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۔ • 🚀 AI اپنانے میں تیزی آرہی ہے، لیکن زیادہ تر نفاذ متوقع کاروباری قدر فراہم کرنے میں ناکام رہتے ہیں۔ • 🔍 علم کے گراف قابل اعتماد AI سسٹمز کے لیے ضروری "سچائی کی تہہ" فراہم کرتے ہیں • 🔄 Pragmatic AI LLMs کی تخلیقی صلاحیت کو نالج گرافس کی تصدیقی صلاحیتوں کے ساتھ جوڑتا 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۔ کے اجراء کے موقع پر، گارٹنر سویتلانا سیکولر میں ریسرچ وی پی، اے آئی 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۔ مصنوعی ذہانت کے لیے تازہ ترین گارٹنر ہائپ سائیکل نے نوٹ کیا 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۔ اور جیسی تنظیمیں نالج گرافس کا استعمال کر رہی ہیں، اور ۔ گارٹنر کی ابھرتی ہوئی ٹکنالوجیوں کی فہرست ایمیزون سام سنگ 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۔ ، اور جیسے لوگ ابتدائی طور پر AI کے لیے سچائی پرت کے طور پر اس کی صلاحیت کی شناخت کر رہے تھے۔ نالج گراف ٹیکنالوجی کئی دہائیوں سے چلی آ رہی ہے ٹونی سیل https://www.youtube.com/watch?v=hIKfKx8MB8s&embedable=true 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۔ 🧠 نالج گرافس اور اے آئی سیاق و سباق • اہم AI سرمایہ کاری کے باوجود، زیادہ تر تنظیموں نے ابھی تک متوقع کاروباری قدر فراہم نہیں کی ہے۔ • معیاری AI نتائج کے لیے سیاق و سباق اور معنی ضروری ہیں۔ • نالج گرافس AI سسٹمز کے لیے اہم سیاق و سباق فراہم کرتے ہیں۔ • علمی گراف مسابقتی GenAI حکمت عملی کے لیے اہم اہل ہیں۔ 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 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 ۔ ETL یہ پیمانہ نہیں بناتا، یا سیاق و سباق اور معنی کو شامل کرنے میں مدد نہیں کرتا پھر سیل کو ملی، اور اس نے سب کچھ بدل دیا۔ 2010 میں، Google ابھی نالج گرافس میں داخل ہو رہا تھا، اور ۔ 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۔ ٹم برنرز لی کی 2010 کی TED ٹاک لنکڈ ڈیٹا پر یہ اصطلاح واقعی منظر عام پر نہیں آئی تھی 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۔ لنکڈ ڈیٹا کا بنیادی خیال https://www.youtube.com/watch?v=OM6XIICm_qo&embedable=true 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 ہے۔ Schema.org ایک معیاری الفاظ کی وضاحت کرنے کی ایک مشترکہ کوشش ہے جو ۔ معیارات کا استعمال کرتے ہوئے الفاظ کی وضاحت کرنے کے علاوہ، ۔ schema.org تمام ویب سائٹس کا 30%، اور Google کے پہلے صفحہ پر 72.6% صفحات استعمال کرتی ہے schema.org وکندریقرت کے ذریعے تشریح اور انضمام کو قابل توسیع بناتا ہے 🌐 لنکڈ ڈیٹا فاؤنڈیشنز • لنکڈ ڈیٹا سٹرکچرڈ ڈیٹا شیئرنگ پر ویب فن تعمیر کے اصولوں کا اطلاق کرتا ہے۔ • HTTP شناخت کنندگان کا استعمال کرتا ہے تاکہ ڈیٹا کو منظم طریقے سے دیکھا جا سکے۔ معیارات کا استعمال کرتے ہوئے معنی (Semantics) کے بارے میں معلومات فراہم کرتا ہے۔ • وکندریقرت کے ذریعے تنظیمی پیمانے کو قابل بناتا ہے۔ • Schema.org ویب پیمانے پر سیمنٹک معیارات کی مثال دیتا ہے۔ AI علم کے گراف سے ملتا ہے۔ Schema.org وہ چیز ہے جو دنیا کے گوگلز کو 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۔ اپنے علمی گراف بنانے اور ویب کے بارے میں مزید معلومات حاصل کرنے کے 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۔ 🤖 AI اور نالج گراف انٹیگریشن • LLMs اور نالج گرافس تکمیلی ہیں۔ • ہم ایک ممکنہ دنیا کی طرف بڑھ رہے ہیں جہاں AI فیصلہ سازی میں شامل ہو جائے گا۔ • علمی گراف کے ذریعے بیرونی تصدیق محفوظ AI تخلیق کرتی ہے۔ • تنظیموں کو اس تبدیلی کے مطابق ڈھالنا چاہیے۔ 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۔ "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۔ ۔ 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۔ یہاں ایک طویل اور پیچیدہ تاریخ ہے، جو 00 کی دہائی کے اوائل اور سیمنٹک ویب پر واپس جا رہی ہے 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۔ 📊 گراف کے بنیادی اصول • گراف دوسرے ڈیٹا ڈھانچے سے کنکشن کو فرسٹ کلاس شہری سمجھ کر مختلف ہوتے ہیں۔ • تمام گراف علمی گراف کے طور پر اہل نہیں ہیں۔ • علمی گراف نوڈس اور کناروں میں معنوی معنی کا اضافہ کرتے ہیں۔ • شناخت کنندگان کے بطور URIs اور مشترکہ الفاظ علمی گراف کی خصوصیات کی وضاحت کر رہے 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 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 ۔ ڈیپ سیک کو 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۔ سیل نے پھر اس کی وضاحت کی جسے وہ 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۔ مسلسل دنیا اور مجرد دنیا دنیا میں، 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۔ پرانے زمانے کی AI Cyc پروجیکٹ 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۔ 🌓 مسلسل بمقابلہ مجرد دنیا • مسلسل دنیا: امکانی، مبہم، تخلیقی لیکن فریب کا شکار (LLMs) • مجرد دنیا: منطقی، رسمی، قابل تصدیق لیکن محدود (روایتی AI) • ریاضی یا کوڈ کے لیے، نتائج کی باضابطہ تصدیق کی جا سکتی ہے۔ • نالج گرافس اور آنٹولوجی دوسرے ڈومینز کے لیے تصدیق فراہم کر سکتے ہیں۔ اونٹولوجی کا عروج ہم نے schema.org کے ساتھ ساتھ اسکیما کے عمومی تصور کا بھی ذکر کیا ہے۔ ، 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 ۔ اسکیماس عام طور پر متعلقہ ڈیٹا بیس کے ساتھ منسلک ہوتے ہیں 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۔ 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 ، 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۔ اونٹولوجیکل ماڈلنگ کئی دہائیوں سے چلی آ رہی ہے Google Trends پر، "نالج گراف" میں پچھلے 5 سالوں میں 3.450% اضافہ دیکھا گیا ہے۔ 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۔ گراف کے وقف شدہ ذخیرے کے سال 📚 آنٹولوجی کی بڑھتی ہوئی اہمیت • کاروباری اصطلاحات سے رسمی تصورات بنا کر اونٹولوجی اسکیموں سے آگے بڑھ جاتی ہے۔ • مقصد: کاروباری اصطلاحات اور تعلقات کو درست طریقے سے حاصل کریں۔ • ڈومین کے علم اور اونٹولوجیکل ماڈلنگ کی مہارت کی ضرورت ہے۔ • Google Trends سے پتہ چلتا ہے کہ "نالج گراف" میں 5 سالوں میں 3,450% اضافہ ہوا 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 کہتے ہیں۔ LLMs کے لیے ورکنگ میموری گراف پیٹرن 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 کے ذریعے ڈومین کے لیے مخصوص علم ہو سکتا ہے۔ RAG ورکنگ میموری گراف ایک بڑے پیٹرن کا حصہ ہے جسے Seale 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۔ Neural-Symbolic Loop 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۔ 🔄 نیورل سمبولک لوپ اپروچ • اپنی تنظیم کے لیے مخصوص ڈومین علم کے ساتھ شروع کریں۔ • اس علم کو باقاعدہ بنانے کے لیے ایک آنٹولوجی تیار کریں۔ • اپنی تنظیم کے نجی ڈیٹا بیس کے طور پر علم کا گراف بنائیں LLMs کو تلاش اور تخلیقی صلاحیتوں کے لیے بطور ثالث استعمال کریں۔ • ورکنگ میموری گراف کو تصدیقی پرت کے طور پر لاگو کریں۔ • تصدیق اور بہتری کا ایک مسلسل لوپ بنائیں 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 کے لیے بھی ایک نمبر کا اشتراک کیا: ڈیٹا کرنچ، ڈیٹا فیبرک کی بنیاد کے طور پر نالج گراف، اونٹولوجیز کے ذریعے ، 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۔ 2025 کے لیے پیشین گوئیوں گراف آر اے جی https://pod.co/orchestrate-all-the-things-podcast-connecting-the-dots-with-george-anadiotis/knowledge-graphs-as-the-essential-truth-layer-for-pragmatic-ai-featuring-tony-seale-the-knowledge-graphabletrue? 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۔ 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۔ Pragmatic AI اپروچ عملی AI ٹریننگ تھیوری اور ہینڈ آن لیبز۔ تمام شامل اعتکاف۔ محدود نشستوں کا مجموعہ۔ Pragmatic AI ٹریننگ کے لیے رجسٹر کرنے کے لیے یہاں کلک کریں۔ 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۔ Pragmatic AI کورس
