ایک اعلیٰ عہدیدار ‘چرن’ (صارفین کے چھوڑ کر جانے) کی ایسی پیش گوئی کا مطالبہ کرتا ہے جسے وہ اگلی سہ ماہی کے لیے صارفین کو برقرار رکھنے (retention) کے بجٹ کا تعین کرنے میں استعمال کر سکے۔ آپ کے پاس 48 گھنٹے ہیں، ڈیٹا کا مانوس ذخیرہ (warehouse) موجود ہے، اور ایک حتمی عدد (single number) فراہم کرنے کا دباؤ ہے۔ AI آپ کی رفتار بڑھانے میں مدد کر سکتا ہے، لیکن یہ جوابدہی کا بوجھ نہیں اٹھا سکتا۔ اگر ماڈل کی وجہ سے غلط اخراجات ہوتے ہیں، تو اس کے نتیجے میں ہونے والی ناکامی کی ذمہ داری تجزیہ کار اور اسے نافذ کرنے والے ادارے پر عائد ہوتی ہے۔
پیش گوئی پر مبنی کام میں، بنیادی ذمہ داری تبدیل نہیں ہوتی۔ آپ کو ہدف کا تعین کرنا، ڈیٹا کے غیر ارادی اخراج (leakage) کو روکنا، ‘آؤٹ آف سیمپل’ (out-of-sample) جانچ کرنا، اور یہ وضاحت کرنا ضروری ہے کہ ماڈل کن چیزوں کو استعمال کر رہا ہے۔ AI کوڈ کا مسودہ تیار کر سکتا ہے، خصوصیات (features) تجویز کر سکتا ہے، اور تشخیصی نتائج (diagnostics) کا خلاصہ پیش کر سکتا ہے۔ آپ کو اس بات کی تصدیق کرنی ہوتی ہے کہ تعریفیں کاروباری ضروریات سے مطابقت رکھتی ہیں اور جانچ کا عمل کیے جانے والے فیصلے سے ہم آہنگ ہے۔
اس عمل کا عملی خاکہ سادہ ہے۔ ابتدائی نتائج یا مسودے تیار کرنے کے لیے AI کا استعمال کریں، اور پھر جہاں غلطیوں سے فیصلے میں خطرہ پیدا ہونے کا امکان ہو، وہاں تجزیہ کار کی منظوری (sign-off) لازمی بنائیں۔
پیش گوئی پر مبنی حتمی نتیجہ (deliverable) ایک زنجیر کی مانند ہوتا ہے۔ اس کی ہر کڑی (link) ایک مختلف قسم کی غلطی کا باعث بن سکتی ہے، اور AI اکثر ایسے نتائج پیدا کرتا ہے جو بظاہر درست معلوم ہوتے ہیں، حالانکہ ان میں شامل کوئی کڑی غلط ہو سکتی ہے۔
آئیے دیکھتے ہیں کہ اہم مراحل آپس میں کیسے جڑے ہیں اور AI کہاں مدد فراہم کر سکتا ہے۔
آپ کی منظوری (sign-off) محض “مراحل” نہیں ہیں، بلکہ یہ ذمہ داری قبول کرنے کے اہم مقامات ہیں۔
مسئلے کے تعین کے مرحلے پر، فیصلے کے سیاق و سباق (context) کی ذمہ داری آپ کی ہوتی ہے۔ AI ہدف کے پیمانے (target metrics) تجویز کر سکتا ہے، لیکن آپ اس پیمانے کا انتخاب کرتے ہیں جو کاروبار کے عملی طریقہ کار سے مطابقت رکھتا ہو۔ ڈیٹا کے مرحلے پر، لیبل کی تعریف اور ٹائم ونڈونگ (time windowing) کی ذمہ داری آپ کی ہے۔ AI SQL کوڈ تیار کر سکتا ہے، لیکن ‘جوائنز’ (joins)، ‘گرین’ (grain) اور ڈیٹا کی کمی (missingness) کی تصدیق آپ کرتے ہیں کیونکہ ‘جوائن’ کے نتیجے میں ڈیٹا کا غیر متوقع اور بے تحاشا پھیلاؤ (silent join explosion) سیکھنے کے عمل (learning problem) کی نوعیت کو تبدیل کر سکتا ہے۔
توثیق (validation) کے مرحلے پر، ‘ٹرین-ٹیسٹ’ (train-test) کے طریقہ کار کی ذمہ داری آپ کی ہوتی ہے۔ AI ‘ٹرین-ٹیسٹ اسپلٹ’ (تقسیم) تجویز کر سکتا ہے، لیکن آپ اس بات کی تصدیق کرتے ہیں کہ یہ تقسیم وقت کی ترتیب (time structure) سے مطابقت رکھتی ہے۔ اگر اگلے مہینے کے لیے ‘چرن’ (churn - صارفین کے چھوڑ کر جانے) کی پیش گوئی کی جا رہی ہو، تو بے ترتیب تقسیم (random split) مستقبل کی معلومات کو ظاہر کر سکتی ہے اور پیمانے (metric) کو غیر مؤثر بنا سکتی ہے۔
اس کورس میں، AI سے مراد LLM ہے۔ یہ ایک ‘لارج لینگویج ماڈل’ (Large Language Model) ہے جو تربیتی ڈیٹا (training data) میں موجود نمونوں کی بنیاد پر متن، کوڈ اور منظم نتائج (structured outputs) تیار کرتا ہے۔ LLM آپ کے ڈیٹا بیس کا جائزہ اس وقت تک نہیں لیتا جب تک آپ اسے ڈیٹا فراہم نہ کریں، اور اسے یہ معلوم نہیں ہو سکتا کہ آیا کوئی پیمانہ (metric) آپ کے کاروباری فیصلے کے لیے موزوں ہے یا نہیں۔
پرامپٹ (prompt) سے مراد وہ ہدایات اور سیاق و سباق ہیں جو آپ LLM کو فراہم کرتے ہیں۔ ٹوکن (token) متن کا وہ حصہ ہے جسے LLM پڑھتا اور لکھتا ہے؛ اس کی اہمیت اس لیے ہے کیونکہ طویل ٹیبلز اور لاگز (logs) کو اکثر مختصر یا کاٹ (truncate) دیا جاتا ہے۔ ہیلوসিনیشن (hallucination) اس وقت ہوتی ہے جب LLM کوئی پراعتماد بیان یا کوڈ کی تفصیل تیار کرتا ہے جس کی بنیاد آپ کے فراہم کردہ ان پٹ (inputs) پر نہیں ہوتی۔
آئیے جائزہ لیں کہ پیش گوئی پر مبنی ماڈلنگ (predictive modeling) کے کام میں AI کہاں مضبوط ہے اور کہاں ناکام رہتا ہے۔