ایک خود نگرانی کرنے والا (self-supervised) AI سسٹم، جس کا تجربہ ناروے کے سالمن فارم پر کیا گیا، نے علامات ظاہر ہونے سے تین سے پانچ دن پہلے بیماری کے آثار کی نشاندہی کی، آکسیجن کی کمی کی چھ گھنٹے پہلے تک 94% درستگی کے ساتھ پیش گوئی کی، اور خوراک کے ضیاع میں 23% کمی کی۔ یہ پیش رفت ظاہر کرتی ہے کہ آبی پروری (aquaculture) میں بڑے پیمانے پر ہاتھ سے لیبل کیے گئے ڈیٹا سیٹس کے بغیر بھی قبل از وقت انتباہ حاصل کیے جا سکتے ہیں، جن کی وجہ سے اب تک خودکاری (automation) کی رفتار رکی ہوئی تھی۔
آبی پروری کو ایک نئے طریقہ کار کی ضرورت کیوں ہے
مچھلی کے فارم مسلسل بدلتے ہوئے ماحول میں واقع ہوتے ہیں۔ موسمی لہریں، درجہ حرارت میں اتار چڑھاؤ، اور اچانک کیمیائی تبدیلیاں سینسر کے ڈیٹا کو غیر واضح اور نامکمل بنا دیتی ہیں۔ مچھلیوں کا رویہ خود چند منٹ کے اچانک عمل سے لے کر مہینوں کے نشوونما کے چکروں تک پھیلا ہوا ہوتا ہے۔ جب بیماری حملہ کرتی ہے، تو یہ تیزی سے پھیلتی ہے اور پورے موسم کی فصل کو تباہ کر سکتی ہے۔ ہر غیر معمولی حالت کی کافی لیبل شدہ مثالیں جمع کرنا غیر عملی ہے؛ بیماریوں کا پھیلاؤ کم ہوتا ہے، اور ہر پر (fin) کی حرکت یا پانی کی ریڈنگ کو ٹیگ کرنے کی لاگت فارم کے منافع سے زیادہ ہوگی۔
خود نگرانی والا (self-supervised) حل
نیا سسٹم دو مرحلہ وار آرکیٹیکچر استعمال کرتا ہے جو ڈیٹا کو خود سیکھنے کا موقع دیتا ہے۔
مرحلہ 1 – ٹیمپورل انکوڈر (Temporal encoder)
ایک کنٹراسٹو لرننگ (contrastive learning) روٹین وقت کے لحاظ سے قریب ہونے والے مشاہدات سے "مثبت" (positive) جوڑے اور دور ہونے والے مشاہدات سے "منفی" (negative) جوڑے بناتی ہے۔ اپنے اندرونی نمائندگی میں مثبت جوڑوں کو قریب لاتے ہوئے اور منفی جوڑوں کو دور دھکیلتے ہوئے، انکوڈر انسانی لیبل کے بغیر بار بار آنے والے پیٹرنز (patterns) کو اخذ کرتا ہے۔
مرحلہ 2 – ایمباڈیڈ ڈیسیژن ایجنٹ (Embodied decision agent)
سیکھے ہوئے پیٹرنز ایک ایجنٹ کو فراہم کیے جاتے ہیں جو یہ فیصلہ کرتا ہے کہ آکسیجن کی سطح کب ایڈجسٹ کرنی ہے، خوراک کے شیڈول میں کب تبدیلی کرنی ہے، یا الرٹ کب جاری کرنا ہے۔ ہر عمل کا نتیجہ دوبارہ انکوڈر کو فراہم کیا جاتا ہے، جو ایک مسلسل لوپ میں پیٹرن لائبریری کو مزید بہتر بناتا ہے۔
تین تکنیکی رکاوٹوں پر قابو پانا
- ڈیٹا کا غائب ہونا – تیرتے ہوئے پنجروں (floating cages) پر لگے سینسرز اکثر رابطہ کھو دیتے ہیں۔ ایک ماسکڈ ٹیمپورل انکوڈنگ تکنیک ماڈل کو خلاؤں (gaps) کو نظر انداز کرنا سکھاتی ہے، جس سے نیٹ ورک غلط سگنلز پر توجہ دینے سے بچ جاتا ہے۔
- مختلف ٹائم اسکیلز – ایک ملٹی اسکیل انکوڈر تیزی سے بدلتے ہوئے ویڈیو فریمز کے ساتھ ساتھ آہستہ تبدیل ہونے والی کیمیائی ریڈنگز کو پروسیس کرتا ہے، جس سے مختصر مدت کے اتار چڑھاؤ اور طویل مدتی رجحانات کو پکڑا جا سکتا ہے۔
- پرانا علم بھول جانا – جیسے جیسے نئے موسم نئی صورتحال لاتے ہیں، elastic weight consolidation پہلے سے سیکھے ہوئے پیٹرنز کو محفوظ رکھتی ہے جبکہ ماڈل کو حالات کے مطابق ڈھلنے کی اجازت بھی دیتی ہے، تاکہ catastrophic forgetting سے بچا جا سکے۔
ان اعداد و شمار کا کسانوں کے لیے کیا مطلب ہے
- بیماری کی جلد تشخیص: بیماری کا تین سے پانچ دن پہلے پتہ چلنے سے آپریٹرز کو متاثرہ پنجروں کو الگ کرنے، علاج کرنے اور پھیلاؤ روکنے کا موقع مل جاتا ہے۔
- آکسیجن کا انتظام: 94% درستگی کے ساتھ آکسیجن کی کمی کی پیش گوئی فارمز کو پانی میں پہلے سے ہوا شامل کرنے (aerate) کی اجازت دیتی ہے، جس سے تناؤ کی وجہ سے ہونے والی ہلاکتوں سے بچا جا سکتا ہے۔
- خوراک کی کارکردگی: بھوک کے چکروں (appetite cycles) کو سیکھنے سے ضیاع میں تقریباً ایک چوتھائی کمی آئی، جس سے خوراک کی لاگت کم ہوئی اور ماحولیاتی اخراج (runoff) میں بھی کمی آئی۔
خلاصہ
خود نگرانی کرنے والا (self-supervised) AI غیر واضح اور نامکمل سینسر ڈیٹا کو کارآمد معلومات میں بدل دیتا ہے، جو بیماری کے قبل از وقت انتباہ، آکسیجن کی درست پیش گوئی، اور خوراک کی نمایاں بچت فراہم کرتا ہے—وہ بھی ہر ڈیٹا پوائنٹ کو لیبل کرنے کی مہنگی محنت کے بغیر۔ ایک ایسی صنعت کے لیے جو کم منافع اور ماحولیاتی ذمہ داری کے درمیان توازن برقرار رکھتی ہے، یہ صلاحیت مچھلی کے فارموں کے کام کرنے کے طریقے کو بدل سکتی ہے۔