ویکٹر ایمبیڈنگز کیا ہیں؟ | TechTarget سے تعریف

ویکٹر ایمبیڈنگز کیا ہیں؟

ویکٹر ایمبیڈنگز عددی نمائندگی ہیں جو الفاظ، جملے اور ڈیٹا کی دیگر اقسام کے تعلقات اور معنی کو پکڑتی ہیں۔ ویکٹر ایمبیڈنگ کے ذریعے، کسی چیز کی ضروری خصوصیات یا خصوصیات کو اعداد کی ایک جامع اور منظم صف میں ترجمہ کیا جاتا ہے، جس سے کمپیوٹر کو تیزی سے معلومات کی بازیافت میں مدد ملتی ہے۔ ملٹی ڈائمینشنل اسپیس میں پوائنٹس میں ترجمہ ہونے کے بعد ملتے جلتے ڈیٹا پوائنٹس کو ایک دوسرے کے قریب کلسٹر کیا جاتا ہے۔

ایپلی کیشنز کی ایک وسیع رینج میں استعمال کیا جاتا ہے، خاص طور پر قدرتی زبان کی پروسیسنگ میں (ینیلپی) اور مشین لرننگ (ML)، ویکٹر ایمبیڈنگز مماثلت کے موازنہ، کلسٹرنگ اور درجہ بندی جیسے کاموں کے لیے ڈیٹا کو ہیرا پھیری اور اس پر کارروائی کرنے میں مدد کرتی ہیں۔ مثال کے طور پر، ٹیکسٹ ڈیٹا کو دیکھتے وقت، الفاظ جیسے بلی اور کٹی ان کے خط کی ساخت میں فرق کے باوجود ایک جیسے معنی بیان کرتے ہیں۔ مؤثر سیمینٹک تلاش عین مطابق نمائندگیوں پر انحصار کرتی ہے جو شرائط کے درمیان اس معنیاتی مماثلت کو مناسب طور پر گرفت میں لے لیتی ہے۔

[سرایت مواد]

کیا سرایت اور ویکٹر ایک ہی چیز ہیں؟

اصطلاحات ویکٹر اور سرایت ویکٹر ایمبیڈنگ کے تناظر میں ایک دوسرے کے ساتھ استعمال کیا جا سکتا ہے۔ وہ دونوں عددی اعداد و شمار کی نمائندگی کا حوالہ دیتے ہیں جس میں ہر ایک ڈیٹا پوائنٹ ایک اعلی جہتی جگہ میں ایک ویکٹر کے طور پر پیش کیا جاتا ہے۔

ویکٹر سے مراد ایک متعین جہت کے ساتھ اعداد کی ایک صف ہے، جب کہ ویکٹر ایمبیڈنگز ان ویکٹرز کو مسلسل جگہ میں ڈیٹا پوائنٹس کی نمائندگی کرنے کے لیے استعمال کرتی ہیں۔

ایمبیڈنگز اہم معلومات، معنوی روابط، سیاق و سباق کی خصوصیات یا تربیتی الگورتھم کے ذریعے سیکھے گئے ڈیٹا کی منظم نمائندگی کو حاصل کرنے کے لیے ویکٹر کے طور پر ڈیٹا کو ظاہر کرنے کا حوالہ دیتے ہیں یا مشین سیکھنے کے ماڈل.

ویکٹر ایمبیڈنگز کی اقسام

ویکٹر ایمبیڈنگز مختلف شکلوں میں آتی ہیں، ہر ایک مختلف قسم کے ڈیٹا کی نمائندگی کرنے کے لیے ایک الگ فنکشن کے ساتھ۔ ذیل میں ویکٹر ایمبیڈنگز کی کچھ عام قسمیں ہیں:

• لفظ سرایت کرنا۔ لفظ سرایت ایک مسلسل جگہ میں انفرادی الفاظ کی ویکٹر نمائندگی ہیں۔ وہ اکثر کاموں میں الفاظ کے درمیان معنوی روابط کو حاصل کرنے کے لیے استعمال ہوتے ہیں جیسے جذبات تجزیہ، زبان کا ترجمہ اور الفاظ کی مماثلت۔
• جملے کی سرایت۔ مکمل جملوں کی ویکٹر کی نمائندگی کو جملہ ایمبیڈنگ کہتے ہیں۔ وہ جذبات کے تجزیہ، متن کی درجہ بندی اور معلومات کی بازیافت سمیت کاموں کے لیے مددگار ہیں کیونکہ وہ جملے کے معنی اور سیاق و سباق کو پکڑتے ہیں۔
• دستاویز سرایت کرنا۔ دستاویز ایمبیڈنگس پوری دستاویزات کی ویکٹر نمائندگی ہیں، جیسے مضامین یا رپورٹس۔ عام طور پر دستاویز کی مماثلت، کلسٹرنگ اور سفارشی نظام جیسے کاموں میں استعمال ہوتے ہیں، وہ دستاویز کے عمومی معنی اور مواد کو حاصل کرتے ہیں۔
• صارف پروفائل ویکٹر۔ یہ صارف کی ترجیحات، اعمال یا خصلتوں کی ویکٹر نمائندگی ہیں۔ وہ اس میں استعمال ہوتے ہیں۔ گاہک کا الگ ہونا، صارف کے مخصوص ڈیٹا کو جمع کرنے کے لیے ذاتی سفارشی نظام اور ٹارگٹڈ ایڈورٹائزنگ۔
• تصویری ویکٹر۔ یہ بصری اشیاء کی ویکٹر نمائندگی ہیں، جیسے کہ تصویریں یا ویڈیو فریم۔ وہ کاموں میں استعمال ہوتے ہیں جیسے اعتراض کی شناختبصری خصوصیات کو حاصل کرنے کے لیے تصویری تلاش اور مواد پر مبنی سفارشی نظام۔
• پروڈکٹ ویکٹر۔ مصنوعات یا اشیاء کو ویکٹر کے طور پر پیش کرتے ہوئے، یہ مصنوعات کی تلاش، مصنوعات کی درجہ بندی اور سفارشی نظاموں میں مصنوعات کے درمیان خصوصیات اور مماثلتوں کو جمع کرنے کے لیے استعمال ہوتے ہیں۔
• صارف پروفائل ویکٹر۔ صارف پروفائل ویکٹر صارف کی ترجیحات، اعمال یا خصلتوں کی نمائندگی کرتے ہیں۔ ان کا استعمال صارف کی تقسیم، ذاتی تجویز کے نظام اور میں کیا جاتا ہے۔ ھدف بنائے گئے اشتہارات صارف کے لیے مخصوص ڈیٹا اکٹھا کرنے کے لیے۔

ویکٹر ایمبیڈنگز کیسے بنتی ہیں؟

ویکٹر ایمبیڈنگز ML اپروچ کا استعمال کرتے ہوئے تیار کی جاتی ہیں جو ڈیٹا کو عددی ویکٹر میں تبدیل کرنے کے لیے ایک ماڈل کو تربیت دیتی ہے۔ عام طور پر، ایک گہری مجاز اعصابی نیٹ ورک اس قسم کے ماڈلز کو تربیت دینے کے لیے استعمال کیا جاتا ہے۔ نتیجے میں سرایت کرنے والے اکثر گھنے ہوتے ہیں — تمام اقدار غیر صفر ہیں — اور اعلی جہتی — 2,000 جہتوں تک۔ مشہور ماڈل جیسے Word2Vec، GLoVE اور برٹ ٹیکسٹ ڈیٹا کے لیے الفاظ، جملے یا پیراگراف کو ویکٹر ایمبیڈنگ میں تبدیل کریں۔

مندرجہ ذیل اقدامات عمل میں عام طور پر شامل ہیں:

1. ایک بڑا ڈیٹا سیٹ جمع کریں۔ مخصوص ڈیٹا کے زمرے کو حاصل کرنے والا ڈیٹا سیٹ جس کے لیے سرایت کرنا مقصود ہے — چاہے اس کا تعلق متن یا تصاویر سے ہو — کو جمع کیا جاتا ہے۔
2. ڈیٹا کو پہلے سے پروسیس کریں۔ ڈیٹا کی قسم پر منحصر ہے، صفائی، تیاری اور ڈیٹا پری پروسیسنگ شور کو ختم کرنا، تصاویر کا سائز تبدیل کرنا، متن کو معمول پر لانا اور اضافی کارروائیاں کرنا شامل ہیں۔
3. ماڈل کو تربیت دیں۔ ڈیٹا میں روابط اور نمونوں کی شناخت کرنے کے لیے، ماڈل کو ڈیٹا سیٹ کا استعمال کرتے ہوئے تربیت دی جاتی ہے۔ ہدف اور پیشن گوئی ویکٹر کے درمیان تفاوت کو کم کرنے کے لیے، تربیتی مرحلے کے دوران پہلے سے تربیت یافتہ ماڈل کے پیرامیٹرز کو تبدیل کیا جاتا ہے۔
4. ویکٹر ایمبیڈنگز بنائیں۔ تربیت کے بعد، ماڈل تازہ اعداد و شمار کو عددی ویکٹر میں تبدیل کر سکتا ہے، ایک بامعنی اور ساختی نمائندگی پیش کرتا ہے جو اصل ڈیٹا کی معنوی معلومات کو مؤثر طریقے سے سمیٹتا ہے۔

ویکٹر ایمبیڈنگز ڈیٹا کی وسیع اقسام کے لیے بنائے جا سکتے ہیں، بشمول ٹائم سیریز ڈیٹا، ٹیکسٹ، تصاویر، آڈیو، تین جہتی (3D) ماڈل اور ویڈیو. ایمبیڈنگز کے بننے کے طریقے کی وجہ سے، ایک جیسے سیمنٹکس والی اشیاء میں ویکٹر اسپیس میں ویکٹر ہوں گے جو ایک دوسرے کے قریب ہوں گے۔

ویکٹر ایمبیڈنگز کہاں محفوظ ہیں؟

ویکٹر ایمبیڈنگز کو خصوصی ڈیٹا بیس کے اندر محفوظ کیا جاتا ہے جسے جانا جاتا ہے۔ ویکٹر ڈیٹا بیس. یہ ڈیٹا بیس ڈیٹا کی خصوصیات کی اعلی جہتی ریاضیاتی نمائندگی ہیں۔ معیاری اسکیلر پر مبنی ڈیٹا بیس یا آزاد ویکٹر انڈیکس کے برعکس، ویکٹر ڈیٹا بیس پیمانے پر ویکٹر ایمبیڈنگز کو ذخیرہ کرنے اور بازیافت کرنے کے لیے مخصوص افادیت فراہم کرتے ہیں۔ وہ ویکٹر کی تلاش کے افعال کے لیے بڑی مقدار میں ڈیٹا کو مؤثر طریقے سے ذخیرہ کرنے اور بازیافت کرنے کی صلاحیت پیش کرتے ہیں۔

ویکٹر ڈیٹا بیس میں کئی اہم اجزاء شامل ہیں، بشمول کارکردگی اور غلطی کی رواداری. اس بات کو یقینی بنانے کے لیے کہ ویکٹر ڈیٹا بیس غلطی سے روادار ہیں، نقل اور شارڈنگ تکنیک کا استعمال کیا جاتا ہے. نقل متعدد نوڈس میں ڈیٹا کی کاپیاں تیار کرنے کا عمل ہے، جبکہ شارڈنگ ڈیٹا کو کئی نوڈس پر تقسیم کرنے کا عمل ہے۔ یہ غلطی رواداری اور بلاتعطل کارکردگی فراہم کرتا ہے یہاں تک کہ اگر کوئی نوڈ ناکام ہوجاتا ہے۔

ویکٹر ڈیٹا بیس مشین لرننگ اور مصنوعی ذہانت (AI) ایپلی کیشنز، جیسا کہ وہ انتظام کرنے میں مہارت رکھتے ہیں۔ غیر ساختہ اور نیم ساختہ ڈیٹا.

ویکٹر ایمبیڈنگز کی ایپلی کیشنز

مختلف صنعتوں میں ویکٹر ایمبیڈنگ کے کئی استعمال ہیں۔ ویکٹر ایمبیڈنگ کی عام ایپلی کیشنز میں درج ذیل شامل ہیں:

• سفارشی نظام۔ Netflix اور Amazon سمیت صنعتی کمپنیوں کے سفارشی نظاموں میں ویکٹر ایمبیڈنگز ایک اہم کردار ادا کرتے ہیں۔ یہ سرایت تنظیموں کو صارفین اور آئٹمز کے درمیان مماثلت کا حساب لگانے دیتی ہے، صارف کی ترجیحات اور آئٹم کی خصوصیات کو ویکٹر میں ترجمہ کرتی ہے۔ یہ عمل انفرادی صارف کے ذوق کے مطابق ذاتی نوعیت کی تجاویز کی فراہمی میں مدد کرتا ہے۔
• تلاش کار. تلاش کے انجن معلومات کی بازیافت کی تاثیر اور کارکردگی کو بہتر بنانے کے لیے بڑے پیمانے پر ویکٹر ایمبیڈنگز کا استعمال کریں۔ چونکہ ویکٹر ایمبیڈنگز کلیدی الفاظ کی مماثلت سے بالاتر ہیں، اس لیے وہ سرچ انجنوں کو الفاظ اور جملوں کے معنی کی تشریح کرنے میں مدد کرتے ہیں۔ یہاں تک کہ جب قطعی فقرے مماثل نہیں ہوتے ہیں، تب بھی سرچ انجن ایسے دستاویزات یا دیگر معلومات کو تلاش اور بازیافت کرسکتے ہیں جو سیمینٹک اسپیس میں الفاظ کو ویکٹر کے طور پر ماڈلنگ کرکے سیاق و سباق کے لحاظ سے متعلقہ ہوں۔
• چیٹ بوٹس اور سوال جواب دینے کے نظام۔ ویکٹر ایمبیڈنگ امداد چیٹ بوٹس اور تخلیقی AI پر مبنی سوال جواب دینے والے نظام انسانوں جیسے ردعمل کی تفہیم اور پیداوار میں۔ متن کے سیاق و سباق اور معنی کو گرفت میں لے کر، ایمبیڈنگز چیٹ بوٹس کو صارف کے استفسارات کا بامعنی اور منطقی انداز میں جواب دینے میں مدد کرتی ہیں۔ مثال کے طور پر، زبان کے ماڈل اور AI چیٹ بوٹس، بشمول GPT-4 اور تصویری پروسیسرز جیسے Dall-E2نے انسانوں کی طرح کی گفتگو اور ردعمل پیدا کرنے کے لیے بہت مقبولیت حاصل کی ہے۔
• دھوکہ دہی کا پتہ لگانا اور آؤٹ لیر کا پتہ لگانا۔ ویکٹر ایمبیڈنگز کو ویکٹر کے درمیان مماثلت کا اندازہ لگا کر بے ضابطگیوں یا دھوکہ دہی کی سرگرمیوں کا پتہ لگانے کے لیے استعمال کیا جا سکتا ہے۔ غیر معمولی نمونوں کی شناخت سرایت اور پن پوائنٹ کے درمیان فاصلے کا جائزہ لے کر کی جاتی ہے۔ outliers.
• ڈیٹا پری پروسیسنگ۔ تبدیل کرنا۔ غیر پروسیس شدہ ڈیٹا کو ایک فارمیٹ میں جو ML کے لیے موزوں ہے۔ اور ڈیپ لرننگ ماڈلز، ایمبیڈنگز ڈیٹا پری پروسیسنگ سرگرمیوں میں استعمال ہوتے ہیں۔ الفاظ کی سرایت، مثال کے طور پر، الفاظ کو ویکٹر کے طور پر پیش کرنے کے لیے استعمال کیا جاتا ہے، جو ٹیکسٹ ڈیٹا کی پروسیسنگ اور تجزیہ میں سہولت فراہم کرتا ہے۔
• ایک شاٹ اور زیرو شاٹ لرننگ۔ ون شاٹ اور زیرو شاٹ لرننگ ویکٹر ایمبیڈنگ کے طریقے ہیں جو مشین لرننگ ماڈلز کو نئی کلاسوں کے نتائج کی پیشین گوئی کرنے میں مدد کرتے ہیں، یہاں تک کہ جب محدود لیبل والے ڈیٹا کی فراہمی کی گئی ہو۔ ایمبیڈنگز میں شامل معنوی معلومات کا استعمال کرکے ماڈلز تربیتی مثالوں کی ایک چھوٹی سی تعداد کے ساتھ بھی پیشین گوئیوں کو عام اور پیدا کرسکتے ہیں۔
• معنوی مماثلت اور کلسٹرنگ۔ ویکٹر ایمبیڈنگز یہ اندازہ لگانا آسان بناتی ہیں کہ ایک اعلیٰ جہتی ماحول میں دو اشیاء کتنی ملتی جلتی ہیں۔ اس سے ان کے سرایت کی بنیاد پر متعلقہ چیزوں کی کمپیوٹنگ سیمنٹک مماثلت، کلسٹرنگ اور اسمبلنگ جیسے آپریشنز کرنا ممکن ہو جاتا ہے۔

کس قسم کی چیزیں سرایت کر سکتی ہیں؟

ویکٹر ایمبیڈنگز کا استعمال کرتے ہوئے بہت سی مختلف قسم کی اشیاء اور ڈیٹا کی اقسام کی نمائندگی کی جا سکتی ہے۔ عام قسم کی چیزیں جو سرایت کر سکتی ہیں ان میں درج ذیل شامل ہیں:

متن

الفاظ، جملے یا دستاویزات کو ٹیکسٹ ایمبیڈنگ کا استعمال کرتے ہوئے ویکٹر کے طور پر پیش کیا جاتا ہے۔ این ایل پی کے کام - بشمول جذبات کا تجزیہ، معنوی تلاش اور زبان کا ترجمہ - کثرت سے ایمبیڈنگز کا استعمال کرتے ہیں۔

یونیورسل سینٹنس انکوڈر سب سے زیادہ مقبول اوپن سورس ایمبیڈنگ ماڈلز میں سے ایک ہے اور یہ انفرادی جملوں اور پورے متن کے ٹکڑوں کو مؤثر طریقے سے انکوڈ کر سکتا ہے۔

تصاویر

تصویری سرایت تصویروں کی بصری خصوصیات کو ویکٹر کے طور پر گرفت اور نمائندگی کرتی ہے۔ ان کے استعمال کے معاملات میں آبجیکٹ کی شناخت، تصویر کی درجہ بندی اور ریورس امیج سرچ شامل ہیں، جسے اکثر کہا جاتا ہے۔ تصویر کے ذریعے تلاش کریں۔.

تصویری سرایت کو بصری تلاش کی صلاحیتوں کو فعال کرنے کے لیے بھی استعمال کیا جا سکتا ہے۔ ڈیٹابیس امیجز سے ایمبیڈنگز نکال کر، صارف بصری طور پر ملتے جلتے مماثلتوں کو تلاش کرنے کے لیے ڈیٹا بیس کی تصاویر کے ایمبیڈنگز کے ساتھ استفسار کی تصویر کی ایمبیڈنگز کا موازنہ کر سکتا ہے۔ یہ عام طور پر استعمال کیا جاتا ہے ای کامرس ایپس، جہاں صارف ملتے جلتے پروڈکٹس کی تصاویر اپ لوڈ کر کے آئٹمز تلاش کر سکتے ہیں۔

گوگل لینس ایک تصویر تلاش کرنے والی ایپلی کیشن ہے جو کیمرے کی تصاویر کا بصری طور پر ملتی جلتی مصنوعات سے موازنہ کرتی ہے۔ مثال کے طور پر، اس کا استعمال انٹرنیٹ پروڈکٹس سے ملنے کے لیے کیا جا سکتا ہے جو جوتے کے جوڑے یا لباس کے ٹکڑے سے ملتے جلتے ہیں۔

آڈیو

آڈیو ایمبیڈنگز آڈیو سگنلز کی ویکٹر نمائندگی ہیں۔ ویکٹر ایمبیڈنگز سمعی خصوصیات کو حاصل کرتی ہیں، جس سے سسٹم آڈیو ڈیٹا کی زیادہ مؤثر طریقے سے تشریح کرتے ہیں۔ مثال کے طور پر، آڈیو ایمبیڈنگز کو موسیقی کی سفارشات، صنف کی درجہ بندی، آڈیو مماثلت کی تلاش، تقریر کی شناخت اور اسپیکر کی تصدیق کے لیے استعمال کیا جا سکتا ہے۔

جب کہ AI کو مختلف قسم کے ایمبیڈنگز کے لیے استعمال کیا جا رہا ہے، آڈیو AI کو ٹیکسٹ یا امیج AI کے مقابلے میں کم توجہ ملی ہے۔ گوگل اسپیچ ٹو ٹیکسٹ اور اوپنائی وسپر آڈیو ایمبیڈنگ ایپلی کیشنز ہیں جو کال سینٹرز، میڈیکل ٹیکنالوجی، ایکسیسبیلٹی اور اسپیچ ٹو ٹیکسٹ ایپلی کیشنز جیسی تنظیموں میں استعمال ہوتی ہیں۔

گرافکس

گراف ایمبیڈنگز گراف میں نوڈس اور کناروں کی نمائندگی کرنے کے لیے ویکٹر کا استعمال کرتی ہیں۔ وہ ہیں گراف کے تجزیات سے متعلق کاموں میں استعمال کیا جاتا ہے۔ جیسے لنک کی پیشن گوئی، کمیونٹی کی شناخت اور سفارشی نظام۔

ہر نوڈ ایک ہستی کی نمائندگی کرتا ہے، جیسے کہ ایک شخص، ایک ویب صفحہ یا ایک پروڈکٹ اور ہر کنارہ اس لنک یا کنکشن کی علامت ہے جو ان اداروں کے درمیان موجود ہے۔ یہ ویکٹر ایمبیڈنگز دوستوں کی سفارش کرنے سے لے کر سب کچھ حاصل کر سکتی ہیں۔ سوشل نیٹ ورک سائبر سیکیورٹی کے مسائل کا پتہ لگانے کے لیے۔

ٹائم سیریز ڈیٹا اور 3D ماڈل

ٹائم سیریز ایمبیڈنگس ترتیب وار ڈیٹا میں وقتی نمونوں کو حاصل کرتی ہیں۔ وہ اس میں استعمال ہوتے ہیں۔ چیزوں کے انٹرنیٹ ایپلی کیشنز، مالیاتی ڈیٹا اور سرگرمیوں کے لیے سینسر ڈیٹا بشمول بے ضابطگی کا پتہ لگانا، ٹائم سیریز کی پیشن گوئی اور پیٹرن کی شناخت.

3D اشیاء کے ہندسی پہلوؤں کو بھی 3D ماڈل ایمبیڈنگ کا استعمال کرتے ہوئے ویکٹر کے طور پر ظاہر کیا جا سکتا ہے۔ ان کا اطلاق 3D تعمیر نو، آبجیکٹ کا پتہ لگانے اور فارم میچنگ جیسے کاموں میں ہوتا ہے۔

آلو

مالیکیول ایمبیڈنگ کیمیائی مرکبات کو ویکٹر کے طور پر پیش کرتے ہیں۔ وہ منشیات کی دریافت، کیمیائی مماثلت کی تلاش اور مالیکیولر پراپرٹی کی پیشن گوئی میں استعمال ہوتے ہیں۔ یہ سرایتیں کمپیوٹیشنل کیمسٹری اور منشیات کی نشوونما میں بھی مالیکیولز کی ساختی اور کیمیائی خصوصیات کو حاصل کرنے کے لیے استعمال ہوتی ہیں۔

Word2Vec کیا ہے؟

Word2Vec ایک مقبول NLP لفظ ویکٹر ایمبیڈنگ اپروچ ہے۔ گوگل کے ذریعہ تخلیق کردہ، Word2Vec کو مسلسل ویکٹر کی جگہ میں گھنے ویکٹر کے طور پر الفاظ کی نمائندگی کرنے کے لیے ڈیزائن کیا گیا ہے۔ یہ کسی دستاویز میں کسی لفظ کے سیاق و سباق کو پہچان سکتا ہے اور عام طور پر NLP کاموں میں استعمال ہوتا ہے جیسے متن کی درجہ بندی، جذبات کا تجزیہ اور مشین ترجمہ مشینوں کو قدرتی زبان کو زیادہ مؤثر طریقے سے سمجھنے اور اس پر کارروائی کرنے میں مدد کرنے کے لیے۔

Word2Vec اس اصول پر مبنی ہے کہ ایک جیسے معنی والے الفاظ میں ایک جیسی ویکٹر کی نمائندگی ہونی چاہیے، جو ماڈل کو الفاظ کے درمیان معنوی روابط کو حاصل کرنے کے قابل بناتا ہے۔

Word2Vec میں دو بنیادی فن تعمیرات ہیں، CBOW (لفظوں کا مسلسل بیگ) اور اسکیپ گرام:

• سی بی ڈبلیو۔ یہ فن تعمیر سیاق و سباق کے الفاظ کی بنیاد پر ہدف والے لفظ کی پیش گوئی کرتا ہے۔ ماڈل کو سیاق و سباق یا ارد گرد کے الفاظ دیے جاتے ہیں اور اسے مرکز میں ہدف والے لفظ کی پیشین گوئی کرنے کا کام سونپا جاتا ہے۔ مثال کے طور پر، اس جملے میں، "تیز بھوری لومڑی سست کتے پر چھلانگ لگاتی ہے،" CBOW پیشین گوئی کرنے کے لیے سیاق و سباق یا ارد گرد کے الفاظ استعمال کرتا ہے۔ لومڑی ہدف کے لفظ کے طور پر۔
• اسکیپ گرام۔ CBOW کے برعکس، Skip-Gram فن تعمیر ہدف والے لفظ کی بنیاد پر سیاق و سباق کے الفاظ کی پیش گوئی کرتا ہے۔ ماڈل کو ایک ہدف والا لفظ دیا جاتا ہے اور اس سے ارد گرد کے سیاق و سباق کی شرائط کی پیشین گوئی کرنے کو کہا جاتا ہے۔ مندرجہ بالا مثال کے جملے کو لے کر "کاہل کتے کے اوپر تیز بھوری لومڑی چھلانگ لگاتی ہے"، سکپ گرام ہدف والا لفظ لے گا۔ لومڑی اور سیاق و سباق کے الفاظ دریافت کریں جیسے "The," "quick," "brown," "jumps," "over," "the," "lazy" اور "dog."

کاروبار کی ایک وسیع رینج تخلیقی AI کو اپنانا شروع کر رہی ہے، جو اس کی خلل ڈالنے والی صلاحیت کو ظاہر کرتی ہے۔ پرکھنا تخلیقی AI کس طرح ترقی کر رہا ہے۔، مستقبل میں یہ کس سمت میں جائے گا اور کوئی چیلنج جو پیدا ہو سکتے ہیں۔