آپ کے اسٹیک ہولڈر (متعلقہ فریق) کو محض تجزیے کی ضرورت نہیں ہوتی، بلکہ انہیں ایسی اپ ڈیٹ درکار ہوتی ہے جس کی بنیاد پر فوری فیصلہ کیا جا سکے۔ آپ کے پاس پہلے سے ایک ایسا ورک فلو موجود ہے جو ‘کوئری’ (query) کے نتائج کو چارٹس میں اور چارٹس کو ایک بیانیے (narrative) میں تبدیل کرتا ہے۔ AI اس ورک فلو کے کچھ حصوں کو تو تیز کر سکتا ہے، لیکن کسی گمراہ کن چارٹ یا ضرورت سے زیادہ پراعتماد سرخی (headline) کے نتائج کی ذمہ داری قبول نہیں کر سکتا۔ ان نتائج کی ذمہ داری تجزیہ کار پر عائد ہوتی ہے کیونکہ حتمی رپورٹ یا پروڈکٹ وہی فراہم کرتا ہے۔
AI کو رپورٹنگ کے ایک منظم عمل کے دوران بطور ‘مسودہ ساز معاون’ (drafting assistant) استعمال کریں۔ AI چارٹ کی ممکنہ اقسام، سلائیڈز کے ڈھانچے اور سادہ زبان میں خلاصے تیار کر سکتا ہے۔ چارٹ کی صداقت، سامعین کے لیے اس کی مناسبت اور اس کی تشریح کی توثیق (sign-off) تجزیہ کار کو ہی کرنی چاہیے۔ اگر ان تینوں پہلوؤں میں سے کوئی بھی ناکام ہو جائے تو رپورٹ ناکام سمجھی جائے گی، چاہے اس میں موجود ہر عدد تکنیکی اعتبار سے بالکل درست ہی کیوں نہ ہو۔
آئیے جائزہ لیتے ہیں کہ جب رپورٹنگ کے مکمل ورک فلو میں AI کو شامل کیا جاتا ہے تو اس میں کیا تبدیلیاں آتی ہیں۔
LLM (لارج لینگویج ماڈل) ایک ایسا ماڈل ہے جو فراہم کردہ ان پٹ کی بنیاد پر ممکنہ اگلے ٹوکنز (الفاظ یا حصوں) کی پیش گوئی کر کے متن اور کوڈ تخلیق کرتا ہے۔ Prompt (پرامپٹ) وہ ہدایت ہے جو آپ ماڈل کو دیتے ہیں، جس میں حدود اور مطلوبہ فارمیٹ شامل ہوتے ہیں۔ Context window (کونٹیکسٹ ونڈو) متن کی وہ زیادہ سے زیادہ مقدار ہے جسے ماڈل ایک ہی وقت میں مدنظر رکھ سکتا ہے؛ اس کا مطلب ہے کہ اگر آپ پیسٹ کیے جانے والے مواد کا درست انتظام نہ کریں تو طویل دستاویزات کا کچھ حصہ نظر انداز ہو سکتا ہے۔
Hallucination (ہیلوசினیشن) سے مراد ایسا من گھڑت مواد ہے جسے اس طرح پیش کیا جائے جیسے وہ آپ کے ڈیٹا یا ذرائع سے حاصل ہوا ہو۔ یہ ‘راؤنڈنگ ایرر’ (rounding error) جیسا نہیں ہے—جو فارمیٹنگ یا ایگریگیشن کی وجہ سے پیدا ہونے والا ایک معمولی اور قابلِ وضاحت عددی فرق ہوتا ہے—اور نہ ہی یہ ‘اسٹیل ڈیٹا’ (stale data) جیسا ہے، جو غلط وقت پر اپ ڈیٹ (refresh) ہونے کی وجہ سے حاصل ہونے والا درست عدد ہوتا ہے۔ جب آپ AI سے ایسی تفصیلات طلب کرتے ہیں جو وہ دیکھ نہیں سکتا، تو اس میں ہیلوசினیشن کا امکان بڑھ جاتا ہے۔
Grounded output (گراؤنڈڈ آؤٹ پٹ) سے مراد ایسا دعویٰ ہے جس کا تعلق واضح طور پر فراہم کردہ ڈیٹا، تعریفوں اور وقتی حدود (time windows) سے ہو۔ تجزیہ کار ذرائع فراہم کر کے اور پھر ماڈل کے بیانات کا ان ذرائع سے موازنہ کر کے اسے ‘گراؤنڈڈ’ (یعنی ٹھوس حقائق پر مبنی) بناتا ہے۔
آئیے دیکھتے ہیں کہ یہ اصطلاحات رپورٹنگ کے حقیقی خطرات سے کس طرح منسلک ہیں۔
AI تیزی سے مختلف آپشنز (متبادل) تیار کرنے میں ماہر ہے۔ یہ ایک ہی چارٹ کے لیے تین متبادل سرخیاں (headlines) تجویز کر سکتا ہے، تکنیکی اصطلاحات کو اسٹیک ہولڈرز کی سمجھ میں آنے والی زبان میں ڈھال سکتا ہے، اور کسی ٹیبل کو سلائیڈ پر پیش کیے جانے والے بیانیے (narrative) کی شکل دے سکتا ہے۔ یہ پیداواری صلاحیت میں اضافے کا باعث بنتے ہیں کیونکہ ان سے مسودہ تیار کرنے کا وقت بچتا ہے۔
AI ان معاملات میں کمزور ہے جہاں جوابدہی کی ضرورت ہوتی ہے۔ ماڈل اکثر خودکار طور پر ایسی چارٹ کی قسم کا انتخاب کر لیتا ہے جو غلط استدلال یا تاثر پیش کر رہی ہو؛ مثال کے طور پر، ‘لائن چارٹ’ کا استعمال جو تسلسل (continuity) کا تاثر دیتا ہے، حالانکہ متعلقہ پیمانہ (metric) صرف ماہانہ بنیادوں پر ماپا گیا ہو۔ اسی طرح، اگر اسے منع نہ کیا جائے تو ماڈل اکثر بصری طور پر زیادہ متاثر کن لگنے والے طریقوں کا انتخاب کرتا ہے، جیسے کہ Y-axis کو مختصر (truncate) کر دینا۔
اسٹیک ہولڈر تک کوئی بھی چیز پہنچنے سے پہلے تجزیہ کار کو تین چیزوں کی واضح تصدیق کرنی چاہیے: چارٹ میں ڈیٹا کی درست ونڈو اور حصوں (segments) کی درست تعریفیں استعمال کی گئی ہوں۔ ایکسس (axis) کی اسکیلنگ اور ڈیٹا کا مجموعہ (aggregation) مقدار یا تغیر (variability) کو مسخ نہ کر رہے ہوں۔ اور سرخی (headline) اس بات کے مطابق ہو جس کی ڈیٹا اصل میں تائید کرتا ہے، نہ کہ صرف اس بات کے مطابق جو بظاہر زیادہ قائل کرنے والی لگے۔
اس بات کا جائزہ لیں کہ ایگزیکٹوز (اعلیٰ عہدیداران) کے مخصوص سامعین کے سامنے AI کی تیار کردہ سلائیڈز میں کیے گئے دعووں کا کس حد تک درست اور قابلِ دفاع ہونا ممکن ہے۔