60 بار "آزمائش اور غلطی" اور ویتنام کا نام دنیا کے معروف AI میگزین میں لانے کا سفر

(ڈین ٹرائی) - 2016 میں، جب لی سی-ڈول الفاگو سے ہار گئے، پی ایچ ڈی کے طالب علم ٹران ٹائین کانگ نے خاموشی سے اسکرین کی طرف دیکھا اور خود سے پوچھا: "اگر مشینیں انسانوں سے آگے نکل جائیں تو میں کیا کروں گا؟"

Báo Dân trí•10/11/2025

2016 میں، دنیا دنگ رہ گئی جب لیجنڈری Go کھلاڑی Lee Se-dol کو مصنوعی ذہانت کے نظام AlphaGo نے شکست دی۔

نوجوان ٹران ٹائین کانگ کے لیے - اس وقت کوریا میں ایک گریجویٹ طالب علم - اس واقعے نے اسے کئی دنوں تک سوچنے پر مجبور کر دیا کیونکہ اسے احساس ہوا کہ انسانی ذہانت اور مشینوں کے درمیان حد ختم ہو رہی ہے۔

"مجھے ایسے دور کے ساتھ رہنے کی کیا ضرورت ہے جو مصنوعی ذہانت کا دھماکہ دیکھے؟" کانگریس نے خود سے پوچھا۔

ویتنامی پی ایچ ڈی کے طالب علموں کا اہم موڑ ایک کورین گو کھلاڑی کے AI ( ویڈیو : Minh Nhat - Thuong Huyen) کے ہاتھوں شکست کے واقعے سے آیا۔

ملٹی ایجنٹ سسٹمز اور روبوٹکس کے پس منظر سے، اس نے مشین لرننگ، کمپیوٹر ویژن، اور لینگویج کے بڑے ماڈلز میں حصہ لیا۔

2021 میں، Tran Tien Cong نے کمپیوٹر سائنس میں اپنے پی ایچ ڈی کے مقالے کا کامیابی سے دفاع کیا اور ویتنام واپس آ گئے۔ وہ فی الحال مشین لرننگ ڈیپارٹمنٹ، فیکلٹی آف آرٹیفیشل انٹیلی جنس، اکیڈمی آف پوسٹس اینڈ ٹیلی کمیونیکیشن ٹیکنالوجی کے سربراہ ہیں۔

کلاس میں، وہ اکثر تاریخی میچ کو AI میں تبدیلی کی رفتار کی ایک اہم مثال کے طور پر یاد کرتے ہیں۔

11ویں نیشنل پیٹریاٹک ایمولیشن کانگریس میں شرکت کرنے والے جدید ماڈل

ڈاکٹر ٹران ٹائین کانگ اس وقت مشین لرننگ ڈیپارٹمنٹ، فیکلٹی آف آرٹیفیشل انٹیلی جنس، اکیڈمی آف پوسٹس اینڈ ٹیلی کمیونیکیشن ٹیکنالوجی کے سربراہ ہیں۔

2020-2025 کی مدت کے دوران، وہ ممتاز بین الاقوامی جرائد میں بہت سے اعلیٰ درجہ کے سائنسی مضامین کے مصنف یا شریک مصنف تھے، خاص طور پر SCIE کے جرائد میں شائع ہونے والے 15 مضامین، Q1 کی درجہ بندی کے ساتھ، بہت سی اشاعتوں اور موضوعات کے ساتھ ملکی اور بین الاقوامی سطح پر بے حد سراہا گیا، جس سے ویتنام کی تحقیق کے شعبے میں اعلیٰ شراکت داری کا مظاہرہ کیا گیا۔ مصنوعی ذہانت، نیٹ ورک سائنس، مشین لرننگ وغیرہ۔

ان کے تحقیقی موضوعات نہ صرف علمی ہیں بلکہ اعلیٰ عملی ایپلی کیشنز بھی ہیں، جو سماجی و اقتصادی ترقی اور معیار زندگی کو بہتر بنانے میں معاون ہیں۔

ڈاکٹر ٹران ٹائین کانگ 11ویں نیشنل پیٹریاٹک ایمولیشن کانگریس میں شرکت کرنے والی وزارت سائنس اور ٹیکنالوجی کے جدید ترین ماڈلز میں سے ایک ہیں۔

AI کی فتح پوری دنیا کو چیلنج کرتی ہے۔

60 lần thử - sai và hành trình đưa tên Việt lên tạp chí AI hàng đầu thế giới - 1 — 2016 میں الفاگو کے خلاف میچ میں گو کھلاڑی لی سی ڈول (تصویر: گیٹی)۔

کس واقعہ نے کوریا میں آپ کی تحقیق کا رخ بدلا؟

- اسکول کے پہلے سال میں، سب کچھ اس وقت بدل گیا جب Go کھلاڑی Lee Se-dol کو Google کی طرف سے تیار کردہ مصنوعی ذہانت کے نظام AlphaGo کے ہاتھوں شکست ہوئی۔ واضح رہے کہ اس وقت گو کے کھلاڑی لی سی ڈول کوریا کا فخر تھے جب کہ گو کو دنیا کے پیچیدہ ترین فکری کھیلوں میں شمار کیا جاتا ہے۔

اس وقت نہ صرف کوریا بلکہ پوری دنیا اسے سائنس اور ٹیکنالوجی کے میدان میں ایک چونکا دینے والا واقعہ سمجھتی تھی۔ 10 سال پہلے، مصنوعی ذہانت کو ترقی دینے اور مستقبل میں سائنس اور زندگی دونوں کے بہت سے شعبوں پر گہرا اثر ڈالنے کا عزم کیا گیا تھا۔

بہت سی کوریائی ریسرچ لیبز نے اپنی توجہ مصنوعی ذہانت کی تحقیق اور ترقی پر مرکوز کر دی ہے۔ میں AI، مشین لرننگ، گراف ریسرچ، بڑے نیٹ ورکس پر ڈیٹا تلاش کرنے کے لیے مصنوعی ذہانت کی تربیت پر زیادہ توجہ دیتا ہوں۔

گو جیتنے پر نہیں رکے، مصنوعی ذہانت اب بہت سے مشکل مسائل کو حل کر سکتی ہے، بہت سے مختلف گیمز اور مقابلوں میں انسانوں کو شکست دے سکتی ہے۔ اس سے پتہ چلتا ہے کہ پچھلی دہائی میں AI نے کتنی تیزی اور شاندار ترقی کی ہے۔

ایک ہی وقت میں، ویت نام نے ٹیکنالوجی کو کیسے قبول کیا ہے؟

- ویتنام سائنس اور ٹیکنالوجی کے بہاؤ سے باہر نہیں ہے۔ جب میں 2021 میں ملک واپس آیا اور پڑھانا شروع کیا تو بہت سے افراد اور تحقیقی یونٹس پہلے ہی ٹیکنالوجی کی منتقلی حاصل کر چکے تھے اور مصنوعی ذہانت کے شعبے میں تھیوری اور عملی اطلاق دونوں لحاظ سے گہرائی سے اشاعتیں کر چکے تھے۔

فی الحال، عام طور پر انفارمیشن ٹیکنالوجی ایک ایسی صنعت ہے جسے ہمیشہ اعلیٰ معیار کے انسانی وسائل کی ضرورت ہوتی ہے۔ بہت سے طلباء کے پاس اپنے اسکول کے دنوں سے ہی ملازمتیں ہیں۔ اس سے ظاہر ہوتا ہے کہ اس صنعت میں بہت سے مواقع ہیں لیکن چیلنجز بھی ہیں کیونکہ ٹیکنالوجی ہر روز بدل رہی ہے اور بہتر ہو رہی ہے۔

آزمائش، غلطی اور تکرار کے 60 بار

مصنوعی ذہانت کے شعبے میں آج تک آپ کا سب سے بامعنی تحقیقی کام کیا رہا ہے؟

- میں نے ایک بار پیٹرن اینالیسسز اور مشین انٹیلی جنس پر IEEE ٹرانزیکشنز میں شائع ہونے والی ایک تحقیق کی تھی - جس میں نیٹ ورک کے تجزیہ کے کاموں میں چھپی ہوئی معلومات کو گراف میں معلومات تلاش کرنے کے موضوع کے ساتھ میدان میں ایک سرکردہ جریدہ سمجھا جاتا ہے، وہاں سے پوشیدہ معلومات کو استفسار کرنا اور ان کا اندازہ لگانا۔

فرض کریں کہ ہم ایک چیٹ بوٹ سے پوچھتے ہیں "جھیل کا ساحل کہاں ہے؟"۔ اگر ہم ہنوئی میں ہیں، تو "جھیل کے کنارے" کو ہون کیم جھیل سمجھا جاتا ہے، لیکن اگر ہم دا لات میں ہیں، تو "جھیل کا ساحل" Xuan Huong جھیل ہے۔ جب ہم معلومات کی تلاش کرتے ہیں تو ان پٹ میں ڈیٹا اور سیاق و سباق کی کمی کمپیوٹر سے غلطیوں کا سبب بنے گی۔

میری تحقیق اس مسئلے کو حل کرنے پر مرکوز ہے کہ کس طرح بہت سے مختلف ذرائع سے معلومات کو تلاش اور یکجا کیا جائے تاکہ سب سے زیادہ درست نتائج برآمد ہوں۔ پھر بھی "جھیل کے کنارے" کی مثال کے ساتھ، اگر صارف جھیل کے کنارے تک فاصلے کا حساب لگانا چاہتا ہے، تو مصنوعی ذہانت پوشیدہ معلومات کا اندازہ لگا سکتی ہے اور اندازہ لگا سکتی ہے کہ صارف گزشتہ چیٹس سے ہنوئی میں ہے یا ڈا لاٹ میں، چیٹ بوٹ درست جواب دے گا۔

- آپ کی تحقیق کیسی رہی؟

میں نے وہ تحقیق 3 سال تک کی، اور اسے 2019 تک شائع نہیں کیا گیا کیونکہ اس میں تحقیق، جائزہ لینے، ترمیم کرنے اور شائع کرنے میں کافی وقت لگا۔ مصنوعی ذہانت اور کمپیوٹر سائنس کے شعبے میں زیادہ تر تحقیق ایسی ہی ہے۔ تحقیقی عمل ہمیشہ "آزمائش - غلطی - دوبارہ" ہوتا ہے۔

مجھے اس "سائیکل" کو 60 بار دہرایا جانا یاد ہے۔ ہر بار مختلف نمونے کے ساتھ، ہر بار جانچ کے مختلف طریقے کے ساتھ۔ میں صرف استدلال پر نہیں رکا، مجھے یہ دیکھنے کے لیے ٹیسٹ بھی کرنے پڑے کہ آیا میں نے صحیح حساب لگایا ہے۔

اس موضوع کے لیے، مجھے ایک مناسب الگورتھم کے ساتھ آنا ہوگا، پھر چھپے ہوئے ڈیٹا کو تلاش کرنے کے لیے AI کو تربیت دینی ہوگی۔ اگر نتیجہ تسلی بخش نہیں ہے، تو میں مناسب الگورتھم تلاش کرنے کے لیے اسے بہتر کروں گا۔ اس تحقیق کی خوبصورتی یہ ہے کہ اس کے قطعی طور پر درست نتائج نہیں ہیں، بلکہ درجنوں آزمائشوں اور غلطیوں کے بعد ہی موزوں ترین الگورتھم تلاش کر سکتے ہیں۔

عام تحقیق میز کے لیے نہیں ہے۔

مصنوعی ذہانت کے میدان میں، کیا محققین کو بنیادی نظریات سے زیادہ عملی استعمال پر توجہ دینی چاہیے؟

- ایک عام غلط فہمی ہے کہ عمومی، نظریاتی تحقیق مخصوص کیس اسٹڈیز کی طرح لاگو نہیں ہوتی۔ درحقیقت، اعلیٰ جرائد میں شائع ہونے والے مضامین اکثر عمومی مطالعہ ہوتے ہیں جن کا اطلاق بہت سے شعبوں میں کیا جا سکتا ہے۔

اوپر چھپی ہوئی معلومات کے بارے میں پوچھ گچھ کرنے کی تحقیق کی مثال لیتے ہوئے، نہ صرف چیٹ بوٹس کو لاگو کیا جا سکتا ہے، بلکہ ہم اسے سوشل نیٹ ورکس پر چھپے ہوئے گروپس کو ٹریک کرنے کے لیے بھی استعمال کر سکتے ہیں، جن کا اطلاق بہت سے مختلف شعبوں میں کیا جا سکتا ہے۔

آج کل، مصنوعی ذہانت کا اطلاق بہت سے شعبوں میں ہوتا ہے، نہ صرف عام سائنس اور ٹیکنالوجی کے میدان تک۔ لہذا، بنیادوں، AI کے نظریات، ڈیٹا... کو عملی سروے اور موثر ایپلی کیشنز کے ساتھ ملانا تحقیق کے کردار اور عملییت کو مضبوط کرے گا۔

ایسے سوالات جو تحقیقی تجویز پیش کرتے وقت بہت آسان لگتے ہیں جیسے: ماڈل اور ڈیٹا کا سروے کیسے کریں؟ کیا اس سے پہلے کسی نے یہ تحقیق کی ہے؟ ہم پچھلے ڈیٹا سے کیسے سیکھ سکتے ہیں اور اس کا موازنہ کر سکتے ہیں؟... کسی کی تحقیق کو گہرا کرنے میں اپنا کردار ادا کریں۔

آپ کی رائے میں کمپیوٹر سائنس اور انفارمیشن ٹیکنالوجی کی تحقیق کے کن پہلوؤں پر زیادہ سرمایہ کاری کرنے کی ضرورت ہے؟

- حالیہ برسوں میں، سہولیات اور انفراسٹرکچر کو بہتر اور اپ گریڈ کیا گیا ہے، جس سے اکائیوں اور افراد کے لیے مصنوعی ذہانت کے شعبے میں تحقیق کے لیے سازگار حالات پیدا ہوئے ہیں۔ اگر آلات اور جدید تحقیقی لیبز میں زیادہ سرمایہ کاری ہو تو محققین مزید مصنوعات، ایپلی کیشنز اور رپورٹس تیار کر سکیں گے۔

مزید برآں، ہمارے ڈیٹا بیس کو صاف کیا جا رہا ہے، ایک ڈیٹا گودام بنایا جا رہا ہے تاکہ محققین کے پاس معیاری ماڈلز کی تربیت کا ذریعہ ہو۔

ایک ایسی صنعت میں جو انفارمیشن ٹیکنالوجی کی طرح تیزی سے اپ ڈیٹ ہوتی ہے، جو تحقیق ابھی مکمل ہوئی ہے وہ پرانی ہو سکتی ہے یا حقیقت سے مطابقت نہیں رکھتی۔ بہت سی لاگو تحقیق کو فوری طور پر حقیقت پر لاگو کیا جا سکتا ہے لیکن ٹیکنالوجی میں تیز رفتار تبدیلیوں کا سامنا کرنا پڑے گا، جس کے نتیجے میں عدم استحکام اور پھیلاؤ میں دشواری ہوگی۔ مصنوعی ذہانت میں مہارت حاصل کرنے کے لیے، ہمیں گہرائی سے تحقیق کرنے اور ویتنام میں بنیادی ٹیکنالوجی لانے کی ضرورت ہے۔

آپ کا بہت بہت شکریہ!