سوال:
پردے کے پیچھے اتنی مشین سیکھنے کیوں ہے - عام صارف کی نظر سے باہر؟
A:مشین سیکھنے کے بارے میں یہ بنیادی سوال یہ پیچیدہ پروگرام کس طرح کام کرتے ہیں ، اور آج کی معیشت میں ان کا کیا کردار ہے اس کے بہت سے مختلف پہلوؤں کو مدنظر رکھتے ہیں۔
مشین لرننگ سسٹم کی نمایاں کمی کی وضاحت کرنے کا ایک آسان ترین طریقہ یہ ہے کہ ان کو چھپانا آسان ہے۔ یہ بیک انڈ سسٹم سفارش انجنوں اور بہت کچھ کے پیچھے گھومتے ہیں ، جس سے صارفین یہ بھول سکتے ہیں کہ مشین مشین سیکھنے کو بالکل نہیں چل رہا ہے۔ سبھی صارفین جانتے ہیں ، کچھ انسان نفیس نیٹ ورک چلانے والے نفیس الگورتھم کی بجائے احتیاط سے انتخاب کا انتخاب کر سکتے ہیں۔
اس کے علاوہ ، مشین سیکھنے کے سلسلے میں سیسٹیمیٹک تعلیم کی بھی کمی ہے ، جزوی اس لئے کہ یہ اتنا نیا ہے ، اور اس کی ایک وجہ مجموعی طور پر اسٹیم کی تربیت میں سرمایہ کاری کی کمی ہے۔ ایسا لگتا ہے کہ ایک معاشرے کی حیثیت سے ہم عام طور پر کسی اہم تفصیل سے ٹکنالوجی کے بارے میں جاننے کے ل key ، اور اپنی آبادی کے "ٹیکنولوجیکل پجاری" بننے کے ل select کلیدی افراد کا انتخاب کرتے ہیں۔ ایک وسیع اسپیکٹرم حکمت عملی یہ ہوگی کہ ہائی اسکولوں میں سیکنڈری سطح پر تفصیلی مشین لرننگ اور ٹکنالوجی انسٹرکشن کو کورس کے طور پر شامل کیا جائے۔
ایک اور مسئلہ مشین سیکھنے کے آس پاس قابل زبان کی کمی ہے۔ جرگون بہت زیادہ ہے - خود الگورتھم کے لیبلوں سے لے کر ، چالو کرنے کے افعال تک جو مصنوعی نیوران کو طاقت دیتے ہیں اور اس کے نتیجے میں اعصابی نیٹ ورک ہوتے ہیں۔ ایک اور عمدہ مثال جامع اعصابی نیٹ ورک - پیڈنگ اور اسٹرائڈنگ اور زیادہ سے زیادہ پولنگ اور بہت کچھ میں پرتوں کا لیبل لگانا ہے۔ شاید ہی کوئی ان شرائط کا کیا معنی سمجھے ، اور اس کی وجہ سے مشین سیکھنے میں مزید بہتری ہوجائے۔
خود الگورتھم ریاضی دانوں کی پارلیمنٹ میں سوار ہوگئے ہیں۔ جدید اور کلاسیکی طبیعیات کی طرح ، ان مضامین کے طلبا کو الگورتھم کے افعال کو سادہ زبان میں ڈالنے کے بجائے ، پیچیدہ مساوات کو پڑھنے کے فن میں مہارت حاصل کرنی چاہئے۔ یہ مشین سیکھنے کی معلومات کو بہت کم قابل رسائی بنانے میں بھی کام کرتا ہے۔
آخر میں ، "بلیک باکس" کا مسئلہ موجود ہے جہاں انجینئر بھی واقعی میں نہیں سمجھتے کہ مشین سیکھنے کے کتنے پروگرام کام کرتے ہیں۔ جیسا کہ ہم نے اس الگورتھم کی پیچیدگی اور صلاحیت کو چھوٹا کیا ہے ، ہم نے جانچ پڑتال اور تجزیاتی نتائج تک شفافیت اور آسان رسائی کی قربانی دی ہے۔ اس کو ذہن میں رکھتے ہوئے ، آپریشنل مشین لرننگ اور مصنوعی ذہانت کو قابل رسائی رکھتے ہوئے اور پیداواری ماحول میں ناخوشگوار حیرت سے بچنے کے لئے یہ پروگرام کس طرح کام کرتے ہیں اس پر قابو پانے کے لئے ، قابل وضاحت AI کی طرف ایک بہت بڑی تحریک ہے۔
ان سبھی کی وضاحت کرنے میں مدد ملتی ہے ، اگرچہ آج کل کی ٹیکنک دنیا میں مشین لرننگ تیزی سے بڑھ رہی ہے ، لیکن اکثر ایسا ہوتا ہے کہ "نظروں سے باہر ، ذہن سے باہر"۔
