AI کی تاریخ اور بنیادی باتیں

سب سے وسیع دائرہ مصنوعی ذہانت (人工知能) ہے؛ اس کے اندر ایک طریقہ مشین لرننگ (機械学習) ہے؛ اور اس کے اندر بہت سی تہوں والے نیورل نیٹ ورک استعمال کرنے والا طریقہ ڈیپ لرننگ (ディープラーニング) ہے۔ سلیبس میں یہ تینوں اصطلاحات "1. مصنوعی ذہانت کی تعریف" کے تحت کلیدی الفاظ کے طور پر ایک ساتھ درج ہیں۔ جو وضاحت مشین لرننگ یا ڈیپ لرننگ کو سب سے وسیع دائرہ قرار دیتی ہے، اس میں شمولیت کی سمت الٹ گئی ہے۔ یہ کہنا کہ تینوں آزادانہ طور پر ساتھ ساتھ کھڑے ہیں، اس حقیقت سے بھی مطابقت نہیں رکھتا کہ ڈیپ لرننگ مشین لرننگ کے اندر کا ایک طریقہ ہے۔

AI کی سطح کی چار درجہ بندیاں سلیبس کے حصے "1. مصنوعی ذہانت کی تعریف" کے اہداف میں "سادہ کنٹرول پروگرام"، "کلاسیکی مصنوعی ذہانت"، "مشین لرننگ" اور "ڈیپ لرننگ" کے طور پر درج ہیں۔ شرائط اور افعال کے پہلے سے طے شدہ تعلق پر ہی کام کرنے والی چیز سادہ کنٹرول پروگرام (単純な制御プログラム) ہے، جس کی مثال ایسا تھرموسٹیٹ ہے جو مقررہ درجۂ حرارت پر چالو اور بند ہوتا ہے۔ کلاسیکی مصنوعی ذہانت شاخ دار منطق، تلاش یا محفوظ علم کے ذریعے ردعمل چنتی ہے؛ مشین لرننگ ڈیٹا سے باقاعدگیاں سیکھتی ہے؛ اور ڈیپ لرننگ ان میں سے وہ طریقہ ہے جو گہری تہوں والا نیٹ ورک استعمال کرتا ہے — یہ سب اس مرحلے سے آگے ہیں جہاں انسان ہر ردعمل خود ہاتھ سے لکھ دیتا ہے۔

AI اثر (AI効果) وہ مظہر ہے جس میں کسی مصنوعی ذہانت کے پیچھے کا طریقۂ کار واضح ہو جانے اور اس کی اندرونی کارکردگی سمجھ میں آ جانے کے بعد اسے "محض خودکار پروسیسنگ، ذہانت نہیں" سمجھا جانے لگتا ہے اور اس کی قدر گھٹ جاتی ہے۔ سلیبس میں "1. مصنوعی ذہانت کی تعریف" کے اہداف میں صاف لکھا ہے کہ "AI اثر کی وضاحت کر سکنا"۔ اس نقطۂ انقلاب پر بحث جہاں AI انسانی ذہانت سے آگے نکل جائے، سنگولیریٹی (シンギュラリティ) ہے، جو "2. مصنوعی ذہانت کے شعبے میں زیرِ بحث مسائل" کا کلیدی لفظ ہے۔ ڈیٹا کی مقدار کے ساتھ کارکردگی بہتر ہونے کا رجحان، اور فیصلے کی وجوہات پیش نہ کر سکنا، دونوں AI اثر سے الگ موضوعات ہیں۔

ایجنٹ (エージェント) ایک تصور ہے جس سے مراد ایسا فاعل ہے جو اپنے ماحول کا مشاہدہ کرتا ہے اور کسی ہدف کی طرف اپنا اگلا عمل خود چنتا ہے۔ یہ مصنوعی ذہانت کو "یہ کس طریقۂ کار سے بنی ہے" کے بجائے "یہ کیسا برتاؤ کرتی ہے" کے لحاظ سے سمجھنے کی اصطلاح ہے، اور سلیبس میں یہ "1. مصنوعی ذہانت کی تعریف" کے تحت مصنوعی ذہانت، مشین لرننگ، ڈیپ لرننگ اور AI اثر کے ساتھ کلیدی لفظ کے طور پر آتی ہے۔ اسکرین پر استعمال کا داخلی دروازہ، ڈیٹا منظم کرنے والا شخص، اور کمپیوٹنگ وسائل کرائے پر دینے والا نظام — ان میں سے کوئی بھی اس اصطلاح کا مطلب نہیں۔

ImageNet ایک بڑے پیمانے کا ڈیٹا سیٹ (データセット) ہے جس میں بہت بڑی تعداد میں تصاویر پر درجہ بندی کے لیبلز لگے ہیں، اور ILSVRC وہ مقابلہ (競技会) ہے جس میں اسے استعمال کر کے امیج ریکگنیشن کی درستگی میں مقابلہ کیا گیا۔ سلیبس میں دونوں "6. ڈیپ لرننگ" کے تحت کلیدی الفاظ کے طور پر آتے ہیں، اور یہ وضاحت کرنے کا مواد ہیں کہ ڈیپ لرننگ نے کس طرح ترقی کی۔ یہ ایک ہی ماڈل کے دو نام نہیں، اور نہ ہی ان کا تعلق لیبلنگ کے معیار اور جانچ کے پلیٹ فارم کا ہے۔ گو سے متعلق چیز AlphaGo ہے، جو اسی ذیلی حصے کا کلیدی لفظ بھی ہے لیکن الگ چیز ہے۔

LeNet کنوولوشن (畳み込み) استعمال کرنے والا نیورل نیٹ ورک ہے جو ہاتھ سے لکھے ہندسے پہچاننے کے لیے بنایا گیا، اور سلیبس میں یہ "6. ڈیپ لرننگ" کے تحت کلیدی لفظ کے طور پر رکھا گیا ہے۔ گو کے صفِ اول کے انسانی کھلاڑیوں کو ہرانے والا AlphaGo ہے، بہت بڑی تعداد میں تصاویر پر لیبلز والا بڑے پیمانے کا ڈیٹا سیٹ ImageNet ہے، اور نیا متن یا تصاویر بنانے والی چیز جنریٹو AI (生成AI) ہے — یہ سب اسی ذیلی حصے میں درج الگ کلیدی الفاظ ہیں۔ صرف نام یاد کرنے کے بجائے یہ ذہن میں رکھنا مفید ہے کہ ہر ایک کا ہدف کیا ہے۔

AlphaGo (アルファ碁) ایک پروگرام ہے جس نے گو کے صفِ اول کے انسانی کھلاڑیوں کو ہرایا، اور سلیبس میں یہ "6. ڈیپ لرننگ" کے تحت ImageNet، ILSVRC، LeNet، نیوکوگنیٹرون اور جنریٹو AI کے ساتھ کلیدی لفظ کے طور پر رکھا گیا ہے۔ اس ذیلی حصے کا ہدف "ڈیپ لرننگ کی ترقی کی تاریخ کی وضاحت کر سکنا" ہے، اس لیے ہر نام کو اس کے ساتھ یاد رکھنا مفید ہے کہ وہ اس ترقی کے کس منظر کی نمائندگی کرتا ہے۔ بولی جانے والی زبان کو تحریر میں لانا، ہاتھ سے لکھے ہندسے پڑھنا اور متن کا خلاصہ کرنا — ان میں سے کوئی بھی AlphaGo کی دکھائی گئی کامیابی نہیں۔

روبوٹ (ロボット) سے مراد وہ مشین ہے جس کا جسم ہو، اور مصنوعی ذہانت اس کے اندر فیصلے کا ذمہ دار حصہ ہے۔ دونوں ایک دوسرے پر منطبق ہو سکتے ہیں لیکن ایک ہی چیز نہیں۔ بہت سی مصنوعی ذہانتوں کا کوئی جسم نہیں ہوتا اور وہ صرف سافٹ ویئر کے طور پر چلتی ہیں، اور اس کے برعکس ایسے روبوٹ بھی ہیں جو بس مقررہ حرکات دہراتے ہیں اور ان میں کوئی مصنوعی ذہانت نہیں ہوتی۔ جو وضاحت فیصلہ کرنے والے حصے اور جسم والے حصے کو آپس میں بدل دے، اس کی سمت الٹی ہے، اور یہ نہ تو اس بنیاد پر فرق ہے کہ کوئی چیز سیکھتی ہے یا نہیں، اور نہ محض شعبوں کے درمیان ناموں کا فرق۔

نیوکوگنیٹرون (ネオコグニトロン) ایک ماڈل ہے جس نے انسانی اعصابی سرکٹ کے کام کرنے کے طریقے سے تحریک لی، اور تہیں جوڑ کر بصری معلومات کو مرحلہ وار سنبھالنے کی کوشش کی۔ سلیبس کا "6. ڈیپ لرننگ" کے تحت "انسانی اعصابی سرکٹ" کو نیوکوگنیٹرون کے ساتھ رکھنا اس طرح پڑھا جا سکتا ہے کہ مقصد سیکھنے والوں کو یہ سمجھانا ہے کہ تہیں جوڑنے کا خیال کہاں سے آیا۔ ایسا نہیں کہ اعصابی سرکٹ کی وائرنگ براہِ راست کمپیوٹر سرکٹ بن گئی، اور نہ یہ کہ اعصابی سرکٹ کی تحقیق مکمل طور پر واضح ہو گئی۔ گو سے متعلق چیز اسی ذیلی حصے کا AlphaGo ہے۔

تلاش اور استدلال (探索・推論) وہ مرحلہ ہے جہاں انسان حل کا طریقۂ کار بناتا ہے؛ علم کی نمائندگی اور ایکسپرٹ سسٹم (知識表現とエキスパートシステム) وہ مرحلہ ہے جہاں انسان ماہرین کا علم لکھتا ہے؛ اور مشین لرننگ اور ڈیپ لرننگ وہ مرحلہ ہے جہاں ڈیٹا سے باقاعدگیاں سکھائی جاتی ہیں۔ دوسرے الفاظ میں، یہ ایسا بہاؤ ہے جس میں مرکزِ ثقل انسان کے لکھنے سے ہٹ کر ڈیٹا کے ذریعے سکھانے کی طرف منتقل ہوا۔ نوٹ کریں کہ اس بہاؤ کو ترتیب وار "نسل" (第何次) کے طور پر گننے کا انداز سلیبس میں کہیں نہیں آتا، اس لیے یہ لیب اسے صرف ذیلی حصوں کے ناموں سے پکارتی ہے۔ ڈیٹا کی شکل، حساب کی جگہ یا تحقیق کرنے والوں میں تبدیلیاں وہ چیز نہیں جس کی یہ ترتیب نمائندگی کرتی ہے۔

ڈارٹ ماؤتھ کانفرنس (ダートマス会議) 1956 میں منعقد ہونے والی ایک تحقیقی کانفرنس تھی، جسے اس جگہ کے طور پر یاد کیا جاتا ہے جہاں "مصنوعی ذہانت" کی اصطلاح پہلی بار عوامی طور پر استعمال ہوئی۔ صرف تحریری تبادلے کے ذریعے انسان اور مشین میں تمیز کرنے والا ٹیسٹ ٹیورنگ کے 1950 کے مقالے میں تجویز کیا گیا تھا، جو ڈارٹ ماؤتھ کانفرنس سے پہلے کا الگ واقعہ ہے۔ دونوں کو آپس میں جوڑ دینا ایک عام غلطی ہے، اس لیے سال اور واقعے کو الگ الگ یاد رکھیں۔ ایکسپرٹ سسٹمز پر تحقیق اور گہری تہوں والے نیورل نیٹ ورکس کی تربیت کے طریقے، دونوں اس کانفرنس کے بعد کے موضوعات ہیں۔

ٹیورنگ ٹیسٹ (チューリングテスト) جانچ کا ایک طریقہ ہے جس میں اگر جانچنے والا صرف تحریری تبادلے کے ذریعے انسان اور مشین میں تمیز نہ کر سکے تو مشین کو ذہین مان لیا جاتا ہے۔ اہم نکتہ یہ ہے کہ یہ خود ذہانت کی تعریف فراہم نہیں کرتا، بلکہ باہر سے نظر آنے والے برتاؤ کی بنیاد پر فیصلہ کرنے کی تجویز دیتا ہے۔ لوبنر مقابلہ (ローブナーコンテスト) وہ حقیقی مقابلہ ہے جو اس ٹیسٹ کو مقابلے کی صورت میں منعقد کرتا ہے، اور یہ بھی اسی ذیلی حصے کا کلیدی لفظ ہے۔ یہ نہ تو اندرونی طریقۂ کار کی جانچ کا طریقہ ہے اور نہ کسی مدت کا اندازہ لگانے کا طریقہ۔

چینی کمرہ (中国語の部屋) ایک ذہنی تجربہ ہے جو اس منظرنامے سے — کہ ایک شخص چینی زبان سمجھے بغیر محض ایک ہدایت نامے کے مطابق علامات کو ترتیب دیتا ہے — یہ دلیل دیتا ہے کہ برتاؤ انسان سے ناقابلِ تمیز ہونے کے باوجود ضروری نہیں کہ سمجھ موجود ہو۔ دوسرے الفاظ میں، یہ ٹیورنگ ٹیسٹ پر تنقید ہے، جو مضبوط AI (強いAI) — یعنی ذہن یا سمجھ کی موجودگی تسلیم کرنے والے مؤقف — کے خلاف اعتراض کے طور پر پیش کی گئی۔ اسے مضبوط AI کی حمایت میں ثبوت سمجھنا سمت کو الٹ دینا ہے، اور یہی وہ جگہ ہے جہاں عام طور پر الجھن ہوتی ہے۔ اس کا تعلق نہ علامات سنبھالنے کی رفتار سے ہے اور نہ مشینی ترجمے کے طریقوں کی نسبتی برتری سے۔

مضبوط AI اور کمزور AI (強いAIと弱いAI) میں اس بنیاد پر تفریق کی جاتی ہے کہ آیا مشین میں ذہن یا سمجھ ہے۔ مضبوط AI وہ مؤقف ہے کہ مشین واقعی سمجھتی ہے، جبکہ کمزور AI وہ مؤقف ہے کہ یہ محض ایک آلہ ہے جو ایسا برتاؤ کرتا ہے جیسے سمجھتا ہو۔ اس کے برعکس، عمومی بمقابلہ مخصوص (汎用と特化) قابلِ اطلاق دائرے کی تفریق ہے — یعنی کوئی چیز کتنے وسیع کاموں کے لیے استعمال ہو سکتی ہے — جو بالکل الگ محور ہے۔ لہٰذا وسیع قابلِ اطلاق دائرہ ہونے کا مطلب بذاتِ خود ذہن ہونا نہیں۔ جو وضاحت دونوں کو آپس میں بدل دے اس کی سمت الٹی ہے، اور ڈیٹا کی مقدار، کمپیوٹنگ وسائل، پروسیسنگ کی رفتار اور لاگت — ان میں سے کوئی بھی کسی تفریق کا معیار نہیں۔

فریم مسئلہ (フレーム問題) یہ مسئلہ ہے کہ جب کوئی عمل کیا جائے تو کیا بدلتا ہے اور کیا نہیں بدلتا، اسے صرف متعلقہ باتوں تک محدود کر کے محدود وقت میں سنبھالا نہیں جا سکتا۔ ایک لفظ میں، یہ مطابقت کو محدود کرنے کا مسئلہ ہے۔ علامات کو ان کے حقیقی دنیا کے معنی سے جوڑنا علامتی بنیاد کا مسئلہ (シンボルグラウンディング問題) ہے؛ علم لکھنے کا کام بہت بڑا ہو جانا علم کے حصول کی رکاوٹ (知識獲得のボトルネック) ہے؛ اور صرف محدود شرائط والے مسائل حل کر پانا کھلونا مسئلہ (トイ・プロブレム) ہے — یہ سب اسی ذیلی حصے میں درج الگ کلیدی الفاظ ہیں۔

علامتی بنیاد کا مسئلہ (シンボルグラウンディング問題) یہ مسئلہ ہے کہ ایک نظام علامات کو ان کے حقیقی دنیا کے معنی سے کیسے جوڑے۔ اسے اس طرح بیان کیا جاتا ہے: اگر کسی نظام کے پاس "زیبرا" کا لفظ اور یہ علم ہو کہ اس کا مطلب "دھاریوں والا گھوڑا" ہے، تب بھی اس کی کوئی ضمانت نہیں کہ یہ سامنے موجود اصل جانور سے جڑا ہوا ہے۔ صرف متعلقہ باتوں تک محدود نہ کر پانا فریم مسئلہ ہے، اور دونوں اکثر جوڑی کی صورت میں پوچھے جاتے ہیں۔ جسمانیت (身体性) وہ مؤقف ہے کہ جسم کے ذریعے ماحول سے تعامل ضروری ہو سکتا ہے، اور یہ اس مسئلے کا ایک جواب ہے۔ افعال کا سلسلہ ترتیب دینا، معلومات کا گونجنا، اور فیچرز کی تعداد — ان میں سے کوئی بھی اس اصطلاح کا مطلب نہیں۔

جسمانیت (身体性) سے مراد وہ مؤقف ہے کہ ذہانت کے قائم ہونے کے لیے جسم کے ذریعے ماحول سے تعامل کا تجربہ ضروری ہو سکتا ہے۔ اسے علامتی بنیاد کے مسئلے کے ایک جواب کے طور پر زیرِ بحث لایا جاتا ہے، جس کے مطابق علامات حقیقی دنیا کے معنی سے نہیں جڑتیں — خیال یہ ہے کہ جسم رکھنا اور دنیا کو چھونا ہی وہ تعلق پیدا کرتا ہے۔ یہ دعویٰ نہیں کہ عملی ہونے کے لیے مصنوعی ذہانت کا روبوٹ کی شکل میں ہونا ضروری ہے، نہ یہ پرزوں کی کارکردگی سے طے ہونے کے بارے میں ہے، اور نہ جسمانی حرکت کو فارمولوں میں بدلنے کے طریقۂ کار کے بارے میں۔

کھلونا مسئلہ (トイ・プロブレム) سے مراد واضح طور پر طے شدہ قواعد اور حالتوں والا محدود مسئلہ ہے جس سے حقیقی دنیا کی پیچیدگی نکال دی گئی ہو۔ یہ اس سیاق میں استعمال ہوتا ہے کہ اس سانچے میں آنے والے مسائل — جیسے بھول بھلیاں یا پہیلیاں — تو حل ہو سکتے تھے، لیکن حقیقی دنیا کے وہ مسائل جن کی شرائط واضح طور پر طے نہیں، پہنچ سے باہر رہے۔ نوٹ کریں کہ اس کا مطلب "آسان مسئلہ" نہیں بلکہ حقیقت کو سادہ بنانے والا ماحول ہے۔ یہ نہ بچوں کا تدریسی مواد ہے، نہ کوئی حل طلب مشکل مسئلہ، اور نہ بہت زیادہ حسابی بوجھ والا مسئلہ۔

علم کے حصول کی رکاوٹ (知識獲得のボトルネック) وہ مسئلہ ہے کہ ماہر کے علم کو قواعد کی صورت میں ہاتھ سے لکھنے کے کام کی مقدار اور مشکل ایک دیوار بن گئی، جس نے علم جمع کرنے کے طریقے کو پھیلنے سے روک دیا۔ اہم نکتہ یہ ہے کہ اس کی وجہ کمپیوٹنگ وسائل، ڈیٹا یا مواصلات کی کمی نہیں بلکہ خود علم لکھنے کی بے پناہ محنت ہے۔ اس محنت کو کم کرنے کی ایک کوشش انٹرویو سسٹم ہے، جو سلیبس میں "4. علم کی نمائندگی اور ایکسپرٹ سسٹم" کے تحت درج ہے۔

قواعد پر مبنی مشینی ترجمہ (ルールベース機械翻訳) وہ طریقہ ہے جس میں انسان گرامر کے قواعد اور لغت لکھ کر ترجمہ ترتیب دیتا ہے، جبکہ شماریاتی مشینی ترجمہ (統計的機械翻訳) وہ طریقہ ہے جو بڑی مقدار کے دو لسانی ڈیٹا کی شماریات سے سب سے زیادہ ممکنہ ترجمہ چنتا ہے۔ انسان کے لکھنے سے ڈیٹا کے ذریعے سکھانے کی طرف بہاؤ یہاں ترجمے کے ایک ہی موضوع کے اندر نظر آتا ہے۔ جو وضاحت دونوں کو آپس میں بدل دے اس کی سمت الٹی ہے۔ یہ نہ سنبھالی جانے والی اکائی کا فرق ہے اور نہ بولی اور تحریری زبان کا فرق۔ نوٹ کریں کہ شماریاتی مشینی ترجمہ اس ذیلی حصے کے علاوہ "27. قدرتی زبان کی پروسیسنگ" کے تحت بھی درج ہے۔

بریڈتھ فرسٹ سرچ (幅優先探索) جڑ کے سب سے قریب والی تہ سے تہ بہ تہ آگے بڑھتی ہے، اور اگلی گہرائی پر جانے سے پہلے ایک ہی گہرائی کا ہر نوڈ جانچتی ہے۔ یہ کم گہرا جواب پہلے ڈھونڈ سکتی ہے، لیکن اسے زیادہ نوڈز یاد رکھنے پڑتے ہیں۔ ڈیپتھ فرسٹ سرچ (深さ優先探索) ایک ہی بار میں جہاں تک ممکن ہو نیچے اترتی ہے، اور جب راستہ بند ملے تو واپس لوٹ کر دوبارہ کوشش کرتی ہے۔ اسے کم یاد رکھنا پڑتا ہے، لیکن ضروری نہیں کہ اس کا ملنے والا پہلا جواب سب سے کم گہرا ہو۔ جو وضاحت دونوں کو آپس میں بدل دے اس کی سمت الٹی ہے؛ بے ترتیب طور پر شاخیں چننا مونٹے کارلو طریقے کا خیال ہے، اور درخت پر پتوں سے جڑ کی طرف چلنا دونوں میں سے کسی پر لاگو نہیں ہوتا۔

Minimax الگورتھم (Mini-Max法) باری باری چال چلنے والے دو کھلاڑیوں کے کھیلوں کا ایک طریقہ ہے، جس میں فرض کیا جاتا ہے کہ اپنی باری پر آپ کے لیے سب سے فائدہ مند چال اور حریف کی باری پر آپ کے لیے سب سے نقصان دہ چال چنی جائے گی، اور مستقبل کی پوزیشنوں کی قدر کو واپس موجودہ پوزیشن تک پہنچایا جاتا ہے۔ الفا-بیٹا پروننگ (αβ法) اسی تلاش کے دوران کی جانے والی ایک بہتری ہے جو یہ معلوم ہوتے ہی شاخوں کو کاٹ دیتی ہے کہ مزید جانچ سے نتیجہ نہیں بدل سکتا، اور یوں جانچ کی مقدار کم کرتی ہے — یہ Minimax سے الگ جائزے کا تصور نہیں۔ یہ نہ سرچ ٹری بنانے کا طریقۂ کار ہے اور نہ بعد میں نتیجے کی دوبارہ جانچ کا۔

بروٹ فورس (ブルートフォース) شروع سے ہر ممکن چال کو ایک ایک کر کے جانچنے کا طریقہ ہے۔ اگر جواب موجود ہو تو اس کا ملنا یقینی ہے، لیکن چالوں کی تعداد بڑھنے کے ساتھ امتزاجات تیزی سے بڑھتے ہیں اور یہ حقیقت پسندانہ وقت میں مکمل نہیں ہو پاتا۔ یہی وجہ ہے کہ جانچ کا دائرہ کم کرنے والی بہتریاں، جیسے الفا-بیٹا پروننگ، ضروری ہو جاتی ہیں۔ اسکور کی ترتیب سے امید افزا شاخیں جانچنا، بے ترتیب چالیں آزمانے کا مونٹے کارلو خیال، اور درمیانی نتائج ریکارڈ کر کے دوبارہ استعمال کرنا — ان میں سے کوئی بھی بذاتِ خود بروٹ فورس نہیں۔ واضح طور پر طے شدہ حالتوں اور قواعد والا موضوع، جیسے ٹاور آف ہنوئی، سلیبس میں اس قسم کی تلاش کے مشقی مواد کے طور پر درج ہے۔

SHRDLU ایک تحقیق ہے جس نے اسکرین پر بلاکس کی دنیا کو زبانی ہدایات کے ذریعے چلانا ممکن بنایا، اور دکھایا کہ محدود شرائط والی دنیا میں زبانی ہدایات کام کر سکتی ہیں۔ STRIPS ایک طریقہ ہے جو کسی عمل کو اس کی "عمل درآمد کی پیشگی شرائط" اور "عمل درآمد کے بعد کیا بدلتا ہے" کے لحاظ سے ظاہر کرتا ہے، اور ہدف کی حالت تک پہنچنے والے افعال کا سلسلہ ترتیب دیتا ہے۔ دونوں کو آپس میں بدلنا سمت کو الٹ دیتا ہے۔ بے ترتیب اعداد کے ساتھ تجربات دہرانا مونٹے کارلو طریقہ ہے، اور شاخیں کاٹنا الفا-بیٹا پروننگ ہے۔ ماس اسپیکٹرومیٹری کے ڈیٹا سے سالمے کی ساخت کا اندازہ DENDRAL ہے، اور بیکٹیریائی انفیکشن کی تشخیص MYCIN ہے، اور دونوں "4. علم کی نمائندگی اور ایکسپرٹ سسٹم" کے تحت رکھے گئے ہیں۔

ELIZA ایک گفتگو کرنے والا پروگرام (対話のプログラム) ہے جو داخل کیے گئے جملے کے پیٹرن کے مطابق جواب ترتیب دیتا ہے۔ اسے اس بات کی مثال کے طور پر پیش کیا جاتا ہے کہ کوئی چیز اپنے مواد کو حقیقت میں سمجھے بغیر بھی انسان جیسی نظر آ سکتی ہے۔ ماس اسپیکٹرومیٹری کے ڈیٹا سے سالمے کی ساخت کا اندازہ DENDRAL ہے، بیکٹیریائی انفیکشن کی تشخیص اور اینٹی بائیوٹک کی تجویز MYCIN ہے، اور عام فہم باتیں لکھنے کی طویل المدتی کوشش Cyc پروجیکٹ ہے — یہ سب اسی ذیلی حصے میں درج الگ کلیدی الفاظ ہیں۔ تشخیص کرنے والی چیز اور گفتگو کرنے والی چیز میں الجھن سے بچیں۔

MYCIN ایک ایکسپرٹ سسٹم (エキスパートシステム) ہے جس نے بیکٹیریائی انفیکشن کی تشخیص کی اور موزوں اینٹی بائیوٹک تجویز کی، یوں یہ طب کے شعبے سے متعلق تھا۔ ماس اسپیکٹرومیٹری کے ڈیٹا سے نامیاتی مرکب کے سالمے کی ساخت کا اندازہ لگانے والا کیمیا کے شعبے کا نظام DENDRAL ہے، یونیورسٹی کے داخلہ امتحانات میں حصہ لینے والا "توڈائی روبوٹ" (東ロボくん) ہے، اور کوئز شو میں سوال و جواب میں انسانوں سے مقابلہ کرنے والا Watson ہے۔ چونکہ نام اور شعبے کی جوڑی براہِ راست پوچھی جاتی ہے، انہیں ایک ساتھ یاد کریں۔

DENDRAL ایک ابتدائی ایکسپرٹ سسٹم ہے جس نے ماس اسپیکٹرومیٹری (質量分析) کے ڈیٹا سے کسی نامعلوم نامیاتی مرکب کے سالمے کی ساخت کا اندازہ لگایا۔ اس کا شعبہ کیمیا ہے، اور اکثر اسے طب کے شعبے سے متعلق MYCIN کے ساتھ جوڑ کر پوچھا جاتا ہے۔ Cyc پروجیکٹ انسانی عام فہم کو مسلسل لکھتے رہنے کی ایک طویل المدتی کوشش ہے، Watson ایک سوال و جواب کا نظام ہے، اور توڈائی روبوٹ یونیورسٹی کے داخلہ امتحانات میں حصہ لینے والا ایک پروجیکٹ ہے — یہ سب اسی ذیلی حصے میں درج الگ چیزیں ہیں۔

is-a بالا اور ماتحت کا تعلق (上位と下位の関係) ہے، جو ظاہر کرتا ہے کہ ماتحت تصور بالا تصور میں شامل ہے، جیسے "کتا ایک جانور ہے"۔ has-a کسی حصے کو رکھنے کا تعلق ہے، جو کُل سے حصے کی طرف دیکھا جاتا ہے، جیسے "گاڑی کے ٹائر ہیں"۔ part-of کسی کا حصہ ہونے کا تعلق ہے، جو حصے سے کُل کی طرف دیکھا جاتا ہے، جیسے "ٹائر گاڑی کا حصہ ہے"۔ has-a اور part-of ایک ہی تعلق کو مخالف سمتوں سے بیان کرتے ہیں، اس لیے سمت میں الجھن سے محتاط رہیں۔ ایک ہی معنی، متضاد معنی یا ترتیب ظاہر کرنا — ان میں سے کوئی بھی ان تینوں کا ظاہر کردہ تعلق نہیں۔

ڈائمینشنیلٹی کی لعنت (次元の呪い) وہ مظہر ہے جس میں سنبھالی جانے والی فیچرز کی تعداد — یعنی ڈائمینشنز — بڑھنے کے ساتھ اس اسپیس کے اندر ڈیٹا زیادہ بکھرا ہوا ہو جاتا ہے، اور اتنی ہی کثافت برقرار رکھنے کے لیے درکار ڈیٹا کی مقدار تیزی سے بڑھ جاتی ہے۔ نقاط کے درمیان فاصلوں کے فرق کو پہچاننا بھی مشکل ہو جاتا ہے۔ جو وضاحت کہے کہ فیچرز کم کرنے سے درکار ڈیٹا بڑھتا ہے اس کی سمت الٹی ہے، اور تربیتی ڈیٹا سے مطابقت، یا کمپیوٹنگ وسائل اور درستگی کا تعلق الگ موضوعات ہیں۔ نوٹ کریں کہ سلیبس میں یہ اصطلاح "7. سپروائزڈ لرننگ" کے تحت نہیں بلکہ "5. مشین لرننگ" کے تحت رکھی گئی ہے۔

قواعد پر مبنی طریقے (ルールベース手法) میں انسان لکھ دیتا ہے کہ کس شرط پر کیا نتیجہ نکلے گا۔ چونکہ یہ بالکل لکھے ہوئے کے مطابق چلتا ہے، اس لیے فیصلے کی وجہ دکھانا آسان ہے، لیکن استثنا بڑھنے کے ساتھ سب کچھ لکھنا ناممکن ہو جاتا ہے۔ مشین لرننگ (機械学習) ڈیٹا سے باقاعدگیاں (規則性) ڈھونڈتی ہے، اس لیے یہ اتنی زیادہ صورتوں کو سنبھال سکتی ہے جو لکھی نہ جا سکیں، لیکن اس کے بدلے فیصلے کی وجہ دکھانا مشکل ہوتا ہے، اور اسے معیار اور مقدار دونوں لحاظ سے کافی ڈیٹا درکار ہوتا ہے۔ جو وضاحت دونوں کو آپس میں بدل دے اس کی سمت الٹی ہے — فیصلے کی وجہ دکھانا قواعد پر مبنی طریقے میں آسان ہے۔ اسپام فلٹرز، ریکمنڈیشن انجن اور شماریاتی قدرتی زبان کی پروسیسنگ اس ذیلی حصے میں درج مشین لرننگ کے اطلاقات کی مثالیں ہیں۔