Pangram، جو کہ اسٹینفورڈ AI کے سابق طلباء Max Spero اور Bradley Emi کا قائم کردہ نیویارک کا ایک اسٹارٹ اپ ہے، نے Menlo Ventures کی قیادت میں 9 ملین ڈالر کا Series A راؤنڈ مکمل کر لیا ہے۔ یہ فنڈنگ پلیٹ فارمز کے لیے ایک API اور 20 ڈالر ماہانہ کی Chrome extension کو طاقت فراہم کرے گی، جو 99 فیصد درستگی کے ساتھ AI کی مدد سے لکھے گئے متن کی نشاندہی کرنے کا دعویٰ کرتی ہے—ایک ایسا دعویٰ جو صحافیوں، اسکالرز اور بھرتی کرنے والوں کے لیے اصلیت کی تصدیق کے طریقے کو بدل سکتا ہے۔

AI سے تیار کردہ “slop” کا بڑھتا ہوا رجحان

بڑے لینگویج ماڈلز (Large language models) اب بڑے پیمانے پر مضامین، سوشل میڈیا پوسٹس اور یہاں تک کہ قانونی حوالہ جات بھی تیار کر رہے ہیں۔ اس کا نتیجہ: کم معیار کے SEO اسپیم کا سیلاب، منظم غلط معلومات کی مہمات، اور ایک ایسا مبہم علاقہ (gray zone) جہاں انسان AI سے تیار کردہ مسودوں کو بہتر بناتے ہیں۔ ادارے اس پر پہلے ہی ردعمل دے رہے ہیں۔ پری پرنٹ سرور arXiv نے خبردار کیا ہے کہ وہ مصنفین جو بغیر نظر ثانی کے LLM کا مواد جمع کرواتے ہیں، انہیں ایک سال کی پابندی کا سامنا کرنا پڑ سکتا ہے، اور عدالتوں نے ان وکلاء پر جرمانے عائد کرنا شروع کر دیے ہیں جو AI کے ذریعے تیار کردہ فرضی حوالہ جات پر انحصار کرتے ہیں۔ انسانی اور مشین کے تیار کردہ مواد کے درمیان فرق کرنے کا دباؤ بڑھ رہا ہے، اور Pangram کا یہ ماننا ہے کہ اس کی ٹیکنالوجی تصدیق کے لیے ایک بنیادی لیئر (verification layer) بن سکتی ہے۔

Synthetic mirroring: ہر دستاویز کے ہمزاد پر تربیت

Pangram کا فلیگ شپ ماڈل، Pangram 4، ایک ایسا طریقہ استعمال کرتا ہے جسے کمپنی “synthetic mirroring” کہتی ہے۔ اپنے ٹریننگ سیٹ میں موجود ہر انسانی تحریر شدہ دستاویز کے لیے—جس میں کروڑوں تصدیق شدہ ٹکڑے شامل ہیں—ٹیم نے ایک جدید ترین LLM پر اس کا ہمزاد تیار کیا۔ یہ سنتھیٹک ہمزاد موضوع، طوالت اور لہجے میں اصل دستاویز سے مماثلت رکھتا ہے لیکن اسے AI کے ذریعے تیار کیا جاتا ہے۔ دونوں ورژنوں کو ایک ہی نیورل نیٹ (neural net) میں ڈال کر، Pangram ماڈل کو ان باریک شماریاتی نشانات (statistical fingerprints) کو پہچاننا سکھاتا ہے جو AI سے تیار کردہ متن میں موجود رہتے ہیں، چاہے لکھنے والے مشین کے مواد کو چھپانے کے لیے “AI humanizer” ٹولز ہی کیوں نہ استعمال کریں۔

حریف کمپنیاں میٹا ڈیٹا (metadata) یا غیر مرئی واٹر مارکس (invisible watermarks) پر انحصار کرتی ہیں، جنہیں ہٹایا یا نظر انداز کیا جا سکتا ہے۔ اس کے برعکس، Pangram اسلوب کے تجزیے (stylistic analysis) پر توجہ مرکوز کرتا ہے: الفاظ کے انتخاب، جملوں کی لے (rhythm) اور ٹوکن کی تقسیم کے ایسے پیٹرن جو ماڈل کے آؤٹ پٹ میں مستقل رہتے ہیں۔ کمپنی کے پریس ریلیز کے مطابق، اندرونی ٹیسٹوں میں اس سسٹم نے 99 فیصد درستگی کے ساتھ AI کی مدد سے لکھی گئی تحریروں کی نشاندہی کی۔

APIs سے براؤزرز تک: ٹیکنالوجی کا اطلاق کہاں ہوگا

Pangram خود کو کسی ایک مقصد کے لیے بنی ایپ کے بجائے ایک انفراسٹرکچر کے طور پر پیش کرتا ہے۔ اس کی API پہلے ہی Substack کے ساتھ منسلک ہے، جہاں نیوز لیٹرز میں ایک لیبل دکھایا جاتا ہے جو AI سے تیار کردہ مواد کے تناسب کو ظاہر کرتا ہے۔ ابتدائی صارفین میں سوال و جواب کا پلیٹ فارم Quora، کئی یونیورسٹی رائٹنگ سینٹرز اور بھرتی کرنے والی ایجنسیاں شامل ہیں جنہیں امیدواروں کی جمع کردہ تحریروں کی اصلیت کی تصدیق کرنے کی ضرورت ہوتی ہے۔

انفرادی صارفین کے لیے، اسٹارٹ اپ ایک Chrome extension پیش کرتا ہے جو X، LinkedIn، Reddit اور Medium جیسی سائٹس پر “feed health score” دکھاتی ہے۔ یہ اسکور متن کے اس فیصد کو الگ کرتا ہے جسے ماڈل انسانی یا AI کا سمجھتا ہے۔ سبسکرائبرز ریئل ٹائم لیبلنگ اور مشکوک اقتباسات کو مزید جائزے کے لیے نشان زد کرنے کی صلاحیت کے لیے ماہانہ 20 ڈالر ادا کرتے ہیں۔

ایک شکیہ نقطہ نظر

درستگی کے دعوے لازمی طور پر جانچ پڑتال کا باعث بنتے ہیں۔ “مبہم علاقے” (gray area) میں AI کی مدد کا پتہ لگانا—جہاں ایک مصنف ماڈل کے تیار کردہ مسودے میں ترمیم کرتا ہے—ایک مشکل ہدف ہے۔ جیسے جیسے جنریٹیو ماڈلز بہتر ہو رہے ہیں، وہ اسلوب کا فرق جس پر Pangram انحصار کرتا ہے، کم ہو سکتا ہے، جس سے شناخت اور بچنے کی تکنیکوں کے درمیان ایک مقابلہ شروع ہو سکتا ہے۔ ناقدین “false positives” کے بارے میں بھی خبردار کرتے ہیں: کسی جائز انسانی تحریر کو AI سے تیار کردہ قرار دینے سے ساکھ کو نقصان پہنچ سکتا ہے، خاص طور پر تعلیمی یا قانونی تناظر میں جہاں خطرات بہت زیادہ ہوتے ہیں۔

Pangram اس چیلنج کو تسلیم کرتا ہے اور نوٹ کرتا ہے کہ جیسے جیسے نئے LLMs سامنے آتے ہیں، یہ مسلسل نئے سنتھیٹک مررز پر اپنے ماڈل کو دوبارہ تربیت دیتا ہے۔ تاہم، کمپنی نے اپنے اندرونی ٹیسٹ کے علاوہ آزادانہ بینچ مارک نتائج ظاہر نہیں کیے ہیں، جس سے وسیع تر کمیونٹی کے لیے 99 فیصد کے ہندسے کی تصدیق کرنا باقی ہے۔

کن چیزوں پر نظر رکھنی چاہیے

اگلے چند ماہ یہ ظاہر کریں گے کہ آیا Pangram پائلٹ انٹیگریشنز سے آگے بڑھ کر وسیع پیمانے پر پلیٹ فارم کے استعمال تک پہنچ سکتا ہے یا نہیں۔ اہم اشارے درج ذیل ہیں:

  • API معاہدوں کا پھیلاؤ موجودہ ابتدائی شراکت داروں کی فہرست سے آگے بڑھنا۔
  • ادارتی صارفین سے فیڈ بیک فالس پازیٹو کی شرح اور ادارتی طریقہ کار پر اثرات کے بارے میں۔
  • LLM ڈویلپرز کے ردعمل، جو انسانی اسلوب کی زیادہ قریب سے نقل کرنے کے مقصد سے ماڈل اپ ڈیٹس کے ذریعے جواب دے سکتے ہیں۔
  • ریگولیٹری پیش رفت جو مخصوص اشاعتوں یا تعلیمی جمع کرائی جانے والی تحریروں کے لیے AI-detection ٹولز کو لازمی بنا سکتی ہے۔

اگر اسٹارٹ اپ کم غلطی کی شرح برقرار رکھتے ہوئے اپنی شناخت کی برتری برقرار رکھتا ہے، تو یہ ڈیجیٹل اصلیت کے لیے ایک ڈی فیکٹو (de-facto) معیار بن سکتا ہے۔ اگر ایسا نہیں ہوا، تو مارکیٹ مقابلہ کرنے والے ٹولز کے ایک مجموعے میں تقسیم ہو سکتی ہے، جن میں سے ہر ایک کے اپنے فائدے اور نقصانات ہوں گے۔

خلاصہ

Pangram کی 9 ملین ڈالر کی سرمایہ کاری ایک ایسی ڈیٹیکشن حکمت عملی کو تقویت دے رہی ہے جو twin-document training regime پر انحصار کرتی ہے تاکہ AI کی مدد سے تیار کردہ مواد کی شناخت میں تقریباً مکمل مہارت کا دعویٰ کیا جا سکے۔ اس کی کامیابی کا دارومدار اس بات پر ہوگا کہ آیا یہ طریقہ کار بدلتے ہوئے لینگویج ماڈلز کے ساتھ ہم آہنگ ہو پاتا ہے اور ان پلیٹ فارمز اور اداروں کا اعتماد حاصل کر پاتا ہے جنہیں اس کی سب سے زیادہ ضرورت ہے۔