حال ہی میں میں Claude Code کا استعمال کرتے ہوئے ایک تعلیمی ایپ کو پروٹو ٹائپ کرنے میں کچھ وقت گزار رہا ہوں۔ پروجیکٹ ایک اوپن سورس موبائل ایپ ہے جو اساتذہ کو کم قیمت پر تخلیقی سیکھنے کی سرگرمیوں کا اشتراک، دریافت اور فروغ دینے کی اجازت دیتی ہے۔
ایپ کی بنیادی خصوصیات میں سے ایک AI کی مدد سے سرگرمی کی تخلیق ہے۔ سرگرمی کی تخلیق ہمیشہ کسی پروجیکٹ کا بنیادی پہلو رہی ہے، اور پچھلے ڈیسک ٹاپ ورژنز میں اسے دستی طور پر اور طویل مدتی سرگرمی جمع کرانے کے فارم کے ذریعے ہینڈل کیا جاتا تھا۔
موجودہ AI زمین کی تزئین کو دیکھتے ہوئے، ہم نے محسوس کیا کہ صارفین سے مطلوبہ دستی فارم بھرنے کی مقدار کو کم کرتے ہوئے سرگرمی کی تخلیق کو آسان اور ہموار کرنے کے لیے AI کو استعمال کرنے کے متبادل طریقے تلاش کرنا ضروری ہے۔
میں نے کلین سلیٹ کے ساتھ شروعات کی اور کلاڈ نے مجھے ان ٹیکنالوجیز کے ذریعے چلایا جو میں ایپ کے لیے استعمال کروں گا۔ ایپ کو بالآخر React Native (Expo) اور Firebase کا استعمال کرتے ہوئے بنایا گیا تھا، جس کا ویب ورژن فی الحال بیٹا میں ہے۔
پروٹو ٹائپنگ کے دوران سب سے نمایاں چیز رفتار تھی۔ اصل ویب ورژن کے لیے تقریباً ایک سال کے مقابلے میں موبائل ایپ آئیڈییشن اور ماک اپ سے تقریباً ایک ماہ میں ایک ورکنگ پروٹو ٹائپ پر چلی گئی۔
میں نے حالیہ برسوں میں زیادہ کوڈنگ نہیں کی ہے، اور آج میرا زیادہ تر پیشہ ورانہ کام ٹیکنیکل کمیونٹی مینجمنٹ پر مرکوز ہے۔ تاہم، چونکہ میرے پاس تکنیکی پس منظر ہے اور سافٹ ویئر ڈویلپمنٹ میں کام کرنے سے پہلے کا تجربہ ہے، اس لیے میں نے کلاڈ کے حوالہ گائیڈ اور دستاویزات کے ساتھ ایک فعال ایپ کو تیزی سے بنانا حیران کن طور پر آسان پایا۔
میرے خیال میں اس تجربے نے مجھے تجارتی معاملات کے ذریعے استدلال کرنے، تعمیراتی فیصلوں کا جائزہ لینے، اور LLM پر آنکھیں بند کر کے انحصار کرنے کے بجائے تخلیق شدہ کوڈ کا تنقیدی تجزیہ کرنے میں مدد کی۔
اس مضمون میں، میں راستے میں کیے گئے تکنیکی ڈیزائن کے کچھ فیصلوں کا اشتراک کروں گا۔
انڈیکس
شرطیں
یہاں جن اہم تکنیکی فیصلے زیر بحث آئے ہیں وہ براہ راست تجربات سے حاصل کیے گئے نتائج ہیں۔ تعلیم اور ٹیکنالوجی کے سنگم پر کام کرنے والے دوسروں کے لیے، خاص طور پر ڈویلپرز، کمیونٹی پریکٹیشنرز، یا ٹیکنالوجی میں دلچسپی رکھنے والے لوگ جو AI ٹولز کا استعمال کرتے ہوئے تیزی سے پروٹو ٹائپ اور تعمیر کرنا چاہتے ہیں۔
آپ کو React Native فریم ورک، ڈیٹا بیس اور Firebase کیسے کام کرتے ہیں، اور Claude ٹولز، کمانڈ لائن ٹولز، اور API انٹیگریشن کا استعمال کرنے کے بارے میں بنیادی معلومات کی ضرورت ہوگی۔
یہ آپ کو فوائد اور نقصانات پر غور کر کے فیصلے کرنے میں آسانی محسوس کرنے میں بھی مدد کرتا ہے، جیسے کہ لاگت، جغرافیہ، کثیر لسانی معاونت، اسکیل ایبلٹی، یا استعمال میں آسانی کی بنیاد پر انفراسٹرکچر کا انتخاب کرنا۔
کون سا ماڈل منتخب کرنا ہے۔
ایپ کو بنانے کے لیے ماڈل کا انتخاب خود ایک آسان انتخاب تھا۔ میں نے Opus 4.7 کا انتخاب اس کی جدید خصوصیات کی وجہ سے کیا کیونکہ مجھے ایک ماڈل کی ضرورت تھی جو مجھے شروع سے ایک ایپ ڈیزائن کرنے میں مدد کرے۔
تاہم، ایپ کے اندر ماڈلز کا انتخاب کرتے وقت مزید غور کرنے کی ضرورت تھی۔
اس سے پہلے کہ ہم کسی ماڈل کو منتخب کرنے کی وجوہات کو دیکھیں، آئیے پہلے سیاق و سباق کو سمجھیں۔ ایپ کی کچھ خصوصیات میں AI سے چلنے والے سبق کے منصوبے کی تخلیق اور تنظیم، 10 زبانوں میں مواد کا مشینی ترجمہ، سہولت والا موڈ جو ہر سرگرمی کے مرحلے کے لیے AI سے تیار کردہ تجاویز کے ذریعے اساتذہ کی رہنمائی کرتا ہے، معلم کی پروفائلز اور بہت کچھ۔
ان خصوصیات کو توڑتے ہوئے، ماڈل کو کئی کلیدی صلاحیتوں کی حمایت کرنی چاہیے: ساختی JSON تیار کرنا جو ایک سخت اسکیمے کی پیروی کرتا ہے، سرگرمی کے ڈیزائن کے لیے تعلیمی استدلال، کثیر لسانی مواد تیار کرنا، اور وقت، مواد، اور عمر کی مناسبیت جیسی رکاوٹوں کے بارے میں استدلال کرنے کی صلاحیت۔ مزید برآں، آؤٹ پٹ ڈھانچے میں مستقل مزاجی کو برقرار رکھتے ہوئے صارف کے ان پٹ کو پہلے سے طے شدہ سرگرمی کے زمرے میں قابل اعتماد طریقے سے نقشہ بنایا جانا چاہیے۔
سرگرمی کی تخلیق کا ورک فلو ایپ کی ایک بنیادی AI خصوصیت ہے۔ ہم نے دستیاب کلاڈ ماڈلز میں سے سونیٹ کا انتخاب اس لیے کیا ہے کہ یہ جو معیار اور غیرمعمولی تعلیمی مواد تیار کر سکتا ہے، کیونکہ یہ ایک غیر مطابقت پذیر، یک وقتی نسل کی خصوصیت ہے۔
مقام اور قیمت پر مبنی انتخاب
تاخیر اور نیٹ ورک کا استحکام بھی اہم تحفظات تھے۔ ایپ کو ان اساتذہ کی مدد کے لیے ڈیزائن کیا گیا ہے جو غیر محفوظ اور سست نیٹ ورک کے ماحول میں کام کر رہے ہیں۔ کلاڈ کے ہائیکو ماڈل میں کم تاخیر تھی، لیکن دوسرے ماڈلز کے مقابلے سست نیٹ ورکس پر کم قابل اعتماد ہو سکتا ہے۔
ایک ہی وقت میں، میں ایپ کو مفت اور اوپن سورس رکھنے کا ارادہ رکھتا ہوں، اور میرا اس وقت اسے جارحانہ انداز میں مارکیٹ کرنے کا کوئی منصوبہ نہیں ہے۔ لہذا، اختتامی صارف کی تخلیق کے لیے Opus کا استعمال مہنگا ہے، حالانکہ یہ زیادہ پیداوار پیدا کر سکتا ہے۔
اس طرح کے ساختی تخلیقی کاموں کے لیے، سونیٹ نے معیار، لاگت اور رسپانس ٹائم کے درمیان صحیح توازن پایا۔ Opus کے لیے طویل تخلیق کا وقت صارف کے تجربے پر منفی اثر ڈال سکتا ہے۔
ترتیب دیتے وقت maxTokens API کی ترتیبات بھی لاگت اور تخلیق کے وقت کو ذہن میں رکھتے ہوئے بنائی گئی تھیں۔
پلیٹ فارم کے لیے پیدا ہونے والی ایک عام سرگرمی مثالی طور پر تقریباً 1,500 سے 2,000 الفاظ سے زیادہ نہیں ہونی چاہیے، جس کا ترجمہ تقریباً 2,500 آؤٹ پٹ ٹوکنز اور تخلیق کا وقت تقریباً 30 سے 45 سیکنڈز میں ہوتا ہے۔
اس کی بنیاد پر، میں نے رکھا maxTokens یہ قدروں کی ایک رینج فراہم کرتا ہے جو بامعنی، ساختی تعلیمی مواد کی تخلیق کے لیے کافی جگہ کی اجازت دیتے ہوئے ٹوکن کے اخراجات کو کنٹرول کرنے میں مدد کرتی ہے۔
/**
* Claude AI configuration.
*
* NOTE: For production, move the API key to a server-side proxy to avoid
* exposing it in the client bundle. The `baseUrl` can be swapped to your
* own backend endpoint that forwards requests to Anthropic.
*/
export const aiConfig = {
apiKey: process.env.EXPO_PUBLIC_CLAUDE_API_KEY ?? '',
model: 'claude-sonnet-4-6',
maxTokens: 2500,
baseUrl: 'https://api.anthropic.com/v1/messages',
anthropicVersion: '2023-06-01',
};
ایک پروگرامنگ فریم ورک اور بیک اینڈ فن تعمیر کا انتخاب
میں ایک فریم ورک کا استعمال کرتے ہوئے ایک ایپ بنانا چاہتا تھا جو اینڈرائیڈ اور آئی او ایس دونوں ڈیوائسز پر اچھی طرح کام کرے۔ React Native ان ضروریات کو براہ راست فٹ کرتا ہے اور اپنی سادگی، استعمال میں آسانی اور ماحولیاتی نظام میں مجموعی مقبولیت کی وجہ سے یہاں ایک واضح انتخاب کی طرح لگتا ہے۔
ڈیٹا بیس اور بیک اینڈ کے لیے، ہم ایک ایسا نظام منتخب کرنا چاہتے تھے جس پر ہم ڈیٹا کی رازداری اور سیکیورٹی دونوں نقطہ نظر سے بھروسہ کر سکیں۔
کلاڈ کے کوڈ اور فن تعمیر کے انتخاب پر بحث کرتے ہوئے، ترقی کے عمل میں قدرے غیر متوقع لمحہ تھا۔ عام طور پر استعمال ہونے والے ڈویلپر پلیٹ فارمز جیسے سوپا بیس تجویز کیے گئے تھے۔ سب سے پہلے، یہ ایک مناسب ڈیفالٹ انتخاب کی طرح محسوس ہوا.
تاہم، یہاں کلید صرف وہی کرنا نہیں تھا جو عام طور پر تجویز کیا جاتا ہے، بلکہ یہ فوری اور اچھی طرح سے جانچنا تھا کہ ہدف صارف کے علاقے میں یہ خدمات کتنی قابل اعتماد طریقے سے قابل رسائی ہیں۔ گہرائی میں دیکھتے ہوئے، مجھے ایسی اطلاعات ملی کہ ہندوستان میں سائبرسیکیوریٹی کے مسائل کی وجہ سے سوپا بیس تک رسائی پر پابندی لگا دی گئی ہے۔
اس نے فوراً میرا فیصلہ بدل دیا۔ کلاڈ نے ابتدائی طور پر سوپا بیس کو فرض کرتے ہوئے بیک اینڈ سیٹ اپ کو اسکافولڈ کیا، لیکن بعد میں براہ راست فائر بیس کنسول میں پروجیکٹ بنا کر فن تعمیر کو فائر بیس میں تبدیل کر دیا۔
یہ ان چھوٹی لیکن اہم یاد دہانیوں میں سے ایک تھی کہ صرف AI کی تجاویز کو چہرے کی قیمت پر لینا کافی نہیں ہے۔ بنیادی ڈھانچے اور پلیٹ فارم کی دستیابی سے متعلق اپ ڈیٹس کو فعال طور پر چیک کرنا خاص طور پر مفید ہے۔
Firebase کو ترتیب دینا خود بہت آسان لگتا تھا۔
-
Firebase کنسول میں ایک پروجیکٹ بنائیں
-
تصدیق کو فعال کریں (ای میل/پاس ورڈ)
-
فائر اسٹور ڈیٹا بیس بنائیں
-
اسٹوریج ایکٹیویشن
-
ایک ویب ایپ شامل کریں اور کنفیگریشن ویلیوز کاپی کریں۔
ایک اور نمونہ جو میں نے دیکھا ہے وہ یہ ہے کہ AI بہت تیزی سے راستے میں دلچسپ یا "جدید” بنیادی ڈھانچے کے انتخاب (جیسے ویڈیو اپ لوڈز یا میڈیا پروسیسنگ) تجویز کرتا ہے۔
لیکن حقیقت میں، محتاط تجارت کے فیصلے بہت زیادہ اہم ہیں۔ خاص طور پر اساتذہ کے ایک چھوٹے گروپ کے ساتھ ایپ آئیڈیا کی توثیق کرنے کے ابتدائی مراحل میں، آپ کو واقعی ایک مکمل ویڈیو انفراسٹرکچر کی ضرورت نہیں ہے۔ یہ نظام کو ہلکا پھلکا رکھنے میں مدد کرتا ہے، عمل درآمد کی پیچیدگی کو کم کرتا ہے، اور مصنوعات کی سمت اور صارف کی ضروریات کو مکمل طور پر درست کرنے سے پہلے زیادہ انجینئرنگ سے بچتا ہے۔
میں نے جو اشارہ استعمال کیا وہ درج ذیل خیالات کی عکاسی کرتا ہے:
میں اس ایپ کی توثیق کے ابتدائی مراحل میں ہوں، اساتذہ کے ایک چھوٹے سے گروپ کے تاثرات پر توجہ مرکوز کر رہا ہوں۔ لہذا، ابھی تک قابل توسیع اور مضبوط ویڈیو انفراسٹرکچر کی ضرورت نہیں ہے۔ آئیے ایک آسان متبادل ڈیزائن کریں، جہاں صارف ویڈیو کو YouTube پر اپ لوڈ کرتا ہے اور سرگرمی کے صفحہ میں داخل کرنے کے لیے URL کو فیلڈ میں کاپی کرتا ہے۔
مشینی ترجمہ اور کثیر لسانی
ایک چھوٹے پروجیکٹ کے طور پر، تمام زبانوں میں مواد کا ترجمہ کرنا واقعی مشکل تھا، اس بات پر غور کرتے ہوئے کہ ایپ کے پچھلے ورژن کے زیادہ تر صارفین کثیر لسانی تھے اور یہ کہ پلیٹ فارم نے مختلف ہندوستانی زبانوں کی کمیونٹیز کے صارفین کو نشانہ بنایا۔ تاہم، AI مشینی ترجمہ کو ممکن بناتا ہے، کم از کم ان مقبول زبانوں کے لیے جن کے لیے تربیتی ڈیٹا سیٹ دستیاب ہیں۔
پروٹو ٹائپنگ مرحلے میں، ہم زبان کے انتخاب میں دنیا کی 5 مقبول ترین زبانیں اور 5 مشہور ہندوستانی زبانیں پیش کر رہے ہیں۔ کم از کم ان زبانوں کے لیے، مشینی ترجمہ کا معیار بہت اچھا ہے اور AI معقول حد تک قابل اعتماد ہے۔
اس کے بغیر، ایپ کے ابتدائی مراحل میں دیکھ بھال کی کوششیں بوجھل ہوتیں، بشمول ترجمے کو اپ ٹو ڈیٹ رکھنا اور مواد کا دستی ترجمہ کرنے کے لیے معاونین کی بھرتی کرنا۔
پروجیکٹ میں ترجمہ کی دو پرتیں ہیں۔ ایک انٹرفیس پیغامات کے لیے ایک جامد پرت ہے۔ src/i18n فولڈر اور سرگرمی کے مواد کے لیے متحرک پرت۔
متحرک حصے کے لیے، AI سرگرمی کے مواد کے لیے ترجمہ تخلیق کرنے کے لیے Google Translate API کا استعمال کرتا ہے۔ یہ وہی پبلک ویب اینڈ پوائنٹ ہے جسے گوگل ٹرانسلیٹ ویب ویجیٹ استعمال کرتا ہے۔ یہ مفت ہے اور اسے API کلید کی ضرورت نہیں ہے۔
تاہم، API غیر سرکاری ہے اور شرح محدود کرنے کی ضمانت نہیں ہے۔ پروڈکشن کے استعمال کے لیے، ہم آخرکار کچھ زیادہ تجارتی اور مستحکم، جیسے کہ Cloud Translation API میں منتقل ہو جائیں گے۔
انسانوں کے ساتھ "AI کے ساتھ تخلیق”
ایپ کا بنیادی خیال اساتذہ کو تخلیقی منصوبوں کی دستاویز اور اشتراک میں مدد کرنا ہے۔ لہذا AI کے ذریعے دستاویزات کو آسان بنانا جبکہ اساتذہ کو حتمی شائع شدہ مواد کی ملکیت کو برقرار رکھنے کی اجازت دینا ایک ضروری ڈیزائن انتخاب کی طرح محسوس ہوا۔
ہم نے ابتدائی طور پر سرگرمی کی تخلیق کے لیے کلاڈ کو گفتگو کے چیٹ پارٹنر کے طور پر استعمال کرنے کا تجربہ کیا۔ خیال یہ تھا کہ AI ماہرین تعلیم کو آگے پیچھے کی بات چیت کے ذریعے رہنمائی کرے گا، دھیرے دھیرے فالو اپ سوالات کے ذریعے عمل کا منصوبہ بنائے گا۔
تاہم، ایک پروٹو ٹائپ بناتے وقت، میں نے محسوس کیا کہ اس سے اکثر تجربے میں بہت زیادہ رگڑ پیدا ہوتی ہے۔ ایسا محسوس ہونے لگا جیسے صارفین سے بہت سارے سوالات پوچھے جا رہے ہیں، اور حتمی پیداوار اکثر مطلوبہ ساخت سے ہٹ جاتی ہے یا تمام سرگرمیوں میں متضاد تھی۔
تیز ترین اور ہلکا پھلکا تجربہ فراہم کرنے کے لیے، ایپ اب بنیادی طور پر ایک ہی ان پٹ کے ساتھ کام کرتی ہے۔ صارفین اپنے ایکٹیویٹی آئیڈیا کو قدرتی زبان میں مختصراً بیان کر سکتے ہیں اور اختیاری طور پر میڈیا فائلیں اپ لوڈ کر سکتے ہیں، جس کے بعد AI مکمل طور پر منظم سرگرمی کا منصوبہ تیار کرے گا۔
اوپن اینڈ ڈائیلاگ آؤٹ پٹ پر انحصار کرنے کے بجائے، ایپ مخصوص ہدایات اور اسکیما کی ضروریات کے ساتھ اشارے استعمال کرتی ہے۔ تیار کردہ آؤٹ پٹ پہلے سے طے شدہ ڈھانچے کے مطابق JSON کے لیے سختی سے درست ہے (مثلاً 3-6 سرگرمی کے مراحل، 4-5 سہولت کے مراحل پیچیدگی کے لحاظ سے، بصری مطابقت کی بنیاد پر تجویز کردہ تصاویر کا خودکار انتخاب وغیرہ)۔ یہ تخلیق کردہ مواد کو بغیر کسی اضافی پارسنگ یا میپنگ لیئرز کے براہ راست آپ کی ایپ میں استعمال کرنے کی اجازت دیتا ہے۔
جب کوئی صارف متعدد تصاویر اپ لوڈ کرتا ہے، تو AI یہ بھی شناخت کرتا ہے کہ کون سی تصاویر سرگرمی کے کس مرحلے سے تعلق رکھتی ہیں۔ یہ تجربہ کسی حد تک فیس بک کے "Create Lists Using Meta AI” فیچر سے ملتا جلتا ہے۔ صارفین مختلف قسم کی میڈیا فائلیں اپ لوڈ کر سکتے ہیں، جس کے بعد AI عنوانات، مواد، اہداف، کارروائی کے اقدامات اور پروموشن ٹپس تیار کرتا ہے۔
اہم بات یہ ہے کہ تمام مواد شائع کرنے سے پہلے قابل تدوین رہتا ہے، اساتذہ کو کمیونٹی کے ساتھ اشتراک کرنے سے پہلے حتمی مواد کا جائزہ لینے، اسے بہتر بنانے اور ذاتی نوعیت دینے کی اجازت دیتا ہے۔
Return ONLY valid JSON (no markdown, no backticks) matching this exact schema:
{
"title": "string (catchy, max 60 chars)",
"description": "string (2-3 sentences, educator-facing)",
"duration_minutes": number,
"min_age": number,
"max_age": number or null,
"category": one of "Art" | "Science" | "Coding" | "Circuits" | "Engineering" | "Storytelling" | "Drama" | "Film" | "Music" | "Nature",
"materials": [{ "name": "string", "buy_hint": "string (where to find it, e.g. craft store, hardware store, recycled)" }],
"objectives": ["string (learning objective)"],
"steps": [{
"number": 1,
"title": "string",
"description": "string (2-3 sentences, detailed instructions for the educator)",
"duration_minutes": number,
"tip": "string (practical facilitation tip for educators running this step for the first time)",
"assignedPhotoIndex": number or null
}],
"featured_image_index": number or null,
"tips": ["string (general facilitation tip)"]
}
کم بینڈوتھ کے لیے آپٹمائزڈ
اس بات کو ذہن میں رکھتے ہوئے کہ ایپ اپنے ابتدائی ترقی کے مراحل کے دوران کم بینڈوڈتھ نیٹ ورکس پر صارفین کو نشانہ بنائے گی، ہم نے کلاڈ کو ان رکاوٹوں کے ساتھ فراہم کیا اور اس بات کو یقینی بنایا کہ پروٹو ٹائپ میں کم سے کم ضروری ہے جو صارفین کو سست روابط پر مدد فراہم کرنے کے لیے ضروری ہے۔
ایپ ایک وقت میں 10 سرگرمیاں لوڈ کرتی ہے اور ایکسپو ماڈیول کا استعمال کرتی ہے۔ expo-image-manipulator یہ لائٹ امیج پروسیسنگ کے کاموں کے لیے موزوں ہے، جیسے کہ تصویر کا سائز 1200px کرنا اور اپ لوڈ کرنے سے پہلے اسے JPEG میں دوبارہ انکوڈ کرنا۔ نتیجے کے طور پر، ایک عام 3-5MB تصویر کو ~200KB تک کم کیا جا سکتا ہے۔
AI کالیں بھی صرف ٹیکسٹ رہتی ہیں۔ تصاویر Firebase میں اپ لوڈ اور اسٹور کی جاتی ہیں لیکن خود ماڈل کو کبھی بھی نہیں بھیجی جاتی ہیں، جو سست انٹرنیٹ کنیکشن پر بھی درخواستوں کو ہلکا پھلکا اور جوابدہ رکھنے میں مدد کرتا ہے۔
ایک ڈیمو ویڈیو بنائیں
آخر میں، یہ شاید کورس کا سب سے زیادہ تفریحی حصہ تھا۔ معلم کے ساتھ اپنی پہلی ڈیمو میٹنگ سے پہلے، میں نے 4 منٹ کی اسکرین ریکارڈنگ میں سے ~1 منٹ کی ڈیمو ویڈیو بنائی۔ میں نے کلاڈ کو انتہائی متعلقہ حصوں کی شناخت اور کاٹنے کے لیے استعمال کیا۔ ffmpeg ایک کمانڈ لائن ٹول جو حتمی آؤٹ پٹ کو مناسب فارمیٹ میں تبدیل کرتا ہے۔
بہت سے AI ویڈیو بنانے والے ٹولز کو آزمانے کے بعد جنہوں نے میرے ٹوکنز کو بہت تیزی سے نکال دیا، میں اس ورک فلو کے لیے کلاڈ کے پاس واپس آیا اور اس نے حیرت انگیز طور پر اچھی طرح سے کام کیا۔
خلاصہ
تقریباً ایک سال پہلے، میں نے اس ایپ کے اسی طرح کے ورژن کو لاگو کرنا شروع کیا، لیکن کبھی عملی پروٹو ٹائپ تک نہیں پہنچا۔ ٹولز مسلسل تیار ہو رہے تھے، اور ہم نے اکثر خود کو ایجنٹ کی غلطی کے دائرے میں پھنسا ہوا پایا، اصل میں پروڈکٹ بنانے کے بجائے خود AI ورک فلو کو ڈیبگ کرنے میں زیادہ وقت صرف کیا۔ AI کی مدد سے چلنے والے ترقیاتی ٹولز میں حالیہ پیشرفت نے آئیڈیاز کی تشکیل اور پروٹو ٹائپنگ کی طاقت کو بہت تیزی سے کھول دیا ہے۔
ساتھ ہی، اس تجربے سے سب سے بڑا سبق یہ ہے کہ آپ AI ٹولز کا استعمال کرتے ہوئے آنکھیں بند کرکے ایپلی کیشنز نہیں بنا سکتے۔ جب آپ پیدل سفر سے باہر ہوتے ہیں تو آپ صرف کسی مشیر سے تمام کام کرنے اور اپنے لیے فیصلے کرنے کے لیے نہیں کہہ سکتے۔ اگرچہ آپ اب بھی اشارے کے درمیان اپنے برتن دھو سکتے ہیں۔
ہر قدم اب بھی محتاط تشخیص کی ضرورت ہے. ایجنٹوں کی طرف سے پیدا کردہ نتائج، تجاویز، اور بات چیت کو فالو اپ پرامپٹس اور انسانی ان پٹ کے ذریعے پڑھنا، سمجھنا اور بہتر بنانا چاہیے۔
زیادہ تر کام میں سوچ سمجھ کر فیصلے کرنا شامل ہے کہ کون سا ماڈل منتخب کرنا ہے اور کیوں، آپ کے استعمال کے معاملے (لاگت، جغرافیہ، تاخیر، تخمینہ کی صلاحیتیں، کثیر لسانی معاونت)، میزبانی اور اسکیل ایبلٹی کے لیے صحیح انفراسٹرکچر کا انتخاب، مناسب API انضمام، اور کون سے فیصلوں کو آپ کے ایپس کے ابتدائی ترقی اور ابتدائی مرحلے کے لیے بہتر بنایا جانا چاہیے۔
اسی طرح، ڈیزائن کے فیصلے صارفین کی اصل ضروریات اور حالات پر مبنی ہونے چاہئیں، بجائے اس کے کہ AI ٹولز کی تجویز کردہ ڈیفالٹ پر عمل کریں۔
یہ بالآخر وہی ہے جو میں نے اس مضمون کے ساتھ دستاویز کرنے کی کوشش کی۔ یہ نہ صرف اس بات کی وضاحت کرتا ہے کہ تعلیمی ایپ کس طرح بنائی گئی تھی، بلکہ پورے عمل کے دوران کیے گئے تکنیکی اور ڈیزائن کے فیصلوں کے پیچھے استدلال اور تجارتی تعلقات بھی شامل ہیں۔
ہمیں امید ہے کہ یہ مظاہر AI کی مدد سے ترقی کے ساتھ تجربہ کرنے والے دوسروں کے لیے کارآمد ثابت ہوں گے، خاص طور پر تعلیمی یا کمیونٹی پر مرکوز سیاق و سباق میں۔
اگر آپ کے پاس ایپ کو مزید تیار کرنے کے لیے کوئی آئیڈیاز ہیں تو بلا جھجھک تعاون کریں یا GitHub پر کوئی تبصرہ کریں 🙂