ابھرتی ہوئی اے آئی ٹیکنالوجیز
تعارف
مشینوں، خاص طور پر کمپیوٹر سسٹمز کے ذریعے انسانی ذہانت کے افعال کی نقل کو مصنوعی ذہانت کے نام سے جانا جاتا ہے۔ ماہر نظام، قدرتی زبان کی پروسیسنگ، اسپیچ ریکگنیشن، اور مشین ویژن مخصوص اے آئی ایپلی کیشنز کی کچھ مثالیں ہیں۔
اکثر، اے آئی سے ان کا مطلب صرف اے آئی کا ایک عنصر ہے.جیسے مشین لرننگ, مشین لرننگ الگورتھم کی تخلیق اور تربیت کے لیے اے آئی کو خصوصی ہارڈ ویئر اور سافٹ ویئر کی بنیاد درکار ہے۔ کوئی ایک پروگرامنگ زبان نہیں ہے جو خصوصی طور پر اے آئی کے ساتھ وابستہ ہے لیکن مٹھی بھر ہیں، بشمول پائتھون, آر، اور جاوا ۔
اے آئی سسٹمز بنانے کے لیے دو اہم طریقے ہیں
ٹاپ ڈاؤن اپروچ•
باٹم اپ اپروچ•
ٹاپ ڈاؤن کا اپروچ، جسے “علم پر مبنی” نقطہ نظر بھی کہا جاتا ہے. مسئلہ کی اعلیٰ سطحی سمجھ کے ساتھ شروع ہوتا ہے اور اس علم کو نظام کے ڈیزائن کی رہنمائی کے لیے استعمال کرتا ہے۔ باٹم اپ اپروچ، جسے “ڈیٹا پر مبنی” اپروچ بھی کہا جاتا ہے. ڈیٹا سے شروع ہوتا ہے اور پیٹرن کو دریافت کرنے اور مسئلے کا ماڈل بنانے کے لیے مشین لرننگ الگورتھم کا استعمال کرتا ہے۔
ٹاپ ڈاؤن اپروچ
ٹاپ ڈاون اپروچ اکثر ماہرانہ نظاموں میں استعمال ہوتا ہے. جو کہ اے آئی سسٹمز ہیں جو ایک مخصوص ڈومین میں انسانی ماہر کے فیصلہ سازی کی نقل کرتے ہیں۔ ماہرین کے نظام فیصلے کرنے اور ان فیصلوں کے لیے وضاحت فراہم کرنے کے لیے اصولوں کا ایک سیٹ اور علمی بنیاد استعمال کرتے ہیں ۔ ماہر نظام کی ایک مثال ایم وائی سی آئی این ہے، جو 1970 کی دہائی میں بیکٹیریل انفیکشن کی تشخیص میں مدد کے لیے تیار کیا گیا تھا ۔ ایم وائی سی آئی این نے بیکٹیریل انفیکشن کے بارے میں معلومات کے علم کی بنیاد اور تشخیصی سفارشات کرنے کے لیے قواعد کا ایک سیٹ استعمال کیا۔
باٹم اپ اپروچ
دوسری طرف، باٹم اپ اپروچ اکثر مشین لرننگ میں استعمال ہوتا ہے. جو کہ اے آئی کی ایک فیلڈ ہے جو الگورتھم کی ترقی پر توجہ مرکوز کرتا ہے جو ڈیٹا سے سیکھ سکتے ہیں۔ مشین لرننگ الگورتھم بڑی مقدار میں ڈیٹا کا تجزیہ کرتے ہیں اور مسئلے کا ایک ماڈل بناتے ہیں، جس کا استعمال پیشین گوئیاں کرنے یا فیصلے کرنے کے لیے کیا جا سکتا ہے۔ نیچے والے اے آئی نظام کی ایک مثال تصویر کی شناخت ہے، جو تصویروں کا تجزیہ کرنے اور ان میں موجود اشیاء کی شناخت کے لیے مشین لرننگ الگورتھم کا استعمال کرتی ہے۔ تصویر کی شناخت کے سب سے مشہور نظاموں میں سے ایک کنوولوشنل نیورل نیٹ ورکس (سی این این) ہے، جو کہ خود ڈرائیونگ کاروں اور میڈیکل امیجنگ جیسی ایپلی کیشنز کی ایک وسیع رینج میں استعمال ہوتا رہا ہے۔
پچھلی دو دہائیوں میں اے آئی کا اثر
پچھلی دو دہائیوں میں مصنوعی ذہانت ( اے آئی) نے کافی ترقی کی ہے. صحت کی دیکھ بھال، مالیات، نقل و حمل اور مینوفیکچرنگ جیسے شعبوں میں ایپلی کیشنز کی ایک وسیع رینج کھولی ہے۔ بڑے پیمانے پر ڈیٹا کا تجزیہ، پیشن گوئی، اور اے آئی سسٹمز کی آٹومیشن کی صلاحیتیں اعلیٰ پیداوار اور کارکردگی کا باعث بن سکتی ہیں۔ لیکن اخلاقی، سماجی اور فلسفیانہ خدشات بھی ہیں جن پر اے آئی کا استعمال بڑھنے کے ساتھ ہی حل ہونا چاہیے۔
پچھلی دو دہائیوں میں اے آئی نے دنیا کو تبدیل کرنے والے سب سے اہم طریقوں میں سے ایک آٹومیشن ہے۔ اے آئی سسٹمز بڑی مقدار میں ڈیٹا کا تجزیہ کر سکتے ہیں اور پیشین گوئیاں کر سکتے ہیں، جس سے مختلف صنعتوں میں عمل کو خودکار بنانے کی اجازت ملتی ہے۔ مثال کے طور پر، صحت کی دیکھ بھال میں اے آئی نظام طبی تشخیص میں مدد کر سکتے ہیں، مریض کے نتائج کو بہتر بنا سکتے ہیں، اور کلینیکل ورک فلو کو بہتر بنا سکتے ہیں ۔ فنانس میں اے آئی کو دھوکہ دہی کی سرگرمیوں کا پتہ لگانے اور مالیاتی ڈیٹا کا تجزیہ کرنے کے لیے استعمال کیا جاتا ہے ۔ نقل و حمل میں سڑکوں پر حفاظت اور کارکردگی کو بڑھانے کے لیے اے آئی سے چلنے والی خود مختار گاڑیاں تیار کی جا رہی ہیں ۔ مینوفیکچرنگ میں اے آئی کا استعمال پیداواری عمل کو بہتر بنانے اور کارکردگی کو بہتر بنانے کے لیے کیا جاتا ہے (شین اینڈ لی، 2019)۔
تاہم، اے آئی کے بڑھتے ہوئے استعمال کے ساتھ اخلاقی، سماجی اور فلسفیانہ مسائل بھی ہیں جن پر توجہ دینے کی ضرورت ہے۔ اہم خدشات میں سے ایک ملازمت کی نقل مکانی ہے کیونکہ آٹومیشن انسانی کارکنوں کے لیے ملازمتوں کے نقصان کا باعث بن سکتی ہے ۔ ایک اور تشویش رازداری ہے کیونکہ اے آئی کا بڑھتا ہوا استعمال ذاتی ڈیٹا کے جمع کرنے اور استعمال کے بارے میں سوالات اٹھاتا ہے۔
مزید برآں، اے آئی کے ممکنہ غلط استعمال کے بارے میں خدشات موجود ہیں. مثال کے طور پر خود مختار ہتھیاروں کے نظام (اے ڈبلیو ایس) کو یہ فیصلہ کرنے کے لیے پروگرام بنایا جا سکتا ہے کہ کس کو نشانہ بنانا ہے اور کس کو مارنا ہے اور ان فیصلوں کے لیے جوابدہی کا سوال ابھی حل ہونا باقی ہے (آرکن، 2009)۔اور یہ سوال کہ آیا اے آئی انسان جیسا شعور حاصل کر سکے گا اور کیا اسے قانونی حقوق دیے جائیں یا اخلاقی طور پر غور کیا جائے (بوسٹروم، 2014)۔
صنعت میں مستقبل کی تبدیلیوں کی نقاب کشائی
ایک سافٹ ویئر ٹریننگ کمپنی کے طور پر جو کاروباروں اور اسٹارٹ اپس میں مصنوعی ذہانت کے نئے رجحانات پر توجہ مرکوز کرتی ہے، اس شعبے میں ہونے والی تازہ ترین پیشرفت کے بارے میں باخبر رہنا ضروری ہے۔ کاروبار مختلف مقاصد کے لیے مصنوعی ذہانت کا استعمال کرتے ہیں، بشمول ڈیٹا اکٹھا کرنا اور کام کے عمل کو ہموار کرنا۔
جیسا کہ یہ بلیو کالر پیشوں پر لاگو ہوتا ہے معائنہ کرنے والے اس بارے میں غیر یقینی ہیں کہ کاروبار کے مستقبل کے لیے مصنوعی ذہانت کا کیا مطلب ہے۔
ابھرتی ہوئی اے آئی ٹیکنالوجیز اور صنعت پر ان کے اثرات
بہت سی نئی اور ابھرتی ہوئی ٹیکنالوجیز مصنوعی ذہانت میں شامل ہیں۔ بڑی تنظیموں کے اسٹارٹ اپ آپریشنل ایکسیلنس، ڈیٹا مائننگ وغیرہ کے لیے مصنوعی ذہانت کو نافذ کرنے کے لیے دوڑ میں ہیں۔
قدرتی زبان کی تخلیق
ایک مقبول طریقہ جسے “قدرتی زبان کی تخلیق” کہا جاتا ہے. سٹرکچرڈ ڈیٹا کو صارف کی مادری زبان میں تبدیل کرتا ہے۔ الگورتھم کو مشینوں میں پروگرام کیا جاتا ہے تاکہ ڈیٹا کو ایک ایسے فارمیٹ میں تبدیل کیا جا سکے جو صارف کو پسند آئے۔ مصنوعی ذہانت کا ایک ذیلی سیٹ جسے قدرتی زبان کہا جاتا ہے مواد کے تخلیق کاروں کو مواد کو خودکار بنانے اور اسے مطلوبہ شکل میں فراہم کرنے میں مدد کرتا ہے۔ مطلوبہ سامعین تک پہنچنے کے لیے، مواد تخلیق کرنے والے خودکار مواد کو مختلف سوشل میڈیا پلیٹ فارمز اور دیگر میڈیا پلیٹ فارمز پر فروغ دینے کے لیے استعمال کر سکتے ہیں۔ جیسا کہ ڈیٹا کو مطلوبہ فارمیٹس میں تبدیل کیا جائے گا، انسانی تعامل کافی حد تک کم ہو جائے گا۔
ڈیپ لرننگ پلیٹ فارمز
مصنوعی ذہانت کا ایک اور شعبہ جو مصنوعی اعصابی نیٹ ورکس پر انحصار کرتا ہے وہ گہری تعلیم ہے۔ یہ طریقہ کمپیوٹر اور دیگر آلات کو سیکھنے کی ترغیب دیتا ہے جیسا کہ لوگ کرتے ہیں۔ چونکہ عصبی نیٹ ورکس کی پرتیں پوشیدہ ہوتی ہیں، اس لیے لفظ “گہرا” بنایا گیا۔ ایک نیورل نیٹ ورک میں عام طور پر دو سے تین پوشیدہ پرتیں اور 150 تک پوشیدہ پرتیں ہوتی ہیں۔ گرافکس پروسیسنگ یونٹ کے ساتھ ماڈل کی تربیت کرتے وقت بڑی مقدار میں ڈیٹا پر گہری سیکھنے کا اثر ہوتا ہے۔ پیش گوئی کرنے والے تجزیات کو خودکار کرنے کے لیے، الگورتھم کا ایک درجہ بندی استعمال کیا جاتا ہے۔ گہری سیکھنے نے مختلف صنعتوں میں کرشن حاصل کیا ہے. بشمول ایرو اسپیس اور دفاع سیٹلائٹ سے چیزوں کو پہچاننے کے لیے کارکن کی حفاظت کے ذریعے خطرے کے واقعات کی نشاندہی کرتے ہوئے جب کوئی کارکن مشین سے ملتا ہے. کینسر کے خلیات کا پتہ لگانا، اور بہت کچھ۔
(گنڈاواجیالا، 2023)
مشین لرننگ
مصنوعی ذہانت کا مشین لرننگ کا شعبہ کمپیوٹرز کو واضح طور پر تربیت حاصل کیے بغیر بڑے ڈیٹا سیٹس کی تشریح کرنے کی صلاحیت فراہم کرتا ہے۔ جب اعداد و شمار کے ماڈلز اور الگورتھم کو استعمال کرتے ہوئے ڈیٹا کے تجزیات کیے جاتے ہیں تو کاروباری فیصلہ سازی کو مشین لرننگ تکنیکوں سے مدد ملتی ہے۔ مختلف شعبوں میں مشین لرننگ کے استعمال سے فائدہ اٹھانے کے لیے کاروبار اس شعبے میں بڑے پیمانے پر سرمایہ کاری کر رہے ہیں۔ بیماری کی پیشن گوئی اور موثر علاج، صحت کی دیکھ بھال، اور طبی پیشے کے لیے مریض کے ڈیٹا کا تجزیہ کرنے کے لیے مشین لرننگ الگورتھم کی ضرورت ہے۔ بینکنگ اور مالیاتی صنعتوں کے لیے مشین لرننگ ضروری ہے کہ وہ کلائنٹ کے ڈیٹا کا تجزیہ کریں، صارفین کو سرمایہ کاری کی دریافت کریں اور تجویز کریں اور خطرے اور دھوکہ دہی کو کم کریں۔ خوردہ فروش صارفین کے ڈیٹا کا تجزیہ کرنے اور صارفین کی ترجیحات اور رویے میں تبدیلی کی پیشن گوئی کرنے کے لیے مشین لرننگ کا استعمال کرتے ہیں۔
فیصلے کا انتظام
اعداد و شمار کی تبدیلی اور پیشین گوئی کے نمونوں میں اس کی تشریح کے لیے عصری کاروباروں کے ذریعے فیصلہ سازی کے نظام کو لاگو کیا جا رہا ہے۔ انٹرپرائز کی سطح پر درخواستیں موجودہ معلومات حاصل کرنے اور تنظیمی فیصلہ سازی میں مدد کے لیے کارپوریٹ ڈیٹا کا تجزیہ کرنے کے لیے فیصلہ سازی کے نظام کا استعمال کرتی ہیں۔ فیصلہ سازی کا انتظام تیز رفتار فیصلہ سازی، خطرے میں تخفیف اور عمل آٹومیشن کی سہولت فراہم کرتا ہے۔ فیصلہ سازی کا طریقہ وسیع پیمانے پر مالی، صحت کی دیکھ بھال، تجارت، انشورنس، اور ای کامرس کی صنعتوں میں استعمال ہوتا ہے۔
ایک ابھرتی ہوئی اے آئی ٹیکنالوجی اور یہ کہ یہ کیسے کام کرتی ہے
ایک ابھرتی ہوئی اے آئی ٹیکنالوجی جس نے حالیہ برسوں میں توجہ حاصل کی ہے وہ ہے ری انفورسمنٹ لرننگ (آر ایل)۔ آر ایل مشین لرننگ کی ایک قسم ہے جو تربیتی نظام پر توجہ مرکوز کرتی ہے تاکہ ان کے اعمال کے نتائج سے سیکھ کر فیصلے کریں۔
آر ایل کی تعریف
فیصلہ سازی کے مطالعہ کو ریانفورسمنٹ لرننگ (آر ایل) کہا جاتا ہے۔ اس میں یہ سمجھنا شامل ہے کہ زیادہ سے زیادہ فوائد حاصل کرنے کے لیے کسی صورت حال میں کیسے کام کرنا ہے۔ اسی طرح جیسے بچے اپنے ماحول کو دریافت کرتے ہیں اور ان طرز عمل کو دریافت کرتے ہیں جو انہیں کسی کام کو پورا کرنے کے قابل بناتے ہیں، یہ مثالی طرز عمل ماحول کے ساتھ تعامل اور اس کے ردعمل کے مشاہدات کے ذریعے سکھایا جاتا ہے۔
سیکھنے والے کو خود مختار طور پر ایسے طرز عمل کی ترتیب کا تعین کرنا چاہیے جو سپروائزر کی غیر موجودگی میں زیادہ سے زیادہ انعام حاصل کرتا ہے۔ دریافت کی یہ تکنیک آزمائشی اور غلطی کی تلاش سے ملتی جلتی ہے۔ کسی سرگرمی کے معیار کا تعین اس سے ملنے والے فوری انعام اور مستقبل کے ممکنہ انعامات دونوں سے ہوتا ہے۔
آر ایل کی مثالیں
روبوٹکس: پہلے سے پروگرام شدہ رویے کے ساتھ روبوٹ منظم حالات میں موثر ہوتے ہیں جہاں سرگرمی فطرت میں دہرائی جاتی ہے.جیسے کہ آٹوموبائل مینوفیکچرنگ سہولت کی اسمبلی لائن۔ پری پروگرامنگ کے عین مطابق اعمال حقیقی دنیا میں تقریباً ناممکن ہیں کیونکہ روبوٹ کے رویے پر ماحول کا ردعمل غیر متوقع ہے۔ ان حالات میں، آر ایل تمام مقاصد والے روبوٹس بنانے کے لیے ایک عملی طریقہ پیش کرتا ہے۔
خود مختار ڈرائیونگ: ایک سے زیادہ ادراک اور منصوبہ بندی کے کاموں کو ایک خود مختار ڈرائیونگ سسٹم کے ذریعے ایک نامعلوم ماحول میں مکمل کیا جانا چاہیے۔ گاڑی کے راستوں کی منصوبہ بندی کرنا اور پیشین گوئی کی حرکت خصوصی ملازمتوں کی دو مثالیں ہیں جہاں آر ایل کا اطلاق ہوتا ہے۔ مختلف وقتی اور مقامی پیمانے پر فیصلے کرنے کے لیے، گاڑی کے راستے کی منصوبہ بندی کے لیے کئی کم اور اعلیٰ سطحی پالیسیوں کی ضرورت ہوتی ہے۔ یہ سمجھنے کے لیے کہ ماحول کی موجودہ حالت کے لحاظ سے کوئی منظر نامہ کیسے تیار ہو سکتا ہے. حرکت کی پیشن گوئی پیدل چلنے والوں اور دیگر گاڑیوں کی نقل و حرکت کا اندازہ لگانے کا مسئلہ ہے۔
آر ایل کا کام کرنا
ایک ہدف پر مبنی ایجنٹ کو لازمی طور پر کمک سیکھنے کے چیلنج میں نامعلوم علاقے کی تلاش کرنی چاہیے۔ آر ایل کی بنیاد یہ خیال ہے کہ کسی بھی اہداف کی خصوصیت کے لیے پیش گوئی شدہ مجموعی انعام کو زیادہ سے زیادہ استعمال کیا جا سکتا ہے۔ زیادہ سے زیادہ انعام حاصل کرنے کے لیے، ایجنٹ کو ماحول کو سمجھنا اور اسے اپنے طرز عمل کے ذریعے تبدیل کرنا سیکھنا چاہیے۔ مارکوف فیصلہ سازی کے عمل کے زیادہ سے زیادہ کنٹرول کا مسئلہ آر ایل (ایم ڈی پی) کے رسمی فریم ورک کے لیے ایک ماڈل کے طور پر کام کرتا ہے۔
آر ایل سسٹم کے کلیدی اجزاء ہیں
سیکھنے والا یا ایجنٹ•
وہ ترتیب جس میں ایجنٹ کام کرتا ہے۔•
وہ رہنما خطوط جن پر عمل کرتے وقت ایجنٹ عمل کرتا ہے۔•
انعام کا اشارہ جس کا ایجنٹ عمل کرنے کے بعد نوٹس کرتا ہے۔•
ویلیو فنکشن، جو کسی ریاست کی “اچھی” کو درست طریقے سے ظاہر کرتا ہے، انعام کے سگنل کا ایک مددگار خلاصہ ہے۔ ویلیو فنکشن اس مجموعی انعام کی عکاسی کرتا ہے جو اس حالت سے مستقبل میں منتقل ہونے کی توقع ہے، جبکہ انعام کا اشارہ کسی خاص حالت میں ہونے کے فوری فائدے کی نشاندہی کرتا ہے۔ ایکشن پالیسی کو تلاش کرنا جو نظام کی ہر حالت سے حاصل کی جانے والی اوسط قدر کو زیادہ سے زیادہ بنائے آر ایل الگورتھم کا ہدف ہے۔
ماڈل سے پاک اور ماڈل پر مبنی آر ایل الگورتھم کو وسیع پیمانے پر نمایاں کیا جا سکتا ہے۔ ماڈل سے پاک الگورتھم ایم ڈی پی کا کوئی واضح ماڈل نہیں بناتے ہیں یا زیادہ درست ہونے کے لیے، ماحولیات۔ وہ ٹرائل اینڈ ایرر الگورتھم سے زیادہ مشابہت رکھتے ہیں، جو ماحول کے بارے میں مفروضوں کو اعمال کا استعمال کرتے ہوئے جانچتے ہیں اور فوری طور پر بہترین طریقہ کار کا تعین کرتے ہیں۔ ماڈل فری الگورتھم کی دو قسمیں قدر پر مبنی اور پالیسی پر مبنی ہیں۔ زیادہ سے زیادہ پالیسی، قدر پر مبنی الگورتھم کے مطابق، ہر ریاست کے ویلیو فنکشن کو درست طریقے سے شمار کرنے سے براہ راست عمل کرتی ہے۔ بیل مین مساوات ایک تکراری تعلق کو بیان کرتی ہے جسے ایجنٹ ماحول اور نمونے کی حالت اور انعامی رفتار کے ساتھ تعامل کرنے کے لیے استعمال کرتا ہے۔ ایم ڈی پی کی ویلیو فنکشن کا تخمینہ لگایا جا سکتا ہے اگر کافی رفتار موجود ہو۔
عمل کا بہترین طریقہ تلاش کرنا اتنا ہی آسان ہے جتنا کہ عمل کے ہر مرحلے پر ویلیو فنکشن کے حوالے سے لالچ سے کام کرنے کے بعد ایک بار ویلیو فنکشن کو سمجھ لیا جائے۔ سارسا اور کیو لرننگ دو معروف قدر پر مبنی الگورتھم ہیں۔ دوسری طرف، پالیسی پر مبنی الگورتھم فوری طور پر ویلیو فنکشن کو ماڈلنگ کیے بغیر بہترین عمل کی پیشین گوئی کرتے ہیں۔ وہ سیکھنے کے قابل وزن کا استعمال کرتے ہوئے پالیسی کو براہ راست پیرامیٹرائز کرکے سیکھنے کے مسئلے کو ایک واضح اصلاحی مسئلہ میں تبدیل کرتے ہیں۔ ایجنٹ ویلیو پر مبنی الگورتھم کی طرح ریاستوں اور انعامات کی رفتار کا نمونہ کرتا ہے، لیکن اس علم کو خاص طور پر تمام ریاستوں پر اوسط قدر کے فنکشن کو زیادہ سے زیادہ کرکے پالیسی کو بڑھانے کے لیے استعمال کیا جاتا ہے۔ مونٹی کارلو پالیسی گریڈینٹ اور ڈیٹرمنسٹک پالیسی گریڈینٹ دو مشترکہ پالیسی پر مبنی آر ایل تکنیک (ڈی پی جی) ہیں۔
ابھرتی ہوئی اے آئی ٹیکنالوجی کے صنعتی اور سماجی مضمرات۔
ریانفورسمنٹ لرننگ (آر ایل) ایک ابھرتی ہوئی اے آئی ٹکنالوجی ہے جس میں ذہین نظاموں کو تربیت دینے اور ڈیزائن کرنے کے طریقے کو تبدیل کرنے کی صلاحیت ہے۔ تاہم، کسی بھی نئی ٹیکنالوجی کی طرح اس پر بھی غور کرنے کے لیے صنعتی اور سماجی مضمرات موجود ہیں۔
صنعت کے تناظر میں آر ایل مینوفیکچرنگ، ٹرانسپورٹیشن، اور لاجسٹکس سمیت مختلف شعبوں میں پیداواری صلاحیت اور کارکردگی کو بڑھانے کی صلاحیت رکھتا ہے۔ ایک مثال کے طور پر، آر ایل الگورتھم کا استعمال عمارت میں توانائی کے استعمال کو بہتر بنانے، خود مختار گاڑیوں کو ٹریفک کے ذریعے چلانا سکھانے اور صنعتی عمل کی تاثیر کو بڑھانے کے لیے کیا جا سکتا ہے۔
تاہم، اکاؤنٹ میں لینے کے لئے منفی اثرات ہوسکتے ہیں. ایک تشویش یہ ہے کہ آر ایل الگورتھم ملازمت کی نقل مکانی کا سبب بن سکتے ہیں کیونکہ آٹومیشن انسانی کارکنوں کو اپنی ملازمتوں سے محروم کر سکتا ہے۔ مزید برآں، لاجسٹکس اور نقل و حمل جیسے شعبوں میں آر ایل کا اطلاق حفاظت اور سلامتی کے بارے میں خدشات کو جنم دے سکتا ہے کیونکہ الگورتھم غیر معمولی یا غیر معمولی حالات کو سنبھالنے کے قابل نہیں ہوسکتے ہیں۔
زیادہ موثر اور انفرادی خدمات پیش کرنے سے، آر ایل سماجی ماحول میں لوگوں کی زندگیوں کو بہتر بنانے کی صلاحیت رکھتا ہے۔ ورچوئل پرسنل اسسٹنٹس کو تربیت دینے کے لیے جو صارفین کے ذوق اور ضروریات کو سیکھ سکتے ہیں اور ایڈجسٹ کر سکتے ہیں، مثال کے طور پر، آر ایل الگورتھم استعمال کیے جا سکتے ہیں۔
تاہم، اکاؤنٹ میں لینے کے لئے منفی اثرات ہوسکتے ہیں. ایک تشویش یہ ہے کہ آر ایل الگورتھم تعصبات اور امتیاز کو تقویت دے سکتے ہیں کیونکہ وہ تربیتی ڈیٹا میں نظر آنے والے تعصبات کو تقویت دے سکتے ہیں۔ مزید برآں، جیسا کہ الگورتھم صارفین کے ذاتی ڈیٹا کو ان کی معلومات یا معاہدے کے بغیر جمع اور استعمال کر سکتے ہیں، ورچوئل پرسنل اسسٹنٹس جیسی ایپلی کیشنز میں آر ایل کا استعمال رازداری کے مسائل کا سبب بن سکتا ہے۔
آخر میں، آر ایل ایک جدید ترین اے آئی تکنیک ہے جو اس بات کو تبدیل کرنے کی صلاحیت رکھتی ہے کہ کس طرح ذہین نظاموں کو تیار اور تربیت دی جاتی ہے۔ اس ٹیکنالوجی کو ذمہ داری کے ساتھ استعمال کرنے کے لیے اور اس طریقے سے جس سے پورے معاشرے کو فائدہ پہنچے، یہ ضروری ہے کہ ممکنہ صنعتی اور سماجی اثرات کو مدنظر رکھا جائے۔