یہاں، میرا مقصد مصنوعی سیکھنے والے ذہین نظام (Artificial Learning Intelligence System: ALIS) کو اس کے تصورات اور اصولوں سے لے کر اس کے بنیادی ڈیزائن اور ترقیاتی طریقوں تک کو منظم کرنا ہے۔
تصور
موجودہ جنریٹیو AI، خاص طور پر بڑے لسانی ماڈلز، نیورل نیٹ ورکس کا استعمال کرتے ہوئے سپروائزڈ لرننگ کی بنیاد پر تربیت یافتہ ہوتے ہیں۔
ہم نیورل نیٹ ورک کی اس تربیتی عمل کو "فطری تعلیم" کے طور پر پیش کرتے ہیں۔
ALIS ایک ایسا نظام ہے جو فطری تعلیم سے علیحدہ ایک "حاصل کردہ تعلیم" کے عمل کو شامل کرکے، فطری اور حاصل کردہ دونوں تعلیمی عملوں کو یکجا کرکے جامع استدلال کو ممکن بناتا ہے۔
اس حاصل کردہ تعلیم میں، سیکھا ہوا علم نیورل نیٹ ورک کے باہر ذخیرہ کیا جاتا ہے اور استدلال کے دوران استعمال کیا جاتا ہے۔
لہٰذا، ALIS کا تکنیکی مرکز قابلِ استعمال علم کے استخراج، ذخیرہ اندوزی، اور استدلال کے دوران علم کے انتخاب اور استعمال میں پنہاں ہے۔
مزید برآں، ALIS محض ایک بنیادی ٹیکنالوجی نہیں بلکہ ایک سسٹم ٹیکنالوجی بھی ہے جو فطری اور حاصل کردہ تعلیم کو یکجا کرتی ہے۔
سیکھنے والے ذہین نظام کے عناصر
ALIS موجودہ فطری سیکھنے اور مستقبل میں حاصل کردہ سیکھنے دونوں کو سیکھنے اور استدلال کے فریم ورک کے اندر ایک ہی اصولوں پر کام کرنے کے طور پر دیکھتا ہے۔
ALIS میں سیکھنے کے اصولوں کی وضاحت کے لیے، ہم ایک سیکھنے والے ذہین نظام کے پانچ عناصر کی تعریف کرتے ہیں:
پہلا ذہین پروسیسر ہے۔ یہ ایک پروسیسنگ سسٹم سے مراد ہے جو علم کا استعمال کرتے ہوئے استدلال کرتا ہے اور سیکھنے کے لیے علم کو نکالتا ہے۔
ذہین پروسیسرز کی نمائندہ مثالوں میں LLMs اور انسانی دماغ کے کچھ حصے شامل ہیں۔
دوسرا علم کا ذخیرہ (Knowledge Store) ہے۔ یہ ایک ذخیرہ کرنے کی جگہ ہے جہاں نکالے گئے علم کو محفوظ کیا جاتا ہے اور ضرورت کے مطابق بازیافت کیا جا سکتا ہے۔
LLMs میں، علم کا ذخیرہ نیورل نیٹ ورک کے پیرامیٹرز ہیں۔ انسانوں میں، یہ دماغ میں طویل المدتی یادداشت کے مطابق ہے۔
تیسرا دنیا ہے۔ یہ بیرونی ماحول سے مراد ہے جیسا کہ انسانوں یا ALIS جیسے سیکھنے والے ذہین نظاموں کے ذریعے محسوس کیا جاتا ہے۔
انسانوں کے لیے، دنیا خود حقیقت ہے۔ LLMs کے معاملے میں، وہ طریقہ کار جو LLM سے آؤٹ پٹ حاصل کرتا ہے اور اسے فیڈ بیک فراہم کرتا ہے، دنیا کے مساوی سمجھا جاتا ہے۔
چوتھا حالت کی میموری (State Memory) ہے۔ یہ ایک اندرونی عارضی میموری سے مراد ہے، جیسے ایک سکریچ پیڈ، جسے ایک سیکھنے والا ذہین نظام استدلال کے دوران استعمال کرتا ہے۔
LLMs میں، یہ استدلال کے دوران استعمال ہونے والی میموری کی جگہ ہے، جسے پوشیدہ حالتیں (hidden states) کہا جاتا ہے۔ انسانوں میں، یہ قلیل المدتی یادداشت کے مطابق ہے۔
پانچواں فریم ورک ہے۔ یہ نام نہاد سوچ کا فریم ورک ہے۔ ایک سیکھنے والے ذہین نظام کی اصطلاحات میں، یہ استدلال کے دوران ضروری علم کے انتخاب کے معیار اور حالت کی میموری کو منظم کرنے کے لیے منطقی حالت کی جگہ کی ساخت سے مراد ہے۔
LLMs میں، یہ پوشیدہ حالتوں کی معنیاتی ساخت ہے، اور عام طور پر، اس کا مواد مبہم اور انسانوں کے لیے ناقابل فہم ہوتا ہے۔ مزید برآں، علم کا انتخاب توجہ کے طریقہ کار میں مربوط ہوتا ہے، جو ہر پروسیس ہونے والے ٹوکن کے لیے موجودہ ٹوکن میں سے کس کا حوالہ دینا ہے اسے منتخب کرتا ہے۔
انسانوں کے لیے، جیسا کہ اوپر ذکر کیا گیا ہے، یہ سوچ کا فریم ورک ہے۔ جب سوچ کے کسی مخصوص فریم ورک کا استعمال کرتے ہوئے سوچا جاتا ہے، تو مہارت کے کچھ مخصوص سیٹ طویل المدتی یادداشت سے یاد کیے جاتے ہیں اور قلیل المدتی یادداشت میں لوڈ کیے جاتے ہیں۔ پھر، موجودہ محسوس شدہ معلومات کو سوچ کے فریم ورک کے مطابق منظم کیا جاتا ہے تاکہ صورتحال کو سمجھا جا سکے۔
سیکھنے والے ذہین نظام کے اصول
ایک سیکھنے والا ذہین نظام مندرجہ ذیل طریقے سے کام کرتا ہے:
ذہین پروسیسر دنیا پر عمل کرتا ہے۔ دنیا اس عمل کی بنیاد پر نتائج دیتی ہے۔
ذہین پروسیسر ان نتائج سے دوبارہ قابلِ استعمال علم نکالتا ہے اور اسے نالج اسٹور میں محفوظ کرتا ہے۔
جب ذہین پروسیسر دنیا پر بار بار عمل کرتا ہے، تو وہ نالج اسٹور سے علم کا انتخاب کرتا ہے اور اسے اپنے عمل کے انداز کو تبدیل کرنے کے لیے استعمال کرتا ہے۔
یہ بنیادی طریقہ کار ہے۔
تاہم، بنیادی طور پر، علم کو نکالنے، ذخیرہ کرنے، منتخب کرنے اور استعمال کرنے کے طریقے یہ طے کرتے ہیں کہ آیا نظام بامعنی سیکھنے حاصل کر سکتا ہے۔
انسان ایسے میکانزم رکھتے ہیں جو مؤثر طریقے سے علم کو نکالنے، ذخیرہ کرنے، منتخب کرنے اور استعمال کرنے کے قابل بناتے ہیں، جس سے وہ سیکھ سکتے ہیں۔
نیورل نیٹ ورکس، بشمول LLMs، ذخیرہ کرنے، منتخب کرنے اور استعمال کرنے کے میکانزم رکھتے ہیں، اگرچہ استخراج کا حصہ ایک بیرونی استاد کے ذریعے سنبھالا جاتا ہے۔ یہ انہیں اس وقت تک سیکھنے کی اجازت دیتا ہے جب تک ایک استاد ان پٹ فراہم کرتا ہے۔
مزید برآں، ایک سیکھنے والا ذہین نظام فریم ورک کے استخراج، ذخیرہ، اور انتخاب، اور ریاستی یادداشت میں ان کے استعمال کو بھی علم کے طور پر سیکھ کر زیادہ پیچیدہ سیکھنے حاصل کر سکتا ہے۔
علم کی اقسام
اس اصول کی بنیاد پر، حاصل کردہ تعلیم کو ڈیزائن کرتے وقت، یہ واضح کرنا ضروری ہے کہ حاصل کردہ علم کس قسم کی معلومات کی شکل اختیار کرے گا۔
یہ ممکن ہے کہ حاصل کردہ علم کو نیورل نیٹ ورک کے پیرامیٹرز کے طور پر الگ سے سیکھا جائے۔
تاہم، حاصل کردہ علم کو صرف نیورل نیٹ ورک کے پیرامیٹرز تک محدود رکھنے کی ضرورت نہیں ہے۔ ایک حقیقت پسندانہ امیدوار قدرتی زبان میں تحریر شدہ علم ہے۔
اگر علم کو قدرتی زبان میں تحریر کیا جاتا ہے، تو اسے LLMs کی قدرتی زبان کی پروسیسنگ کی صلاحیتوں کا فائدہ اٹھا کر نکالا اور استعمال کیا جا سکتا ہے۔ مزید برآں، اسے ایک باقاعدہ IT سسٹم میں ڈیٹا کے طور پر سمجھا جا سکتا ہے، جس سے ذخیرہ اور انتخاب آسان ہو جاتا ہے۔
علاوہ ازیں، قدرتی زبان میں تحریر شدہ علم انسانوں اور دیگر LLMs کے لیے جانچنے، سمجھنے، اور بعض صورتوں میں ترمیم کرنے میں آسان ہوتا ہے۔
اسے دوسرے سیکھنے والے ذہین نظاموں کے ساتھ بھی شیئر کیا جا سکتا ہے، اور ضم یا تقسیم کیا جا سکتا ہے۔
ان وجوہات کی بنا پر، ALIS تصور میں حاصل کردہ علم کو ابتدائی طور پر قدرتی زبان میں تحریر شدہ علم کو ہدف بنانے کے لیے ڈیزائن کیا جائے گا۔
حاصل شدہ اسٹیٹ میموری اور فریم ورک
میں نے حاصل شدہ علم کے طور پر قدرتی زبان میں متن شدہ علم کو منتخب کرنے کے فوائد کی وضاحت کی ہے۔
اسی طرح، قدرتی زبان کے متن کو استدلال کے لیے اسٹیٹ میموری اور فریم ورک کے لیے بھی استعمال کیا جا سکتا ہے۔
فریم ورک، جو ایک تصوراتی ڈھانچہ ہے، کو علم کے ذخیرے میں قدرتی زبان کے متن شدہ علم کے طور پر بھی ذخیرہ اور استعمال کیا جا سکتا ہے۔
اس فریم ورک کے ذریعے تعریف شدہ ڈھانچے کی بنیاد پر اسٹیٹس کو شروع کرنے یا اپ ڈیٹ کرنے پر، متن پر مبنی اسٹیٹ میموری کا استعمال کیا جا سکتا ہے۔
ALIS کو اس طرح ڈیزائن کرنے سے کہ وہ حاصل شدہ علم کے ساتھ ساتھ فریم ورک اور اسٹیٹ میموری کے لیے بھی متن کی شکل استعمال کرے، ALIS LLMs کی قدرتی زبان کی پروسیسنگ کی صلاحیتوں سے حاصل شدہ سیکھنے اور عمومی استدلال دونوں کے لیے فائدہ اٹھا سکتا ہے۔
باضابطہ علم
حاصل شدہ علم، فریم ورک، اور اسٹیٹ میموری کو صرف قدرتی زبان کے متن سے ہی نہیں بلکہ زیادہ سخت رسمی زبانوں یا رسمی ماڈلز کے ذریعے بھی پیش کیا جا سکتا ہے۔
اگرچہ میں نے "منتخب کریں" لکھا ہے، ALIS کا ہدف یہ ہے کہ وہ متعدد حاصل شدہ علم سیکھنے کے میکانزم کو شامل کرے تاکہ فطری اور حاصل شدہ سیکھنے کے ہائبرڈ استعمال کی اجازت دی جا سکے۔
رسمی زبانوں یا رسمی ماڈلز کے ذریعے نمائندگی کرنے والا علم زیادہ سخت اور ابہام سے پاک ہو سکتا ہے۔
مزید برآں، اگر کسی فریم ورک کو رسمی زبان یا رسمی ماڈل کا استعمال کرتے ہوئے ظاہر کیا جاتا ہے، اور ابتدائی حالت کو اسٹیٹ میموری میں پھیلایا جاتا ہے، تو پھر ایک رسمی ماڈل کو ایک ذہین پروسیسر (LLM نہیں) کے ذریعے پروسیس کیا جا سکتا ہے تاکہ سخت نقالی اور منطقی استدلال انجام دیا جا سکے۔
ایسی رسمی زبانوں اور رسمی ماڈلز کی ایک اہم مثال پروگرامنگ زبانیں ہیں۔
جیسے جیسے نظام دنیا کے بارے میں سیکھتا ہے، اگر وہ بنیادی قوانین اور تصورات کو ایک فریم ورک کے اندر پروگراموں کے طور پر ظاہر کر سکتا ہے، تو انہیں کمپیوٹر کے ذریعے نقل کیا جا سکتا ہے۔
کالم 1: علم کی اقسام
جیسے جیسے ہم ایک سیکھنے والے ذہین نظام کے اندر علم کو منظم کرتے ہیں، یہ واضح ہوتا ہے کہ اسے وسیع پیمانے پر تین نظاموں اور دو اقسام میں درجہ بندی کیا جا سکتا ہے۔
تین نظام یہ ہیں: نیورل نیٹ ورکس کے ذریعے سنبھالا جانے والا نیٹ ورک پیرامیٹر علم، قدرتی زبان میں قدرتی علم، اور رسمی زبانوں میں رسمی علم۔
دو اقسام بے حال (stateless) اور باحال (stateful) ہیں۔
بے حال نیٹ ورک پیرامیٹر علم بدیہی علم ہے، جیسا کہ ڈیپ لرننگ AI میں پایا جاتا ہے۔ بلیوں اور کتوں کی خصوصیات، جن کے بارے میں زبانی طور پر سوچا یا شناخت نہیں کیا جا سکتا، کو بے حال نیٹ ورک پیرامیٹر علم کے طور پر سیکھا جا سکتا ہے۔
باحال نیٹ ورک پیرامیٹر علم مبہم، تکراری عمل سے ماخوذ علم ہے، جیسا کہ جنریٹیو AI میں پایا جاتا ہے۔
بے حال قدرتی علم ایسا علم ہے جیسا کہ کسی لفظ سے وابستہ معنی۔
باحال قدرتی علم وہ علم ہے جس میں جملے کے اندر پایا جانے والا سیاق و سباق شامل ہو۔
کچھ قدرتی علم بنیادی طور پر باحال نیٹ ورک پیرامیٹر علم میں شامل ہوتا ہے، لیکن ایسا علم بھی ہے جو قدرتی زبان کے متن سے بعد از پیدائش حاصل کیا جا سکتا ہے۔
بے حال رسمی علم ایسا علم ہے جسے ریاضیاتی فارمولوں سے ظاہر کیا جا سکتا ہے جن میں تکرار شامل نہیں ہوتی۔ باحال رسمی علم ایسا علم ہے جسے پروگراموں سے ظاہر کیا جا سکتا ہے۔
انسان کا اپنا دماغ کی قلیل مدتی یادداشت کو بھی قدرتی اور رسمی علم کے لیے حالت کی یادداشت کے طور پر استعمال کیا جا سکتا ہے۔
تاہم، چونکہ یہ قلیل مدتی یادداشت ہے، اس لیے یہ مسئلہ ہے کہ حالت کو مستحکم طریقے سے برقرار رکھنا مشکل ہے۔ نیز، یہ علم کو رسمی، غیر مبہم حالت میں رکھنے میں اچھا نہیں ہے۔
دوسری طرف، کاغذ، کمپیوٹر، یا اسمارٹ فونز کو قدرتی زبان کے متن، رسمی زبانوں، یا رسمی ماڈلز کو لکھنے اور ترمیم کرنے کے لیے حالت کی یادداشت کے طور پر استعمال کیا جا سکتا ہے۔
عام طور پر، کاغذ یا کمپیوٹر پر موجود ڈیٹا کو اکثر علم کے ذخیرے کے طور پر علم کو ذخیرہ کرنے کے لیے کچھ سمجھا جاتا ہے، لیکن اسے خیالات کو منظم کرنے کے لیے حالت کی یادداشت کے طور پر بھی استعمال کیا جا سکتا ہے۔
اس طرح، یہ واضح ہے کہ انسان ان تین نظاموں اور دو اقسام کے علم کو مہارت سے استعمال کرکے فکری سرگرمیاں انجام دیتے ہیں۔
ALIS میں بھی ان ہی تین نظاموں اور دو اقسام کے علم کا فائدہ اٹھانے والی فکری سرگرمیوں کو فعال اور بہتر بنا کر اپنی صلاحیتوں کو ڈرامائی طور پر بہتر بنانے کی صلاحیت ہے۔
خاص طور پر، ALIS میں وسیع علم کے ذخائر اور حالت کی یادداشت کو استعمال کرنے کی طاقت ہے۔ مزید برآں، یہ ہر ایک کی متعدد مثالیں آسانی سے تیار کر سکتا ہے اور انہیں تبدیل یا یکجا کرکے فکری کام انجام دے سکتا ہے۔
کالم 2: فکری آرکیسٹریشن (Intellectual Orchestration)
اگرچہ علم کے ذخیرے میں بڑی مقدار میں علم کو ذخیرہ کرنے کی طاقت موجود ہے، لیکن صرف بڑی مقدار میں علم کا ہونا فکری سرگرمی کے لیے ضروری نہیں کہ فائدہ مند ہو، کیونکہ جنریٹیو AI ایک وقت میں استعمال کر سکنے والے ٹوکنز کی تعداد پر پابندیاں اور یہ مجبوری کہ غیر متعلقہ علم شور بن جاتا ہے۔
دوسری طرف، علم کے ذخیرے کو مناسب طریقے سے تقسیم کرنے اور مخصوص فکری کاموں کے لیے ضروری علم کو اکٹھا کرنے والے زیادہ کثافت والے، خصوصی علم کے ذخائر بنا کر، ٹوکن کی حدوں اور شور کے مسائل کو کم کیا جا سکتا ہے۔
اس کے بدلے میں، ایسے خصوصی علم کے ذخائر صرف انہی مخصوص فکری کاموں کے لیے قابلِ استعمال ہوں گے۔
بہت سی فکری سرگرمیاں مختلف فکری کاموں کا پیچیدہ امتزاج ہوتی ہیں۔ لہٰذا، علم کو فکری کام کی قسم کے مطابق خصوصی علم کے ذخائر میں تقسیم کرکے اور فکری سرگرمی کو فکری کاموں میں مزید تقسیم کرکے، ALIS خصوصی علم کے ذخائر کے درمیان مناسب طریقے سے سوئچ کرتے ہوئے پوری فکری سرگرمی کو انجام دے سکتا ہے۔
یہ ایک آرکسٹرا کی طرح ہے جو مختلف ساز بجانے والے پیشہ ور موسیقاروں اور پورے کو لیڈ کرنے والے کنڈکٹر پر مشتمل ہوتا ہے۔
اس نظام ٹیکنالوجی، "فکری آرکیسٹریشن،" کے ذریعے ALIS اپنی فکری سرگرمیوں کو منظم کرنے کے قابل ہو گا۔
ALIS کا بنیادی ڈیزائن اور ترقی کا طریقہ کار
اب میں ALIS کے لیے ترقیاتی طریقہ کار کو منظم کروں گا۔
جیسا کہ پہلے ہی اصولوں اور کالموں میں بیان کیا جا چکا ہے، ALIS بنیادی طور پر اپنی افعال اور وسائل کو آسانی سے وسعت دینے کے لیے ڈیزائن کیا گیا ہے۔ اس کی وجہ یہ ہے کہ ALIS کا جوہر مخصوص افعال میں نہیں، بلکہ علم کے استخراج، ذخیرہ اندوزی، انتخاب، اور استعمال کے عمل میں مضمر ہے۔
مثال کے طور پر، علم کے استخراج کے متعدد میکانزم تیار کیے جا سکتے ہیں، اور پھر نظام کے ڈیزائن کے لحاظ سے ان میں سے انتخاب کیا جا سکتا ہے یا انہیں بیک وقت استعمال کیا جا سکتا ہے۔
مزید برآں، ALIS کو یہ انتخاب خود کرنے کے لیے بھی تیار کیا جا سکتا ہے۔
ذخیرہ اندوزی، انتخاب، اور استعمال کو بھی اسی طرح آزادانہ طور پر منتخب یا متوازی کیا جا سکتا ہے۔
اس لیے، ALIS کو تدریجی اور چست طریقے سے تیار کیا جا سکتا ہے، جس کے لیے پورے فنکشنلٹی کو واٹر فال طریقے سے ڈیزائن کرنے کی ضرورت نہیں ہوتی۔
ALIS کا آغاز
اب، آئیے ایک بہت ہی سادہ ALIS ڈیزائن کرتے ہیں۔
بنیادی UI وہی واقف چیٹ AI ہوگا۔ ابتدائی طور پر، صارف کا ان پٹ براہ راست LLM کو دیا جائے گا۔ LLM کا جواب پھر UI پر دکھایا جائے گا، اور سسٹم اگلے صارف کے ان پٹ کا انتظار کرے گا۔
جب اگلا ان پٹ آئے گا، تو LLM کو نہ صرف نیا ان پٹ ملے گا بلکہ اس وقت تک صارف اور LLM کے درمیان کی پوری چیٹ ہسٹری بھی ملے گی۔
اس چیٹ AI UI کے پیچھے، ہم چیٹ ہسٹری سے دوبارہ استعمال کے قابل علم نکالنے کا ایک طریقہ کار تیار کریں گے۔
اسے چیٹ AI سسٹم میں ایک ایسے عمل کے طور پر شامل کیا جا سکتا ہے جو گفتگو کے اختتام پر یا باقاعدہ وقفوں پر انجام دیا جاتا ہے۔ یقیناً، علم نکالنے کے لیے ایک LLM استعمال کیا جائے گا۔
اس LLM کو ALIS کے تصور اور اصول، ساتھ ہی علم نکالنے کی مہارت، سسٹم پرامپٹس کے طور پر دی جائے گی۔ اگر علم مطلوبہ طریقے سے نہیں نکالا جاتا، تو سسٹم پرامپٹس کو آزمائش اور غلطی کے ذریعے بہتر کیا جانا چاہیے۔
چیٹ ہسٹری سے نکالا گیا علم براہ راست ایک نالج لیک (knowledge lake) میں ذخیرہ کیا جائے گا۔ نالج لیک علم کو ساختہ کرنے سے پہلے اسے فلیٹ، غیر ساختہ حالت میں سادہ طور پر ذخیرہ کرنے کا ایک طریقہ کار ہے۔
اگلا، ہم نالج لیک سے علم کو منتخب کرنا آسان بنانے کے لیے ایک ساختہ سازی کا طریقہ کار تیار کریں گے۔
اس کا مطلب یہ ہے کہ سیمنٹک سرچ کے لیے ایمبیڈنگ ویکٹر اسٹورز فراہم کیے جائیں، جیسا کہ عام طور پر RAG میں استعمال ہوتے ہیں، اور کلیدی لفظ انڈیکسز، دیگر چیزوں کے ساتھ۔
مزید جدید اختیارات میں نالج گراف تیار کرنا یا زمرہ بندی کرنا شامل ہے۔
نالج لیک کے لیے ساختہ معلومات کے اس مجموعے کو نالج بیس (knowledge base) کہا جائے گا۔ یہ پورا نالج بیس اور نالج لیک مل کر نالج اسٹور (knowledge store) بنائیں گے۔
اگلا، ہم نالج اسٹور کو چیٹ UI پروسیسنگ میں ضم کریں گے۔
یہ بنیادی طور پر ایک عام RAG طریقہ کار جیسا ہی ہے۔ صارف کے ان پٹ کے لیے، متعلقہ علم نالج اسٹور سے منتخب کیا جاتا ہے اور صارف کے ان پٹ کے ساتھ LLM کو دیا جاتا ہے۔
اس سے LLM کو صارف کے ان پٹ پر کارروائی کرتے وقت خود بخود علم استعمال کرنے کی اجازت ملتی ہے۔
اس طرح، صارف کے ساتھ ہر گفتگو کے ساتھ علم جمع ہوتا جائے گا، جس سے ایک سادہ ALIS حاصل ہوگا جو ماضی کی گفتگو سے جمع شدہ علم کا استعمال کرتا ہے۔
سادہ منظرنامہ
مثال کے طور پر، تصور کریں کہ ایک صارف اس سادہ ALIS کا استعمال کرتے ہوئے ایک ویب ایپلیکیشن تیار کر رہا ہے۔
صارف نے اطلاع دی کہ LLM کے تجویز کردہ کوڈ میں خرابی (error) پیدا ہو گئی ہے۔ صارف اور LLM کے درمیان مسئلے کو حل کرنے کے لیے تعاون کے بعد، انہیں معلوم ہوتا ہے کہ LLM کو معلوم بیرونی API کی تفصیلات پرانی ہو چکی تھیں، اور تازہ ترین API تفصیلات کے مطابق ڈھالنے کے بعد پروگرام صحیح طریقے سے کام کرتا ہے۔
اس چیٹ تھریڈ سے، ALIS اپنے نالج اسٹور میں علم جمع کر سکتا ہے: خاص طور پر، یہ کہ LLM کو معلوم API کی تفصیلات پرانی ہیں، اور تازہ ترین API تفصیلات کیا ہیں۔
پھر، اگلی بار جب اسی API کا استعمال کرتے ہوئے کوئی پروگرام بنایا جائے گا، تو ALIS اس علم کا فائدہ اٹھا کر شروع سے ہی تازہ ترین API تفصیلات پر مبنی پروگرام تیار کر سکے گا۔
ابتدائی ALIS میں بہتری
تاہم، ایسا ہونے کے لیے، اس علم کو صارف کے ان پٹ کے جواب میں منتخب کیا جانا چاہیے۔ یہ ممکن ہے کہ یہ علم صارف کے ان پٹ سے براہ راست منسلک نہ ہو، کیونکہ مسئلہ پیدا کرنے والے API کا نام صارف کے ان پٹ میں ظاہر نہیں ہو سکتا۔
اس صورت میں، API کا نام صرف LLM کے جواب کے دوران ظاہر ہوگا۔
لہٰذا، ہم سادہ ALIS کو تھوڑا سا بڑھا کر پہلے سے تجزیہ (pre-analysis) اور بعد از جانچ (post-checking) کے طریقہ کار شامل کریں گے۔
پہلے سے تجزیہ حالیہ LLMs میں "سوچ کے موڈ" (thought mode) کے مشابہ ہے۔ ایک ایسی میموری جو متن کو حالت کی میموری کے طور پر رکھ سکے گی تیار کی جائے گی، اور سسٹم پرامپٹ LLM کو صارف کا ان پٹ موصول ہونے پر پہلے سے تجزیہ کرنے کی ہدایت دے گا۔
LLM کا پہلے سے تجزیہ کا نتیجہ حالت کی میموری میں ذخیرہ کیا جائے گا۔ اس پہلے سے تجزیہ کے نتیجے کی بنیاد پر، نالج اسٹور سے علم کا انتخاب کیا جائے گا۔
پھر، چیٹ ہسٹری، پہلے سے تجزیہ کا نتیجہ، صارف کے ان پٹ سے متعلقہ علم، اور پہلے سے تجزیہ کے نتیجے سے متعلقہ علم LLM کو ایک جواب حاصل کرنے کے لیے دیا جائے گا۔
مزید برآں، LLM کے ذریعے واپس کیا گیا نتیجہ بھی نالج اسٹور سے علم تلاش کرنے کے لیے استعمال کیا جائے گا۔ وہاں پائے جانے والے علم کو شامل کرتے ہوئے، LLM سے بعد از جانچ کرنے کے لیے کہا جائے گا۔
اگر کوئی مسائل پائے جاتے ہیں، تو مسائل کے نکات اور نشاندہی کی وجوہات شامل کی جائیں گی اور چیٹ LLM کو واپس دی جائیں گی۔
پہلے سے تجزیہ اور بعد از جانچ کے دوران علم کو منتخب کرنے کے مواقع فراہم کرکے، ہم جمع شدہ علم کو استعمال کرنے کے امکانات بڑھا سکتے ہیں۔
آؤٹ لک (Outlook)
ابتدائی ALIS کی تعمیر اور پھر اس کی خامیوں کو دور کرنے کے لیے بہتریوں کا اضافہ چست ترقی (agile development) اور ALIS کی تدریجی بہتری کی بہترین مثال پیش کرتا ہے۔
مزید برآں، جیسا کہ مثال دی گئی، ابتدائی ALIS سافٹ ویئر ڈویلپمنٹ میں استعمال کے لیے سب سے موزوں ہے۔ اس کی وجہ یہ ہے کہ یہ ایک زیادہ مانگ والا شعبہ ہے اور ایسا بھی ہے جہاں علم کو آسانی سے واضح طور پر جمع کیا جا سکتا ہے۔
یہ ایک ایسی صنف ہے جہاں چیزیں واضح طور پر سیاہ یا سفید ہوتی ہیں، پھر بھی یہ ایک اہم شعبہ بھی ہے جہاں آزمائش اور غلطی، بار بار علم جمع کرنا ضروری اور اہم ہے۔
اس کے علاوہ، چونکہ ALIS کی ترقی خود سافٹ ویئر ڈویلپمنٹ ہے، اس لیے یہ حقیقت بھی دلکش ہے کہ ALIS کے ڈویلپرز خود ALIS کے صارفین ہو سکتے ہیں۔
اور، ALIS سسٹم کے ساتھ، نالج لیک کو گٹ ہب (GitHub) جیسے پلیٹ فارمز پر بھی کھلے عام شیئر کیا جا سکتا ہے۔
اس سے بہت سے لوگوں کو ALIS سسٹم کی بہتری اور علم جمع کرنے میں تعاون کرنے کی اجازت ملے گی، جس سے ہر کوئی نتائج سے مستفید ہوگا، اور ALIS کی ترقی مزید تیز ہوگی۔
یقیناً، علم کا اشتراک صرف ALIS ڈویلپرز تک محدود نہیں ہے بلکہ ALIS استعمال کرنے والے تمام سافٹ ویئر ڈویلپرز سے جمع کیا جا سکتا ہے۔
یہ حقیقت کہ علم قدرتی زبان میں ہے، دو مزید فوائد پیش کرتی ہے:
پہلا فائدہ یہ ہے کہ علم کا فائدہ اٹھایا جا سکتا ہے چاہے LLM ماڈل تبدیل ہو یا اپ ڈیٹ ہو۔
دوسرا فائدہ یہ ہے کہ وسیع جمع شدہ نالج لیک کو LLMs کے لیے پری ٹریننگ ڈیٹاسیٹ کے طور پر استعمال کیا جا سکتا ہے۔ یہ دو طریقوں سے کیا جا سکتا ہے: اسے فائن ٹیوننگ کے لیے استعمال کرکے، یا اسے خود LLM پری ٹریننگ کے لیے استعمال کرکے۔
کسی بھی صورت میں، اگر LLMs جو نالج لیک میں جمع شدہ علم کو فطری طور پر سیکھ چکے ہیں، کو استعمال کیا جا سکے، تو سافٹ ویئر ڈویلپمنٹ مزید موثر ہو جائے گی۔
مزید برآں، سافٹ ویئر ڈویلپمنٹ کے اندر، مختلف عمل ہیں جیسے کہ ضروریات کا تجزیہ، ڈیزائن، عمل درآمد، جانچ، آپریشن، اور دیکھ بھال، اور ہر سافٹ ویئر ڈومین اور پلیٹ فارم کے لیے خصوصی علم موجود ہے۔ اگر ان نقطہ نظر سے وسیع جمع شدہ علم کو تقسیم کرنے کا ایک طریقہ کار بنایا جاتا ہے، تو ایک ALIS آرکیسٹرا بھی تشکیل دیا جا سکتا ہے۔
اس طرح، ALIS کے لیے بنیادی ٹیکنالوجیز موجود ہیں۔ اب اصل بات یہ ہے کہ عملی طور پر مختلف طریقوں کو آزمایا جائے—جیسے علم نکالنے کی مہارت، مناسب علم کا انتخاب، خصوصی علم کی تقسیم، اور اسٹیٹ میموری کا استعمال کیسے کیا جائے—تاکہ موثر طریقوں کو دریافت کیا جا سکے۔ نیز، جیسے جیسے پیچیدگی بڑھتی ہے، پروسیسنگ کا وقت اور LLM کے استعمال کے اخراجات بڑھیں گے، جس کے لیے آپٹیمائزیشن کی ضرورت ہوگی۔
یہ آزمائش اور غلطی اور آپٹیمائزیشن کے عمل کو فریم ورک کی ترقی اور بہتری کے ذریعے موافقانہ طور پر جاری رکھا جا سکتا ہے۔
ابتدائی طور پر، ڈویلپرز، بطور صارفین، ممکنہ طور پر آزمائش اور غلطی کے ذریعے فریم ورک کو ALIS میں شامل کریں گے۔ تاہم، اس کے باوجود بھی، LLM کو خود فریم ورک کے خیالات پیدا کرنے کے لیے بنایا جا سکتا ہے۔
اور ALIS میں ایسے فریم ورک کو شامل کرکے جو دنیا سے حاصل شدہ نتائج اور نکالے گئے علم کی بنیاد پر فریم ورک کو بہتر بناتے یا دریافت کرتے ہیں، ALIS خود موافقانہ طور پر آزمائش اور غلطی اور آپٹیمائزیشن انجام دے گا۔
حقیقی دنیا میں ALIS
ایک بار جب ALIS کو اس مرحلے تک بہتر کر لیا جائے گا، تو اسے نہ صرف سافٹ ویئر ڈویلپمنٹ کی دنیا میں بلکہ وسیع پیمانے پر مختلف شعبوں میں بھی علم سیکھنے کے قابل ہونا چاہیے۔
سافٹ ویئر ڈویلپمنٹ کی طرح، ALIS سے توقع کی جاتی ہے کہ وہ اپنی گنجائش کو ان مختلف فکری سرگرمیوں تک بڑھائے گا جو انسان کمپیوٹرز کا استعمال کرتے ہوئے انجام دیتے ہیں۔
ایسی خالص فکری سرگرمیوں میں بھی، ALIS ہدف کی دنیا کے حوالے سے ایک قسم کی مجسم AI نوعیت کا حامل ہوتا ہے۔
یہ اس لیے ہے کہ یہ خود اور دنیا کے درمیان کی حد کو پہچانتا ہے، اس حد کے ذریعے دنیا پر عمل کرتا ہے، اور دنیا سے حاصل ہونے والی معلومات کو سمجھ سکتا ہے۔
جسے ہم عام طور پر "جسم" کہتے ہیں وہ دنیا کے ساتھ ایک حد ہوتی ہے جو جسمانی طور پر نظر آتی ہے اور ایک جگہ پر مقامی ہوتی ہے۔
تاہم، یہاں تک کہ اگر حد پوشیدہ اور مکانی طور پر تقسیم شدہ ہو، تو بھی حد کے ذریعے ادراک اور عمل کی ساخت جسمانی جسم رکھنے جیسی ہی ہوتی ہے۔
اس لحاظ سے، ALIS، جب فکری سرگرمیاں انجام دیتا ہے، تو اسے ایک مجازی مجسم AI کی نوعیت کا حامل سمجھا جا سکتا ہے۔
اور ایک بار جب ALIS کو اس مرحلے تک بہتر کر لیا جائے گا جہاں وہ نئی، نامعلوم دنیاؤں میں بھی مناسب طریقے سے سیکھ سکے گا، تو یہ امکان ہے کہ ALIS کو ایک حقیقی مجسم AI کے حصے کے طور پر ضم کیا جا سکے گا جو جسمانی جسم کا مالک ہو۔
اس طرح، ALIS بالآخر حقیقی دنیا پر لاگو کیا جائے گا اور اس سے سیکھنا شروع کر دے گا۔