مصنوعی سیکھنے والی ذہانت کا نظام: ALIS کا تصور

یہاں، میں مصنوعی سیکھنے والی ذہانت کے نظام (ALIS) کو اس کے تصور، اصولوں، بنیادی ڈیزائن، اور ترقیاتی طریقہ کار کی تفصیلات فراہم کر کے منظم کرنا چاہوں گا۔

تصور

موجودہ تخلیقی AI، بنیادی طور پر بڑے لسانی ماڈل، نیورل نیٹ ورک پر مبنی سپروائزڈ لرننگ کی بنیاد پر تربیت یافتہ ہوتے ہیں۔

ایک سیکھنے کے عمل کے طور پر، ہم اس نیورل نیٹ ورک کی تعلیم کو فطری تعلیم کے طور پر بیان کرتے ہیں۔

ALIS، فطری تعلیم سے ہٹ کر، حاصل کردہ سیکھنے کے عمل کو ضم کرتا ہے تاکہ دونوں سیکھنے کے عمل کو یکجا کرنے والے استدلال کو ممکن بنایا جا سکے۔

اس حاصل کردہ سیکھنے میں، سیکھا ہوا علم نیورل نیٹ ورک کے باہر جمع ہوتا ہے اور استدلال کے دوران استعمال ہوتا ہے۔

لہذا، ALIS کا تکنیکی مرکز استدلال کے دوران دوبارہ قابل استعمال علم کے حصول، ذخیرہ، اور انتخاب اور استعمال میں ہے۔

مزید برآں، ALIS محض ایک بنیادی ٹیکنالوجی نہیں ہے، بلکہ ایک ایسا نظام ٹیکنالوجی ہے جو فطری تعلیم اور حاصل کردہ سیکھنے کو یکجا کرتا ہے۔

سیکھنے والی ذہانت کے نظام کے عناصر

ALIS اس اصول کے تحت کام کرتا ہے کہ موجودہ فطری تعلیم اور مستقبل میں زیر غور حاصل کردہ تعلیم دونوں سیکھنے اور استدلال کے ایک ہی فریم ورک کی پیروی کرتے ہیں۔

ALIS میں سیکھنے کے اصولوں کی وضاحت کرنے کے لیے، ہم سیکھنے والے ذہانت کے نظام کے پانچ عناصر کی تعریف کرتے ہیں۔

پہلا عنصر ذہین پروسیسر ہے۔ اس سے مراد ایک پروسیسنگ نظام ہے جو علم کا استعمال کرتے ہوئے استدلال کرتا ہے اور سیکھنے کے لیے علم نکالتا ہے۔

بڑے لسانی ماڈلز (LLMs) اور انسانی دماغ کے کچھ حصے ذہین پروسیسرز کی اہم مثالیں ہیں۔

دوسرا عنصر علم کا ذخیرہ ہے۔ اس سے مراد ایک ذخیرہ کرنے کی جگہ ہے جہاں نکالے گئے علم کو محفوظ کیا جا سکتا ہے اور ضرورت کے مطابق دوبارہ حاصل کیا جا سکتا ہے۔

LLMs میں، علم کا ذخیرہ نیورل نیٹ ورک کے پیرامیٹرز پر مشتمل ہوتا ہے۔ انسانوں میں، یہ دماغ میں طویل مدتی یادداشت کے مطابق ہوتا ہے۔

تیسرا عنصر دنیا ہے۔ اس سے مراد بیرونی ماحول ہے جیسا کہ انسانوں یا ALIS جیسے سیکھنے والے ذہین نظام کے ذریعہ سمجھا جاتا ہے۔

انسانوں کے لیے، دنیا خود حقیقت ہے۔ LLMs کے معاملے میں، ایک ایسا طریقہ کار جو LLM سے آؤٹ پٹ حاصل کرتا ہے اور اسے فیڈ بیک فراہم کرتا ہے، دنیا کے برابر سمجھا جا سکتا ہے۔

چوتھا عنصر ریاستی یادداشت ہے۔ اس سے مراد ایک اندرونی عارضی یادداشت جیسی جزو ہے جو سیکھنے والے ذہین نظام کے ذریعہ استدلال کے دوران استعمال ہوتی ہے۔

LLMs میں، یہ استدلال کے دوران استعمال ہونے والی یادداشت کی جگہ ہے، جسے پوشیدہ حالتیں کہا جاتا ہے۔ انسانوں میں، یہ قلیل مدتی یادداشت کے مطابق ہوتا ہے۔

پانچواں عنصر فریم ورک ہے۔ یہ، دوسرے الفاظ میں، ایک سوچ کا ڈھانچہ ہے۔ سیکھنے والے ذہانت کے نظام کی اصطلاحات میں، یہ استدلال کے دوران ضروری علم کے انتخاب کے معیار اور ریاستی یادداشت کو منظم کرنے کے لیے ایک منطقی ریاستی جگہ کے ڈھانچے کا حوالہ دیتا ہے۔

LLMs میں، یہ پوشیدہ حالتوں کی معنوی ساخت ہے، اور اس کے مندرجات عام طور پر مبہم ہوتے ہیں اور انسانوں کے لیے ناقابل فہم ہوتے ہیں۔ مزید برآں، علم کا انتخاب توجہ کے میکانزم میں شامل ہوتا ہے، جو پروسیس کیے جانے والے ہر ٹوکن کے لیے موجودہ ٹوکنز میں سے کس کا حوالہ دینا ہے اسے منتخب کرتا ہے۔

انسانوں میں، جیسا کہ اوپر ذکر کیا گیا ہے، یہ ایک سوچ کا ڈھانچہ ہے۔ جب کسی مخصوص فریم ورک کا استعمال کرتے ہوئے سوچا جاتا ہے، تو مہارت کا ایک خاص مجموعہ طویل مدتی یادداشت سے یاد کیا جاتا ہے اور قلیل مدتی یادداشت میں لوڈ کیا جاتا ہے۔ پھر، موجودہ سمجھی جانے والی معلومات کو سوچ کے فریم ورک کے مطابق منظم کیا جاتا ہے تاکہ صورت حال کو سمجھا جا سکے۔

سیکھنے والی ذہانت کے نظام کے اصول

ایک سیکھنے والا ذہین نظام اس طرح کام کرتا ہے:

ایک ذہین پروسیسر دنیا پر عمل کرتا ہے۔ دنیا، اس عمل کے جواب میں، نتائج واپس کرتی ہے۔

ذہین پروسیسر ان نتائج سے دوبارہ قابل استعمال علم نکالتا ہے اور اسے علم کے ذخیرہ میں محفوظ کرتا ہے۔

دنیا پر بار بار عمل کرتے وقت، ذہین پروسیسر علم کے ذخیرہ سے علم کا انتخاب کرتا ہے اور اسے اپنے اعمال کو تبدیل کرنے کے لیے استعمال کرتا ہے۔

یہ بنیادی طریقہ کار ہے۔

تاہم، بنیادی طور پر، علم نکالنے، ذخیرہ کرنے، انتخاب کرنے اور استعمال کرنے کے طریقے ہی یہ طے کرتے ہیں کہ آیا نظام بامعنی سیکھنے کا مظاہرہ کر سکتا ہے۔

انسانوں کے پاس ایسے طریقہ کار موجود ہیں جو علم نکالنے، ذخیرہ کرنے، انتخاب کرنے اور استعمال کرنے کو مؤثر طریقے سے سنبھالتے ہیں، جس سے انہیں سیکھنے میں مدد ملتی ہے۔

LLM سمیت نیورل نیٹ ورکس، اپنے استخراج کو بیرونی اساتذہ کے ذریعے سنبھالتے ہیں، لیکن ان میں ذخیرہ کرنے، انتخاب کرنے اور استعمال کرنے کے طریقہ کار موجود ہوتے ہیں۔ یہ انہیں اس وقت تک سیکھنے کی اجازت دیتا ہے جب تک انہیں ایک استاد فراہم کیا جاتا ہے۔

مزید برآں، ایک سیکھنے والا ذہین نظام فریم ورکس کے استخراج، ذخیرہ، اور انتخاب، اور ریاستی یادداشت میں ان کے استعمال کے طریقوں کو بھی علم کے طور پر سیکھ سکتا ہے، جس سے زیادہ پیچیدہ سیکھنے کو ممکن بنایا جا سکتا ہے۔

علم کی اقسام

ان اصولوں کی بنیاد پر، حاصل شدہ تعلیم کو ڈیزائن کرتے وقت، یہ واضح کرنا ضروری ہے کہ حاصل شدہ علم کس شکل میں ہوگا۔

ایک طریقہ پر غور کیا جا سکتا ہے جہاں حاصل شدہ علم کو الگ سے نیورل نیٹ ورک کے پیرامیٹرز کے طور پر بھی سیکھا جاتا ہے۔

تاہم، حاصل شدہ علم کو صرف نیورل نیٹ ورک کے پیرامیٹرز تک محدود رکھنے کی ضرورت نہیں ہے۔ ایک عملی امیدوار وہ علم ہے جو قدرتی زبان میں تحریر کیا گیا ہو۔

قدرتی زبان میں تحریر شدہ علم کو LLMs کی قدرتی زبان پروسیسنگ کی صلاحیتوں کا فائدہ اٹھا کر حاصل اور استعمال کیا جا سکتا ہے۔ مزید برآں، چونکہ اسے معیاری IT سسٹمز میں ڈیٹا کے طور پر سنبھالا جا سکتا ہے، اس لیے ذخیرہ اور انتخاب بھی آسان ہے۔

اس کے علاوہ، قدرتی زبان میں تحریر شدہ علم انسانوں اور دیگر LLMs کے لیے جانچنا، سمجھنا، اور کچھ صورتوں میں اس کے مواد میں ترمیم کرنا بھی آسان ہے۔

اسے دیگر سیکھنے والے ذہانت کے نظاموں کے ساتھ بھی شیئر، ضم، یا تقسیم کیا جا سکتا ہے۔

ان وجوہات کی بنا پر، ALIS تصور میں حاصل شدہ علم کو ابتدائی طور پر قدرتی زبان میں تحریر شدہ علم کو ہدف بنانے کے لیے ڈیزائن کیا جائے گا۔

حاصل شدہ ریاستی یادداشت اور فریم ورکس

ہم نے حاصل شدہ علم کی شکل کے طور پر قدرتی زبان کے متن کو منتخب کرنے کے فوائد کی وضاحت کی ہے۔

اسی طرح، استدلال کے لیے ریاستی یادداشت اور فریم ورکس کے لیے بھی قدرتی زبان کے متن کا استعمال کیا جا سکتا ہے۔

فریم ورکس، تصوراتی ڈھانچے کے طور پر، علم کے ذخیرہ میں قدرتی زبان میں تحریر شدہ علم کے طور پر ذخیرہ اور استعمال کیے جا سکتے ہیں۔

حتیٰ کہ جب ایک فریم ورک کے ذریعے بیان کردہ ڈھانچے کی بنیاد پر ریاستوں کو شروع یا اپ ڈیٹ کیا جاتا ہے، تو ٹیکسٹ فارمیٹ کی ریاستی یادداشت کا استعمال کیا جا سکتا ہے۔

حاصل شدہ علم کے ساتھ ساتھ فریم ورکس اور ریاستی یادداشت کو ٹیکسٹ فارمیٹ میں ڈیزائن کر کے، ALIS عام طور پر حاصل شدہ سیکھنے اور استدلال کے لیے LLMs کی قدرتی زبان پروسیسنگ کی صلاحیتوں کا فائدہ اٹھا سکتا ہے۔

رسمی علم

حاصل شدہ علم، فریم ورکس اور ریاستی یادداشت کو نہ صرف قدرتی زبان کے متن میں بلکہ زیادہ سخت رسمی زبانوں یا رسمی ماڈلز میں بھی بیان کیا جا سکتا ہے۔

اگرچہ میں نے "منتخب" لکھا ہے، ALIS کا مقصد متعدد الگ الگ حاصل کردہ علم کے سیکھنے کے میکانزم کو شامل کرنا ہے تاکہ فطری اور حاصل کردہ سیکھنے کے ہائبرڈ استعمال کو ممکن بنایا جا سکے۔

رسمی زبانوں یا رسمی ماڈلز کے ذریعہ نمائندہ علم کو زیادہ درست اور غیر مبہم بنایا جا سکتا ہے۔

مزید برآں، اگر ایک فریم ورک کو رسمی زبان یا ماڈل کا استعمال کرتے ہوئے بیان کیا جاتا ہے اور ابتدائی حالت ریاستی یادداشت میں ظاہر کی جاتی ہے، تو ایک LLM کے بجائے رسمی ماڈلز کو پروسیس کرنے کی صلاحیت رکھنے والے ذہین پروسیسر کے ذریعہ ایک سخت ماڈل کے ساتھ ایک سمولیشن یا منطقی ترقی کی جا سکتی ہے۔

ایسی رسمی زبانوں یا رسمی ماڈلز کی ایک اہم مثال پروگرامنگ زبانیں ہیں۔

جیسے جیسے نظام دنیا کے بارے میں سیکھتا ہے، اگر وہ وہاں پائے جانے والے قوانین اور تصورات کو ایک فریم ورک میں ایک پروگرام کے طور پر بیان کر سکتا ہے، تو وہ انہیں کمپیوٹر پر سمیولیٹ کر سکتا ہے۔

کالم 1: علم کی اقسام

جب سیکھنے والے ذہین نظام کے اندر علم کو منظم کیا جاتا ہے، تو یہ واضح ہو جاتا ہے کہ اسے وسیع پیمانے پر علم کے تین نظاموں اور دو حالتوں میں تقسیم کیا جا سکتا ہے۔

علم کے تین نظام یہ ہیں: نیٹ ورک پیرامیٹر علم، جو نیورل نیٹ ورکس کے ذریعے سنبھالا جاتا ہے؛ قدرتی علم، جو قدرتی زبان میں بیان کیا جاتا ہے؛ اور رسمی علم، جو رسمی زبانوں میں بیان کیا جاتا ہے۔

حالتوں کی دو اقسام ہیں: بے حالت (stateless) اور با حالت (stateful)۔

بے حالت نیٹ ورک پیرامیٹر علم بدیہی علم ہے، جیسا کہ گہری سیکھنے والے AI میں پایا جاتا ہے۔ بلیوں اور کتوں کی خصوصیات، جن کے بارے میں واضح طور پر سوچا یا زبانی طور پر شناخت نہیں کیا جا سکتا، انہیں بے حالت نیٹ ورک پیرامیٹر علم کے طور پر سیکھا جا سکتا ہے۔

با حالت نیٹ ورک پیرامیٹر علم وہ علم ہے جو دھندلے، تکراری عملوں کے ذریعے ابھرتا ہے، جیسا کہ تخلیقی AI میں ہوتا ہے۔

بے حالت قدرتی علم وہ علم ہے جیسے انفرادی الفاظ سے جڑے معانی۔

با حالت قدرتی علم وہ علم ہے جس میں جملوں کے اندر سیاق و سباق شامل ہوتا ہے۔

کچھ قدرتی علم فطری طور پر با حالت نیٹ ورک پیرامیٹر علم میں شامل ہوتا ہے، لیکن ایسا علم بھی ہے جسے قدرتی زبان کے متن سے حاصل کیا جا سکتا ہے۔

بے حالت رسمی علم وہ علم ہے جسے ریاضیاتی فارمولوں میں بغیر تکرار کے بیان کیا جا سکتا ہے۔ با حالت رسمی علم وہ علم ہے جسے پروگرام کے طور پر بیان کیا جا سکتا ہے۔

انسان اپنی قلیل مدتی یادداشت کو قدرتی علم اور رسمی علم کے لیے ریاستی یادداشت کے طور پر بھی استعمال کر سکتا ہے۔

تاہم، چونکہ یہ قلیل مدتی یادداشت ہے، اس لیے ایک حالت کو مستقل طور پر برقرار رکھنا مشکل ہوتا ہے۔ مزید برآں، یہ رسمی، غیر مبہم حالتوں کو برقرار رکھنے میں ماہر نہیں ہے۔

دوسری طرف، کاغذ، کمپیوٹر اور اسمارٹ فونز کو ریاستی یادداشت کے طور پر قدرتی زبان کے متن، رسمی زبانوں یا رسمی ماڈلز کو لکھنے یا ترمیم کرنے کے لیے استعمال کیا جا سکتا ہے۔

عام طور پر، کاغذ یا کمپیوٹر پر موجود ڈیٹا کو علم کو یاد رکھنے کے لیے ایک علمی ذخیرہ کے طور پر سمجھا جاتا ہے، لیکن اسے خیالات کو منظم کرنے کے لیے ریاستی یادداشت کے طور پر بھی استعمال کیا جا سکتا ہے۔

اس طرح، یہ واضح ہے کہ انسان ان تینوں علمی نظاموں اور دو حالتوں کا بھرپور استعمال کرکے فکری سرگرمیاں انجام دیتے ہیں۔

ALIS بھی، ان ہی تین علمی نظاموں اور دو حالتوں کا فائدہ اٹھانے والی فکری سرگرمیوں کو ممکن بنا کر اور مضبوط کر کے اپنی صلاحیتوں کو ڈرامائی طور پر بڑھانے کی صلاحیت رکھتا ہے۔

خاص طور پر، ALIS میں وسیع علمی ذخائر اور ریاستی یادداشت کو استعمال کرنے کی طاقت ہے۔ مزید برآں، یہ ہر ایک کو بہت سے تیار کر کے اور انہیں تبدیل یا یکجا کر کے آسانی سے فکری کام انجام دے سکتا ہے۔

کالم 2: ذہین آرکیسٹریشن

اگرچہ علمی ذخیرہ میں بڑی مقدار میں علم جمع کرنے کا فائدہ ہے، لیکن علم کی مقدار محض فکری سرگرمی میں فائدہ میں تبدیل نہیں ہوتی، جس کی وجہ ایک جنریٹو AI کے ایک ساتھ پروسیس کیے جانے والے ٹوکنز کی تعداد کی حدود اور غیر متعلقہ علم سے پیدا ہونے والا شور ہے۔

اس کے برعکس، علمی ذخیرہ کو مناسب طریقے سے تقسیم کرکے اور اسے اعلی کثافت والے خصوصی علمی ذخائر میں تبدیل کرکے، جن میں سے ہر ایک میں ایک مخصوص فکری کام کے لیے ضروری علم شامل ہو، ٹوکن کی حدود اور شور کے مسائل کو کم کیا جا سکتا ہے۔

اس کے بدلے میں، ہر خصوصی علمی ذخیرہ صرف اس کے مخصوص فکری کام کے لیے قابل استعمال ہو جاتا ہے۔

بہت سی فکری سرگرمیاں مختلف فکری کاموں کے پیچیدہ مرکبات ہوتی ہیں۔ لہذا، علم کو فکری کام کی قسم کے مطابق خصوصی علمی ذخائر میں تقسیم کرکے اور فکری سرگرمی کو انفرادی کاموں میں تقسیم کرکے، ALIS ان خصوصی علمی ذخائر کے درمیان مناسب طریقے سے سوئچ کرتے ہوئے پوری فکری سرگرمی کو انجام دے سکتا ہے۔

یہ ایک آرکیسٹرا سے مشابہت رکھتا ہے، جو مختلف آلات بجانے والے پیشہ ور موسیقاروں اور ایک کنڈکٹر پر مشتمل ہوتا ہے جو پورے گروپ کی قیادت کرتا ہے۔

اس نظام ٹیکنالوجی، ذہین آرکیسٹریشن کے ذریعے، ALIS اپنی فکری سرگرمیوں کو منظم کر سکے گا۔

ALIS بنیادی ڈیزائن اور ترقی کا طریقہ کار

یہاں سے، ہم ALIS کی ترقی کو منظم کریں گے۔

جیسا کہ اصولوں اور کالموں میں پہلے ہی بحث ہو چکی ہے، ALIS بنیادی طور پر افعال اور وسائل کی آسان توسیع کے لیے ڈیزائن کیا گیا ہے۔ یہ اس لیے ہے کہ ALIS کا جوہر مخصوص افعال میں نہیں، بلکہ علم کے حصول، ذخیرہ، انتخاب اور استعمال کے عمل میں مضمر ہے۔

مثال کے طور پر، علم کے حصول کے کئی قسم کے میکانزم فراہم کیے جا سکتے ہیں، اور سسٹم کا ڈیزائن ان میں سے انتخاب کرنے یا انہیں بیک وقت استعمال کرنے کا آزادانہ اختیار دیتا ہے۔

مزید برآں، ALIS کو خود اس انتخاب کو انجام دینے کے لیے بھی بنایا جا سکتا ہے۔

اسی طرح، ذخیرہ، انتخاب اور استعمال کو بھی آزادانہ طور پر منتخب یا متوازی بنایا جا سکتا ہے۔

لہذا، ALIS کو واٹر فال کے طریقے سے پوری فعالیت کو ڈیزائن کرنے کی ضرورت کے بغیر، مرحلہ وار اور چست طریقے سے تیار کیا جا سکتا ہے۔

ALIS کا آغاز

اب، آئیے ایک بہت سادہ ALIS ڈیزائن کرتے ہیں۔

بنیادی UI ایک مانوس چیٹ AI ہوگا۔ ابتدائی طور پر، صارف کی ان پٹ کو براہ راست LLM کو بھیجا جاتا ہے۔ LLM کا جواب UI پر ظاہر ہوتا ہے، اور سسٹم اگلے صارف کی ان پٹ کا انتظار کرتا ہے۔

اگلی ان پٹ موصول ہونے پر، LLM کو نہ صرف نئی ان پٹ بلکہ صارف اور LLM کے درمیان کی پوری چیٹ ہسٹری بھی فراہم کی جاتی ہے۔

اس چیٹ AI کے UI کے پیچھے، چیٹ ہسٹری سے دوبارہ قابل استعمال علم نکالنے کا ایک طریقہ کار تیار کیا جاتا ہے۔

یہ طریقہ کار چیٹ AI سسٹم میں ایک ایسے عمل کے طور پر شامل کیا جا سکتا ہے جو گفتگو ختم ہونے پر یا باقاعدہ وقفوں پر چلتا ہے۔ یقیناً، علم نکالنے کے لیے ایک LLM کا استعمال کیا جاتا ہے۔

اس LLM کو ALIS کا تصور اور اصول، علم نکالنے کی مہارت کے ساتھ، ایک سسٹم پرامپٹ کے طور پر فراہم کیے جاتے ہیں۔ اگر علم مطلوبہ طریقے سے نہیں نکالا جاتا تو، سسٹم پرامپٹ کو آزمائش اور غلطی کے ذریعے بہتر بنایا جانا چاہیے۔

چیٹ ہسٹری سے نکالا گیا علم براہ راست ایک علمی جھیل میں ذخیرہ کیا جاتا ہے۔ ایک علمی جھیل علم کو ساخت دینے سے پہلے اسے ایک فلیٹ حالت میں ذخیرہ کرنے کا ایک سادہ طریقہ کار ہے۔

اس کے بعد، علمی جھیل سے علم کو منتخب کرنا آسان بنانے کے لیے ایک ساخت بنانے کا طریقہ کار تیار کیا جاتا ہے۔

اس میں سیمانٹک سرچ کے لیے ایک ایمبیڈنگ ویکٹر اسٹور فراہم کرنا شامل ہے، جیسا کہ عام RAG میں استعمال ہوتا ہے، اور کلیدی الفاظ کے اشاریے بھی۔

دیگر امکانات میں مزید ترقی یافتہ علمی گراف بنانا یا زمرہ بندی کرنا شامل ہے۔

علمی جھیل کے لیے منظم معلومات کے اس مجموعہ کو علمی بنیاد کہا جائے گا۔ یہ پوری علمی بنیاد اور علمی جھیل علمی ذخیرہ کو تشکیل دے گی۔

اس کے بعد، علمی ذخیرہ کو چیٹ UI کی پروسیسنگ میں ضم کیا جاتا ہے۔

یہ بنیادی طور پر ایک عام RAG طریقہ کار جیسا ہی ہے۔ صارف کی ان پٹ کے لیے، متعلقہ علم علمی ذخیرہ سے منتخب کیا جاتا ہے اور صارف کی ان پٹ کے ساتھ LLM کو بھیجا جاتا ہے۔

یہ LLM کو صارف کی ان پٹ پروسیس کرتے وقت خود بخود علم کا استعمال کرنے کی اجازت دیتا ہے۔

اس طرح، صارف کے ساتھ ہر گفتگو کے ساتھ علم میں اضافہ ہوتا ہے، جو ایک سادہ ALIS کو ممکن بناتا ہے جو ماضی کی گفتگو سے جمع شدہ علم کا استعمال کرتا ہے۔

سادہ منظر نامہ

مثال کے طور پر، ایک ایسے منظر نامے کا تصور کریں جہاں ایک صارف اس سادہ ALIS کا استعمال کرتے ہوئے ایک ویب ایپلیکیشن تیار کر رہا ہے۔

صارف اطلاع دے گا کہ LLM کے تجویز کردہ کوڈ کے نتیجے میں ایک خرابی پیدا ہوئی۔ پھر، صارف اور LLM مسئلہ کو حل کرنے کے لیے تعاون کریں گے۔ فرض کریں کہ وہ دریافت کرتے ہیں کہ LLM کو معلوم بیرونی API کی تفصیلات پرانی ہو چکی تھیں، اور تازہ ترین API کی تفصیلات کو اپنانے سے مسئلہ حل ہو گیا۔

اس صورت میں، یہ علم کہ LLM کی API تفصیلات پرانی ہو چکی تھیں اور تازہ ترین API کی تفصیلات کیا ہیں، اس چیٹ تھریڈ سے علم کے ذخیرہ میں جمع کیا جا سکتا ہے۔

پھر، جب اگلی بار اسی API کا استعمال کرتے ہوئے ایک پروگرام تیار کیا جائے گا، تو ALIS اس علم کا فائدہ اٹھا کر شروع سے ہی تازہ ترین API کی تفصیلات پر مبنی پروگرام تیار کر سکے گا۔

ابتدائی ALIS کو بہتر بنانا

تاہم، ایسا ہونے کے لیے، اس علم کو صارف کے ان پٹ کے جواب میں منتخب کرنے کی ضرورت ہے۔ ہو سکتا ہے کہ یہ علم صارف کے ان پٹ سے براہ راست منسلک نہ ہو، کیونکہ مسئلہ پیدا کرنے والے API کا نام ابتدائی صارف ان پٹ میں ظاہر ہونے کا امکان کم ہے۔

ایسی صورت حال میں، API کا نام LLM کے جواب میں پہلی بار ظاہر ہو گا۔

لہذا، ہم سادہ ALIS کو تھوڑا سا بڑھائیں گے اور اس میں پری-چیک تبصرے اور پوسٹ-چیک تبصرے کے لیے ایک میکانزم شامل کریں گے۔

پری-چیک تبصرے LLMs میں حالیہ "تھنکنگ موڈ" سے ملتے جلتے ہیں۔ ہم ایک ایسی میموری تیار کرتے ہیں جو متن کو ریاستی میموری کے طور پر رکھ سکے، اور LLM کو ایک سسٹم پرامپٹ کے ذریعے ہدایت دیتے ہیں کہ صارف کا ان پٹ موصول ہونے پر پری-چیک تبصرے انجام دے۔

LLM کا پری-چیک تبصرے کا نتیجہ پھر ریاستی میموری میں رکھا جاتا ہے، اور اس نتیجے کی بنیاد پر، علم کے ذخیرہ سے علم منتخب کیا جاتا ہے۔

پھر، چیٹ ہسٹری، پری-چیک تبصرے کا نتیجہ، صارف کے ان پٹ کے مطابق علم، اور پری-چیک تبصرے کے نتیجے کے مطابق علم کو LLM کو بھیجا جاتا ہے تاکہ اس کا آؤٹ پٹ حاصل کیا جا سکے۔

مزید برآں، LLM کی طرف سے واپس کیے گئے نتیجے کے لیے، علم کے ذخیرہ میں علم کی تلاش کی جاتی ہے۔ وہاں پایا جانے والا کوئی بھی علم شامل کرتے ہوئے، LLM کو پھر ایک پوسٹ-چیک کرنے کے لیے کہا جاتا ہے۔

اگر کوئی مسائل پائے جاتے ہیں، تو انہیں مسئلہ کے نکات اور指摘 (تبصرے/فیڈ بیک) کی وجوہات کے ساتھ چیٹ LLM کو واپس بھیج دیا جاتا ہے۔

پری-چیک تبصرے اور پوسٹ-چیک تبصرے دونوں کے دوران علم کو منتخب کرنے کے مواقع فراہم کر کے، ہم جمع شدہ علم کو استعمال کرنے کے امکانات کو بڑھا سکتے ہیں۔

نقطہ نظر

ابتدائی ALIS بنانے اور اس کی خامیوں کو دور کرنے کے لیے بہتری لانے کا عمل عین چست ترقی (agile development) ہے، جو یہ ظاہر کرتا ہے کہ ALIS کو مرحلہ وار بہتر بنایا جا سکتا ہے۔

مزید برآں، جیسا کہ مثال دی گئی ہے، ابتدائی ALIS سافٹ ویئر کی ترقی میں استعمال کے لیے سب سے زیادہ موزوں ہے۔ یہ اس لیے ہے کہ یہ ایک بہت زیادہ طلب والا شعبہ ہے اور ایک ایسا شعبہ ہے جہاں علم کو واضح طور پر جمع کیا جا سکتا ہے۔

یہ ایک ایسا ڈومین ہے جہاں نتائج غیر مبہم ہوتے ہیں، پھر بھی اسے آزمائش اور غلطی، تکراری علم کے حصول سے نمایاں طور پر ضرورت اور فائدہ ہوتا ہے۔

اس کے علاوہ، چونکہ ALIS کی ترقی خود سافٹ ویئر کی ترقی ہے، اس حقیقت یہ کہ ALIS کے ڈویلپر بھی ALIS کے صارف بن سکتے ہیں، ایک پرکشش پہلو ہے۔

مزید برآں، ALIS سسٹم کے ساتھ ساتھ، علم کی جھیل کو GitHub جیسے پلیٹ فارمز پر کھلے عام شیئر کیا جا سکتا ہے۔

اس سے بہت سے افراد ALIS سسٹم کی بہتری اور علم کے حصول میں حصہ ڈال سکیں گے، اور ہر کوئی فوائد سے لطف اندوز ہو سکے گا اور ALIS کی ترقی کو مزید موثر طریقے سے تیز کر سکے گا۔

یقیناً، علم کا اشتراک صرف ALIS ڈویلپرز تک محدود نہیں ہے؛ اسے ALIS استعمال کرنے والے تمام سافٹ ویئر ڈویلپرز سے جمع کیا جا سکتا ہے۔

علم کی قدرتی لسانی نوعیت دو اضافی فوائد پیش کرتی ہے۔

پہلا فائدہ یہ ہے کہ علم کو LLM ماڈلز تبدیل ہونے یا اپ ڈیٹ ہونے پر بھی استعمال کیا جا سکتا ہے۔

دوسرا فائدہ یہ ہے کہ وسیع جمع شدہ علمی جھیل کو LLMs کے لیے ایک پری ٹریننگ ڈیٹاسیٹ کے طور پر استعمال کیا جا سکتا ہے۔ اسے استعمال کرنے کے دو طریقے ہیں: فائن ٹیوننگ کے طور پر، یا خود LLM پری ٹریننگ کے لیے۔

کسی بھی صورت میں، اگر ایک LLM جو علمی جھیل میں جمع شدہ علم سے فطری طور پر سیکھا ہے، اسے استعمال کیا جا سکے، تو سافٹ ویئر کی ترقی مزید موثر ہو جائے گی۔

مزید برآں، سافٹ ویئر کی ترقی میں مختلف عمل شامل ہوتے ہیں جیسے کہ ضروریات کا تجزیہ، ڈیزائن، عمل درآمد، جانچ، آپریشن، اور دیکھ بھال۔ ہر سافٹ ویئر ڈومین اور پلیٹ فارم کے لیے خصوصی علم بھی موجود ہوتا ہے۔ ان نقطہ نظر سے جمع شدہ علم کی بڑی مقدار کو تقسیم کرنے کے لیے ایک میکانزم بنا کر، ایک ALIS آرکیسٹرا تشکیل دیا جا سکتا ہے۔

اس طرح، ALIS کے لیے بنیادی ٹیکنالوجیز موجود ہیں۔ باقی اہم قدم مختلف طریقوں—جیسے علم کے حصول کی مہارت، مناسب علم کا انتخاب، خصوصی علم کی تقسیم، اور ریاستی یادداشت کا استعمال—کا عملی طور پر تجربہ کرنا ہے تاکہ موثر طریقوں کو دریافت کیا جا سکے۔ جیسے جیسے پیچیدگی بڑھتی ہے، پروسیسنگ کا وقت اور LLM کے استعمال کے اخراجات بھی بڑھیں گے، جس سے اصلاح کی ضرورت پڑے گی۔

یہ آزمائش اور غلطی کے عمل اور اصلاحات کو فریم ورکس کی ترقی اور بہتر بنانے کے ذریعے سیکھنے پر مبنی انداز میں آگے بڑھایا جا سکتا ہے۔

ابتدائی طور پر، ڈویلپرز، صارفین کے طور پر، آزمائش اور غلطی کے ذریعے فریم ورکس کو ALIS میں ضم کریں گے۔ تاہم، اس وقت بھی، LLM کو فریم ورک کے خیالات پیدا کرنے کا کام سونپا جا سکتا ہے۔

پھر، دنیا سے حاصل شدہ نتائج اور نکالے گئے علم کی بنیاد پر، ALIS میں فریم ورکس کو بہتر بنانے اور دریافت کرنے کے لیے ایک فریم ورک کو شامل کر کے، ALIS خود سیکھنے پر مبنی انداز میں آزمائش اور غلطی اور اصلاح انجام دے گا۔

حقیقی دنیا میں ALIS

ایک بار جب ALIS اس مرحلے تک بہتر ہو جائے گا، تو اسے سافٹ ویئر کی ترقی کی دنیا تک محدود رہنے کے بجائے، مختلف قسم کے ڈومینز میں علم حاصل کرنے کے قابل ہونا چاہیے۔

سافٹ ویئر کی ترقی کی طرح، ALIS سے توقع کی جاتی ہے کہ وہ اپنی اطلاق کی گنجائش کو ان مختلف فکری سرگرمیوں تک وسعت دے گا جو انسان کمپیوٹر کا استعمال کرتے ہوئے انجام دیتے ہیں۔

ایسی خالص فکری سرگرمیوں میں بھی، ALIS اپنی ہدف کی دنیا کے حوالے سے ایک مجسم AI سے مشابہت رکھنے والی خصوصیت کا حامل ہوگا۔

یہ اس لیے ہے کہ یہ اپنے اور دنیا کے درمیان کی سرحد کو پہچانتا ہے، اس سرحد کے ذریعے دنیا پر عمل کرتا ہے، اور دنیا سے موصول ہونے والی معلومات کو سمجھ سکتا ہے۔

جب دنیا کے ساتھ یہ سرحد جسمانی طور پر نظر آتی اور ایک جگہ پر مقامی ہوتی ہے، تو ہم اسے عام طور پر جسم کہتے ہیں۔

تاہم، یہاں تک کہ اگر سرحد نظر نہ آنے والی اور جگہوں پر پھیلی ہوئی ہو، تو بھی سرحد کے ذریعے ادراک اور عمل کی ساخت وہی رہتی ہے جو جسمانی جسم رکھنے کی صورت میں ہوتی ہے۔

اس لحاظ سے، فکری سرگرمیاں انجام دینے والے ALIS کو عملی طور پر ایک مجسم AI کی خصوصیات کا حامل سمجھا جا سکتا ہے۔

اور، اگر ALIS کو اس مرحلے تک بہتر کیا جاتا ہے جہاں وہ نئی، نامعلوم دنیاؤں میں بھی مناسب طریقے سے سیکھ سکتا ہے، تو اس بات کا امکان ہے کہ ALIS کو ایک حقیقی مجسم AI کے حصے کے طور پر شامل کیا جا سکے جو ایک حقیقی جسمانی جسم رکھتا ہے۔

اس طرح، ALIS بالآخر حقیقی دنیا پر لاگو ہو گا اور اس سے سیکھنا شروع کر دے گا۔