سوال:
ڈیٹا سائنسدانوں کے لئے شفافیت کا حصول کیوں ضروری ہے؟
A:شفافیت ڈیٹا سائنس پروجیکٹس اور مشین لرننگ پروگراموں میں بنیادی طور پر ضروری ہے ، جو جزوی طور پر ان کو چلانے والی پیچیدگیوں اور نفاست کی وجہ سے ہے - کیونکہ یہ پروگرام پہلے سے طے شدہ لکیری پروگرامنگ ہدایات پر عمل کرنے کی بجائے "سیکھنے" (امکانی نتیجہ پیدا کرنے) کی حیثیت رکھتے ہیں ، اور کیوں کہ اس کے نتیجے میں ، یہ سمجھنا مشکل ہوسکتا ہے کہ ٹیکنالوجی کس طرح نتائج پر پہنچ رہی ہے۔ مشین سیکھنے کے الگورتھم کا "بلیک باکس" مسئلہ جو انسانی فیصلہ سازوں کے لئے مکمل طور پر قابل فہم نہیں ہے اس شعبے میں ایک بہت بڑا مسئلہ ہے۔
اس بات کو ذہن میں رکھتے ہوئے ، وضاحتی مشین لرننگ میں مہارت حاصل کرنے کے قابل ہونا یا "قابل تعی AIق AI" ممکنہ طور پر اس میں بنیادی توجہ ہوگی کہ کمپنیاں ڈیٹا سائنس دان کے ل talent قابلیت کے حصول کی پیروی کیسے کرتی ہیں۔ پہلے ہی ڈارپا ، وہ ادارہ جس نے ہمیں انٹرنیٹ لایا ، اے آئی میں قابل فہم AI میں ملٹی ملین ڈالر کے مطالعہ کی مالی اعانت فراہم کررہا ہے ، جو مشینوں کے سیکھنے اور مصنوعی ذہانت کی ٹکنالوجیوں کو تخلیق کرنے کے لئے درکار مہارتوں اور وسائل کو فروغ دینے کی کوشش کر رہا ہے جو انسانوں کے لئے شفاف ہیں۔
اس کے بارے میں سوچنے کا ایک طریقہ یہ ہے کہ اکثر ٹیلنٹ کی نشوونما کا ایک "خواندگی کا مرحلہ" ہوتا ہے اور "ہائپرلائٹریسی مرحلہ" ہوتا ہے۔ ڈیٹا سائنسدان کے لئے ، روایتی خواندگی کا مرحلہ یہ جانتا ہو گا کہ مشین لرننگ کے پروگراموں کو کس طرح جوڑنا ہے اور کس طرح تشکیل دینا ہے۔ ازگر جیسی زبانوں کے ساتھ الگورتھم؛ عصبی نیٹ ورک کی تعمیر اور ان کے ساتھ کام کرنے کا طریقہ۔ ہائپر لٹریسی مرحلے میں قابل وضاحت AI کو مہارت حاصل کرنے کی صلاحیت ہوگی ، مشین لرننگ الگورتھم کے استعمال میں شفافیت مہی transparencyا کرنے اور شفافیت کو برقرار رکھنے کے لئے کیونکہ یہ پروگرام اپنے اہداف اور اپنے ہینڈلرز کے اہداف کی سمت کام کرتے ہیں۔
ڈیٹا سائنس میں شفافیت کی اہمیت کو سمجھانے کا ایک اور طریقہ یہ ہے کہ جو ڈیٹا سیٹ استعمال ہورہے ہیں وہ مزید نفیس بنتے رہتے ہیں ، اور اسی وجہ سے لوگوں کی زندگیوں میں مزید دخل اندازی ہوتی ہے۔ قابل تفریح مشین سیکھنے اور ڈیٹا سائنس کا ایک اور اہم ڈرائیور یوروپی جنرل ڈیٹا پروٹیکشن ریگولیشن ہے جو ذاتی اعداد و شمار کے غیر اخلاقی استعمال کو روکنے کے لئے حال ہی میں نافذ کیا گیا تھا۔ جی ڈی پی آر کو ٹیسٹ کیس کے طور پر استعمال کرتے ہوئے ، ماہرین دیکھ سکتے ہیں کہ ڈیٹا سائنس پروجیکٹس کی وضاحت کرنے کی ضرورت رازداری اور سیکیورٹی خدشات کے ساتھ ساتھ کاروباری اخلاقیات میں کس حد تک فٹ بیٹھتی ہے۔
