نقل و حمل کے آسمان میں بنایا گیا میچ: AI اور خود چلانے والی کاریں۔

مصنوعی ذہانت (AI) میں ہماری گاڑی چلانے اور سامان اور لوگوں کی نقل و حمل کے طریقے میں انقلاب لانے کی صلاحیت ہے۔ خود سے چلنے والی کاریں، جسے خود مختار گاڑیاں بھی کہا جاتا ہے، ایک قسم کی گاڑی ہے جو انسانی ڈرائیور کی ضرورت کے بغیر سڑکوں اور شاہراہوں پر نیویگیٹ کرنے کے لیے AI اور دیگر جدید ٹیکنالوجیز کا استعمال کرتی ہے۔

خود چلانے والی کاروں کے کئی فائدے ہیں۔ ایک تو، ان میں انسانی غلطی کی وجہ سے ہونے والے حادثات کی تعداد کو نمایاں طور پر کم کرنے کی صلاحیت ہے۔ اس سے سڑک پر کم اموات اور زخمی ہو سکتے ہیں۔ خود سے چلنے والی کاریں ٹریفک کے بہاؤ کو بھی بہتر بنا سکتی ہیں اور بھیڑ کو کم کر سکتی ہیں، کیونکہ وہ ایک دوسرے کے ساتھ بات چیت کرنے اور اپنے راستوں اور رفتار کو بہتر بنانے کے لیے حقیقی وقت میں فیصلے کرنے کے قابل ہوتی ہیں۔

اس کے علاوہ، خود سے چلنے والی کاریں ایندھن کی کھپت اور اخراج کو کم کرکے ماحول پر بھی مثبت اثر ڈال سکتی ہیں۔ وہ ان لوگوں کی نقل و حرکت کو بھی بڑھا سکتے ہیں جو عمر، معذوری، یا دیگر عوامل کی وجہ سے گاڑی چلانے سے قاصر ہیں۔

سیلف ڈرائیونگ کاروں میں مصنوعی ذہانت کا استعمال کیسے ہوتا ہے؟

خود سے چلنے والی کاروں کے وسیع ہونے سے پہلے ابھی بھی بہت سے چیلنجز کا سامنا کرنا باقی ہے۔ اہم چیلنجوں میں سے ایک ایسے AI نظاموں کو تیار کرنا ہے جو عوامی سڑکوں پر استعمال کرنے کے قابل بھروسہ اور محفوظ ہوں۔ اس کے علاوہ انضباطی، قانونی اور اخلاقی مسائل پر بھی غور کیا جانا چاہیے، جیسے کہ مسافروں اور پیدل چلنے والوں کی حفاظت کو کیسے یقینی بنایا جائے اور حادثے کی صورت میں ذمہ داری کو کیسے نبھایا جائے۔

ان چیلنجوں کے باوجود خود سے چلنے والی کاروں کی ترقی تیز رفتاری سے آگے بڑھ رہی ہے۔ روایتی آٹومیکرز اور ٹیک فرموں سمیت بہت سی کمپنیاں اس ٹیکنالوجی میں بہت زیادہ سرمایہ کاری کر رہی ہیں، اور کچھ علاقوں میں عوامی سڑکوں پر خود سے چلنے والی کاروں کا پہلے ہی تجربہ کیا جا رہا ہے۔ اس بات کا امکان ہے کہ ہم مستقبل قریب میں سڑکوں پر خود سے چلنے والی کاریں دیکھیں گے، حالانکہ یہ ٹھیک سے اندازہ لگانا مشکل ہے کہ وہ کب عام ہو جائیں گی۔

آٹوموٹو انڈسٹری میں مصنوعی ذہانت

سیلف ڈرائیونگ کاروں میں مصنوعی ذہانت کا استعمال کرنے کے چند طریقے یہ ہیں:

احساس اور ادراک

خود سے چلنے والی کاریں اپنے اردگرد کے بارے میں ڈیٹا اکٹھا کرنے کے لیے مختلف قسم کے سینسر استعمال کرتی ہیں، جیسے کیمرے، لیڈر، ریڈار، اور الٹراسونک سینسر۔ اس کے بعد اس ڈیٹا کو AI الگورتھم کا استعمال کرتے ہوئے پروسیس کیا جاتا ہے اور اس کا تجزیہ کیا جاتا ہے تاکہ ماحول کا تفصیلی نقشہ بنایا جا سکے اور پیدل چلنے والوں، دیگر گاڑیوں، ٹریفک لائٹس اور سڑک کے نشانات جیسی اشیاء کی شناخت کی جا سکے۔

فیصلہ کرنا۔

خود سے چلنے والی کاریں اپنے سینسر سے جمع کردہ ڈیٹا کی بنیاد پر حقیقی وقت میں فیصلے کرنے کے لیے مصنوعی ذہانت کا استعمال کرتی ہیں۔ مثال کے طور پر، اگر خود سے چلنے والی کار سڑک پار کرنے والے کسی پیدل چلنے والے کا پتہ لگاتی ہے، تو وہ AI کا استعمال بہترین طریقہ کار کا تعین کرنے کے لیے کرے گی، جیسے کہ سست ہونا یا رکنا۔

پیشن گوئی ماڈلنگ

خود سے چلنے والی کاریں سڑک کے دوسرے استعمال کرنے والوں، جیسے کہ پیدل چلنے والوں اور دیگر گاڑیوں کے رویے کا اندازہ لگانے کے لیے AI کا استعمال کرتی ہیں۔ اس سے کار کو ممکنہ مسائل کا اندازہ لگانے اور ان سے بچنے کے لیے مناسب کارروائی کرنے میں مدد ملتی ہے۔

قدرتی زبان پروسیسنگ

کچھ خود چلانے والی کاریں آواز کی شناخت کی ٹیکنالوجی سے لیس ہوتی ہیں جو مسافروں کو قدرتی زبان کا استعمال کرتے ہوئے کار کے ساتھ بات چیت کرنے کی اجازت دیتی ہیں۔ یہ ٹیکنالوجی AI کا استعمال بولی جانے والی کمانڈز کو سمجھنے اور ان کا جواب دینے کے لیے کرتی ہے۔

مجموعی طور پر، AI خود چلانے والی کاروں کا ایک اہم جز ہے، جو انہیں اپنے ماحول کو سمجھنے، سمجھنے اور نیویگیٹ کرنے کے ساتھ ساتھ فیصلے کرنے اور بدلتے ہوئے حالات کا حقیقی وقت میں جواب دینے کے قابل بناتا ہے۔

سیلف ڈرائیونگ کاروں میں گہری تعلیم

ڈیپ لرننگ مشین لرننگ کی ایک قسم ہے جس میں بڑے ڈیٹا سیٹس پر مصنوعی اعصابی نیٹ ورک کی تربیت شامل ہوتی ہے۔ یہ اعصابی نیٹ ورک ڈیٹا میں نمونوں کو سیکھنے اور پہچاننے کے قابل ہیں اور ان کا استعمال وسیع پیمانے پر کاموں کو انجام دینے کے لیے کیا جا سکتا ہے، بشمول امیج اور اسپیچ ریکگنیشن، قدرتی لینگویج پروسیسنگ، اور پیش گوئی کرنے والی ماڈلنگ۔

سیلف ڈرائیونگ کاروں کے تناظر میں، گہری سیکھنے کا استعمال اکثر مصنوعی ذہانت کے نظاموں کی درستگی اور وشوسنییتا کو بہتر بنانے کے لیے کیا جاتا ہے جو کار کو نیویگیٹ کرنے اور فیصلے کرنے کے قابل بناتے ہیں۔ مثال کے طور پر، گہری سیکھنے کے الگورتھم کو تصاویر اور ویڈیوز کے بڑے ڈیٹا سیٹس پر تربیت دی جا سکتی ہے تاکہ کار کو اپنے ماحول میں موجود اشیاء، جیسے پیدل چلنے والوں، دوسری گاڑیوں اور ٹریفک کے نشانات کو پہچاننے اور ان کی درجہ بندی کرنے کے قابل بنایا جا سکے۔

---

پیڈل پیڈل ڈیپ لرننگ فریم ورک AI کو صنعتی ایپلی کیشنز تک پھیلاتا ہے۔

---

سیلف ڈرائیونگ کاروں میں پیش گوئی کرنے والے ماڈلنگ کی درستگی کو بہتر بنانے کے لیے بھی گہری سیکھنے کا استعمال کیا جاتا ہے۔ مثال کے طور پر، گاڑی اپنے سینسرز سے ڈیٹا کا تجزیہ کرنے کے لیے ڈیپ لرننگ الگورتھم کا استعمال کر سکتی ہے اور کسی خاص مقام پر پیدل چلنے والے کے سڑک پار کرنے کے امکان، یا کسی اور گاڑی کے اچانک لین میں تبدیلی کرنے کے امکان کا اندازہ لگا سکتی ہے۔

خود چلانے والی کاروں کے لیے GDDR6 کی اہمیت

GDDR6 (گرافکس ڈبل ڈیٹا ریٹ 6) میموری کی ایک قسم ہے جو گرافکس پروسیسنگ یونٹس (GPUs) میں گرافکس رینڈرنگ اور دیگر کمپیوٹیشنل انتہائی کاموں کے لیے ڈیٹا کو ذخیرہ کرنے اور اس پر کارروائی کرنے کے لیے استعمال ہوتی ہے۔ خود مختار ڈرائیونگ کے تناظر میں، GDDR6 اہم ہے کیونکہ یہ بڑی مقدار میں ڈیٹا کی تیز رفتار پروسیسنگ کو قابل بناتا ہے جو خود ڈرائیونگ کاروں کے آپریشن کے لیے درکار ہے۔

خود سے چلنے والی کاریں اپنے اردگرد کے بارے میں ڈیٹا اکٹھا کرنے کے لیے مختلف قسم کے سینسروں پر انحصار کرتی ہیں، جیسے کیمرے، لیڈر، ریڈار، اور الٹراسونک سینسر۔ اس کے بعد اس ڈیٹا کو AI الگورتھم کا استعمال کرتے ہوئے پروسیس کیا جاتا ہے اور اس کا تجزیہ کیا جاتا ہے تاکہ ماحول کا تفصیلی نقشہ بنایا جا سکے اور پیدل چلنے والوں، دیگر گاڑیوں، ٹریفک لائٹس اور سڑک کے نشانات جیسی اشیاء کی شناخت کی جا سکے۔ ان کاموں کو فعال کرنے کے لیے درکار ڈیٹا پروسیسنگ اور تجزیہ کمپیوٹیشنل طور پر بہت زیادہ ہے، اور ڈیٹا کو تیزی سے ذخیرہ کرنے اور اس تک رسائی کے لیے GDDR6 جیسی تیز رفتار میموری کی ضرورت ہوتی ہے۔

ڈیٹا کی تیز رفتار پروسیسنگ کو فعال کرنے کے علاوہ، GDDR6 توانائی کی بچت بھی ہے، جو خود چلانے والی کاروں کے آپریشن کے لیے اہم ہے، کیونکہ انہیں ری چارج کیے بغیر طویل عرصے تک کام کرنے کے قابل ہونا ضروری ہے۔

مجموعی طور پر، GDDR6 خود مختار ڈرائیونگ کے مستقبل کے لیے ایک اہم ٹیکنالوجی ہے، کیونکہ یہ سیلف ڈرائیونگ کاروں کے آپریشن کے لیے درکار ڈیٹا کی بڑی مقدار کی تیز رفتار اور موثر پروسیسنگ کو قابل بناتی ہے۔

آٹوموٹو مصنوعی ذہانت کے الگورتھم اور خود چلانے والی کاریں۔

آٹوموٹیو AI الگورتھم میں زیر نگرانی اور غیر زیر نگرانی سیکھنے کے دونوں طریقے استعمال کیے جاتے ہیں۔

زیر نگرانی سیکھنا۔

سپروائزڈ لرننگ مشین لرننگ کی ایک قسم ہے جس میں ایک ماڈل کو لیبل والے ڈیٹاسیٹ پر تربیت دی جاتی ہے، یعنی ڈیٹا کو درست آؤٹ پٹ کے ساتھ لیبل کیا گیا ہے۔ زیر نگرانی سیکھنے کا مقصد ایک ایسے فنکشن کو سیکھنا ہے جو لیبل لگائے گئے ڈیٹا کی بنیاد پر آؤٹ پٹس میں ان پٹ کو نقشہ بناتا ہے۔

تربیتی عمل کے دوران، ماڈل کو ان پٹ/آؤٹ پٹ جوڑوں کے ایک سیٹ کے ساتھ پیش کیا جاتا ہے اور اس کے اندرونی پیرامیٹرز کو ایڈجسٹ کرنے کے لیے ایک اصلاحی الگورتھم کا استعمال کیا جاتا ہے تاکہ یہ ایک نئے ان پٹ کے دیے جانے والے آؤٹ پٹ کا درست اندازہ لگا سکے۔ ایک بار جب ماڈل کی تربیت ہو جاتی ہے، تو اسے نئے، غیر دیکھے ڈیٹا پر پیشین گوئیاں کرنے کے لیے استعمال کیا جا سکتا ہے۔

زیر نگرانی سیکھنے کا استعمال عام طور پر کاموں کے لیے کیا جاتا ہے جیسے درجہ بندی (کلاس لیبل کی پیشن گوئی کرنا)، رجعت (ایک مسلسل قدر کی پیشن گوئی کرنا)، اور ساختی پیشین گوئی (کسی ترتیب یا درخت کے ساختی پیداوار کی پیش گوئی کرنا)۔

زیر نگرانی سیکھنے کو خود ڈرائیونگ کاروں میں کئی طریقوں سے استعمال کیا جا سکتا ہے۔ یہاں چند مثالیں ہیں:

• آبجیکٹ کی شناخت: زیر نگرانی سیکھنے کے الگورتھم کو ایک ماڈل کو تربیت دینے کے لیے استعمال کیا جا سکتا ہے تاکہ خود ڈرائیونگ کار کے سینسر کے ذریعے جمع کیے گئے ڈیٹا میں اشیاء کی شناخت کی جا سکے۔ مثال کے طور پر، ایک ماڈل کو پیدل چلنے والوں، دوسری گاڑیوں، ٹریفک لائٹس، اور تصویروں یا لِڈر پوائنٹ کے بادلوں میں سڑک کے نشانات کو پہچاننے کی تربیت دی جا سکتی ہے۔
• ماڈلنگ: زیر نگرانی سیکھنے کے الگورتھم کا استعمال ایک ماڈل کو تربیت دینے کے لیے کیا جا سکتا ہے تاکہ ماحول میں رونما ہونے والے بعض واقعات کے امکانات کا اندازہ لگایا جا سکے۔ مثال کے طور پر، ایک ماڈل کو کسی خاص مقام پر سڑک پار کرنے والے پیدل چلنے والوں کے امکان یا کسی اور گاڑی کے اچانک لین میں تبدیلی کے امکان کی پیش گوئی کرنے کی تربیت دی جا سکتی ہے۔
• رویے کی پیشن گوئی: زیر نگرانی سیکھنے کے الگورتھم کا استعمال ایک ماڈل کو تربیت دینے کے لیے کیا جا سکتا ہے تاکہ سڑک کے دوسرے استعمال کرنے والوں، جیسے پیدل چلنے والوں اور دیگر گاڑیوں کے رویے کی پیشن گوئی کی جا سکے۔ مثال کے طور پر، اس امکان کا اندازہ لگانے کے لیے کہ کوئی پیدل چلنے والا کسی خاص مقام پر سڑک عبور کرے گا یا اس امکان کی پیش گوئی کرنے کے لیے کہ کوئی اور گاڑی اچانک لین میں تبدیلی کر دے گی۔

غیر نگرانی سیکھنے

غیر زیر نگرانی لرننگ مشین لرننگ کی ایک قسم ہے جس میں ایک ماڈل کو بغیر لیبل والے ڈیٹاسیٹ پر تربیت دی جاتی ہے، یعنی ڈیٹا کو درست آؤٹ پٹ کے ساتھ لیبل نہیں کیا جاتا ہے۔ غیر زیر نگرانی سیکھنے کا مقصد ڈیٹا میں پیٹرن یا رشتوں کو دریافت کرنا ہے، بجائے اس کے کہ کسی مخصوص آؤٹ پٹ کی پیشن گوئی کی جائے۔

غیر زیر نگرانی سیکھنے کے الگورتھم کے پاس پیشین گوئی کرنے کے لیے کوئی خاص ہدف نہیں ہوتا ہے اور اس کے بجائے ڈیٹا میں پیٹرن اور تعلقات تلاش کرنے کے لیے استعمال کیے جاتے ہیں۔ یہ الگورتھم اکثر کاموں کے لیے استعمال کیے جاتے ہیں جیسے کہ کلسٹرنگ (مماثل ڈیٹا پوائنٹس کو ایک ساتھ گروپ کرنا)، جہت میں کمی (ڈیٹا میں خصوصیات کی تعداد کو کم کرنا) اور بے ضابطگی کا پتہ لگانا (ڈیٹا پوائنٹس کی شناخت کرنا جو غیر معمولی ہیں یا باقی کے ساتھ فٹ نہیں ہوتے ہیں۔ ڈیٹا)۔

غیر زیر نگرانی سیکھنے کو خود ڈرائیونگ کاروں میں کئی طریقوں سے استعمال کیا جا سکتا ہے۔ یہاں چند مثالیں ہیں:

• بے ضابطگی کا پتہ لگانا: سیلف ڈرائیونگ کار کے سینسرز کے ذریعے جمع کیے گئے ڈیٹا میں غیرمعمولی یا غیر متوقع واقعات کی نشاندہی کرنے کے لیے غیر زیر نگرانی سیکھنے کے الگورتھم کا استعمال کیا جا سکتا ہے۔ مثال کے طور پر، ایک غیر زیر نگرانی سیکھنے کا الگورتھم استعمال کیا جا سکتا ہے کہ کسی پیدل چلنے والے کو کسی غیر متوقع مقام پر سڑک عبور کرنے والے یا کسی گاڑی کی لین میں اچانک تبدیلی ہو جائے۔
• کلسٹرنگ: غیر زیر نگرانی سیکھنے کے الگورتھم کو ایک خود مختار کار کے سینسر کے ذریعے جمع کردہ ڈیٹا کو کلسٹر کرنے کے لیے استعمال کیا جا سکتا ہے، اسی طرح کے ڈیٹا پوائنٹس کو ایک ساتھ گروپ کر کے۔ مثال کے طور پر، اس کا استعمال ڈیٹا پوائنٹس کو اکٹھا کرنے کے لیے کیا جا سکتا ہے جو مختلف قسم کی سڑک کی سطحوں سے مماثل ہوں یا مختلف ٹریفک حالات سے مطابقت رکھنے والے ڈیٹا پوائنٹس کو اکٹھا کرنے کے لیے۔
• خصوصیت کا اخراج: سیلف ڈرائیونگ کار کے سینسرز کے ذریعے جمع کیے گئے ڈیٹا سے فیچرز نکالنے کے لیے غیر زیر نگرانی سیکھنے کے الگورتھم کا استعمال کیا جا سکتا ہے۔ مثال کے طور پر، ایک غیر زیر نگرانی لرننگ الگورتھم کا استعمال لِڈر پوائنٹ کلاؤڈ میں ان خصوصیات کی نشاندہی کرنے کے لیے کیا جا سکتا ہے جو ماحول میں موجود اشیاء کے کناروں سے مطابقت رکھتی ہیں یا کسی تصویر میں موجود خصوصیات کی نشاندہی کرنے کے لیے جو منظر میں موجود اشیاء کے کناروں سے مطابقت رکھتی ہیں۔

خود چلانے والی کاروں میں خودمختاری کی سطح

سیلف ڈرائیونگ کاروں کو عام طور پر آٹومیشن کی سطحوں کے مطابق درجہ بندی کیا جاتا ہے، جس میں لیول 0 (کوئی آٹومیشن نہیں) سے لیول 5 (مکمل طور پر خود مختار) ہوتا ہے۔ آٹومیشن کی سطحوں کی وضاحت سوسائٹی آف آٹوموٹیو انجینئرز (SAE) نے کی ہے اور یہ درج ذیل ہیں:

سطح 0: کوئی آٹومیشن نہیں ہے

ڈرائیور ہر وقت گاڑی کو مکمل کنٹرول میں رکھتا ہے۔

لیول 1: ڈرائیور کی مدد

گاڑی میں کچھ خودکار افعال ہوتے ہیں، جیسے لین کیپنگ یا اڈاپٹیو کروز کنٹرول، لیکن ڈرائیور کو کسی بھی وقت دھیان سے رہنا چاہیے اور کنٹرول سنبھالنے کے لیے تیار رہنا چاہیے۔

لیول 2: جزوی آٹومیشن

گاڑی میں زیادہ جدید خودکار افعال ہیں، جیسے گاڑی کی تیز رفتاری، بریک لگانے اور اسٹیئرنگ کو کنٹرول کرنے کی صلاحیت، لیکن ڈرائیور کو پھر بھی ماحول کی نگرانی کرنی چاہیے اور اگر ضروری ہو تو مداخلت کے لیے تیار رہنا چاہیے۔

سطح 3: مشروط آٹومیشن

گاڑی مخصوص حالات میں ڈرائیونگ کے تمام کام انجام دینے کے قابل ہوتی ہے، لیکن اگر گاڑی کو کسی ایسی صورتحال کا سامنا کرنا پڑتا ہے جسے وہ سنبھال نہیں سکتا تو ڈرائیور کو قابو پانے کے لیے تیار رہنا چاہیے۔

لیول 4: ہائی آٹومیشن

گاڑی ڈرائیونگ کے تمام کاموں کو مختلف حالات میں انجام دینے کے قابل ہے، لیکن ڈرائیور کو پھر بھی بعض حالات، جیسے خراب موسم یا پیچیدہ ڈرائیونگ ماحول میں کنٹرول سنبھالنے کی ضرورت پڑ سکتی ہے۔

لیول 5: مکمل آٹومیشن

گاڑی کسی بھی حالت میں ڈرائیونگ کے تمام کام انجام دینے کے قابل ہے، اور ڈرائیور کو کنٹرول لینے کی ضرورت نہیں ہے۔

یہ بات قابل غور ہے کہ خود مختار کاریں ابھی لیول 5 پر نہیں ہیں، اور یہ واضح نہیں ہے کہ وہ اس سطح تک کب پہنچیں گی۔ سڑک پر فی الحال خود سے چلنے والی زیادہ تر کاریں لیول 4 یا اس سے نیچے ہیں۔

خود چلانے والی کاریں: فوائد اور نقصانات

خود سے چلنے والی کاریں بہت سے فائدے لانے کی صلاحیت رکھتی ہیں، لیکن کچھ چیلنجز ایسے بھی ہیں جن کے وسیع ہونے سے پہلے ان سے نمٹنے کی ضرورت ہے۔

پیشہ

• حادثات میں کمی: خود سے چلنے والی کاریں انسانی غلطی کی وجہ سے ہونے والے حادثات کی تعداد کو نمایاں طور پر کم کرنے کی صلاحیت رکھتی ہیں، جس سے سڑک پر کم اموات اور زخمی ہو سکتے ہیں۔
• ٹریفک کی روانی میں بہتری: خود سے چلنے والی کاریں ایک دوسرے کے ساتھ بات چیت کرکے اور اپنے راستوں اور رفتار کو بہتر بنانے کے لیے حقیقی وقت میں فیصلے کرکے ٹریفک کے بہاؤ کو بہتر بنا سکتی ہیں اور بھیڑ کو کم کرسکتی ہیں۔
• نقل و حرکت میں اضافہ: خود سے چلنے والی کاریں ان لوگوں کی نقل و حرکت میں اضافہ کر سکتی ہیں جو عمر، معذوری، یا دیگر عوامل کی وجہ سے گاڑی چلانے سے قاصر ہیں۔
• ماحولیاتی فوائد: خود سے چلنے والی کاریں ایندھن کی کھپت اور اخراج کو کم کرسکتی ہیں، جس کا ماحول پر مثبت اثر پڑ سکتا ہے۔

خامیاں

• وشوسنییتا اور حفاظت کے خدشات: خود چلانے والی کاروں کی بھروسے اور حفاظت کے بارے میں خدشات ہیں، خاص طور پر پیچیدہ یا غیر متوقع ڈرائیونگ کے حالات میں۔
• ملازمت کا نقصان: خود سے چلنے والی کاریں ممکنہ طور پر انسانی ڈرائیوروں، جیسے ٹیکسی اور ٹرک ڈرائیوروں کے لیے ملازمت کے نقصان کا باعث بن سکتی ہیں۔
• اخلاقی اور قانونی مسائل: اخلاقی اور قانونی مسائل پر غور کیا جانا ہے، جیسے کہ مسافروں اور پیدل چلنے والوں کی حفاظت کو کیسے یقینی بنایا جائے اور حادثے کی صورت میں ذمہ داری کو کیسے نبھایا جائے۔
• سائبر سیکیورٹی کے خطرات: خود سے چلنے والی کاریں سائبر حملوں کا شکار ہو سکتی ہیں، جو ان کی حفاظت اور رازداری سے سمجھوتہ کر سکتی ہیں۔

خود چلانے والی کاروں کی حقیقی زندگی کی مثالیں۔

خود سے چلنے والی کاروں کی کئی مثالیں ہیں جو تیار کی جا رہی ہیں یا پہلے ہی سڑک پر ہیں:

واہمو

واہمو ایک سیلف ڈرائیونگ کار کمپنی ہے جو گوگل کی پیرنٹ کمپنی الفابیٹ کی ملکیت ہے۔ Waymo کی خود مختار کاروں کو ریاست ہائے متحدہ امریکہ کے کئی شہروں میں عوامی سڑکوں پر آزمایا جا رہا ہے، جن میں Phoenix، Arizona اور Detroit، Michigan شامل ہیں۔

[سرایت مواد]

ٹیسلا آٹو پائلٹ

ٹیسلا آٹو پائلٹ ایک نیم خودمختار ڈرائیونگ سسٹم ہے جو Tesla کے مخصوص ماڈلز پر دستیاب ہے۔ اگرچہ یہ مکمل طور پر خود ڈرائیونگ نہیں ہے، لیکن یہ کار کو ڈرائیور کی جانب سے کم سے کم ان پٹ کے ساتھ ڈرائیونگ کے کچھ کاموں، جیسے لین کیپنگ اور لین تبدیل کرنے کی اجازت دیتی ہے۔

[سرایت مواد]

کروز

کروز ایک سیلف ڈرائیونگ کار کمپنی ہے جو جنرل موٹرز کی ملکیت ہے۔ کروز کی خود سے چلنے والی کاروں کا سان فرانسسکو، کیلیفورنیا اور فینکس، ایریزونا میں عوامی سڑکوں پر تجربہ کیا جا رہا ہے۔

[سرایت مواد]

ارورہ

ارورہ ایک سیلف ڈرائیونگ کار کمپنی ہے جو مسافر گاڑیاں، ڈیلیوری گاڑیاں، اور عوامی نقل و حمل سمیت متعدد ایپلی کیشنز میں استعمال کے لیے خود مختار گاڑیوں کی ٹیکنالوجی تیار کر رہی ہے۔ ارورہ کی خود سے چلنے والی کاروں کا امریکہ کے کئی شہروں میں عوامی سڑکوں پر تجربہ کیا جا رہا ہے۔

[سرایت مواد]

اہم لۓ

• مصنوعی ذہانت خود سے چلنے والی کاروں کی نشوونما اور آپریشن میں اہم کردار ادا کرتی ہے۔
• AI خود چلانے والی کاروں کو اپنے ماحول کو محسوس کرنے، سمجھنے اور نیویگیٹ کرنے کے ساتھ ساتھ اپنے سینسر سے جمع کردہ ڈیٹا کی بنیاد پر حقیقی وقت میں فیصلے کرنے کے قابل بناتا ہے۔
• ڈیپ لرننگ، مشین لرننگ کی ایک قسم جس میں بڑے ڈیٹا سیٹس پر مصنوعی اعصابی نیٹ ورک کی تربیت شامل ہوتی ہے، خود ڈرائیونگ کاروں کی ترقی میں بڑے پیمانے پر استعمال ہوتی ہے۔
• سیلف ڈرائیونگ کاروں کو عام طور پر آٹومیشن کی سطحوں کے مطابق درجہ بندی کیا جاتا ہے، جس میں لیول 0 (کوئی آٹومیشن نہیں) سے لیول 5 (مکمل طور پر خود مختار) ہوتا ہے۔
• اس وقت سڑک پر چلنے والی زیادہ تر سیلف ڈرائیونگ کاریں لیول 4 یا اس سے نیچے ہیں، اس کا مطلب یہ ہے کہ وہ مخصوص حالات میں ڈرائیونگ کے تمام کام انجام دینے کے قابل ہیں، لیکن ڈرائیور کو ضرورت پڑنے پر کنٹرول سنبھالنے کے لیے تیار ہونا چاہیے۔
• خود سے چلنے والی کاریں انسانی غلطی کی وجہ سے ہونے والے حادثات کی تعداد کو نمایاں طور پر کم کرنے کی صلاحیت رکھتی ہیں، جس سے سڑک پر کم اموات اور زخمی ہو سکتے ہیں۔
• خود سے چلنے والی کاریں ایک دوسرے کے ساتھ بات چیت کرکے اور اپنے راستوں اور رفتار کو بہتر بنانے کے لیے حقیقی وقت میں فیصلے کرکے ٹریفک کے بہاؤ کو بہتر بنا سکتی ہیں اور بھیڑ کو کم کرسکتی ہیں۔
• خود سے چلنے والی کاریں ان لوگوں کی نقل و حرکت میں اضافہ کر سکتی ہیں جو عمر، معذوری، یا دیگر عوامل کی وجہ سے گاڑی چلانے سے قاصر ہیں۔
• خود سے چلنے والی کاریں ایندھن کی کھپت اور اخراج کو کم کرسکتی ہیں، جس کا ماحول پر مثبت اثر پڑ سکتا ہے۔
• سیلف ڈرائیونگ کاروں کے وسیع ہونے سے پہلے ایسے چیلنجز کا سامنا کرنا پڑتا ہے، جن میں مصنوعی ذہانت کے نظام کی ترقی شامل ہے جو عوامی سڑکوں پر استعمال کے لیے قابل بھروسہ اور کافی محفوظ ہیں، نیز ریگولیٹری، قانونی اور اخلاقی مسائل۔

• SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
• پلیٹو بلاک چین۔ Web3 Metaverse Intelligence. علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
• ماخذ: https://dataconomy.com/2022/12/artificial-intelligence-and-self-driving/