ایک اسٹیک ہولڈر (متعلقہ فریق) آپ سے “کلائنٹ کی صاف ستھری فہرست” (clean customer list) کا مطالبہ کرتا ہے جس پر ای میل مہم اور ڈیش بورڈ کو اپ ڈیٹ کرنے کے لیے بھروسہ کیا جا سکے۔ آپ کے پاس اسپریڈ شیٹ کی ایکسپورٹ موجود ہے، لیکن اس میں خالی خانے (blanks)، تاریخ کے ملے جلے فارمیٹس، ممالک کے غیر مستقل نام اور ڈپلیکیٹس (ایک جیسے اندراجات) شامل ہیں۔ اصل خطرہ یہ نہیں ہے کہ ڈیٹا کی صفائی مشکل ہے۔ خطرہ یہ ہے کہ AI کی تجویز کردہ صفائی کا کوئی تیز رفتار مرحلہ خاموشی سے ریکارڈ کی تعداد یا ان کے مفہوم کو تبدیل کر دے، اور جب مہم غلط لوگوں کو ہدف بنائے یا ڈیش بورڈ کے نتائج تبدیل ہو جائیں تو اس کی ناکامی کی ذمہ داری آپ پر آئے۔
اس کورس میں، AI مسودہ تیار کرنے اور کام کی رفتار بڑھانے والے آلے کے طور پر استعمال ہوتا ہے۔ آپ اسے ڈیٹا میں تبدیلیوں (transformations)، فارمولوں، Apps Script یا VBA کی تجاویز لینے اور ڈیٹا کے معیار کے ممکنہ مسائل کی نشاندہی کرنے کے لیے استعمال کرتے ہیں۔ آپ اسے یہ فیصلہ کرنے نہیں دیتے کہ کیا چیز حذف کرنی ہے، ڈیٹا کی کمی کو کیسے پورا کرنا ہے (impute)، یا “ڈپلیکیٹ” کا کیا مطلب ہے۔ کامیابی کے معیارات (Success criteria) وہ قابلِ پیمائش شرائط ہیں جو کاروباری کام کے لیے “مناسب حد تک صاف” (clean enough) ہونے کی تعریف کرتی ہیں۔ آپ انہیں پہلے ہی طے کر لیتے ہیں تاکہ ڈیٹا کی صفائی محض ظاہری یا نمائشی مشق بن کر نہ رہ جائے۔
آپ کا بنیادی اصول سادہ ہے۔ AI کے ذریعے تیار کردہ ہر مرحلہ Excel یا Google Sheets میں قابلِ عمل (runnable)، قابلِ واپسی (reversible) اور قابلِ آڈٹ (auditable) ہونا چاہیے، اور اس کے ساتھ ایسے شواہد بھی ہونے چاہئیں جو آپ کسی جائزے (review) کے دوران دکھا سکیں۔
فرض کریں کہ ایک ڈیٹا سیٹ customer_contacts_export.xlsx ہے جس میں 18,240 قطاریں (rows) ہیں؛ یہ ڈیٹا CRM سے 01-01-2025 سے 30-06-2025 کے عرصے کے لیے نکالا گیا ہے۔ ہر قطار ایک رابطے (contact) کی نمائندگی کرتی ہے۔ اہم فیلڈز میں email، full_name، signup_date، country، phone اور source شامل ہیں۔ مارکیٹنگ لیڈ جس تقسیم (segmentation) میں دلچسپی رکھتا ہے وہ country اور source ہیں، اور مخصوص سوال یہ ہے کہ ماہانہ سائن اپس کے لحاظ سے کون سے ممالک میں سب سے تیزی سے اضافہ ہو رہا ہے۔
آئیے دیکھتے ہیں کہ خام ڈیٹا (raw data) کے مسائل کس قسم کے ہوتے ہیں۔
آپ کی حتمی پیشکش (deliverable) محض “ایک صاف شدہ فائل” نہیں ہے، بلکہ یہ ایسے مواد (artifacts) کا مجموعہ ہے جو آپ کے کام کو دوبارہ تخلیق کرنے کے قابل بناتا ہے۔
آپ ایک ایسی صاف شدہ جدول (table) تیار کرتے ہیں جس میں اہم شناختی عناصر (identifiers) معیاری بنائے گئے ہوں اور ڈیٹا کی پروسیسنگ (parsing) کے اصول یکساں ہوں۔ آپ کوالٹی ایشورنس (QA) کے ایسے طریقے یا جانچ (checks) وضع کرتے ہیں جو اس بات کی تصدیق کریں کہ عمل کے دوران کوئی قطار (row) خاموشی سے ضائع نہیں ہوئی اور نہ ہی کوئی ناممکن اقدار (values) تخلیق ہوئیں۔ آپ تبدیلیوں کا ریکارڈ (change log) تیار کرتے ہیں جس میں واضح طور پر درج ہو کہ کیا تبدیل کیا گیا، کیا حذف کیا گیا، اور کیوں۔
LLM (لارج لینگویج ماڈل) ایک ایسا ماڈل ہے جو اپنی تربیت (training) کے دوران سیکھے گئے نمونوں اور آپ کے فراہم کردہ ان پٹ کی بنیاد پر متن، فارمولے اور کوڈ تخلیق کرتا ہے۔ یہ آپ کی ورک بک کی موجودہ حالت کو اس وقت تک نہیں دیکھ سکتا جب تک آپ اسے فراہم نہ کریں۔ Prompt (پرامپٹ) وہ ہدایات اور سیاق و سباق ہیں جو آپ LLM کو مطلوبہ نتائج (output) حاصل کرنے کے لیے فراہم کرتے ہیں۔ Hallucination (ہیلوসিনیشن) سے مراد کوئی ایسا تخلیق کردہ دعویٰ یا اصول ہے جو بظاہر درست یا معقول معلوم ہوتا ہے لیکن اس کی بنیاد آپ کے ڈیٹا یا طے شدہ حدود (constraints) پر نہیں ہوتی۔
ڈیٹا کی صفائی (cleaning) کے عمل میں اکثر “پراعتماد غلطی” (confident-wrong) کا امکان ہوتا ہے کیونکہ اس عمل کے لیے کاروباری تعریفوں (business definitions) کو سمجھنا ضروری ہوتا ہے۔ ماڈل ڈیٹا کو یکجا کرنے یا ڈپلیکیٹ ہٹانے (deduplication) کے لیے email + full_name جیسی کوئی کلید (key) تجویز کر سکتا ہے، لیکن وہ یہ نہیں جان سکتا کہ آیا مشترکہ ای میلز خاندانوں کی نمائندگی کر رہی ہیں، مشترکہ ان باکس ہیں، یا پھر ڈیٹا کے اندراج میں ہونے والی غلطیاں ہیں۔ اگر آپ اس کے اصول کو مان کر قطاریں حذف کر دیتے ہیں، تو آپ ہر اس شمار (count) اور شرح (rate) میں ناقابلِ تلافی تعصب (bias) پیدا کر دیتے ہیں جو اس ڈیٹا پر مبنی ہوں۔
یہ دیکھیں کہ کون سے کام تفویض کرنا محفوظ ہے اور کن کاموں کی تصدیق کرنا لازمی ہے۔