ڇا توهان ساٿين جي صحبت ۾ پنهنجي عقل سان چمڪائڻ چاهيو ٿا يا موجوده ٽيڪنيڪل موضوعن تي گفتگو ۾ پنهنجن دوستن کي حيران ڪرڻ چاهيو ٿا؟ ڳالهه ٻولهه ۾ ”مصنوعي ذهانت“ يا ”مشين لرننگ“ جو ذڪر ڪريو ۽ توهان مڪمل ڪيو.
![ڊيپ لرننگ، مصنوعي ذهانت ۽ ڊميز لاءِ مشين لرننگ: مثال سان وضاحت ڪئي وئي - 1]()
اصطلاح "مصنوعي ذهانت" هاڻي وڏي پيماني تي ٻڌو ويندو آهي. پروگرامر AI سکڻ چاهيندا آهن. اڳواڻن پنهنجي خدمتن ۾ AI لاڳو ڪرڻ چاهيندا آهن. پر عملي طور تي، جيتوڻيڪ پروفيسر هميشه نه سمجھندا آهن ته "AI" ڇا آهي. هن آرٽيڪل جو مقصد توهان جي اصطلاحن کي سمجهڻ ۾ مدد ڪرڻ آهي ”آرٽيفيشل انٽيليجنس“ ۽ ”مشين لرننگ“. توهان اهو پڻ سکندا ته ڊيپ لرننگ، مشين لرننگ جو سڀ کان مشهور قسم، ڪيئن ڪم ڪري ٿو. ۽، ڇا ضروري آهي، اهي هدايتون ڪافي پهچ واري ٻولي ۾ لکيل آهن. هتي رياضي کي سمجهڻ ڏکيو نه ٿيندو.
بنياديات
سمجھڻ لاءِ پهريون قدم ڇا آهي ڊيپ لرننگ اهم اصطلاحن جي وچ ۾ فرق کي سمجهڻ.
تصوير: Datanami
مصنوعي ذهانت بمقابله مشين لرننگ
مصنوعي ذهانت (AI يا AI agnl.) هڪ ڪمپيوٽر ذريعي انساني سوچ جي عمل کي نقل ڪرڻ جي ڪوشش آهي. جڏهن مصنوعي ذهانت جي ميدان ۾ تحقيق شروع ٿي هئي، سائنسدانن انساني ذهانت جي رويي کي ڪجهه حالتن هيٺ سختي سان نقل ڪرڻ جي ڪوشش ڪئي، يعني ڪجهه مسئلن کي حل ڪرڻ لاءِ ان کي تيز ڪرڻ. مثال طور، ته جيئن مشين رانديون کيڏي سگهي. انهن ڪيترن ئي ضابطن کي قائم ڪيو جنهن کي ڪمپيوٽر مشين جي پيروي ڪرڻ گهرجي. ڪمپيوٽر وٽ ممڪن ڪارناما جي هڪ فهرست هئي، ۽ اهو فيصلو ڪيو ويو قاعدن ۽ پابندين جي بنياد تي مقرر ڪيل مرحلن دوران.
| مشين لرننگ (انگريزي ۾ ML يا ML) جو مطلب آهي مشين جي سکيا جي صلاحيت واضح طور تي بيان ڪيل ضابطن جي بدران معلومات جي وڏي سيٽ کي پروسيس ڪندي. |
ML ڪمپيوٽرن کي پاڻ تي سکڻ جي اجازت ڏئي ٿو. هن قسم جي سکيا جديد ڪمپيوٽنگ ٽيڪنالاجي جو فائدو وٺي ٿي، جيڪا آساني سان ڊيٽا جي وڏي مقدار کي پروسيس ڪري سگهي ٿي.
نگراني ٿيل سکيا بمقابله غير نگراني ٿيل سکيا
نگراني ٿيل سکيا استعمال ڪري ٿي ليبل ٿيل ڊيٽا سيٽ جيڪي ان پٽ ۽ متوقع نتيجن تي مشتمل آهن. جڏهن توهان نگراني ٿيل سکيا استعمال ڪندي مصنوعي ذهانت کي تربيت ڏيو ٿا، توهان ان پٽ جي طور تي ڊيٽا مهيا ڪندا آهيو ۽ وضاحت ڪريو ته آئوٽ ڇا هجڻ گهرجي. جيڪڏهن نتيجو جيڪو AI پيدا ڪري ٿو ان کان مختلف آهي جنهن جي توقع ڪئي وئي هئي، پوء AI کي ان جي حسابن کي درست ڪرڻ گهرجي. اهو عمل ڪيترائي ڀيرا بار بار ڪيو ويندو آهي ڊيٽا صفن تي جيستائين AI غلطيون ڪري ٿي. نگراني ڪيل سکيا جو هڪ مثال مصنوعي ذهانت هوندو جيڪو موسم جي اڳڪٿي ڪندي. اهو تاريخي ڊيٽا استعمال ڪندي موسم جي اڳڪٿي ڪرڻ سکي ٿو. ان پٽ ڊيٽا دٻاء، نمي ۽ واء جي رفتار آهي، ۽ نتيجي طور اسان کي گرمي پد حاصل ڪرڻ گهرجي.
غير نگراني ٿيل سکيا هڪ ڪم آهي جنهن تي مشتمل آهي ٽريننگ AI غير منظم ڊيٽا استعمال ڪندي. جڏهن توهان غير نگراني ٿيل سکيا استعمال ڪندي مصنوعي ذهانت کي تربيت ڏيو ٿا، توهان AI کي فعال ڪريو ٿا ڊيٽا جي منطقي درجه بندي ڪرڻ لاءِ. غير نگراني ٿيل مشين لرننگ استعمال ڪندي مصنوعي ذهانت جو هڪ مثال هڪ آن لائن اسٽور ۾ صارف جي رويي جو روبوٽ اڳڪٿي ڪندڙ آهي. اهو اڳواٽ ڄاڻايل انپٽس ۽ آئوٽ پُٽ استعمال ڪرڻ کان سواءِ سکي ٿو. ان جي بدران، ان کي ان پٽ ڊيٽا پاڻ کي درجه بندي ڪرڻ گهرجي. الورورٿم کي سڃاڻڻ گهرجي ۽ توهان کي ٻڌائڻ گهرجي ته ڪهڙي قسم جا صارف پسند ڪن ٿا ڪهڙيون پراڊڪٽس.
ڪيئن مشين سکيا ڪم
تنهن ڪري،
ڊيپ لرننگ مشين سکيا جي طريقن مان هڪ آهي. اهو توهان کي ڏنل ان پٽ ڊيٽا مان نتيجن جي اڳڪٿي ڪرڻ جي اجازت ڏئي ٿو. AI کي تربيت ڏيڻ لاءِ، توھان استعمال ڪري سگھوٿا مٿين ٻنهي اختيارن: نگراني ڪيل ۽ غير نگراني ٿيل سکيا. اسان سمجھنداسين ته ڪيئن ڊيپ لرننگ ڪم ڪري ٿي هڪ واضح مثال استعمال ڪندي: اچو ته چئو ته اسان کي هوائي سفر جي قيمتن جي اڳڪٿي ڪرڻ لاءِ هڪ خدمت تيار ڪرڻ جي ضرورت آهي. اسان اسان جي الگورتھم کي تربيتي طريقي سان استعمال ڪندي تربيت ڪنداسين. اسان چاهيون ٿا ته هوائي سفر جي قيمتن جي اڳڪٿي ڪرڻ لاءِ اسان جي خدمت هيٺ ڏنل ان پٽ ڊيٽا جي بنياد تي قيمت جي اڳڪٿي ڪرڻ لاءِ (اسان پيشڪش جي آسانيءَ لاءِ واپسي جي اڏام کي نظر ۾ نه ٿا رکون):
- روانگي ايئرپورٽ؛
- آمد ايئرپورٽ؛
- رٿيل روانگي جي تاريخ؛
- ايئر لائن.
نيورل نيٽ ورڪ اچو ته مصنوعي ذهانت جي دماغ تي هڪ نظر وجهون. جيئن ته حياتياتي جاندارن جي صورت ۾، اسان جي اڳڪٿي ڪندڙ پنهنجي "سر" ۾ نيورون آهن. تصوير ۾ اهي حلقن جي صورت ۾ پيش ڪيا ويا آهن. نيورون هڪ ٻئي سان ڳنڍيل آهن.
تصوير ۾، نيورسن تہن جي ٽن گروپن ۾ گڏيل آھن:
- ان پٽ پرت؛
- پوشیدہ پرت 1 (پوشیدہ پرت 1) ۽ پوشیدہ پرت 2 (پوشیدہ پرت 2)؛
- آئوٽ پرت.
ڪجھ ڊيٽا ان پٽ پرت ۾ داخل ٿئي ٿو. اسان جي حالت ۾، اسان وٽ ان پٽ پرت تي چار نيورون آهن: روانگي ايئرپورٽ، آمد ايئرپورٽ، روانگي جي تاريخ، ايئر لائن. ان پٽ پرت ڊيٽا کي پهرين لڪيل پرت ڏانهن منتقل ڪري ٿي. پوشیدہ پرت حاصل ڪيل ان پٽ ڊيٽا جي بنياد تي رياضياتي حساب سان انجام ڏين ٿا. بنيادي مسئلن مان هڪ آهي جڏهن نيورل نيٽ ورڪ ٺاهي رهيا آهن پوشيده تہن جي تعداد ۽ هر پرت ۾ نيورسن جو تعداد.
| ڊيپ لفظ جي جملي ۾ ڊيپ لرننگ هڪ کان وڌيڪ لڪيل پرت جي موجودگي کي ظاهر ڪري ٿو. |
آئوٽ پرت اسان کي نتيجو ڄاڻائي ٿو. اسان جي حالت ۾، پرواز جي متوقع قيمت.
اسان هن وقت تائين سڀ کان وڌيڪ دلچسپ شيء کي ياد ڪيو آهي: ڪيئن اندازو لڳايو ويو آهي متوقع قيمت؟ هي آهي جتي گہرے سکيا جو جادو شروع ٿئي ٿو. نيورسن جي وچ ۾ هر ڪنيڪشن هڪ خاص وزن (coefficient) مقرر ڪيو ويو آهي. هي وزن ان پٽ قيمت جي
اهميت کي طئي ڪري ٿو. شروعاتي وزن ترتيب سان ترتيب ڏنل آهن. جڏهن هوائي سفر جي قيمت جي اڳڪٿي ڪندي، روانگي جي تاريخ قيمت کي تمام گهڻو متاثر ڪري ٿو. تنهن ڪري، "روانگي جي تاريخ" نيورون جي ڪنيڪشن وڌيڪ وزن آهي.
هر نيورون ان سان ڳنڍيل هڪ ايڪٽيوشن فنڪشن آهي. اهو سمجهڻ ڏکيو آهي ته هي فنڪشن ڇا آهي رياضياتي علم کان سواء. سو اچو ته ڪجھ آسانيون ڪيون: چالو ڪرڻ جي فنڪشن جو نقطو نيورون مان ٻاھر نڪرڻ کي "معياري" ڪرڻ آھي. ڊيٽا سيٽ جي اعصابي نيٽ ورڪ جي سڀني پرتن مان گذري وڃڻ کان پوء، اهو نتيجو آئوٽ پرت ذريعي موٽائي ٿو. هينئر تائين سڀ ڪجهه واضح آهي، صحيح؟
اعصابي نيٽ ورڪ جي تربيت
نيورل نيٽ ورڪ جي تربيت ڊيپ لرننگ جو سڀ کان ڏکيو حصو آهي! ڇو؟ ڇو ته توهان کي ڊيٽا جي وڏي مقدار جي ضرورت آهي. ڇو ته توھان کي وڌيڪ ڪمپيوٽنگ پاور جي ضرورت آھي. اسان جي منصوبي لاء، اسان کي تاريخي هوائي جهاز جي ڊيٽا ڳولڻ جي ضرورت آهي. ان کان علاوه، روانگي ۽ منزل ايئرپورٽ جي سڀني ممڪن ميلاپ لاء، روانگي جي تاريخن ۽ مختلف ايئر لائنز. اسان کي ٽڪيٽ جي قيمتن سان گڏ ڊيٽا جي تمام وڏي مقدار جي ضرورت آهي. اسان کي لازمي طور تي ان پٽ ڊيٽا کي اسان جي سيٽ مان اسان جي نيورل نيٽ ورڪ جي انپٽس کي فيڊ ڪرڻ گهرجي ۽ چيڪ ڪريو ته ڇا اهي انهن نتيجن سان ملن ٿا جيڪي اسان وٽ اڳ ۾ ئي آهن. جيڪڏهن مصنوعي ذهانت پاران حاصل ڪيل نتيجا توقع کان مختلف آهن، ان جو مطلب اهو آهي ته اهو اڃا تائين ڪافي تربيت نه ڪئي آهي. هڪ دفعو اسان پنهنجي نيورل نيٽ ورڪ ذريعي ڊيٽا جي مڪمل مقدار کي هلائي سگهون ٿا، اسان هڪ فنڪشن ٺاهي سگهون ٿا جيڪو ظاهر ڪندو ته AI جا نتيجا اسان جي ڊيٽا سيٽ ۾ حقيقي نتيجن کان مختلف آهن. اهڙي فنڪشن کي
قيمت فنڪشن سڏيو ويندو آهي . مثالي صورت ۾، جنهن لاءِ اسان پنهنجي پوري طاقت سان ڪوشش ڪريون ٿا، اسان جي قيمت جي ڪم جا قدر صفر جي برابر آهن. هن جو مطلب آهي ته قيمت جا نتيجا چونڊيل نيورل نيٽ ورڪ طرفان اسان جي ڊيٽا سيٽ ۾ ٽڪيٽن جي اصل قيمت کان مختلف نه آهن.
اسان قيمت جي ڪارڪردگي جي قيمت کي ڪيئن گھٽائي سگھون ٿا؟
اسان نيورسن جي وچ ۾ رابطن جي وزن کي تبديل ڪندا آهيون. اهو بي ترتيب ٿي سگهي ٿو، پر اهو طريقو ڪارائتو ناهي. ان جي بدران، اسان هڪ طريقو استعمال ڪنداسين جنهن کي
Gradient Descent سڏيو ويندو آهي .
| Gradient نزول ھڪڙو طريقو آھي جيڪو اسان کي گھٽ ۾ گھٽ فنڪشن کي ڳولڻ جي اجازت ڏئي ٿو. اسان جي حالت ۾، اسان ڳولي رهيا آهيون گهٽ ۾ گهٽ قيمت فنڪشن. |
هي الگورتھم اسان جي ڊيٽا سيٽ جي پروسيسنگ جي هر نئين ورهاڱي کان پوء وزن وڌائڻ سان ڪم ڪري ٿو. وزن جي مخصوص سيٽن لاءِ لاڳت جي فنڪشن جي نڪتل (يا تدريسي) کي ڳڻڻ سان، اسان ڏسي سگهون ٿا ته ڪهڙي طرف گهٽ ۾ گهٽ ڪوڙ آهي.
تصوير ۾: شروعاتي وزن - شروعاتي وزن، عالمي قيمت گھٽ ۾ گھٽ - عالمي گھٽ ۾ گھٽ قيمت فنڪشن. قيمت جي ڪارڪردگي کي گھٽ ڪرڻ لاء، اسان کي اسان جي ڊيٽا سيٽ تي ڪيترائي ڀيرا حساب ڪرڻ گھرجي. اهو ڇو ته توهان کي تمام گهڻو ڪمپيوٽنگ پاور جي ضرورت آهي. وزن خود بخود اپ ڊيٽ ڪيا ويا آهن گريجوئيٽ ڊيسنٽ طريقي سان. هي آهي ڊيپ لرننگ جو جادو! هڪ دفعو اسان اسان جي AI پرواز جي قيمت جي اڳڪٿي جي خدمت کي تربيت ڏني، اسان ان کي محفوظ طور تي استعمال ڪري سگھون ٿا حقيقت ۾ قيمتن جي اڳڪٿي ڪرڻ لاءِ.
اچو ته اختصار ڪريون...
- ڊيپ لرننگ انٽيليجنس کي تخليق ڪرڻ لاءِ نيورل نيٽ ورڪ استعمال ڪري ٿي.
- نيورل نيٽ ورڪ ۾ ٽي قسم جا نيوران هوندا آهن: ان پٽ پرت، لڪيل پرت، آئوٽ پٽ پرت.
- نيورسن جي وچ ۾ هر ڪنيڪشن جو پنهنجو وزن آهي، انهي ان پٽ جي اهميت کي ظاهر ڪري ٿو.
- نيورون هڪ ايڪٽيوشن فنڪشن استعمال ڪندا آهن "معياري" ڪرڻ لاءِ نيورون مان نڪرڻ.
- هڪ نيورل نيٽ ورڪ کي تربيت ڏيڻ لاء، توهان کي ڊيٽا جي وڏي مقدار جي ضرورت آهي.
- جيڪڏهن اسان هڪ نيورل نيٽ ورڪ استعمال ڪندي ڊيٽا جي صف کي پروسيس ڪريون ٿا ۽ آئوٽ پٽ ڊيٽا کي اصل ڊيٽا سان موازنہ ڪنداسين، اسان کي هڪ قيمتي فنڪشن حاصل ڪنداسين جيڪو ڏيکاري ٿو ته AI ڪيترو غلط آهي.
- هر ڊيٽا پروسيسنگ کان پوء، نيورسن جي وچ ۾ وزن کي ترتيب ڏني وئي آهي تدريسي نزول جي طريقي سان استعمال ڪندي قيمت فنڪشن ۾ گهٽتائي حاصل ڪرڻ لاء.
اصل ڏانهن لنڪ
GO TO FULL VERSION