سیکھنے کے منحنی خطوط پر تشریف لے جانا: یادداشت برقرار رکھنے کے ساتھ اے آئی کی جدوجہد

جیسا کہ مصنوعی ذہانت (AI) کی حدود میں مسلسل توسیع ہوتی جارہی ہے، محققین میدان میں سب سے بڑے چیلنجوں میں سے ایک سے نمٹ رہے ہیں: یادداشت کی کمی۔ AI کی اصطلاحات میں "تباہ کن فراموشنگ" کے نام سے جانا جاتا ہے، یہ رجحان مشین لرننگ کی ترقی میں شدید رکاوٹ ڈالتا ہے، انسانی یادوں کی مضحکہ خیز نوعیت کی نقل کرتا ہے۔ اوہائیو اسٹیٹ یونیورسٹی کے الیکٹریکل انجینئرز کی ایک ٹیم اس بات کی تحقیقات کر رہی ہے کہ کس طرح مسلسل سیکھنے، کاموں کی ایک سیریز سے مسلسل علم حاصل کرنے کی کمپیوٹر کی صلاحیت، AI ایجنٹوں کی مجموعی کارکردگی کو متاثر کرتی ہے۔

انسان اور مشین لرننگ کے درمیان فرق کو ختم کرنا

نیس شروف، اوہائیو کے ایک ممتاز اسکالر اور اوہائیو اسٹیٹ یونیورسٹی میں کمپیوٹر سائنس اور انجینئرنگ کے پروفیسر، اس رکاوٹ پر قابو پانے کی اہمیت پر زور دیتے ہیں۔ شروف نے کہا، "چونکہ خودکار ڈرائیونگ ایپلی کیشنز یا دیگر روبوٹک سسٹمز کو نئی چیزیں سکھائی جاتی ہیں، اس لیے یہ ضروری ہے کہ وہ اس اسباق کو نہ بھولیں جو وہ پہلے ہی ہماری حفاظت اور اپنی حفاظت کے لیے سیکھ چکے ہیں۔" وہ جاری رکھتے ہیں، "ہماری تحقیق ان مصنوعی اعصابی نیٹ ورکس میں مسلسل سیکھنے کی پیچیدگیوں کا پتہ دیتی ہے، اور ہمیں جو کچھ ملا وہ بصیرتیں ہیں جو مشین کے سیکھنے اور انسان کے سیکھنے کے طریقہ کے درمیان فرق کو ختم کرنا شروع کر دیتی ہیں۔"

تحقیق سے پتہ چلتا ہے کہ، انسانوں کی طرح، مصنوعی عصبی نیٹ ورک بھی معلومات کو برقرار رکھنے میں سبقت لے جاتے ہیں جب متفرق کاموں کا سامنا کرنا پڑتا ہے نہ کہ اوورلیپنگ خصوصیات والے کاموں کے۔ یہ بصیرت اس بات کو سمجھنے میں اہم ہے کہ مشینوں میں مسلسل سیکھنے کو کس طرح بہتر بنایا جا سکتا ہے تاکہ انسانوں کی علمی صلاحیتوں کو قریب سے مل سکے۔

مشین لرننگ میں ٹاسک تنوع اور ترتیب کا کردار

محققین اپنے نتائج کو ہونولولو، ہوائی میں مشین لرننگ پر 40ویں سالانہ بین الاقوامی کانفرنس میں پیش کرنے کے لیے تیار ہیں، جو مشین لرننگ کے شعبے میں ایک اہم تقریب ہے۔ تحقیق ان عوامل کو روشنی میں لاتی ہے جو مصنوعی نیٹ ورک کے مخصوص علم کو برقرار رکھنے کے وقت کی لمبائی میں حصہ ڈالتے ہیں۔

شروف بتاتے ہیں، "الگورتھم کی یادداشت کو بہتر بنانے کے لیے، سیکھنے کے مسلسل عمل میں مختلف کاموں کو ابتدائی طور پر سکھایا جانا چاہیے۔ یہ طریقہ نئی معلومات کے لیے نیٹ ورک کی صلاحیت کو بڑھاتا ہے اور بعد میں اس طرح کے مزید کاموں کو سیکھنے کی صلاحیت کو بہتر بناتا ہے۔ لہذا، کام کی مماثلت، مثبت اور منفی ارتباط، اور سیکھنے کا سلسلہ مشینوں میں یادداشت کو برقرار رکھنے کو نمایاں طور پر متاثر کرتا ہے۔

اس طرح کے متحرک، تاحیات سیکھنے کے نظام کا مقصد اس شرح کو بڑھانا ہے جس پر مشین لرننگ الگورتھم کو بڑھایا جا سکتا ہے اور انہیں بدلتے ہوئے ماحول اور غیر متوقع حالات سے نمٹنے کے لیے ڈھالنا ہے۔ حتمی مقصد یہ ہے کہ ان نظاموں کو انسانوں کی سیکھنے کی صلاحیتوں کی عکاسی کرنے کے قابل بنایا جائے۔

شروف اور ان کی ٹیم کی جانب سے کی گئی تحقیق، بشمول اوہائیو اسٹیٹ کے پوسٹ ڈاکیٹرل محققین سین لن اور پیزہونگ جو اور پروفیسرز ینگ بن لیانگ، ان ذہین مشینوں کی بنیاد رکھتی ہیں جو انسانوں کے مطابق ڈھال سکتی ہیں اور سیکھ سکتی ہیں۔ "ہمارا کام ذہین مشینوں کے ایک نئے دور کا آغاز کرتا ہے جو اپنے انسانی ہم منصبوں کی طرح سیکھ سکتی ہے اور ڈھال سکتی ہے،" شروف کہتے ہیں، AI کے بارے میں ہماری سمجھ پر اس مطالعہ کے اہم اثرات پر زور دیتے ہوئے