نالج گرافس گمشدہ لنک ہو سکتے ہیں کاروباروں کو کام کرنے والے AI کی ضرورت ہے۔

تنظیموں کو AI کو اپنانے کے لیے ایک اہم چیلنج کا سامنا ہے: AI کو اس طریقے سے استعمال کرنے کے لیے اپنے ڈومین سے متعلق علم کا فائدہ کیسے اٹھایا جائے جو قابل اعتماد نتائج فراہم کرے۔ نالج گرافس AI کے لیے گمشدہ "سچائی کی تہہ" فراہم کرتے ہیں جو ممکنہ نتائج کو حقیقی دنیا کے کاروباری سرعت میں تبدیل کر دیتی ہے۔

تعارف

"سیاق و سباق وہ ہے جو ہر چیز کو معنی دیتا ہے۔ لہذا اس حد تک، تمام گرافس میں مزید علم یا معنی لانے کی موروثی صلاحیت ہے کیونکہ انہوں نے پہلے سے ہی باہم ربط اور معلومات کی سیاق و سباق کی نوعیت کو تسلیم کرنے کا پہلا قدم اٹھایا ہے۔

ہم ایک ایسی دنیا میں رہتے ہیں جس میں AI اور بڑے لینگویج ماڈلز (LLMs) کا غلبہ ہے، اور یہ پتہ چلتا ہے کہ سیاق و سباق اور معنی ان سے معیاری نتائج حاصل کرنے کے لیے ضروری ہیں۔ علم کے گراف میں AI کی صلاحیت کو غیر مقفل کرنے کے لیے سیاق و سباق اور معنی فراہم کرنے کی کلید ہو سکتی ہے، اور اس کی حمایت میں ثبوت بڑھتے جا رہے ہیں۔

مصنوعی ذہانت کے لیے تازہ ترین گارٹنر ہائپ سائیکل کے اجراء کے موقع پر، گارٹنر سویتلانا سیکولر میں ریسرچ وی پی، اے آئی نے نوٹ کیا کہ تخلیقی AI پر توجہ مرکوز کرتے ہوئے، AI میں سرمایہ کاری ایک نئی بلندی پر پہنچ گئی۔ پھر بھی، زیادہ تر معاملات میں، اس نے ابھی تک متوقع کاروباری قدر فراہم نہیں کی ہے۔

گارٹنر کی ابھرتی ہوئی ٹکنالوجیوں کی فہرست میں نالج گرافس کریٹیکل اینبلر ٹیکنالوجیز کے مرکز میں ہیں جن پر رہنماؤں کو ان کی حکمت عملی کے حصے کے طور پر غور کرنا ہے۔ گارٹنر GenAI ماڈلز کو بنانے اور آگے بڑھانے کے لیے نالج گرافس کی تجویز کرتا ہے۔ ایمیزون اور سام سنگ جیسی تنظیمیں نالج گرافس کا استعمال کر رہی ہیں، اور توقع ہے کہ 2030 تک مارکیٹ 36.6 فیصد کے CAGR کے ساتھ بڑھ کر $6.93 بلین ہو جائے گی ۔

گارٹنر آج AI میں علمی گراف کے کردار اور پچھلے کچھ سالوں سے آگے بڑھنے والی تنظیموں میں نیچے دھارے کے اثرات کی وکالت کر رہا ہے، کیونکہ نہ تو ٹیکنالوجی ہے اور نہ ہی وژن نیا ہے۔ نالج گراف ٹیکنالوجی کئی دہائیوں سے چلی آ رہی ہے ، اور ٹونی سیل جیسے لوگ ابتدائی طور پر AI کے لیے سچائی پرت کے طور پر اس کی صلاحیت کی شناخت کر رہے تھے۔

سیل، جسے "دی نالج گراف گائے" کے نام سے بھی جانا جاتا ہے، نامی کنسلٹنگ فرم کے بانی ہیں۔ مندرجہ بالا اقتباس ایک وسیع گفتگو سے لیا گیا ہے، جس میں علم کے گراف کے پہلے اصولوں سے لے کر محفوظ، قابل تصدیق AI، حقیقی دنیا کے تجربے، رجحانات، پیشین گوئیوں اور آگے بڑھنے کے طریقہ کار کے اطلاق کے نمونوں تک سب کچھ شامل ہے۔

ڈیٹا سائلو سے لنکڈ ڈیٹا اور نالج گرافس تک

سیل کے پاس ٹائر 1 مالیاتی اداروں میں ڈیٹا کے ساتھ کام کرنے کا دہائیوں کا تجربہ ہے۔ تقریباً دس سال پہلے، وہ ایک بڑے انویسٹمنٹ بینک کے لیے "ایک اور ETL پروجیکٹ" پر کام کر رہا تھا، ڈیٹا کو ڈیٹا گودام میں لا رہا تھا اور ڈیٹا پائپ لائنوں کو لاگو کر رہا تھا۔ یہ تنظیمی رپورٹنگ اور تعمیل کی ضروریات کو پورا کرنے کا ایک عام طریقہ ہے۔ مسئلہ یہ ہے کہ یہ پیمانہ نہیں بناتا، یا سیاق و سباق اور معنی کو شامل کرنے میں مدد نہیں کرتا ۔

پھر سیل کو ٹم برنرز لی کی 2010 کی TED ٹاک لنکڈ ڈیٹا پر ملی، اور اس نے سب کچھ بدل دیا۔ 2010 میں، Google ابھی نالج گرافس میں داخل ہو رہا تھا، اور یہ اصطلاح واقعی منظر عام پر نہیں آئی تھی ۔ لیکن ٹیکنالوجی وہاں موجود تھی، لنکڈ ڈیٹا مانیکر کے تحت۔ TBL کی TED ٹاک Seale کو لنکڈ ڈیٹا کے 2 کلیدی اصولوں کو سمجھنے اور ETL کے متبادل کے طور پر اس کے ساتھ تجربہ کرنے کے لیے کافی تھی۔

لنکڈ ڈیٹا کا بنیادی خیال عالمی سطح پر سٹرکچرڈ ڈیٹا کو شیئر کرنے کے کام پر ورلڈ وائڈ ویب کے عمومی فن تعمیر کو لاگو کرنا ہے۔ یہ سب کچھ ڈیٹا کے لیے HTTP شناخت کنندگان کا استعمال کرنا ہے، تاکہ انہیں تلاش کیا جا سکے، اور معیارات کا استعمال کرتے ہوئے ان کے معنی (Semantics) کے بارے میں معلومات فراہم کی جائیں۔

سیل نے جو سمجھا وہ یہ تھا کہ اگر اس نقطہ نظر کی وکندریقرت نوعیت ویب کے لیے کام کر سکتی ہے، تو یہ کسی بھی تنظیم کے لیے کام کر سکتی ہے۔ انضمام اور کنٹرول کا ایک مرکزی نقطہ رکھنے کے بجائے، جو ETL پروجیکٹس اور ڈیٹا گوداموں کا اصل نقطہ نظر ہے، علمی گراف وکندریقرت اور معیارات کے ذریعے پیمانے کو قابل بناتے ہیں۔

یہ وہی اصول ہیں جو ویب کو کام کرتے ہیں۔ یہ کوئی تعجب کی بات نہیں ہے کہ ویب کا موجد اسے دستاویزات کے ویب سے ڈیٹا کے ویب پر جانے کے لیے اسے اگلی سطح پر لے جانا چاہتا تھا۔ ڈیٹا تک رسائی کے علاوہ، تاہم، یہ نقطہ نظر مکس میں سیمنٹکس کو شامل کرتا ہے۔ ڈیٹا پوائنٹس کے ساتھ ساتھ ان کے درمیان لنکس ان کے ساتھ منسلک مخصوص معنی اور اقسام کے ہو سکتے ہیں۔

ویب اسکیل پر ایکشن میں سیمنٹکس کی بہترین مثال schema.org ہے۔ Schema.org ایک معیاری الفاظ کی وضاحت کرنے کی ایک مشترکہ کوشش ہے جو تمام ویب سائٹس کا 30%، اور Google کے پہلے صفحہ پر 72.6% صفحات استعمال کرتی ہے ۔ معیارات کا استعمال کرتے ہوئے الفاظ کی وضاحت کرنے کے علاوہ، schema.org وکندریقرت کے ذریعے تشریح اور انضمام کو قابل توسیع بناتا ہے ۔

AI علم کے گراف سے ملتا ہے۔

Schema.org وہ چیز ہے جو دنیا کے گوگلز کو اپنے علمی گراف بنانے اور ویب کے بارے میں مزید معلومات حاصل کرنے کے قابل بناتی ہے۔ یہ وہی نقطہ نظر ہے جس کے ساتھ سیل نے سب سے پہلے ایک انڈر ڈیسک پروجیکٹ کے طور پر انویسٹمنٹ بینک میں کھیلنا شروع کیا تھا جس کے لیے وہ اس وقت کام کر رہا تھا، اس کے ناکام ہونے کی امید تھی۔ ایسا نہیں ہوا۔

ابتدائی کامیابی سے حوصلہ افزائی کرتے ہوئے، سیل ایک پرجوش علمی گراف کے وکیل بن گئے اور متعدد متعلقہ منصوبے شروع کیے۔ اس نے اپنے جذبے کی تعاقب میں تنظیموں کو منتقل کیا، اور پہلے GPT بڑے لینگوئج ماڈلز کے جاری ہونے پر علمی گراف بنانے کے لیے درکار سیمنٹکس اور تشریحات کو بوٹسٹریپ کرنے کے طریقے کے طور پر گراف نیورل نیٹ ورکس کی تلاش کر رہا تھا۔

سیل نے ایل ایل ایم کے ساتھ تجربہ کرنا شروع کیا، اور جلد ہی دو چیزوں کا قائل ہوگیا۔ سب سے پہلے، یہ کہ LLMs کا بڑا اثر پڑے گا۔ دوسرا، یہ کہ ایل ایل ایم علمی گراف کے لیے ایک بہترین میچ ہیں۔ اس نے LinkedIn پر اپنے خیالات کا اشتراک کرنا شروع کر دیا، اور وائرل ہو رہا ہے۔ آخر کار، اس نے اپنی ایک کنسلٹنسی بنائی اور اب کئی کلائنٹس کے ساتھ ان کو نافذ کرنے پر کام کر رہا ہے۔

"تمام تنظیموں کو اس حقیقت کو قبول کرنا ہوگا کہ ہم ایک زیادہ امکانی دنیا کی طرف بڑھ رہے ہیں۔ لہذا ہر ایک کو AI کا استعمال شروع کرنا ہوگا یا آپ شاید کاروبار سے باہر جانے والے ہیں۔ ہم اس نئی دنیا میں جا رہے ہیں جہاں چیزیں ممکنہ ہوں گی اور AI فیصلہ سازی کے بہت سے حصے میں شامل ہو جائے گا۔

ہو سکتا ہے آپ کو یہ پسند نہ آئے یا آپ کی رائے ہو، لیکن اس کی کوئی پرواہ نہیں ہے۔ یہ فطرت کی کچھ طاقت ہے جو ہو رہا ہے، لہذا آپ کو بھی اس کی عادت پڑ سکتی ہے۔ تو پھر سوال واقعی بن جاتا ہے، ٹھیک ہے، آپ اسے محفوظ طریقے سے کیسے کرتے ہیں۔ اور میری رائے میں، یہ بیرونی تصدیق کے ذریعے آتا ہے"، سیل نے کہا۔

یہی وہ نقطہ نظر ہے جس کی وہ وکالت کر رہا ہے۔ اس میں فینسی ناموں کے ساتھ پیٹرن شامل ہیں، جیسے ورکنگ میموری گراف اور نیورل-سمبولک لوپ، اور ڈیپ سیک سے لے کر سائک پروجیکٹ تک کی مثالیں۔ لیکن ان میں غوطہ لگانے سے پہلے، اپنے آپ کو پہلے اصولوں پر قائم کرنے کے لیے ایک لمحے کے لیے توقف کرنا ضروری ہے۔

پہلے اصول: گراف اور علمی گراف

تو کیا گراف کو دوسرے ڈیٹا ڈھانچے سے مختلف بناتا ہے، اور کیا علم گراف کو دوسرے گراف سے مختلف بناتا ہے؟ ہم نفاذ کی سطح پر یا پہلے اصولوں کی سطح پر اس سے رجوع کر سکتے ہیں۔

قطع نظر، چاہے ہم اسپریڈشیٹ بمقابلہ دماغی نقشہ، متعلقہ ڈیٹا بیس کی قطاریں اور کالم بمقابلہ گراف ڈیٹا بیس کے نوڈس اور کناروں، یا سیٹ تھیوری بمقابلہ گراف تھیوری کے بارے میں بات کر رہے ہوں، یہاں ایک چیز ہے جو گراف کو الگ کرتی ہے: پہلی قسم کے شہریوں کے طور پر رابطے۔ لیکن تمام گراف علمی گراف کے طور پر اہل نہیں ہیں ۔

گراف میں دونوں نوڈس اور کنارے مختلف قسم کے ہو سکتے ہیں۔ ایک سادہ گراف میں پروڈکٹس کی نمائندگی کرنے والے نوڈس، اور ان کے درمیان عام قسم کے تعلقات کی نمائندگی کرنے والے کنارے شامل ہو سکتے ہیں۔ ایک دو طرفہ گراف میں دو مختلف قسم کے نوڈس ہو سکتے ہیں، جو مصنوعات اور صارفین کی نمائندگی کرتے ہیں، اور کناروں کی نمائندگی کرتے ہیں کہ کس گاہک نے کون سا پروڈکٹ خریدا ہے۔

ایک متضاد گراف میں ہر طرح کے مختلف قسم کے نوڈس اور کنارے ہوسکتے ہیں۔ مثال کے طور پر، پروڈکٹس اور کسٹمرز کی نمائندگی کرنے والے نوڈس، اور کناروں کی نمائندگی کرتے ہیں کہ کس گاہک نے کون سا پروڈکٹ خریدا اور کس گاہک نے کس پروڈکٹ کا جائزہ لیا۔

یہاں تک کہ آسان ترین سطح پر بھی گراف میں افادیت موجود ہے۔ گراف الگورتھم جیسے راستے کی تلاش اور مرکزیت ایپلی کیشنز اور تجزیات کے لیے انتہائی کارآمد ثابت ہو سکتے ہیں، اور متضاد گراف کی ضرورت نہیں ہے۔

URIs کو شناخت کنندگان کے طور پر استعمال کرنا اور مشترکہ الفاظ اور متفقہ اسکیما ہونا علمی گراف کی وضاحتی خصوصیات ہیں۔

"ایک بار جب آپ کہنا شروع کر دیتے ہیں، ٹھیک ہے، اصل میں، نہیں، ان میں سے کچھ نوڈس مختلف چیزیں ہیں، اور ان کے درمیان کنارے، یہ خاص مختلف قسم کے کنارے ہیں جن کا مطلب کچھ ہے، پھر پیچیدگی بڑھ جاتی ہے۔ الگورتھم کی نوعیت جو آپ چلا سکتے ہیں، بشمول مشین لرننگ الگورتھم، تبدیلیاں۔ میرے خیال میں ہم اسے داخلے کی سطح کہہ سکتے ہیں کہ علم کا گراف کیا ہے"، سیل نے نوٹ کیا۔

"داخلے کی سطح" کا حصہ نوٹ کریں۔ یہاں ایک طویل اور پیچیدہ تاریخ ہے، جو 00 کی دہائی کے اوائل اور سیمنٹک ویب پر واپس جا رہی ہے ۔ یہ ان خیالات، معیارات اور تکنیکی اسٹیک پر تھا جس پر لنکڈ ڈیٹا کے اصول بنائے گئے تھے۔ "Semantic Web" ختم ہو گیا جبکہ "نالج گراف" کو پکڑ لیا گیا۔

سیمنٹک ویب اپنے وقت سے کافی آگے تھا۔ نفاذ کی بہت سی کوششیں گمراہ تھیں، اور اس کے حامی ہمیشہ عملی نہیں رہے۔ تاہم، جیسا کہ سیل نے نوٹ کیا، اعصابی نیٹ ورکس کو بھی طویل عرصے تک فلاپ سمجھا جاتا تھا۔ URIs کو شناخت کنندگان کے طور پر استعمال کرنا اور مشترکہ الفاظ اور ایک متفقہ اسکیما ہونا نالج گرافس اور وہ قدر جو وہ لا سکتے ہیں۔

مسلسل دنیا اور مجرد دنیا

علمی گراف جو ڈھانچہ اور اصطلاحات لاتے ہیں وہ ایسی چیزوں کو قابل بناتا ہے جو ڈیٹا کی دوسری اقسام یا یہاں تک کہ دوسرے گراف کے ساتھ ممکن نہیں ہے۔ سیل کا خیال ہے کہ ہر تنظیم کو schema.org کے اپنے ورژن پر کام کرنا چاہیے اور اسے اپنے ڈیٹا کی تشریح کے لیے استعمال کرنا چاہیے، اپنے AI کو طاقت دینے کے لیے علمی گراف بنانا چاہیے۔

سیل نے ڈیپ سیک کو ایک مثال کے طور پر تصدیق کرنے والے نقطہ نظر کی وضاحت کے لیے استعمال کیا۔ ہر کسی کی طرح، سیل بھی ڈیپ سیک کا جنون میں مبتلا تھی اور یہ جاننے کی کوشش کر رہی تھی کہ انہوں نے کیا کیا۔ ہوشیار الگورتھم اور اصلاح کو ایک طرف رکھتے ہوئے، DeepSeek کی کامیابی کی اصل حقیقت یہ ہے کہ انہوں نے کمک سیکھنے کے لیے قابل تصدیق ڈیٹا استعمال کیا: ریاضی اور کوڈ ۔

"انہوں نے تمام ویب ڈیٹا لے لیا، جیسا کہ ہر کوئی کر رہا ہے۔ لیکن پھر انہوں نے صرف ریاضی اور کوڈنگ سے متعلق بٹس نکالے۔ اس کے ساتھ، آپ ایک بیرونی تصدیق کنندہ بنا سکتے ہیں۔

آپ ریاضی یا کوڈ کو دیکھ سکتے ہیں، پھر آپ جواب کو آخر میں دیکھ سکتے ہیں، اور آپ چیک کر سکتے ہیں کہ آیا جواب واقعی درست ہے۔ پھر آپ اسے LLM کو کھلا سکتے ہیں اور LLM سے ایسا کرنے کو کہہ سکتے ہیں، اور پھر بیرونی رسمی تصدیق کنندہ کے خلاف چیک کر سکتے ہیں۔ یہ کیا کر رہا ہے، یہ امکانی ماڈل پر کوالٹی کنٹرول کا اضافہ کر رہا ہے"، سیل نے وضاحت کی۔

مسلسل اور مجرد علمی نمائندگی کے طریقوں کی الگ الگ خوبیاں اور حدود ہیں۔

سیل نے پھر اس کی وضاحت کی جسے وہ مسلسل دنیا اور مجرد دنیا کہتے ہیں۔ مسلسل دنیا میں، ہر چیز کا امکان ہے، ہر چیز مبہم ہے، اور یہیں سے یہ تخلیقی AI ماڈلز ہیں۔ ایک چیز دوسری چیز میں گھل مل جاتی ہے، اور آپ کو فریب نظر آتا ہے۔ لیکن سیل کے مطابق اس کا دوسرا پہلو یہ ہے کہ وہاں تخلیقی صلاحیتوں کی طرح کچھ ہے۔

پرانے زمانے کی AI دنیا میں، Cyc پروجیکٹ کا افسانہ ہے۔ Cyc ایک بہت ہی پرجوش AI پروجیکٹ ہے، جس کا مقصد دنیا کے بارے میں عمومی معلومات کو رسمی طریقے سے انکوڈ کرنا ہے۔ سیل کو Cyc کا بہت احترام ہے۔ تاہم، اس نے نوٹ کیا، Cyc کامیاب نہیں ہوا اور نہ ہو سکا، جبکہ تخلیقی AI ماڈلز اپنے طریقے سے کرتے ہیں۔ لیکن وہ اپنی اپنی خامیوں کے ساتھ آتے ہیں۔

جنریٹو AI ماڈلز پر بھروسہ نہیں کیا جا سکتا، اور یہ انہیں فنانس، قانون یا ادویات جیسے ڈومینز میں انٹرپرائز اپنانے کے لیے نامناسب بناتا ہے۔ ڈومینز جیسے کہ ریاضی یا کوڈ کے لیے، باضابطہ طور پر نتائج کی تصدیق ممکن ہے۔ کیا ہوگا اگر دوسرے ڈومینز میں بھی ایسا کرنے کا کوئی طریقہ تھا؟ سیل کے خیال میں وہاں موجود ہے، اور کلیدیں علمی گراف اور آنٹولوجی ہیں۔

اونٹولوجی کا عروج

ہم نے schema.org کے ساتھ ساتھ اسکیما کے عمومی تصور کا بھی ذکر کیا ہے۔ اسکیماس عام طور پر متعلقہ ڈیٹا بیس کے ساتھ منسلک ہوتے ہیں ، جہاں وہ ڈیٹا کی ساخت اور تنظیم کی وضاحت کرتے ہیں۔ گراف میں اسکیمے بھی ہوسکتے ہیں۔ علمی گراف کے لیے اسکیموں کو اونٹولوجیز کہا جاتا ہے، حالانکہ لفظ "سکیما" حقیقت میں اونٹولوجیز کے ساتھ انصاف نہیں کرتا ۔

وراثت کے درجہ بندی یا منطقی محور جیسی تعمیرات کی ماڈلنگ کو فعال کرکے اونٹولوجی اسکیموں سے آگے بڑھ جاتی ہے۔ وہ نہ صرف ڈیٹا کی ساخت اور تنظیم کو حاصل کر سکتے ہیں، بلکہ کاروباری قواعد اور ڈومین کے علم جیسی چیزوں کو بھی حاصل کر سکتے ہیں۔

"کھیل کا نام کاروبار کے سیمنٹکس کے اتنا قریب جانا ہے جتنا آپ ممکنہ طور پر کر سکتے ہیں۔ آپ ان الفاظ کو لینے کی کوشش کر رہے ہیں جو کاروباری لوگ ایک دی گئی تنظیم کے اندر استعمال کر رہے ہیں، اور ان کو رسمی تصورات میں تبدیل کر دیں تاکہ وہ کیا ہیں، اور پھر تصورات کو آپس میں اس طرح جوڑیں کہ وہ مخصوص قسم کے کناروں کے ساتھ ایک دوسرے سے جڑے ہوں"، سیل نے وضاحت کی۔

نالج گرافس اور آنٹولوجی میں دلچسپی عروج پر ہے۔

آنٹولوجی بنانا آسان نہیں ہے۔ اس کے لیے ڈومین کے علم تک رسائی کی ضرورت ہوتی ہے، جو عام طور پر بکھرے ہوئے، جزوی طور پر دستاویزی اور سمجھے جاتے ہیں، اور ماہرین کے درمیان متنازعہ ہوتے ہیں۔ اس کے لیے آنٹولوجیکل ماڈلنگ کی مہارت اور صحیح ٹولز کی بھی ضرورت ہوتی ہے۔

یہی وجہ ہے کہ اگرچہ اونٹولوجیکل ماڈلنگ کئی دہائیوں سے چلی آ رہی ہے ، لیکن اس نے کبھی بھی مرکزی دھارے میں اپنائیت حاصل نہیں کی۔ سیل کا خیال ہے کہ یہ اگرچہ تبدیل ہو رہا ہے، اور اس کی حمایت میں کچھ حالاتی ثبوت ہو سکتے ہیں۔

Google Trends پر، "نالج گراف" میں پچھلے 5 سالوں میں 3.450% اضافہ دیکھا گیا ہے۔ گراف کے وقف شدہ ذخیرے کے سال میں، 2022 سے آنٹولوجی کے حوالہ جات مقدار اور ذرائع کی قسم دونوں کے لحاظ سے دگنے سے زیادہ ہو گئے ہیں۔ اس کے علاوہ، سیل کی اپنی کامیابی کی کہانی نالج گراف وائرلٹی کے لیے پوسٹر چائلڈ بن رہی ہے۔

اعصابی علامتی لوپ

ایل ایل ایم کے ساتھ دو طرفہ تعلق علمی گراف اور اونٹولوجیز ہو سکتے ہیں۔ ایل ایل ایم آنٹولوجی کی ترقی اور نالج گراف آبادی میں مدد کر سکتے ہیں۔ Seale نے اس کے لیے LLMs استعمال کرنے کا اچھا تجربہ رکھنے کی اطلاع دی، لیکن یہاں آپ کا مائلیج مختلف ہو سکتا ہے۔ کسی بھی صورت میں، اس طرح کے ٹولز کا مقصد ماہرین کی مدد کرنا ہے، کام کو مکمل طور پر خودکار نہیں۔

جہاں یہ واقعی دلچسپ ہو جاتا ہے حالانکہ وہ دوسرا راستہ ہے: LLMs کے لیے ایک تصدیق کنندہ کے طور پر کام کرنے والے آنٹولوجیز اور نالج گرافس، بنیادی طور پر ایک سچائی پرت۔ سیل اسے LLMs کے لیے ورکنگ میموری گراف پیٹرن کہتے ہیں۔

ورکنگ میموری گراف میں، آنٹولوجی ڈومین کے علم کو ڈسٹل کرتا ہے اور علمی گراف تنظیم کے لیے مخصوص - اور نجی - ڈیٹا بیس کے طور پر کام کرتا ہے۔ LLMs ثالث کے طور پر کام کرتے ہیں اور تحقیق اور تخلیقی صلاحیتوں کا حصہ شامل کرتے ہیں، غیر ساختہ علم تک رسائی بھی فراہم کرتے ہیں۔ یہ LLM میں ڈسٹل عام علم، یا RAG کے ذریعے ڈومین کے لیے مخصوص علم ہو سکتا ہے۔

نیورل-سمبولک لوپ پیٹرن میں، LLMs اور نالج گرافس ایک دوسرے کی تکمیل کرتے ہیں

ورکنگ میموری گراف ایک بڑے پیٹرن کا حصہ ہے جسے Seale Neural-Symbolic Loop کہتے ہیں۔ اس میں ورکنگ میموری گراف ان ڈومینز کے لیے تصدیق کنندہ کے طور پر کام کرتا ہے جہاں تصدیق کی ضرورت ہوتی ہے۔ خیال یہ ہے کہ ہر ڈومین کے لیے وہ ممکن بنایا جائے جو ریاضی یا کوڈ کے لیے ممکن ہے: LLMs کے ذریعے تیار کردہ نتائج کی درستگی کی تصدیق کرنا۔

واضح طور پر، ریاضی یا کوڈ سے آگے ڈومینز میں حاصل کرنا بہت مشکل ہے۔ آنٹولوجیز اور علمی گراف بنانے کے لیے درکار کوشش اور مہارت کافی حد تک برقرار ہے، اور نتائج اتنے واضح نہیں ہو سکتے۔ لیکن یہ کیا جا سکتا ہے، اور سیل کو یقین ہے کہ یہ AI کے لیے سچائی پرت کا بہترین طریقہ ہے۔

عملی AI نقطہ نظر: نظریہ سے نفاذ تک

"AI ایک راکٹ کی طرح بند ہے۔ اس کو روکنے کے لیے کوئی بھی کچھ نہیں کر سکتا۔ یہ بہرحال ہو رہا ہے۔ لہذا کسی بھی تنظیم میں، آپ ایسی صورتحال میں ہوں گے جہاں آپ اس عمومی ذہانت کو درآمد کرنے کے قابل ہو جائیں گے۔ یہ اس وقت ہوشیار ہے، شاید سپر سمارٹ نہ ہو، لیکن اگلے 5 سے 10 سالوں میں یہ وہاں پہنچ جائے گا۔

آپ کو یہ مختصر ونڈو مل گئی ہے۔ آپ کو AI کو ہماری تنظیم کے تناظر میں لے جانے کی ضرورت ہے، اور AI آئس برگ کے نچلے حصے پر توجہ مرکوز کریں، جو کہ ڈیٹا ہے۔ لہذا آپ کو وہ طاقت لینے کی ضرورت ہے جو آپ کو ان ماڈلز میں حاصل ہے جو آپ کے ہاتھ میں ہے، اور اس کو واپس اس ڈیٹا پر مرکوز کریں جو آپ نے وہاں حاصل کیا ہے۔

آپ کو ڈیٹا کو صاف اور مضبوط کرنے کی ضرورت ہے تاکہ یہ ایک موثر بیرونی تصدیق کنندہ ہونے کی حالت میں ہو۔ آپ کو اس بات سے آگاہ ہونے کی ضرورت ہے کہ کون سی معلومات کی قیمت $0,001 ہے، اور کون سی معلومات صرف آپ کے پاس ہے، اور وہ قیمت کیا ہے جسے آپ شامل کر رہے ہیں۔ آپ کو ابھی ایسا کرنے کی ضرورت ہے، کیونکہ جہاں تک میں دیکھ رہا ہوں شہر میں یہی واحد کھیل ہے"، سیل نے کہا۔

سیل نے 2025 کے لیے پیشین گوئیوں کے لیے بھی ایک نمبر کا اشتراک کیا: ڈیٹا کرنچ، ڈیٹا فیبرک کی بنیاد کے طور پر نالج گراف، اونٹولوجیز کے ذریعے گراف آر اے جی ، اور LLMs کی وجہ سے رسمی استدلال کا تخمینہ۔ ان پر گہری گفتگو کے لیے، پوڈ کاسٹ ایپی سوڈ دیکھیں۔ مجموعی طور پر، سیل کا خیال ہے کہ مختصر مدت میں اے آئی کو بڑے پیمانے پر اوور ہائپ کیا گیا ہے، لیکن طویل مدتی میں بڑے پیمانے پر کم کیا گیا ہے۔

POD

Knowledge Graphs as the essential truth layer for Pragmatic AI. Featuring Tony Seale, The Knowledge Graph Guy - Orchestrate all the Things

Organizations are facing a critical challenge to AI adoption: how to leverage their domain-specific knowledge to use AI in a way that delivers trustworthy results. Knowledge graphs provide the missing "truth layer" that transforms probabilistic AI outputs into real world business acceleration. Knowledge graphs are powering products for the likes of Amazon and Samsung. The Knowledge graph market is expected to grow to $6.93 Billion by 2030, at a CAGR of 36.6%. Gartner has been advocating for the role of knowledge graphs in AI and the downstream effects in organizations going forward for the last few years. Neither the technology nor the vision are new. Knowledge graph technology has been around for decades, and people like Tony Seale were early to identify its potential for AI. Seale, also known as "The Knowledge Graph Guy", is the founder of the eponymous consulting firm. In this extensive conversation, we covered everything from knowledge graph first principles to application patterns for safe, verifiable AI, real-world experience, trends, predictions, and the way forward. Read the article published on Orchestrate all the Things here: https://linkeddataorchestration.com/2025/03/11/knowledge-graphs-as-the-essential-truth-layer-for-pragmatic-ai/

سیل ان تنظیموں پر نالج گرافس اور انٹولوجیز کو لاگو کرنے پر کام کر رہا ہے جو اس کے لیے تیار ہیں۔ لیکن یہ ایک قیمت پر آتا ہے، اور یہ سب کے لیے پیمانہ نہیں ہو سکتا۔ اس کے علاوہ، کوئی بھی کنسلٹنسی کبھی بھی تمام تعلیم یا بنیادی ڈیٹا کا کام کرنے کے قابل نہیں ہو گی جس کی آپ کے لیے ضرورت ہے۔

Pragmatic AI اپروچ ڈیٹا فرسٹ اصولوں، مینجمنٹ، گورننس، ماڈلنگ اور ڈیٹا سائنس کی تعلیم دے کر اس فرق کو پر کرتا ہے۔ اس کے بعد، تنظیموں کے لیے منفرد ڈومین کے علم کو قابل اعتماد، تصدیق شدہ ڈیٹا کی بنیاد پر AI سسٹم بنانے کے لیے استعمال کیا جا سکتا ہے۔

عملی AI ٹریننگ

Pragmatic AI کورس ایگزیکٹوز، مینیجرز، کاروباری افراد، کنسلٹنٹس، اور تخلیق کاروں کو بنیادی علم اور عملی مہارت فراہم کرتا ہے جو حقیقی کاروباری قدر فراہم کرنے والے AI سسٹمز بنانے کے لیے درکار ہے۔ بنیادی باتوں کے ساتھ شروع کریں، اور اپنی تنظیم کی سچائی پرت بنانے کے لیے ایک سر اٹھائیں اور AI دور میں مسابقتی فائدہ حاصل کریں۔