مشین لرننگ کیا ہے؟

دسمبر 2017 میں ، ڈیپ منڈ ، 2014 میں گوگل کے ذریعہ حاصل کی جانے والی تحقیقی لیب نے ، ایک مصنوعی ذہانت کا پروگرام الفا زیرو متعارف کرایا ، جو کئی بورڈ گیمز میں عالمی چیمپین کو شکست دے سکتا تھا۔

دلچسپ بات یہ ہے کہ الفا زیرو کو انسانوں کی طرف سے کھیلوں کو کھیلنے کے طریقے (اسی وجہ سے نام) سے متعلق صفر ہدایت ملی۔ اس کے بجائے ، اس نے مشین لرننگ کا استعمال کیا ، AI کی ایک شاخ جو واضح احکامات کی بجائے تجربے کے ذریعے اپنے طرز عمل کو ترقی دیتی ہے۔

24 گھنٹوں کے اندر ، الفا زیرو نے شطرنج میں مافوق الفطرت کارکردگی حاصل کی اور پچھلے عالمی چیمپیئن شطرنج پروگرام کو شکست دے دی۔ اس کے فورا بعد ہی ، الفا زیرو کی مشین لرننگ الگورتھم نے شوگی (جاپانی شطرنج) اور چینی بورڈ گیم گو میں بھی مہارت حاصل کرلی ، اور اس نے اپنے پیشرو ، الفاگو کو 100 سے صفر سے شکست دے دی۔

مشین لرننگ حالیہ برسوں میں مقبول ہوگئی ہے اور کمپیوٹروں کو انسانی ذہانت کا خصوصی ڈومین سمجھے جانے والے مسائل کو حل کرنے میں مدد فراہم کررہی ہے۔ اور اگرچہ مصنوعی ذہانت کے اصل وژن سے ابھی دور دور تک ، مشین لرننگ نے ہمیں سوچنے والی مشینیں بنانے کے حتمی مقصد کے بہت قریب پہنچا دیا ہے۔

مصنوعی ذہانت اور مشین لرننگ میں کیا فرق ہے؟

مصنوعی ذہانت کی نشوونما کے روایتی طریقوں میں محتاط طور پر ان تمام قواعد و ضوابط کی کوڈنگ شامل ہے جو اے آئی ایجنٹ کے طرز عمل کی وضاحت کرتی ہے۔ قاعدہ پر مبنی اے آئی تشکیل دیتے وقت ، ڈویلپرز کو ہدایات لکھنی چاہ thatں جس میں یہ بتایا گیا ہو کہ ہر ممکنہ صورتحال کے جواب میں اے آئی کو کس طرح برتاؤ کرنا چاہئے۔ یہ اصول پر مبنی نقطہ نظر ، جسے اچھے پرانے زمانے کے اے آئی (جی او ایف اے آئی) یا علامتی اے آئی بھی کہا جاتا ہے ، انسانی دماغ کی استدلال اور علم کی نمائندگی کے افعال کی نقل کرنے کی کوشش کرتا ہے۔

علامتی AI کی ایک عمدہ مثال اسٹاک فش ہے ، جو ایک اعلی درجہ کا ، اوپن سورس شطرنج انجن بنانے میں 10 سال سے زیادہ ہے۔ سیکڑوں پروگرامروں اور شطرنج کے کھلاڑیوں نے اسٹاک فش میں تعاون کیا ہے اور اس کے قواعد کوڈ بنا کر اس کی منطق کو تیار کرنے میں مدد دی ہے example مثال کے طور پر ، جب حریف بی 1 سے سی 3 میں اپنے نائٹ کو منتقل کرتا ہے تو اے آئی کو کیا کرنا چاہئے۔

لیکن اصول پر مبنی AI اکثر ایسے حالات سے نمٹنے کے دوران ٹوٹ جاتا ہے جہاں اصول بہت پیچیدہ اور مضمر ہوتے ہیں۔ مثال کے طور پر ، تصاویر میں تقریر اور اشیاء کو پہچاننا اعلی درجے کی کاروائیاں ہیں جن کا اظہار منطقی قواعد میں نہیں کیا جاسکتا۔

علامتی AI کے مخالف ہونے کے ناطے ، مشین لرننگ اے آئی ماڈل قواعد لکھ کر نہیں بلکہ مثالوں کو اکٹھا کرکے تیار کرتے ہیں۔ مثال کے طور پر ، مشین سیکھنے پر مبنی شطرنج کے انجن کو بنانے کے لئے ، ایک ڈویلپر ایک بیس الگورتھم تیار کرتا ہے اور پھر اسے ہزاروں پہلے کھیلے گئے شطرنج کے اعداد و شمار سے "تربیت" دیتا ہے۔ اعداد و شمار کا تجزیہ کرکے ، اے آئی کو مشترکہ نمونوں کا پتہ چلتا ہے جو فاتح حکمت عملی کی تعریف کرتے ہیں ، جو اسے اصلی مخالفین کو شکست دینے کے لئے استعمال ہوسکتی ہے۔

اے آئی کا جتنا زیادہ کھیل جائزہ لیتا ہے ، وہ کھیل کے دوران جیتنے والی پیش گوئی کی پیش گوئی کرنے میں بھی بہتر ہوجاتا ہے۔ یہی وجہ ہے کہ مشین لرننگ کو ایک پروگرام کے طور پر بیان کیا جاتا ہے جس کی کارکردگی تجربے کے ساتھ بہتر ہوتی ہے۔

مشین لرننگ بہت ساری دنیا کے کاموں پر لاگو ہے ، بشمول تصویری درجہ بندی ، آواز کی پہچان ، مواد کی سفارش ، دھوکہ دہی کا سراغ لگانا ، اور قدرتی زبان کی کارروائی۔

زیر نگرانی اور غیر نگرانی حاصل سیکھنا

اس مسئلے پر انحصار کرتے ہوئے کہ وہ حل کرنا چاہتے ہیں ، ڈویلپر اپنے مشین لرننگ ماڈل کی تشکیل کے لئے متعلقہ ڈیٹا تیار کرتے ہیں۔ مثال کے طور پر ، اگر وہ جعلی بینک لین دین کا پتہ لگانے کے لئے مشین لرننگ کا استعمال کرنا چاہتے ہیں تو ، ڈویلپر موجودہ لین دین کی ایک فہرست مرتب کریں گے اور انہیں اپنے نتائج (دھوکہ دہی یا درست) کے ساتھ لیبل لگائیں گے۔ جب وہ ڈیٹا کو الگورتھم پر کھاتے ہیں تو ، یہ جعلی اور جائز لین دین کو الگ کرتا ہے اور دونوں طبقات میں سے ہر ایک کے اندر مشترکہ خصوصیات پاتا ہے۔ تشریح شدہ ڈیٹا والے ٹریننگ ماڈلز کے عمل کو "زیر نگرانی سیکھنے" کہا جاتا ہے اور فی الحال وہ مشین سیکھنے کی غالب شکل ہے۔

مختلف کاموں کے لیبل لگا ڈیٹا کے بہت سے آن لائن ذخائر پہلے سے موجود ہیں۔ کچھ مشہور مثالیں امیجنیٹ ہیں ، جو 14 ملین سے زیادہ لیبل لگے ہوئے تصویری نقشوں کا ایک اوپن سورس ڈیٹاسیٹ ، اور 60،000 لیبل والے ہینڈ لکھے ہوئے ہندسوں کا ڈیٹاسیٹ ، ایم این آئی ایس ٹی ہیں۔ مشین لرننگ ڈویلپرز پلیٹ فارمز کا استعمال بھی کرتے ہیں جیسے ایمیزون کا مکینیکل ترک ، ایک آن لائن ، مانگ کی خدمات حاصل کرنے کا مرکز جو لیبلنگ امیجز اور آڈیو نمونوں جیسے علمی کاموں کو انجام دینے کے لئے کرتا ہے۔ اور اسٹارٹ اپ کا بڑھتا ہوا شعبہ ڈیٹا انوٹیشن میں مہارت رکھتا ہے۔

لیکن سبھی مسائل کے ل la لیبل لگا ہوا ڈیٹا کی ضرورت نہیں ہے۔ مشین سیکھنے کی کچھ دشواریوں کو "غیر سروے شدہ سیکھنے" کے ذریعے حل کیا جاسکتا ہے ، جہاں آپ اے آئی ماڈل کو خام ڈیٹا مہیا کرتے ہیں اور خود ہی یہ جاننے دیتے ہیں کہ کون سے نمونوں سے متعلق ہیں۔

بے سروervہ سیکھنے کا عام استعمال بے عیب پتہ لگانا ہے۔ مثال کے طور پر ، مشین سیکھنے کا الگورتھم انٹرنیٹ سے منسلک ڈیوائس کے خام نیٹ ورک ٹریفک کوائف پر تربیت دے سکتا ہے۔ تربیت کے بعد ، اے آئی ڈیوائس کے لئے ایک بیس لائن مرتب کرتا ہے اور آؤٹ لیئر سلوک کو پرچم لگا سکتا ہے۔ اگر آلہ میلویئر سے متاثر ہو جاتا ہے اور نقصاندہ سرورز سے بات چیت کرنا شروع کردیتا ہے تو ، مشین سیکھنے والا ماڈل اس کا پتہ لگانے میں کامیاب ہوجائے گا ، کیونکہ نیٹ ورک ٹریفک تربیت کے دوران مشاہدہ کیے جانے والے معمول کے برتاؤ سے مختلف ہے۔

کمک سیکھنا

ابھی تک ، آپ شاید جان چکے ہو گے کہ مشین لرننگ ماڈلز کی کارکردگی میں معیار کی تربیت کا ڈیٹا بہت بڑا کردار ادا کرتا ہے۔ لیکن کمک سیکھنے کی ایک خاص قسم کی مشین سیکھنے ہے جس میں کوئی AI سابقہ ​​ڈیٹا استعمال کیے بغیر اپنا طرز عمل تیار کرتا ہے۔

کمک سیکھنے کے ماڈل ایک صاف سلیٹ سے شروع ہوتے ہیں۔ انہیں صرف اپنے ماحول کے بنیادی اصولوں اور اس کے ساتھ ہی کام کے بارے میں ہدایت دی جاتی ہے۔ آزمائش اور غلطی کے ذریعے ، وہ اپنے مقاصد کے ل their اپنے اقدامات کو بہتر بنانا سیکھتے ہیں۔

ڈیپ مائنڈ کا الفا زیرو کمک سیکھنے کی ایک دلچسپ مثال ہے۔ دوسرے مشین سیکھنے کے ماڈلز کے برخلاف ، جس میں یہ دیکھنا ہوگا کہ انسان شطرنج کیسے کھیلتا ہے اور ان سے سیکھتا ہے ، الفا زیرو نے صرف ٹکڑوں کی چالوں اور کھیل کی جیت کے حالات کو جاننا شروع کیا۔ اس کے بعد ، اس نے اپنے خلاف لاکھوں میچ کھیلے ، بے ترتیب اعمال کے ساتھ شروع ہوئے اور آہستہ آہستہ طرز عمل کے نمونوں کو تیار کیا۔

کمک سیکھنا تحقیق کا ایک گرم علاقہ ہے۔ یہ اے آئی ماڈل تیار کرنے کے لئے استعمال ہونے والی مرکزی ٹکنالوجی ہے جو پیچیدہ کھیلوں میں مہارت حاصل کرسکتی ہے جیسے ڈوٹا 2 اور اسٹار کرافٹ 2 اور یہ بھی حقیقی زندگی کے مسائل جیسے ڈیٹا سینٹر کے وسائل کو سنبھالنے اور روبوٹک ہاتھ بنانے کے لئے استعمال ہوتا ہے جو انسانوں کی طرح مہارت سے اشیاء کو سنبھال سکتا ہے۔ .

گہری لرننگ

گہری سیکھنا مشین لرننگ کا ایک اور مقبول سب سیٹ ہے۔ اس میں مصنوعی اعصابی نیٹ ورکس ، سافٹ ویر تعمیرات کا استعمال کیا گیا ہے جو انسانی دماغ کے حیاتیاتی ڈھانچے سے تقریبا متاثر ہیں۔

اعصابی نیٹ ورک غیر ساختہ اعداد و شمار جیسے کہ تصاویر ، ویڈیو ، آڈیو اور مضامین اور تحقیقی مقالات جیسے متن کے لمبے اقتباسات پر کارروائی کرتے ہیں۔ گہری سیکھنے سے پہلے ، مشین سیکھنے کے ماہرین کو تصاویر اور ویڈیوز سے خصوصیات نکالنے میں بہت زیادہ کوشش کرنی پڑی اور اس کے سب سے اوپر اپنے الگورتھم چلائیں گے۔ عصبی نیٹ ورک انسانی انجینئرز سے زیادہ محنت کی ضرورت کے بغیر خود بخود ان خصوصیات کا پتہ لگاتے ہیں۔

آپ کے آئی فون X میں بہت سی جدید AI ٹیکنالوجیز جیسے ڈرائیور لیس کاریں ، جدید ترین ترجمے کے نظام اور چہرے کی پہچان والی ٹیک کے پیچھے گہری سیکھنے کا ہاتھ ہے۔

مشین لرننگ کی حدود

لوگ اکثر مشین لرننگ کو انسانی سطح کے مصنوعی ذہانت سے الجھاتے ہیں ، اور کچھ کمپنیوں کے مارکیٹنگ ڈیپارٹمنٹ جان بوجھ کر شرائط کا تبادلہ کرتے ہیں۔ لیکن اگرچہ مشین لرننگ نے پیچیدہ مسائل کو حل کرنے کی طرف بڑی پیش قدمی کی ہے ، لیکن یہ ابھی تک AI کے علمبرداروں کی طرف سے تصور کردہ سوچ والی مشینیں بنانے سے بہت دور ہے۔

تجربے سے سبق سیکھنے کے علاوہ ، حقیقی ذہانت کے لئے استدلال ، عقل فہم اور تجریدی سوچ کی ضرورت ہوتی ہے۔ جن علاقوں میں مشین لرننگ ماڈل انتہائی خراب کارکردگی کا مظاہرہ کرتے ہیں۔

مثال کے طور پر ، اگرچہ مشین سیکھنے پیچیدہ پیٹرن کی پہچان کے کاموں میں اچھ isا ہے جیسے چھاتی کے کینسر کی پیش گوئی پانچ سال پہلے ، لیکن یہ ہائی اسکول ریاضی کے مسائل کو حل کرنے جیسے آسان منطق اور استدلال کے کاموں سے جدوجہد کرتی ہے۔

مشین لرننگ کی استدلال کی طاقت کا فقدان اس کے علم کو عام کرنے میں برا بنا دیتا ہے۔ مثال کے طور پر ، ایک مشین لرننگ ایجنٹ جو سپر ماریو 3 کو حامی کی طرح کھیل سکتا ہے ، کسی اور پلیٹ فارم گیم ، جیسے میگا مین ، یا سپر ماریو کے کسی اور ورژن پر بھی حاوی نہیں ہوگا۔ اسے شروع سے ہی تربیت دینے کی ضرورت ہوگی۔

تجربے سے تصوراتی علم نکالنے کی طاقت کے بغیر ، مشین سیکھنے کے ماڈلز کو انجام دینے کے لئے ٹن ٹریننگ ڈیٹا درکار ہوتا ہے۔ بدقسمتی سے ، بہت سارے ڈومینز میں تربیت کے لئے کافی اعداد و شمار موجود نہیں ہیں یا ان کے پاس مزید حصول کے ل funds فنڈز نہیں ہیں۔ گہری لرننگ ، جو اب مشین لرننگ کی رواں شکل ہے ، بھی ایک وضاحت کے مسئلے سے دوچار ہے: عصبی نیٹ ورک پیچیدہ طریقوں سے کام کرتے ہیں ، اور یہاں تک کہ ان کے تخلیق کار بھی ان کے فیصلہ سازی کے عمل پر عمل پیرا ہونے کے لئے جدوجہد کرتے ہیں۔ اس سے سیٹنگ میں عصبی نیٹ ورک کی طاقت کا استعمال مشکل ہے جہاں AI فیصلوں کی وضاحت کے لئے قانونی تقاضا ہے۔

خوش قسمتی سے ، مشین لرننگ کی حدود کو دور کرنے کی کوشش کی جارہی ہے۔ اس کی ایک قابل ذکر مثال DARPA ، ڈیپارٹمنٹ آف ڈیفنس کے ریسرچ بازو ، نے قابل وضاحت اے آئی ماڈل تیار کرنے کا ایک وسیع اقدام ہے۔

• مصنوعی ذہانت کیا ہے؟ مصنوعی ذہانت کیا ہے؟
• زیادہ تر AI ڈالرز مشین لرننگ پر جاتے ہیں زیادہ تر AI ڈالر مشین لرننگ پر جاتے ہیں
• آپ AI استعمال شدہ دیکھنا چاہتے ہو؟ آپ AI استعمال شدہ دیکھنا چاہتے ہو؟

دوسرے پروجیکٹس کا مقصد مشین سیکھنے کے تشریح شدہ ڈیٹا پر زیادہ انحصار کو کم کرنا ہے اور ٹریننگ کو محدود تربیت والے اعداد و شمار کے ساتھ ڈومین تک قابل رسائی بنانا ہے۔ آئی بی ایم اور ایم آئی ٹی کے محققین نے حال ہی میں اعصابی نیٹ ورکس کے ساتھ علامتی اے آئی کو جوڑ کر فیلڈ میں روانی پیدا کی ہے۔ ہائبرڈ اے آئی ماڈل کو تربیت کے ل less کم ڈیٹا کی ضرورت ہوتی ہے اور وہ اپنے فیصلوں کی مرحلہ وار وضاحت فراہم کرسکتے ہیں۔

کیا مشین لرننگ کا ارتقا بالآخر ہمیں انسانی سطح کے AI پیدا کرنے کے ہمیشہ کے مضر مقصد تک پہنچنے میں مدد فراہم کرے گا۔ لیکن جو بات ہمیں یقینی طور پر معلوم ہے وہ یہ ہے کہ مشین لرننگ میں پیشرفت کے بدولت ، ہمارے ڈیسک پر بیٹھے ہوئے اور ہماری جیب میں آرام کرنے والے آلات روز بروز بہتر ہو رہے ہیں۔