ڈیٹا کی وضاحت: ماڈل وضاحتی کا ہم منصب - ڈیٹاورسٹی

آج، AI اور ML ہر جگہ ہیں۔ 

چاہے اس کے ساتھ ہر کوئی کھیل رہا ہو۔ چیٹ جی پی ٹی (تیز ترین تاریخ میں ایپ کو اپنایا) یا شامل کرنے کی حالیہ تجویز ٹریفک لائٹس کا چوتھا رنگ خود سے چلنے والی کاروں میں منتقلی کو محفوظ تر بنانے کے لیے، AI نے ہماری زندگیوں کو اچھی طرح سے سیر کر دیا ہے۔ اگرچہ AI پہلے سے کہیں زیادہ قابل رسائی معلوم ہوسکتا ہے، AI ماڈلز کی پیچیدگی میں تیزی سے اضافہ ہوا ہے۔ 

AI ماڈلز بلیک باکس اور وائٹ باکس ماڈلز کے اہم زمروں میں آتے ہیں۔ بلیک باکس کے ماڈل بغیر کسی وضاحت کے کسی فیصلے پر پہنچ جاتے ہیں، جب کہ وائٹ باکس کے ماڈل ان اصولوں کی بنیاد پر نتیجہ پیش کرتے ہیں جو اس نتیجے کو تیار کرتے ہیں۔ 

جیسا کہ ہم مکمل گہرے سیکھنے کے طریقوں کی دنیا کی طرف بڑھتے رہتے ہیں، زیادہ تر بلیک باکس ماڈلز کی طرف بڑھ رہے ہیں۔ 

اس نقطہ نظر کے ساتھ مسئلہ؟ بلیک باکس ماڈل (جیسے کمپیوٹر وژن میں بنائے گئے) براہ راست استعمال نہیں کیے جاسکتے ہیں۔ اسے اکثر بلیک باکس کا مسئلہ کہا جاتا ہے۔ بلیک باکس ماڈلز کو دوبارہ تربیت دینے سے صارفین کو ایک جمپ سٹارٹ مل سکتا ہے، ماڈل کی تشریح اور بلیک باکس ماڈل کے نتائج کو سمجھنا مشکل ہو جاتا ہے کیونکہ ماڈلز کی پیچیدگی میں اضافہ ہوتا ہے۔

بلیک باکس کے مسئلے کو حل کرنے کا ایک حربہ یہ ہے کہ ایک بہت ہی موزوں اور قابل وضاحت ماڈل تیار کیا جائے۔ 

لیکن، یہ وہ سمت نہیں ہے جو دنیا آگے بڑھ رہی ہے۔ 

جہاں ماڈل کی وضاحت ختم ہوتی ہے، ڈیٹا کی وضاحت شروع ہوتی ہے۔

وضاحت ضروری ہے کیونکہ یہ ماڈل کی شفافیت، درستگی اور انصاف پسندی کو بہتر بناتا ہے اور AI پر اعتماد کو بھی بہتر بنا سکتا ہے۔ اگرچہ ماڈل کی وضاحت ایک روایتی نقطہ نظر ہے، اب ایک نئی قسم کی ضرورت بھی پیدا ہوتی ہے: ڈیٹا کی وضاحت۔

ماڈل کی وضاحت کا مطلب حتمی نتیجہ کو سمجھنے کے لیے الگورتھم کو سمجھنا ہے۔ مثال کے طور پر، اگر آنکولوجی یونٹ میں استعمال ہونے والا ماڈل یہ جانچنے کے لیے ڈیزائن کیا گیا ہے کہ آیا بڑھوتری کینسر ہے، تو صحت کی دیکھ بھال فراہم کرنے والے کو ان متغیرات کو سمجھنا چاہیے جو حتمی نتائج پیدا کرتے ہیں۔ اگرچہ یہ نظریہ میں بہت اچھا لگتا ہے، ماڈل کی وضاحت بلیک باکس کے مسئلے کو کافی حد تک حل نہیں کرتی ہے۔ 

جیسا کہ ماڈلز زیادہ پیچیدہ ہوتے جا رہے ہیں، زیادہ تر پریکٹیشنرز ماڈل کی اندرونی تہوں میں ہونے والی تبدیلیوں کی نشاندہی کرنے اور حسابات کی تشریح کرنے سے قاصر ہوں گے۔ وہ زیادہ تر انحصار کرتے ہیں کہ وہ کس چیز کو کنٹرول کر سکتے ہیں، یعنی تربیتی ڈیٹا سیٹس اور ان کا مشاہدہ، نتائج اور پیشین گوئی کے اقدامات۔  

آئیے ایک ڈیٹا سائنسدان کی مثال استعمال کرتے ہیں جو ہزاروں تصویروں سے کافی کے مگ کی تصاویر کا پتہ لگانے کے لیے ماڈل بناتا ہے - لیکن مثال کے طور پر ماڈل پینے کے گلاسوں اور بیئر کے مگوں کی تصاویر کا بھی پتہ لگانا شروع کر دیتا ہے۔ اگرچہ شیشے اور بیئر کے مگ کافی کے مگ سے کچھ مشابہت رکھتے ہیں، لیکن اس میں مختلف فرق ہیں، جیسے کہ عام مواد، رنگ، مبہم پن، اور ساختی تناسب۔

ماڈل کے لیے کافی کے مگ کا پتہ لگانے کے لیے زیادہ بھروسے کے ساتھ، ڈیٹا سائنسدان کے پاس سوالات کے جوابات ہونے چاہئیں جیسے:

• ماڈل نے کافی کے مگ کے بجائے کون سی تصاویر اٹھائیں؟ 
• کیا ماڈل ناکام ہوا کیونکہ میں نے اسے کافی مگ کی کافی یا صحیح مثالیں فراہم نہیں کیں؟
• کیا وہ ماڈل اس کے لیے کافی اچھا ہے جسے میں پورا کرنے کی کوشش کر رہا تھا؟
• کیا مجھے ماڈل کے بارے میں اپنے نظریہ کو چیلنج کرنے کی ضرورت ہے؟
• میں حتمی طور پر کیا تعین کرسکتا ہوں کہ ماڈل کے ناکام ہونے کی وجہ کیا ہے؟ 
• کیا مجھے ماڈل کے نئے مفروضے پیدا کرنے چاہئیں؟
• کیا میں نے کام شروع کرنے کے لیے غلط ماڈل کا انتخاب کیا؟

جیسا کہ آپ دیکھ سکتے ہیں، اس قسم کی بصیرت، تفہیم، اور ماڈل کی وضاحت کے قابل ہر بار جب کوئی مسئلہ پیش آتا ہے تو اس کا امکان بہت کم ہے۔

ڈیٹا کی وضاحت کی اہلیت کو سمجھنا ہے۔ اعداد و شمار ایک ماڈل میں تربیت اور ان پٹ کے لیے استعمال کیا جاتا ہے، یہ سمجھنے کے لیے کہ ماڈل کا حتمی نتیجہ کیسے پہنچتا ہے۔ جیسا کہ ML الگورتھم پہلے سے زیادہ پیچیدہ ہوتے جاتے ہیں لیکن پیشوں اور صنعتوں میں زیادہ وسیع پیمانے پر استعمال ہوتے ہیں، ڈیٹا کی وضاحت کی اہلیت عام مسائل کو فوری طور پر کھولنے اور حل کرنے کی کلید کے طور پر کام کرے گی، جیسے ہماری کافی مگ کی مثال۔

ڈیٹا کی وضاحت کے ساتھ ایم ایل میں منصفانہ اور شفافیت کو بڑھانا

ایم ایل ماڈلز کے اندر انصاف پسندی ایک گرما گرم موضوع ہے، جسے ڈیٹا کی وضاحت کے ذریعے مزید گرم بنایا جا سکتا ہے۔

گونج کیوں؟ AI میں تعصب ایک گروپ کے لیے متعصبانہ نتائج پیدا کر سکتا ہے۔ اس کی سب سے اچھی طرح سے دستاویزی صورتوں میں سے ایک نسلی استعمال کے معاملات میں تعصب ہے۔ آئیے ایک مثال دیکھتے ہیں۔ 

کہتے ہیں کہ ایک بڑا، معروف صارف پلیٹ فارم ایک نئے مارکیٹنگ ڈائریکٹر کے عہدے کے لیے خدمات حاصل کر رہا ہے۔ روزانہ موصول ہونے والے ریزیوموں کے بڑے پیمانے پر نمٹنے کے لیے، محکمہ HR ایک AI/ML ماڈل تعینات کرتا ہے تاکہ کلیدی خصوصیات یا اہل درخواست دہندگان کو منتخب کر کے درخواست اور بھرتی کے عمل کو ہموار کیا جا سکے۔ 

اس کام کو انجام دینے کے لیے، اور ہر ایک ریزیومے کو جانچنے اور بکیٹائز کرنے کے لیے، ماڈل کلیدی غالب خصوصیات کو سمجھ کر ایسا کرے گا۔ بدقسمتی سے، یہ بھی اس کا مطلب ہے کہ ماڈل امیدواروں میں بھی عمومی نسلی تعصبات کو واضح طور پر اٹھا سکتا ہے۔ یہ بالکل کیسے ہوگا؟ اگر درخواست دہندگان کے پول میں ایک نسل کا ایک چھوٹا فیصد شامل ہے، تو مشین سوچے گی کہ تنظیم کسی مختلف نسل یا غالب ڈیٹاسیٹ کے اراکین کو ترجیح دیتی ہے۔

اگر کوئی ماڈل ناکام ہو جاتا ہے، چاہے وہ غیر ارادی طور پر ہی کیوں نہ ہو، ناکامی کا ازالہ کمپنی کو کرنا چاہیے۔ بنیادی طور پر، جس نے بھی ماڈل کو تعینات کیا ہے اسے ماڈل کے استعمال کا دفاع کرنے کے قابل ہونا چاہیے۔

بھرتی اور نسلی تعصب کے معاملے میں، محافظ کو ناراض عوام اور/یا ایپلیکیشن پول کو ماڈل کی تربیت کے لیے ڈیٹا سیٹس کے استعمال کی وضاحت کرنے کے قابل ہونا پڑے گا، اس تربیت کی بنیاد پر ماڈل کے ابتدائی کامیاب نتائج، اس کی ناکامی کارنر کیس کو لینے کے لیے ماڈل، اور یہ کیسے غیر ارادی طور پر ڈیٹا کے عدم توازن کا باعث بنا جس نے آخر کار نسلی طور پر متعصب فلٹرنگ عمل کو جنم دیا۔

زیادہ تر کے لیے، AI، عدم توازن ڈیٹاسیٹس، ماڈل ٹریننگ، اور ڈیٹا کی نگرانی کے ذریعے حتمی ناکامی میں اس قسم کی نفاست سے متعلق تفصیل اچھی طرح سے موصول نہیں ہوگی اور نہ ہی سمجھ میں آئے گی۔ لیکن اس کہانی سے کیا سمجھا جائے گا؟ کمپنی XYZ ملازمتوں میں نسلی تعصب پر عمل کرتی ہے۔ 

اس سب سے زیادہ عام مثال کی اخلاقی بات یہ ہے کہ ایک بہت ہی سمارٹ ماڈل سے غیر ارادی غلطیاں ہوتی ہیں اور انسانوں پر منفی اثر ڈال سکتی ہیں اور اس کے سنگین نتائج برآمد ہوتے ہیں۔ 

جہاں ڈیٹا کی وضاحت ہمیں لے جاتی ہے۔

ایک پیچیدہ مشین لرننگ ماڈل کی تفہیم کے ذریعے نتائج کا ترجمہ کرنے کے بجائے، ڈیٹا کی وضاحت کی اہلیت پیشین گوئیوں اور ناکامیوں کی وضاحت کے لیے ڈیٹا کا استعمال کر رہی ہے۔

ڈیٹا کی وضاحت کی اہلیت پھر ٹیسٹ ڈیٹا کو دیکھنے کا ایک مجموعہ ہے۔ اور یہ سمجھنا کہ ماڈل اس ڈیٹا سے کیا حاصل کرے گا۔ اس میں پیشین گوئیوں اور غلط پیشین گوئیوں کو درست طریقے سے سمجھنے کے لیے کم پیش کردہ ڈیٹا کے نمونوں کو سمجھنا، زیادہ پیش کردہ نمونے (جیسا کہ ملازمت کی مثال میں)، اور ماڈل کی شناخت کی شفافیت شامل ہے۔

اعداد و شمار کی وضاحت کی یہ فہم نہ صرف ماڈل کی درستگی اور انصاف پسندی کو بہتر بنائے گی بلکہ یہ وہ چیز ہوگی جو ماڈلز کو تیزی سے تیز کرنے میں مدد دیتی ہے۔

چونکہ ہم اپنی روزمرہ کی زندگیوں میں پیچیدہ AI اور ML پروگراموں پر انحصار کرتے اور ان کو شامل کرتے رہتے ہیں، بلیک باکس کے مسئلے کو حل کرنا خاص طور پر ناکامیوں اور غلط پیشین گوئیوں کے لیے اہم ہو جاتا ہے۔ 

اگرچہ ماڈل کی وضاحت کی صلاحیت ہمیشہ اپنی جگہ رہے گی، اس کے لیے ایک اور پرت کی ضرورت ہے۔ ہمیں اعداد و شمار کی وضاحت کی ضرورت ہے، جیسا کہ یہ سمجھنا کہ ماڈل کیا دیکھ رہا ہے اور پڑھنا کبھی بھی کلاسیکی ماڈل کی وضاحت کے دائرے میں نہیں آئے گا۔

• SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
• پلیٹوآئ اسٹریم۔ ویب 3 ڈیٹا انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
• ایڈریین ایشلے کے ساتھ مستقبل کا نقشہ بنانا۔ یہاں تک رسائی حاصل کریں۔
• PREIPO® کے ساتھ PRE-IPO کمپنیوں میں حصص خریدیں اور بیچیں۔ یہاں تک رسائی حاصل کریں۔
• ماخذ: https://www.dataversity.net/data-explainability-the-counterpart-to-model-explainability/