MLOps فاؤنڈیشن، اخلاقیات، رازداری اور ذمہ دار تجزیات

فائدہ:

• MLOps کے مراحل کو سمجھنے کی صلاحیت (ریلیز، تعیناتی، نگرانی، دوبارہ تربیت، رول بیک) اور ماڈل ڈرفٹ اور نگرانی شدہ تعیناتی کی منصوبہ بندی
• ماڈل منصفانہ، شفافیت اور جوابدہی کے اصولوں کو لاگو کرنے اور شماریاتی درستگی کو اخلاقی قبولیت سے ممتاز کرنے کی اہلیت
• KVKK/GDPR اصولوں کے ساتھ ذاتی ڈیٹا کی حفاظت کرنے کی صلاحیت اور اعلیٰ اثر والے فیصلوں میں انسان کو حتمی ذمہ داری تفویض کرنا

ایک ماڈل کو تربیت دینا اور اعلی اسکور حاصل کرنا آخر نہیں بلکہ درمیانی چیز ہے۔ اصل قدر اس وقت آتی ہے جب ماڈل کو پروڈکشن میں ڈالا جاتا ہے اور قابل اعتماد طریقے سے کام کرتا ہے، وقت کے ساتھ ساتھ بغیر کسی خرابی کے اس کی نگرانی کی جاتی ہے، اور سارا عمل اخلاقی اور قانونی حدود میں ہوتا ہے۔ یہ اختتامی یونٹ تین عنوانات کو یکجا کرتا ہے: MLOps (ماڈل کی نگرانی اور برقرار رکھنے کا نظم و ضبط)، اخلاقیات (انصاف، شفافیت، غیر اخلاقی) اور رازداری (ذاتی ڈیٹا کی حفاظت)۔ AI ان علاقوں میں کوڈ، چیک لسٹ اور بلیو پرنٹ تیار کرتا ہے۔ لیکن انسان فیصلہ کرتے ہیں کہ آیا ماڈل لائیو ہوتا ہے، کون متاثر ہوگا، اور کون سا ڈیٹا استعمال کیا جا سکتا ہے۔ یہ فیصلے تکنیکی نہیں بلکہ ذمہ داری کے فیصلے ہیں۔

MLOps: ماڈل ایک پروڈکٹ کی طرح رہتا ہے۔

MLOps (مشین لرننگ آپریشنز - پروڈکشن میں مشین لرننگ ماڈلز کو چلانے، نگرانی کرنے اور اپ ڈیٹ کرنے کی مشق) سافٹ ویئر ڈویلپمنٹ میں ڈی او اوپس کا ڈیٹا سائنس میں موافقت ہے۔ بنیادی خیال: ایک ماڈل ایک فائل نہیں ہے جو ایک بار تربیت یافتہ ہے اور بھول گیا ہے، لیکن ایک زندہ مصنوعات جو مسلسل دیکھ بھال کی ضرورت ہوتی ہے. اہم مراحل:

1. ورژننگ: کوڈ (گٹ)، ڈیٹا اور ماڈل کو ایک ساتھ ورژن بنایا گیا ہے۔ یہ ریکارڈ کیا جاتا ہے کہ کون سا ماڈل کس ڈیٹا اور کوڈ کے ساتھ تیار کیا گیا تھا۔

2. تعیناتی: ماڈل کو ایک API یا بیچ جاب کے طور پر لائیو رکھا جاتا ہے۔ یہ عام طور پر پہلے ایک چھوٹے سامعین کو دیا جاتا ہے (سایہ/کینری تقسیم)۔

3. نگرانی: ماڈل کی کارکردگی اور ان پٹ ڈیٹا کی مسلسل نگرانی کی جاتی ہے۔

4. دوبارہ تربیت: جب کارکردگی میں کمی آتی ہے، تو ماڈل کو تازہ ترین ڈیٹا کے ساتھ دوبارہ تربیت دی جاتی ہے۔

پیٹرن شفٹ: خاموش تحریف

پیداوار میں سب سے بڑا خطرہ ماڈل ڈرفٹ (ماڈل ڈرفٹ/ڈیٹا ڈرفٹ) ہے۔ دنیا بدلتی ہے؛ وہ حالات جن پر آپ نے اپنے ماڈل کو تربیت دی ہے (گاہک کا رویہ، قیمتیں، موسم، قانون سازی) وقت کے ساتھ ساتھ بدل جاتی ہے اور ماڈل متروک ہونا شروع ہو جاتا ہے۔ مثال کے طور پر، وبائی مرض سے پہلے تربیت یافتہ ڈیمانڈ ماڈل وبائی امراض کے دوران بالکل غلط ہے۔ ڈرفٹ دو شکلوں میں ہوتا ہے: ڈیٹا ڈرفٹ (ان پٹ ڈیٹا کی تبدیلیوں کی تقسیم) اور تصور بڑھے (ان پٹ اور ہدف کی تبدیلیوں کے درمیان تعلق)۔ ان کو پکڑنے کا طریقہ مانیٹرنگ ہے: ان پٹ ڈسٹری بیوشن، پیشین گوئی کی تقسیم، اور (اگر ممکن ہو) اصل نتیجہ کے مقابلے کارکردگی کو مسلسل ٹریک کریں۔

احتیاط: پروڈکشن میں ڈالا جانے والا ماڈل خود ہی خراب ہو جائے گا۔ یہ "اگر" کی نہیں بلکہ "کب" کی بات ہے۔ مانیٹرنگ سیٹ اپ کیے بغیر ماڈلز کی تعیناتی ایسے ہی ہے جیسے کسی گاڑی کے انجن کو کنٹرول کیے بغیر چلانا۔ ایک دن یہ خاموشی سے وہاں بیٹھ جاتا ہے اور آپ کو نوٹس نہیں ہوتا ہے۔

MLOps عنصر

مقصد

اگر کوتاہی کی جائے۔

ورژننگ

یہ جاننا کہ کیا پیدا ہوتا ہے۔

ناقابل تولید، ناقابلِ سراغ لگانا

نگرانی

جلد پرچی دیکھ کر

ماڈل خاموشی سے ٹوٹ جاتا ہے۔

دوبارہ تربیت

اپ ٹو ڈیٹ رہیں

پیشین گوئیاں پرانی ہو جاتی ہیں۔

رول بیک

خراب ماڈل پر واپس جائیں۔

ناقص ماڈل زندہ رہتا ہے۔

دستاویزی

شفافیت، کاروبار

معلومات ایک شخص میں پھنس جاتی ہے۔

اخلاقیات: ماڈل فیصلے لوگوں کو متاثر کرتے ہیں۔

لوگوں کی زندگیوں کو متاثر کرنے والے فیصلوں میں ڈیٹا ماڈلز تیزی سے استعمال ہو رہے ہیں: کریڈٹ، ہائرنگ، انشورنس، انصاف۔ اس طاقت کے ساتھ ذمہ داری آتی ہے۔ بڑے اخلاقی خطرات:

تعصب اور امتیازی سلوک: ماڈل تاریخی اعداد و شمار میں ناانصافیوں کو سیکھ سکتا ہے اور اسے برقرار رکھ سکتا ہے۔ اگر ماضی میں کسی مخصوص گروپ کو کم کریڈٹ دیا گیا ہے، تو ماڈل فرض کرتا ہے کہ یہ ایک "قاعدہ" ہے اور امتیازی سلوک کو خودکار کرتا ہے۔ اسی لیے منصفانہ تجزیہ - یہ جانچنا کہ آیا ماڈل مختلف گروہوں (جنس، عمر، علاقہ) کے لیے یکساں کارکردگی کا مظاہرہ کرتا ہے - ضروری ہے۔

شفافیت اور وضاحت کی اہلیت: آپ کو یہ بتانے کے قابل ہونا چاہئے کہ ماڈل نے ایک شخص کو کیوں مسترد کیا۔ "بلیک باکس نے ایسا کہا" اخلاقی طور پر اور اکثر قانونی طور پر ناقابل قبول ہے۔ اس لیے وضاحتی ٹولز (خصوصیات کی اہمیت، SHAP اقدار) قابل قدر ہیں۔

احتساب: اگر ماڈل غلط فیصلہ کرتا ہے تو ذمہ دار کون ہے؟ جواب ہمیشہ ایک شخص/ادارہ ہوتا ہے، ماڈل نہیں۔ انسانی نگرانی (ہیومن ان دی لوپ - حتمی فیصلے کی منظوری دینے والا انسان) کو اعلیٰ اثر والے فیصلوں میں محفوظ کیا جانا چاہیے۔

احتیاط: ایک ماڈل اعداد و شمار کے لحاظ سے "درست" ہو سکتا ہے لیکن اخلاقی طور پر ناقابل قبول ہے۔ ایک انتہائی درست ماڈل جو منظم طریقے سے ایک گروپ کو نقصان پہنچاتا ہے اچھا ماڈل نہیں ہے۔ ایمانداری انصاف کا متبادل نہیں ہے۔

رازداری: ذاتی ڈیٹا احتیاط سے محفوظ ہے۔

ڈیٹا سائنس کا خام مال اکثر ذاتی ڈیٹا ہوتا ہے، اور یہ ڈیٹا قانون کے ذریعے محفوظ ہوتا ہے: ترکی میں KVKK، یورپ میں GDPR۔ بنیادی اصول یہ ہیں: مقصد کی حد (ڈیٹا اس مقصد کے علاوہ جس مقصد کے لیے اسے جمع کیا گیا تھا کسی اور مقصد کے لیے استعمال نہیں کیا جاتا ہے)، ڈیٹا کو کم سے کم کرنا (ضروری سے زیادہ ڈیٹا اکٹھا نہیں کیا جاتا/رکھایا نہیں جاتا)، گمنامی (معلومات کی شناخت کو ہٹا دیا جاتا ہے) اور سیکیورٹی (ڈیٹا کو خفیہ رکھا جاتا ہے اور رسائی کو محدود کیا جاتا ہے)۔ AI ٹولز کے ساتھ کام کرتے وقت اہم اصول: کبھی بھی حقیقی ذاتی ڈیٹا کو عوامی AI ٹول میں چسپاں نہ کریں۔ زیادہ تر وقت، ایک خاکہ اور ایک گمنام/مصنوعی نمونہ تجزیہ کے لیے کافی ہوتے ہیں۔

معلومات کی حفاظت کے تناظر میں ایک اضافی زور: دفاعی اور جائز تجزیہ مقاصد کے لیے صرف ڈیٹا اور سسٹمز پر ڈیٹا سائنس ٹولز اور تکنیکوں کا استعمال کریں جن کے لیے آپ کے پاس اختیار ہے۔ کسی اور کے ڈیٹا تک غیر مجاز رسائی، افراد کی دوبارہ شناخت (گمنام ڈیٹا سے شناخت نکالنا) یا غیر مجاز پروفائلنگ دونوں غیر قانونی اور غیر اخلاقی ہیں۔

تین چھوٹے مقدمات

کیس 1 - بغیر ٹریک شدہ گرنا۔ ایک ای کامرس کمپنی اپنے سفارشی ماڈل کے ساتھ لائیو چلی گئی اور اس نے ٹریکنگ ترتیب نہیں دی۔ 4 ماہ کے بعد پروڈکٹ کیٹلاگ بہت بدل گیا ہے۔ ماڈل پرانی مصنوعات کی سفارش کرتا رہا، اور تبادلوں کی شرح خاموشی سے 30 فیصد تک گر گئی۔ مہینوں تک کسی نے نوٹس نہیں لیا۔ سبق: نگرانی کے بغیر تعیناتی اندھی ہو رہی ہے۔

کیس 2 - پوشیدہ امتیاز۔ ہائرنگ اسکریننگ ماڈل نے تاریخی اعداد و شمار میں صنفی عدم توازن اور خواتین امیدواروں کو منظم طریقے سے کم درجہ بندی کے بارے میں سیکھا۔ اس پر توجہ نہیں دی گئی کیونکہ کوئی منصفانہ تجزیہ نہیں تھا۔ یہ ایک آڈٹ میں سامنے آیا اور ادارے کو سنگین ساکھ/قانونی خطرے کا سامنا کرنا پڑا۔ سبق: اعلیٰ اثر والے ماڈلز میں گروپ پر مبنی منصفانہ کنٹرول ضروری ہے۔

کیس 3 - رازداری کی خلاف ورزی۔ ایک تجزیہ کار نے ایک عوامی AI ٹول میں حقیقی کسٹمر ای میلز اور خریداری کی تاریخ پر مشتمل فائل لوڈ کی اور کہا، "حصوں کا خلاصہ کریں۔" ذاتی ڈیٹا نے ادارہ چھوڑ دیا ہے۔ KVKK کا عمل شروع ہو چکا ہے۔ صحیح طریقہ یہ تھا کہ شناختی فیلڈز کو ہٹایا جائے اور صرف گمنام پراپرٹیز کا اشتراک کیا جائے۔ سبق: اصلی ذاتی ڈیٹا اوپن ٹول میں داخل نہیں ہوتا ہے۔

چار کاپی کرنے کے قابل ٹیمپلیٹس

1) پہلے سے تعیناتی چیک لسٹ:

آپ کا کردار: MLOps کنسلٹنٹ۔ ان چیزوں کی فہرست بنائیں جن کی مجھے پروڈکشن میں ماڈل ڈالنے سے پہلے جانچنے کی ضرورت ہے: ورژن بنانا، مانیٹرنگ میٹرکس، رول بیک پلان، کارکردگی کی حد، ڈیٹا ڈرفٹ الرٹ، ذمہ دار شخص۔ ہر آئٹم کے لیے ایک جملہ "یہ کیوں اہمیت رکھتا ہے" کی وضاحت شامل کریں۔ میں فیصلہ کروں گا۔

2) ماڈل شفٹ ٹریکنگ ڈیزائن:

پروڈکشن میں درجہ بندی کے ماڈل کے لیے ڈرفٹ مانیٹرنگ پلان تجویز کریں: (1) مجھے کن ان پٹ ڈسٹری بیوشنز کی نگرانی کرنی چاہیے، (2) پیشین گوئی کی تقسیم کے لیے کون سا الارم، (3) حقیقی نتیجہ آنے پر کارکردگی کا موازنہ کیسے کیا جائے، (4) کس حد پر دوبارہ تربیت کو متحرک کیا جانا چاہیے۔ ایک کوڈ کنکال بھی فراہم کریں۔

3) منصفانہ کنٹرول:

کوڈ لکھیں جو مختلف گروپس کے لیے میرے ماڈل کی کارکردگی کا موازنہ کرتا ہے (جیسے عمر کا بینڈ، علاقہ): ہر گروپ کے لیے یاد/صحت اور مثبت فیصلے کی شرح۔ اگر گروپوں کے درمیان کوئی خاص فرق ہے تو خبردار کریں۔ وجہ/سیاسی تشریحات کرنا؛ بس مجھے اختلافات دکھائیں میں فیصلہ پر غور کروں گا۔

4) پرائیویسی پری چیک:

AI ٹول کو ڈیٹا دینے سے پہلے، چیک کریں: کیا نیچے کالم کی فہرست میں ذاتی/شناختی ڈیٹا (نام، ای میل، ID، فون، پتہ، IP) موجود ہے؟ اگر ایسا ہے تو، فہرست کریں کہ کن کو ہٹایا جائے یا گمنام رکھا جائے۔ کالم: [فہرست]۔ مقصد: صرف گمنام اسکیما کا اشتراک کرنا۔

کمزور فوری / مضبوط اشارہ

کمزور اشارہ:

میرا ماڈل تیار ہے، لائیو جائیں۔

تعیناتی ایک قدم نہیں ہے؛ نگرانی، رول بیک، انصاف پسندی اور پرائیویسی کنٹرول کے بغیر لائیو جانا تباہی کی خاموش دعوت ہے۔

طاقتور اشارہ:

آپ کا کردار: ذمہ دار MLOps مشیر۔ میرے ماڈل کو تربیت دی گئی ہے، میں لائیو جانے سے پہلے پوری تیاری چاہتا ہوں۔ تیار کریں: (1) پہلے سے تعیناتی چیک لسٹ، (2) ڈرفٹ مانیٹرنگ پلان، (3) گروپ پر مبنی فیئرنس چیک کوڈ، (4) پرائیویسی چیک (کیا ذاتی ڈیٹا ہے)۔ یہ بھی تجویز کریں کہ اعلیٰ اثر والے فیصلوں میں انسانی رضامندی کی حفاظت کیسے کی جائے۔ آخری فیصلے میرے ہیں۔

یہاں تقسیم، نگرانی، انصاف پسندی اور رازداری کو ایک واحد ذمہ دارانہ عمل کے طور پر سمجھا جاتا ہے۔

عام غلطیاں

• نگرانی قائم کیے بغیر ماڈل تعینات کرنا۔ ماڈل خاموشی سے پھسلتا اور بگاڑتا ہے۔ نوٹس لینے میں مہینوں لگ سکتے ہیں۔
• انصاف کی جانچ کو نظرانداز کرنا۔ ایک اعلی مخلص ماڈل منظم طریقے سے گروپ کو نقصان پہنچا سکتا ہے۔
• بلیک باکس کا غیر واضح فیصلہ کرنا۔ زیادہ اثر والے فیصلے قابلِ وضاحت ہونے چاہئیں۔ "ماڈل نے ایسا کہا" کافی نہیں ہے۔
• AI ٹول کھولنے کے لیے حقیقی ذاتی ڈیٹا دینا۔ KVKK/GDPR کی خلاف ورزی؛ خاکہ اور گمنام مثال ہی کافی ہے۔
• فیصلہ ماڈل کو سونپنا۔ ذمہ داری ہمیشہ ایک شخص پر عائد ہوتی ہے۔ اعلی اثر انسانی نگرانی کو برقرار رکھا جاتا ہے.

مشورہ: ہر ماڈل کے ساتھ لائیو جانے سے پہلے، ایک سوال بلند آواز میں پوچھیں: "اگر یہ ماڈل کل خاموشی سے ٹوٹ جاتا ہے یا کسی گروپ کو غیر منصفانہ طور پر جرمانہ کرتا ہے، تو میں اسے کیسے دیکھوں گا اور واپس کیسے لاؤں گا؟" اگر آپ کے پاس اس سوال کا واضح جواب نہیں ہے تو، ماڈل ابھی تک پیداوار کے لیے تیار نہیں ہے۔

خلاصہ میں

ایک ماڈل کا کام اعلی سکور کے ساتھ ختم نہیں ہوتا، بلکہ پیداوار میں قابل اعتماد اور ذمہ داری سے کام کرنے کے ساتھ۔ MLOps لائیو ہونے، ڈرفٹ کی نگرانی، دوبارہ تربیت، اور ماڈل کو واپس لانے کا نظم ہے۔ ٹریکنگ کے بغیر تعیناتی خاموش خاتمہ ہے۔ اخلاقیات کو ماڈل کی منصفانہ، شفافیت اور جوابدہی کی ضرورت ہوتی ہے۔ شماریاتی درستگی اخلاقی قبولیت کا کوئی متبادل نہیں ہے۔ رازداری کا مطلب ہے ذاتی ڈیٹا کی حفاظت KVKK/GDPR اصولوں سے کرنا اور حقیقی ڈیٹا کو کھلے ٹولز سے دور رکھنا۔ یہ تمام فیصلے تکنیکی نہیں بلکہ ذمہ داری کے فیصلے ہیں اور ہمیشہ انسان سے تعلق رکھتے ہیں۔

درخواست کا کام

اس کے بارے میں اس طرح سوچیں جیسے آپ اپنے بنائے ہوئے ماڈل (یا فرضی) کو پروڈکشن میں ڈالنے جارہے ہیں اور چار فہرستیں پُر کریں گے: (1) پہلے سے تعیناتی چیک لسٹ، (2) ڈرفٹ میٹرکس جنہیں آپ ٹریک کریں گے، (3) گروپ پر مبنی فیئرنس کنٹرول پلان، (4) پرائیویسی کنٹرول۔ پھر اس سوال کا ایک ٹھوس جواب لکھیں "میں کیسے دیکھوں گا کہ اگر یہ کل خاموشی سے ٹوٹ جائے اور اسے واپس مل جائے؟"

چیک لسٹ

• کیا میں مانیٹرنگ (سلپ الرٹ) اور رول بیک پلان کے ساتھ ماڈل کو تعینات کر رہا ہوں؟
• کیا میں نے مختلف گروپس کے لیے منصفانہ/کارکردگی کے فرق کو چیک کیا ہے؟
• [ ] کیا میں نے اعلیٰ اثر والے فیصلوں پر انسانوں کے درمیان روابط برقرار رکھے ہیں؟
• کیا میں نے ذاتی ڈیٹا کو KVKK/GDPR اصولوں کے ساتھ محفوظ کیا ہے اور انہیں کھلے ٹولز سے دور رکھا ہے؟
• کیا میں نے حتمی ذمہ داری کسی انسان پر ڈالی ہے، ماڈل پر نہیں؟

ماڈیول امتحان

1. ایک ڈیٹا سائنسدان مصنوعی ذہانت سے پوچھتا ہے، "اس ڈیٹا پر بے ترتیب جنگل کتنا درست ہے؟" ماڈل کی تربیت کے بغیر، اور براہ راست "89%" کا جواب پریزنٹیشن میں ڈالتا ہے۔ اس نقطہ نظر میں بنیادی غلطی کیا ہے؟

• الف) مصنوعی ذہانت کو ڈیٹا اور ماڈل دیے بغیر میٹرکس کا انتظار کرنا؛ اس بات کو نظر انداز کرنا کہ یہ جو نمبر تیار کرتا ہے وہ جعلی ہے اور اصلی میٹرک صرف تربیت اور جانچ کے ذریعے ہی مل سکتا ہے ✔
• ب) بے ترتیب جنگل کے بجائے لاجسٹک ریگریشن کا استعمال کرنا چاہیے۔
• C) درستگی کی شرح ہمیشہ 90% سے زیادہ ہونی چاہیے۔
• D) پریزنٹیشن میں میٹرکس کو شامل کرنا سختی سے منع ہے۔

وضاحت: مصنوعی ذہانت ماڈل اور ڈیٹا تک رسائی کے بغیر میٹرک نہیں بنا سکتی۔ وہ جو نمبر دیتا ہے وہ ایک فریب (من گھڑت) ہے۔ میٹرک ڈیٹا سائنسدان کے اپنے کیلکولیشن کے ذریعے حاصل کیا جاتا ہے جب ماڈل کی تربیت اور جانچ کی جاتی ہے۔ غیر تصدیق شدہ آؤٹ پٹ ایک غیر دستخط شدہ رپورٹ کی طرح ہے۔

2. 'اکاؤنٹ بند ہونے کی وجہ' کالم کو شامل کیا جاتا ہے جب ایک منتھن کی پیشن گوئی کے لیے ڈیٹا اکٹھا کیا جاتا ہے۔ یہ کالم گاہک کے جانے کے بعد ہی بھرا جاتا ہے۔ ماڈل ٹیسٹ سیٹ پر 97٪ دیتا ہے، لیکن پیداوار میں کام نہیں کرتا ہے۔ اس حالت کا نام اور وجہ کیا ہے؟

• ا) زیادہ سیکھنا؛ ماڈل بہت پیچیدہ ہے۔
• ب) ڈیٹا لیک؛ ✔ ایسی معلومات کا استعمال کرنا جو پیشین گوئی کے وقت دستیاب نہیں ہوگی، لیکن ایک خصوصیت کے طور پر ہدف کا نتیجہ ہے
• سی) ناکافی سیکھنے؛ ماڈل بہت آسان ہے۔
• D) انتخابی تعصب؛ چھوٹے نمونے کا سائز

وضاحت: یہ ایک کلاسک ڈیٹا لیک ہے: 'بند ہونے کی وجہ' ہدف کا نتیجہ ہے اور پیشین گوئی کے وقت بھی خالی ہے۔ ماڈل اس مستقبل کے علم کے ساتھ چال کرتا ہے، یہ ٹیسٹ سیٹ پر بہت اچھا لگتا ہے لیکن پروڈکشن میں کریش ہو جاتا ہے کیونکہ وہ کالم خالی ہے۔ سوال 'کیا پیشین گوئی کے وقت میرے پاس ہے' ہر کالم سے پوچھا جانا چاہیے۔

3. ایک تجزیہ کار آمدنی کے کالم میں گمشدہ اقدار کو وسط کے ساتھ بھرتا ہے۔ لیکن لاپتہ افراد کا تعلق دراصل کم آمدنی والے طبقے سے ہے جس نے کبھی آمدنی کا اعلان نہیں کیا (سیسٹیمیٹک لاپتہ)۔ یہ بھرنا غلط کیوں ہے؟

• A) اوسط ہمیشہ میڈین سے بڑا ہوتا ہے، لہذا یہ غلط ہے۔
• ب) گمشدہ اقدار کو کبھی نہیں پُر کیا جانا چاہیے، انہیں ہمیشہ حذف کر دینا چاہیے۔
• C) وسط کے ساتھ منظم خلا کو پُر کرنا اس گروپ کی مصنوعی نمائندگی کرتے ہوئے ڈیٹا کو بگاڑ دیتا ہے۔ بھرنا سوال پوچھے بغیر کیا گیا 'یہ خالی کیوں ہے؟' ✔
• D) اوسط کا حساب لگانا کارکردگی کا مسئلہ پیدا کرتا ہے کیونکہ یہ بہت سست ہے۔

تشریح: کمی کی وجہ حل کا تعین کرتی ہے۔ جب منظم گمشدگی (کسی مخصوص گروپ میں مرکوز خلا) کو اوسط سے پُر کیا جاتا ہے، تو وہ گروپ مصنوعی طور پر 'اوسط آمدنی' بن جاتا ہے اور ڈیٹا کو مسخ کیا جاتا ہے۔ بھرنے سے پہلے یہ سوال پوچھ لیا جائے کہ یہ خالی کیوں ہے؟ منظم/اہم غائب مطلب کو پُر نہیں کیا جانا چاہئے۔

4. ایک ٹیم 'اشتہار کے اخراجات' اور 'فروخت' کے درمیان 0.78 کا تعلق تلاش کرتی ہے اور بجٹ کو دوگنا کر دیتی ہے۔ تاہم، جو چیز دراصل دونوں کو متحرک کرتی ہے وہ موسمی مہمات ہیں۔ شماریات میں کون سا اصول اس غلطی کی وضاحت کرتا ہے؟

• ا) ارتباط سبب نہیں ہے۔ ایک پوشیدہ تیسرا متغیر دونوں متغیرات کو متاثر کر سکتا ہے ✔
• ب) چونکہ 0.78 کا ارتباط بہت کم ہے، اس لیے تعلق کو نظر انداز کر دینا چاہیے۔
• ج) باہمی تعلق ہمیشہ وجہ کو ثابت کرتا ہے، ٹیم نے اسے درست سمجھا
• D) اشتہارات اور فروخت کے درمیان تعلق کو ریاضی سے نہیں لگایا جا سکتا۔

وضاحت: ارتباط سبب نہیں ہے۔ دونوں متغیر ایک ساتھ کام کر سکتے ہیں کیونکہ ایک پوشیدہ تیسرا متغیر (یہاں موسمی مہمات) ان دونوں کو متاثر کرتا ہے۔ یہ نتیجہ کہ ایک دوسرے کا سبب بنتا ہے صرف تجربے اور فیلڈ علم کے ذریعے ہی قائم کیا جا سکتا ہے۔ صرف ارتباط کی تعداد وجہ کا ثبوت نہیں ہے۔

5. فراڈ کا پتہ لگانے والا ماڈل 99.2% درستگی دکھاتا ہے اور ٹیم جشن مناتی ہے۔ تاہم، ڈیٹا میں جعلی لین دین کی شرح صرف 0.8% ہے اور ماڈل کی واپسی 6% ہے۔ یہ ٹیبل کیا دکھاتا ہے؟

• A) ماڈل کامل ہے کیونکہ درستگی 99٪ سے زیادہ ہے
• ب) درستگی غیر متوازن ڈیٹا کے ساتھ گمراہ کن ہے۔ ماڈل تقریباً تمام جعلی (کم یاد کرنے) کو یاد کرتا ہے، مناسب میٹرک کو دیکھا جانا چاہیے ✔
• ج) ماڈل کی یاد زیادہ ہونے کی وجہ سے کوئی حرج نہیں ہے۔
• D) ماڈل بنانے کی ضرورت نہیں تھی کیونکہ جعلی شرح کم تھی۔

وضاحت: غیر متوازن ڈیٹا میں 'درستیت' گمراہ کن ہے۔ جب ماڈل تقریباً ہر ٹرانزیکشن کو 'کلین' کہتا ہے، تو اسے زیادہ درستگی ملتی ہے کیونکہ جعلی بہت کم ہوتے ہیں، لیکن یہ جعلی پکڑنے میں ناکام رہتا ہے، جو اس کا بنیادی مقصد ہے (6% یاد کریں)۔ اس لیے، غیر متوازن مسائل میں، توجہ درستگی پر نہیں، بلکہ کام کے مقصد کے لیے موزوں کنفیوژن میٹرکس اور میٹرکس پر ہوتی ہے، جیسے کہ یاد کرنا/صحت سے۔

6. طلب ​​کی پیشن گوئی کے منصوبے میں، وقت پر منحصر ڈیٹا کو تصادفی طور پر تربیت/ٹیسٹنگ میں تقسیم کیا جاتا ہے۔ ماڈل 93% درستگی دیتا ہے لیکن پیداوار میں کریش ہو جاتا ہے۔ تقسیم کا صحیح طریقہ کیا ہونا چاہیے؟

• A) ٹیسٹ سیٹ کو بڑا کرنا، جیسے تقسیم 50%/50%
• ب) زیادہ پیچیدہ ماڈل کا استعمال
• C) تقسیم کو مکمل طور پر ہٹائیں اور تمام ڈیٹا کے ساتھ ٹرین کریں۔
• D) تاریخی تقسیم: پرانے دور کے ساتھ تربیت اور نئے دور کے ساتھ جانچ، اس طرح ماڈل کو مستقبل دیکھنے سے روکتا ہے ✔

وضاحت: اگر ٹائم سیریز کے اعداد و شمار میں بے ترتیب تقسیم کی جاتی ہے، تو ماڈل مستقبل کو دیکھتا ہے اور تربیت میں ماضی کی پیش گوئی کرتا ہے۔ یہ ایک رساو ہے اور کامیابی پیدا کرتا ہے جو حقیقت میں موجود نہیں ہے۔ صحیح نقطہ نظر تاریخی تقسیم ہے: پرانے دور کے ساتھ تربیت اور نئے دور کے ساتھ جانچ، پیداوار میں حقیقی صورت حال کی تقلید (ماضی سے مستقبل کی پیش گوئی)۔

7. فیچر انجینئرنگ میں کس ڈیٹا سے اسکیلنگ (StandardScaler) پیرامیٹرز کا حساب لگایا جانا چاہیے اور انہیں کیسے لاگو کیا جانا چاہیے؟

• A) اس کا حساب تمام اعداد و شمار سے کیا جانا چاہئے (تربیت + ٹیسٹنگ ایک ساتھ) تاکہ یہ زیادہ درست ہو۔
• ب) ہر قطار کے لیے اس قطار کی اپنی قدر سے الگ الگ حساب لگانا چاہیے۔
• C) صرف ٹیسٹ کے اعداد و شمار سے شمار کیا جانا چاہئے
• D) اس کا حساب صرف تربیتی ڈیٹا سے کیا جانا چاہیے، پھر وہی پیرامیٹرز ٹیسٹ ڈیٹا پر لاگو کیے جائیں؛ ورنہ یہ لیک ہو جائے گا ✔

وضاحت: تمام تبدیلیوں کے پیرامیٹرز (مطلب، معیاری انحراف، وغیرہ) جیسے سکیلنگ، انکوڈنگ اور پیڈنگ کو صرف ٹریننگ ڈیٹا سے سیکھنا چاہیے، پھر ٹیسٹ ڈیٹا پر بھی اسی کا اطلاق ہونا چاہیے۔ ٹیسٹ کے اعداد و شمار کو مدنظر رکھنا بھی ٹیسٹ کی معلومات کو تربیت میں مداخلت کرنے کا سبب بنتا ہے، یعنی لیکیج، اور ماڈل کو اس سے بہتر نظر آتا ہے۔ پائپ لائن کا استعمال اس بات کو یقینی بناتا ہے۔

8. ایک ماڈل ٹریننگ سیٹ پر 98% درستگی اور ٹیسٹ سیٹ پر 72% درستگی دیتا ہے۔ یہ علامت کیا ظاہر کرتی ہے اور کیا کرنا چاہیے؟

• A) ناکافی سیکھنے؛ ماڈل کو زیادہ پیچیدہ بنایا جانا چاہئے۔
• ب) ڈیٹا لیک؛ ٹیسٹ سیٹ کو تبدیل کرنا ضروری ہے
• ج) اوور فٹنگ؛ ماڈل کو آسان بنایا جانا چاہئے، ریگولرائزیشن اور کراس توثیق کو لاگو کیا جانا چاہئے ✔
• D) ایک عام صورت حال؛ تعلیمی سکور ویسے بھی ہمیشہ زیادہ ہوتا ہے، احتیاطیں غیر ضروری ہیں۔

وضاحت: ٹریننگ میں بہت زیادہ سکور اور ٹیسٹنگ میں نمایاں طور پر کم سکور اوور فٹنگ کی ایک کلاسک علامت ہے: ماڈل نے اصلی پیٹرن کے بجائے ٹریننگ ڈیٹا کے شور کو یاد کر لیا ہے۔ حل میں ماڈل کو آسان بنانا، مزید ڈیٹا، ریگولرائزیشن، اور کراس توثیق کے ساتھ ریاست کی تصدیق شامل ہے۔ مکمل طور پر تعلیمی سکور پر انحصار اس خرابی کو چھپا دیتا ہے۔

9. مینجمنٹ پریزنٹیشن میں، بار چارٹ کا y-axis جس میں سیلز 1,000 سے 1,020 تک بڑھ جاتی ہے، 980 سے شروع کی جاتی ہے تاکہ اضافہ بہت زیادہ ظاہر ہو۔ اصل اضافہ 2% ہے۔ یہ ایک اخلاقی مسئلہ کیوں ہے؟

• A) ایک چھوٹا ہوا y-axis بصری طور پر ایک چھوٹے سے فرق کو بڑھا چڑھا کر پیش کرتا ہے اور دیکھنے والے کو گمراہ کرتا ہے۔ درستگی کے لیے، موازنہ بارز میں محور 0 ✔ سے شروع ہونا چاہیے۔
• ب) بار چارٹس کبھی بھی سیلز ڈیٹا کے لیے استعمال نہیں کیے جا سکتے
• ج) کوئی مسئلہ نہیں ہے؛ چارٹ کو متاثر کن بنانا ہمیشہ اچھا ہوتا ہے۔
• D) Y-axis ہمیشہ ڈیٹا کی سب سے بڑی قدر سے شروع ہونا چاہیے۔

وضاحت: تقابلی مقاصد کے لیے بار چارٹس میں، y-axis عام طور پر 0 سے شروع ہونا چاہیے۔ محور کو کاٹ کر 980 سے شروع ہونے سے 2% کا ایک چھوٹا سا فرق بصری طور پر بہت بڑا لگتا ہے اور دیکھنے والے کو گمراہ کرتا ہے۔ ڈیٹا پروفیشنل کی اخلاقی ذمہ داری یہ ہے کہ وہ ایماندارانہ گراف کھینچے جو ڈیٹا کو زیادہ یا کم نہ سمجھیں۔

10. ایک تجزیہ کار پروڈکٹ ٹیبل کے ساتھ آرڈرز میں شامل ہونے کے بعد کل ٹرن اوور 3 بار تلاش کرتا ہے۔ لائنوں کی تعداد 240 ہزار سے بڑھ کر 690 ہزار ہوگئی۔ اس خاموش غلطی کو روکنے کے لیے کیا کرنا چاہیے تھا؟

• A) کل ٹرن اوور کو 3 سے تقسیم کریں۔
• ب) ہمیشہ JOIN کے بجائے علیحدہ سوالات استعمال کریں۔
• C) مصنوعات کی میز کو مکمل طور پر حذف کرنا
• D) انضمام/شامل ہونے کے بعد قطاروں کی تعداد کی جانچ کرنا اور اس بات کی تصدیق کرنا کہ وہ صحیح کلید کے ذریعے جڑے ہوئے ہیں۔ نقل کو جلد پکڑنا ✔

وضاحت: جب پروڈکٹ ٹیبل میں ہر پروڈکٹ (مثلاً مختلف رنگ) کے لیے ایک سے زیادہ قطاریں ہوں تو غلط کلید کے ذریعے شامل ہونے سے ہر آرڈر کو ڈپلیکیٹ ہو جائے گا اور مجموعی تعداد بڑھ جائے گی۔ کوڈ غلطیوں کے بغیر چلتا ہے لیکن نتیجہ غلط ہے۔ اس سے بچنے کا طریقہ یہ ہے کہ ہر مرج/JOIN کے بعد قطاروں کی تعداد کو چیک کریں اور صحیح کلید کے ساتھ ضم کریں۔

11. بھرتی کرنے والا اسکریننگ ماڈل تاریخی اعداد و شمار میں صنفی عدم توازن کے بارے میں سیکھتا ہے اور منظم طریقے سے خواتین امیدواروں کے اسکور کے تحت، لیکن اس کی مجموعی درستگی زیادہ ہے۔ اس کا کیا مطلب ہے؟

• A) کوئی حرج نہیں ہے کیونکہ ماڈل کی درستگی زیادہ ہے۔
• ب) شماریاتی درستگی اخلاقی قبولیت کا متبادل نہیں ہے۔ ماڈل نے ماضی کے امتیازی سلوک کے بارے میں جان لیا ہے، گروپ کی بنیاد پر انصاف کی جانچ ضروری ہے ✔
• C) ماڈل کی درستگی میں مزید اضافہ مسئلہ کو حل کرتا ہے۔
• D) انصاف پسندی ڈیٹا سائنس کے دائرہ کار سے باہر ہے۔

وضاحت: یہاں تک کہ اگر کوئی ماڈل اعداد و شمار کے لحاظ سے درست ہے، تو یہ اخلاقی طور پر ناقابل قبول ہو سکتا ہے۔ ماڈل ماضی کے اعداد و شمار میں ناانصافی کو سیکھتا ہے اور امتیازی سلوک کو خودکار کرتا ہے۔ اعلیٰ دیانت انصاف کا متبادل نہیں ہے۔ اعلیٰ اثر والے ماڈلز میں، منصفانہ کنٹرول، جو مختلف گروہوں کے لیے کارکردگی/فیصلے کے فرق کی پیمائش کرتا ہے، ضروری ہے اور حتمی ذمہ داری انسان پر عائد ہوتی ہے۔

12. ایک ملازم ایک عوامی AI ٹول میں حقیقی کسٹمر ای میلز اور خریداری کی تاریخ پر مشتمل فائل اپ لوڈ کرتا ہے اور کہتا ہے کہ 'حصوں کا خلاصہ کریں'۔ یہ ایک سنگین غلطی کیوں ہے اور صحیح طریقہ کیا ہے؟

• A) کوئی مسئلہ نہیں ہے؛ AI ٹولز کبھی بھی ڈیٹا کو اسٹور نہیں کرتے ہیں۔
• ب) غلطی یہ ہے کہ فائل بہت بڑی ہے۔ کم ہونا چاہیے تھا
• C) کسی کھلے ٹول کو حقیقی ذاتی ڈیٹا فراہم کرنا KVKK/GDPR کی خلاف ورزی ہے۔ شناختی فیلڈز کو ہٹا دیا جانا چاہیے تھا اور صرف گمنام اسکیما/پراپرٹی کو شیئر کیا جانا چاہیے تھا ✔
• D) CSV کو صرف Excel کے بجائے استعمال کیا جانا چاہیے تھا۔

وضاحت: جب حقیقی ذاتی ڈیٹا (جیسے ای میل، نام، وغیرہ) عوامی طور پر دستیاب مصنوعی ذہانت کے ٹول کو دیا جاتا ہے، تو KVKK/GDPR کے دائرہ کار میں رازداری کی خلاف ورزی ہوگی۔ ڈیٹا تنظیم کو چھوڑ دیتا ہے۔ زیادہ تر وقت، ایک خاکہ اور ایک گمنام/مصنوعی نمونہ تجزیہ کے لیے کافی ہوتے ہیں۔ صحیح طریقہ یہ ہے کہ شناختی فیلڈز کو ہٹایا جائے اور صرف گمنام پراپرٹیز کا اشتراک کیا جائے۔

13. ایک سفارشی ماڈل تیار کیا جاتا ہے لیکن ٹریکنگ قائم نہیں ہوتی ہے۔ جب پروڈکٹ کیٹلاگ 4 ماہ کے بعد تبدیل ہوتا ہے، تو ماڈل پرانی مصنوعات کی سفارش کرتا رہتا ہے اور تبادلوں کی شرح خاموشی سے 30% تک گر جاتی ہے۔ اس رجحان کا نام کیا ہے؟

• ا) زیادہ سیکھنا؛ ماڈل تربیتی سیٹ کو حفظ کرتا ہے۔
• ب) ماڈل بڑھے؛ جیسے جیسے دنیا بدلتی ہے، ماڈل خاموشی سے متروک ہو جاتا ہے، کسی کا دھیان نہیں جاتا کیونکہ نگرانی قائم نہیں ہوتی ✔
• ج) انتخابی تعصب؛ نمونہ تعصب
• D) ڈیٹا کو کم سے کم کرنے کی خلاف ورزی

وضاحت: یہ ماڈل ڈرفٹ (ماڈل/ڈیٹا ڈرفٹ): جب دنیا بدل جاتی ہے (کیٹلاگ، رویے، سیزن) وہ حالات جن کے تحت ماڈل کو تربیت دی گئی شفٹ اور ماڈل خاموشی سے ٹوٹ جاتا ہے۔ پیداوار میں ڈالا گیا ماڈل خود ہی بگڑ جاتا ہے۔ یہ 'کب' کی بات ہے۔ نگرانی کے بغیر تعیناتی (ان پٹ اور کارکردگی کا سراغ لگانا) انحطاط کا پتہ لگانا ناممکن بناتی ہے۔

14. ایک ماڈل جو ایک ٹریننگ/ٹیسٹ اسپلٹ میں 88% درستگی حاصل کرتا ہے اس کے 5 گنا کراس توثیق کے اسکور 88%, 71%, 83%, 64%, 79% ہوتے ہیں۔ اس سے کیا ظاہر ہوتا ہے اور کراس توثیق کیوں ضروری ہے؟

• A) ماڈل مستحکم ہے؛ 88% حقیقی کارکردگی ہے۔
• ب) کراس توثیق غیر ضروری ہے؛ ایک ٹوکری کافی ہے۔
• C) اسکورز کا بڑا اتار چڑھاؤ اس بات کی نشاندہی کرتا ہے کہ ماڈل غیر مستحکم ہے۔ کراس توثیق کی بنیاد کارکردگی اوسط اور متعدد ڈبوں کی تقسیم پر ہے، ایک بھی لکی بن نہیں ✔
• D) سب سے زیادہ اسکور کی اطلاع دینا بہتر ہے (88%)

وضاحت: ایک ڈبہ خوش قسمت یا بدقسمت ہو سکتا ہے۔ 88% صرف اس آسان تقسیم کا نتیجہ تھا۔ کراس توثیق اعداد و شمار کو متعدد بار تقسیم کرتی ہے، کارکردگی کو اوسط (یہاں %77) کی بنیاد پر اور اسکور کی اتار چڑھاؤ کو ظاہر کرتا ہے۔ یہاں زیادہ اتار چڑھاؤ بتاتا ہے کہ ماڈل غیر مستحکم ہے۔ ایک ہی ٹوکری پر انحصار کرنا گمراہ کن ہے۔