6.0 حصہ 6 کا تعارف: مصنوعی ذہانت
مصنوعی ذہانت تحقیقی نئی چیز سے ایسی بنیادی صلاحیت بن چکی ہے جسے بڑے اداروں سے اب توقع ہے کہ ذمہ داری سے اور پیمانے پر تعینات کریں۔ یہ حصہ پورے زندگی کے چکر سے گزرتا ہے: یہ طے کرنا کہ AI کہاں لگانا قابل ہے، مشین لرننگ کے وہ نظام انجینئر کرنا جو پروڈکشن سے ٹکرا کر بچیں، تخلیقی ماڈلز پر ایپلیکیشنز بنانا، خود سافٹ ویئر ڈیولپمنٹ میں مدد کے لیے AI استعمال کرنا، انصاف اور جوابدہی کی اپنی ذمہ داریاں پوری کرنا، اور وہ مخصوص انفراسٹرکچر چلانا جو ان سب کو چاہیے۔ ایک خیال ہر باب کو باندھتا ہے: ماڈل شاذ مشکل حصہ ہے۔ مشکل حصہ وہ انجینئرنگ، نظم و نسق، اور آپریشنل نظم و ضبط ہے جو اسے گھیرتا ہے۔
بڑی ٹیموں کے لیے پیمانہ اور جڑتا داؤ بڑھاتے ہیں۔ بری طرح تشکیل شدہ پہل بجٹ جلا سکتی، ہنر مند انجینئروں کو بھٹکا سکتی، اور عوام میں ناکام ہو کر اعتماد گھٹا سکتی ہے۔ اچھی چنی گئی پہل تھکا دینے والا کام خودکار اور اس ڈیٹا سے بصیرت نکال سکتی ہے جس تک آپ پہلے کبھی نہ پہنچ سکتے۔ سینکڑوں ڈویلپرز اور درجنوں ماڈلز میں نگرانی کی چھوٹی عادتیں اور چھوٹے خلا تنظیمی نتائج میں جمع ہوتے ہیں۔ اسی لیے مشترک پلیٹ فارمز، ڈیفالٹس، اور معمولات کسی ایک ہوشیار حل سے زیادہ اہم ہیں۔
انٹرپرائز اور سرکاری سیاق زیادہ تیز پابندیاں جوڑتے ہیں، اور وہ ہر باب میں چلتی ہیں۔ عوامی اداروں کو اخراجات کا جواز دینا، شفافیت کی ضمانت دینا، غیر قانونی امتیاز سے بچنا، اور ضابطہ سازوں اور عوام کے سامنے جوابدہ رہنا ہوتا ہے۔ خریداری کے قواعد واحد ماخذ کے lock-in سے منع کر سکتے اور وضاحت پذیری اور باہر نکلنے کے اختیارات کا مطالبہ کر سکتے ہیں۔ ابھرتا قانون جیسے EU AI Act (یورپی یونین کا AI نظاموں کا خطرے کی درجوں والا ضابطہ) اور NIST AI Risk Management Framework اور ISO/IEC 42001 جیسے معیار، AI کے انتظام کے نظام کا قابل تصدیق معیار، خطرے کے مطابق درجہ بند تقاضے عائد کرتے ہیں۔ ایسی ترتیبوں میں تعمیل، قابل آڈٹ ہونا، تولیدی صلاحیت، اور ڈیٹا کی خود مختاری اولین درجے کے تقاضے ہیں، بعد کے خیالات نہیں۔
اس حصے کے ابواب
6.1 اے آئی حکمت عملی اور تیاری: یہ طے کرنے کا نظم و ضبط کہ AI کہاں لگانا ہے، کہاں سے بچنا ہے، اور پہلا ماڈل پروڈکشن تک پہنچنے سے پہلے کون سا ڈیٹا، ہنر، اور نظم و نسق کی بنیادیں موجود ہونی چاہئیں۔
6.2 مشین لرننگ انجینئرنگ (MLOps): کوڈ جمع ڈیٹا جمع ماڈلز کی تین حصوں والی حقیقت میں سافٹ ویئر کی سختی لانا، تاکہ ML نظام ایک بار کے ڈیموز کی بجائے قابل تولید، قابل مشاہدہ، اور قابل دیکھ بھال ہوں۔
6.3 جنریٹو اے آئی اور ایل ایل ایم ایپلیکیشنز: سیاق کے انتظام، retrieval کی مدد سے بنیاد بندی، guardrails (رن ٹائم جانچیں جو ماڈل کے ان پٹ اور آؤٹ پٹ کو محدود کریں)، اور سخت تخمینے کے ذریعے امکانی زبان کے ماڈلز کے گرد قابل بھروسہ ایپلیکیشنز انجینئر کرنا۔
6.4 اے آئی کی معاونت سے سافٹ ویئر ڈیولپمنٹ: واضح معمولات، اچھے ڈیفالٹس، مضبوط توثیق، اور سلامتی اور لائسنسنگ پر توجہ کے ذریعے معیار گھٹائے بغیر throughput بڑھانے کے لیے AI کوڈنگ کے معاونین استعمال کرنا۔
6.5 ذمہ دار اور قابل اعتماد اے آئی: ایسے نظام بنانا جو منصفانہ، شفاف، جوابدہ، محفوظ، اور رازداری کا احترام کرنے والے ہوں، اور یہ سب متاثرین اور ضابطہ سازوں کو دکھانے کے قابل ہونا۔
6.6 اے آئی انفراسٹرکچر اور آپریشنز: وہ کم یاب accelerators، vector ذخیرہ (ایسے نظام جو ڈیٹا کو مماثلت کی تلاش کے لیے عددی vectors کے طور پر index کرتے ہیں)، اور serving کی تہیں فراہم کرنا اور چلانا جو AI کام کا بوجھ مانگتا ہے، کم لاگت، قابل اعتماد، اور قابل مشاہدہ طریقے سے۔
6.7 اے آئی ایجنٹس اور ایجنٹی نظام: ایسا سافٹ ویئر بنانا جو ٹولز، یادداشت، اور مقصد کے ساتھ چکر میں زبان کا ماڈل استعمال کر کے اعمال کرے، اور اسے محفوظ طور پر کرنا محدود خودمختاری، کم از کم استحقاق کے ٹول کی رسائی، انسان-چکر-میں منظوریوں، prompt injection کے خلاف حفاظتی جنگلوں، اور غیر متعین برتاؤ کے سخت تخمینے سے۔
6.8 اے آئی کی جانچ اور ٹیسٹنگ: AI کو eval سے چلنے والی ڈیولپمنٹ، نمائندہ eval سیٹس اور کام کے لیے موزوں میٹرکس، کیلیبریٹ شدہ LLM-as-judge اور انسانی ریویو، red-teaming، continuous integration میں regression کے دروازوں، اور پروڈکشن میں معیار اور drift کی نگرانی سے قابل اعتماد بنانا۔
6.9 پرامپٹ انجینئرنگ اور سیاق کا ڈیزائن: prompting کو انجینئرنگ سمجھنا، ساختہ prompts، few-shot اور chain-of-thought تکنیکوں، سیاق کے نظم و ضبط والے بجٹ اور retrieval، ساختہ آؤٹ پٹ اور ٹول کالنگ، اور کوڈ کی طرح ورژن، ریویو، اور تخمینہ شدہ prompts کے ساتھ۔
یہ ابواب باہم کیسے جڑتے ہیں
مل کر یہ ابواب ارادے سے آپریشن تک چلنے والا زندگی کا چکر بناتے ہیں۔ باب 6.1 حکمت عملی اور تیاری قائم کرتا ہے، یہ ترتیب دیتا ہے کہ کون سے مسائل AI کا جواز بنتے ہیں اور آپ کو پہلے کون سی بنیادیں چاہئیں۔ باب 6.2 کلاسیکی مشین لرننگ کی انجینئرنگ کی ریڑھ دیتا ہے، جبکہ باب 6.3 تخلیقی ماڈلز کے الگ نمونے ڈھکتا ہے، جہاں برتاؤ تربیت کے قدم کی بجائے prompts اور retrieve شدہ سیاق سے شکل پاتا ہے۔ باب 6.4 AI کو خود سافٹ ویئر ڈیولپمنٹ کے ہنر پر موڑتا ہے، اور باب 6.6 وہ compute، ذخیرہ، اور serving کی بنیاد دیتا ہے جس پر باقی ہر باب منحصر ہے۔ باب 6.5 دانستہ آخری لفظ نہیں بلکہ مستقل ساتھی ہے: ذمہ دار AI کی ذمہ داریاں حکمت عملی کو شکل دیتی ہیں، ماڈل کے انتخاب کو محدود کرتی ہیں، تعیناتی کا دروازہ بنتی ہیں، اور پورے حصے میں انفراسٹرکچر کے فیصلوں کو باخبر کرتی ہیں۔
دھاگا حکمت عملی سے MLOps سے جنریٹو AI سے AI کی معاونت کی ڈیولپمنٹ سے ذمہ دار AI سے انفراسٹرکچر تک چلتا ہے، مگر اسے سیدھی لکیر کی بجائے جال سمجھیں۔ MLOps اور انفراسٹرکچر تولیدی صلاحیت، لاگت، اور serving کے گرد تشویشیں بانٹتے ہیں، اس لیے باب 6.2 اور باب 6.6 ساتھ پڑھنا بہتر ہے۔ ذمہ دار AI باب 6.1 کی حکمت عملی سے پیچھے اور باب 10.5 میں اخلاقیات اور عوامی مفاد کے وسیع تر علاج سے آگے جڑتا ہے، اور باب 4.5 میں رازداری اور ڈیٹا کے تحفظ کے عمل پر ٹیک لگاتا ہے۔ اس رہنما کتاب کی وسیع انجینئرنگ کی بنیادیں پورے حصے کو سہارا دیتی ہیں: باب 8.1 میں continuous delivery، باب 9.2 میں مشاہدہ اور نگرانی، باب 2.4 میں ٹیسٹنگ کی حکمت عملی، اور باب 2.5 میں کوڈ ریویو سب AI کو اچھی طرح کرنے کی پیشگی شرائط ہیں۔ AI درست سافٹ ویئر انجینئرنگ کی جگہ نہیں لیتا۔ یہ اسے درست کرنے کے داؤ بڑھاتا ہے۔