Definition
مصنوعی ذہانت (AI) ایسے سسٹم بنانے کا وسیع میدان ہے جو عام طور پر انسانی ذہانت چاہنے والے کام انجام دے سکیں — جیسے زبان سمجھنا، تصاویر پہچاننا، یا فیصلے کرنا۔
مشین لرننگ (ML) AI کے اندر ایک مخصوص طریقہ کار/ذیلی مجموعہ ہے، جہاں سسٹم براہ راست ڈیٹا سے نمونے سیکھتا ہے اور وقت کے ساتھ اپنی کارکردگی بہتر بناتا ہے، ہر صورتحال کے لیے واضح طور پر مقررہ قواعد کے ساتھ پروگرام کیے جانے کی بجائے۔
AI اور ML کا فرق: AI مشینوں کو ذہین طریقے سے کام کرنے کا مجموعی مقصد ہے (خاص طور پر انسان جیسا رویہ دکھانے کی کوشش، جیسے بولنا، دیکھنا، یا سمجھنا)، جبکہ ML اس مقصد کو حاصل کرنے کے لیے استعمال ہونے والا ایک خاص طریقہ ہے — ہر ML سسٹم AI کی ایک صورت ہے، مگر تمام AI ML سے نہیں بنایا جاتا (کچھ پرانی AI نے ڈیٹا سے سیکھنے کی بجائے ہاتھ سے کوڈ کیے گئے قواعد استعمال کیے)۔
Definition
روزمرہ استعمال میں AI کی مثالیں: Google Assistant جیسا سمارٹ اسسٹنٹ (بولی گئی درخواستیں سمجھتا اور جواب دیتا ہے) اور کسی ایپ کا استعمال کردہ سفارشی نظام جو ML سے ماضی کے دیکھنے کے رویے کا تجزیہ کر کے ویڈیوز تجویز کرتا ہے۔
JazzCash جیسی سروس پر چیٹ بوٹ AI کا خودکار کسٹمر سپورٹ/تعامل کے لیے استعمال کی مثال ہے۔
پاکستان میں استعمال ہونے والی AI کی ایک حقیقی زندگی کی مثال: ٹیلی کام اور بینکنگ ایپس کے کسٹمر سروس کے لیے AI پر مبنی چیٹ بوٹس، یا AI پر مبنی ٹریفک/زرعی نگرانی سسٹمز۔
Definition
AI زیادہ تر ان کاموں کو خودکار بنانے کے لیے استعمال ہوتی ہے جنہیں ورنہ انسانی فیصلے یا کوشش چاہیے — نمونے پہچاننا، پیش گوئیاں کرنا، زبان سمجھنا، اور دہرائی جانے والی انسانی فیصلہ سازی میں مدد دینا یا اس کی جگہ لینا۔
Definition
سرپرست شدہ سیکھنا (Supervised Learning) میں، تربیتی ڈیٹا نشان زدہ ہوتا ہے — ہر مثال میں ان پٹ اور درست، معلوم آؤٹ پٹ/جواب دونوں شامل ہوتے ہیں، اور ماڈل ان معلوم درست جوابات کے خلاف اپنی پیش گوئیوں کا موازنہ کر کے بتدریج بہتر ہوتے ہوئے سیکھتا ہے۔
غیرسرپرست شدہ سیکھنا (Unsupervised Learning) میں، استعمال ہونے والا ڈیٹا غیرنشان زدہ ہوتا ہے — کوئی معلوم درست جواب فراہم نہیں ہوتا؛ اس کی بجائے ماڈل خود ڈیٹا کے اندر نمونے، ساختیں، یا گروہ بندیاں تلاش کرتا ہے، بغیر یہ بتائے کہ 'صحیح' جواب کیسا نظر آتا ہے۔
غیرسرپرست شدہ سیکھنے کی ایک مثال: ملتے جلتے دلچسپیوں والے طلبہ کو اکٹھا گروہ بند (Cluster) کرنا، بغیر پہلے سے بتائے کہ گروہ کیسے ہونے چاہییں — ایلگورتھم خود ڈیٹا سے فطری گروہ بندیاں دریافت کرتا ہے۔
مثال 1 — سرپرست شدہ سیکھنا کیسے کام کرتا ہے
مثال کے ساتھ وضاحت کیجیے کہ سرپرست شدہ سیکھنا کیسے کام کرتا ہے۔
- ایک ڈیٹاسیٹ تیار کیا جاتا ہے جہاں ہر مثال میں ان پٹ خصوصیات اور معلوم درست آؤٹ پٹ دونوں ہوں — مثلاً جانوروں کی تصاویر، ہر ایک پہلے سے 'بلی' یا 'کتا' نشان زدہ۔
- ماڈل کو اس نشان زدہ ڈیٹا پر تربیت دی جاتی ہے، خود کو معلوم درست لیبلز سے اپنی پیش گوئیوں کو بہتر ملانے کے لیے ایڈجسٹ کرتے ہوئے۔
- تربیت کے بعد، ماڈل نئی، پہلے نہ دیکھی گئی مثالوں کے لیے لیبل پیش گوئی کر سکتا ہے (مثلاً ایک نئی تصویر جو اس نے پہلے نہیں دیکھی)۔
Answer: سرپرست شدہ سیکھنا کسی ماڈل کو نشان زدہ ڈیٹا (ان پٹ معلوم درست آؤٹ پٹ) پر تربیت دیتا ہے تاکہ یہ بعد میں نئے ان پٹس کے لیے آؤٹ پٹ پیش گوئی کر سکے
Definition
لینیئر ریگریشن دو متغیرات کے درمیان سیدھی لکیر تعلق پر مبنی مستقبل/مسلسل اقدار کی پیش گوئی کرتا ہے — مثلاً کسی گھر کی قیمت اس کے سائز کی بنیاد پر پیش گوئی کرنا، تقریباً لکیری رجحان فرض کرتے ہوئے۔
فیصلہ درخت (Decision Tree) فیصلے تک پہنچنے کے لیے ہاں/نہیں (یا سچ/جھوٹ) سوالات کا درخت نما ماڈل استعمال کرتا ہے، جواب کی بنیاد پر ہر سوال پر شاخ بناتا ہے، جب تک درخت کے 'پتے' پر آخری نتیجہ تک نہ پہنچ جائے۔
کلسٹرنگ ایلگورتھمز ملتی جلتی چیزوں کو اکٹھا گروہ بند کرنے کے لیے استعمال ہوتے ہیں (جیسے ملتی جلتی دلچسپیوں والے طلبہ کو گروہ بند کرنا) بغیر پہلے سے نشان زدہ زمروں کے — ایک غیرسرپرست شدہ سیکھنے کی تکنیک۔
Definition
کنفیوژن میٹرکس ایک جدول ہے جو کسی درجہ بندی ماڈل کی پیش گوئیوں کا اصل معلوم نتائج کے خلاف خلاصہ کرتا ہے، نتائج کو توڑتا ہے: حقیقی مثبت (درست طور پر مثبت پیش گوئی)، حقیقی منفی (درست طور پر منفی پیش گوئی)، غلط مثبت (غلط طور پر مثبت پیش گوئی)، اور غلط منفی (غلط طور پر منفی پیش گوئی)۔
درستگی (Accuracy) ماڈل کے صحیح نکلے پیش گوئیوں کا مجموعی تناسب ناپتی ہے (مثبت اور منفی دونوں)، (حقیقی مثبت حقیقی منفی) کو کل پیش گوئیوں کی تعداد پر تقسیم کر کے حساب کیا جاتا ہے۔
پریسیژن (Precision) ناپتی ہے، ان تمام صورتوں میں سے جنہیں ماڈل نے مثبت پیش گوئی کیا، کتنا تناسب واقعی مثبت تھا — حقیقی مثبت کو (حقیقی مثبت غلط مثبت) پر تقسیم کر کے حساب کیا جاتا ہے۔ زیادہ پریسیژن کا مطلب ہے ماڈل شاذ و نادر ہی غلط الارم دیتا ہے جب یہ 'مثبت' پیش گوئی کرتا ہے۔
مثال 2 — کنفیوژن میٹرکس بنانا اور درستگی معلوم کرنا
ایک ماڈل پیش گوئی کرتا ہے کہ کیا طلبہ پاس () ہوں گے یا فیل ()۔ فرض کریں نتائج یہ ہیں: طلبہ صحیح طور پر پاس ہونے کی پیش گوئی، صحیح طور پر فیل ہونے کی پیش گوئی، غلط طور پر پاس ہونے کی پیش گوئی (جو واقعی فیل ہوئے)، اور غلط طور پر فیل ہونے کی پیش گوئی (جو واقعی پاس ہوئے)۔ کنفیوژن میٹرکس بھریں اور درستگی حساب کریں۔
- حقیقی مثبت (پاس پیش گوئی، واقعی پاس) ۔
- حقیقی منفی (فیل پیش گوئی، واقعی فیل) ۔
- غلط مثبت (پاس پیش گوئی، واقعی فیل) ۔
- غلط منفی (فیل پیش گوئی، واقعی پاس) ۔
- کل چیک کریں: — دیے گئے طلبہ کی تعداد سے میل کھاتا ہے۔
- درستگی (حقیقی مثبت حقیقی منفی، بٹا کل): ۔
Answer: کنفیوژن میٹرکس: TP، TN، FP، FN؛ درستگی
Definition
AI میں تعصب ماڈل کی پیش گوئیوں میں ایک منظم ناانصافی ہے، عموماً اس وجہ سے پیدا ہوتی ہے کہ تربیتی ڈیٹا خود غیرنمائندہ یا کجی زدہ تھا — مثلاً ایک بھرتی AI جو زیادہ تر ایک جنس کے ماضی کے ریزیومے پر تربیت یافتہ ہو وہ آگے چل کر ناانصافی سے اس جنس کے امیدواروں کی حمایت کر سکتی ہے، کیونکہ اس نے منصفانہ، متوازن مثالوں کی بجائے تعصب زدہ تاریخی ڈیٹا سے نمونے سیکھے۔
AI سسٹمز بناتے وقت صارف کی رازداری کی حفاظت کے لیے دو بہترین طریقے: صرف کام کے لیے واقعی ضروری کم سے کم ڈیٹا جمع اور ذخیرہ کرنا، اور جہاں ممکن ہو ذاتی ڈیٹا کو گمنام یا محفوظ طریقے سے خفیہ کرنا۔
اگر کوئی AI پر مبنی سسٹم غلط فیصلہ کرے، تو ذمہ داری عموماً اسے بنانے، تربیت دینے، تعینات کرنے، اور نگرانی کرنے میں شامل لوگوں اور تنظیموں کے درمیان بانٹی جاتی ہے — ڈویلپرز (ڈیزائن/تربیتی ڈیٹا میں خامیوں کے لیے)، تعینات کرنے والی تنظیم (یہ کیسے اور کہاں استعمال ہوتا ہے اس کے لیے)، اور بعض اوقات ریگولیٹرز (ناکافی نگرانی کے لیے) — کیونکہ AI سسٹم خود کوئی قانونی یا اخلاقی جوابدہی نہیں رکھتا؛ اس کے پیچھے موجود انسان ذمہ دار رہتے ہیں۔
Definition
مشین لرننگ کو کام کرنے کے لیے ہمیشہ ڈیٹا چاہیے، کیونکہ یہ عین ڈیٹا سے نمونے سیکھنے کا عمل ہے — تربیتی ڈیٹا کے بغیر، ML ماڈل کے پاس سیکھنے کے لیے کچھ نہیں ہوتا اور یہ مفید پیش گوئیاں نہیں کر سکتا۔
Definition
کاروبار AI کا استعمال دہرائے جانے والے کاموں کو خودکار بنانے، بصیرت کے لیے صارفی ڈیٹا کی بڑی مقدار کا تجزیہ کرنے، سفارشات کو ذاتی بنانے، اور چیٹ بوٹس اور خودکار سپورٹ کے ذریعے کسٹمر سروس بہتر بنانے کے لیے کر سکتے ہیں۔
کسٹمر تجزیہ صارفی ڈیٹا (خریداری کی تاریخ، براؤزنگ رویہ، ترجیحات) کا مطالعہ کرنے کا عمل ہے تاکہ ان کی ضروریات اور رویے کے نمونے سمجھے جا سکیں؛ کاروبار اس کے لیے AI استعمال کرتے ہیں اس ڈیٹا پر ML ایلگورتھمز لگا کر یہ پیش گوئی کرنے کے لیے کہ صارفین آگے کیا چاہ سکتے ہیں، مارکیٹنگ کو ذاتی بنانا، اور برقراری بہتر بنانا۔
ڈیٹا تجزیہ کار کے لیے ایک ضروری مہارت ڈیٹا اور اعداد و شمار کی درستگی سے تشریح کرنے کے قابل ہونا ہے، خام اعداد اور نمونوں کو بامعنی، قابلِ عمل بصیرت میں بدلتے ہوئے۔
خلاصہ (Quick Recap)
- ●AI: انسان جیسے ذہین رویے کا وسیع مقصد۔ ML: AI کا ذیلی مجموعہ، مقررہ قواعد کی بجائے ڈیٹا سے نمونے سیکھتا ہے
- ●سرپرست شدہ سیکھنا: نشان زدہ ڈیٹا (معلوم درست جوابات) نئے لیبلز پیش گوئی کرنے کی تربیت۔ غیرسرپرست شدہ سیکھنا: غیرنشان زدہ ڈیٹا نمونے/گروہ بندیاں تلاش کرتا ہے (مثلاً کلسٹرنگ)
- ●ایلگورتھمز: لینیئر ریگریشن (سیدھی لکیر پیش گوئی)، فیصلہ درخت (ہاں/نہیں شاخیں)، کلسٹرنگ (ملتی جلتی چیزیں گروہ بند کرنا)
- ●کنفیوژن میٹرکس: TP، TN، FP، FN۔ درستگی ( = کل پیش گوئیاں)۔ پریسیژن
- ●AI میں تعصب: غیرنمائندہ تربیتی ڈیٹا سے غیرمنصفانہ پیش گوئیاں۔ رازداری: کم سے کم ڈیٹا جمع کریں، گمنام/خفیہ کریں
- ●AI کی غلطیوں کی ذمہ داری اس کے پیچھے موجود انسانوں/تنظیموں پر ہے، خود AI پر نہیں؛ ML کو سیکھنے کے لیے ہمیشہ ڈیٹا چاہیے
- ●کاروبار میں AI: خودکاری، کسٹمر تجزیہ، ذاتی سفارشات، سپورٹ کے لیے چیٹ بوٹس
