عی ڈیٹا بیس: وہ کیا ہیں اور آپ کے کاروبار کی دیکھ بھال کیوں کرنی چاہئے

ڈیٹا اور بزنس انٹیلیجنس (BI) ایک ہی سکے کے دو رخ ہیں۔ اسٹوریج ، پروسیسنگ اور تجزیہ میں ہونے والی پیشرفت نے ڈیٹا کو اس حد تک جمہوری شکل دے دی ہے جہاں آپ کو بڑے پیمانے پر ڈیٹا سیٹ کے ساتھ کام کرنے اور بصیرت حاصل کرنے کیلئے ڈیٹا بیس پروفیشنل یا ڈیٹا سائنسدان ہونے کی ضرورت نہیں ہے۔ سیکھنے کا ایک وکر ابھی باقی ہے ، لیکن سیلف سروس BI اور ڈیٹا بصری ویزن کے ٹولز کاروباری تجزیاتی تجزیوں میں جمع کردہ سارے ڈیٹا کو جس طرح سے اکٹھا کرتے ہیں اس کی نئی تعریف کررہے ہیں۔ تاہم ، BI یا ڈیٹا بیس کمپنی ہاکنگ ایڈوانس تجزیات اور مصنوعی ذہانت (AI) ڈیٹا بیس میں فرق ہے جو مقصد مشین سیکھنے (ML) اور گہری سیکھنے کے ماڈلز کے لئے بنایا گیا ہے۔

ایم ایل الگورتھم آج کل کے زیادہ تر سافٹ ویئر کے تانے بانے میں بنے ہوئے ہیں۔ صارفین کے تجربات ورچوئل اسسٹنٹس کے ذریعہ اے آئی سے مل رہے ہیں اور ، بزنس سوفٹ ویئر میں ، ایسی سیلز فورس آئن اسٹائن جیسی مثالیں موجود ہیں جو کمپنی کے پورے کسٹمر ریلیشنشمنٹ مینجمنٹ (سی آر ایم) پورٹ فولیو کے نیچے ذہین پرت کی حیثیت سے کام کرتی ہیں۔ گوگل اور مائیکروسافٹ سمیت ٹکنالوجی جنات ہمارے ذہین مستقبل کو مزید آگے بڑھا رہے ہیں ، نہ صرف تحقیق کے ساتھ بلکہ دوبارہ لکھتے ہوئے کہ ان کی ٹیک AI سے زمین تک کیسے کام کرتی ہے۔

تربیتی مشین اور گہری سیکھنے کے ماڈلز کے ساتھ ایک چیلنج سراسر اعداد و شمار کی حجم اور پروسیسنگ پاور ہے جو آپ کو اعصابی نیٹ ورک کی تربیت کرنے کی ضرورت ہے ، مثال کے طور پر ، امیج کی درجہ بندی یا قدرتی زبان پروسیسنگ (این ایل پی) جیسے شعبوں میں پیچیدہ پیٹرن کی پہچان پر۔ لہذا ، اے آئی کے ڈیٹا بیس کاروباری اداروں کے لئے اے آئی سیکھنے اور تربیت کے عمل کو بہتر بنانے کے ایک طریقہ کے طور پر مارکیٹ میں پاپ اپ ہونے لگے ہیں۔ ہم نے GPU تیز رفتار سے متعلق رشتہ دار ڈیٹا بیس فراہم کنندہ کنیٹیکا کے ساتھ بات کی ، جس نے اپنا ایک اے آئی ڈیٹا بیس بنایا ہے ، اور پی سی ماگ کے رہائشی BI اور ڈیٹا بیس کے ماہر پام بیکر نے یہ معلوم کرنے کے لئے کہ AI کا ڈیٹا بیس کیا ہے اور روایتی ڈیٹا بیس کے مقابلے میں یہ کس طرح کام کرتا ہے۔ اس سے بھی اہم بات یہ ہے کہ ہم نے ان کی مدد کے لئے ہائپ اور مارکیٹنگ کے ذریعے گفتگو کرنے کا مطالبہ کیا تاکہ معلوم ہوسکے کہ اس ابھرتی ہوئی ٹیک کی حقیقی کاروباری قدر ہے یا نہیں۔

اے آئی ڈیٹا بیس کیا ہیں؟

اے آئی کی جگہ کی تیزی سے بدلتی نوعیت اصطلاحات کو قائم کرنا مشکل بنا سکتی ہے۔ آپ اکثر ایسے الفاظ سنتے ہیں جیسے ایم ایل ، گہری تعلیم ، اور AI ایک دوسرے کے بدلے استعمال ہوتے ہیں جب ، حقیقت میں ، وہ AI کی بڑی چھتری کے تحت اب بھی ترقی پذیر تکنیک ہیں۔ اسی طرح ، بیکر نے کہا کہ دو مختلف تعریفیں ہیں جو ایک AI ڈیٹا بیس پر منحصر ہے اس پر منحصر ہے کہ آپ کس سے بات کرتے ہیں: ایک عملی اور دوسرا اسکائی اسکائی۔

"انڈسٹری میں ایک قسم کا ڈھیلے اتفاق رائے موجود ہے کہ اے آئی ڈیٹا بیس ایسا ہوگا جو قدرتی زبان کے سوالات سے مکمل طور پر کام کرے گا۔ یوزر انٹرفیس ایسا ہوگا کہ آپ کو تلاش کرنے کے ل search تلاش کے اصطلاحات اور کلیدی جملے پر بھروسہ نہیں کرنا پڑے گا۔ بیکر نے کہا ، آپ کو مطلوبہ معلومات جس میں صارف کو NLP کے ساتھ ڈیٹا سیٹ طلب کرنے کی اجازت دی جا.۔ "آپ ایک بہت محدود دلیل دے سکتے ہیں کہ آئی بی ایم واٹسن سسٹم میں قدرتی زبان کے سوالات پیدا کرسکتے ہیں ، لیکن آپ کو پہلے سے ڈیٹا سے منسلک ہونا پڑے گا اور خود ہی ڈیٹا کا انتخاب کرنا پڑے گا۔ لہذا ، ابھی اس تعریف کی حد ہے۔"

زیادہ عملی تعریف ، اور اس وضاحت کنندہ کا موضوع ، بنیادی طور پر ایم ایل ماڈل کی تربیت کو تیز کرنے کے لئے ایک مقصد سے بنا ہوا ڈیٹا بیس کا استعمال کررہا ہے۔ متعدد ٹیک کمپنیاں پہلے ہی نئے ہارڈ ویئر مصنوعات میں بھاری پروسیسنگ بوجھ کے خاتمے کے لئے سرشار اے آئی چپس تیار کررہی ہیں کیونکہ وینڈرز اے آئی پر مبنی مزید خصوصیات تیار کرتے ہیں جن میں قابل عمل کمپیوٹ پاور کی ضرورت ہوتی ہے۔ اعداد و شمار کی طرف ، اے آئی ڈیٹا بیس کا استعمال آپ کو وقت کی بچت اور وسائل کو بہتر بنانے کے ل training تربیت ایم ایل اور گہری سیکھنے والے ماڈلز سے وابستہ حجم ، رفتار ، اور پیچیدہ ڈیٹا گورننس اور انتظامی چیلنجوں کو بہتر انداز میں لڑنے میں مدد کرسکتا ہے۔

تصویری کریڈٹ: مستقبل میں ڈاٹ کام پر ٹڈ جاکیٹ۔ مکمل انفوگرافک کو بڑھانے کے لئے کلک کریں

بیکر نے وضاحت کی ، "ابھی کئی مختلف حربوں کے ذریعے ایم ایل کی تربیت کو تیز کرنے کے لئے بہت ساری کوششیں ہو رہی ہیں۔ "ایک یہ کہ کوڈنگ کرنے والے اے آئی کے محققین سے انفراسٹرکچر کو الگ کرنا ، تاکہ خودکار افعال بنیادی ڈھانچے کو سنبھال رہے ہوں اور ایم ایل ماڈل کی تربیت کر سکیں۔ لہذا ، تین ماہ کی طرح کچھ خرچ کرنے کے بجائے ، آپ 30 دن یا 30 منٹ کی طرف دیکھ سکتے ہیں۔ "

کنیٹیکا نے اس خیال کو ایم ایل اور گہری سیکھنے والی ماڈلنگ کے لئے موزوں ایک مربوط ڈیٹا بیس پلیٹ فارم میں توڑ دیا ہے۔ اے آئی ڈیٹا بیس میں میموری میں موجود ڈیٹا بیس میں ڈیٹا گودام ، جدید تجزیات اور تصو .رات کو جوڑتا ہے۔ کنیٹیکا کے جدید ٹیکنالوجی گروپ کے نائب صدر اور پرنسپل سافٹ ویر انجینئر میٹ ردالج نے وضاحت کی کہ ایک اے آئی ڈیٹا بیس بیک وقت ملی سیکنڈ کے اندر تیز رفتار حرکت پذیر ، پیچیدہ ڈیٹا کو ہضم کرنے ، دریافت کرنے ، تجزیہ کرنے اور دیکھنے کے قابل ہونا چاہئے۔ اس کا مقصد اخراجات کو کم کرنا ، نئی آمدنی پیدا کرنا ، اور ایم ایل ماڈلز کو متحد کرنا ہے تاکہ کاروبار زیادہ موثر ، ڈیٹا سے چلنے والے فیصلے کرسکیں۔

"اے آئی ڈیٹا بیس ایک عام ڈیٹا بیس کا سب سیٹ ہے ،" ردالج نے کہا۔ "ابھی ، اے آئی کے ڈیٹا بیس بہت مشہور ہیں۔ لیکن بہت سارے حل تقسیم شدہ اجزاء استعمال کرتے ہیں۔ چنگاری ، میپریڈوسیس اور ایچ ڈی ایف ایس ہمیشہ یادداشت کے بجائے پیچھے پیچھے پیچھے گھومتے رہتے ہیں۔ ان میں ہمارے ڈیٹا بیس جیسے عوامل کا سنگم نہیں ہوتا ہے ، جو ایک ہی پلیٹ فارم پر مضبوطی سے مربوط سی پی یوز اور جی پی یوز کے ساتھ گراؤنڈ اپ سے تعمیر کیا گیا تھا۔ ہمارے لئے اعلی سطح کا فائدہ تیز رفتار فراہمی ہے اور اسی پلیٹ فارم میں فوری تبدیلی اور تجزیات کے ساتھ ، ماڈل پر مبنی تربیت کا ایک کم ہارڈ ویئر زیر اثر۔ "

اے آئی ڈیٹا بیس کیسے کام کرتا ہے

عملی طور پر اے آئی ڈیٹا بیس کی متعدد مثالیں ہیں۔ مائیکروسافٹ بیچ اے آئی ڈی کلاؤڈ بیسڈ انفراسٹرکچر پیش کرتا ہے جو مائکروسافٹ آزور جی پی یوز پر چلنے والی گہری سیکھنے اور ایم ایل ماڈلز کی تربیت کرتا ہے کمپنی کے پاس اس کی ایزور ڈیٹا لیک پروڈکٹ بھی ہے تاکہ کاروباروں اور ڈیٹا سائنسدانوں کو تقسیم شدہ فن تعمیر کے اس پار ڈیٹا پر کارروائی اور تجزیہ کرنا آسان بنایا جاسکے۔

ایک اور مثال گوگل کی آٹو ایم ایل اپروچ ہے ، جو ایم ایل ماڈلز کی تربیت کے طریقے سے بنیادی طور پر دوبارہ انجینئرنگ کررہی ہے۔ گوگل آٹو ایم ایل مخصوص ڈیٹا سیٹ پر مبنی نئے عصبی نیٹ ورک آرکیٹیکچر تیار کرنے کے لئے ایم ایل ماڈل ڈیزائن کو خود کار بناتا ہے ، اور پھر بہتر نظاموں کی کوڈ کرنے کے لئے ان ہزاروں بار آزمائش اور اعادہ کرتا ہے۔ در حقیقت ، گوگل کی اے آئی اب انسانی محققین سے بہتر ماڈل تشکیل دے سکتی ہے۔

بیکر نے کہا ، "گوگل آٹو ایم ایل دیکھو: ایم ایل ایم ایل کوڈ لکھ رہا ہے تاکہ آپ کو لوگوں کی ضرورت بھی نہ ہو۔" "اس سے آپ کو اندازہ ہوتا ہے کہ دکانداروں میں کیا فرق پڑتا ہے اس میں بہت فرق ہے۔ کچھ ایم ایل advanced کے طور پر جدید تجزیات کو ختم کرنے کی کوشش کر رہے ہیں اور ایسا نہیں ہے۔ اور دوسرے ایم ایل کو اتنی اعلی درجے کی سطح پر کر رہے ہیں جو اس سے کہیں زیادہ ہے۔ کاروباری اداروں کو اس وقت سمجھا جاسکتا ہے۔ "

پھر کینیٹیکا ہے۔ سان فرانسسکو پر مبنی اسٹارٹ اپ ، جس نے وینچر کیپٹل (VC) میں million 63 ملین اکٹھا کیا ہے ، ایک تیز کارکردگی والے ایس کیو ایل ڈیٹا بیس کو تیز ڈیٹا انجشن اور تجزیات کے ل optim بہتر بنا دیتا ہے۔ کنیٹیکا وہی ہے جو ردالج نے بڑے پیمانے پر متوازی پروسیسنگ (ایم پی پی) تقسیم شدہ ڈیٹا بیس اور کمپیوٹنگ پلیٹ فارم کے طور پر بیان کیا ہے جس میں ہر نوڈ میں شریک میموری میں موجود ڈیٹا ، سی پی یو ، اور جی پی یو شامل ہوتا ہے۔

ردالج نے وضاحت کی ، کیا ایک AI ڈیٹا بیس کو روایتی ڈیٹا بیس سے مختلف بناتا ہے ، اس میں تین بنیادی عناصر شامل ہیں:

• تیزی سے ڈیٹا کی کھپت ،
• میموری میں موجود ڈیٹا (ڈیٹا بیس نوڈس میں متوازی پروسیسنگ) ، اور
• ڈیٹا سائنسدانوں ، سافٹ ویئر انجینئرز ، اور ڈیٹا بیس ایڈمنسٹریٹرز کے لئے ایک مشترکہ پلیٹ فارم جو تیزی سے ماڈل کی تکرار اور جانچ کرسکتا ہے اور نتائج کو براہ راست تجزیات پر لاگو ہوتا ہے۔

اس کو پڑھنے والے تمام نان ڈیٹا بیس اور اے آئی ماڈل کی تربیت کے ماہرین کے ل Rad ، ردالج نے ان تینوں بنیادی عناصر کو توڑ دیا اور بتایا کہ اے آئی ڈیٹا بیس کس طرح ٹھوس کاروباری قیمت سے تعلق رکھتا ہے۔ انہوں نے کہا ، اعداد و شمار کی دستیابی اور اعداد و شمار کی ادائیگی کلیدی حیثیت رکھتی ہے ، کیونکہ اصل وقت کے اعداد و شمار کے اعداد و شمار پر کارروائی کرنے کی صلاحیت کاروباریوں کو اے آئی سے چلنے والی بصیرت پر تیز رفتار کارروائی کرنے کی اجازت دیتی ہے۔

ردالج نے کہا ، "ہمارے پاس ایک خوردہ گاہک ہر پانچ منٹ پر ، اسٹور کے ذریعہ فروخت کی شرحوں کا سراغ لگانا چاہتا ہے۔" "ہم اے ای کو گذشتہ چند گھنٹوں کے تاریخی اعداد و شمار کی بنیاد پر پیش گوئی کرنے کے لئے استعمال کرنا چاہتے تھے ، چاہے وہ انوینٹری کو پورا کریں اور اس عمل کو بہتر بنائیں۔ لیکن مشین پر چلنے والی انوینٹری کو دوبارہ بھرنے کے ل 600 ہر سیکنڈ میں -12 600 qu--120000 qu سوالات کی حمایت کرنا ہوگی۔ ایک ایس کیو ایل ڈیٹا بیس اور اے آئی ڈیٹا بیس ہیں ، لہذا ہم اس شرح سے اعداد و شمار کو ایجاد کرسکتے ہیں۔ ہمارا اس کاروباری مشن کی ملاقات کے نتیجے میں ایسی درخواست کی گئی جس نے مزید آر او آئ کو آگے بڑھایا۔ "

بیکر نے اتفاق کیا کہ ایم ایل کو بہت زیادہ اعداد و شمار کی ضرورت ہوتی ہے لہذا اس کو جلدی سے پینا ایک AI ڈیٹا بیس کے ل very بہت اہم ہوگا۔ دوسرا عنصر ، "میموری میں موجود ڈیٹا کا شریک مقام" کا تصور کچھ اور وضاحت لیتا ہے۔ میموری میں موجود ڈیٹا بیس الگ الگ ڈسک اسٹوریج کی بجائے مرکزی میموری میں ڈیٹا اسٹور کرتا ہے۔ یہ سوالات پر تیزی سے عملدرآمد کرنے کے ل does ہے ، خاص طور پر تجزیات اور BI ڈیٹا بیس میں۔ شریک محل وقوع کے ذریعہ ، ردالج نے وضاحت کی کہ کنیٹیکا اسٹوریج نوڈس کے مقابلے میں سی پی یو اور جی پی یو کمپیوٹ نوڈس کو الگ نہیں کرتی ہے۔

اس کے نتیجے میں ، اے آئی ڈیٹا بیس متوازی پروسیسنگ کی حمایت کرتا ہے - جو متعدد محرکات پر عملدرآمد کرنے کے لئے انسانی دماغ کی صلاحیت کی نقالی کرتا ہے - جبکہ یہ بھی ایک توسیع پذیر ڈیٹا بیس کے بنیادی ڈھانچے میں تقسیم کیا جاتا ہے۔ یہ بڑے ہارڈ ویئر کے نقوش کو روکتا ہے ، جس کے نتیجے میں ردالج نے "ڈیٹا شپنگ" کہا ہے یا مختلف ڈیٹا بیس اجزاء کے مابین اعداد و شمار بھیجنے کی ضرورت ہے۔

ردالج نے کہا ، "کچھ حل IBM سمفونی جیسے آرکیسٹریٹر کا استعمال مختلف اجزاء میں کام کے شیڈول کے لئے کرتے ہیں جبکہ کنیٹیکا ڈیٹا شپنگ کو کم سے کم کرنے کے لئے اعلی درجے کی اصلاح کے ساتھ مشترکہ وسائل کے خلاف فنکشن شپنگ پر زور دیتا ہے۔" "یہ باہمی مقام خود کو اعلی کارکردگی اور تھرو پٹ پر قرض دیتا ہے ، خاص طور پر بڑے اعداد و شمار کے سیٹوں پر انتہائی ہم آہنگ بھاری استفسار کے ل.۔"

اصل ڈیٹا بیس ہارڈویئر کے معاملے میں ، کینیٹیکا نیوڈیا کے ساتھ شراکت میں ہے ، جس میں AI GPUs کی توسیع ہوتی ہے اور وہ انٹیل کے ساتھ مواقع کی تلاش میں ہے۔ ردالج نے یہ بھی کہا کہ کمپنی ابھرتے ہوئے اے آئی ہارڈ ویئر اور کلاؤڈ بیسڈ انفراسٹرکچر جیسے گوگل کی ٹینسر پروسیسنگ یونٹ (ٹی پی یو) پر بھی نگاہ رکھے ہوئے ہے۔

آخر میں ، ایک متحد ماڈل کی تربیت کے عمل کا خیال ہے۔ اے آئی ڈیٹا بیس صرف اس صورت میں موثر ہے جب تیزی سے انجشن اور پروسیسنگ کے ان فوائد کمپنی کے ایم ایل اور گہری سیکھنے کی کوششوں کے لئے بڑے ، کاروباری پر مبنی اہداف کو پورا کریں۔ ردالج سے کنیٹیکا کے اے آئی ڈیٹا بیس کو "ماڈل پائپ لائن پلیٹ فارم" کہا جاتا ہے جو ڈیٹا سائنس سے چلنے والی ماڈل ہوسٹنگ کو انجام دیتا ہے۔

یہ سب خود کو زیادہ درست ایم ایل ماڈلز تیار کرنے کے لئے تیز آزمائش اور تکرار پر قرض دیتا ہے۔ اس نکتے پر ، بیکر نے کہا کہ متحد طریقے سے تعاون کرنے سے ایم ایل یا گہری سیکھنے والے ماڈل کی تربیت کرنے میں کام کرنے والے تمام انجینئرز اور محققین کی مدد کی جاسکتی ہے کہ وہ کیا کام کرتا ہے ، تربیت کے عمل میں جاری تمام اقدامات کو مستقل طور پر بحال کرنے کے برخلاف۔ ردالج نے کہا کہ اس کا مقصد ایک ایسے کام کا فلو بنانا ہے جس میں تیزی سے بیچ کا انجشن ، سلسلہ بندی ، اور ماڈل کے نتائج پیدا کرنے کی تیزی سے تلاش کی جائے جس کا اطلاق فوری طور پر BI پر کیا جاسکے۔

ردالج نے کہا ، "ڈیٹا سائنسدان ، سافٹ ویئر انجینئر ، اور ڈیٹا بیس ایڈمنسٹریٹرز کا ایک ایسا پلیٹ فارم ہے جہاں ڈیٹا سائنس ، سافٹ ویئر پروگرام تحریر ، اور ایس کیو ایل ڈیٹا ماڈل اور سوالات پر کام صاف طور پر بیان کیا جاسکتا ہے۔" "جب لوگ ایک عام پلیٹ فارم ہوتے ہیں تو لوگ ان مختلف ڈومینز میں زیادہ صاف ستھری ساتھ مل کر کام کرتے ہیں۔ ایم ایل کو چلانے اور گہری تعلیم حاصل کرنے کے بجائے زیادہ تر مقصد یہ ہے کہ ، آپ اس کے نتائج co شریک افادیت اور متغیرات analy کو تجزیات کے ساتھ مل کر استعمال کرنا چاہتے ہیں۔ ، اور اسکورنگ جیسے کاموں یا کسی مفید پیش گوئی کے ل the آؤٹ پٹ کا استعمال کریں۔ "

ہائپ یا حقیقت؟

اے آئی ڈیٹا بیس کی بنیادی بات قدر ، کم سے کم جس طرح کینیٹیکا اس کی وضاحت کرتی ہے ، اس میں کمپیوٹ اور ڈیٹا بیس کے وسائل کو بہتر بنانے میں ہے۔ اس کے نتیجے میں ، آپ کو بہتر ایم ایل اور گہری سیکھنے کے ماڈل تیار کرنے ، انھیں تیز تر اور زیادہ موثر طریقے سے تربیت دینے اور آپ کے کاروبار پر اے آئی کا اطلاق کرنے کا طریقہ برقرار رکھنے میں مدد ملتی ہے۔

ردالج نے بیڑے کے انتظام یا ٹرکنگ کمپنی کی مثال دی۔ اس مثال میں ، ایک AI ڈیٹا بیس گاڑیوں کے بیڑے سے اصل وقت کی معلومات کے بڑے سلسلوں پر کارروائی کرسکتا ہے۔ اس کے بعد ، اس جغرافیائی اعداد و شمار کو ماڈل بنانے اور تجزیات کے ساتھ جوڑ کر ، ڈیٹا بیس متحرک طور پر ٹرکوں کو دوبارہ راستہ بنا سکتا ہے اور راستوں کو بہتر بنا سکتا ہے۔

"جلدی سے فراہمی ، پروٹوٹائپ ، اور ٹیسٹ کرنا آسان ہے۔ 'ماڈلنگ' کا لفظ AI میں پھینک دیا گیا ہے ، لیکن یہ سب مختلف طریقوں کے ذریعے سائیکل چلانے کے بارے میں ہے - زیادہ اعداد و شمار ، بہتر ہے کہ ان کو بار بار چلایا جائے ، جانچ ، موازنہ ، اور بہترین ماڈل کے ساتھ آرہے ہیں ، "ردالج نے کہا۔ "اعصابی نیٹ ورکس کو زندگی دی گئی ہے کیونکہ پہلے سے کہیں زیادہ اعداد و شمار موجود ہیں۔ اور ہم اس کے ذریعے حساب کتاب کرنے کے قابل ہونا سیکھ رہے ہیں۔"

آخر میں ، کنیٹیکا کا شریک وابستہ ڈیٹا بیس اور ماڈل پائپ لائن پلیٹ فارم صرف ایک جگہ میں ایک نقطہ نظر ہے جس کا مطلب یہ ہوسکتا ہے کہ آپ کس سے پوچھتے ہیں اس پر منحصر ہے۔ بیکر نے کہا کہ مارکیٹ میں خریداروں کے ل the جو چیلنج اب بھی تیار ہے اور تجرباتی ہے وہ یہ معلوم کرنا ہے کہ اے آئی ڈیٹا بیس فروش جس چیز کی پچ کھا رہا ہے۔

بیکر نے کہا ، "بزنس تصور کے طور پر ، گہری سیکھنے ، ایم ایل ، اور یہ سب ایک ٹھوس تصور ہے۔ ہم جس چیز پر کام کر رہے ہیں وہ ٹیک ٹیک ایشوز ہیں جو قابل حل ہیں ، چاہے ہم ان کو ابھی تک حل نہیں کرپائے۔" "یہ کہنا یہ نہیں ہے کہ یہ ایک پختہ جگہ ہے کیونکہ یہ یقینی طور پر نہیں ہے۔ میں 'خریداروں سے خبردار رہو' کہوں گا کیونکہ ایم ایل کی حیثیت سے کچھ ایسا ہوسکتا ہے یا نہیں ہوسکتا ہے۔ یہ صرف باغی نوعیت کا جدید تجزیات ہوسکتا ہے۔"

جہاں تک کہ اے آئی ڈیٹا بیس ابھی سب ہائپ ہیں یا وہ جہاں کاروبار جارہے ہیں اس کے لئے وہ ایک اہم رجحان کی نمائندگی کرتے ہیں ، بیکر نے کہا کہ یہ دونوں میں تھوڑا سا ہے۔ انہوں نے کہا کہ بگ ڈیٹا ، مارکیٹنگ کی اصطلاح کے طور پر ، اب اس کے حق میں نہیں ہے۔ بیکر نے کہا کہ اب جدید ، ڈیٹا سے چلنے والے تجزیات اور حقیقی ایم ایل اور گہری سیکھنے والے الگورتھم کے مابین کچھ مارکیٹ کا تضاد موجود ہے۔ قطع نظر ، چاہے آپ ایم ایل ماڈلنگ کے ڈیٹا بیس کے بارے میں بات کر رہے ہو یا خود آگاہ AI نے پاپ کلچر کے ذریعہ خواب دیکھا تھا ، یہ سب ڈیٹا کے ساتھ شروع ہوتا ہے اور اختتام پذیر ہوتا ہے۔

بیکر نے کہا ، "وقت ختم ہونے تک ڈیٹا کو کاروبار میں استعمال کیا جائے گا business یہ صرف کاروبار کرنے کا مرکز ہے۔" "جب آپ سائنس فکشن کے حوالے سے بات کر رہے ہیں تو ، اے آئی ایک خودساختہ ذہانت ہے۔ اسی وقت جب آپ دنیا میں سنجیدگی اور روبوٹ سنبھالنے کے بارے میں بات کرنا شروع کردیں گے۔ چاہے ایسا ہوتا ہے یا نہیں ، مجھے نہیں معلوم۔ میں چلی جاؤں گی۔ وہ اسٹیفن ہاکنگ کو۔ "