ڈیپ لرننگ، مصنوعی ذہانت اور ڈمی کے لیے مشین لرننگ: ایک مثال کے ساتھ وضاحت کی گئی۔

کیا آپ ساتھیوں کی صحبت میں اپنی عقل سے چمکنا چاہتے ہیں یا موجودہ تکنیکی موضوعات پر گفتگو میں اپنے دوستوں کو حیران کرنا چاہتے ہیں؟ گفتگو میں "مصنوعی ذہانت" یا "مشین لرننگ" کا تذکرہ کریں اور آپ کا کام ہو گیا۔ "مصنوعی ذہانت" کی اصطلاح اب بڑے پیمانے پر سنی جاتی ہے۔ پروگرامرز AI سیکھنا چاہتے ہیں۔ قائدین اپنی خدمات میں AI کو نافذ کرنا چاہتے ہیں۔ لیکن عملی طور پر، پیشہ ور افراد بھی ہمیشہ یہ نہیں سمجھتے کہ "AI" کیا ہے۔ اس مضمون کا مقصد آپ کو "مصنوعی ذہانت" اور "مشین لرننگ" کی اصطلاحات کو سمجھنے میں مدد فراہم کرنا ہے۔ آپ یہ بھی سیکھیں گے کہ ڈیپ لرننگ، مشین لرننگ کی سب سے مشہور قسم، کیسے کام کرتی ہے۔ اور، اہم بات یہ ہے کہ یہ ہدایات کافی قابل رسائی زبان میں لکھی گئی ہیں۔ یہاں ریاضی کو سمجھنا زیادہ مشکل نہیں ہوگا۔

بنیادی باتیں

ڈیپ لرننگ کیا ہے یہ سمجھنے کا پہلا قدم کلیدی اصطلاحات کے درمیان فرق کو سمجھنا ہے۔ تصویر: Datanami

مصنوعی ذہانت بمقابلہ مشین لرننگ

مصنوعی ذہانت (AI یا AI agnl.) کمپیوٹر کے ذریعے انسانی سوچ کے عمل کو نقل کرنے کی ایک کوشش ہے۔ جب مصنوعی ذہانت کے شعبے میں تحقیق ابھی شروع ہوئی تھی، سائنسدانوں نے انسانی ذہانت کے رویے کو بعض شرائط کے تحت سختی سے نقل کرنے کی کوشش کی، یعنی بعض مسائل کو حل کرنے کے لیے اسے تیز کرنے کی کوشش کی۔ مثال کے طور پر، تاکہ مشین کھیل کھیل سکے۔ انہوں نے متعدد قواعد قائم کیے جن پر کمپیوٹنگ مشین کو عمل کرنا تھا۔ کمپیوٹر کے پاس ممکنہ کارروائیوں کی ایک فہرست تھی، اور اس نے ڈیزائن کے مرحلے کے دوران مقرر کردہ اصولوں اور پابندیوں کی بنیاد پر فیصلے کیے تھے۔ ایم ایل کمپیوٹرز کو خود سیکھنے کی اجازت دیتا ہے۔ اس قسم کی تعلیم جدید کمپیوٹنگ ٹیکنالوجی سے فائدہ اٹھاتی ہے، جو بڑی مقدار میں ڈیٹا پر آسانی سے کارروائی کر سکتی ہے۔

زیر نگرانی سیکھنے بمقابلہ غیر زیر نگرانی تعلیم

زیر نگرانی سیکھنے میں لیبل لگے ڈیٹا سیٹس کا استعمال کیا جاتا ہے جو کہ ان پٹ اور متوقع آؤٹ پٹس پر مشتمل ہوتے ہیں۔ جب آپ زیر نگرانی سیکھنے کا استعمال کرتے ہوئے مصنوعی ذہانت کی تربیت کرتے ہیں، تو آپ ان پٹ کے طور پر ڈیٹا فراہم کرتے ہیں اور بتاتے ہیں کہ آؤٹ پٹ کیا ہونا چاہیے۔ اگر نتیجہ جو AI پیدا کرتا ہے وہ توقع سے مختلف ہے، تو AI کو اپنا حساب درست کرنا چاہیے۔ جب تک AI غلطیاں کرتا ہے اس عمل کو ڈیٹا سرنی پر کئی بار دہرایا جاتا ہے۔ زیر نگرانی سیکھنے کی ایک مثال موسم کی پیشین گوئی کرنے والی مصنوعی ذہانت ہے۔ یہ تاریخی ڈیٹا کا استعمال کرتے ہوئے موسم کی پیشن گوئی کرنا سیکھتا ہے۔ ان پٹ ڈیٹا دباؤ، نمی اور ہوا کی رفتار ہے، اور اس کے نتیجے میں ہمیں درجہ حرارت حاصل کرنا چاہیے۔ غیر زیر نگرانی سیکھنا ایک ایسا کام ہے جس میں غیر ساختہ ڈیٹا کا استعمال کرتے ہوئے AI کی تربیت ہوتی ہے۔ جب آپ مصنوعی ذہانت کو غیر زیر نگرانی سیکھنے کا استعمال کرتے ہوئے تربیت دیتے ہیں، تو آپ AI کو ڈیٹا کی منطقی درجہ بندی کرنے کے قابل بناتے ہیں۔ غیر زیر نگرانی مشین لرننگ کا استعمال کرتے ہوئے مصنوعی ذہانت کی ایک مثال آن لائن اسٹور میں کسٹمر کے رویے کا روبوٹ پیش گو ہے۔ یہ پہلے سے معلوم ان پٹ اور آؤٹ پٹ استعمال کیے بغیر سیکھتا ہے۔ اس کے بجائے، اسے خود ان پٹ ڈیٹا کی درجہ بندی کرنی چاہیے۔ الگورتھم کو شناخت کرنا چاہئے اور آپ کو بتانا چاہئے کہ کس قسم کے صارفین کونسی مصنوعات کو ترجیح دیتے ہیں۔

مشین لرننگ کیسے کام کرتی ہے۔

لہذا، ڈیپ لرننگ مشین لرننگ کے طریقوں میں سے ایک ہے۔ یہ آپ کو دیئے گئے ان پٹ ڈیٹا سے نتائج کی پیش گوئی کرنے کی اجازت دیتا ہے۔ AI کو تربیت دینے کے لیے، آپ مندرجہ بالا دونوں اختیارات استعمال کر سکتے ہیں: زیر نگرانی اور غیر زیر نگرانی سیکھنے۔ ہم سمجھیں گے کہ ڈیپ لرننگ ایک واضح مثال کا استعمال کرتے ہوئے کیسے کام کرتی ہے: آئیے کہتے ہیں کہ ہمیں ہوائی سفر کی قیمتوں کا اندازہ لگانے کے لیے ایک سروس تیار کرنے کی ضرورت ہے۔ ہم ایک زیر نگرانی طریقہ استعمال کرتے ہوئے اپنے الگورتھم کو تربیت دیں گے۔ ہم چاہتے ہیں کہ ہوائی سفر کی قیمتوں کی پیشن گوئی کے لیے ہماری سروس درج ذیل ان پٹ ڈیٹا کی بنیاد پر قیمت کی پیش گوئی کرے (ہم پیشکش میں آسانی کے لیے واپسی کی پرواز کو مدنظر نہیں رکھتے):

• روانگی کا ہوائی اڈہ؛
• آمد ہوائی اڈے؛
• منصوبہ بند روانگی کی تاریخ؛
• ایئر لائن

نیورل نیٹ ورکس آئیے مصنوعی ذہانت کے دماغ پر ایک نظر ڈالتے ہیں۔ جیسا کہ حیاتیاتی جانداروں کے معاملے میں، ہمارے پیش گو کے "سر" میں نیوران ہوتے ہیں۔ تصویر میں انہیں حلقوں کی شکل میں پیش کیا گیا ہے۔ نیوران ایک دوسرے سے جڑے ہوئے ہیں۔ تصویر میں، نیوران تہوں کے تین گروہوں میں جمع ہوتے ہیں:

• ان پٹ پرت؛
• پوشیدہ پرت 1 (چھپی ہوئی پرت 1) اور پوشیدہ پرت 2 (چھپی ہوئی پرت 2)؛
• آؤٹ پٹ پرت.

کچھ ڈیٹا ان پٹ پرت میں داخل ہوتا ہے۔ ہمارے معاملے میں، ہمارے پاس ان پٹ لیئر پر چار نیوران ہیں: روانگی ہوائی اڈہ، آمد کا ہوائی اڈہ، روانگی کی تاریخ، ایئر لائن۔ ان پٹ پرت پہلی پوشیدہ پرت کو ڈیٹا منتقل کرتی ہے۔ پوشیدہ پرتیں موصولہ ان پٹ ڈیٹا کی بنیاد پر ریاضی کا حساب لگاتی ہیں۔ نیورل نیٹ ورکس بناتے وقت ایک اہم مسئلہ پوشیدہ پرتوں کی تعداد اور ہر پرت میں نیوران کی تعداد کا انتخاب ہے۔ آؤٹ پٹ پرت نتیجہ خیز معلومات ہمیں واپس کرتی ہے۔ ہمارے معاملے میں، پرواز کی متوقع قیمت. ہم نے اب تک کی سب سے دلچسپ چیز کھو دی ہے: متوقع قیمت کا حساب بالکل کیسے لگایا جاتا ہے؟ یہیں سے ڈیپ لرننگ کا جادو شروع ہوتا ہے۔ نیوران کے درمیان ہر تعلق کو ایک خاص وزن (گتانک) تفویض کیا جاتا ہے۔ یہ وزن ان پٹ ویلیو کی اہمیت کا تعین کرتا ہے۔ ابتدائی وزن تصادفی طور پر مقرر کیے گئے ہیں۔ ہوائی سفر کی لاگت کی پیش گوئی کرتے وقت، روانگی کی تاریخ قیمت کو سب سے زیادہ متاثر کرتی ہے۔ لہذا، "روانگی کی تاریخ" نیوران کے کنکشن زیادہ وزن رکھتے ہیں. ہر نیوران کے ساتھ ایک ایکٹیویشن فنکشن منسلک ہوتا ہے۔ ریاضی کے علم کے بغیر یہ سمجھنا مشکل ہے۔ تو آئیے کچھ آسانیاں بناتے ہیں: ایکٹیویشن فنکشن کا نقطہ نیوران سے آؤٹ پٹ کو "معیاری بنانا" ہے۔ ڈیٹا سیٹ کے نیورل نیٹ ورک کی تمام پرتوں سے گزرنے کے بعد، یہ آؤٹ پٹ لیئر کے ذریعے نتیجہ واپس کرتا ہے۔ اب تک سب کچھ واضح ہے، ٹھیک ہے؟

اعصابی نیٹ ورک کی تربیت

نیورل نیٹ ورک کی تربیت ڈیپ لرننگ کا سب سے مشکل حصہ ہے! کیوں؟ کیونکہ آپ کو ڈیٹا کی ایک بڑی مقدار کی ضرورت ہے۔ کیونکہ آپ کو زیادہ کمپیوٹنگ پاور کی ضرورت ہے۔ ہمارے پروجیکٹ کے لیے، ہمیں تاریخی ہوائی کرایہ کا ڈیٹا تلاش کرنے کی ضرورت ہے۔ مزید برآں، روانگی اور منزل کے ہوائی اڈوں، روانگی کی تاریخوں اور مختلف ایئر لائنز کے تمام ممکنہ امتزاج کے لیے۔ ہمیں ٹکٹ کی قیمتوں کے ساتھ بہت زیادہ ڈیٹا کی ضرورت ہے۔ ہمیں اپنے سیٹ سے ان پٹ ڈیٹا کو اپنے نیورل نیٹ ورک کے ان پٹس میں فیڈ کرنا چاہیے اور چیک کرنا چاہیے کہ آیا وہ ان نتائج سے میل کھاتے ہیں جو ہمارے پاس پہلے سے موجود ہیں۔ اگر مصنوعی ذہانت کے ذریعے حاصل کردہ نتائج متوقع نتائج سے مختلف ہیں، تو اس کا مطلب ہے کہ اس نے ابھی تک کافی تربیت حاصل نہیں کی ہے۔ ایک بار جب ہم اپنے نیورل نیٹ ورک کے ذریعے ڈیٹا کی پوری مقدار کو چلاتے ہیں، تو ہم ایک ایسا فنکشن بنا سکتے ہیں جو اس بات کی نشاندہی کرے گا کہ AI کے نتائج ہمارے ڈیٹا سیٹ کے اصل نتائج سے کتنے مختلف ہیں۔ اس طرح کے فنکشن کو لاگت کا فنکشن کہا جاتا ہے ۔ مثالی صورت میں، جس کے لیے ہم اپنی پوری طاقت کے ساتھ کوشش کرتے ہیں، ہماری لاگت کے فعل کی قدریں صفر کے برابر ہیں۔ اس کا مطلب ہے کہ نیورل نیٹ ورک کے ذریعے منتخب کردہ لاگت کے نتائج ہمارے ڈیٹاسیٹ میں ٹکٹوں کی اصل قیمت سے مختلف نہیں ہیں۔

ہم لاگت کے فنکشن کی قدر کو کیسے کم کر سکتے ہیں؟

ہم نیوران کے درمیان رابطوں کا وزن تبدیل کرتے ہیں۔ یہ تصادفی طور پر کیا جا سکتا ہے، لیکن یہ طریقہ کارگر نہیں ہے۔ اس کے بجائے، ہم ایک طریقہ استعمال کریں گے جسے Gradient Descent کہتے ہیں ۔ یہ الگورتھم ہمارے ڈیٹا سیٹ کی پروسیسنگ کے ہر نئے تکرار کے بعد وزن کو بتدریج بڑھا کر کام کرتا ہے۔ وزن کے مخصوص سیٹوں کے لیے لاگت کے فنکشن کے مشتق (یا میلان) کا حساب لگا کر، ہم دیکھ سکتے ہیں کہ کم از کم کس سمت میں ہے۔ تصویر میں: ابتدائی وزن - ابتدائی وزن، عالمی لاگت کم از کم - لاگت کے فنکشن کا عالمی کم از کم۔ لاگت کے فنکشن کو کم سے کم کرنے کے لیے، ہمیں اپنے ڈیٹا سیٹ پر کئی بار حساب کتاب کرنا چاہیے۔ یہی وجہ ہے کہ آپ کو بہت زیادہ کمپیوٹنگ پاور کی ضرورت ہے۔ گریڈینٹ ڈیسنٹ طریقہ کا استعمال کرتے ہوئے وزن خود بخود اپ ڈیٹ ہو جاتے ہیں۔ یہ ڈیپ لرننگ کا جادو ہے! ایک بار جب ہم نے اپنی AI پرواز کی قیمت کی پیشن گوئی کی خدمت کو تربیت دی ہے، تو ہم اسے حقیقت میں قیمتوں کی پیشن گوئی کرنے کے لیے محفوظ طریقے سے استعمال کر سکتے ہیں۔

آئیے اس کا خلاصہ کرتے ہیں...

• گہری تعلیم انٹیلی جنس کی تقلید کے لیے عصبی نیٹ ورکس کا استعمال کرتی ہے۔
• نیورل نیٹ ورک میں تین قسم کے نیوران ہوتے ہیں: ان پٹ پرت، پوشیدہ پرت، آؤٹ پٹ لیئر۔
• نیوران کے درمیان ہر تعلق کا اپنا وزن ہوتا ہے، جو اس ان پٹ کی اہمیت کو ظاہر کرتا ہے۔
• نیوران نیوران سے آؤٹ پٹ کو "معیاری بنانے" کے لیے ایکٹیویشن فنکشن کا استعمال کرتے ہیں۔
• نیورل نیٹ ورک کو تربیت دینے کے لیے، آپ کو ڈیٹا کی ایک بڑی مقدار کی ضرورت ہوتی ہے۔
• اگر ہم نیورل نیٹ ورک کا استعمال کرتے ہوئے ڈیٹا اری پر کارروائی کرتے ہیں اور آؤٹ پٹ ڈیٹا کا اصل ڈیٹا سے موازنہ کرتے ہیں، تو ہمیں ایک لاگت کا فنکشن ملے گا جو ظاہر کرتا ہے کہ AI کتنا غلط ہے۔
• ہر ڈیٹا پروسیسنگ کے بعد، لاگت کے فنکشن میں کمی کو حاصل کرنے کے لیے گریڈینٹ ڈیسنٹ طریقہ کا استعمال کرتے ہوئے نیوران کے درمیان وزن کو ایڈجسٹ کیا جاتا ہے۔

اصل سے لنک کریں۔