تصویر کے ساتھ سوال: اے آئی مختلف معلومات کیسے ملاتی ہے؟

ایک فرضی صورت میں آپ بس کے اوقات کی تصویر لے کر پوچھتے ہیں، “شام چھ بجے کے بعد کون سی بس ہے؟” تصویر لینے والا نظام تصویر اور سوال ایک ساتھ استعمال کر سکتا ہے۔ لیکن دھندلی تصویر میں وقت غلط پڑھا جا سکتا ہے۔ معلومات دینے کے راستے بڑھنا درست جواب کی ضمانت نہیں۔

معلومات کے روپ مختلف ہیں

ملٹی موڈل کا مطلب ایک سے زیادہ روپوں کی معلومات سنبھالنا ہے۔ تحریر میں الفاظ کی ترتیب، تصویر میں رنگ، شکلیں اور ان کی جگہیں، جبکہ آواز میں وقت کے ساتھ بدلنے والا اشارہ ہوتا ہے۔ ان پر کام کرنے کے طریقے بھی مختلف ہو سکتے ہیں۔ دو روپ استعمال کرنے والا نظام بھی ملٹی موڈل ہے۔ اس نام کا مطلب ہر قسم کی فائل قبول کرنا نہیں۔

یہ کئی زبانیں جاننے کا دوسرا نام نہیں۔ اردو اور انگریزی تحریر استعمال کرنے والا نظام کئی زبانوں میں کام کر سکتا ہے، مگر ضروری نہیں کہ تصویر بھی لے۔ تصویر اور تحریر قبول کرنے والا نظام بھی ہر اردو سوال کا یکساں معیاری جواب دینے کی ضمانت نہیں دیتا۔ معلومات کا روپ اور زبان کی معاونت الگ دیکھنے کی چیزیں ہیں۔

تصویر سوال سے کیسے جڑتی ہے؟

تصویر پر کام کرنے والا حصہ بصری اشاروں کو قابل استعمال عددی نمائندگی میں بدلتا ہے۔ جدول کی قطاریں، ہندسوں کی شکلیں اور ان کی جگہیں جواب کے لیے اہم ہو سکتی ہیں۔ لکھا ہوا سوال چھ بجے کے بعد کے اوقات کی طرف توجہ دلاتا ہے۔ دونوں کو جوڑنے والے حصے کے ذریعے جواب بناتے وقت بصری معلومات استعمال ہوتی ہیں۔ ہر نظام لازماً پہلے پوری تصویر کا متن لکھ کر نہیں نکالتا۔

۲۰۲۲ کی Flamingo تحقیق بصری ماڈل اور زبان کے ماڈل کو جوڑنے کی ایک مثال ہے۔ اس میں جواب بناتے وقت سوال کے مطابق بصری معلومات استعمال کرنے کا رابطہ بنایا گیا۔ تربیت میں تصاویر کے ساتھ آنے والی تحریر استعمال ہوتی ہے۔ ایسے نمونوں سے تصویر، بیان اور سوال کے تعلقات سیکھے جا سکتے ہیں۔ یہ تحقیق ثابت نہیں کرتی کہ ہر تجارتی مددگار کی اندرونی ساخت بھی یہی ہے۔

تیاری میں مثالوں سے تعلقات سیکھنا اور بعد میں آپ کی تصویر کا جواب دینا الگ مرحلے ہیں۔ تصویر کی معلومات اور پہلے سیکھے ہوئے تعلقات دونوں نتیجے پر اثر ڈال سکتے ہیں۔ تصویر میں نہ دکھائی دینے والا وقت عام جدول کے انداز سے بتانا درست مطالعہ نہیں ہوگا۔ پراعتماد جواب اس بات کا ثبوت نہیں کہ معلومات تصویر سے صحیح نکالی گئی تھیں۔

واضح سوال کی مدد اور حد

“یہ سمجھائیں” کے بجائے پوچھ سکتے ہیں، “اس جدول میں شام چھ بجے کے بعد روانگی کے اوقات پڑھیں؛ غیر واضح ہندسوں کا اندازہ نہ لگائیں۔” اس طرح عام بیان کے بجائے مطلوبہ معلومات واضح ہوتی ہیں۔ مگر واضح ہدایت غلط پڑھنے کا امکان ختم نہیں کرتی۔ جواب کو تصویر کی متعلقہ قطاروں سے ملا کر دیکھنا چاہیے۔

Google کی تصویر سے متعلق دستاویزات میں منظر کا بیان، درجہ بندی اور بصری سوالوں کے جواب جیسے کام درج ہیں۔ صاف تصویر اور درست رخ کی اہمیت بھی بتائی گئی ہے۔ باریک ہندسے غلط پڑھے جا سکتے ہیں؛ مطلوبہ حصہ صاف دکھانا مفید ہے۔ وقت واضح نہ ہو تو ٹرانسپورٹ ادارے کے سرکاری جدول سے تصدیق کریں۔ تصویر کا بیان بس کے فی الحال چلنے کی ضمانت نہیں۔

آواز لینے والے بعض نظام ریکارڈنگ کے بارے میں جواب، تحریری نقل یا خلاصہ دے سکتے ہیں۔ Google کی صوتی دستاویزات ایسے استعمال بتاتی ہیں۔ مگر تصویر لینے والا ہر نظام آواز بھی نہیں لیتا۔ ویڈیو قبول کرنے سے ہر واقعہ درست پہچانے جانے کی ضمانت نہیں ملتی۔ کون سا مواد دیا جا سکتا ہے اور جواب کس روپ میں ملتا ہے، دونوں الگ دیکھیں۔

تصویر دینے سے پہلے غیر ضروری نام، فون نمبر یا دوسرے شخص کے چہرے پر نظر ڈالیں۔ Google کی دستاویزات تصاویر اور آواز اپ لوڈ کرنے کے طریقے بتاتی ہیں؛ اس سے یہ ثابت نہیں ہوتا کہ ہر ملٹی موڈل نظام صرف آلے کے اندر کام کرتا ہے۔ استعمال ہونے والی خدمت کی ذخیرہ اور اشتراک کی شرائط دیکھیں۔ زیادہ معلومات دینا ممکن ہونا سب کچھ دینے کی وجہ نہیں۔

Google کی حفاظتی رہنمائی واضح کرتی ہے کہ غلط معلومات بن سکتی ہیں۔ اس لیے تصویر میں کیا ہے معلوم کرنے کی مدد اور معلومات کے درست اور تازہ ہونے کی تصدیق الگ رکھیں۔ ملٹی موڈل اے آئی پہلے کام میں مدد دے سکتی ہے؛ دوسرے کے لیے بیرونی ثبوت خود بخود نہیں ملتا۔ اہم فیصلوں میں جواب کے اعتماد سے زیادہ اصل معلومات سے اس کا میل دیکھیں۔