معاشرے میں AI: قانون اور اخلاقیات

CRISP-DM چھ مراحل پر مشتمل ہے: کاروبار کی سمجھ، ڈیٹا کی سمجھ، ڈیٹا کی تیاری، ماڈلنگ، جانچ اور تعیناتی۔ پہلا مرحلہ کاروبار کی سمجھ (ビジネス理解) ہے، جس میں حل کیے جانے والے کاروباری مسئلے اور کامیابی کے معیار کا تعین کیا جاتا ہے۔ ڈیٹا کے معیار اور تقسیم کا جائزہ لینا ڈیٹا کی سمجھ (データ理解) ہے، گمشدہ قدروں کو سنبھالنا اور فیچرز بنانا ڈیٹا کی تیاری (データ準備) ہے، اور کاروباری سسٹم میں شامل کرنا تعیناتی (展開) کا مرحلہ ہے۔ یہ بات بھی ذہن میں رکھنے کے قابل ہے کہ یہ چھ مراحل یک طرفہ بہاؤ نہیں بلکہ ایک ایسے دائرے کے طور پر دکھائے جاتے ہیں جو پچھلے مراحل کی طرف لوٹتے ہوئے دہرایا جاتا ہے۔

PoC کا مطلب پروف آف کانسیپٹ (概念実証) ہے، اور یہ مکمل پیمانے کی ڈیولپمنٹ میں سرمایہ کاری سے پہلے کچھ چھوٹا بنا کر آزمانے کا عمل ہے، تاکہ تصدیق ہو سکے کہ آیا اس ڈیٹا سے مطلوبہ درستگی حاصل ہوتی ہے، اور اگر ہوتی ہے تو کیا کاروبار حقیقت میں اس پر چل سکتا ہے۔ چونکہ مقصد مکمل پروڈکٹ بنانا نہیں ہے، اس لیے اگر آگے بڑھنے اور پیچھے ہٹنے کی شرائط پہلے سے طے نہ کی جائیں تو آپ ایسے تجربات دہراتے رہ جاتے ہیں جن کا کوئی نتیجہ نہیں نکلتا۔ پروڈکشن میں تعیناتی کے بعد نگرانی اور دوبارہ تربیت چلانا MLOps ہے، درست جواب کے لیبلز دینا اینوٹیشن (アノテーション) ہے، اور خود کاروباری ورک فلو کو ازسرِنو ڈیزائن کرنا BPR ہے — یہ سب PoC سے الگ عمل ہیں۔

اینوٹیشن (アノテーション) خام ڈیٹا کو ہاتھ سے درست جواب کے لیبلز (正解ラベル) یا علاقے کی معلومات دینے کا کام ہے، اور یہ سپروائزڈ لرننگ (教師あり学習) کے لیے ناگزیر ہے۔ اگر لیبل لگانے کا معیار ہر کارکن کے ہاں مختلف ہو تو وہیں ماڈل کی کارکردگی کی بالائی حد طے ہو جاتی ہے، اس لیے کام کی ہدایات اور معیار کی جانچ کا ڈیزائن کلیدی حیثیت رکھتا ہے۔ بڑی مقدار کے متن کو اکٹھا اور منظم کرنا کارپس (コーパス) ہے؛ تربیتی اور ویلیڈیشن سیٹس میں تقسیم کرنا، اور گمشدہ قدروں اور غیر معمولی قدروں کو سنبھالنا، ڈیٹا کی تیاری کے اندر الگ کام ہیں — ان میں سے کوئی بھی خود لیبل لگانے کا عمل نہیں۔

ڈیٹا لیکیج (データリーケージ) وہ مظہر ہے جس میں ایسی معلومات تربیتی ڈیٹا میں شامل ہو جاتی ہیں جو پیش گوئی کے وقت حقیقت میں حاصل نہیں ہو سکتیں، جس سے ویلیڈیشن کے دوران ناپی گئی درستگی اصل صلاحیت سے کہیں زیادہ آتی ہے۔ یہ اس طرح کی صورتوں میں ہوتی ہے: کسٹمر کے چھوڑ جانے (churn) کی پیش گوئی میں منسوخی کی درخواست موصول ہونے کی تاریخ شامل کرنا، پری پروسیسنگ میں استعمال ہونے والا اوسط اور معیاری انحراف ویلیڈیشن ڈیٹا سمیت پورے ڈیٹا سے نکالنا، یا ٹائم سیریز ڈیٹا کو وقت کی ترتیب نظر انداز کر کے رینڈم طور پر تقسیم کرنا۔ تربیتی ڈیٹا سے بہت زیادہ مطابقت اوورفٹنگ (過学習) ہے، اور اس کی وجہ "ایسی معلومات استعمال کرنا جو استعمال نہیں کرنی چاہیے تھیں" نہیں بلکہ "بہت زیادہ مطابقت" ہے۔ ابعاد بڑھنے کے ساتھ درکار ڈیٹا کی مقدار کا پھیل جانا ابعاد کی لعنت (次元の呪い) ہے — دونوں کی وجہ لیکیج سے مختلف ہے۔

MLOps یہ تصور ہے کہ ماڈل کی تعیناتی پر کام ختم نہ کیا جائے، بلکہ ان پٹ ڈیٹا کی تقسیم، پیش گوئیوں کے رجحان اور یہاں تک کہ کاروباری پیمانوں کی بھی نگرانی کی جائے، اور جب فرق ظاہر ہو تو تربیتی ڈیٹا اپڈیٹ کر کے ماڈل دوبارہ بنانے (再学習) اور پھر دوبارہ تعینات کرنے کے چکر کو ایک نظام کے طور پر چلایا جائے۔ دنیا بدلنے کے ساتھ ان پٹ کے رجحانات بھی بدلتے ہیں اور درستگی خاموشی سے گرتی جاتی ہے، اس لیے ایک بار کی جانچ کافی نہیں۔ کمپیوٹنگ وسائل کرائے پر لینا کلاؤڈ کا استعمال ہے، اور رن ٹائم ماحول کو دوبارہ بنانے کے لیے یکجا کرنا Docker کا کردار ہے — دونوں MLOps کی معاونت کرنے والے اوزار ہیں، لیکن ان میں سے کوئی بھی بذاتِ خود MLOps کی تعریف نہیں۔

BPR کا مطلب بزنس پراسیس ری انجینئرنگ (ビジネスプロセス・リエンジニアリング) ہے، اور اس سے مراد موجودہ طریقۂ کار میں جزوی بہتری کے بجائے کاروبار کے مقصد کی طرف لوٹ کر خود ورک فلو کو ازسرِنو ڈیزائن کرنے کی کوشش ہے۔ اگر طریقۂ کار کو جوں کا توں رکھ کر اوپر AI لگا دیا جائے تو یہ صرف ایک ایسا مرحلہ بڑھا سکتا ہے جس میں کوئی شخص AI کے آؤٹ پٹ کو نقل کرتا ہے، اور کوئی اثر نہیں ہوتا؛ AI اپنانے کی کامیابی یا ناکامی اکثر صرف درستگی کے بجائے یہیں طے ہوتی ہے۔ تقاضے سننا اسٹیک ہولڈرز (ステークホルダー) کی ضروریات کو سمجھنا ہے، اور ڈیٹا کو قابلِ تربیت شکل دینا ڈیٹا کی تیاری ہے — ان میں سے کوئی بھی بذاتِ خود کاروباری عمل کی ازسرِنو ڈیزائننگ نہیں۔

واٹر فال (ウォーターフォール) ایسا طریقہ ہے جو تقاضوں کی تعریف سے شروع کر کے ہر مرحلے کو ترتیب سے پختہ کرتا ہے، اس بنیاد پر کہ پیچھے نہیں لوٹا جائے گا۔ لیکن AI ڈیولپمنٹ کی نوعیت یہ ہے کہ جب تک ماڈل کو حقیقت میں تربیت نہ دی جائے یہ معلوم نہیں ہوتا کہ درستگی کہاں تک پہنچے گی، اس لیے حتمی پیداوار اور تقاضے پہلے سے طے نہیں کیے جا سکتے۔ اسی لیے تلاش اور PoC کے مراحل کو ایجائل (アジャイル) شکل میں مختصر دہرائیوں کے ذریعے آگے بڑھایا جاتا ہے، اور جب قابلِ حصول درستگی کا اندازہ ہو جائے تو پھر اصل ڈیولپمنٹ کا مرحلہ طے کیا جاتا ہے — یہ امتزاج اپنایا جاتا ہے۔ یہ خاصیت ڈیولپمنٹ کے معاہدے کے ڈیزائن پر بھی براہِ راست اثر ڈالتی ہے، یعنی کام کا ٹھیکہ (ukeoi، 請負契約) استعمال کیا جائے یا نیم وکالتی معاہدہ (jun-inin، 準委任契約)۔

Docker ایک ٹیکنالوجی ہے جو ایپلیکیشن اور اس کی لائبریریوں سمیت رن ٹائم ماحول کو کنٹینر (コンテナ) کی صورت میں یکجا کرتی ہے۔ چونکہ ایک ہی کنٹینر ڈیولپمنٹ مشین اور پروڈکشن دونوں پر چلایا جا سکتا ہے، اس لیے ورژن کے فرق کی وجہ سے "میری مشین پر تو چل رہا تھا" جیسی بے میلیاں کم ہو جاتی ہیں۔ پیش رفت اور نتائج کو وضاحت کے ساتھ ایک ہی دستاویز میں محفوظ رکھنا Jupyter Notebook ہے، کسی چیز کو HTTP کے ذریعے قابلِ کال بنانا ویب API ہے، اور کمپیوٹنگ وسائل صرف ضرورت کی مدت کے لیے لینا کلاؤڈ کا استعمال ہے — یہ سب AI ڈیولپمنٹ میں استعمال ہونے والے دوسرے اوزار ہیں۔

کارپس (コーパス) سے مراد نیچرل لینگویج پروسیسنگ (自然言語処理) کے لیے اکٹھا اور منظم کیا گیا بڑی مقدار کا متنی ڈیٹا ہے۔ استعمال کے لحاظ سے اس میں اجزائے کلام یا نحوی معلومات بھی شامل کی گئی ہو سکتی ہیں۔ تحقیق اور ڈیولپمنٹ کے لیے شائع کیے گئے ڈیٹا کا عمومی مجموعہ اوپن ڈیٹاسیٹ (オープンデータセット) ہے، جس میں تصاویر اور آڈیو بھی شامل ہیں اور یہ صرف متن تک محدود نہیں۔ الفاظ کی ویکٹر نمائندگی تربیت کا حاصل ہے، ڈیٹا کا مجموعہ نہیں، اور مورفولوجیکل تجزیہ (形態素解析) متن کو پروسیس کرنے کا ایک طریقہ ہے — ان میں سے کوئی بھی کارپس کی تعریف پر پورا نہیں اترتا۔ نوٹ کریں کہ کارپس کا بھی لائسنس اور استعمال کی شرائط ہوتی ہیں، اس لیے تجارتی استعمال یا دوبارہ تقسیم کی اجازت ہے یا نہیں، اس کی انفرادی طور پر جانچ ضروری ہے۔

اوپن انوویشن (オープン・イノベーション) یہ تصور ہے کہ صرف اپنی کمپنی کی اندرونی تحقیق و ترقی تک محدود نہ رہا جائے، بلکہ بیرونی ٹیکنالوجی، علم اور افراد کو فعال طور پر شامل کر کے قدر پیدا کی جائے۔ نصاب اسی درمیانی سطح کے موضوع کے تحت صنعت و تعلیمی اداروں کے اشتراک (産学連携) اور دوسری کمپنیوں یا دوسری صنعتوں کے ساتھ اشتراک کو درج کرتا ہے، اور اس کے ذرائع میں جامعات اور دیگر تحقیقی اداروں کے ساتھ مشترکہ تحقیق، اور ایسے شراکت دار کے ساتھ مل کر کام کرنا شامل ہے جس کے پاس وہ ڈیٹا یا فروخت کا ذریعہ ہو جو اپنی کمپنی کے پاس نہیں۔ کسی چیز کو مفت جاری کرنا اوپن سورس کا تصور ہے، جو بیرونی وسائل شامل کرنے کی مخالف سمت میں ہے۔ کمپنی کا اندرونی بین الشعبہ ڈھانچہ اور شائع شدہ ڈیٹاسیٹس کا استعمال، دونوں میں سے کوئی بھی کسی بیرونی فریق کے ساتھ اشتراک کی طرف اشارہ نہیں کرتا۔

گمنام بنائی گئی معلومات (匿名加工情報) کو اس طرح پروسیس کیا جاتا ہے کہ کسی مخصوص فرد کی شناخت نہ ہو سکے اور اصل ذاتی معلومات بحال نہ کی جا سکیں۔ چونکہ اس حد تک پروسیسنگ ہو چکی ہوتی ہے، اس لیے مقررہ طریقۂ کار پر عمل کر کے اسے متعلقہ فرد کی رضامندی کے بغیر تیسرے فریق کو فراہم کیا جا سکتا ہے۔ دوسری طرف فرضی نام والی پروسیس شدہ معلومات (仮名加工情報) کو اس حد تک پروسیس کیا جاتا ہے کہ دوسری معلومات سے ملائے بغیر کسی مخصوص فرد کی شناخت نہ ہو سکے؛ پروسیسنگ کی محنت کم ہوتی ہے، جیسے صرف نام ہٹا دینا، اور اس کی تجزیاتی قدر برقرار رہتی ہے، لیکن اس کے بدلے عام اصول کے طور پر اسے تیسرے فریق کو فراہم نہیں کیا جا سکتا، اور اس کا مقصد کاروباری ادارے کے اندر تجزیاتی استعمال ہے۔ اسے یوں یاد رکھیں: پروسیسنگ جتنی ہلکی ہو، اتنا ہی کم اسے باہر لے جایا جا سکتا ہے — اس سے دونوں کو گڈمڈ کرنے سے بچنے میں مدد ملتی ہے۔

ذاتی شناختی کوڈز (個人識別符号) میں جسمانی خصوصیات کا ڈیٹا شامل ہے، جیسے انگلیوں کے نشانات کا ڈیٹا، چہرے کی شناخت کا ڈیٹا اور DNA کے بیس سیکوئنس سے تبدیل کیے گئے کوڈز، نیز کسی فرد کو تفویض کیے گئے نمبر، جیسے My Number (マイナンバー)، پاسپورٹ نمبر اور ڈرائیونگ لائسنس نمبر۔ یہ بذاتِ خود ذاتی معلومات شمار ہوتے ہیں، اس لیے یہ سمجھنا غلط ہے کہ نام کے بغیر یہ ذاتی معلومات نہیں ہیں۔ کوئی چیز ذاتی معلومات ہے یا نہیں، یہ اس بات سے بھی طے نہیں ہوتا کہ حصول کے وقت رضامندی لی گئی تھی یا نہیں، اور نہ ہی یہ صرف ڈیٹا بیس میں ڈالے جانے پر ذاتی معلومات بنتی ہے۔ نوٹ کریں کہ جو معلومات منظم طریقے سے ترتیب دے کر قابلِ تلاش حالت میں لائی گئی ہوں انہیں ذاتی ڈیٹا (個人データ) کہا جاتا ہے، اور ان پر اضافی ذمہ داریاں لاگو ہوتی ہیں۔

GDPR، EU کا جنرل ڈیٹا پروٹیکشن ریگولیشن (一般データ保護規則) ہے، جو جاپان کے ذاتی معلومات کے تحفظ کے ایکٹ (個人情報保護法) سے الگ EU کی قانون سازی ہے۔ اس کی امتیازی خصوصیت بیرونِ علاقہ اطلاق (域外適用) ہے: اگر ایسے حالات ہوں جیسے EU کے اندر موجود لوگوں کو اشیا یا خدمات پیش کرنا، یا EU کے اندر لوگوں کے رویے کی نگرانی کرنا، تو یہ جاپان کے اندر ڈیولپمنٹ کرنے والے کاروبار پر بھی لاگو ہو سکتا ہے۔ لہٰذا کوئی کاروبار اس کے دائرے میں آتا ہے یا نہیں، یہ صرف اس بنیاد پر طے نہیں کیا جا سکتا کہ اس کا مرکز EU میں ہے یا نہیں۔ یہ بھی ذہن میں رکھیں کہ یہ جاپانی قانون کی توسیع نہیں ہے، اور نہ ہی غیر لازمی رہنمائی ہے۔

کاپی رائٹ ایکٹ (著作権法) کی دفعہ 30-4 (第30条の4) یہ طے کرتی ہے کہ جب مقصد کاپی رائٹ والے کام میں ظاہر کیے گئے خیالات یا جذبات سے نہ خود لطف اندوز ہونا ہو اور نہ کسی دوسرے کو لطف اندوز کرانا، تو کام کو ضروری سمجھی جانے والی حد تک استعمال کیا جا سکتا ہے۔ "لطف اندوز ہونا" (享受) سے مراد کام میں ظاہر کیے گئے خیالات یا جذبات کو سراہ کر ذہنی یا جذباتی تسکین حاصل کرنا ہے، اور مشین لرننگ کے لیے اسے ڈیٹا کے طور پر پڑھنے کا عمل اس میں شامل نہیں سمجھا جاتا۔ اسی دفعہ کی شق 2 میں معلومات کے تجزیے (情報解析) کا واضح ذکر ہے، اور تربیتی ڈیٹا کی تیاری اور اس کا استعمال اسی کے تحت آتے ہیں۔ مفت شائع ہونا، تجارتی مقصد کے لیے نہ ہونا، اور استعمال شدہ مقدار کا کم ہونا، ان میں سے کوئی بھی اس شق کی مقرر کردہ شرط نہیں۔

دفعہ 30-4 میں ایک استثنائی شرط (ただし書き) ہے جس کے مطابق یہ ان صورتوں میں لاگو نہیں ہوتی جو کاپی رائٹ والے کام کی قسم اور مقصد اور استعمال کے انداز کی روشنی میں کاپی رائٹ ہولڈر کے مفادات کو غیر معقول طور پر نقصان پہنچائیں۔ لہٰذا یہ نہیں کہا جا سکتا کہ "AI کی تربیت کے لیے سب کچھ جائز ہے"۔ مثال کے طور پر، اگر آپ معلومات کے تجزیے کے لیے فروخت ہونے والا ڈیٹا بیس خریدے بغیر نقل کر کے تربیت میں استعمال کریں تو یہ اس ڈیٹا بیس کی مارکیٹ کو نقصان پہنچاتا ہے، اس لیے اسے استثنائی شرط کے تحت آنے والا سمجھا جاتا ہے۔ نیز، اگر تربیت کا ان پٹ مرحلہ قانونی ہو تب بھی، اگر تیار شدہ آؤٹ پٹ کسی موجودہ کاپی رائٹ والے کام سے مشابہ ہو تو آؤٹ پٹ کے مرحلے، یعنی تخلیق یا استعمال، میں کاپی رائٹ کی خلاف ورزی (著作権侵害) کا مسئلہ الگ سے پیدا ہو سکتا ہے۔ ان پٹ اور آؤٹ پٹ کا الگ الگ جائزہ لیا جاتا ہے۔ کام قیمت دے کر خریدا گیا تھا یا نہیں، یہ وہ معیار نہیں جو طے کرے کہ یہ شق لاگو ہوتی ہے یا نہیں۔

چونکہ کاپی رائٹ ایک ایسا نظام ہے جو انسان کے تخلیقی اظہار کا تحفظ کرتا ہے، اس لیے جو چیز AI نے محض خود کار طور پر نکالی ہو وہ کاپی رائٹ والا کام (著作物) نہیں بنتی۔ دوسری طرف، اگر انسان اس حد تک شامل رہا ہو کہ کہا جا سکے کہ اس نے اظہار میں بنیادی تخلیقی خصوصیات دی ہیں، تو کاپی رائٹ کے قابل ہونا تسلیم کیے جانے کی گنجائش ہے۔ فیصلے کی کنجی تخلیقی حصہ (創作的寄与) ہے، اور ہدایات اور آزمائش و خطا کی تفصیل، اور تیار شدہ آؤٹ پٹ کے انتخاب اور ترمیم کے درجے جیسی باتوں کا ہر معاملے میں الگ سے جائزہ لیا جاتا ہے۔ لہٰذا یہ نقطۂ نظر کہ یہ کبھی کاپی رائٹ والا کام نہیں بنتا، اور یہ نقطۂ نظر کہ ہدایت دینے والے کو ہمیشہ حقوق ملتے ہیں، دونوں غلط ہیں۔ یہ بھی نوٹ کریں کہ کاپی رائٹ ایکٹ (著作権法) سے الگ، استعمال کی گئی سروس کی استعمال کی شرائط (利用規約) تیار شدہ آؤٹ پٹ کے بارے میں ضوابط طے کر سکتی ہیں، اس لیے دونوں کی جانچ ضروری ہے۔

ملازم کی ایجاد (職務発明) وہ ایجاد ہے جو کوئی ملازم اپنے فرائض کے حصے کے طور پر کرے۔ پیٹنٹ حاصل کرنے کا حق اصولی طور پر موجد یعنی ملازم کو حاصل ہوتا ہے، لیکن اگر کام کے قواعد (勤務規則) وغیرہ میں پہلے سے طے کیا گیا ہو تو اسے پیدا ہونے کے لمحے سے ہی آجر کی ملکیت بنایا جا سکتا ہے۔ اس صورت میں ملازم کو معقول مالی یا دیگر معاشی فائدہ (相当の利益) حاصل کرنے کا حق تسلیم کیا جاتا ہے، اس لیے یہ ایسا نظام نہیں جس میں حق بغیر کسی معاوضے کے لے لیا جائے۔ اہم نکتہ یہ بھی ہے کہ یہ ہمیشہ آجر کا نہیں ہوتا، اور اسے آجر کی ملکیت بنانے کی گنجائش بھی موجود ہے — برتاؤ اس بات پر منحصر ہے کہ ایسا کوئی ضابطہ موجود ہے یا نہیں۔

تجارتی راز (営業秘密) کی تین شرائط یہ ہیں: اس کا راز کے طور پر انتظام کیا جاتا ہو (راز کے طور پر انتظام، 秘密管理性)، یہ کاروباری سرگرمیوں کے لیے مفید تکنیکی یا کاروباری معلومات ہو (افادیت، 有用性)، اور یہ عوامی طور پر معلوم نہ ہو (عوامی طور پر معلوم نہ ہونا، 非公知性)؛ تحفظ صرف اسی وقت ملتا ہے جب تینوں پوری ہوں۔ نیاپن (新規性) اور ایجادی قدم (進歩性) پیٹنٹ حاصل کرنے کی شرائط ہیں، تجارتی راز کی نہیں۔ پیٹنٹ ایسا نظام ہے جو مواد کو ظاہر کرنے کے بدلے اجارہ داری دیتا ہے، جبکہ تجارتی راز ظاہر نہ کر کے تحفظ دینے والا نظام ہے، اس لیے وہ معلومات جنہیں ظاہر نہ کرنا مقصود ہو، جیسے تربیت یافتہ ماڈل کے وزن یا پری پروسیسنگ کی تدابیر، اسی طریقے سے محفوظ کی جاتی ہیں۔

محدود فراہمی کا ڈیٹا (限定提供データ) ان معلومات کو کہتے ہیں جو کاروبار کے طور پر مخصوص افراد کو فراہم کی جاتی ہیں، الیکٹرو میگنیٹک ذرائع سے خاطر خواہ مقدار میں جمع کی جاتی ہیں، اور منظم کی جاتی ہیں۔ یہ زمرہ ڈیٹا کی خرید و فروخت یا اشتراک جیسے لین دین کے تحفظ کے لیے بنایا گیا، اور اس کی اہمیت یہ ہے کہ تجارتی راز (営業秘密) کی تینوں شرائط پوری کیے بغیر بھی اسے تحفظ مل سکتا ہے۔ اس کی وجہ یہ ہے کہ جب اسے متعدد فریقوں کو فراہم کیا جائے تو ضروری نہیں کہ یہ عوامی طور پر معلوم نہ ہونے کی شرط کو سختی سے پورا کرے۔ صرف اپنی کمپنی کے اندر راز کے طور پر رکھی جانے والی معلومات کا تحفظ تجارتی راز کی جانب ہوتا ہے، اور اس زمرے کا اس بات سے کوئی تعلق نہیں کہ پیٹنٹ کی درخواست دی گئی یا پیٹنٹ ملا یا نہیں۔

کام کا ٹھیکہ (ukeoi، 請負契約) ایسا معاہدہ ہے جو کسی کام کی تکمیل کا وعدہ کرتا ہے؛ اگر کام مکمل نہ ہو تو معاوضے کا دعویٰ نہیں کیا جا سکتا، اور معاہدے کے مطابق نہ ہونے والی حتمی پیداوار کی ذمہ داری اٹھانی پڑتی ہے۔ نیم وکالتی معاہدہ (jun-inin، 準委任契約) امور کی انجام دہی سپرد کرنے کا معاہدہ ہے، اور اس میں وعدہ تکمیل کا نہیں بلکہ ایک اچھے منتظم کی نگہداشت کے فرض (善管注意義務) کے ساتھ کام انجام دینے کا ہوتا ہے۔ چونکہ AI ڈیولپمنٹ میں جب تک ماڈل کو حقیقت میں تربیت نہ دی جائے یہ معلوم نہیں ہوتا کہ کتنی درستگی حاصل ہو سکتی ہے، اس لیے ایک عام تقسیم یہ ہے کہ تلاش اور PoC کے مراحل کے لیے نیم وکالتی معاہدہ اور تفصیلات طے ہو جانے کے بعد عمل درآمد کے مرحلے کے لیے کام کا ٹھیکہ استعمال کیا جائے۔ وزارتِ معیشت، تجارت و صنعت (経済産業省) کی AI اور ڈیٹا کے استعمال سے متعلق معاہدوں کی رہنما ہدایات (AI・データの利用に関する契約ガイドライン) بھی مراحل کے لحاظ سے معاہدہ تقسیم کرنے کا یہی نمونہ پیش کرتی ہیں۔

ہارڈ لا (ハードロー) ریاست کی بنائی ہوئی قانون سازی ہے جس کی خلاف ورزی پر لازمی قوت لاگو ہوتی ہے، اور ذاتی معلومات کے تحفظ کا ایکٹ (個人情報保護法) اور کاپی رائٹ ایکٹ (著作権法) اسی میں آتے ہیں۔ سافٹ لا (ソフトロー) ایسے ضوابط کا مجموعہ ہے جن کی کوئی قانونی لازمی قوت نہیں، جیسے رہنما ہدایات، صنعت کے خود ضابطگی کے اصول اور کمپنیوں کے ضابطۂ اخلاق۔ چونکہ سافٹ لا قانون سازی نہیں ہے، اس لیے سزاؤں والی اور سزاؤں کے بغیر قانون سازی کی تقسیم اس پر لاگو نہیں ہوتی۔ یہ ملکی اور بین الاقوامی کا فرق بھی نہیں، اور نہ ہی پرانے اور نئے کا۔ جن شعبوں میں ٹیکنالوجی تیزی سے بدلتی ہے وہاں یہ طریقہ اپنایا جاتا ہے کہ پہلے سافٹ لا سے سمت دکھائی جائے اور صرف ضروری حصوں کو قانون سازی میں بدلا جائے، اور جاپان کی AI پالیسی بنیادی طور پر سافٹ لا پر مرکوز ہے۔

رسک پر مبنی طریقۂ کار (リスクベースアプローチ) یہ تصور ہے کہ AI کے استعمال سے پیدا ہونے والے رسک کی شدت کے مطابق ضابطے یا ردِ عمل کی سختی کو بدلا جائے۔ ایک ہی چہرے کی شناخت کی ٹیکنالوجی کا بھی لوگوں پر اثر بالکل مختلف ہوتا ہے، اس پر منحصر کہ اسے فون کی اسکرین کھولنے کے لیے استعمال کیا جائے یا عوامی جگہ میں مسلسل نگرانی کے لیے۔ استعمال سے قطع نظر یکساں طور پر سخت ضابطہ لاگو کرنے سے کم نقصان والے استعمال بھی رک جائیں گے، جبکہ یکساں طور پر نرم کرنے سے زیادہ نقصان والے استعمال بے روک ٹوک رہیں گے۔ اس لیے زیادہ اثر والے استعمال پر سخت ذمہ داریاں اور کم اثر والے استعمال پر ہلکا برتاؤ رکھا جاتا ہے۔ کاروباری ادارے بھی اندرونی طور پر یہی تصور استعمال کرتے ہیں، یعنی کمپنی کے AI منصوبوں کو رسک کی سطح کے مطابق درجہ بند کر کے صرف زیادہ رسک والے منصوبوں کو سخت جائزے کے لیے بھیجتے ہیں۔

پرائیویسی بائی ڈیزائن (プライバシー・バイ・デザイン) یہ تصور ہے کہ مسئلہ پیدا ہونے کے بعد اقدامات شامل کرنے کے بجائے منصوبہ بندی اور ڈیزائن کے مرحلے سے ہی پرائیویسی کا تحفظ شامل کیا جائے۔ ایسے فیصلے، جیسے شروع ہی سے ڈیٹا جمع نہ کرنے کا ڈیزائن بنانا، ضروری مدت کے بعد اسے حذف کرنا، یا اسے ایسی شکل میں پروسیس کرنا جس سے شناخت نہ ہو سکے، جتنی دیر سے کیے جائیں اتنے ہی مہنگے پڑتے ہیں۔ استعمال کے مقصد کو ظاہر کرنا اور دیکھنے کے اختیارات کو محدود کرنا بذاتِ خود درست کوششیں ہیں، لیکن ان میں یہ پہلو نہیں کہ انہیں کب شامل کیا جائے، اس لیے یہ اس تصور کی وضاحت نہیں۔ یہ سیکیورٹی بائی ڈیزائن (セキュリティ・バイ・デザイン)، جو ڈیزائن کے مرحلے سے ہی سیکیورٹی کے اقدامات شامل کرتا ہے، کا ہم پلہ تصور ہے۔

جو فیچر کسی حساس خصوصیت (センシティブ属性) کے متبادل کے طور پر کام کرنے لگے اسے پراکسی متغیر (代理変数) کہتے ہیں۔ پوسٹل کوڈ رہائشی علاقے کے ذریعے نسل اور آمدنی سے گہرا تعلق رکھتا ہے، اور کسی کے اسکول یا کلب سرگرمیوں کی تاریخ جنس سے تعلق رکھ سکتی ہے۔ جب تک ایسے فیچرز موجود رہیں، ان پٹ سے جنس یا نسل کا خانہ ہٹا دینے کے باوجود ماڈل بالواسطہ طور پر وہی امتیاز سیکھ لیتا ہے۔ لہٰذا انصاف پسندی (公平性) کی جانچ ان پٹ کے خانے ہٹا کر نہیں بلکہ آؤٹ پٹس کو خصوصیت کے لحاظ سے جمع کر کے فرق ناپ کر کی جاتی ہے۔ مزید یہ کہ انصاف پسندی کی متعدد تعریفیں ہیں — جیسے خصوصیات کے لحاظ سے قبولیت کی شرح یکساں کرنا، یا خطا کی شرح یکساں کرنا — اور عام طور پر ان سب کو بیک وقت پورا کرنا ممکن نہیں، اس لیے استعمال کے لحاظ سے یہ منتخب کر کے وضاحت کرنی ہوتی ہے کہ کون سی تعریف اپنائی جائے۔

Adversarial Attack ایک ایسا حملہ ہے جو ان پٹ میں ایسی معمولی تبدیلی شامل کرتا ہے جو انسانی آنکھ کو تقریباً محسوس نہیں ہوتی، تاکہ زیرِ استعمال ماڈل سے غلط فیصلہ کروایا جائے۔ اس کا ہدف انفرنس کا مرحلہ ہے؛ ماڈل کو خود تبدیل نہیں کیا جاتا۔ تربیتی ڈیٹا میں چھیڑ چھاڑ ملا کر تربیت کے نتیجے کو بگاڑنا ڈیٹا پوائزننگ (データ汚染) ہے، جس کا ہدف اس کے برعکس تربیت کا مرحلہ ہے۔ بڑی تعداد میں سوالات بھیج کر برابر کا ماڈل دوبارہ بنانا ماڈل ایکسٹریکشن (モデル窃取) ہے، اور ماڈل کے پیرامیٹرز یا اس کی تقسیم شدہ فائلوں میں چھیڑ چھاڑ کرنا ماڈل پوائزننگ (モデル汚染) ہے — ہر ایک کا ہدف مختلف وقت اور مختلف چیز ہے۔ ان سب کے خلاف دفاع سیکیورٹی بائی ڈیزائن (セキュリティ・バイ・デザイン) کے تصور کی بنیاد پر کیا جاتا ہے، جو ڈیزائن کے مرحلے سے ہی سیکیورٹی شامل کرتا ہے۔

ماڈل ایکسٹریکشن (モデル窃取) ایک ایسا حملہ ہے جو ہدف ماڈل کو بڑی تعداد میں ان پٹ دے کر آؤٹ پٹ جمع کرتا ہے اور اپنے پاس اس کے برابر ماڈل دوبارہ بنا لیتا ہے۔ جو چیز چرائی جاتی ہے وہ خود ماڈل ہے، اور یہ اس صورت میں بھی ممکن ہے جب ماڈل صرف عوامی API کے طور پر پیش کیا جا رہا ہو۔ اس کے برعکس ڈیٹا ایکسٹریکشن (データ窃取) ایک ایسا حملہ ہے جو آؤٹ پٹس کے مشاہدے وغیرہ کے ذریعے تربیتی ڈیٹا میں موجود معلومات نکال لیتا ہے؛ وہاں چرائی جانے والی چیز ڈیٹا ہے۔ تربیتی ڈیٹا میں چھیڑ چھاڑ ملانا ڈیٹا پوائزننگ ہے، اور ماڈل کے پیرامیٹرز یا اس کی تقسیم شدہ فائلوں میں چھیڑ چھاڑ کرنا ماڈل پوائزننگ ہے — پہلے کا ہدف تربیت کا مرحلہ ہے، اور دوسرے کا تربیت یا تقسیم کا مرحلہ۔ یہ دیکھ کر ترتیب دینا کہ کیا چرایا جاتا ہے اور کس وقت ہدف بنایا جاتا ہے، انہیں گڈمڈ کرنے سے بچنے میں مدد دیتا ہے۔

فلٹر ببل (フィルターバブル) ایسا مظہر ہے جس میں سفارشی الگورتھم (推薦アルゴリズム) صارف کی پسند کے مطابق معلومات منتخب کرتا ہے، اور نتیجتاً وہ شخص ایک بلبلے میں لپٹ جاتا ہے اور صرف اپنی پسند کی معلومات دیکھتا ہے؛ اس کی وجہ الگورتھم کی آپٹیمائزیشن ہے۔ صارفین کو یہ بھی معلوم نہیں ہوتا کہ یہ انتخاب ہو رہا ہے۔ ایکو چیمبر (エコーチェンバー) وہ صورت ہے جب ایک جیسی رائے رکھنے والے لوگ ایک بند جگہ میں بار بار اپنی بات پھیلاتے اور ایک دوسرے سے اتفاق کرتے ہیں، اور اس رائے کو واحد درست رائے ماننے لگتے ہیں، اور اس کی وجہ انسانوں کا ملتے جلتے لوگوں کے ساتھ اکٹھا ہونے کا رجحان ہے۔ جعلی ویڈیو یا آڈیو کو اصلی سمجھا جانا ڈیپ فیک اور فیک نیوز ہے، اور فیصلے کی بنیاد کا سراغ نہ لگ پانا بلیک باکس کا مسئلہ ہے — دونوں الگ درمیانی سطح کے موضوعات سے تعلق رکھتے ہیں۔

ڈیپ فیک (ディープフェイク) سے مراد وہ ٹیکنالوجی اور اس کی پیداوار ہے جو ڈیپ لرننگ استعمال کر کے ایسی ویڈیو یا آڈیو بناتی ہے جس سے لگے کہ کسی حقیقی شخص نے وہ باتیں کہیں جو اس نے کبھی نہیں کہیں اور وہ کام کیے جو اس نے کبھی نہیں کیے۔ اس کا مرکز کسی حقیقی شخص کا روپ دھارنا ہے، اس لیے اس کا مقصد کسی غیر موجود شخص کا چہرہ بنانے سے مختلف ہے۔ اسے ہتکِ عزت، دھوکا دہی اور انتخابات میں مداخلت کے لیے استعمال کیا جاتا ہے، اور یہ فیک نیوز (フェイクニュース) کی قائل کرنے کی طاقت کو بہت بڑھا دیتا ہے۔ جوابی اقدام کے طور پر، شناخت کی ٹیکنالوجی پر تحقیق کے علاوہ، فلم بندی یا تخلیق کے وقت ماخذ کی معلومات (来歴) شامل کرنے کی کوششیں کی جا رہی ہیں تاکہ بعد میں ہونے والی تبدیلی کی تصدیق کی جا سکے۔ متن کا خلاصہ کرنا اور فیصلے کی بنیاد کو بصری طور پر دکھانا، دونوں میں سے کوئی بھی غلط استعمال کا معاملہ نہیں۔

ڈیٹا کا ماخذ (データの来歴) اس بات کا ریکارڈ ہے کہ کون سا ڈیٹا کہاں سے حاصل کیا گیا، اور تربیت میں استعمال سے پہلے اسے کیسے پروسیس کیا گیا۔ یہ ریکارڈ نہ ہو تو آؤٹ پٹ میں مسئلہ پیدا ہونے پر اس کا سبب بننے والے ڈیٹا تک پہنچا نہیں جا سکتا، اور نہ اسے درست کیا جا سکتا ہے نہ اس کی وضاحت کی جا سکتی ہے۔ شفافیت (透明性) کا مطلب صرف ماڈل کے اندرونی حصے ظاہر کرنا نہیں؛ اس میں مخاطب کے لحاظ سے یہ دکھانا بھی شامل ہے کہ اسے کس لیے استعمال کیا جا رہا ہے، کس ڈیٹا سے بنایا گیا ہے، اور اس کی حدود کہاں ہیں۔ کمپیوٹنگ وسائل کم کرنا، انفرنس تیز کرنا، اور ڈیٹا کی مقدار بڑھانا، ان میں سے کوئی بھی ماخذ کا ریکارڈ رکھنے کا مقصد نہیں۔ اس کے ساتھ ٹریس ایبلٹی (トレーサビリティ) کو بھی ذہن میں رکھنا مفید ہے، جو یہ سراغ لگانا ممکن بناتی ہے کہ کس ڈیٹا نے، کس ماڈل سے گزر کر، کون سا فیصلہ پیدا کیا۔

اخلاقی تجزیہ (倫理アセスメント) ایک ایسا طریقۂ کار ہے جو AI منصوبے کی منصوبہ بندی کے مرحلے پر متوقع اثرات اور رسکس کی نشاندہی اور جانچ کرتا ہے، اور اس کے نتیجے کے مطابق بعد کے جائزے کی سختی طے کی جاتی ہے۔ عمل درآمد شروع ہونے کے بعد آؤٹ پٹ کے رجحانات اور شکایات پر مسلسل نظر رکھنا مانیٹرنگ (モニタリング) ہے، آزاد حیثیت سے تصدیق کرنا کہ عمل درآمد پالیسی کے مطابق ہے یا نہیں AI کا آڈٹ (AIに対する監査) ہے، اور اپنی کمپنی کی پالیسی تحریری شکل میں لا کر بیرونی طور پر پیش کرنا AI پالیسی ہے — ہر ایک AI گورننس (AIガバナンス) کا ایک الگ جز ہے۔ ان کے ساتھ فیصلے کے اہم مقامات پر انسانی شمولیت برقرار رکھنا، دوبارہ پیدا کرنے کی صلاحیت (再現性)، جو بعد میں ماڈل دوبارہ بنانا ممکن بناتی ہے، اور ٹریس ایبلٹی، جو فیصلے کے راستے کا سراغ لگانا ممکن بناتی ہے، بھی شامل ہیں۔