اتنی ہی تیزی سے چلنے والی صنعت کو برقرار رکھنا اے آئی ایک لمبا حکم ہے. لہذا جب تک کہ کوئی AI آپ کے لیے یہ کام نہیں کر سکتا، یہاں مشین لرننگ کی دنیا کی حالیہ کہانیوں کا ایک آسان راؤنڈ اپ ہے، اس کے ساتھ قابل ذکر تحقیق اور تجربات جن کا ہم نے خود احاطہ نہیں کیا ہے۔
اس ہفتے AI میں، OpenAI نے اپنے پہلے اعلیٰ تعلیم کے صارف: ایریزونا اسٹیٹ یونیورسٹی کو سائن اپ کیا۔
ASU کرے گا۔ تعاون OpenAI کے ساتھ ChatGPT، OpenAI کی AI سے چلنے والی چیٹ بوٹ کو یونیورسٹی کے محققین، عملے اور فیکلٹی تک پہنچانے کے لیے – فروری میں ایک کھلا چیلنج چلا رہا ہے تاکہ فیکلٹی اور عملے کو ChatGPT استعمال کرنے کے طریقوں کے لیے آئیڈیاز پیش کرنے کی دعوت دی جائے۔
OpenAI-ASU معاہدہ تعلیم میں AI کے ارد گرد بدلتی آراء کو واضح کرتا ہے کیونکہ ٹیک نصاب کے مقابلے میں تیزی سے ترقی کر سکتی ہے۔ پچھلی گرمیوں میں سکول اور کالج جلدی سرقہ اور غلط معلومات کے خوف سے چیٹ جی پی ٹی پر پابندی لگانا۔ تب سے، کچھ کے پاس ہے۔ الٹ ان کی پابندیاں، جبکہ دیگر نے GenAI ٹولز اور ان کے سیکھنے کی صلاحیت پر ورکشاپس کی میزبانی شروع کر دی ہے۔
تعلیم میں GenAI کے کردار پر بحث جلد ختم ہونے کا امکان نہیں ہے۔ لیکن – اس کے قابل ہے – میں اپنے آپ کو حامیوں کے کیمپ میں تیزی سے پاتا ہوں۔
ہاں، GenAI ایک ہے۔ غریب خلاصہ کرنے والا. یہ ہے متعصب اور زہریلا. یہ چیزیں بناتا ہے. لیکن اسے اچھے کے لیے بھی استعمال کیا جا سکتا ہے۔
غور کریں کہ ChatGPT جیسا ٹول ہوم ورک اسائنمنٹ کے ساتھ جدوجہد کرنے والے طلباء کی کس طرح مدد کر سکتا ہے۔ یہ ریاضی کے مسئلے کی مرحلہ وار وضاحت کر سکتا ہے یا مضمون کا خاکہ تیار کر سکتا ہے۔ یا یہ کسی ایسے سوال کا جواب دے سکتا ہے جس میں گوگل کو بہت زیادہ وقت لگے گا۔
اب، دھوکہ دہی پر معقول خدشات ہیں – یا کم از کم آج کے نصاب کی حدود میں دھوکہ دہی کو کیا سمجھا جا سکتا ہے۔ میں نے قصہ پارینہ طور پر طالب علموں کے بارے میں سنا ہے، خاص طور پر کالج کے طلباء، ChatGPT کا استعمال کرتے ہوئے کاغذات کے بڑے ٹکڑوں اور ٹیک ہوم ٹیسٹ پر مضمون کے سوالات لکھتے ہیں۔
یہ کوئی نیا مسئلہ نہیں ہے — ادا شدہ مضمون لکھنے کی خدمات زمانوں سے چلی آ رہی ہیں۔ لیکن ChatGPT ڈرامائی طور پر داخلے کی راہ میں رکاوٹ کو کم کرتا ہے، کچھ ماہرین تعلیم کا کہنا ہے۔
وہاں ہے۔ ثبوت یہ بتانے کے لیے کہ یہ خدشات ختم ہو گئے ہیں۔ لیکن اس کو ایک لمحے کے لیے ایک طرف رکھتے ہوئے، میں کہتا ہوں کہ ہم پیچھے ہٹتے ہیں اور اس بات پر غور کرتے ہیں کہ طالب علموں کو سب سے پہلے دھوکہ دینے کی وجہ کیا ہے۔ طلباء کو اکثر گریڈز کے لیے انعام دیا جاتا ہے، نہ کہ کوشش یا سمجھ۔ ترغیب کا ڈھانچہ بگڑ گیا ہے۔ تو کیا یہ کوئی تعجب کی بات ہے کہ بچے اسکول کی اسائنمنٹس کو سیکھنے کے مواقع کی بجائے چیک کرنے کے لیے بکس کے طور پر دیکھتے ہیں؟
لہذا طلباء کو GenAI حاصل کرنے دیں — اور اساتذہ کو اس نئی ٹیک سے فائدہ اٹھانے کے طریقے بتائیں تاکہ وہ طلباء تک پہنچ سکیں جہاں وہ ہیں۔ مجھے تعلیمی اصلاحات کی زیادہ امید نہیں ہے۔ لیکن شاید GenAI اسباق کے منصوبوں کے لیے ایک لانچ پیڈ کے طور پر کام کرے گا جو بچوں کو ایسے مضامین کے بارے میں پرجوش کرتے ہیں جو انہوں نے پہلے کبھی نہیں دریافت کیے ہوں گے۔
یہاں پچھلے کچھ دنوں سے قابل ذکر AI کہانیاں ہیں:
مائیکروسافٹ کے پڑھنے والے ٹیوٹر: مائیکروسافٹ نے اس ہفتے ریڈنگ کوچ بنایا، اس کا AI ٹول جو سیکھنے والوں کو ذاتی نوعیت کی پڑھنے کی مشق فراہم کرتا ہے، دستیاب مائیکروسافٹ اکاؤنٹ والے کسی کو بھی بغیر کسی قیمت کے۔
موسیقی میں الگورتھمک شفافیت: EU کے ریگولیٹرز میوزک اسٹریمنگ پلیٹ فارمز سے زیادہ الگورتھمک شفافیت کو مجبور کرنے کے لیے قوانین کا مطالبہ کر رہے ہیں۔ وہ AI سے تیار کردہ موسیقی اور ڈیپ فیکس سے بھی نمٹنا چاہتے ہیں۔
ناسا کے روبوٹ: ناسا نے حال ہی میں ایک خود کو جمع کرنے والا روبوٹک ڈھانچہ دکھایا جو ڈیوین لکھتے ہیں، ہو سکتا ہے کہ سیارے سے دور منتقل ہونے کا ایک اہم حصہ بن جائے۔
Samsung Galaxy، اب AI سے چلنے والا: Samsung کے Galaxy S24 لانچ ایونٹ میں، کمپنی نے مختلف طریقے پیش کیے جن سے AI اسمارٹ فون کے تجربے کو بہتر بنا سکتا ہے، بشمول کالز کے لیے لائیو ترجمہ کے ذریعے، تجویز کردہ جوابات اور اعمال اور اشاروں کا استعمال کرتے ہوئے گوگل سرچ کرنے کا ایک نیا طریقہ.
ڈیپ مائنڈ کا جیومیٹری حل کرنے والا: ڈیپ مائنڈ، گوگل اے آئی آر اینڈ ڈی لیب نے اس ہفتے الفا جیومیٹری کی نقاب کشائی کی، ایک اے آئی سسٹم جس کے لیب کے دعوے جیومیٹری کے مسائل کو حل کر سکتے ہیں جتنی اوسط بین الاقوامی ریاضی اولمپیاڈ گولڈ میڈلسٹ۔
اوپن اے آئی اور کراؤڈ سورسنگ: دیگر OpenAI خبروں میں، سٹارٹ اپ ایک نئی ٹیم، Collective Alignment تشکیل دے رہا ہے، تاکہ عوام کے خیالات کو عملی جامہ پہنایا جا سکے کہ اس کے مستقبل کے AI ماڈلز کو “انسانیت کی اقدار کے مطابق” کیسے یقینی بنایا جائے۔ ایک ہی وقت میں، یہ ہے اپنی پالیسی میں تبدیلی اپنی ٹیک کی فوجی ایپلی کیشنز کی اجازت دینے کے لیے۔ (مخلوط پیغام رسانی کے بارے میں بات کریں۔)
Copilot کے لیے ایک پرو پلان: مائیکروسافٹ نے AI سے چلنے والی، مواد پیدا کرنے والی ٹیکنالوجیز کے اپنے پورٹ فولیو کے لیے چھتری برانڈ، Copilot کے لیے ایک صارف پر مرکوز ادا شدہ منصوبہ شروع کیا ہے، اور انٹرپرائز سطح کے Copilot پیشکشوں کے لیے اہلیت کے تقاضوں کو ڈھیل دیا ہے۔ اس نے مفت صارفین کے لیے نئی خصوصیات بھی شروع کی ہیں، بشمول ایک Copilot اسمارٹ فون ایپ۔
گمراہ کن ماڈلز: زیادہ تر انسان دوسرے انسانوں کو دھوکہ دینے کا ہنر سیکھتے ہیں۔ تو کیا AI ماڈل بھی یہی سیکھ سکتے ہیں؟ ہاں، جواب لگتا ہے – اور خوفناک طور پر، وہ اس میں غیر معمولی طور پر اچھے ہیں۔ اے آئی اسٹارٹ اپ اینتھروپک کی ایک نئی تحقیق کے مطابق۔
ٹیسلا کا روبوٹکس ڈیمو اسٹیج کیا گیا: Tesla سے ایلون مسک کا Optimus humanoid روبوٹ مزید چیزیں کر رہا ہے – اس بار ترقیاتی سہولت میں ٹی شرٹ کو ٹیبل پر تہہ کر رہا ہے۔ لیکن جیسا کہ پتہ چلتا ہے، روبوٹ موجودہ مرحلے میں خود مختار کے علاوہ کچھ بھی نہیں ہے۔
مزید مشین لرننگ
AI سے چلنے والے سیٹلائٹ تجزیہ جیسی چیزوں کے وسیع تر اطلاقات کو روکنے والی چیزوں میں سے ایک یہ ہے کہ تربیتی ماڈلز کی ضرورت یہ ہے کہ وہ پہچان سکیں کہ کافی باطنی شکل یا تصور کیا ہو سکتا ہے۔ عمارت کے خاکہ کی شناخت کرنا: آسان۔ سیلاب کے بعد ملبے کے کھیتوں کی شناخت: اتنا آسان نہیں! ای پی ایف ایل میں سوئس محققین امید کر رہے ہیں کہ اس کے ساتھ ایسا کرنا آسان ہو جائے گا۔ ایک پروگرام جسے وہ METEOR کہتے ہیں۔
تصویری کریڈٹ: ای پی ایف ایل
“ماحولیاتی سائنس میں مسئلہ یہ ہے کہ ہماری تحقیقی ضروریات کے لیے AI پروگراموں کو تربیت دینے کے لیے کافی بڑا ڈیٹاسیٹ حاصل کرنا اکثر ناممکن ہوتا ہے،” مارک روورم نے کہا، جو پروجیکٹ کے رہنماؤں میں سے ایک ہے۔ تربیت کے لیے ان کا نیا ڈھانچہ ایک شناختی الگورتھم کو صرف چار یا پانچ نمائندہ تصاویر کے ساتھ نئے کام کے لیے تربیت دینے کی اجازت دیتا ہے۔ نتائج بہت زیادہ ڈیٹا پر تربیت یافتہ ماڈلز کے مقابلے ہیں۔ ان کا منصوبہ یہ ہے کہ سسٹم کو لیب سے پروڈکٹ تک UI کے ساتھ عام لوگوں (یعنی غیر AI-ماہر محققین) کو استعمال کرنے کے لیے گریجویٹ کریں۔ آپ پڑھ سکتے ہیں۔ کاغذ انہوں نے یہاں شائع کیا.
دوسری سمت جانا — منظر کشی کرنا — شدید تحقیق کا ایک شعبہ ہے، کیونکہ اسے مؤثر طریقے سے کرنے سے تخلیقی AI پلیٹ فارمز کے لیے حسابی بوجھ کو کم کیا جا سکتا ہے۔ سب سے عام طریقہ کو بازی کہا جاتا ہے، جو آہستہ آہستہ ایک خالص شور کے ذریعہ کو ہدف کی تصویر میں بہتر بناتا ہے۔ لاس الاموس نیشنل لیب کے پاس ہے۔ ایک نیا طریقہ جسے وہ بلیک آؤٹ ڈفیوژن کہتے ہیں۔، جو اس کے بجائے خالص سیاہ تصویر سے شروع ہوتا ہے۔
اس سے شروع ہونے کے لیے شور کی ضرورت ختم ہو جاتی ہے، لیکن اصل پیش رفت اس فریم ورک میں ہے جو مسلسل ہونے کی بجائے “مجرد جگہوں” میں ہو رہی ہے، جس سے کمپیوٹیشنل بوجھ کو بہت حد تک کم کیا جا رہا ہے۔ وہ کہتے ہیں کہ یہ اچھی کارکردگی کا مظاہرہ کرتا ہے، اور کم قیمت پر، لیکن یہ یقینی طور پر وسیع ریلیز سے بہت دور ہے۔ میں اس طریقہ کار کی تاثیر کا جائزہ لینے کے لیے اہل نہیں ہوں (ریاضی مجھ سے بہت آگے ہے) لیکن قومی لیبز بغیر کسی وجہ کے اس طرح کی باتیں کرنے کا رجحان نہیں رکھتیں۔ میں محققین سے مزید معلومات کے لیے پوچھوں گا۔
AI ماڈلز تمام قدرتی علوم میں پھیل رہے ہیں، جہاں شور سے سگنل نکالنے کی ان کی صلاحیت نئی بصیرت پیدا کرتی ہے اور گریڈ کے طلباء کے ڈیٹا انٹری کے اوقات میں پیسے بچاتی ہے۔
آسٹریلیا درخواست دے رہا ہے۔ Pano AI کی جنگلی آگ کا پتہ لگانے والی ٹیکنالوجی اس کے “سبز مثلث” تک، جنگلات کا ایک بڑا علاقہ۔ اسٹارٹ اپس کو اس طرح استعمال ہوتے دیکھنا پسند کرتے ہیں – یہ نہ صرف آگ کو روکنے میں مدد کرسکتا ہے، بلکہ یہ جنگلات اور قدرتی وسائل کے حکام کے لیے قیمتی ڈیٹا تیار کرتا ہے۔ ہر منٹ جنگل کی آگ (یا بش فائر، جیسا کہ وہ انہیں نیچے کہتے ہیں) کے ساتھ شمار ہوتا ہے، لہذا ابتدائی اطلاعات دسیوں اور ہزاروں ایکڑ کے نقصان کے درمیان فرق ہو سکتی ہیں۔
پرما فراسٹ کی کمی جیسا کہ پرانے ماڈل، بائیں، اور نئے ماڈل، دائیں سے ماپا جاتا ہے۔
لاس الاموس کا دوسرا تذکرہ ملتا ہے (میں نے اپنے نوٹوں کو دیکھتے ہی محسوس کیا) کیونکہ وہ ایک نئے اے آئی ماڈل پر بھی کام کر رہے ہیں۔ پرما فراسٹ کی کمی کا اندازہ لگانا. اس کے لیے موجودہ ماڈلز کم ریزولوشن کے حامل ہیں، جو ایک مربع میل کے تقریباً 1/3 حصوں میں پرما فراسٹ کی سطح کی پیش گوئی کرتے ہیں۔ یہ یقینی طور پر مفید ہے، لیکن مزید تفصیل کے ساتھ آپ کو ان علاقوں کے لیے کم گمراہ کن نتائج ملتے ہیں جو بڑے پیمانے پر 100% پرما فراسٹ کی طرح نظر آتے ہیں لیکن جب آپ قریب سے دیکھیں تو واضح طور پر اس سے کم ہیں۔ جیسا کہ موسمیاتی تبدیلی کی ترقی ہوتی ہے، یہ پیمائش درست ہونے کی ضرورت ہے!
ماہرین حیاتیات اس ڈومین کے بہت سے ذیلی شعبوں میں AI یا AI سے ملحقہ ماڈلز کی جانچ اور استعمال کرنے کے دلچسپ طریقے تلاش کر رہے ہیں۔ ایک حالیہ کانفرنس میں GeekWire پر میرے دوستوں نے لکھاپوسٹر سیشنز میں زیبرا، کیڑوں، حتیٰ کہ انفرادی خلیات کو ٹریک کرنے کے اوزار دکھائے جا رہے تھے۔
اور طبیعیات اور کیمسٹری کی طرف، Argonne NL محققین یہ دیکھ رہے ہیں کہ ایندھن کے طور پر استعمال کے لیے ہائیڈروجن کو کس طرح پیک کیا جائے۔ مفت ہائیڈروجن پر قابو پانا اور کنٹرول کرنا بدنام زمانہ مشکل ہے، لہٰذا اسے ایک خاص مددگار مالیکیول کے ساتھ باندھنا اس کو قابو میں رکھتا ہے۔ مسئلہ یہ ہے کہ ہائیڈروجن ہر چیز سے منسلک ہے، اس لیے مددگار مالیکیولز کے لیے اربوں اور اربوں امکانات موجود ہیں۔ لیکن ڈیٹا کے بڑے سیٹوں کے ذریعے چھانٹنا مشین لرننگ کی خاصیت ہے۔
پروجیکٹ کے حسن ہارب نے کہا کہ “ہم ایسے نامیاتی مائع مالیکیولز کی تلاش میں تھے جو طویل عرصے تک ہائیڈروجن کو پکڑے رہیں، لیکن اتنی مضبوطی سے نہیں کہ انہیں آسانی سے ڈیمانڈ پر ہٹایا جا سکے۔” ان کے نظام نے 160 بلین مالیکیولز کو ترتیب دیا۔، اور AI اسکریننگ کے طریقہ کار کو استعمال کرتے ہوئے وہ ایک سیکنڈ میں 3 ملین تک دیکھنے کے قابل تھے – لہذا مکمل حتمی عمل میں تقریباً آدھا دن لگا۔ (یقیناً، وہ کافی بڑا سپر کمپیوٹر استعمال کر رہے تھے۔) انہوں نے 41 بہترین امیدواروں کی نشاندہی کی، جو تجرباتی عملے کے لیے تجربہ گاہ میں ٹیسٹ کرنے کے لیے ایک چھوٹی سی تعداد ہے۔ امید ہے کہ انہیں کچھ کارآمد معلوم ہوا ہے — میں اپنی اگلی کار میں ہائیڈروجن لیکس سے نمٹنا نہیں چاہتا۔
احتیاط کے ایک لفظ پر ختم کرنے کے لئے، اگرچہ: سائنس میں ایک مطالعہ پتہ چلا کہ مشین لرننگ ماڈل یہ پیشین گوئی کرنے کے لیے استعمال ہوتے تھے کہ مریض کچھ علاج کے لیے کس طرح ردعمل ظاہر کریں گے انتہائی درست… دوسرے معاملات میں، انہوں نے بنیادی طور پر بالکل بھی مدد نہیں کی۔ اس کا مطلب یہ نہیں ہے کہ انہیں استعمال نہیں کیا جانا چاہیے، لیکن یہ اس بات کی حمایت کرتا ہے جو کاروبار میں بہت سے لوگ کہتے رہے ہیں: AI سلور بلٹ نہیں ہے، اور اسے ہر نئی آبادی اور اطلاق میں اچھی طرح سے جانچا جانا چاہیے۔ کو
Source link
techcrunch.com