موشنل اور ایم آئی ٹی کے محققین نے ایک ایسا نظام بنایا ہے جو خود چلانے والی کاروں کو اپنے فیصلوں کی حقیقی وقت میں وضاحت کرنے کی اجازت دیتا ہے تاکہ سیلف ڈرائیونگ کار AI کے بلیک باکس کے مسئلے کو حل کیا جا سکے۔
نیچر میں شائع ہونے والی یہ تحقیق ایم آئی ٹی کمپیوٹر سائنس اور مصنوعی ذہانت کی لیبارٹری کے محققین کے ساتھ سی ای او لورا میجر سمیت موشنل ٹیم کے کام کا نتیجہ ہے۔ ان کا مجوزہ طریقہ، جسے Concept-Wrapper Network، یا CW-Net کہا جاتا ہے، کا مقصد خود مختار ڈرائیونگ سسٹم کے عصبی نیٹ ورک کے اندر موجود حسابات کو ایسے تصورات میں ترجمہ کرنا ہے جو حقیقت میں انسان پڑھ سکتے ہیں۔
اگر آج کی سیلف ڈرائیونگ کار کسی صاف ستھری سڑک پر اچانک بریک لگاتی ہے جس میں کوئی واضح خطرہ نہیں ہوتا، تو نہ ڈرائیور اور نہ ہی مسافروں کو اس کی وجہ معلوم ہوگی۔ جدید خود مختار ڈرائیونگ سسٹمز زیادہ سے زیادہ ڈرائیونگ ڈیٹا پر تربیت یافتہ عصبی نیٹ ورکس پر انحصار کرتے ہیں۔ یہ نیٹ ورک اچھی کارکردگی کا مظاہرہ کرتے ہیں، لیکن ان کے نتائج عوامی نہیں ہیں، لہذا انجینئرز انہیں بلیک باکس کہتے ہیں۔
عصبی نیٹ ورک منطق کا انسانی تصورات میں ترجمہ کرنا
CW-Net خود مختار ڈرائیونگ سسٹم کی اندرونی منطق کو تصورات میں تبدیل کر کے کام کرتا ہے جیسے کہ ‘روکی ہوئی گاڑی کے قریب جانا’ اور ‘سائیکل کے قریب جانا۔’ Motional کے مطابق، یہ ڈیش بورڈ پر ظاہر ہو سکتا ہے تاکہ یہ ظاہر کیا جا سکے کہ کون سے تصورات کار کے ڈرائیونگ کے فیصلوں کو متاثر کرتے ہیں۔
سسٹم کو اس طرح ڈیزائن کیا گیا ہے کہ نیٹ ورک نے کیا کیا اس کا اندازہ لگا کر وضاحتیں پیدا نہ کی جائیں۔ اس کے بجائے، گاڑی کا حتمی فیصلہ سازی کا نظام کارروائیوں کو براہ راست انسانی تشریح کے قابل تصورات پر مبنی کرتا ہے، تاکہ بریک لگانے کے واقعات کا سراغ اس مخصوص تصور سے لگایا جا سکے جس نے انہیں متحرک کیا۔ موشنل اس کو معقول طور پر وفادار کے طور پر بیان کرتا ہے، اس کو ان طریقوں سے ممتاز کرتا ہے جو فطری زبان کی وضاحتیں تیار کرتے ہیں جو ضروری نہیں کہ درست ہوں لیکن اسے قابل غور طور پر پڑھا جا سکتا ہے۔
لورا میجر اس قسم کے متبادل کی تشریح کے لیے کیس بناتی ہے تاکہ ڈرائیونگ کے فیصلوں پر عمل کرنے کے لیے مکمل طور پر اینڈ ٹو اینڈ ڈیپ لرننگ پر انحصار کیا جائے۔
انہوں نے کہا کہ "ایک عام اختتام سے آخر تک نقطہ نظر آپ کو 80 سے 90 فیصد تک لے جا سکتا ہے، شاید 95 فیصد تک، جو کہ واقعی اچھا ہے، لیکن یہ ڈرائیوروں کو ختم کرنے یا شہروں، برادریوں اور صارفین کا اعتماد حاصل کرنے کے لیے کافی نہیں ہے،” انہوں نے کہا۔
لاس ویگاس کے آس پاس خود سے چلنے والی کاروں کے لیے قابل وضاحت AI ٹیسٹنگ
موشن کے مطابق، قابل وضاحت AI تحقیق زیادہ تر لیبارٹری سیٹنگز میں کمپیوٹر سمیلیشن تک محدود رہی ہے۔ اس کے بجائے، Motional اور MIT ٹیم نے CW-Net کو سیلف ڈرائیونگ کار پر ایک تجربہ کار حفاظتی آپریٹر کے ساتھ نصب کیا جس میں وہیل کے پیچھے ایک نجی ٹیسٹ ٹریک اور لاس ویگاس کے آس پاس کی عوامی سڑکوں پر ڈیٹا اکٹھا کیا گیا۔
ٹیم نے گہری سیکھنے پر مبنی منصوبہ بندی کے نظام کا ابتدائی تجرباتی ورژن استعمال کیا جسے مسابقتی کارکردگی دکھانے کے طور پر بیان کیا گیا تھا لیکن قابل ذکر خرابیوں کے ساتھ جو CW-Net سطح پر مدد کر سکتا ہے۔ ہماری جانچ کے دو واقعات اس بات کی وضاحت کرتے ہیں کہ سسٹم کیا حاصل کرتا ہے۔
ایک میں، ایک سیلف ڈرائیونگ کار بار بار ٹریفک کون کے قریب رکی، گاڑی کے ڈرائیور نے یہ سمجھا کہ شنک نے ہی کارروائی کو متحرک کیا۔ محققین نے شنک کو ہٹا دیا اور گاڑی ویسے بھی رک گئی۔ CW-Net کے ڈسپلے نے اصل وجہ ظاہر کی۔ تجربے کا ڈیزائن سسٹم پہلے رکی ہوئی کار کو دھوکہ دے رہا تھا، اور ٹریننگ ڈیٹا کے ساتھ پیٹرن کو ٹریک کیا گیا تھا۔ یہ وضاحتیں محققین کو مسائل کو سمجھنے، پیشین گوئی کرنے اور حل کرنے میں مدد کرتی ہیں۔
دوسرے ٹیسٹ میں سائیکل سوار شامل تھے۔ اگرچہ خود چلانے والی کار نے سائیکل سوار کا پتہ لگایا اور توقع کے مطابق رک گئی، CW-Net نے پایا کہ تجرباتی نظام کا ڈیزائن دراصل سائیکل سواروں کی موجودگی کی بنیاد پر فیصلے نہیں کرتا تھا۔ اس کو تسلیم کرتے ہوئے، محفوظ ڈرائیوروں نے سائیکل سواروں کے آس پاس والوں پر زیادہ توجہ دے کر جواب دیا۔ بعد کے تجزیے نے اس بات کی تصدیق کی کہ اس معاملے میں احتیاط کی ضرورت تھی کیونکہ گاڑی کی بریک تجرباتی گہری سیکھنے پر مبنی منصوبہ ساز کے بجائے حفاظتی بیک اپ سسٹم سے آئی تھی۔
کارکردگی قابل وضاحت کی نسبت مستحکم رہتی ہے۔
AI سسٹم میں وضاحتی قابلیت کی ایک تہہ شامل کرنا رفتار اور کارکردگی کے لحاظ سے معلوم قیمت کے ساتھ آتا ہے، اور Motional اس خطرے کو تسلیم کرتا ہے۔ تاہم، جب محققین نے CW-Net کو معروف سیلف ڈرائیونگ الگورتھم کے خلاف بینچ مارک کیا، تو ڈرائیونگ کی صلاحیت میں فرق 1% سے کم تھا۔
لاس ویگاس کا واقعہ یہ ظاہر کرتا ہے کہ یہ تجارت کیوں ضروری ہے، نہ صرف تعلیمی لحاظ سے۔ ایک محفوظ ڈرائیور جو جان سکتا ہے کہ فینٹم گاڑی رکنے کا سبب بن رہی ہے یا یہ کہ بنیادی منصوبہ ساز کے بجائے ایک بیک اپ سسٹم پینتریبازی کے لیے ذمہ دار ہے وہ اکیلے کارروائیوں کے ذریعے کام کرنے والے سے زیادہ درست طریقے سے جواب دے سکتا ہے اور رپورٹ کر سکتا ہے۔
یہ مرئیت براہ راست اس بات پر اثر انداز ہوتی ہے کہ انجینئرنگ ٹیمیں کتنی جلدی سسٹمز کی تشخیص کر سکتی ہیں اور حفاظتی آپریٹرز مطلوبہ رویے اور خرابیوں میں کتنی اعتماد کے ساتھ فرق کر سکتے ہیں۔
Motional CW-Net کے کام کو خود مختار گاڑی چلانے والوں پر وسیع دباؤ سے جوڑتا ہے کیونکہ ٹیکنالوجی نئی منڈیوں اور دائرہ اختیار میں پھیلتی ہے۔ ریگولیٹرز قدرتی طور پر اس بارے میں زیادہ شفافیت کا مطالبہ کر رہے ہیں کہ AI سسٹم کس طرح فیصلے کرتے ہیں، اور CW-Net جیسے ٹولز سے تحقیقی منصوبوں سے بنیادی ضروریات کی طرف جانے کی توقع کرتے ہیں۔
مسافر کاروں کے علاوہ، خود مختار ڈرونز اور یہاں تک کہ روبوٹک سرجری کا حوالہ دوسرے حفاظتی اہم علاقوں کے طور پر دیا جاتا ہے جہاں آپریٹرز اور ڈویلپرز کو سسٹمز کی صلاحیتوں، حدود اور غیر متوقع رویے کو سمجھنے کے طریقوں کی ضرورت ہوتی ہے۔
عمل میں AI کے بارے میں مزید جانیں۔ فزکس اے آئی ایکسپو ایمسٹرڈیم، لندن اور شمالی امریکہ میں منعقد ہوا۔
حوالہ: MIT AI تاریخی اعداد و شمار کے بغیر انتہائی موسم کی پیش گوئی کرتا ہے۔
صنعت کے رہنماؤں سے AI اور بڑے ڈیٹا کے بارے میں مزید جاننا چاہتے ہیں؟ ایمسٹرڈیم، کیلیفورنیا اور لندن میں ہونے والے AI اور بگ ڈیٹا ایکسپو کو دیکھیں۔ جامع ایونٹ TechEx کا حصہ ہے اور اس کا انعقاد سائبرسیکیوریٹی اور کلاؤڈ ایکسپو سمیت دیگر اہم ٹیکنالوجی ایونٹس کے ساتھ کیا جاتا ہے۔ مزید معلومات کے لیے یہاں کلک کریں۔
AI News آپ کے لیے TechForge Media لایا گیا ہے۔ دیگر آنے والے انٹرپرائز ٹیکنالوجی ایونٹس اور ویبینرز کو یہاں دریافت کریں۔