فائدہ:
- اخلاقی خطرات کو پہچاننے اور ان کا نظم کرنے کی صلاحیت جیسے کسانوں کے ڈیٹا کی ملکیت، رازداری اور الگورتھمک تعصب
- ایک ہی موسمی اینڈ ٹو اینڈ ورک فلو میں ماڈیول کے تمام لنکس کو یکجا کرنے کی صلاحیت
- ایک کوالٹی سسٹم میں قائم کرنا کہ AI آؤٹ پٹ حفاظت کے لیے اہم زرعی فیصلوں میں قابل زرعی ماہرین کی منظوری کی جگہ نہ لے۔
ماڈیول امتحان
1. ایگریکلچرل انجینئرنگ میں کسی فیصلے میں AI آؤٹ پٹ کو شامل کرنے سے پہلے 'تین اینکرز' کی توثیق کے اینکرز کیا ہیں؟
- A) سائز کی حد، زرعی قابلیت اور فیلڈ شواہد ✔
- ب) ماڈل کی مقبولیت، جواب کی لمبائی اور زبان کی روانی
- C) قیمت، رفتار اور صارف انٹرفیس
- D) برانڈ کی ساکھ، انٹرنیٹ کنکشن اور فائل فارمیٹ
تفصیل: تین اینکرز؛ طول و عرض کا حکم، جو یہ جانچتا ہے کہ آیا نتیجہ 10 کی متوقع طاقت کے اندر ہے، زرعی معقولیت، جو فصل اور آب و ہوا کے ساتھ پیداوار کی مستقل مزاجی کو دیکھتی ہے، اور فیلڈ شواہد، جو بنیادی/نمونے کے بجائے فیلڈ میں تصدیق فراہم کرتی ہے۔ ماخذ کا برانڈ، ماڈل کی مقبولیت، یا متن کی روانی تصدیق کے معیار نہیں ہیں۔
2. NDVI (نارملائزڈ فرق ویجیٹیشن انڈیکس) بنیادی طور پر کیا پیمائش کرتا ہے؟
- A) سینٹی میٹر میں مٹی کی نمی کی صحیح فیصد کا تعین کریں۔
- ب) سبز، متحرک پودوں کی کثافت اور طاقت ✔
- C) پرجاتیوں کی سطح پر کون سی بیماری کا ایجنٹ موجود ہے؟
- D) فصل کی کٹائی کے بعد مصنوعات کی حتمی قیمت
تفصیل: NDVI قریب اورکت (NIR) اور سرخ بینڈ کی عکاسی کے درمیان فرق کو معمول پر لا کر سبز، فوٹو سنتھیٹک زندہ پودوں کی کثافت اور طاقت کی پیمائش کرتا ہے۔ چونکہ صحت مند پودے NIR کو مضبوطی سے منعکس کرتے ہیں اور سرخ رنگ کو شدت سے جذب کرتے ہیں، NDVI بڑھتا ہے۔ دباؤ والے یا ویرل کور میں قدر کم ہوجاتی ہے۔ یہ براہ راست پیداوار، مٹی کی نمی یا بیماری کی قسم کی پیمائش نہیں کرتا ہے۔ یہ اضافی ڈیٹا کی ضرورت ہے.
3. ایک سیٹلائٹ تصویر کم NDVI ویلیو والا علاقہ دکھاتی ہے۔ اس بے ضابطگی کو انجینئرنگ کے فیصلے میں تبدیل کرنے سے پہلے درج ذیل میں سے کون سا بہترین قدم ہے؟
- الف) اس جگہ پر فوری طور پر فنگسائڈ لگائیں۔
- ب) علاقے میں کھاد کی خوراک کو دوگنا کرنا
- سی) فیلڈ کنٹرول، موسمیات اور فینولوجی کے ذریعہ وجہ کی تصدیق کریں ✔
- D) بے ضابطگی کو نظر انداز کریں اور پورے فیلڈ پر اوسط لگائیں۔
وضاحت: کم این ڈی وی آئی پانی کے دباؤ، بیماری، غذائی اجزاء کی کمی، کبھی کبھار ابھرنے، بادل کے سایہ یا تازہ ہل کی ہوئی مٹی کی وجہ سے ہو سکتا ہے۔ ہم اس غیر یقینی صورتحال کو صرف فیلڈ کنٹرول، میٹرولوجی اور فینولوجی کے ذریعے پہچان سکتے ہیں۔ اکیلا نقشہ کیوں نہیں بتاتا۔ کیڑے مار ادویات یا کھادیں لگانے سے غلط وجہ سے مداخلت کا خطرہ ہوتا ہے۔
4. عوامی طور پر دستیاب AI ٹول میں کسانوں کے فیلڈ کوآرڈینیٹ، پیداوار اور لاگت کا ڈیٹا داخل کرتے وقت سب سے درست طریقہ کیا ہے؟
- A) تمام ڈیٹا کو پیسٹ کرنا جیسا کہ اس کی ID اور نقاط کے ساتھ ہے۔
- ب) شناخت کرنے والی معلومات کو گمنام رکھیں اور صرف ضروری تکنیکی ڈیٹا کا اشتراک کریں ✔
- C) کسی پبلک ٹیبل میں ڈیٹا کو بالکل چیک کیے بغیر لوڈ کرنا
- D) کسان کی اجازت کے بغیر ماڈل ٹریننگ کے لیے ڈیٹا عطیہ کرنا
انکشاف: کسانوں کا ڈیٹا تجارتی اور ذاتی طور پر حساس ہے۔ کوآرڈینیٹ، شناخت اور قیمت کی معلومات جائیداد اور رازداری کا معاملہ ہے۔ درست طریقہ یہ ہے کہ شناختی معلومات کو نمائندہ لیبلز (پلاٹ-اے، ایکس کوآرڈینیٹ) کے ساتھ گمنام کیا جائے اور تجزیہ کے لیے درکار تکنیکی ڈیٹا کا اشتراک کیا جائے۔ ڈیٹا کو جیسا ہے اس کا اشتراک کرنا یا بغیر اجازت کے اسے تعلیم کے لیے کھولنا اخلاقی اور قانونی خطرات کا باعث ہے۔
5. مٹی کے تجزیہ کی رپورٹ پی ایچ کو 4.8 کے طور پر پڑھتی ہے۔ زرعی لحاظ سے اس قدر کا کیا مطلب ہے؟
- A) زیادہ تر فصلوں کے لیے غیر جانبدار اور مثالی مٹی
- ب) سخت تیزابیت؛ ایسی حالت جو کھانے کی مقدار کو محدود کر سکتی ہے اور اصلاح کی ضرورت ہے ✔
- ج) مضبوط الکلی؛ ایک شرط جس میں لمبا کرنا ضروری ہے۔
- D) اس کا مطلب ہے کہ مٹی میں نمکیات کی مقدار بہت زیادہ ہے۔
تفصیل: پی ایچ 4.8 مضبوط تیزابیت والی مٹی کی نشاندہی کرتا ہے۔ اس حالت میں، فاسفورس اور مولیبڈینم کی مقدار کم ہو جاتی ہے، ایلومینیم/مینگنیج زہریلا ہونے کا خطرہ بڑھ جاتا ہے، اور بہت سی فصلوں میں جڑوں کی نشوونما کو روک دیا جاتا ہے۔ زیادہ تر کھیت کی فصلوں کے لیے، 6.0-7.0 مناسب حد ہے۔ لہذا، ایک تصحیح جیسا کہ لیمنگ سمجھا جاتا ہے؛ تیزابی مٹی 'مثالی' نہیں ہے اور خود سے زیادہ پیداوار کی ضمانت نہیں دیتی ہے۔
6. AI نے گندم کے کھیت کے لیے 60 کلو خالص نائٹروجن فی ڈیکیر تجویز کی ہے۔ علاقائی عملی اور ہدف کی پیداوار تقریباً 12-16 کلوگرام خالص نائٹروجن فی ڈیکیر کی نشاندہی کرتی ہے۔ بہترین سلوک کیا ہے؟
- A) سفارش کو اسی طرح نافذ کرنا، کیونکہ AI نے حساب لگایا ہے۔
- ب) محفوظ رہنے کے لیے خوراک کو مزید بڑھانا
- C) اسے شدت کے انتباہ کے حکم کے طور پر دیکھیں اور ان پٹس اور مقامی کیلیبریشن چیک کریں ✔
- D) مٹی کے تجزیہ کو مدنظر رکھے بغیر تجویز کو نصف میں تقسیم کرنا
تفصیل: تجویز متوقع حد سے تقریباً چار گنا زیادہ ہے۔ یہ شدت کی وارننگ کا حکم ہے۔ ضرورت سے زیادہ نائٹروجن کا مطلب معاشی نقصان اور ڈپریشن، بیماری اور نائٹریٹ کی آلودگی کا خطرہ ہے۔ درست رویہ یہ ہے کہ سفارش کو مسترد کر دیا جائے اور ان پٹس (یونٹ، پیداوار، ہدف کی پیداوار، مٹی N) اور مقامی کیلیبریشن کی جانچ کی جائے۔ اندھا استعمال ماحولیاتی اور زرعی نقصان کا سبب بنتا ہے۔
7. آبپاشی کے فیصلوں میں استعمال ہونے والے 'پلانٹ واٹر کنزمپشن' (ایواپوٹرانسپریشن، ای ٹی) کا کیا مطلب ہے؟
- A) صرف ورن کے ذریعے مٹی میں پانی داخل ہونے کی مقدار
- ب) مٹی سے بخارات اور پودے سے ٹرانسپائریشن کے ذریعے پانی کا کل نقصان ✔
- C) مٹی کی برقی چالکتا
- D) آبپاشی کے پائپ میں دباؤ کی قدر
وضاحت: Evapotranspiration پلانٹ سے بخارات اور ٹرانسپائریشن کے ذریعے مٹی سے فضا میں پانی کا مجموعی نقصان ہے۔ حوالہ ET کو فصل کے قابلیت (Kc) کے ساتھ ضرب دے کر، مصنوعہ (ETc) کی اصل پانی کی ضرورت کا اندازہ لگایا جاتا ہے اور اس پانی کے توازن کے مطابق آبپاشی کی منصوبہ بندی کی جاتی ہے۔ ET بارش یا مٹی کی کھارا پن نہیں ہے۔ یہ پانی کے بجٹ کے اخراج کی طرف نمائندگی کرتا ہے۔
8. ایک انجینئر جس نے پتے پر علامات دیکھی تھیں اس نے تصویر کی تفصیل AI کو دی اور ابتدائی تشخیص حاصل کی۔ اس تشخیص کو کیڑوں پر قابو پانے کے فیصلے میں ترجمہ کرنے سے پہلے کون سا لازمی ہے؟
- A) فیلڈ/لیبارٹری میں ایجنٹ کی تصدیق کرنا اور لائسنس یافتہ اور لیبل والی دوائی کا انتخاب کرنا ✔
- ب) کئی مختلف دوائیں ایک ساتھ لینا، صرف محفوظ رہنے کے لیے
- ج) جو بھی AI کہتا ہے اسے فوری طور پر فعال اجزاء کا اطلاق کریں۔
- D) سب سے سستی کیڑے مار دوا کا انتخاب کریں اور اسے پورے کھیت میں لگائیں۔
وضاحت: تصویر سے ابتدائی تشخیص مختلف عوامل (فنگل، بیکٹیریل، وائرل، غذائی اجزاء کی کمی، ابیوٹک تناؤ) کی وجہ سے کافی نہیں ہے جو ایک جیسی علامات کا سبب بنتے ہیں۔ ایجنٹ کی تصدیق فیلڈ کے نمونے کے ساتھ کی جانی چاہیے اور اگر ضروری ہو تو لیبارٹری تشخیص، اور پھر صرف اس ایجنٹ کے لیے لائسنس یافتہ دوا اور اس کے لیبل کے لیے موزوں پروڈکٹ کا انتخاب کیا جانا چاہیے۔ بغیر تصدیق کے وسیع اسپیکٹرم کیڑے مار دوا کا استعمال مزاحمت اور باقیات کا خطرہ پیدا کرتا ہے۔
9. GDD (گروتھ ڈگری ڈے) کے تصور کا کیا مقصد ہے، جو اکثر زرعی فیصلے کی حمایت میں استعمال ہوتا ہے؟
- A) مٹی کی pH قدر کے بعد
- ب) گرمی کے جمع ہونے سے پودوں کی نشوونما کے مراحل اور کیڑوں کے پیدا ہونے کی پیشین گوئی کرنا ✔
- سی) آبپاشی کے پائپ کے بہاؤ کی شرح کی پیمائش
- D) مصنوعات کی مارکیٹ قیمت کا حساب لگانا
تفصیل: GDD روزانہ اوسط درجہ حرارت سے بنیادی درجہ حرارت کو گھٹا کر جمع کی جانے والی کل حرارت ہے اور اسے پودوں کی نشوونما (فینولوجی) مراحل اور کچھ کیڑوں کے ظہور کے وقت کا اندازہ لگانے کے لیے استعمال کیا جاتا ہے۔ اس طرح، چھڑکاؤ، کھاد اور فصل کی کھڑکیوں کی منصوبہ بندی کیلنڈر کے بجائے گرمی کے جمع ہونے کے مطابق کی جا سکتی ہے۔ جی ڈی ڈی مٹی کا پی ایچ یا براہ راست بارش کی مقدار نہیں ہے۔
10. مشین لرننگ کے ساتھ قائم کردہ پیداوار کی پیشن گوئی کے ماڈل کے لیے درج ذیل میں سے کون سا بیان سب سے زیادہ درست ہے؟
- A) مستقبل کی درستگی اور غلطی کے بغیر پیشین گوئی کرتا ہے۔
- ب) یہ ماضی کے نمونوں پر مبنی ہے۔ غیر یقینی کی حد اور تصدیق شدہ ✔ کے ساتھ دیا جانا چاہیے۔
- C) یہ تربیتی ڈیٹا کے علاوہ دیگر حالات میں ہمیشہ ایک ہی درستگی کے ساتھ کام کرتا ہے۔
- D) وہ زرعی معلومات کے بغیر واحد حتمی فیصلہ ساز ہے۔
تفصیل: مشین لرننگ ماڈل ان نمونوں پر مبنی ہوتا ہے جو اسے تاریخی ڈیٹا میں نظر آتا ہے۔ اعتماد اس وقت کم ہو جاتا ہے جب ان پٹ کے حالات تربیتی ڈیٹا (نئی قسم، غیر معمولی آب و ہوا) سے باہر ہو جاتے ہیں۔ لہذا، آؤٹ پٹ کو ایک غیر یقینی حد کے ساتھ دیا جانا چاہئے، ایک نقطہ نہیں، اور تاریخی پیداوار اور بینچ مارکس کے ساتھ تصدیق کی جانی چاہئے. ماڈل یقین کے ساتھ مستقبل کو نہیں جانتا ہے اور تمام حالات میں ایک ہی درستگی کے ساتھ کام نہیں کرتا ہے۔
11. AI سے تیار کردہ Python/pandas کے تجزیہ کوڈ کو چلانے سے پہلے بہترین عمل کیا ہے؟
- A) کوڈ کو پڑھے بغیر پورے ڈیٹا سیٹ پر براہ راست لاگو کرنا
- ب) معلوم نتائج کے ساتھ چھوٹے نمونے کے ڈیٹا کے ساتھ جانچ اور فارمولوں اور اکائیوں کی جانچ کرنا ✔
- ج) اس بات پر غور کرنا کہ غلطیوں کے بغیر کام کرنا ہی کافی ہے۔
- D) رپورٹ میں آؤٹ پٹ کو بالکل چیک کیے بغیر ڈالنا
تفصیل: اگرچہ AI سے تیار کردہ کوڈ درست ظاہر ہو سکتا ہے، لیکن اس میں یونٹ، کالم کا نام، انڈیکس فارمولہ، یا فلٹر منطق کی خرابیاں ہو سکتی ہیں۔ اچھی مشق یہ ہے کہ نتیجہ کو دستی طور پر ڈیٹا کے ایک چھوٹے سے نمونے کے خلاف چلائیں جو آپ جانتے ہیں، اس کا متوقع آؤٹ پٹ سے موازنہ کریں، اور ماخذ کے خلاف NDVI جیسے فارمولوں کو چیک کریں۔ بڑے ڈیٹا پر کوڈ کو بغیر دیکھے لاگو کرنا خاموش کیڑے کو پیداوار میں لے جاتا ہے۔
12. سراغ رسانی کے ریکارڈ میں منشیات کی انتظامیہ کی نوٹ بک کیوں اہم ہے؟
- A) صرف ٹیکس میں چھوٹ حاصل کرنے کے لیے
- B) MRL کی تعمیل، سرٹیفیکیشن اور بیچ ٹریس بیک کے لیے قابل تصدیق ریکارڈ فراہم کرتا ہے ✔
- ج) صرف پڑوسی شعبوں کے ساتھ موازنہ کے لیے
- D) اشتہاری بروشرز تیار کرنا
تفصیل: ادویات کی انتظامیہ کی کتاب؛ یہ دستاویز کرتا ہے کہ کون سا پروڈکٹ، کون سا فعال جزو، کس خوراک اور تاریخ میں اس کا استعمال کیا گیا، اور آخری درخواست اور کٹائی کے درمیان انتظار کی مدت۔ یہ ریکارڈنگ زیادہ سے زیادہ باقیات کی حد (MRL) کی تعمیل، اچھی زراعت/نامیاتی سرٹیفیکیشن، اور اگر کوئی مسئلہ پیش آتا ہے تو بیچ ٹریس بیک کے لیے لازمی ہے۔ یہ صرف لاگت سے باخبر رہنے یا تشہیر کے لیے نہیں رکھا گیا ہے۔
13. ایک AI ٹول نے اعتماد کے ساتھ کسی ایسے کیڑوں کی اطلاع دی جو علاقے میں 'عام خطرے' کے طور پر نہیں پائے جاتے۔ کون سا تصور اس صورت حال کی بہترین وضاحت کر سکتا ہے؟
- A) سینسر کیلیبریشن کی خرابی۔
- ب) ہیلوسینیشن: ایسی معلومات کی پیداوار جو محفوظ زبان میں موجود نہیں ہے ✔
- ج) نیٹ ورک کنکشن میں رکاوٹ
- D) بارش کے اعداد و شمار کی کمی
وضاحت: اسے ہیلوسینیشن کہا جاتا ہے جب ماڈل ایسی معلومات پیدا کرتا ہے جو حقیقت میں موجود نہیں ہے یا سیاق و سباق سے میل نہیں کھاتی، جیسے کہ یہ حقیقی، روانی اور پراعتماد ہو۔ زرعی قابلیت کا فلٹر (کیا خطے کی آب و ہوا اور فصل کا نمونہ اس کیڑوں کے لیے موزوں ہے؟) اور فیلڈ شواہد دستخط سے پہلے ایسی غلطیوں کو پکڑتے ہیں۔ یہ سینسر کی خرابی یا یونٹ کی خرابی نہیں ہے۔
14. حفاظت اور معیار کے لیے اہم زرعی فیصلوں میں مصنوعی ذہانت کے کردار کی وضاحت کیسے کی جانی چاہیے (مثلاً کیڑے مار دوا کی خوراک، کھاد کا نسخہ، آبپاشی کا منصوبہ)؟
- A) مجاز اتھارٹی جو اکیلے حتمی فیصلہ کرتی ہے۔
- ب) خودکار نظام جو قابل زرعی ماہرین کی منظوری کی جگہ لے لے
- ج) ایک معاون جو مسودے اور تجاویز تیار کرتا ہے اور فیصلہ ماہر پر چھوڑ دیتا ہے۔
- D) معلومات کا درست ذریعہ جس کی تصدیق کی ضرورت نہیں ہے۔
تفصیل: مصنوعی ذہانت؛ یہ ایک معاون ہے جو خاکہ تیار کرتا ہے، ڈیٹا کا خلاصہ کرتا ہے، اور مفروضے تجویز کرتا ہے۔ اہم فیصلوں میں حتمی فیصلہ قابل ایگریکلچرل انجینئر کا ہے جو فیلڈ آبزرویشن، مقامی کیلیبریشن اور قانون سازی سے واقف ہے۔ AI آؤٹ پٹ اس منظوری کو تبدیل نہیں کرتا ہے۔ جب بات پروڈکٹ، ماحولیاتی اور خوراک کی حفاظت کی ہو تو ذمہ داری دستخط کرنے والے ماہر پر عائد ہوتی ہے۔