وہ AI جو بھولے بغیر سیکھتا ہے
میں نے ایک بار ایک سرکولر سپلائی چین (circular supply chain) کو مینیج کرنے کے لیے ایک AI بنایا تھا۔ یہ تب تک بہترین کام کرتا رہا جب تک کہ نیا کاربن ٹیکس متعارف نہیں کرایا گیا۔
ماڈل ناکام ہو گیا۔ یہ موثر روٹنگ (efficient routing) کے بارے میں سیکھی ہوئی تمام باتیں بھول گیا۔ مجھے اسے شروع سے دوبارہ تربیت دینے میں ہفتوں صرف کرنے پڑے۔
اس ناکامی نے مجھے ایک اہم سبق سکھایا۔ مینوفیکچرنگ میں AI کو صرف ایک بار سیکھنے سے زیادہ کرنے کی ضرورت ہے۔ اسے پرانی معلومات کھوئے بغیر نئے قوانین کے مطابق مسلسل ڈھلنا چاہیے۔
میں اس طریقہ کار کو Meta-Optimized Continual Adaptation کہتا ہوں۔
یہ دو اہم تصورات کا مجموعہ ہے:
• Meta-Learning: ماڈل کو یہ سکھانا کہ تیزی سے کیسے سیکھا جائے۔ یہ اسے سیکنڈوں میں نئے ٹیکس ڈھانچوں یا اخراج کی حدوں (emission caps) کے مطابق ڈھلنے کی اجازت دیتا ہے۔ • Continual Learning: اس بات کو یقینی بنانا کہ ماڈل اپنی پرانی مہارتیں برقرار رکھے۔ یہ قوانین کی تبدیلی کے وقت سسٹم کے ناکام ہونے سے روکتا ہے۔
میں نے ایک ہائبرڈ طریقے کا استعمال کرتے ہوئے اس کا تجربہ کیا۔ میں نے Model-Agnostic Meta-Learning (MAML) کو Elastic Weight Consolidation (EWC) کے ساتھ ملا دیا۔
نتائج واضح تھے:
- قوانین تبدیل ہونے پر معیاری ماڈلز کی کارکردگی میں 40% کمی آئی۔
- میرے ایڈاپٹیو (adaptive) ماڈل کی کارکردگی میں 5% سے بھی کم کمی آئی۔
- ڈھلنے کے عمل میں ہزاروں ری ٹریننگ مراحل کے بجائے صرف 10 مراحل لگے۔
اگر آپ بدلتے ہوئے قوانین والی صنعتوں کے لیے AI بنا رہے ہیں، تو سٹیٹک (static) ماڈلز پر بھروسہ نہ کریں۔ آپ کو ایسے سسٹمز کی ضرورت ہے جو کسی پالیسی کے منطق (logic) کو اس کے مخصوص اعداد و شمار سے الگ کر سکیں۔
آپ کے نفاذ کے لیے تین مشورے:
- تبدیلی کے لیے تیار رہنے کے لیے meta-learning کا استعمال کریں۔
- بھولنے سے بچنے کے لیے weight constraints کا استعمال کریں۔
- اپنی optimization loop میں براہ راست constraints کو شامل کریں۔
ناکامی اکثر بہترین استاد ہوتی ہے۔ میرے ماڈل کے تباہ ہونے (model collapse) نے مجھے دکھایا کہ استحکام (stability) اتنا ہی اہم ہے جتنا کہ ذہانت۔
اختیاری لرننگ کمیونٹی: https://t.me/GyaanSetuAi