مشین لرننگ کے لئے کاروباری رہنما

قدرتی زبان پروسیسنگ (این ایل پی) سے لے کر گہری سیکھنے تک اور اس سے آگے ، مشین لرننگ (ایم ایل) نے سب سے مشہور کاروباری ٹکنالوجی کے بہت سے پہلوؤں میں داخل کیا ہے۔ مصنوعی ذہانت (AI) انقلاب میں ایم ایل صرف ایک عنصر ہے ، لیکن یہ ایک اہم ہے۔ ایم ایل الگورتھم ایک ذہانت کی ایک اہم پرت ہے جو ہمارے استعمال کردہ مصنوعات میں پکی ہوئی ہے ، اور ہم اسے مستقبل میں مزید استعمال کے معاملات میں گھستے ہوئے دیکھیں گے۔

ایم ایل الگورتھم ہم ہر روز استعمال کرنے والی زیادہ تر ٹکنالوجی کے تانے بانے میں سرایت کرتے ہیں۔ کمپیوٹر ویژن ، گہری سیکھنے ، این ایل پی ، اور اس سے زیادہ پھیلی ہوئی ایم ایل بدعات عملی AI کے گرد وسیع تر انقلاب کا حصہ ہیں۔ وہ خودمختار روبوٹ یا جذباتی مخلوق نہیں ہیں بلکہ ایک قسم کی ذہانت ہمارے ایپس ، سافٹ ویئر اور کلاؤڈ سروسز میں مربوط ہوتی ہے جو سطح کے نیچے اے آئی الگورتھم اور بگ ڈیٹا کو جوڑتی ہے۔

کاروبار میں یہ رجحان اور زیادہ واضح ہے۔ ایم ایل اب مکمل طور پر ڈیٹا سائنسدانوں کی ایک ٹیم کے ذریعہ شروع کیے گئے خصوصی تحقیقی منصوبوں کے لئے استعمال نہیں ہوتا ہے۔ کاروباری کاروباری ذہانت (BI) اور پیش گوئی کرنے والے تجزیات کو ڈیٹا کی بڑھتی ہوئی مقدار سے حاصل کرنے کے لئے اب انٹرپرائزز ایم ایل کا استعمال کرتے ہیں۔ اسی وجہ سے یہ نہ صرف یہ کہ پہلے ایم ایل کیا ہے ، بلکہ ٹھوس قدر کے ل use اسے استعمال کرنے کے طریق کار کی مؤثر حکمت عملی بھی سیکھنا پہلے سے زیادہ اہم ہے۔

ٹیڈ ڈننگ ، پی ایچ ڈی ، میپآر کا چیف ایپلی کیشن آرکیٹیکٹ ہے ، جو کاروباری اداروں کو ڈیٹا کی تقسیم اور ڈیٹا مینجمنٹ ٹولز مہیا کرتا ہے ، اور اس نے "عملی مشین لرننگ" کے نام سے جس کی طرف اشارہ کیا ہے اس پر دو کتابیں بھی تصنیف کیں۔ سلیکن ویلی کے تجربہ کار نے کئی دہائیوں تک اس میدان میں کام کیا ، اے آئی کی تکنیکوں اور جگہ کی نشاندہی کرتے ہوئے اس مقام تک پہنچا جہاں علمی کمپیوٹنگ میں ترقی اور اوپن سورس ٹولز کی دستیابی نے ایم ایل کو واقعتا main مرکزی دھارے میں لایا ہے۔ ڈننگ نے پی سی میگ سے بات چیت کرتے ہوئے کہا کہ ایم ایل کا اصل معنی کیا ہے ، اور کچھ حکمت عملی اور بہترین عمل پیش کریں کہ کس طرح کاروبار اپنی ایم ایل کی زیادہ سے زیادہ سرمایہ کاری کرسکتے ہیں۔

ایک عملی تعریف

ایم ایل کی سیدھی تعریف نظاموں کو بغیر کسی واضح پروگرامنگ کے عمل کرنے اور تکراری طور پر سیکھنے اور ایڈجسٹمنٹ کرنے کی صلاحیت فراہم کررہی ہے۔ ڈننگ نے کہا کہ ایم ایل شماریات کی ایک شاخ ہے لیکن ایک شاخ جو بہت ہی عملی ہے۔ انہوں نے زور دے کر کہا کہ ، ایک حقیقی دنیا کے کاروبار کے تناظر میں ، آپ کو عملی اور حقیقت پسندانہ ہونے کی ضرورت ہے کہ آپ اس کو کس طرح استعمال کرتے ہیں۔ ایم ایل کا بنیادی کام ایک ایسا کاروباری عمل تیار کرنا ہے جو قابل تکرار ، قابل اعتماد اور قابل عمل ہو۔

ڈننگ نے کہا ، "مشین لرننگ سائنسی اعداد و شمار کو پسماندہ دیکھنے اور فیصلہ کرنے کی کوشش کرنے کے بارے میں نہیں ہے کہ کون سے نتائج اخذ ہوں گے۔" "یہ منتظر ہے اور ہم یہ پوچھنے کے بارے میں ہیں کہ ہم مستقبل کے بارے میں کیا پیش گوئی کرسکتے ہیں اور مختلف منظرناموں میں کیا ہوگا۔ جب اس ڈیٹا سے کاروبار کرنے کی بات آتی ہے تو ، ہم بہت محدود صورتحال کے بارے میں بات کر رہے ہیں جہاں آپ نقل تیار کرنا چاہتے ہیں۔"

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

گہری لرننگ بمقابلہ سستا سیکھنا

آپ اس بنیادی خیال کو ایم ایل کے اندر متعدد مختلف شعبوں میں توڑ سکتے ہیں ، لیکن ڈننگ نے سپیکٹرم کے دونوں سروں میں خاص طور پر دو کی طرف اشارہ کیا: گہری سیکھنے اور جسے وہ "سستا سیکھنے" کہتے ہیں۔ گہری تعلیم زیادہ پیچیدہ تصور ہے۔

ڈننگ نے کہا ، "ہم چاہتے تھے کہ مشین سیکھنے گہرائی میں جائیں۔ یہی اصطلاح کی اصل ہے۔" "پچھلے 10 یا 15 سالوں میں ، ایسی تکنیک تیار کی گئی ہیں جو واقعتا actually یہ کرتی ہیں۔ الگورتھم کو دکھائے جانے والے ڈیٹا میں رشتوں کو بنانے کے لئے بہت انجینئرنگ کے کام کی ضرورت پڑتی تھی ، جو ایک لمبے عرصے سے ہم جتنے ہوشیار نہیں تھے۔ چاہتے تھے کہ وہ بنیں۔ آپ کو الگ الگتمموں نے یہ طفیلی ڈیٹا ایک پلیٹ میں دینا تھا ، لہذا ہم ان تمام خصوصیات کو ہینڈ کوڈ دیتے تھے جو سسٹم اب خود ہی کرتے ہیں۔ "

گہری سیکھنے وہ جگہ ہے جہاں اعصابی نیٹ ورک کے ارد گرد بدعت کا بہت حصہ ہے۔ اس میں کمپیوٹر وژن اور این ایل پی جیسی نفیس تکنیکوں کو "گہری" سیکھنے کی تہوں میں جوڑ دیا گیا ہے جس کی وجہ سے امیج اور ٹیکسٹ کی پہچان جیسے شعبوں میں زبردست پیشرفت ہوئی ہے۔ یہ پیچیدہ ماڈلنگ کے ل great بہت اچھا ہے لیکن آسان ، روزمرہ کے کاروباری استعمال کے ل over حد سے زیادہ حد تک قابو پایا جاسکتا ہے جو قائم شدہ ایم ایل فریم ورک اور تکنیکوں پر انحصار کرسکتے ہیں جو کم پیرامیٹرز کے ساتھ ہیں۔

ڈننگ نے بتایا کہ سستی سیکھنے ، کا مطلب ہے سادہ ، موثر ، آزمائشی اور آزمائشی تکنیک جہاں کاروباروں کو پہیے کی بحالی کے ل expensive مہنگے وسائل کی سرمایہ کاری کرنے کی ضرورت نہیں ہے۔

انہوں نے وضاحت کرتے ہوئے کہا ، "کمپیوٹنگ میں ، ہم کم پھانسی والے پھلوں کے بارے میں بہت بات کرتے ہیں۔ اعداد و شمار کی دستیابی اور کمپیوٹیشنل صلاحیت میں بڑے پیمانے پر اضافے کا مطلب ہے کہ ہم نے پورے درخت کو نیچے کردیا ہے۔" "سادہ مشین سیکھنا صرف ڈیٹا سائنسدانوں کے لئے نہیں ہے۔"

سستے لرننگ کس طرح کام کرتی ہے؟

بنیادی ایم ایل الگورتھم ارتباط کی نشاندہی کرسکتے ہیں اور سفارشات پیش کرسکتے ہیں ، یا تجربات کو زیادہ سیاق و سباق اور شخصی بنا سکتے ہیں۔ ڈننگ نے کہا کہ اس میں ہر موقع کا ایک موقع موجود ہے کہ ہم کمپیوٹرز کے ساتھ کس طرح بات چیت کرتے ہیں تاکہ چیزوں کو بہتر سے بہتر بنانے کے ل cheap سستے سیکھنے کو استعمال کیا جاسکے۔

عملی طور پر سستے سیکھنے کی ایک مثال دھوکہ دہی کا پتہ لگانے میں ہے۔ بینک اور تاجر بڑے پیمانے پر دھوکہ دہی سے نپٹتے ہیں ، لیکن یہ اکثر منتشر ہوتا ہے اور بہت کم اقدار کے بارے میں جس کی اطلاع نہیں ملتی ہے۔ ڈننگ نے وضاحت کی کہ ایک سستے سیکھنے کے الگورتھم (یعنی اس مخصوص کام کے لئے تیار کردہ ایک موجودہ ایم ایل ٹیسٹ) کا استعمال کرکے ، تاجر سمجھوتے کے عام نکات کی آسانی سے شناخت کرسکتے ہیں جس سے صارفین کو خطرہ لاحق ہوتا ہے اور دھوکہ دہی کے نمونے مل جاتے ہیں جو دوسری صورت میں ایسا نہیں ہوتا ہے۔ مرئی

"فرض کریں کہ آپ یہ ڈھونڈنا چاہتے ہیں کہ کون سا سوداگر اعداد و شمار لیک کرتا ہے جس سے دھوکہ دہی ہوتی ہے۔ آپ جی ² ٹیسٹ کو آسانی سے یہ معلوم کرنے کے لئے استعمال کرسکتے ہیں کہ کون سا سوداگر دھوکہ دہی کے مقابلہ میں مشتبہ افراد کے لین دین کی تاریخ میں نمایاں نمائندگی کرتا ہے۔ کہا۔ "یہ مشین لرننگ کہلانے میں بہت آسان لگتا ہے ، لیکن یہ حقیقی زندگی میں برے لوگوں کو تلاش کرتا ہے۔ اس تکنیک کی توسیع کو کچھ اور جدید تکنیک کو بڑھایا جاسکتا ہے جس سے سیکھنے کے آسان الگورتھم کو کامیابی مل سکتی ہے جہاں وہ دوسری صورت میں ناکام ہوسکتی ہیں۔"

سستے سیکھنے کو ہر طرح کے مختلف طریقوں سے استعمال کیا جاسکتا ہے ، لہذا ڈننگ نے ایک اور مثال دی کہ ایک آن لائن کاروبار اسے کیسے استعمال کرسکتا ہے۔ اس مثال میں ، انہوں نے بتایا کہ کس طرح موجودہ ایم ایل الگورتھم ایک آسان تبصرہ درجہ بندی کا مسئلہ حل کرسکتا ہے۔

"فرض کریں کہ آپ کے پاس ایک مضمون ہے جس پر متعدد تبصرے ہیں۔ انہیں کیا حکم دیا جائے؟ اس بارے میں تبصرے کو ترتیب دینے کے بارے میں کیا خیال کیا جاتا ہے کہ لوگوں کو کتنا دلچسپ لگتا ہے کہ وہ کیا ہیں؟ آپ تبصرہ پڑھنے کی تعداد کی گنتی کرسکتے ہیں ، اور کیسے "ڈننگ نے کہا ،" متعدد بار انہوں نے اس کی حمایت کی ، لیکن ابھی ابھی تھوڑا سا جادو درکار ہے۔

انہوں نے وضاحت کرتے ہوئے کہا ، "ایک قاری کی ایک کامیابی شاید 10 قارئین میں سے آٹھ اپوٹس سے بہتر نہیں ہے۔ "اس سے بھی بدتر ، اگر آپ ابتدائی فاتحین کو سب سے اوپر رکھیں تو ، دوسرے تبصرے کبھی بھی دن کی روشنی نہیں دیکھتے ہیں اور اس لئے آپ ان کے بارے میں کبھی نہیں سیکھتے ہیں۔ تھامسن سیمپلنگ نامی مشین سیکھنے کا ایک چھوٹا سا اس طریقے کو حل کرسکتا ہے جس سے نئے تبصروں پر ڈیٹا جمع ہوتا ہے۔ اور جہاں درجہ بندی غیر یقینی ہے ، لیکن عام طور پر انہیں اس انداز میں آرڈر دیتے ہیں جس سے صارفین کو بہترین تجربہ مل سکے۔ "

ڈننگ نے آپ کے کاروبار کو کس طرح زیادہ سے زیادہ ایم ایل کما سکتا ہے اس کے لئے بہترین طریقوں کا ایک سیٹ بھی مرتب کیا۔ کامیاب کاروباری حکمت عملی میں کس طرح لاجسٹکس ، ڈیٹا ، اور مختلف الگورتھم اور اوزار عنصر کا ہتھیاروں کے خرابی کے لئے ، مشین سیکھنے کی کامیابی کی کہانی کے لئے ہمارے 7 نکات چیک کریں۔

2018 اور اس سے آگے: جہاں ایم ایل اب ہے

شاید یہ آپ کے لئے حیرت کی بات نہیں ہے ، لیکن بگ ڈیٹا اور اس سے وابستہ ڈیٹا بیس کی جگہ کم سے کم کہنے کے لئے تیزی سے بڑھ رہی ہے۔ سان جوس میں بگ ڈیٹا ایس وی 2018 کانفرنس کے دوران ، ٹیک تجزیہ کار فرم وکیبون ریسرچ کے چیف ریسرچ آفیسر پیٹر بورس نے ان نتائج کو پیش کیا جس سے معلوم ہوتا ہے کہ عالمی بگ ڈیٹا انڈسٹری سے حاصل ہونے والی آمدنی کا تخمینہ 2017 میں 35 ارب ڈالر سے بڑھ کر 2018 میں $ 42 ارب ہوجاتا ہے۔ اس میں سب سے اہم بات یہ ہے کہ ، باریس 2027 تک آمدنی 103 بلین ڈالر تک پہنچنے کی پیش گوئی کر رہا ہے۔

اس سبھی کوائف کو مؤثر طریقے سے ہینڈل کرنے کے ل smart ، اسمارٹ ایم ایل حل اب کے مقابلے میں اور بھی زیادہ ضروری ہوجائیں گے۔ یہ واضح ہے کہ ایم ایل مستقبل قریب کے لئے ایک گرما گرم موضوع بنتا رہے گا۔ جب ہم نے ایک سال پہلے میپ آر کے ڈننگ کے ساتھ آخری بار بات کی تھی ، تو اس نے ایم ایل سے کاروبار کے لئے ایک حساب کتاب ، حقیقت پسندانہ انداز اپنانے پر زور دیا تھا۔ لیکن ایک سال بہت طویل وقت ہوتا ہے جب آپ ٹیک کے بارے میں بات کرتے ہو۔ ہم نے حال ہی میں ڈننگ کو پکڑ لیا اور ان کے بقول ، ہماری آخری گفتگو کے بعد سے معاملات اسی طرح برقرار ہیں۔ ڈننگ نے کہا ، "اس اعلی سطح پر ، بہت زیادہ نہیں بدلا ہے۔" "شواہد سے استدلال کرنے کا بنیادی خیال یقینا certainly پچھلے سال کی کوئی خبر نہیں ہے ، لیکن کچھ ٹولنگ تبدیل ہوگئی ہیں۔"

اس بات کو ذہن میں رکھتے ہوئے ، ڈننگ نے یہ بھی کہا کہ میدان میں صرف ایک سال پہلے کے مقابلے میں زیادہ کھلاڑی موجود ہیں ، لیکن یہ حقیقت ضروری نہیں کہ کوئی اچھی چیز ہو۔ انہوں نے وضاحت کرتے ہوئے کہا ، "ایک چیز جو واقع ہوئی ہے وہ زیادہ سے زیادہ دکانداروں کا ابھرنا ہے جو 'جادوئی' مشین سیکھنے کے بارے میں بات کر رہے ہیں ، تاکہ اس پر ایک گندا لفظ ڈالیں۔ "یہاں ایک بہت بڑی غلط فہمی ہے کہ آپ اپنے ڈیٹا کو صرف ایک پروڈکٹ میں ڈال سکتے ہیں اور اس سے کچھ خوبصورت بصیرت حاصل کرسکتے ہیں۔"

• مشین لرننگ ہی کیوں مستقبل ہے کیوں مشین لرننگ ہی مستقبل ہے
• کامیٹ ڈاٹ ایم ایل تبدیل کرنا چاہتا ہے کہ ہم مشین لرننگ کے ساتھ کس طرح عمل کرتے ہیں کامیٹ ڈاٹ ایم ایل تبدیل کرنا چاہتا ہے کہ ہم مشین لرننگ کے ساتھ کس طرح عمل کرتے ہیں۔
• گوگل نے ایس کیو ایل کے ساتھ مشین لرننگ کو آسان بنادیا گوگل نے ایس کیو ایل کے ساتھ مشین لرننگ کو آسان بنادیا

ڈننگ کے مطابق ، ایم ایل سے کسی جادوئی نتیجہ کی توقع کرنا "خرابی سے دوچار" ہوسکتا ہے۔ انہوں نے کہا ، "پھر بھی آپ کو سوچنا ہوگا کہ اصل میں کیا مسئلہ درپیش ہے۔ آپ کو ابھی بھی ڈیٹا اکٹھا کرنا ہے ، اور آپ کو ابھی بھی اپنے نظام کی تعیناتی کا انتظام کرنا ہے۔" "اور یہ عملی ، منطقی حقائق اب بھی اس مسئلے پر حاوی ہیں۔"

ڈننگ نے کچھ سافٹ ویئر کمپنیوں کے ذریعہ پیش کردہ کچھ اونچی مارکیٹنگ کا معاملہ اٹھایا ہے۔ انہوں نے کہا ، "کسی بھی قسم کی جادوئی چیز یہاں تک کہ اس کی نشاندہی نہیں کرتی ہے۔" اس کے پاس کاروبار کے ل for غور کرنے کے ل advice ایک ٹکڑا ہے۔ ان کے بقول ، اچھ ensureے طریقوں کو یقینی بنانے کا ایک طریقہ یہ ہے کہ ایک مخصوص کاروباری تجزیہ کار کی خدمات حاصل کی جاسکیں تاکہ آپ کو اپنی کمپنی میں کوئی شخص اپنے کاروبار کے ایسے پہلوؤں کی شناخت کرسکے جو ایم ایل ٹکنالوجی کا استعمال کرتے ہوئے بہتر بنایا جاسکے۔

"کچھ معاملات میں ، یہ آپ کے کاروبار کو نئے مواقع تک بڑھا سکتا ہے۔" لیکن ، زیادہ تر معاملات میں ، اس نے زور دیا کہ کسی کو آپ کی تنظیم کی ضروریات کو سمجھنے کے لئے خدمات حاصل کرنا اور اس معلومات کو اپنی ایم ایل حکمت عملی کی رہنمائی کے لئے استعمال کرنا بہت ضروری ہے۔