکیشن جو کہ خبر کا ایک ٹکڑا دے کر صارف کو مطلع کرتی ہے کہ آیا مضمون قدرتی زبان کا استعمال کرتے ہوئے صحیح ہے یا جعلی۔ حل بھی استعمال کرتا ہے۔ ایمیزون بیڈرکایک مکمل طور پر منظم سروس جو ایمیزون اور تھرڈ پارٹی ماڈل فراہم کنندگان کے فاؤنڈیشن ماڈلز (FMs) کو اس کے ذریعے قابل رسائی بناتی ہے۔ AWS مینجمنٹ کنسول اور APIs۔
ایل ایل ایم اور جعلی خبریں۔
انٹرنیٹ اور خاص طور پر سوشل میڈیا کی آمد کے ساتھ ہی جعلی خبروں کا رجحان تیزی سے تیار ہونا شروع ہوا (نیلسن اور ایل، 2017)۔ سوشل میڈیا پر، جعلی خبروں کو صارف کے نیٹ ورک میں تیزی سے شیئر کیا جا سکتا ہے، جس سے عوام غلط اجتماعی رائے قائم کر سکتے ہیں۔ اس کے علاوہ، لوگ اکثر جعلی خبروں کا پرچار کرتے ہیں، مواد کی حقیقت کو نظر انداز کرتے ہوئے اگر یہ خبر ان کے ذاتی اصولوں کے مطابق ہو (Tsipursky et al. 2018)۔ سماجی سائنس میں تحقیق نے تجویز کیا ہے کہ علمی تعصب (تصدیق کا تعصب، بینڈ ویگن اثر، اور انتخاب کی حمایت کرنے والا تعصب) جعلی خبروں کی تخلیق اور استعمال دونوں کے لحاظ سے غیر معقول فیصلے کرنے کے سب سے اہم عوامل میں سے ایک ہے۔کم، وغیرہ، 2021)۔ اس سے یہ بھی ظاہر ہوتا ہے کہ خبروں کے صارفین صرف اپنے عقائد کو مضبوط کرنے کے لیے معلومات کا اشتراک اور استعمال کرتے ہیں۔
غیر معمولی رفتار سے متنی اور بھرپور مواد تیار کرنے کے لیے جنریٹو AI کی طاقت جعلی خبروں کے مسئلے کو بڑھا دیتی ہے۔ قابل ذکر مثال ڈیپ فیک ٹیکنالوجی ہے—ایک اصلی ویڈیو پر مختلف تصاویر کو یکجا کرنا اور ایک مختلف ویڈیو بنانا۔ غلط معلومات پھیلانے کے ارادے کے علاوہ جو انسانی اداکار مکس میں لاتے ہیں، LLMs چیلنجوں کا ایک بالکل نیا مجموعہ شامل کرتے ہیں:
- حقائق کی غلطیاں - LLMs میں ان کی تربیت کی نوعیت اور ایک جملے میں اگلے الفاظ تخلیق کرتے وقت تخلیقی ہونے کی صلاحیت کی وجہ سے حقائق پر مبنی غلطیاں ہونے کا خطرہ بڑھ جاتا ہے۔ ایل ایل ایم کی تربیت نامکمل ان پٹ کے ساتھ ایک ماڈل کو بار بار پیش کرنے، پھر ایم ایل ٹریننگ کی تکنیکوں کا استعمال کرنے پر مبنی ہے جب تک کہ یہ خالی جگہوں کو درست طریقے سے پُر نہ کر لے، اس طرح زبان کی ساخت اور زبان پر مبنی عالمی ماڈل سیکھنا۔ نتیجتاً، اگرچہ LLMs عظیم پیٹرن میچرز اور دوبارہ ملانے والے ("سٹاکسٹک طوطے") ہیں، لیکن وہ بہت سے آسان کاموں میں ناکام ہو جاتے ہیں جن کے لیے منطقی استدلال یا ریاضیاتی کٹوتی کی ضرورت ہوتی ہے، اور جوابات کو گمراہ کر سکتے ہیں۔ مزید برآں، درجہ حرارت LLM ان پٹ پیرامیٹرز میں سے ایک ہے جو کسی جملے میں اگلا لفظ تخلیق کرتے وقت ماڈل کے رویے کو کنٹرول کرتا ہے۔ زیادہ درجہ حرارت کو منتخب کرنے سے، ماڈل کم امکان والا لفظ استعمال کرے گا، اور زیادہ بے ترتیب ردعمل فراہم کرے گا۔
- لمبائی - تخلیق شدہ متن لمبے ہوتے ہیں اور انفرادی حقائق کے لیے واضح طور پر بیان کردہ گرانولریٹی کی کمی ہوتی ہے۔
- حقائق کی جانچ کا فقدان - متن کی تیاری کے عمل کے دوران حقائق کی جانچ کے لیے کوئی معیاری ٹولنگ دستیاب نہیں ہے۔
مجموعی طور پر، انسانی نفسیات اور AI سسٹمز کی حدود کے امتزاج نے آن لائن جعلی خبروں اور غلط معلومات کے پھیلاؤ کے لیے ایک بہترین طوفان کھڑا کر دیا ہے۔
حل جائزہ
LLMs زبان کی تخلیق، تفہیم، اور چند شاٹ سیکھنے میں شاندار صلاحیتوں کا مظاہرہ کر رہے ہیں۔ انہیں انٹرنیٹ سے متن کے ایک وسیع مجموعے پر تربیت دی جاتی ہے، جہاں نکالی گئی قدرتی زبان کے معیار اور درستگی کی یقین دہانی نہیں کرائی جا سکتی ہے۔
اس پوسٹ میں، ہم چین آف تھوٹ اور ری ایکٹ (ریزننگ اور ایکٹنگ) پرامپٹ طریقوں دونوں پر مبنی جعلی خبروں کا پتہ لگانے کا حل فراہم کرتے ہیں۔ پہلے، ہم ان دو فوری انجینئرنگ تکنیکوں پر تبادلہ خیال کرتے ہیں، پھر ہم LangChain اور Amazon Bedrock کا استعمال کرتے ہوئے ان کے نفاذ کو ظاہر کرتے ہیں۔
مندرجہ ذیل آرکیٹیکچر ڈایاگرام ہمارے جعلی خبروں کا پتہ لگانے والے کے حل کا خاکہ پیش کرتا ہے۔
ہم کا سب سیٹ استعمال کرتے ہیں۔ فیور ڈیٹاسیٹ جھوٹے، سچے، یا ناقابل تصدیق دعووں کی نشاندہی کرنے والے بیان کے بارے میں ایک بیان اور زمینی سچائی (Thorne J. et al.، 2018).
ورک فلو کو درج ذیل مراحل میں تقسیم کیا جا سکتا ہے۔
- صارف یہ چیک کرنے کے لیے بیانات میں سے ایک کا انتخاب کرتا ہے کہ آیا جعلی یا سچ ہے۔
- بیان اور جعلی خبروں کا پتہ لگانے کے کام کو پرامپٹ میں شامل کیا گیا ہے۔
- پرامپٹ لینگ چین کو دیا جاتا ہے، جو ایمیزون بیڈروک میں ایف ایم کو طلب کرتا ہے۔
- Amazon Bedrock صارف کی درخواست کا جواب درست یا غلط بیان کے ساتھ واپس کرتا ہے۔
اس پوسٹ میں، ہم Anthrophic (anthropic.claude-v2) سے Claude v2 ماڈل استعمال کرتے ہیں۔ کلاڈ قابلِ بھروسہ، قابل تشریح، اور چلائے جانے والے AI سسٹمز بنانے کے لیے Anthropic کی تحقیق پر مبنی ایک تخلیقی LLM ہے۔ آئینی AI اور بے ضرر تربیت جیسی تکنیکوں کا استعمال کرتے ہوئے تخلیق کیا گیا، کلاڈ سوچ سمجھ کر مکالمے، مواد کی تخلیق، پیچیدہ استدلال، تخلیقی صلاحیتوں اور کوڈنگ میں مہارت رکھتا ہے۔ تاہم، Amazon Bedrock اور ہمارے حل فن تعمیر کا استعمال کرتے ہوئے، ہمارے پاس فراہم کردہ دیگر FMs میں سے انتخاب کرنے کی لچک بھی ہے ایمیزون, اے آئی 21 لیبز, کوہیر، اور استحکام.ai.
آپ مندرجہ ذیل حصوں میں عمل درآمد کی تفصیلات حاصل کر سکتے ہیں۔ سورس کوڈ اس میں دستیاب ہے۔ GitHub ذخیرہ.
شرائط
اس ٹیوٹوریل کے لیے، آپ کو لینکس، میک، یا لینکس کے لیے ونڈوز سب سسٹم اور AWS اکاؤنٹ پر Python 3.9 یا اس سے زیادہ انسٹال والے bash ٹرمینل کی ضرورت ہے۔
ہم کسی ایک کو استعمال کرنے کی بھی تجویز کرتے ہیں۔ ایمیزون سیج میکر اسٹوڈیو نوٹ بک، ایک AWS کلاؤڈ 9 مثال، یا ایک ایمیزون لچکدار کمپیوٹ کلاؤڈ (ایمیزون EC2) مثال۔
Amazon Bedrock API کا استعمال کرتے ہوئے جعلی خبروں کا پتہ لگانے کو متعین کریں۔
حل ایمیزون بیڈرک API کا استعمال کرتا ہے، جس تک رسائی حاصل کی جاسکتی ہے۔ AWS کمانڈ لائن انٹرفیس (AWS CLI)، دی AWS SDK برائے Python (Boto3)، یا ایک ایمیزون سیج میکر کاپی. سے رجوع کریں۔ ایمیزون بیڈرک صارف گائیڈ مزید معلومات کے لیے. اس پوسٹ کے لیے، ہم ازگر کے لیے AWS SDK کے ذریعے Amazon Bedrock API استعمال کرتے ہیں۔
Amazon Bedrock API ماحول ترتیب دیں۔
اپنے Amazon Bedrock API ماحول کو ترتیب دینے کے لیے، درج ذیل مراحل کو مکمل کریں:
- تازہ ترین Boto3 ڈاؤن لوڈ کریں یا اسے اپ گریڈ کریں:
- اس بات کو یقینی بنائیں کہ آپ AWS اسناد کو استعمال کرتے ہوئے ترتیب دیتے ہیں۔
aws configure
کمانڈ کریں یا انہیں Boto3 کلائنٹ کے پاس بھیجیں۔ - کا تازہ ترین ورژن انسٹال کریں۔ لینگ چین:
اب آپ مندرجہ ذیل Python شیل اسکرپٹ کا استعمال کرتے ہوئے اپنے سیٹ اپ کی جانچ کر سکتے ہیں۔ اسکرپٹ Boto3 کا استعمال کرتے ہوئے ایمیزون بیڈرک کلائنٹ کو فوری بناتا ہے۔ اگلا، ہم کال کرتے ہیں list_foundation_models
استعمال کے لیے دستیاب فاؤنڈیشن ماڈلز کی فہرست حاصل کرنے کے لیے API۔
پچھلی کمانڈ کو کامیابی سے چلانے کے بعد، آپ کو ایمیزون بیڈرک سے ایف ایم کی فہرست ملنی چاہیے۔
LangChain ایک فوری سلسلہ بندی کے حل کے طور پر
کسی دیے گئے جملے کے لیے جعلی خبروں کا پتہ لگانے کے لیے، ہم زیرو شاٹ چین آف تھیٹ استدلال کے عمل کی پیروی کرتے ہیں (وی جے ایٹ ال، 2022)، جو درج ذیل مراحل پر مشتمل ہے:
- ابتدائی طور پر، ماڈل حوصلہ افزائی کی خبر کے بارے میں ایک بیان بنانے کی کوشش کرتا ہے.
- ماڈل دعووں کی ایک بلٹ پوائنٹ لسٹ بناتا ہے۔
- ہر دعوے کے لیے، ماڈل اس بات کا تعین کرتا ہے کہ آیا دعویٰ درست ہے یا غلط۔ نوٹ کریں کہ اس طریقہ کار کو استعمال کرتے ہوئے، ماڈل کسی فیصلے تک پہنچنے کے لیے مکمل طور پر اپنے اندرونی علم (پری ٹریننگ مرحلے میں شمار کیے گئے وزن) پر انحصار کرتا ہے۔ اس وقت کسی بھی بیرونی ڈیٹا کے خلاف معلومات کی تصدیق نہیں کی گئی ہے۔
- حقائق کو دیکھتے ہوئے، ماڈل پرامپٹ میں دیے گئے بیان کے لیے TRUE یا FALSE کا جواب دیتا ہے۔
ان مراحل کو حاصل کرنے کے لیے، ہم LangChain استعمال کرتے ہیں، جو کہ زبان کے ماڈلز سے چلنے والی ایپلیکیشنز تیار کرنے کا ایک فریم ورک ہے۔ یہ فریم ورک ہمیں جدید استعمال کے کیسز بنانے کے لیے مختلف اجزاء کو ایک ساتھ جوڑ کر FMs کو بڑھانے کی اجازت دیتا ہے۔ اس حل میں، ہم بلٹ میں استعمال کرتے ہیں SimpleSequential Chain ایک سادہ ترتیب وار سلسلہ بنانے کے لیے LangChain میں۔ یہ بہت مفید ہے، کیونکہ ہم ایک زنجیر سے آؤٹ پٹ لے سکتے ہیں اور اسے دوسرے میں ان پٹ کے طور پر استعمال کر سکتے ہیں۔
ایمیزون بیڈروک کو لینگ چین کے ساتھ مربوط کیا گیا ہے، لہذا آپ کو صرف پاس کرکے اسے فوری کرنے کی ضرورت ہے۔ model_id
ایمیزون بیڈرک آبجیکٹ کو انسٹینٹیٹ کرتے وقت۔ اگر ضرورت ہو تو، ماڈل انفرنس پیرامیٹرز کے ذریعے فراہم کیے جا سکتے ہیں۔ model_kwargs
دلیل، جیسے:
- maxTokenCount - پیدا کردہ جواب میں ٹوکن کی زیادہ سے زیادہ تعداد
- StopSequences - ماڈل کے ذریعہ استعمال کردہ اسٹاپ ترتیب
- درجہ حرارت - ایک قدر جو 0-1 کے درمیان ہوتی ہے، جس میں 0 سب سے زیادہ متعین ہوتا ہے اور 1 سب سے زیادہ تخلیقی ہوتا ہے
- سب سے اوپر - ایک قدر جو 0-1 کے درمیان ہوتی ہے، اور ممکنہ انتخاب کے امکان کی بنیاد پر ٹوکن کے انتخاب کو کنٹرول کرنے کے لیے استعمال ہوتی ہے۔
اگر یہ پہلی بار ہے کہ آپ ایمیزون بیڈروک فاؤنڈیشنل ماڈل استعمال کر رہے ہیں، تو یقینی بنائیں کہ آپ ماڈل کی فہرست میں سے منتخب کر کے ماڈل تک رسائی کی درخواست کرتے ہیں۔ ماڈل تک رسائی ایمیزون بیڈرک کنسول پر صفحہ، جو ہمارے معاملے میں انتھروپک سے کلاڈ-v2 ہے۔
درج ذیل فنکشن چین آف تھوٹ پرامپٹ چین کی وضاحت کرتا ہے جس کا ہم نے پہلے ذکر کیا ہے جعلی خبروں کا پتہ لگانے کے لیے۔ فنکشن Amazon Bedrock آبجیکٹ (llm) اور یوزر پرامپٹ (q) کو بطور دلیل لیتا ہے۔ لینگ چینز PromptTemplate فنکشنلٹی یہاں پرامپٹس پیدا کرنے کی ترکیب کی وضاحت کرنے کے لیے استعمال ہوتی ہے۔
درج ذیل کوڈ اس فنکشن کو کال کرتا ہے جسے ہم نے پہلے بیان کیا تھا اور جواب فراہم کرتا ہے۔ بیان ہے۔ TRUE
or FALSE
. TRUE
مطلب یہ ہے کہ فراہم کردہ بیان درست حقائق پر مشتمل ہے، اور FALSE
مطلب یہ ہے کہ بیان میں کم از کم ایک غلط حقیقت ہے۔
بیان اور ماڈل کے جواب کی ایک مثال درج ذیل آؤٹ پٹ میں فراہم کی گئی ہے۔
رد عمل اور اوزار
پچھلی مثال میں، ماڈل نے درست طریقے سے شناخت کیا کہ بیان غلط ہے۔ تاہم، استفسار کو دوبارہ جمع کرنا ماڈل کی حقائق کی درستگی میں فرق کرنے میں ناکامی کو ظاہر کرتا ہے۔ ماڈل کے پاس اس کی اپنی تربیتی یادداشت سے باہر بیانات کی سچائی کی توثیق کرنے کے ٹولز نہیں ہیں، لہذا اسی پرامپٹ کے بعد میں چلنے سے یہ جعلی بیانات کو سچ کے طور پر غلط لیبل کرنے کا باعث بن سکتا ہے۔ درج ذیل کوڈ میں، آپ کے پاس ایک ہی مثال کا ایک مختلف رن ہے:
سچائی کی ضمانت دینے کی ایک تکنیک ReAct ہے۔ رد عمل (Yao S. et al.، 2023) ایک فوری تکنیک ہے جو ایجنٹ کی کارروائی کی جگہ کے ساتھ فاؤنڈیشن ماڈل کو بڑھاتی ہے۔ اس پوسٹ کے ساتھ ساتھ ReAct پیپر میں، ایکشن اسپیس ایک سادہ ویکیپیڈیا ویب API سے سرچ، تلاش، اور فنش ایکشنز کا استعمال کرتے ہوئے معلومات کی بازیافت کو لاگو کرتا ہے۔
چین آف تھاٹ کے مقابلے میں ReAct کو استعمال کرنے کی وجہ یہ ہے کہ فاؤنڈیشن ماڈل کو بڑھانے کے لیے بیرونی علم کی بازیافت کا استعمال کیا جائے تاکہ معلوم کیا جا سکے کہ آیا کوئی خبر جعلی ہے یا سچ۔
اس پوسٹ میں، ہم ایجنٹ کے ذریعے LangChain کے ReAct کے نفاذ کا استعمال کرتے ہیں۔ ZERO_SHOT_REACT_DESCRIPTION. ہم ReAct کو نافذ کرنے کے لیے پچھلے فنکشن میں ترمیم کرتے ہیں اور load_tools فنکشن کا استعمال کرتے ہوئے ویکیپیڈیا کا استعمال کرتے ہیں۔ langchain.agents.
ہمیں ویکیپیڈیا پیکیج کو بھی انسٹال کرنے کی ضرورت ہے:
!pip install Wikipedia
ذیل میں نیا کوڈ ہے:
مندرجہ ذیل پچھلے فنکشن کا آؤٹ پٹ ہے جو پہلے استعمال کیا گیا تھا:
صاف کرو
لاگت بچانے کے لیے، ٹیوٹوریل کے حصے کے طور پر آپ نے جو وسائل استعمال کیے ہیں انہیں حذف کریں۔ اگر آپ نے AWS Cloud9 یا EC2 مثال لانچ کی ہے، تو آپ اسے کنسول کے ذریعے یا AWS CLI کا استعمال کرتے ہوئے حذف کر سکتے ہیں۔ اسی طرح، آپ SageMaker نوٹ بک کو حذف کر سکتے ہیں جسے آپ نے SageMaker کنسول کے ذریعے بنایا ہو گا۔
حدود اور متعلقہ کام
جعلی خبروں کا پتہ لگانے کے شعبے میں سائنسی برادری میں فعال طور پر تحقیق کی جاتی ہے۔ اس پوسٹ میں، ہم نے چین آف تھاٹ اور ری ایکٹ تکنیکوں کا استعمال کیا اور تکنیکوں کا جائزہ لینے میں، ہم نے صرف فوری تکنیک کی درجہ بندی کی درستگی پر توجہ مرکوز کی (اگر کوئی بیان درست ہے یا غلط)۔ اس لیے، ہم نے دیگر اہم پہلوؤں پر غور نہیں کیا ہے جیسے کہ رسپانس کی رفتار، اور نہ ہی ویکیپیڈیا کے علاوہ اضافی معلوماتی ذرائع کے حل کو بڑھایا ہے۔
اگرچہ اس پوسٹ نے دو تکنیکوں پر توجہ مرکوز کی ہے، چین آف تھیٹ اور ری ایکٹ، کام کے ایک وسیع ادارے نے اس بات کی کھوج کی ہے کہ ایل ایل ایم کس طرح جعلی خبروں کا پتہ لگاسکتے ہیں، اسے ختم کرسکتے ہیں یا اسے کم کرسکتے ہیں۔ لی اور ایل. نے NER (نام کی ہستی کی شناخت) کا استعمال کرتے ہوئے ایک انکوڈر-ڈیکوڈر ماڈل کے استعمال کی تجویز پیش کی ہے تاکہ اس بات کو یقینی بنایا جا سکے کہ ٹوکن ماسک شدہ اصل میں زبان کے ماڈل میں انکوڈ کردہ علم کا استعمال کرتا ہے۔ چرن وغیرہ FacTool تیار کیا، جو پرامپٹ سے دعوے نکالنے کے لیے چین آف تھاٹ کے اصولوں کا استعمال کرتا ہے، اور نتیجتاً دعووں کے متعلقہ شواہد جمع کرتا ہے۔ LLM پھر شواہد کی بازیافت شدہ فہرست کے پیش نظر دعوے کی حقیقت کا فیصلہ کرتا ہے۔ Du E. et al. ایک تکمیلی نقطہ نظر پیش کرتا ہے جہاں ایک سے زیادہ LLMs ایک مشترکہ حتمی جواب پر پہنچنے کے لیے اپنے انفرادی جوابات اور استدلال کے عمل کو متعدد راؤنڈز میں تجویز اور بحث کرتے ہیں۔
لٹریچر کی بنیاد پر، ہم دیکھتے ہیں کہ جعلی خبروں کا پتہ لگانے میں LLMs کی تاثیر اس وقت بڑھ جاتی ہے جب LLMs کو بیرونی علم اور کثیر ایجنٹ گفتگو کی صلاحیت کے ساتھ بڑھایا جاتا ہے۔ تاہم، یہ نقطہ نظر کمپیوٹیشنل طور پر زیادہ پیچیدہ ہیں کیونکہ ان کے لیے متعدد ماڈل کالز اور تعاملات، طویل اشارے، اور طویل نیٹ ورک لیئر کالز کی ضرورت ہوتی ہے۔ بالآخر، یہ پیچیدگی مجموعی لاگت میں اضافہ کرتی ہے۔ ہم پیداوار میں اسی طرح کے حل کو تعینات کرنے سے پہلے لاگت سے کارکردگی کے تناسب کا اندازہ لگانے کی تجویز کرتے ہیں۔
نتیجہ
اس پوسٹ میں، ہم نے جعلی خبروں کے مروجہ مسئلے سے نمٹنے کے لیے LLMs کا استعمال کرنے کا طریقہ سیکھا، جو کہ آج کل ہمارے معاشرے کا ایک بڑا چیلنج ہے۔ ہم نے جعلی خبروں کے ذریعے پیش کردہ چیلنجوں کا خاکہ پیش کرتے ہوئے، عوامی جذبات کو متاثر کرنے اور سماجی خلل پیدا کرنے کی صلاحیت پر زور دیتے ہوئے آغاز کیا۔
اس کے بعد ہم نے LLMs کے تصور کو ایڈوانسڈ AI ماڈلز کے طور پر متعارف کرایا جو کہ ڈیٹا کی کافی مقدار پر تربیت یافتہ ہیں۔ اس وسیع تربیت کی وجہ سے، یہ ماڈلز زبان کی متاثر کن تفہیم پر فخر کرتے ہیں، جس سے وہ انسان جیسا متن تیار کر سکتے ہیں۔ اس صلاحیت کے ساتھ، ہم نے یہ ظاہر کیا کہ جعلی خبروں کے خلاف جنگ میں ایل ایل ایم کو کس طرح دو مختلف فوری تکنیکوں، چین آف تھاٹ اور ری ایکٹ کا استعمال کرتے ہوئے استعمال کیا جا سکتا ہے۔
ہم نے اس بات پر روشنی ڈالی کہ کس طرح LLMs بے مثال پیمانے پر حقائق کی جانچ کی خدمات کو سہولت فراہم کر سکتے ہیں، متن کی وسیع مقدار پر تیزی سے کارروائی اور تجزیہ کرنے کی ان کی صلاحیت کے پیش نظر۔ ریئل ٹائم تجزیہ کی یہ صلاحیت جعلی خبروں کا جلد پتہ لگانے اور اس پر قابو پانے کا باعث بن سکتی ہے۔ ہم نے ایک Python اسکرپٹ بنا کر اس کی مثال دی ہے جو کہ ایک بیان دیتے ہوئے، صارف کو نمایاں کرتا ہے کہ آیا مضمون قدرتی زبان کا استعمال کرتے ہوئے صحیح ہے یا جعلی۔
ہم نے موجودہ نقطہ نظر کی حدود کو واضح کرتے ہوئے نتیجہ اخذ کیا اور ایک امید افزا نوٹ پر ختم کیا، اس بات پر زور دیتے ہوئے کہ درست تحفظات اور مسلسل اضافہ کے ساتھ، LLMs جعلی خبروں کے خلاف جنگ میں ناگزیر ہتھیار بن سکتے ہیں۔
ہم آپ سے سننا پسند کریں گے۔ ہمیں بتائیں کہ آپ تبصرے کے سیکشن میں کیا سوچتے ہیں، یا مسائل کے فورم کا استعمال کریں۔ GitHub ذخیرہ۔
ڈس کلیمر: اس پوسٹ میں فراہم کردہ کوڈ صرف تعلیمی اور تجرباتی مقاصد کے لیے ہے۔ حقیقی دنیا کے پیداواری نظام میں جعلی خبروں یا غلط معلومات کا پتہ لگانے کے لیے اس پر انحصار نہیں کیا جانا چاہیے۔ اس کوڈ کا استعمال کرتے ہوئے جعلی خبروں کا پتہ لگانے کی درستگی یا مکمل ہونے کی کوئی ضمانت نہیں دی جاتی ہے۔ صارفین کو حساس ایپلی کیشنز میں ان تکنیکوں کو استعمال کرنے سے پہلے احتیاط برتنی چاہیے اور مستعدی سے کام لینا چاہیے۔
ایمیزون بیڈرک کے ساتھ شروع کرنے کے لیے، ملاحظہ کریں۔ ایمیزون بیڈرک کنسول.
مصنفین کے بارے میں
انامریا ٹوڈور کوپن ہیگن، ڈنمارک میں مقیم پرنسپل سلوشنز آرکیٹیکٹ ہیں۔ اس نے اپنا پہلا کمپیوٹر اس وقت دیکھا جب وہ 4 سال کی تھی اور اس کے بعد اس نے کمپیوٹر سائنس، ویڈیو گیمز اور انجینئرنگ کو کبھی نہیں چھوڑا۔ اس نے گیمنگ اور اشتہاری صنعتوں پر توجہ مرکوز کرتے ہوئے ڈنمارک کی مختلف کمپنیوں میں فری لانس، فل اسٹیک ڈویلپر سے لے کر ڈیٹا انجینئر، ٹیکنیکل لیڈ، اور CTO تک مختلف تکنیکی کرداروں میں کام کیا ہے۔ وہ AWS میں 3 سال سے زیادہ عرصے سے ہے، ایک پرنسپل سولیوشن آرکیٹیکٹ کے طور پر کام کر رہی ہے، بنیادی طور پر لائف سائنسز اور AI/ML پر توجہ مرکوز کر رہی ہے۔ Anamaria کے پاس اپلائیڈ انجینئرنگ اور کمپیوٹر سائنس میں بیچلر، کمپیوٹر سائنس میں ماسٹر ڈگری، اور AWS کا 10 سال سے زیادہ کا تجربہ ہے۔ جب وہ کام نہیں کر رہی یا ویڈیو گیمز نہیں کھیل رہی ہے، تو وہ لڑکیوں اور خواتین پیشہ ور افراد کو ٹیکنالوجی کے ذریعے اپنا راستہ سمجھنے اور تلاش کرنے کی تربیت دے رہی ہے۔
مارسل کاسترو اوسلو، ناروے میں مقیم ایک سینئر سولیوشن آرکیٹیکٹ ہے۔ اپنے کردار میں، Marcel گاہکوں کو فن تعمیر، ڈیزائن، اور کلاؤڈ سے بہتر انفراسٹرکچر کی ترقی میں مدد کرتا ہے۔ وہ AWS جنریٹیو AI ایمبیسیڈر ٹیم کا ایک رکن ہے جس کا مقصد EMEA صارفین کو ان کے جنریٹو AI سفر پر گاڑی چلانے اور ان کی مدد کرنا ہے۔ انہوں نے سویڈن سے کمپیوٹر سائنس میں پی ایچ ڈی اور برازیل سے الیکٹریکل انجینئرنگ اور ٹیلی کمیونیکیشن میں ماسٹرز اور بیچلر کی ڈگری حاصل کی۔
- 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://aws.amazon.com/blogs/machine-learning/harness-large-language-models-in-fake-news-detection/
- : ہے
- : ہے
- : نہیں
- :کہاں
- 100 ڈالر ڈالر
- $UP
- 1
- 10
- 100
- 12
- 13
- 14
- 20
- 2022
- 21st
- 26٪
- 27
- 32
- 36
- 7
- 9
- a
- کی صلاحیت
- ہمارے بارے میں
- اوپر
- AC
- تعلیمی
- تعلیمی تحقیق
- اکیڈمی
- تک رسائی حاصل
- رسائی
- قابل رسائی
- اکاؤنٹ
- اکاؤنٹس
- درستگی
- حاصل
- کامیابیوں
- کے پار
- اداکاری
- عمل
- اعمال
- فعال طور پر
- اداکار
- اصل میں
- شامل کریں
- اس کے علاوہ
- ایڈیشنل
- اعلی درجے کی
- آمد
- اشتہار.
- پھر
- کے خلاف
- ایجنٹ
- ایجنٹ
- AI
- اے آئی ماڈلز
- اے آئی سسٹمز
- AI / ML
- AL
- تمام
- کی اجازت دیتا ہے
- اکیلے
- بھی
- اگرچہ
- ایمیزون
- ایمیزون EC2
- ایمیزون ویب سروسز
- سفیر
- امریکی
- کے درمیان
- مقدار
- an
- تجزیہ
- تجزیے
- قدیم
- اور
- سالانہ
- ایک اور
- جواب
- جواب
- بشری
- کوئی بھی
- اے پی آئی
- APIs
- ظاہر ہوتا ہے
- درخواست
- ایپلی کیشنز
- اطلاقی
- مقرر کردہ
- نقطہ نظر
- نقطہ نظر
- تقریبا
- فن تعمیر
- کیا
- دلیل
- دلائل
- ارد گرد
- مضمون
- مصنوعی
- مصنوعی ذہانت
- مصنوعی انٹیلی جنس (AI)
- 'ارٹس
- AS
- پہلوؤں
- اندازہ
- جائزوں
- مفروضے
- یقین دہانی کرائی
- ھگول سائنس
- At
- کوششیں
- اضافہ
- اضافہ
- augments
- آٹومیٹڈ
- دستیاب
- سے نوازا
- AWS
- AWS کلاؤڈ 9
- بیس
- کی بنیاد پر
- مار
- جنگ
- BE
- کیونکہ
- بن
- بننے
- رہا
- اس سے پہلے
- رویے
- پیچھے
- کیا جا رہا ہے
- عقائد
- اس کے علاوہ
- کے درمیان
- سے پرے
- تعصب
- ارب
- حیاتیات
- بایڈیکل
- جسم
- دونوں
- خودکار صارف دکھا ئیں
- برازیل
- لانے
- ٹوٹ
- تعمیر میں
- تاجر
- لیکن
- by
- فون
- کالز
- کر سکتے ہیں
- صلاحیتوں
- صلاحیت
- اہلیت
- کیس
- مقدمات
- کیونکہ
- احتیاط
- صدی
- چین
- زنجیروں
- چیلنجوں
- چانگ
- چیک کریں
- کیمسٹری
- چینی
- انتخاب
- میں سے انتخاب کریں
- کا دعوی
- دعوے
- طبقے
- درجہ بندی
- واضح طور پر
- کلائنٹ
- کلوز
- Cloud9
- کوچنگ
- کوڈ
- کوڈنگ
- سنجیدگی سے
- جمع
- اجتماعی
- کالج
- کولمبیا
- مجموعہ
- تبصروں
- کامن
- عام طور پر
- کمیونٹی
- کمپنیاں
- موازنہ
- تکمیلی
- مکمل
- پیچیدہ
- پیچیدگی
- اجزاء
- پر مشتمل
- کمپیوٹنگ
- کمپیوٹر
- کمپیوٹر سائنس
- تصور
- یہ نتیجہ اخذ کیا
- کی توثیق
- تصدیق کے
- مجموعہ
- اس کے نتیجے میں
- سمجھا
- متواتر
- مشتمل
- کنسول
- بسم
- صارفین
- کھپت
- مشتمل ہے۔
- پر مشتمل ہے
- مواد
- مواد کی تخلیق
- مسلسل
- شراکت
- کنٹرول
- کنٹرول
- بات چیت
- درست
- صحیح طریقے سے
- قیمت
- اخراجات
- سکتا ہے
- ممالک
- ملک
- تخلیق
- بنائی
- پیدا
- تخلیق
- مخلوق
- تخلیقی
- تخلیقی
- اسناد
- CTO
- ثقافت
- کی روک تھام
- موجودہ
- گاہکوں
- اعداد و شمار
- بحث
- فیصلے
- کی وضاحت
- وضاحت کرتا ہے
- ڈگری
- جمہوری
- demonstrated,en
- ثبوت
- مظاہرین
- ڈنمارک
- شعبہ
- تعینات
- تعینات
- ڈیزائن
- تفصیلات
- کا پتہ لگانے کے
- کھوج
- اس بات کا تعین
- یہ تعین
- ترقی یافتہ
- ڈیولپر
- ترقی
- ترقی
- رفت
- مکالمے کے
- مختلف
- محتاج
- سمت
- بات چیت
- بے چینی
- دکھائیں
- رکاوٹیں
- ممتاز
- بے اعتمادی
- ڈاکٹر
- کرتا
- نہیں کرتا
- نیچے
- dr
- ڈرائیو
- دو
- کے دوران
- e
- ای اینڈ ٹی
- ہر ایک
- اس سے قبل
- ابتدائی
- کما
- حاصل
- زمین
- آسان
- آسان
- معاشیات
- معیشت کو
- تعلیمی
- اساتذہ
- اثر
- تاثیر
- یا تو
- کا خاتمہ
- دوسری جگہوں پر
- ای ایم ای اے
- خروج
- زور
- کو فعال کرنا
- ختم
- انجینئر
- انجنیئرنگ
- اضافہ
- کو یقینی بنانے کے
- اندر
- اداروں
- ہستی
- ماحولیات
- مساوات
- نقائص
- خاص طور پر
- قائم
- کا جائزہ لینے
- بھی
- واقعات
- تیار ہوتا ہے
- مثال کے طور پر
- مثال کے طور پر
- خاص طور سے
- ورزش
- تجربہ
- وضاحت
- تلاش
- وضاحت کی
- وسیع
- بیرونی
- نکالنے
- سہولت
- سہولت
- حقیقت یہ ہے
- عوامل
- حقائق
- FAIL
- جعلی
- جعلی خبر کے
- جھوٹی
- مشہور
- خواتین
- میدان
- لڑنا
- بھرتا ہے
- فائنل
- مالی
- مل
- تلاش
- ختم
- پہلا
- پہلی بار
- لچک
- توجہ مرکوز
- توجہ مرکوز
- توجہ مرکوز
- پر عمل کریں
- کے بعد
- کے لئے
- فارم
- رسمی طور پر
- فورم
- فاؤنڈیشن
- بنیاد پرست
- قائم
- فریم ورک
- سے
- fu
- مکمل طور پر
- تقریب
- فعالیت
- کھیل
- گیمنگ
- فرق
- جنس
- صنفی مساوات
- جنرل
- پیدا
- پیدا
- پیدا کرنے والے
- نسل
- پیداواری
- پیداواری AI۔
- حاصل
- لڑکیاں
- GitHub کے
- دی
- Go
- مقصد
- عظیم
- گراؤنڈ
- ضمانت دیتا ہے
- تھا
- کنٹرول
- ہے
- he
- سن
- مدد
- مدد کرتا ہے
- اس کی
- یہاں
- اعلی معیار کی
- اعلی
- پر روشنی ڈالی گئی
- انتہائی
- ان
- تاریخ
- کی ڈگری حاصل کی
- عزت
- امید
- ہاؤسنگ
- کس طرح
- کیسے
- تاہم
- HTML
- HTTP
- HTTPS
- انسانی
- i
- IBM
- کی نشاندہی
- if
- غیر قانونی
- وضاحت
- تصاویر
- اثر
- پر عملدرآمد
- نفاذ
- عمل
- درآمد
- اہم
- متاثر کن
- بہتر
- in
- اسمرتتا
- شامل
- شامل ہیں
- سمیت
- شامل
- شامل
- اضافہ
- اضافہ
- اشارہ کرتا ہے
- انفرادی
- صنعتوں
- معلومات
- مطلع
- انفراسٹرکچر
- ابتدائی
- ان پٹ
- کے اندر
- انسٹال
- نصب
- مثال کے طور پر
- انسٹی ٹیوٹ
- اداروں
- ضم
- انٹیلی جنس
- ارادے
- بات چیت
- اندرونی
- انٹرنیٹ
- میں
- متعارف
- پکارتے ہیں۔
- ملوث
- مسئلہ
- مسائل
- IT
- میں
- سفر
- فوٹو
- JSON
- ججوں
- kenneth
- جان
- علم
- جانا جاتا ہے
- نہیں
- زبان
- بڑے
- مرحوم
- تازہ ترین
- لاطینی
- شروع
- پرت
- قیادت
- معروف
- سیکھنے
- کم سے کم
- قانونی طور پر
- دو
- زندگی
- زندگی سائنس
- کی طرح
- حدود
- لائن
- لنکڈ
- لنکس
- لینکس
- لسٹ
- فہرست
- ادب
- ایل ایل ایم
- منطقی
- اب
- تلاش
- محبت
- میک
- مشین
- مشین لرننگ
- بنا
- بنیادی طور پر
- برقرار رکھتا ہے
- اہم
- بنا
- بناتا ہے
- بنانا
- میں کامیاب
- انتظام
- بہت سے
- مارکیٹنگ
- ماسک
- ماسٹر کی
- ریاضیاتی
- ریاضی
- زیادہ سے زیادہ
- مئی..
- کا مطلب ہے کہ
- مراد
- میڈیا
- طبی
- دوا
- رکن
- اراکین
- یاد داشت
- ذکر کیا
- طریقہ کار
- مشی گن
- دس لاکھ
- بارودی سرنگوں
- غلط معلومات
- گمراہ کرنا
- ایم ائی ٹی
- تخفیف کریں
- اختلاط
- ML
- ماڈل
- ماڈل
- نظر ثانی کرنے
- زیادہ
- سب سے زیادہ
- تحریک
- ایک سے زیادہ
- my
- نامزد
- ناسا
- قومی
- قدرتی
- فطرت، قدرت
- ضرورت ہے
- ضرورت
- نیٹ ورک
- کبھی نہیں
- نئی
- خبر
- اگلے
- نہیں
- نوبل انعام
- معیارات
- ناروے
- قابل ذکر
- نوٹ بک
- اب
- تعداد
- اعتراض
- جائزہ
- اکتوبر
- of
- کی پیشکش کی
- اکثر
- پرانا
- on
- ایک
- آن لائن
- صرف
- آپریشنز
- رائے
- or
- حکم
- اصل
- دیگر
- دوسری صورت میں
- ہمارے
- خطوط
- خاکہ
- پیداوار
- بقایا
- پر
- مجموعی طور پر
- خود
- ملکیت
- امن
- پیکج
- صفحہ
- صفحات
- کاغذ.
- پیرامیٹرز
- حصہ
- منظور
- منظور
- پاسنگ
- پیٹنٹ
- راستہ
- پاٹرن
- لوگ
- کامل
- انجام دیں
- ذاتی
- مرحلہ
- پی ایچ ڈی
- رجحان
- فلسفہ
- طبعیات
- ٹکڑا
- اہم
- پلاٹا
- افلاطون ڈیٹا انٹیلی جنس
- پلیٹو ڈیٹا
- کھیل
- پوائنٹ
- سیاست
- ممکن
- پوسٹ
- ممکنہ
- طاقت
- طاقت
- پیش
- تحفہ
- پریس
- موجودہ
- پچھلا
- پہلے
- بنیادی طور پر
- پرنسپل
- اصولوں پر
- پرنٹنگ
- چھاپا خانہ
- پہلے
- انعامات
- مسئلہ
- عمل
- عمل
- پیدا
- پیداوار
- پیشہ ور ماہرین
- گہرا
- پروگرام
- تجویز کریں
- مجوزہ
- فراہم
- فراہم
- فراہم کرنے والے
- فراہم کرتا ہے
- فراہم کرنے
- نفسیات
- عوامی
- خرید
- مقاصد
- ازگر
- معیار
- مقدار
- جلدی سے
- ریڈیو
- بے ترتیب
- حدود
- رینکنگ
- تیزی سے
- میں تیزی سے
- تناسب
- تک پہنچنے
- جواب دیں
- حقیقی دنیا
- اصل وقت
- وجہ
- وصول
- موصول
- ہدایت
- تسلیم
- سفارش
- کا حوالہ دیتے ہیں
- مراد
- متعلقہ
- نسبتا
- متعلقہ
- قابل اعتماد
- بار بار
- ذخیرہ
- درخواست
- کی ضرورت
- ضرورت
- تحقیق
- گونج
- وسائل
- جواب
- جواب
- جوابات
- ذمہ دار
- واپسی
- واپسی
- امیر
- رسک
- کردار
- کردار
- چکر
- رن
- چل رہا ہے
- چلتا ہے
- s
- تحفظات
- sagemaker
- اسی
- محفوظ کریں
- دیکھا
- پیمانے
- سکول
- انجینئرنگ کے سکول
- سائنس
- سائنس
- سائنسی
- سائنسدانوں
- اسکرپٹ
- sdk
- تلاش کریں
- سیکشن
- سیکشنز
- دیکھنا
- منتخب
- سینئر
- حساس
- سزا
- جذبات
- تسلسل
- سروس
- سروسز
- مقرر
- سیٹ اپ
- سیکنڈ اور
- مشترکہ
- حصص
- اشتراک
- وہ
- شیل
- ہونا چاہئے
- دکھائیں
- اسی طرح
- اسی طرح
- سادہ
- بعد
- بہن
- So
- سماجی
- سوشل میڈیا
- معاشرتی
- سوسائٹی
- حل
- حل
- کچھ
- ماخذ
- ماخذ کوڈ
- ذرائع
- خلا
- تناؤ
- خاص طور پر
- تیزی
- پھیلانے
- پھیلانا
- اسٹیج
- معیار
- اسٹینفورڈ
- اسٹینفورڈ یونیورسٹی
- شروع
- بیان
- بیانات
- امریکہ
- مراحل
- بند کرو
- طوفان
- حکمت عملی
- کو مضبوط بنانے
- ساخت
- طلباء
- مطالعہ
- بعد میں
- کافی
- کامیابی کے ساتھ
- اس طرح
- مشورہ
- خلاصہ
- سپرچارج
- حمایت
- اس بات کا یقین
- سوئی
- سویڈن
- تیزی سے
- ترکیب
- سسٹمز
- ٹیکل
- لے لو
- لیتا ہے
- ٹاسک
- کاموں
- ٹیم
- ٹیکنیکل
- تکنیک
- تکنیک
- تکنیکی
- ٹیکنالوجی
- ٹیلی کمیونیکیشن کی
- سانچے
- ٹرمنل
- شرائط
- ٹیسٹ
- متن
- متنی
- کہ
- ۔
- کے بارے میں معلومات
- ماخذ
- دنیا
- ان
- ان
- تو
- وہاں.
- اس طرح
- لہذا
- یہ
- وہ
- لگتا ہے کہ
- تیسری پارٹی
- اس
- ان
- سوچا
- کے ذریعے
- بھر میں
- TIE
- وقت
- ٹائم لائن
- کرنے کے لئے
- مل کر
- ٹوکن
- ٹوکن
- اوزار
- تربیت یافتہ
- ٹریننگ
- سچ
- حقیقت
- سبق
- دو
- آخر میں
- لکھا ہوا
- افہام و تفہیم
- متحدہ
- ریاست ہائے متحدہ امریکہ
- یونیورسٹیاں
- یونیورسٹی
- بے مثال۔
- بے مثال
- جب تک
- اپ گریڈ
- صلی اللہ علیہ وسلم
- us
- استعمال کی شرائط
- استعمال کیا جاتا ہے
- رکن کا
- صارفین
- استعمال
- کا استعمال کرتے ہوئے
- استعمال کرنا۔
- قیمت
- مختلف
- وسیع
- فیصلہ
- تصدیق
- اس بات کی تصدیق
- ورژن
- بہت
- کی طرف سے
- ویڈیو
- ویڈیو گیمز
- دورہ
- تھا
- we
- ویب
- ویب خدمات
- اچھا ہے
- کیا
- جب
- چاہے
- جس
- جبکہ
- ڈبلیو
- پوری
- کیوں
- وکیپیڈیا
- گے
- کھڑکیاں
- ساتھ
- کے اندر
- عورت
- خواتین
- وون
- لفظ
- الفاظ
- کام
- کام کیا
- کام کا بہاؤ
- کام کر
- دنیا
- قابل
- غلط
- سال
- تم
- اور
- زیفیرنیٹ