جیسا کہ میں مشین لرننگ کے بارے میں اکثر غیر پیشہ ور افراد کو بتاتا ہوں، میں نے مشین لرننگ کے بارے میں کچھ وضاحت کے طور پر مندرجہ ذیل دس نکات مرتب کیے ہیں۔
مشین لرننگ اس طرح کی نہیں ہے جیسے کہ اسپریڈ کی طرح پروپیگنڈا: آپ صحیح سیکھنے والے الگورتھم کو مناسب تربیتی اعداد و شمار فراہم کرکے بے شمار مشکلات کو حل کرسکتے ہیں۔ اسے اے آئی کہتے ہیں اگر یہ آپ کے اے آئی سسٹم کو فروخت کرنے میں مدد کرتا ہے۔ لیکن آپ کو معلوم ہونا چاہئے کہ اے آئی صرف ایک فیشن لفظ ہے ، جو صرف اس کی توقعات کا نمائندہ ہے۔
مشین سیکھنے کے الگورتھم میں بہت ساری دلچسپ چیزیں ہیں ، خاص طور پر گہری سیکھنے میں۔ لیکن ڈیٹا ایک اہم عنصر ہے جو مشین سیکھنے کو ممکن بناتا ہے۔ مشین سیکھنا پیچیدہ الگورتھم کے بغیر ہوسکتا ہے ، لیکن اچھے اعداد و شمار کے بغیر نہیں۔
مشین لرننگ ماڈل کو اعداد و شمار میں نمونوں کے مطابق تربیت دیتی ہے ، اور ممکنہ ماڈل کی جگہ کی تلاش کرتی ہے جو پیرامیٹرز کے ذریعہ بیان کی جاتی ہے۔ اگر پیرامیٹرز کی جگہ بہت بڑی ہے تو ، یہ تربیت کے اعداد و شمار پر بہت زیادہ فٹ ہوجاتی ہے ، اور ایک ماڈل کو تربیت دیتی ہے جو خود کو عام نہیں کرسکتا ہے۔ اگر آپ اس کی تفصیل سے وضاحت کرنا چاہتے ہیں تو ، آپ کو زیادہ ریاضی کی ضرورت ہوگی ، اور آپ کو اس کو ایک اصول کے طور پر استعمال کرنا چاہئے ، تاکہ آپ کا ماڈل ہر ممکن حد تک آسان ہو۔
کہاوت ہے کہ جب آپ کمپیوٹر میں ردی کی ٹوکری داخل کرتے ہیں تو ، آپ کا آؤٹ پٹ بھی ردی کی ٹوکری کا ڈیٹا ہوتا ہے۔ اگرچہ یہ جملہ مشین لرننگ سے پہلے سامنے آیا ہے ، لیکن یہ مشین لرننگ کی موجودگی کی ایک اہم حد ہے۔ مشین لرننگ صرف تربیت کے اعداد و شمار میں پائے جانے والے نمونوں کا پتہ لگاسکتی ہے۔ مشین لرننگ کے کاموں کی نگرانی کے لئے (جیسے درجہ بندی) ، آپ کو ایک مضبوط ، مناسب طریقے سے نشان زد ، بھرپور تربیت کے ڈیٹا سیٹ کی ضرورت ہے۔
oi جیسا کہ فنڈز کے حصول کے لیکچر میں خبردار کیا گیا ہے کہ ماضی کی کارکردگی مستقبل کے نتائج کی ضمانت نہیں دیتی ہے۔ مشین لرننگ کو بھی اسی طرح کا انتباہ جاری کرنا چاہئے: یہ صرف تربیت کے اعداد و شمار کی طرح ہی تقسیم شدہ اعداد و شمار پر مبنی کام کرسکتا ہے۔ لہذا ، تربیت کے اعداد و شمار اور پیداوار کے اعداد و شمار کے مابین انحراف سے محتاط رہنا چاہئے اور تربیت کے ماڈل کو بار بار دہرانا چاہئے تاکہ اس بات کا یقین کیا جاسکے کہ یہ پرانا نہیں ہے۔
مشین لرننگ ٹیکنالوجی کے ہنگامہ خیز پروپیگنڈے کے تحت ، آپ شاید یہ سوچیں کہ مشین لرننگ بنیادی طور پر الگورتھم کا انتخاب اور ایڈجسٹمنٹ کرتی ہے۔ لیکن حقیقت یہ ہے کہ آپ کا زیادہ تر وقت اور توانائی ڈیٹا کو صاف کرنے اور خصوصیت انجینئرنگ میں صرف کی جائے گی - یعنی ، اصل خصوصیات کو ان خصوصیات میں تبدیل کرنا جو ڈیٹا سگنل کی بہتر نمائندگی کرتے ہیں۔
مشین لرننگ کے بہت سے شعبوں میں استعمال اور ترقی کی وجہ سے، گہری سیکھنے کو بھی چھلنی کے طور پر فروغ دیا گیا ہے۔ اس کے علاوہ، گہری سیکھنے نے روایتی طور پر خصوصیت انجینئرنگ کے ذریعے کئے گئے کاموں میں سے کچھ کو خود کار طریقے سے کرنے کی حوصلہ افزائی کی ہے، خاص طور پر تصویر اور ویڈیو کے اعداد و شمار کے لئے. لیکن گہری سیکھنے کا علاج نہیں ہے. آپ کو استعمال کرنے کے لئے تیار نہیں ہے، آپ کو اب بھی ڈیٹا کو صاف کرنے اور تبدیل کرنے کے لئے بہت زیادہ توانائی کی ضرورت ہے.
این آر اے سے معذرت ، مشین لرننگ الگورتھم نہیں مارتے ، یہ لوگ مارتے ہیں۔ جب مشین لرننگ سسٹم میں خرابی ہوتی ہے تو ، یہ شاذ و نادر ہی مشین لرننگ الگورتھم کے ساتھ کوئی مسئلہ ہوتا ہے۔ زیادہ امکان یہ ہے کہ تربیت کے اعداد و شمار میں انسانی غلطیوں کو داخل کیا گیا ہے ، جس سے انحراف یا دیگر سسٹم کی خرابی پیدا ہوتی ہے۔ ہمیں ہمیشہ شکوک و شبہات کے ساتھ رہنا چاہئے اور مشین لرننگ کے ساتھ سافٹ ویئر انجینئرنگ کے لئے موزوں طریقوں سے سلوک کرنا چاہئے۔
مشین لرننگ کے بہت سے ایپلی کیشنز میں، آپ آج جو فیصلے کرتے ہیں وہ کل جمع ہونے والے ٹریننگ ڈیٹا پر اثر انداز ہوتے ہیں۔ ایک بار جب مشین لرننگ سسٹم موڑ کو ماڈل میں ضم کرتا ہے تو ، یہ موڑ کو بڑھانے والے نئے ٹریننگ ڈیٹا تیار کرتا رہتا ہے۔ اور ، کچھ موڑ لوگوں کی زندگیوں کو برباد کرسکتے ہیں۔ براہ کرم ذمہ داری قبول کریں: خود کو پورا کرنے والی پیش گوئیاں نہ بنائیں۔
ایسا لگتا ہے کہ بہت سے لوگوں نے سائنس فکشن فلموں سے مصنوعی ذہانت کے بارے میں تصور حاصل کیا ہے۔ ہمیں سائنس فکشن سے متاثر ہونا چاہئے ، لیکن ہم اتنی بے وقوف نہیں ہوسکتے ہیں کہ ناول کو حقیقت کے طور پر غلط سمجھیں۔ شعور کے برے انسانوں سے لے کر لاشعوری انحراف والے مشین لرننگ ماڈلز تک ، بہت ساری حقیقت اور خطرات ہیں جن کے بارے میں آپ کو فکر کرنے کی ضرورت ہے۔ لہذا آپ کو اسکائی نیٹ اور سپر انٹیلی جنس کے بارے میں فکر کرنے کی ضرورت نہیں ہے۔
مشین لرننگ کے بارے میں یہ 10 نکاتی وضاحت سے کہیں زیادہ ہے۔ امید ہے کہ یہ تعارفی مواد غیر پیشہ ور افراد کے لئے مفید ہوگا۔
عالمی اے آئی بگ ڈیٹا پلیٹ فارم سے نقل کیا گیا