پڑھنے کا وقت 5 منٹ
فیڈریٹڈ لرننگ: ذاتی ڈیٹا چرائے بغیر کمپیوٹر اجتماعی ذہانت کیسے حاصل کرتا ہے؟
30 سیکنڈ میں خلاصہ
فیڈریٹڈ لرننگ (جسے بکھری ہوئی یا غیر متمرکز مشین لرننگ کہا جاتا ہے) مصنوعی ذہانت کو سکھانے کا وہ محفوظ طریقہ ہے جس میں لاکھوں موبائل فونز پر الگ الگ تربیت دی جاتی ہے۔ اس میں صارف کی ذاتی تصاویر اور پیغامات فون سے باہر نہیں نکلتے، جبکہ فون کا اندرونی نظام ماڈل کو زیادہ ہوشیار بنا کر اجتماعی ترقی میں حصہ ڈالتا ہے۔
ڈیٹا کو سرور پر بھیجنے کے بجائے الگورتھم کو ڈیوائس تک لانا
صارفین کی مصنوعی ذہانت کے پہلے دور میں موبائل کی بورڈ میں اگلے لفظ کی پیش گوئی اور صوتی معاونین کو بہتر بنانے کے لیے تمام معلومات بڑی کمپنیوں کے مرکزی کمپیوٹرز (سرورز) پر جمع کی جاتی تھیں۔ کمپنیاں لوگوں کے نجی پیغامات، تصاویر اور لوکیشن کا ڈیٹا انٹرنیٹ کے ذریعے اپنے بڑے کمپیوٹر سینٹرز (کلاؤڈ) میں بھیجتی تھیں، جہاں سپر کمپیوٹرز لاکھوں صارفین کے ڈیٹا کو پڑھ کر سسٹم کی پیش گوئیوں کو درست کرتے تھے۔
اگرچہ اس مرکزی طریقے سے کی بورڈ تیزی سے الفاظ سیکھتا تھا، مگر ذاتی رازداری (پرائیویسی) کا شدید بحران پیدا ہو گیا۔ ایک ہی جگہ کروڑوں لوگوں کا ڈیٹا جمع ہونے سے یہ سرورز ہیکرز، چوروں اور غیر قانونی نگرانی کرنے والوں کے آسان ہدف بن گئے۔ عام صارفین کو محض کی بورڈ کی روانی کے لیے اپنے ذاتی اور طبی پیغامات کی رازداری پر سمجھوتہ کرنا پڑتا تھا جو کہ انتہائی غیر محفوظ تھا۔
سن 2016 میں فیڈریٹڈ لرننگ نے اس پرانے طریقہ کار کو یکسر بدل دیا۔ اس کا بنیادی اصول یہ ہے کہ حساس ذاتی ڈیٹا کو انٹرنیٹ پر بھیجنے کے بجائے، کمپیوٹر پروگرام کا ایک ہلکا اور مختصر نسخہ خود صارف کے موبائل فون میں بھیجا جاتا ہے جہاں وہ ڈیوائس کے اندر ہی محفوظ طریقے سے تربیت حاصل کرتا ہے۔
فیڈریٹڈ ایوریجنگ کے ذریعے لاکھوں فونز کی اجتماعی تربیت
فیڈریٹڈ لرننگ کا یہ محفوظ نظام درج ذیل منظم مراحل پر کام کرتا ہے:
- بنیادی ماڈل کی فون تک ترسیل: مرکزی سرور ماڈل کے حسابی اوزان اور ترتیبات (جنہیں ماڈل پیرامیٹرز یا ویٹس کہا جاتا ہے) ان فونز کو بھیجتا ہے جو وائی فائی سے جڑے ہوں اور رات کو چارجنگ پر لگے ہوں۔
- موبائل کے اندر محفوظ مقامی تربیت: فون صارف کی روزمرہ ٹائپنگ اور انداز سے ان حسابی ترتیبات کو اپنے اندر ہی بہتر بناتا ہے؛ کوئی بھی ذاتی میسج فون کی میموری سے باہر انٹرنیٹ پر نہیں جاتا۔
- حفاظتی غبار کا اضافہ: نتائج سرور کو واپس بھیجنے سے پہلے فون ان میں حسابی ابہام یا دھندلاہٹ (جسے ٹیکنالوجی میں پرائیویسی نوائز یا ڈیفرینشل پرائیویسی کہا جاتا ہے) شامل کرتا ہے، تا کہ کوئی بھی ہیکر واپس آنے والے نمبروں سے اصل صارف کا سراغ نہ لگا سکے۔
- خلاصوں کا اجتماعی اوسط نکالنا: مرکزی سرور ہزاروں مختلف فونز سے آنے والے ان حسابی خلاصوں کو اکٹھا کر کے ایک مشترکہ حسابی فارمولے (فیڈریٹڈ ایوریجنگ الگورتھم) کے ذریعے پورے نظام کو اپ ڈیٹ کر دیتا ہے۔
پرانے روایتی کی بورڈ اور جدید فیڈریٹڈ لرننگ کا عملی موازنہ کیجیے۔ پرانے نظام میں آپ جو بھی خفیہ بات یا پاس ورڈ ٹائپ کرتے تھے وہ کمپنی کے سرور پر لاگ فائل کی صورت محفوظ ہوتا تھا، جس سے چوری کا خطرہ رہتا تھا۔ جدید فیڈریٹڈ لرننگ میں آپ کا فون خود یہ سیکھتا ہے کہ آپ کون سا نیا لفظ یا رشتہ دار کا نام کثرت سے استعمال کرتے ہیں۔ وہ اپنی مقامی میموری میں بہتری لاتا ہے اور کمپنی کو صرف ایک بے نام حسابی کوڈ بھیجتا ہے۔ کمپنی کے انجینئرز کو کبھی معلوم نہیں ہو سکتا کہ آپ نے فون پر کس کو کیا پیغام بھیجا تھا۔
تکنیکی حدود اور پرائیویسی کے چیلنجز
فیڈریٹڈ لرننگ ذاتی رازداری کے تحفظ کے لیے انقلابی قدم ہے، مگر اس میں چند عملی رکاوٹیں بھی ہیں:
- بیٹری اور موبائل پروسیسر پر بوجھ: ڈیوائس کے اندر ماڈل کو سکھانے کے لیے موبائل کی توانائی خرچ ہوتی ہے، اسی لیے یہ سارا کام رات کے وقت چارجنگ کے دوران خاموشی سے کیا جاتا ہے۔
- حسابی معلومات کی حفاظت کا خطرہ: اگر ڈیٹا میں حفاظتی غبار (پرائیویسی نوائز) درست طریقے سے شامل نہ کیا جائے تو ماہر ہیکرز حسابی نمبروں سے اصل معلومات کا اندازہ لگانے کی چالاکی کر سکتے ہیں۔
- علاقائی عادات کا فرق: مختلف علاقوں اور ثقافتوں کے بولنے اور ٹائپ کرنے کے انداز مختلف ہوتے ہیں، اس لیے تمام ڈیوائسز کا سیکھا ہوا مواد یکساں نہیں ہوتا۔
- انٹرنیٹ ڈیٹا کا خرچ: ماڈل کی حسابی ترتیبات بار بار انٹرنیٹ پر بھیجنے سے موبائل کا ڈیٹا خرچ ہوتا ہے، جس سے بچنے کے لیے ڈیٹا کو سکیڑنے کی تکنیک (کمپریشن) لازمی ہوتی ہے۔
فیڈریٹڈ لرننگ یہ ثابت کرتی ہے کہ مصنوعی ذہانت کے جدید فائدے حاصل کرنے کے لیے اپنی نجی زندگی اور تصاویر کو قربان کرنا ہرگز لازمی نہیں۔ صارفین کو ہمیشہ ایسی ایپس کو ترجیح دینی چاہیے جو ڈیوائس کے اندر ہی پروسیسنگ کو ترجیح دیں، تا کہ ڈیجیٹل سہولت اور نجی رازداری دونوں ایک ساتھ محفوظ رہ سکیں۔