AI کی بنیادی منطق کو سمجھنا

مصنوعی ذہانت (AI) کی بنیادی منطق کا انکشاف

حصہ اول: ذہانت پر منطقی بحث: فلسفیانہ اور تاریخی تناظر

مصنوعی ذہانت (AI) کی "بنیادی منطق" کوئی واحد، مستقل تصور نہیں ہے۔ بلکہ یہ کئی دہائیوں پر محیط فکری بحث سے اخذ کی گئی ہے کہ ذہانت کو کیسے تخلیق کیا جائے۔ AI کو سمجھنے کے لیے، سب سے پہلے اس کی فکری ابتدا میں جانا چاہیے – دو بنیادی فلسفیانہ مکاتب فکر کا تصادم اور انضمام: علامتیت (Symbolicism) اور ربطیت (Connectionism)۔ یہ مکاتب فکر ذہانت کے بالکل متضاد نظریات کی نمائندگی کرتے ہیں، اور ان کی اتار چڑھاؤ والی قسمتوں نے پورے AI کے میدان کے تاریخی ارتقاء اور مستقبل کی سمت کو تشکیل دیا ہے۔

1.1 فکر کے دو مکاتب

مصنوعی ذہانت کی تعمیراتی منطق دو اہم راستوں پر چلتی ہے: اوپر سے نیچے کی طرف علامتی دستکاری اور نیچے سے اوپر کی طرف حیاتیاتی طور پر متاثر سیکھنا۔

علامتیت ( "اوپر سے نیچے" کی منطق)

علامتیت، جسے منطقیت یا کمپیوٹر اسکول بھی کہا جاتا ہے، اس بنیادی عقیدے پر مبنی ہے کہ ذہانت کا جوہر واضح، رسمی قواعد کے ایک مجموعے کے مطابق علامتوں کو سنبھالنے میں مضمر ہے۔ یہ ایک "اوپر سے نیچے" کا طریقہ ہے، اس مفروضے کے ساتھ کہ انسانی ادراک اور سوچ کے عمل کو علامتی عملوں میں خلاصہ کیا جا سکتا ہے۔ اس نقطہ نظر میں، ذہانت کو منطقی استدلال کے ایک عمل کے طور پر دیکھا جاتا ہے، اور ذہن کو ایک کمپیوٹر پروگرام سے تشبیہ دی جا سکتی ہے جو منظم ڈیٹا پر چل رہا ہے۔

اس مکتب فکر کا سب سے عام اظہار ایکسپرٹ سسٹمز ہیں۔ ان نظاموں نے 1970 اور 1980 کی دہائیوں میں اپنے سنہری دور سے لطف اندوز ہوئے، جس نے AI کی پہلی بڑے پیمانے پر تجارتی کامیابی کو نشان زد کیا۔ ان کا مقصد انسانی ماہرین کے فیصلہ سازی کے عمل کی مخصوص تنگ شعبوں (جیسے طبی تشخیص یا کیمیائی تجزیہ) میں ایک نالج بیس کے ذریعے نقل کرنا تھا جس میں "اگر-تو" قواعد کی ایک بڑی تعداد موجود ہے۔ ماہر نظاموں کی کامیابی نے علامتیت کو اس کی چوٹی پر پہنچا دیا، جس سے یہ اس وقت AI کا تقریباً مترادف بن گیا۔

ربطیت ( "نیچے سے اوپر" کی منطق)

علامتیت کے برعکس، ربطیت، جسے حیاتیات اسکول بھی کہا جاتا ہے، دلیل دیتا ہے کہ ذہانت ایک ابھرتا ہوا رجحان ہے۔ اس پر کسی مرکزی کنٹرولر یا پہلے سے طے شدہ قواعد کا غلبہ نہیں ہے، بلکہ سادہ، باہم جڑے ہوئے پروسیسنگ یونٹوں (یعنی مصنوعی نیوران) کی ایک بڑی تعداد کے درمیان پیچیدہ تعاملات سے پیدا ہوتا ہے۔ یہ "نیچے سے اوپر" کی منطق انسانی دماغ کی ساخت سے متاثر ہے، یہ مانتے ہوئے کہ ذہانت کو پروگرام نہیں کیا جاتا ہے، بلکہ اعداد و شمار سے نمونوں کو سیکھ کر حاصل کیا جاتا ہے۔

ربطیت کا بنیادی عقیدہ یہ ہے کہ پیچیدہ رویے سادہ مقامی تعاملات سے پیدا ہو سکتے ہیں، اس کے لیے عالمی واضح قواعد کی ضرورت نہیں ہے۔ اس کی بنیادی تکنیکی شکل مصنوعی نیورل نیٹ ورکس (ANNs) ہیں۔ یہ ماڈل نمونہ ڈیٹا کی بڑی مقدار پر تربیت دے کر اور نیوران کے درمیان "وزن" (یعنی کنکشن کی طاقت) کو مسلسل ایڈجسٹ کرکے ان پٹ اور آؤٹ پٹ کے درمیان پیچیدہ تعلقات سیکھتے ہیں۔

1.2 تاریخ کا جھول: عروج، موسم سرما، اور بحالی

AI کی ترقی کی تاریخ لکیری پیش رفت کی نہیں ہے، بلکہ ایک ایسے جھولے کی طرح ہے جو علامتیت اور ربطیت کے درمیان آگے پیچھے جھولتا ہے۔ یہ عمل گہرائی سے ظاہر کرتا ہے کہ کسی نظریاتی نمونے کی کامیابی یا ناکامی کا انحصار نہ صرف اس کے خیالات کی گہرائی پر ہوتا ہے، بلکہ اس وقت کی ٹکنالوجی اور معاشی حالات کی رکاوٹوں پر بھی ہوتا ہے۔ AI کی بنیادی منطق خلا میں تیار نہیں ہوتی ہے، اور اس کا ترقیاتی سفر (1) مرکزی دھارے کے فلسفیانہ فکر، (2) دستیاب کمپیوٹنگ پاور، اور (3) معاشی امکان کے درمیان پیچیدہ تعامل کا براہ راست نتیجہ ہے۔

ابتدائی فوائد اور پہلا AI موسم سرما

AI کے ابتدائی دنوں میں، ربطیت نے بہت زیادہ صلاحیت کا مظاہرہ کیا۔ تاہم، 1969 میں، مارون منسکی، جو علامتیت میں ایک اہم شخصیت تھے، نے کتاب Perceptrons شائع کی، جو تاریخ میں ایک اہم موڑ ثابت ہوئی۔ منسکی نے ریاضیاتی طور پر سختی سے ثابت کیا کہ اس وقت کے سادہ سنگل لیئر نیورل نیٹ ورکس (یعنی پرسیپٹرون) کچھ بنیادی مسائل حل نہیں کر سکتے، جیسے کہ منطقی "خصوصی یا" (XOR) مسئلہ۔ یہ عین اکیڈمک تنقید، اس وقت کمپیوٹر کمپیوٹنگ پاور کی عمومی قلت کے ساتھ مل کر، ربطیت کی تحقیق کو ایک تباہ کن دھچکا پہنچا۔ تحقیقی فنڈنگ میں زبردستی کمی کی گئی، اور نیورل نیٹ ورک کی تحقیق ایک دہائی سے زیادہ عرصے تک جمود کا شکار رہی، جسے پہلے "AI موسم سرما" کے نام سے جانا جاتا ہے۔ اس عرصے کے دوران، علامتیت کی منطق نے ایک مطلق غالب مقام حاصل کیا۔

علامتیت کا سنہری دور اور دوسرا AI موسم سرما

ایکسپرٹ سسٹمز نے 1980 کی دہائی میں عروج حاصل کیا، جس نے علامتیت کو تجارتی ایپلی کیشنز کی چوٹی پر پہنچا دیا۔ تاہم، اس کی حدود آہستہ آہستہ بے نقاب ہوئیں: ماہر نظاموں کی تعمیر مہنگی تھی، نالج بیس کو برقرار رکھنا مشکل تھا، وہ مبہم معلومات کو سنبھال نہیں سکتے تھے، اور ان میں خود بخود نئی معلومات سیکھنے کی صلاحیت نہیں تھی۔ بالآخر، علامتی AI پروگراموں (جیسے Lisp زبان) کو چلانے کے لیے خاص طور پر استعمال ہونے والی "Lisp مشینوں" کی تجارتی ناکامی نے اس دور کے خاتمے کو نشان زد کیا۔ مضبوط کارکردگی اور کم قیمتوں کے ساتھ عام مقصد والے کمپیوٹرز (جیسے IBM PC) کے عروج نے ان وقف شدہ ہارڈ ویئر آلات کو غیر مسابقتی بنا دیا، اور AI کے میدان میں پھر دوسرا موسم سرما داخل ہوا۔ یہ ایک بار پھر ثابت کرتا ہے کہ اگر ایک نظریاتی منطق کو ترقی کرنا جاری رکھنا ہے، تو اس کے پاس ایک مضبوط اور اقتصادی ہارڈ ویئر فاؤنڈیشن بطور سپورٹ ہونی چاہیے۔

ربطیت کی بحالی

ربطیت کی بحالی کوئی اتفاقی نہیں تھی، بلکہ اسے تین اہم عوامل نے کارفرما کیا:

1. الگورتھم میں پیش رفت: "موسم سرما" کے دوران، بیک پروپیگیشن الگورتھم کے تعارف اور لانگ شارٹ ٹرم میموری نیٹ ورکس (LSTMs) جیسی زیادہ پیچیدہ نیٹ ورک ڈھانچے کی ایجاد نے نیورل نیٹ ورکس کی مؤثر تربیت کے لیے الگورتھمک بنیاد رکھی۔

2. ڈیٹا ڈیلیوج: انٹرنیٹ کی مقبولیت نے ڈیٹا کی بے مثال مقدار لائی۔ اس ڈیٹا نے نیورل نیٹ ورکس کے لیے کافی "غذائیت" فراہم کی جنہیں تربیت کے لیے نمونوں کی ایک بڑی تعداد کی ضرورت ہوتی ہے۔

3. کمپیوٹنگ پاور انقلاب: گرافکس پروسیسرز (GPUs)، جو ابتدا میں ویڈیو گیمز کے لیے ڈیزائن کیے گئے تھے، میں بڑے پیمانے پر متوازی کمپیوٹنگ آرکیٹیکچر ہے جو نیورل نیٹ ورکس میں بنیادی میٹرکس آپریشنز کے لیے بالکل موزوں پایا گیا۔ GPUs کے ظہور نے کمپیوٹنگ پاور کی رکاوٹ کو توڑ دیا جس نے کئی دہائیوں سے ربطیت کو پریشان کر رکھا تھا، جس سے اس کی نظریاتی صلاحیت کو حقیقی طور پر اجاگر ہونے کا موقع ملا۔

آخر میں، الگورتھم، ڈیٹا، اور کمپیوٹنگ پاور کے ملاپ نے گہری سیکھنے کے انقلاب کو بھڑکا دیا، جس سے ربطیت کی منطق آج AI کے میدان میں غیر متنازعہ طور پر مرکزی دھارے میں شامل ہو گئی۔

1.3 فلسفیانہ تعطل: سمجھنا بمقابلہ تخیل

دو بڑے مکاتب کے درمیان تاریخی تنازع بالآخر ایک گہرے فلسفیانہ سوال کی طرف جاتا ہے جو آج تک حل طلب ہے: کیا کوئی مشین جو ذہین رویے کی بالکل درست نقل کرنے کی صلاحیت رکھتی ہے، واقعی سمجھنے کی صلاحیت رکھتی ہے؟

ٹیورنگ ٹیسٹ

ایلن ٹیورنگ کا "ٹیورنگ ٹیسٹ" ذہانت کی ایک عملی، رویہی تعریف فراہم کرتا ہے۔ اس ٹیسٹ میں یہ شامل ہے کہ کیا کوئی مشین کسی انسان کے ساتھ بات چیت کر سکتی ہے، اور انسان یہ نہیں بتا سکتا کہ یہ ایک مشین ہے یا ایک شخص؛ تو مشین کو ذہین سمجھا جا سکتا ہے۔ ٹیورنگ ٹیسٹ "ذہانت کیا ہے" کے لازمی سوال کو چھوڑ کر "ذہانت کو کیا رویہ ظاہر کرنا چاہیے" کی طرف رجوع کرتا ہے۔

"چینی کمرہ" خیال تجربہ

فلسفی جان سیرل نے 1980 میں مشہور "چینی کمرہ" کا خیال تجربہ تجویز کیا، جس نے علامتیت اور ٹیورنگ ٹیسٹ پر زبردست حملہ کیا۔ اس تجربے کو اس طرح تصور کیا گیا ہے: ایک شخص جو چینی نہیں سمجھتا ہے اسے ایک کمرے میں بند کر دیا جاتا ہے، اور کمرے میں چینی پروسیسنگ کے قواعد کی ایک تفصیلی دستی موجود ہے (جو ایک پروگرام کے برابر ہے)۔ اسے ایک کھڑکی کے ذریعے چینی حروف لکھے ہوئے نوٹ (ان پٹ) موصول ہوتے ہیں، اور پھر وہ اسی قواعد کی دستی میں موجود ہدایات پر سختی سے عمل کرتا ہے تاکہ متعلقہ حروف کو تلاش اور یکجا کیا جا سکے، اور پھر نتائج کو کھڑکی سے باہر نکال دیا جائے (آؤٹ پٹ)۔ کمرے کے باہر کے لوگوں کے لیے، کمرے کا جواب کسی مقامی چینی بولنے والے کے جواب سے کوئی مختلف نہیں ہے، اس لیے یہ ٹیورنگ ٹیسٹ پاس کر لیتا ہے۔

تاہم، سیرل نے نشاندہی کی کہ کمرے میں موجود شخص شروع سے آخر تک کسی بھی چینی حروف کے معنی (سیمینٹکس) کو کبھی نہیں سمجھا، اور اس نے جو کچھ کیا وہ خالص علامتی دستکاری (Syntax) تھا۔ سیرل نے یہ نتیجہ اخذ کیا کہ محض علامتوں کو سنبھالنے سے، چاہے وہ کتنی ہی پیچیدہ کیوں نہ ہوں، کبھی بھی حقیقی "سمجھ" پیدا نہیں ہو سکتی۔ یہ دلیل "مضبوط AI" کے نقطہ نظر کو زبردست چیلنج کرتی ہے (یعنی یہ عقیدہ کہ صحیح طریقے سے پروگرام کیا گیا کمپیوٹر ذہن کا مالک ہو سکتا ہے)۔

آج، بڑی لسانی ماڈلز (LLMs) کی نمائندگی کرنے والی جدید AI کو ایک لحاظ سے "چینی کمرے" کا ایک انتہائی اپ گریڈ شدہ ورژن سمجھا جا سکتا ہے۔ وہ بڑے پیمانے پر متنی ڈیٹا میں شماریاتی طور پر نمونوں سے مطابقت رکھ کر بظاہر ذہین جوابات پیدا کرتے ہیں۔ اس بحث میں کہ آیا وہ واقعی زبان کو "سمجھتے" ہیں یا محض پیچیدہ "اسٹاکسٹک طوطے" ہیں، ٹیورنگ بمقابلہ سیرل کی جدید زمانے میں جاری بحث ہے۔

ایک طویل عرصے سے، علامتیت اور ربطیت کو دو باہمی طور پر خصوصی نمونے سمجھا جاتا رہا ہے۔ تاہم، تاریخ کی "جنگ" ایک تالیف کی شکل میں ختم ہو رہی ہے۔ مستقبل کی بنیادی منطق ایک یا دوسرے کا انتخاب نہیں ہے، بلکہ دونوں کا انضمام ہے۔ اس رجحان کی عکاسی نیورو-علامتی AI کے عروج میں ہوتی ہے۔ اس میدان کا مقصد نیورل نیٹ ورکس کی طاقتور پیٹرن کی شناخت کی صلاحیتوں کو علامتی نظاموں کی سخت منطقی استدلال کی صلاحیتوں کے ساتھ یکجا کرنا ہے، جس کا مقصد زیادہ طاقتور نظام بنانا ہے جو سیکھ بھی سکیں اور استدلال بھی کر سکیں۔ مثال کے طور پر، جدید AI ایجنٹ اپنی صلاحیتوں کو بڑھانے کے لیے بیرونی علامتی ٹولز (جیسے کیلکولیٹر، ڈیٹا بیس سوالات) کو کال کر سکتے ہیں، جو نیورل ماڈلز اور علامتی ٹولز کا ایک عملی مجموعہ ہے۔

اس کے علاوہ، جدید بڑے لسانی ماڈلز میں “مخلوط ماہرین (MoE)“ آرکیٹیکچر بھی تصور میں علامتیت کے ماہر نظاموں کی بازگشت ہے۔ MoE ماڈل متعدد خصوصی "ماہر" سب نیٹ ورکس اور ایک "گیٹنگ" نیٹ ورک پر مشتمل ہوتا ہے، جو ہر ان پٹ کو سنبھالنے کے لیے سب سے موزوں ماہر کو منتخب کرنے کا ذمہ دار ہے۔ یہ فعال طور پر قواعد کے مطابق مخصوص فنکشنل ماڈیولز کو کال کرنے والے ایک علامتی نظام کی طرح ہے، لیکن اس کا نفاذ مکمل طور پر ربطیتی ہے - اینڈ ٹو اینڈ سیکھنے اور فرق اصلاح کے ذریعے۔ یہ ظاہر کرتا ہے کہ AI کی بنیادی منطق مخالفت سے تکمیلی کی طرف بڑھ رہی ہے، جو انضمام کے ذریعے بے مثال طاقتور صلاحیتیں پیدا کر رہی ہے۔

جدول 1: بنیادی AI نمونوں کا موازنہ: علامتیت بمقابلہ ربطیت

حصہ دوم: جدید AI کی عالمگیر زبان: بنیادی ریاضاتی اصول

جدید AI کے اسرار کو افشا کرنے کے لیے یہ سمجھنا ضروری ہے کہ اس کی "بنیادی منطق" انسانی عام فہم یا استدلال نہیں ہے، بلکہ ایک قطعیاور عالمگیر ریاضاتی زبان ہے۔ خاص طور پر، ربطیت پر مبنی AI بنیادی طور پر اطلاق شدہ ریاضی ہے جو "ڈیٹا، الگورتھم، اور کمپیوٹنگ پاور" سے چلتی ہے۔ انٹیلیجنس جنریشن، سیکھنے، اور اصلاح کے عمل کو تین ریاضاتی ستونوں کی ہم آہنگی میں توڑا جا سکتا ہے: امکاناتی شماریات، لکیری الجبرا، اور حسابان۔

2.1 AI کی ریاضاتی نوعیت

موجودہ مصنوعی ذہانت کا بنیادی کام عام طور پر اس طرح بیان کیا جا سکتا ہے: ایک اعلی جہتی، پیچیدہ مسئلہ کی جگہ میں تقریبا بہترین حل تلاش کرنا۔ تمام امکانات کو ختم کرنے کی کوشش کر کے مسائل حل کرنے کے بجائے، یہ ایک کافی اچھا حل تلاش کرنے کے لیے ریاضاتی طریقے لاگو کرتا ہے۔ ریاضی AI کو رسمی ماڈلنگ ٹولز اور سائنسی بیانیہ زبانیں فراہم کرتا ہے، اور AI نظاموں کی تعمیر، سمجھنے اور بہتر بنانے کا سنگ بنیاد ہے۔

2.2 ستون 1: امکان اور شماریات - غیر یقینی صورتحال کی منطق

احتمالات کا نظریہ اور شماریات AI کو غیر یقینی ماحول میں استدلال کرنے اور ڈیٹا سے پیٹرن نکالنے کے لیے ایک نظریاتی فریم ورک فراہم کرتے ہیں۔ AI ماڈل بنیادی طور پر احتمالی نظام ہیں جو پیش گوئیاں اور فیصلے کرنے کے لیے ڈیٹا کی بنیادی تقسیم سیکھتے ہیں۔

تاہم، بڑے اعداد و شمار کا ظہور روایتی شماریات کی بنیادوں کے لیے ایک سنگین چیلنج پیش کرتا ہے۔ روایتی شماریاتی نظریات، جیسے بڑے اعداد و شمار کا قانون اور مرکزی حد کا نظریہ، زیادہ تر اس مفروضے پر مبنی ہیں کہ نمونے "آزاد اور یکساں طور پر تقسیم شدہ" (i.i.d.) ہیں اور نمونے کا سائز n خصوصیات کی تعداد p سے کہیں زیادہ بڑا ہے (i.e.، p ≪ n)۔ لیکن بڑے اعداد و شمار کے دور میں، یہ مفروضے اکثر ٹوٹ جاتے ہیں۔ مثال کے طور پر، تصویر کی شناخت کے کاموں میں، ایک اعلی ریزولوشن والی تصویر میں لاکھوں پکسلز (خصوصیات p) ہوسکتے ہیں، جبکہ تربیتی ڈیٹا سیٹ میں صرف دسیوں ہزار تصاویر (نمونے n) ہو سکتی ہیں، جو "جہت کی لعنت" کے مسئلے کی طرف لے جاتی ہیں جہاں p ≫ n۔ اس صورت میں، "جعلی تعلقات" پیدا کرنا آسان ہے جو روایتی شماریاتی طریقوں کو غلط ثابت کرتے ہیں۔

گہری سیکھنے کا عروج، کسی حد تک، اس چیلنج کا جواب ہے۔ یہ روایتی شماریاتی مفروضوں پر انحصار کیے بغیر اعلی جہتی اعداد و شمار سے مؤثر خصوصیت کی نمائندگی کو خود بخود سیکھنے کا ایک طریقہ فراہم کرتا ہے۔ اس کے باوجود، اس نئے ڈیٹا پیراڈائم کے لیے ایک مضبوط شماریاتی بنیاد قائم کرنا اب بھی ایک اہم ریاضیاتی مسئلہ ہے جسے موجودہ AI تحقیق میں فوری طور پر حل کرنے کی ضرورت ہے۔

2.3 ستون 2: لکیری الجبرا - نمائندگی کی منطق

لکیری الجبرا AI دنیا کی "عالمگیر زبان" ہے، جو ڈیٹا اور ماڈلز کی نمائندگی کے لیے بنیادی ٹولز مہیا کرتی ہے۔ نیورل نیٹ ورکس میں، چاہے یہ ان پٹ ہو (جیسے کسی تصویر کے پکسلز، متن کے الفاظ کے ویکٹر)، ماڈل کے پیرامیٹرز (وزن)، یا حتمی آؤٹ پٹ، ان سب کو ایک عددی ڈھانچے کے طور پر ظاہر کیا جاتا ہے: ویکٹر، میٹرکس، یا اعلی جہتی ٹینسر۔

نیورل نیٹ ورکس میں بنیادی آپریشن، جیسے ایک نیوران اپنے تمام ان پٹس میں وزن اور جمع کرنا، لازمی طور پر میٹرکس اور ویکٹرز کا ضرب ہے۔ GPUs AI کی تربیت کو بہت تیز کیوں کر سکتے ہیں اس کی وجہ یہ ہے کہ ان کے ہارڈ ویئر آرکیٹیکچر ان بڑے پیمانے پر متوازی لکیری الجبرا آپریشنز کو مؤثر طریقے سے انجام دینے کے لیے انتہائی بہتر ہیں۔

2.4 ستون 3: حسابان اور اصلاح - سیکھنے کی منطق

AI کا سیکھنے کا عمل لازمی طور پر ایک ریاضاتی اصلاح کا مسئلہ ہے۔ مقصد ماڈل کے پیرامیٹرز (جیسے نیورل نیٹ ورک میں وزن اور تعصبات) کا ایک ایسا مجموعہ تلاش کرنا ہے جو ماڈل کی پیشن گوئیوں اور حقیقی جوابات کے درمیان فرق کو کم کرے۔ اس فرق کو نقصان فنکشن کے ذریعے مقدار میں دیا جاتا ہے۔

گریڈینٹ ڈیسنٹ: سیکھنے کا انجن

گریڈینٹ ڈیسنٹ اس مقصد کو حاصل کرنے کے لیے بنیادی الگورتھم ہے اور وہ انجن ہے جو تقریباً تمام جدید AI ماڈلز کے سیکھنے کو چلاتا ہے۔

• بنیادی خیال: گریڈینٹ ڈیسنٹ ایک تکراری اصلاح کا الگورتھم ہے جس کا مقصد نقصان فنکشن کا کم سے کم نقطہ تلاش کرنا ہے۔ اس عمل کا علامتی طور پر ایک ایسے شخص سے موازنہ کیا جا سکتا ہے جو گھنی دھند میں ایک پہاڑ سے نیچے اتر رہا ہو۔ وہ نہیں دیکھ سکتا کہ وادی کا سب سے نچلا مقام کہاں ہے، لیکن وہ اپنے پیروں کے نیچے زمین کی ڈھلوان کو محسوس کر سکتا ہے۔ سب سے معقول حکمت عملی یہ ہے کہ موجودہ پوزیشن پر کھڑی اترائی کی سمت میں ایک چھوٹا سا قدم اٹھایا جائے، اور پھر اس عمل کو دہرایا جائے۔

• مخصوص عمل:

  1. ابتدائی مرحلہ: سب سے پہلے، ماڈل کے پیرامیٹرز (وزن اور تعصبات) کا ایک ابتدائی مجموعہ تصادفی طور پر سیٹ کریں۔

  2. نقصان کا حساب لگائیں: ماڈل کو تربیت کے اعداد و شمار پر پیش گوئیاں کرنے کے لیے موجودہ پیرامیٹرز کا استعمال کریں، اور پیش گوئیوں اور حقیقی لیبلز کے درمیان کل ایرر (loss) کا حساب لگائیں۔

  3. گریڈینٹ کا حساب لگائیں: حسابان میں جزوی مشتقات کا استعمال کریں تاکہ ہر پیرامیٹر کے سلسلے میں نقصان فنکشن کا گریڈینٹ حساب کیا جا سکے۔ گریڈینٹ ایک ویکٹر ہے جو نقصان فنکشن کی قدر میں تیز ترین اضافے کی سمت میں اشارہ کرتا ہے۔

  4. پیرامیٹرز کو اپ ڈیٹ کریں: ہر پیرامیٹر کو اس کے گریڈینٹ کی مخالف سمت میں ایک چھوٹا سا قدم اٹھائیں۔ اس قدم کے سائز کو سیکھنے کی شرح نامی ایک ہائپرپیرامیٹر کے ذریعے کنٹرول کیا جاتا ہے (عام طور پر η کے طور پر اشارہ کیا جاتا ہے)۔ اپ ڈیٹ فارمولہ ہے: پیرامیٹر_نیا = پیرامیٹر_پرانا − η × گریڈینٹ۔

  5. دہرائیں: مسلسل اقدامات 2 سے 4 کو ہزاروں بار دہرائیں۔ ہر تکرار ماڈل کے پیرامیٹرز کو ٹھیک کرتا ہے، جس کی وجہ سے نقصان کی قدر آہستہ آہستہ کم ہوتی ہے۔ جب نقصان کی قدر میں نمایاں کمی نہیں ہوتی، تو الگورتھم ایک مقامی یا عالمی کم سے کم نقطہ پر "تبدیل" ہو جاتا ہے، اور سیکھنے کا عمل ختم ہو جاتا ہے۔

• الگورتھم کے مختلف قسمیں: ہر تکرار میں استعمال ہونے والے اعداد و شمار کی مقدار پر منحصر ہے، گریڈینٹ ڈیسنٹ کے بہت سے مختلف قسمیں ہیں، جیسے بیچ جی ڈی، اسٹاکسٹک جی ڈی (SGD)، اور منی بیچ جی ڈی، جو کمپیوٹیشنل کارکردگی اور تبادلوں کے استحکام کے درمیان مختلف تجارت بند فراہم کرتے ہیں۔

ریاضی وہ متحد زبان ہے جو تمام جدید AI نمونوں کو جوڑتی ہے۔ چاہے یہ سادہ لکیری تخمین ہو، پیچیدہ سپورٹ ویکٹر مشینیں ہوں، یا بہت بڑے گہرے نیورل نیٹ ورکس، ان کے سیکھنے کی بنیادی منطق مشترک ہے: ایک ماڈل کی وضاحت کریں، ایک نقصان فنکشن کی وضاحت کریں، اور پھر ایک اصلاح الگورتھم (جیسے گریڈینٹ ڈیسنٹ) کا استعمال کریں تاکہ ان پیرامیٹرز کو تلاش کیا جا سکے جو نقصان فنکشن کو کم کریں۔ "نقصان کو کم سے کم کرنے" پر مبنی یہ ریاضاتی فریم ورک وہ حقیقی بنیادی منطق ہے کہ مشینیں ڈیٹا سے کیسے سیکھتی ہیں۔

AI کی ریاضاتی منطق روایتی پروگرامنگ کی منطق سے بنیادی تبدیلی کو بھی نشان زد کرتی ہے۔ روایتی پروگرامنگ قطعی اور ٹھیک ہے۔ دوسری طرف، AI، امکانی اور تخمینی ہے۔ جیسا کہ تحقیق نے دکھایا ہے، AI کا مقصد عام طور پر ثابت شدہ کامل حل تلاش کرنا نہیں ہوتا ہے (جو کہ پیچیدہ حقیقی دنیا کے مسائل کے لیے اکثر ناممکن ہوتا ہے)، بلکہ ایک تخمینی حل تلاش کرنا ہے جو "کافی اچھا" ہو۔ AI کی "بلیک باکس" خصوصیت اس تبدیلی کا براہ راست نتیجہ ہے۔ ہم اس کے نقصان یا درستگی کا جائزہ لے کر کیا یہ مؤثر ہے اس کی پیمائش کر سکتے ہیں، لیکن یہ بتانا مشکل ہے کہ یہ قدم بہ قدم واضح منطق کے ساتھ کیسے کام کرتا ہے، جیسا کہ ہم روایتی الگورتھم کے ساتھ کر سکتے ہیں۔ اس کی وجہ یہ ہے کہ AI کا "حل" انسانی طور پر قابل فہم قواعد کا ایک مجموعہ نہیں ہے، بلکہ درست عددی پیرامیٹرز کے لاکھوں کے ذریعے انکوڈ کیا گیا ایک اعلی جہتی پیچیدہ فنکشن ہے۔ اس کی موروثی "منطق" سیمنٹک قواعد کے بجائے نقصان فنکشن کے ذریعہ تشکیل دی گئی کثیر جہتی جگہ کی جیومیٹری شکل میں مجسم ہے۔

حصہ سوم: سیکھنے کا طریقہ کار - AI نالج کیسے حاصل کرتا ہے

بنیادی ریاضاتی اصولوں پر مبنی، AI نے تین بنیادی سیکھنے کی حکمت عملییں تیار کی ہیں، یا "سیکھنے کا طریقہ کار"۔ ان طریقوں کو تربیت کے دوران AI نظام کے لیے دستیاب ڈیٹا اور فیڈ بیک سگنلز کی اقسام کی بنیاد پر درجہ بندی کیا گیا ہے، یعنی: نگرانی شدہ سیکھنا، غیر نگرانی شدہ سیکھنا، اور کمک سیکھنا۔

3.1 نگرانی شدہ سیکھنا: ایک مشیر کے ساتھ سیکھنا

نگرانی شدہ سیکھنا مشین سیکھنے کا سب سے زیادہ استعمال ہونے والا طریقہ ہے۔

• بنیادی منطق: ماڈل ایک لیبل شدہ ڈیٹا سیٹ سے سیکھتا ہے۔ اس ڈیٹا سیٹ میں، ہر ان پٹ نمونے کو صحیح آؤٹ پٹ جواب کے ساتھ واضح طور پر جوڑا جاتا ہے۔ یہ عمل ایک طالب علم کی طرح ہے جو معیاری جوابات کے ساتھ مشقوں کے ایک سیٹ کے ساتھ امتحان کی تیاری کر رہا ہے۔
• سیکھنے کا عمل: ماڈل ایک ఇన్పుట్