گہری سیکھنے سے خوفزدہ نہ ہونے کی 4 وجوہات (ابھی) | بین ڈکسن

2012 میں ، یونیورسٹی آف ٹورنٹو کے سائنس دانوں کے ایک گروپ نے تصویری درجہ بندی کی پیشرفت کی۔

امیجنیٹ میں ، ایک سالانہ مصنوعی ذہانت (AI) مقابلہ جس میں مقابلہ کرنے والوں نے انتہائی درست تصویری درجہ بندی الگورتھم بنانے کا ارادہ کیا ، ٹورنٹو کی ٹیم نے ایلکس نیٹ کا آغاز کیا ، "جس نے فیلڈ کو بڑے پیمانے پر 10.8 فیصد پوائنٹ کے مارجن سے شکست دی … اس سے 41 فیصد بہتر اگلے بہترین ، "کوارٹج کے مطابق۔

گہری لرننگ ، ٹیم کے ذریعہ استعمال ہونے والا طریقہ ، AI تک پچھلے نقطہ نظر سے ایک بنیادی بہتری تھا اور بدعت کے ایک نئے دور کا آغاز ہوا۔ اس کے بعد سے اس نے تعلیم ، صحت کی دیکھ بھال ، سائبر سیکیورٹی ، بورڈ کے کھیلوں اور ترجمے کی راہیں تلاش کرلی ہیں اور اس نے سلیکن ویلی میں ہونے والی سرمایہ کاری میں اربوں ڈالر کا سرمایہ اٹھایا ہے۔

بہت سارے لوگوں نے گہری سیکھنے اور اس کے سپراسٹ ، مشین لرننگ کی تعریف کی ہے ، جو ہمارے دور کی عمومی مقصد والی ٹیکنالوجی اور بجلی اور آگ سے زیادہ گہری ہے۔ دوسرے ، اگرچہ ، انتباہ کرتے ہیں کہ گہری تعلیم سے انسان ہر کام میں بہترین ہوجائے گا اور کام کا حتمی قاتل بن جائے گا۔ اور گہری تعلیم کے ذریعہ تقویت پذیر ایپلی کیشنز اور خدمات کے دھماکے نے اے آئی کی آواز کے خاتمے کو جنم دیا ہے ، جس میں انتہائی ذہین کمپیوٹر سیارے کو فتح کرتے ہیں اور انسانوں کو غلامی یا معدومیت پر مجبور کرتے ہیں۔

لیکن ہائپ کے باوجود ، گہری سیکھنے میں کچھ خامیاں ہیں جو اسے اپنے وعدے کو سمجھنے سے روک سکتی ہیں۔ مثبت اور منفی دونوں۔

ڈیپ لرننگ ڈیٹا پر بہت زیادہ انحصار کرتی ہے

گہری سیکھنے اور گہرے عصبی نیٹ ورک ، جو اس کی بنیادی ڈھانچے پر مشتمل ہوتے ہیں ، کا اکثر موازنہ انسانی دماغ سے کیا جاتا ہے۔ لیکن ہمارے ذہن تصورات سیکھ سکتے ہیں اور بہت کم اعداد و شمار کے ساتھ فیصلے کرسکتے ہیں۔ گہری سیکھنے میں آسان کام انجام دینے کے لئے بہت سارے نمونوں کی ضرورت ہوتی ہے۔

اس کی اصل میں ، گہری سیکھنے ایک پیچیدہ تکنیک ہے جو لیبل لگا ہوا ڈیٹا میں عام نمونوں کو تلاش کرکے اور اعداد و شمار کے دوسرے نمونوں کی درجہ بندی کرنے کے لئے معلومات کا استعمال کرکے آؤٹ پٹ کو آؤٹ پٹ کا نقشہ بناتی ہے۔ مثال کے طور پر ، گہری سیکھنے والی درخواست کو بلیوں کی کافی تصاویر دیں ، اور اس سے یہ پتہ چل سکے گا کہ آیا تصویر میں بلی موجود ہے یا نہیں۔ اسی طرح ، جب ایک گہری سیکھنے والا الگورتھم مختلف الفاظ اور فقرے کے مناسب نمونوں کو کھا جاتا ہے ، تو وہ تقریر کو پہچان اور نقل کرسکتا ہے۔

لیکن یہ نقطہ نظر صرف اس صورت میں موثر ہے جب آپ کے الگورتھم کو کھانا کھلانا کرنے کے لئے آپ کے پاس کافی کوالٹی ڈیٹا موجود ہو۔ بصورت دیگر ، گہری سیکھنے والے الگورتھم جنگلی غلطیاں کرسکتے ہیں (جیسے ہیلی کاپٹر کے لئے رائفل کی غلطی کرنا)۔ جب ان کا ڈیٹا جامع اور متنوع نہیں ہے تو ، گہری سیکھنے والے الگورتھم نے یہاں تک کہ نسل پرستانہ اور جنسی پسندی کا مظاہرہ کیا ہے۔

اعداد و شمار پر انحصار مرکزیت کی پریشانی کا بھی سبب بنتا ہے۔ چونکہ ان کے پاس وسیع پیمانے پر ڈیٹا تک رسائی ہے ، لہذا گوگل اور ایمیزون جیسی کمپنیاں کم وسائل والے اسٹارٹ اپ کے مقابلے میں انتہائی موثر گہری سیکھنے والے ایپلی کیشنز تیار کرنے میں بہتر پوزیشن میں ہیں۔ کچھ کمپنیوں میں AI کا مرکز بنانا بدعت کی راہ میں رکاوٹ بن سکتا ہے اور ان کمپنیوں کو اپنے صارفین پر بہت زیادہ اثر ڈال سکتا ہے۔

گہری لرننگ لچکدار نہیں ہے

انسان تجریدی تصورات سیکھ سکتے ہیں اور مختلف حالتوں میں ان کا اطلاق کرسکتے ہیں۔ ہم یہ ہر وقت کرتے ہیں۔ مثال کے طور پر ، جب آپ پہلی بار کسی کمپیوٹر کھیل کو ماریو بروز کے طور پر کھیل رہے ہیں ، تو آپ فوری طور پر حقیقی دنیا کے علم کو استعمال کرسکتے ہیں جیسے گڈڑھیوں سے زیادہ چھلانگ لگانے یا آتش گیر گیندوں کو چکنا چور۔ اس کے بعد آپ ماریو کے دوسرے ورژن ، جیسے سپر ماریو اوڈیسی ، یا اسی طرح کے میکانکس والے گدھے کانگ کنٹری اور کریش بینڈیکیٹ جیسے دوسرے کھیلوں پر بھی اپنے کھیل کے بارے میں معلومات کا اطلاق کرسکتے ہیں۔

تاہم ، اے ای درخواستوں کو شروع سے ہی سب کچھ سیکھنا چاہئے۔ گہری سیکھنے والے الگورتھم ماریو کو کھیلنا سیکھتا ہے اس پر ایک نظر ڈالتی ہے کہ اے آئی کا سیکھنے کا عمل انسانوں سے کتنا مختلف ہے۔ یہ بنیادی طور پر اپنے ماحول کے بارے میں کچھ نہیں جاننا شروع کرتا ہے اور آہستہ آہستہ مختلف عناصر کے ساتھ بات چیت کرنا سیکھتا ہے۔ لیکن ماریو کے کھیل سے جو علم حاصل ہوتا ہے وہ اس واحد کھیل کے صرف تنگ ڈومین کی خدمت کرتا ہے اور دوسرے کھیلوں ، یہاں تک کہ دوسرے ماریو گیمز میں بھی اس کا تبادلہ نہیں ہوتا ہے۔

تصوراتی اور تجریدی تفہیم کی یہ کمی گہری سیکھنے کی ایپلی کیشنز کو محدود کاموں پر مرکوز رکھتی ہے اور عام مصنوعی ذہانت کی ترقی کو روکتی ہے ، ایسی قسم کی AI جو انسانوں جیسے دانشورانہ فیصلے کرسکتی ہے۔ ضروری نہیں کہ یہ ایک کمزوری ہو۔ کچھ ماہرین کا استدلال ہے کہ عام AI پیدا کرنا ایک بے مقصد مقصد ہے۔ لیکن یہ یقینی طور پر ایک حد ہے جب انسانی دماغ کے ساتھ موازنہ کیا جائے۔

گہری لرننگ واضح ہے

روایتی سافٹ ویئر کے برعکس ، جس کے لئے پروگرامر قواعد کی وضاحت کرتے ہیں ، گہری سیکھنے والے ایپلی کیشنز ٹیسٹ ڈیٹا پر کارروائی اور تجزیہ کرکے اپنے قوانین تشکیل دیتے ہیں۔ اس کے نتیجے میں ، کوئی بھی واقعتا نہیں جانتا ہے کہ وہ کس طرح نتائج اور فیصلوں تک پہنچتا ہے۔ یہاں تک کہ گہری سیکھنے والے الگورتھم تیار کرنے والے بھی اکثر اپنی تخلیقات کے نتائج سے پریشان ہوتے ہیں۔

شفافیت کا فقدان AI اور گہری تعلیم کے ل a ایک بڑی رکاوٹ ہوسکتی ہے ، کیونکہ ٹیکنالوجی مریضوں کے علاج ، قانون نافذ کرنے والے ، اور خود چلانے والی کاروں جیسے حساس ڈومینز میں اپنا مقام تلاش کرنے کی کوشش کرتی ہے۔ گہری سیکھنے والے الگورتھم انسانوں کی نسبت غلطیاں کرنے کا کم خطرہ رکھتے ہیں ، لیکن جب وہ غلطیاں کرتے ہیں تو ان غلطیوں کے پیچھے وجوہات کو بیان کرنا چاہئے۔ اگر ہم یہ نہیں سمجھ سکتے ہیں کہ ہماری اے آئی کی ایپلی کیشنز کیسے کام کرتی ہیں تو ، ہم ان پر نازک کاموں پر بھروسہ نہیں کرسکیں گے۔

گہری لرننگ اوور ہائپ ہوسکتی ہے

گہری سیکھنے نے پہلے ہی بہت سارے شعبوں میں اپنی صلاحیت ثابت کردی ہے اور ہم کام کرنے کے انداز کو بدلتے رہیں گے۔ اس کی خامیوں اور حدود کے باوجود ، گہری سیکھنے نے ہمیں ناکام نہیں کیا۔ لیکن ہمیں اپنی توقعات کو ایڈجسٹ کرنا ہوگا۔

جیسا کہ اے آئی اسکالر گیری مارکس نے متنبہ کیا ہے کہ ، ٹیکنالوجی کو زیادہ سے زیادہ استعمال کرنے سے ایک اور "اے آئی موسم سرما" پیدا ہوسکتا ہے۔

مارکس نے مشورہ دیا ہے کہ گہری تعلیم "ایک عالمی سالوینٹ نہیں بلکہ بہت سارے لوگوں میں ایک ٹول" ہے ، جس کا مطلب یہ ہے کہ جب ہم ان امکانات کو تلاش کرتے رہتے ہیں جو گہری تعلیم فراہم کرتی ہے ، ہمیں اے آئی کی ایپلی کیشنز بنانے کے ل other بنیادی طور پر مختلف نقطہ نظر کو بھی دیکھنا چاہئے۔

یہاں تک کہ پروفیسر جیفری ہنٹن ، جنہوں نے اس کام کی راہنمائی کی جس نے گہری سیکھنے والے انقلاب کا باعث بنے ، ان کا خیال ہے کہ شاید مکمل طور پر نئے طریقوں کی ایجاد کرنا پڑے گی۔ "مستقبل کا انحصار کسی ایسے گریجویٹ طالب علم پر ہے جس کو میری ہر بات پر گہری شک ہے۔"