AI Highlights — مکمل تصویر — 2026-10-26 (پیر) روزانہ خبریں

جہاں AI روزگار کے اعداد و شمار کو متاثر کر رہا ہے، وہیں یہی ٹیکنالوجی انتخابی معلومات، محبت اور بچوں کی پرورش کے مشوروں، کینسر کی پیش گوئیوں، اور فوجی و دوا سازی کے کاموں کو بھی چلا رہی ہے۔ بتایا گیا ہے کہ بڑی IT کمپنیوں نے دنیا بھر میں تقریباً 200,000 ملازمتیں ختم کی ہیں، لیکن کٹوتیوں کا حجم ہونے والی تبدیلیوں کا صرف ایک حصہ ہے۔ امریکی بالغوں میں سے صرف 8% انتخابی معلومات AI چیٹ بوٹس سے حاصل کرتے ہیں، اور اگر کوئی بڑی AI ڈیٹنگ سروس دیوالیہ ہو جائے تو صارفین کے ساتھی حذف ہو جائیں گے۔ اعداد چاہے بڑے ہوں یا چھوٹے، انسان تیزی سے AI سے جواب حاصل کر رہے ہیں اور انہیں فیصلوں اور تعلقات کی بنیاد بنا رہے ہیں۔ اس آدھے دن سے میں چاہوں گا کہ قارئین یہ سوال اپنے ساتھ لے جائیں کہ ہم کس حد تک چیزیں AI پر چھوڑ سکتے ہیں، اور ہمیں حد کہاں کھینچنی چاہیے۔ نیچے کے حصے دکھاتے ہیں کہ مختلف صنعتوں اور حالات میں یہ حد کس طرح مختلف جگہ پر ہے۔

افرادی قوت میں کمی پہلے آتی ہے، اور نظام اور معیشت اس کے پیچھے چلتے ہیں

بھارتی اقتصادی اخبار Livemint نے رپورٹ کیا کہ بڑی IT کمپنیوں نے AI کی طرف تبدیلی کی وجہ سے دنیا بھر میں تقریباً 200,000 ملازمتیں ختم کر دی ہیں۔ کٹوتیوں کا پیمانہ پہلے ہی کسی ایک کمپنی یا ملک کے پیمانے سے تجاوز کر چکا ہے۔ Al Jazeera نے اجاگر کیا کہ برطانیہ AI سے متعلق چھانٹیوں میں سب سے آگے ہے اور اس کی وجوہات پر گفتگو کی۔ مالیاتی شعبے میں Barclays کے بارے میں رپورٹ ہوا ہے کہ وہاں AI کی وجہ سے چھانٹیاں بھی ہیں اور بینک ٹیکسوں کے بارے میں حد سے زیادہ خدشات بھی (Seeking Alpha)۔ اسی طرح کی نقل و حرکت مختلف صنعتوں اور خطوں میں ہو رہی ہے، جیسے IT، برطانیہ اور بینکاری۔ لہٰذا AI اور روزگار کو کسی ایک کمپنی کے انتظامی فیصلوں کے طور پر نہیں بلکہ متعدد صنعتوں میں مشترک مظاہر کے طور پر دیکھنا ضروری ہے۔

یہ رجحان روزگار سے باہر بھی پھیل رہا ہے۔ IMF نے ایشیائی معیشتوں کو درپیش چیلنجز کے اپنے جائزے میں توانائی کی بلند قیمتوں اور AI، دونوں کو بوجھ قرار دیا (India Today)۔ جہاں AI کی طرف منتقلی کاروباروں کے لیے لاگت کم کرنے کا اقدام ہے، وہیں یہ مجموعی معیشت کے لیے ایڈجسٹمنٹ کا بوجھ بھی پیدا کرتی ہے۔ مزید یہ کہ بینکوں کے معاملے میں، چھانٹیوں کا موضوع بینک ٹیکسوں کے ادارہ جاتی مسئلے کے ساتھ اسی سیاق میں زیر بحث آتا ہے (Seeking Alpha)۔ کسی کمپنی کے کمی کے منصوبوں کو پڑھتے وقت، جب تک انہیں ٹیکس اور ریگولیٹری پیش رفت کے ساتھ ملا کر نہ دیکھا جائے، یہ نہیں بتایا جا سکتا کہ فیصلہ آزادانہ طور پر کیا گیا تھا یا نظام سے متاثر تھا۔

یہی رجحان طبی اداروں میں بھی نظر آ رہا ہے۔ Hospitalogy کے مطابق، ہیلتھ کیئر کے سربراہ Navvis کے CEO نے کہا کہ جہاں ویلیو بیسڈ کیئر (VBC) نتائج کی طرف بڑھ گئی ہے، وہیں LEAD کو روک دیا گیا ہے۔ پھر وہ ان رسک ماڈلز کی تیاری کی بات کرتے ہیں جو لازمی ہو سکتے ہیں۔ یہاں جو کچھ ہو رہا ہے وہ خود AI نہیں ہے۔ ادائیگی اور جانچ کے نظام بدل رہے ہیں، اور ادارے اس کے مطابق اپنی تشکیلِ نو پر مجبور ہیں۔ لازمی قرار دینے کا فیصلہ مؤخر بھی ہو جائے تو تیار رہنے کی ضرورت باقی رہتی ہے۔ یہ نکتہ برطانیہ کی مثال سے ملتا ہے، جہاں اداری بہتری کے مقابلے میں عملے میں کمی زیادہ تیزی سے آگے بڑھی۔

اس طرح ترتیب دینے پر، لوگوں کی تعداد اور کمی کا تناسب ضروری نہیں کہ ہر کمپنی کے اپنے فیصلوں کا نتیجہ ہوں۔ اس پر معاشی جائزہ، ٹیکس کا نظام اور طبی ادائیگی کے طریقے جیسے بیرونی حالات اثر انداز ہوتے ہیں۔ اعداد و شمار دیکھنے والوں کو یہ جانچنا ہوگا کہ یہ اعداد کس نظام کے تحت سامنے آئے۔ اگلا سوال کمی کے حجم سے زیادہ یہ ہے کہ موقع پر کیے جانے والے فیصلوں، تخلیقی کام اور طبی کام کا کتنا حصہ AI کے سپرد کیا جائے۔

معلوماتی اور تعلیمی ماحول جہاں تعصب اور اعتماد پر سوال اٹھتے ہیں

امریکہ کے صرف 8% بالغ افراد 2026 کے انتخابات کے بارے میں معلومات جمع کرنے کے لیے AI چیٹ بوٹس استعمال کر رہے ہیں (Pew Research Center)۔ صارفین کی تعداد ابھی کم ہے۔ تاہم اگر اس قلیل تعداد کو ملنے والے جوابات متعصبانہ ہوں تو تعداد کا کم ہونا اطمینان کی وجہ نہیں۔ TechCrunch کے جائزے میں، انتخاب کا سامنا ہونے پر Grok نے ریپبلکن پارٹی کو چنا، جبکہ OpenAI نے ڈیموکریٹک پارٹی کو چنا۔ دونوں ماڈلز کو عموماً غیر جانبدار فرض کر کے استعمال کیا جاتا ہے۔ پھر بھی مجبور کیے جانے پر وہ اپنا موقف ظاہر کر دیتے ہیں۔ قارئین کو یہ جانچنا چاہیے کہ چیٹ بوٹ جواب دے گا یا نہیں، یہ نہیں۔ انتخابات جیسے شدید جانبدارانہ سوال میں اصل بات یہ ہے کہ کیا جواب کو فیصلے کی بنیاد بنایا جا سکتا ہے۔

تعلیم کے شعبے میں اعداد و شمار ظاہر کرتے ہیں کہ تیاری کی کمی ہے۔ واشنگٹن ریاست کی اسکولوں کی AI پالیسیاں اب بھی 2010 کے دور کی ہیں اور مستقبل کے لیے تیار نہیں (The Seattle Times)۔ اگرچہ طلبہ کو پہلے ہی جنریٹو AI تک رسائی حاصل ہے، اسکولوں کے ضوابط اب بھی اس زمانے میں لکھی گئی زبان پر انحصار کرتے ہیں جب AI عام نہیں تھا۔ اگر پالیسی پرانی ہو تو اساتذہ کے پاس انفرادی فیصلے کرنے کے سوا کوئی چارہ نہیں ہوتا، اور وہ طلبہ کو جس چیز کی اجازت دیتے ہیں اور جس کا تقاضا کرتے ہیں وہ کلاس روم سے کلاس روم بدل جاتا ہے۔ یہاں اعتماد خود AI کے آؤٹ پٹ پر اعتماد نہیں ہے۔ یہ اس بات پر اعتماد ہے کہ آیا اس کے استعمال کا طریقہ طے کرنے والا ادارہ حقیقی صورتحال کے ساتھ چل رہا ہے یا نہیں۔

سکیورٹی سے متعلق اقدامات بھی حملوں کے جواب میں شکل اختیار کرنے لگے ہیں۔ Hugging Face پر حملے کے بعد AI کی حفاظت کے گرد کئی اقدامات سامنے آئے۔ Tech Xplore نے ان کی پیش رفت کو وقت کی ترتیب سے مرتب کیا ہے۔ جب عوامی طور پر دستیاب ماڈلز اور ٹولز کا مشترکہ بنیادی ڈھانچہ نشانے پر ہو تو سکیورٹی صرف ترقی دینے والی کمپنیوں کا اندرونی مسئلہ نہیں رہتی۔ سوال یہ ہے کہ صارفین کو کیا خود جانچنا چاہیے اور کیا بنیادی ڈھانچہ چلانے والے پر چھوڑ دینا چاہیے، اس کی حد کہاں کھینچی جائے۔

تخلیقی کام میں ایسی مثالیں موجود ہیں جہاں ذمہ داری واضح طور پر بتائی گئی ہے۔ Creative Assembly نے Total War: Shogun 2 کے مکمل ورژن میں AI آرٹ ہونے کی تردید کی اور ذمہ داری قبول کی (Simulation Daily)۔ یہاں اہم بات یہ ہے کہ انہوں نے تسلیم کیا کہ انہوں نے AI کی بنائی ہوئی کوئی چیز استعمال کی تھی، اور پھر اس کام کو سنبھالنے کی آمادگی ظاہر کی۔ متعصب ماڈلز، پرانی اسکول پالیسیوں، حملے کے بعد اٹھائے گئے سیکیورٹی اقدامات، اور ذمہ داری قبول کرنے والی پروڈکشن کمپنیوں میں مشترک بات یہ ہے کہ اعتماد کارکردگی پر نہیں بلکہ اس وضاحت پر قائم ہوتا ہے کہ کون کس چیز کا ذمہ دار ہے۔ یہ طے کرنے کے لیے کہ کتنا کام سونپا جائے، کام سنبھالنے والے شخص کا نظر آنا ضروری ہے۔ اگلے حصے میں ہم دیکھیں گے کہ یہ لکیر زیادہ ذاتی، جذباتی اور طبی ماحول میں کیسے کھینچی جاتی ہے۔

اپنے جذبات اور رشتے AI کے سپرد کرنے کی قیمت

مشینوں میں جذبات ہوتے ہیں یا نہیں، یہ سوال AI پر بحث کو جنم دے رہا ہے، جیسا کہ MarketWatch نے رپورٹ کیا۔ اگرچہ اس بحث کا کوئی فیصلہ نہیں ہوا، صارفین کی طرف سے نتیجے کا انتظار کیے بغیر رشتے قائم ہو رہے ہیں۔ New York Post کے مطابق، AI محبوب کی ایک بڑی سروس دیوالیہ ہو رہی ہے اور صارفین کے AI محبوب حذف کر دیے جانے کا امکان ہے۔ جس کے ساتھ صارف روزانہ باتیں کرتا رہا ہے، وہ چلانے والی کمپنی کی مالی حالت کی وجہ سے غائب ہو جاتا ہے۔ جذبات حقیقی ہوں یا نہ ہوں، ساتھی کو برقرار رکھنے کی ذمہ داری کمپنی پر ہے، اور اگر کمپنی ڈوب جائے تو رشتہ ختم ہو جاتا ہے۔ Malaysian Reserve نے رپورٹ کیا کہ AI ماں بننے کے عمل کو بدتر انداز میں بدل رہا ہے۔ بچوں کی پرورش کے مشورے اور فیصلے جتنے زیادہ AI کے سپرد کیے جائیں گے، والدین اور بچوں کے درمیان وہ باہمی تعامل جو عام طور پر مرکوز ہونا چاہیے، اتنا ہی کم مؤثر ہو سکتا ہے۔ یہ مضمون ایسی تبدیلیوں کو ایک مسئلے کے طور پر پیش کرتا ہے۔

مشینوں کی جذبات پڑھنے کی صلاحیت میں بھی پیش رفت ہو رہی ہے۔ The Decoder کے مطابق، Block نے Dessa نامی ایک نئی AI کا اعلان کیا ہے جو صرف آڈیو سے سیکھتی ہے۔ کہا جاتا ہے کہ آواز خود ایسے جذبات کو اپنی گرفت میں لے لیتی ہے جو ٹرانسکرپشن کے ذریعے حاصل نہیں کیے جا سکتے۔ کال سینٹرز اور انٹرویوز جیسی صورتوں میں، جہاں صرف الفاظ کے مواد کی بنیاد پر فیصلہ نہیں کیا جا سکتا، اس کے استعمال کی گنجائش موجود ہے۔ تاہم اس رپورٹ سے یہ واضح نہیں کہ آواز سے پڑھے گئے جذبات کو کون استعمال کرتا ہے اور کس مقصد کے لیے۔ جتنی زیادہ درست یہ پڑھت ہوتی جائے گی، اتنا ہی یہ خطرہ بڑھے گا کہ نتائج حاصل کرنے والے انہیں لوگوں کے بارے میں فیصلے کرنے کے مواد کے طور پر استعمال کریں گے۔

دوسری طرف ایسے طریقے بھی ہیں جن میں AI لوگوں کے باہمی تعلقات میں مدد دے سکتا ہے۔ Oncology Nursing News ایک مثال دیتا ہے کہ چھاتی کے سرطان کے خطرے کے AI ماڈلز کو ترجیحی درجہ بندی (triage) اور نرسوں کی قیادت میں مریضوں کی رہنمائی کے لیے کیسے استعمال کیا جا سکتا ہے۔ یہاں AI صرف خطرے کا اندازہ لگانے کا کام کرتا ہے، جبکہ مریض کو صورتحال سمجھانا اور اس کے خدشات دور کرنا نرس کی ذمہ داری ہے۔ AI Lover اور Dessa میں اپنے تعلقات اور جذبات کو سمجھنے کے لیے AI پر انحصار کیا جاتا ہے، جبکہ اس معاملے میں AI انسانوں کے درمیان گفتگو کے لیے مواد تیار کرتا ہے۔

دونوں کو ساتھ رکھ کر دیکھا جائے تو یہ بات کہ آپ اپنا کام AI کے سپرد کر سکتے ہیں یا نہیں، صرف AI کی کارکردگی سے طے نہیں ہوتی۔ آلہ استعمال کرنے سے پہلے یہ جانچنا ضروری ہے کہ جس کے سپرد کام کیا جا رہا ہے وہ چلانے والی کمپنی کے دیوالیہ ہونے سے غائب تو نہیں ہو جائے گا، آواز اور الفاظ سے حاصل ہونے والی معلومات کون وصول کرے گا، اور کیا کوئی انسان پیچھے باقی رہے گا۔ یہی تصدیق اس بات کی بنیاد بنے گی کہ فیصلہ سازی اور تخلیقی کام کا کتنا دائرہ AI کے سپرد کیا جائے۔

تصاویر اور ڈیٹا کی مدد سے کینسر کے علاج کی پیش گوئی کی درستگی میں پیش رفت

چھاتی کے کینسر کے معاملے میں سرجری سے پہلے میٹاسٹیسس کی موجودگی یا عدم موجودگی کا اندازہ لگانے کی کوششیں کی گئی ہیں۔ الٹراساؤنڈ تصاویر کی تشریح کے ذریعے سرجری سے پہلے چھاتی کے کینسر کے میٹاسٹیسس کی پیش گوئی کے لیے AI کے استعمال پر ایک مطالعہ رپورٹ کیا گیا (Bioengineer.org)۔ ایک اور مطالعہ چھاتی کے کینسر سے اموات کی پیش گوئی کے لیے کیلیبریٹڈ اسٹیٹک اسٹیکنگ اینسیمبل فریم ورک پیش کرتا ہے (Archives of Breast Cancer)۔ کیلیبریشن اس بات کی جانچ کا عمل ہے کہ آیا ماڈل کے پیدا کردہ امکانات حقیقی وقوع پذیری کی تعدد سے مطابقت رکھتے ہیں۔ چونکہ اس کا تعلق اس بات سے ہے کہ آیا پیش گوئی شدہ قدروں کو امکانات کے طور پر پڑھا جا سکتا ہے، اس لیے مریضوں کو سمجھاتے وقت یا علاج کے منصوبوں پر مشورہ کرتے وقت یہ درستگی جتنا ہی اہم ہے۔ پیتھالوجیکل تصاویر کے شعبے میں، چھوٹے خلیوں کے پھیپھڑوں کے کینسر کی بافتوں کی تصاویر کی درجہ بندی کے لیے اسپیکٹرل بائی لینیئر ٹرانسفارمر SCLC-SBT، Scientific Reports میں شائع ہوا۔ تصاویر کی قسم بدل جائے تب بھی، صرف درستگی کے اعداد ہی اہم نہیں ہوتے بلکہ یہ بھی کہ آؤٹ پٹ کو کیسے پڑھا جائے۔

ایسی تحقیقات بھی ہیں جو متعدد اداروں میں توثیق کا تقاضا کرتی ہیں۔ پیتھالوجی پر مبنی ماڈل کے ذریعے گلیوما کی تشخیصی خطرے کی درجہ بندی نے تشخیص (پروگنوسس) سے متعلق اہم جینز اور حیاتیاتی راستوں کی بھی نشاندہی کی، اور یہ Acta Neuropathologica Communications میں ایک کثیر مراکزی مطالعے کے طور پر شائع ہوئی۔ معدے کے کینسر کے لیے، اندرونی چربی کے ٹشو کو شامل کرنے والی CT دو-فیلڈ ڈیپ لرننگ ریڈیومکس کے بارے میں کہا جاتا ہے کہ اس نے لمف نوڈ میٹاسٹیسس کی سرجری سے پہلے پیش گوئی کو بہتر بنایا۔ یہ بھی ایک کثیر مراکزی مطالعہ ہے (European journal of radiology)۔ ہیپاٹوسیلولر کارسنوما میں، FAP کے اظہار اور مدافعت کو دبانے والے رسولی کے ماحول کی پیش گوئی کے لیے MRI ریڈیومکس استعمال کرنے والی تحقیقات موجود ہیں۔ یہ ڈیزائن یہ دیکھنا چاہتے ہیں کہ آیا دیگر ہسپتالوں کا ڈیٹا بھی درست ثابت ہوتا ہے، نہ کہ صرف ایک ہسپتال کے نتائج۔ قارئین کو جس بات پر توجہ دینی چاہیے وہ سب سے زیادہ قدر کا حجم نہیں، بلکہ یہ ہے کہ ادارہ بدلنے پر نتائج کتنے بدلتے ہیں۔

تجزیے کی اکائی گھٹ کر خلیے تک آ گئی ہے۔ مثانے کے کینسر میں، سنگل سیل/اسپیشل ٹرانسکرپٹومکس اور مشین لرننگ کو یکجا کر کے زیادہ اسٹیمنیس والے مہلک ایپیتھیلیل خلیوں کے سالماتی دستخط اور اہم خطرے والے جینز کو واضح کیا گیا (Discover Oncology)۔ scGlycoAI ایک فریم ورک ہے جو مشین لرننگ کے ذریعے انفرادی خلیوں کے گلائیکن اور RNA سیکوئنس ڈیٹا کا تجزیہ کرتا ہے، خلیے کی قسم کا تعین کرتا ہے، اور مہلکیت سے وابستہ گلائیکنز تلاش کرتا ہے (Glycobiology)۔ تصاویر سے خلیوں تک، ڈیٹا کی ہر قسم کے لیے پیش گوئی کے اہداف پھیل رہے ہیں۔ تاہم، یہ مقالے جس چیز کی نشاندہی کرتے ہیں وہ پیش گوئیوں کے درست ثابت ہونے کا امکان ہے، اور آیا وہ کلینیکل پریکٹس میں استعمال کے قابل سطح پر ہیں یا نہیں، اس کی الگ سے تصدیق درکار ہے۔ اس وقت جو چیز ناپی جا رہی ہے وہ کارکردگی خود نہیں، بلکہ وہ فاصلہ ہے جس تک پیش گوئیوں پر بھروسا کیا جا سکتا ہے۔ یہ لکیر کون کھینچتا ہے، اور کیسے، یہ سوال طبی علاج سے باہر بھی اسی طرح سامنے آتا ہے۔

اس شعبے میں متعارف کرانے کا عمل شواہد کی بنیاد پر صنعت وار آگے بڑھے گا

امریکی فضائیہ فضا میں ایندھن بھرنے (ایریل ریفیولنگ) میں معاونت کے لیے AI استعمال کرنے کا منصوبہ رکھتی ہے، جیسا کہ Military Times نے رپورٹ کیا۔ فضا میں ایندھن بھرنا ایک ایسا مشن ہے جس کے تفصیلی آپریشنل طریقۂ کار اور حفاظتی معیارات ہیں۔ اسے معاونت کے طور پر استعمال کرنا پورا مشن AI کے سپرد کر دینے سے مختلف ہے۔ دوسرا شعبہ دوا سازی کی دریافت ہے۔ Unisba Media کی جانب سے 14 اپریل کو 16:00 بجے شائع ہونے والے تعارفی مضمون کے مطابق، Novo Nordisk اور OpenAI نے AI کے ذریعے دوا کی دریافت کے لیے شراکت داری کی ہے۔ اسی مضمون میں Apple کے AI کے سربراہ Gianandrea کی باضابطہ روانگی کا بھی ذکر ہے۔ فوج اور دوا سازی کی صنعت کے لیے پیروی کے معیارات اور ناکامی کی قیمت مختلف ہوتی ہے۔ اس کے باوجود، AI کے استعمال کی جگہیں ان عمل تک محدود ہیں جن میں موجودہ کاروباری بہاؤ کے اندر معاونت دی جا سکتی ہو۔

طبی جراحی میں اس کے متعارف کرائے جانے کی بنیاد اب اعداد و شمار میں دکھائی جانے لگی ہے۔ Cureus میں شائع ہونے والا ایک منظم جائزہ پروسٹیٹ کینسر کی سرجری اور گردے کے کینسر کی سرجری میں روبوٹ کی مدد سے دورانِ آپریشن ڈیجیٹل رہنمائی کے مستقبلی (prospective) طبی شواہد کا خلاصہ پیش کرتا ہے۔ مستقبلی ڈیزائن وہ ہوتا ہے جس میں نتائج معلوم ہونے سے پہلے شرائط طے کی جاتی ہیں اور مریضوں کی پیروی کی جاتی ہے۔ فیصلے کی بنیاد کے طور پر ان کا وزن اشتہاری نعروں یا بعد میں پیچھے مڑ کر دیکھے گئے کیسز سے مختلف ہوتا ہے۔ اس وقت پروسٹیٹ اور گردہ، ہر عضو کے لیے دورانِ آپریشن رہنمائی کی افادیت کی تصدیق کے لیے کام جاری ہے۔

جب ان تینوں کو ساتھ رکھا جائے تو ان کے متعارف ہونے کے انداز میں مشترک باتیں نظر آتی ہیں۔ ایئر فورس نے فضا میں ایندھن بھرنے کی معاونت سے آغاز کیا ہے، Novo Nordisk نے دوا کی دریافت کی شراکت داری سے، اور سرجری نے روبوٹ کی مدد سے ہونے والے آپریشن میں دورانِ آپریشن رہنمائی سے۔ دونوں صورتوں میں ہدف کو کاروبار کے مختلف حصوں میں تقسیم کیا گیا ہے اور نتائج کی تصدیق اسی دائرے میں کی جاتی ہے۔ میدان میں AI کے نفاذ کو دیکھتے ہوئے، قارئین کے لیے یہ دیکھنا زیادہ مفید ہے کہ وہ کن عمل میں استعمال ہوتا ہے اور کس قسم کی تصدیق کی گئی ہے، بجائے اس کے کہ یہ اعلان ہوا ہے یا نہیں کہ AI استعمال کیا جائے گا۔ جن عمل کی بڑے پیمانے پر تصدیق ہو چکی ہے وہ ذمہ داری کا دائرہ بڑھانے کی بنیاد فراہم کرتے ہیں، جبکہ جن کی تصدیق کم ہوئی ہے وہاں احتیاط برقرار رہتی ہے۔ اگلا سوال یہ ہے کہ وہ حد کہاں کھینچی جائے جہاں تصدیق کے بعد بھی انسان اپنا حتمی فیصلہ نہ چھوڑیں۔

ہر حصے میں مشترک بات یہ تھی کہ نتائج کا تعین خود AI کے متعارف کرانے سے نہیں ہوا، بلکہ اس سے ہوا کہ سپردگی کی حد کہاں مقرر کی جائے۔ چھانٹیوں کا حجم توجہ کا مرکز بنا، لیکن یہی رجحانات متعدد صنعتوں اور خطوں میں پھیل رہے تھے اور مجموعی معیشت پر ایڈجسٹمنٹ کا بوجھ ڈال رہے تھے۔ معلومات اور تعلیمی ماحول میں، صارفین کی تعداد کم ہونے کے باوجود، جوابات میں تعصب اور اسکولوں کے اندر انتظامات میں تاخیر کے بارے میں سوالات اٹھائے گئے۔ جذبات اور تعلقات کے شعبے میں، آپریٹنگ کمپنی کی انتظامی حالت نے صارفین کے باہمی تعلقات کو متاثر کیا۔ کینسر کے علاج میں، آؤٹ پٹ کو پڑھنے کی شرائط، جیسے کیلیبریشن اور کثیر مراکزی توثیق، کو درستگی کے ساتھ ساتھ اہمیت دی گئی۔ فوج، ادویات اور سرجری میں، متعارف کرانے کا زور ان عمل پر رہا جنہیں موجودہ طریقۂ کار کے اندر سہارا دیا جا سکتا تھا، اور شواہد جمع ہو رہے تھے۔ اب یہ فیصلہ کرنے کے بجائے کہ AI استعمال کیا جائے یا نہیں، ہمیں ہر صورتِ حال میں یہ طے کرنے کی ضرورت ہے کہ AI کو کیا سونپا جائے اور کیا اپنے ہاتھ میں رکھا جائے۔

سوال 1: آپ کے کام کے کن مراحل میں آپ AI کے نتیجے کو فیصلوں کی بنیاد بناتے ہیں، اور نتیجہ غلط ہونے پر اسے پہچاننے کا نظام کس کے پاس ہے؟ سوال 2: متعارف کرانے سے پہلے اور بعد میں AI کے نتائج میں تعصب اور غلطیوں کو جانچنے کے لیے کون سے معیارات اور طریقۂ کار استعمال ہوتے ہیں، اور کیا ان کا ریکارڈ رکھا جاتا ہے؟ سوال 3: AI کے سپرد کیے جانے والے دائرے کا تعین کس بنیاد پر کیا گیا؟ کیا کوئی شرائط رہی ہیں، اور کاروبار یا کلائنٹ کی صورتحال بدلنے پر اس دائرے پر نظرثانی کی ذمہ داری کس کی ہوگی؟

آخر میں، تین سوالات

- آپ کے کام کے کون سے عمل فیصلوں کے لیے براہِ راست AI کے آؤٹ پٹ پر انحصار کرتے ہیں، اور کس کے پاس ایسا نظام موجود ہے جو آؤٹ پٹ غلط ہونے پر اس کی نشاندہی کر سکے؟ Q2: AI کے آؤٹ پٹ میں تعصب اور غلطیوں کو متعارف کرانے سے پہلے اور بعد میں جانچنے کے لیے کون سے معیارات اور طریقۂ کار استعمال کیے جاتے ہیں، اور کیا ریکارڈ رکھا جاتا ہے؟ Q3: AI کے سپرد کیے جانے والے دائرۂ کار کا فیصلہ کس بنیاد پر کیا گیا؟ کیا کوئی شرائط رکھی گئی ہیں، اور جب کاروبار یا کلائنٹ کی صورتِ حال بدلے تو دائرۂ کار کا جائزہ لینے کا ذمہ دار کون ہوگا؟ - AI کے آؤٹ پٹ میں تعصب اور غلطیوں کو نافذ کرنے سے پہلے اور بعد میں جانچنے کے لیے کون سے معیارات اور طریقۂ کار استعمال کیے جاتے ہیں، اور کیا ریکارڈ رکھا جاتا ہے؟ Q3: AI کے سپرد کیے جانے والے دائرۂ کار کا فیصلہ کس بنیاد پر کیا گیا؟ کیا کوئی شرائط رکھی گئی ہیں، اور جب کاروبار یا کلائنٹ کی صورتِ حال بدلے تو دائرۂ کار کا جائزہ لینے کا ذمہ دار کون ہوگا؟ - AI کے سپرد کیے جانے والے دائرۂ کار کا فیصلہ کس بنیاد پر کیا گیا، اور کیا جب کاروبار یا کلائنٹ کی صورتِ حال بدلے تو دائرۂ کار کا جائزہ لینے کی شرائط اور ذمہ داری طے کی گئی ہے؟