کیا ہوا؟
ایم آئی ٹی کے محققین نے ہارڈ فلو تیار کیا، جو کہ غیر گفت و شنید حفاظت، جسمانی، یا کام سے متعلق مخصوص تقاضوں کے تحت کام کرنے والے تخلیقی AI ماڈلز کے لیے ایک تعیناتی وقت کا الگورتھم ہے۔ یہ طریقہ انٹرمیڈیٹ جنریشن کو مزید آزادی کی اجازت دیتا ہے، پھر سخت رکاوٹوں کو پورا کرنے کے لیے حتمی آؤٹ پٹ کو آگے بڑھاتا ہے۔ MIT روبوٹک ہیرا پھیری، بھولبلییا نیویگیشن، اور ٹیکسٹ گائیڈڈ امیج ایڈیٹنگ میں تجربات کی رپورٹ کرتا ہے، جہاں HardFlow نے مطلوبہ رکاوٹوں کو پورا کیا اور حل کے معیار کے اقدامات پر بیس لائن طریقوں سے بہتر کارکردگی کا مظاہرہ کیا۔
یہ تکنیک زیادہ سے زیادہ کنٹرول کے طریقوں کا استعمال کرتے ہوئے ایک ٹریجیکٹری-آپٹیمائزیشن کے مسئلے کے طور پر سخت مجبور نمونے کی اصلاح کرتی ہے۔ رکاوٹوں کو پورا کرنے کے لیے ہر درمیانے درجے کے نمونے کو مجبور کرنے کے بجائے، ہارڈ فلو نسل کی رفتار کو آگے بڑھاتا ہے اور حتمی آؤٹ پٹ کو قابل عمل ہونے کی ضرورت ہے۔ محققین کا کہنا ہے کہ یہ نسل کے دوران زیادہ آزادی کو محفوظ رکھتا ہے اور اضافی مقاصد کی اجازت دیتا ہے، جیسے روبوٹ کے راستے کی لمبائی کو کم کرنا۔
ماخذ کا کہنا ہے کہ ٹیم نے بہاؤ سے ملنے والے ماڈلز کے ڈھانچے کو استعمال کیا تاکہ اصلاح کے بڑے مسئلے کو چھوٹے واحد قدمی ذیلی مسائل میں تقسیم کیا جا سکے۔ یہ رپورٹ کرتا ہے کہ ہارڈ فلو نے روبوٹک ہیرا پھیری، بھولبلییا نیویگیشن، اور ٹیکسٹ گائیڈڈ امیج ایڈیٹنگ کے تجربات میں کامل رکاوٹ کا اطمینان حاصل کیا، جبکہ حل کے معیار کے اقدامات پر بیس لائن طریقوں سے مسلسل بہتر کارکردگی کا مظاہرہ کیا۔ ذریعہ یہ بھی کہتا ہے کہ اس کی گنتی کا وقت زیادہ تر مسابقتی طریقوں سے موازنہ یا کم تھا۔ کوئی عددی نتائج، نام کی بنیاد، کوڈ ریلیز، یا ماڈل تک رسائی کی تفصیلات فراہم نہیں کی گئی ہیں۔
ماخذ کی تفصیلات: news.mit.edu ↗
یہ کیوں اہمیت رکھتا ہے۔
جنریٹو ماڈل جو تقریباً درست ہیں وہ اب بھی سیٹنگز میں غیر محفوظ ہو سکتے ہیں جیسے لوگوں یا مشینوں کے ارد گرد روبوٹ نیویگیشن۔ ہارڈ فلو ایک مرکزی تعیناتی کے مسئلے کو حل کرتا ہے: بہتر حل کے لیے ماڈل کی تلاش کو غیر ضروری طور پر محدود کیے بغیر رکاوٹوں کو نافذ کرنا۔ اگر رپورٹ کردہ نتائج کو عام کیا جاتا ہے، تو یہ طریقہ ٹیموں کو پہلے سے تربیت یافتہ جنریٹو ماڈلز کو ایپلی کیشنز میں استعمال کرنے میں مدد دے سکتا ہے جس کے لیے فزیبلٹی اور آپٹیمائزیشن دونوں کی ضرورت ہوتی ہے، جیسے کہ تصادم سے بچنا اور چھوٹے روبوٹ کی رفتار کے ساتھ۔ ذریعہ حقیقی دنیا کی پیداوار کی کارکردگی، آزاد توثیق، یا وسیع دستیابی کو قائم نہیں کرتا ہے۔
عملی مسئلہ یہ ہے کہ صرف حفاظتی تقاضوں کو پورا کرنا ہی ایک غیر موثر یا بصورت دیگر خراب نتیجہ پیدا کر سکتا ہے، جب کہ سخت نفاذ کے بغیر معیار کو بہتر بنانا ناقابل قبول ناکامیاں پیدا کر سکتا ہے۔ MIT کی مثالیں روبوٹ کے راستے کی منصوبہ بندی کے ذریعے تجارت کو طے کرتی ہیں: ایک راستہ جو تقریباً کسی رکاوٹ سے بچتا ہے وہ اب بھی تصادم کا سبب بن سکتا ہے، جبکہ ایک بہت زیادہ محدود طریقہ زیادہ طویل راستہ تلاش کر سکتا ہے۔
ہارڈ فلو کو پلگ اینڈ پلے کے طور پر بیان کیا گیا ہے اور پہلے سے تربیت یافتہ جنریٹو ماڈلز کے ساتھ تعیناتی کے وقت قابل استعمال ہے، جو نئی رکاوٹ متعارف کرائے جانے پر دوبارہ تربیت کی ضرورت کو کم کر سکتا ہے۔ یہ ماخذ کا دعویٰ ہے، آزادانہ طور پر قائم کردہ نتیجہ نہیں۔ مضمون میں عمل درآمد کی ضروریات، لائسنسنگ، معاون ہارڈ ویئر، یا تحقیقی گروپ سے باہر کی تنظیمیں اس طریقہ کار کو اب استعمال کر سکتی ہیں اس کی وضاحت نہیں کرتا ہے۔
انٹرایکٹو میکانزم: یہ اصل میں کیسے کام کرتا ہے۔
اس ترقی کے پیچھے بنیادی ٹیکنالوجی کو انٹرایکٹو طریقے سے دریافت کریں۔
Which component of an AI application is the machine-learning model itself?
آگے کیا دیکھنا ہے۔
کلیدی کھلے سوالات یہ ہیں کہ کیا HardFlow عوامی طور پر دستیاب ہے، جس نے پہلے سے تربیت یافتہ ماڈلز اور رکاوٹوں کی اقسام کو عملی طور پر سپورٹ کیا ہے، اور اس کی کمپیوٹیشنل لاگت بڑے سسٹمز یا زیادہ پیچیدہ ماحول کے ساتھ کیسے بدلتی ہے۔ مزید کام رکاوٹوں کے نفاذ کے ساتھ ساتھ بنیادی ماڈل کو اپ ڈیٹ کرنے کی اجازت دے سکتا ہے۔ اس بات کا تعین کرنے کے لیے آزاد جانچ اور تعیناتی ثبوت کی ضرورت ہوگی کہ آیا رپورٹ شدہ نتائج ماخذ کے تجربات سے آگے منتقل ہوتے ہیں۔
ماخذ کے مطابق، یہ تحقیق پیٹرن اینالیسس اور مشین انٹیلی جنس پر آئی ای ای ای ٹرانزیکشنز میں ظاہر ہوتی ہے۔ فالو اپ کام سے توقع کی جاتی ہے کہ وہ ترتیبات کی جانچ کرے جہاں AI ماڈل کو خود اپ ڈیٹ کیا جا سکتا ہے، ممکنہ طور پر وقت کے ساتھ ساتھ رکاوٹوں کے اطمینان اور آؤٹ پٹ کوالٹی دونوں کو بہتر بناتا ہے۔
اہم نامعلوم چیزوں میں کنٹرول شدہ تجربات سے باہر جسمانی روبوٹس کی کارکردگی، نامکمل یا بدلتے ہوئے ماحولیاتی معلومات کے تحت برتاؤ، ان قسم کی سخت رکاوٹیں جن کو قابل اعتماد طریقے سے انکوڈ کیا جا سکتا ہے، اور بڑے نیورل نیٹ ورکس تک پیمانہ کاری شامل ہیں۔ ذریعہ کوئی قیمت کا تعین یا تجارتی رسائی کی معلومات فراہم نہیں کرتا ہے اور آزاد نقل یا حفاظتی سرٹیفیکیشن کی اطلاع نہیں دیتا ہے۔