باب سوم: زرعی مصنوعی ذہانت کے لیے شواہد کا فریم ورک

باب سوم: زرعی مصنوعی ذہانت کے لیے شواہد کا فریم ورک

باب کا پیغام: ماخذ کی فراوانی سے قابلِ اعتماد علم تک

کسی علمی کتاب کی قوت ان حوالوں کی تعداد میں نہیں جو اس کے حواشی میں جمع ہو جائیں، بلکہ اس صلاحیت میں ہے کہ وہ متعین کر سکے کہ ہر حوالہ درحقیقت کیا ثابت کر سکتا ہے اور اس کا علمی اختیار کہاں ختم ہو جاتا ہے۔ کسی ماخذ کی قدر محض اس کی موجودگی سے نہیں، بلکہ اس دعوے کے لیے اس کی موزونیت سے پیدا ہوتی ہے جس کی تائید کے لیے اسے پیش کیا گیا ہو۔ یہ مسئلہ زرعی مصنوعی ذہانت جیسے تیزی سے ارتقا پذیر شعبے میں اور زیادہ پیچیدہ ہو جاتا ہے: لکھنے والے کے سامنے ہم مرتبہ نظرثانی شدہ ایک سائنسی مقالہ ہو سکتا ہے، ایک سرکاری رپورٹ، ایک مصنوعاتی صفحہ، ایک کوڈ ریپازٹری، ایک کمپیوٹر سِمولیشن، ایک خبری رپورٹ، اور کسی میدانی تجربے کو بیان کرنے والی شہادت۔ ان میں سے ہر ماخذ میں درست معلومات ہو سکتی ہیں، مگر یہ سب قابلِ اعتمادیت کے ایک ہی درجے کے حامل نہیں ہوتے اور نہ ہی ایک ہی استدلالی فریضہ ادا کرتے ہیں۔ کوئی سائنسی مقالہ کسی ماڈل کی کارکردگی مخصوص ڈیٹا اور تجرباتی حالات میں ناپ سکتا ہے، مگر یہ خودبخود ہر فصل یا ہر خطے میں اس کی کامیابی ثابت نہیں کرتا۔ کوئی ضابطہ کار اتھارٹی کسی کیڑے مار دوا کے اندراج یا اس کے استعمال کی اجازت کے تعین کے لیے مجاز ادارہ ہے، مگر وہ ادارہ نہیں جو کسی الگورتھم کی درستی ناپے۔ کوئی مصنوعاتی صفحہ یہ دستاویز کرتا ہے کہ فراہم کنندہ ایک مخصوص تاریخ پر اپنے نظام کے بارے میں کیا دعویٰ کرتا ہے، مگر یہ اس کی مؤثریت کی آزادانہ تشخیص کا متبادل نہیں۔ رہی بات کوڈ ریپازٹری کی، تو وہ یہ ثابت کر سکتی ہے کہ معائنے کے وقت کوڈ میں ایک جزو موجود تھا، بغیر یہ ثابت کیے کہ وہ جزو کسی فعال خدمت میں کام کرتا ہے، یا یہ کہ وہ کھیت میں کوئی محسوس زرعی اثر پیدا کرتا ہے۔ اس باب کا کام اسی امتیاز سے نکلتا ہے: یہ وضاحت کرنا کہ کتاب ماخذ کے تنوع سے کیسے منضبط، قابلِ سراغ، اور قابلِ نظرثانی فیصلوں تک پہنچی۔ یہ تحقیقی طریقوں کا کوئی تجریدی فہرست نامہ پیش نہیں کرتی؛ بلکہ وہ عملی فریم ورک ظاہر کرتی ہے جو ایک دستاویزی حقیقت کو ایک سیاق سے بندھے نتیجے، اپنے ماخذ سے منسوب ایک وضاحت، ابھی تک مکمل طور پر تصدیق نہ شدہ ایک عدد، یا ایسی ادارتی تجویز سے الگ کرنے کے لیے استعمال ہوا جو تجرباتی دریافت ہونے کا دعویٰ نہیں کرتی۔ مقصد یہ نہیں کہ تحفظات کے انبار سے دلیل کو کمزور کیا جائے، اور نہ یہ کہ علم کے گرد شک کی مستقل باڑ کھڑی کر دی جائے؛ مقصد ایسا اعتماد تعمیر کرنا ہے جو اپنی بنیاد اور اپنی حدود کے واضح فہم پر قائم ہو۔ سائنسی یقین قطعی لہجے سے پیدا نہیں ہوتا، بلکہ ایسے راستے سے پیدا ہوتا ہے جس پر قاری چل سکے: معلومات کہاں سے آئیں؟ یہ کس قسم کا ماخذ ہے؟ یہ ماخذ درحقیقت کیا ثابت کرتا ہے؟ اور اس سے کیا نتیجہ اخذ کرنے کا ہمیں حق نہیں؟

1۔ شواہد کی بنیاد کا تعمیراتی ڈھانچہ: کتاب کی علمی اساس کیسے تعمیر ہوئی؟

"کثیر لسانی ماخذ مجموعے" سے کتاب کی مراد وہ تمام مواد ہے جو اس کی تیاری کے مراحل کے دوران جمع اور منظم کیا گیا، اور جس پر بعد ازاں اس کے ابواب اور تجزیے تعمیر ہوئے۔ یہ مجموعہ کسی ایک قسم کی دستاویز تک محدود نہیں تھا؛ بلکہ اس میں بنیادی مطالعات، سائنسی جائزے، سرکاری رپورٹیں، ورکنگ پیپرز، ادارتی دستاویزات، مصنوعات کی تفصیلات، تکنیکی مواد، اور عمل درآمد کی رہنما ہدایات شامل تھیں، ساتھ ہی وہ معاون مواد بھی جو ناموں اور موضوعات کی دریافت اور تحقیق کی نئی راہیں کھولنے کے لیے استعمال ہوا۔ یہ مواد متعدد زبانوں میں تھا، کیونکہ زرعی جدت طرازی مکمل طور پر انگریزی میں شائع نہیں ہوتی، اور کیونکہ بعض ایپلی کیشنز، پالیسیاں، اور مقامی اصطلاحات اپنا پورا مفہوم اپنی زبان اور اپنے سیاق کے اندر ہی ظاہر کرتی ہیں۔ تاہم لسانی تکثیریت کا مطلب یہ نہیں کہ ایک ترجمے اور اصل کو دو الگ الگ ماخذ شمار کیا جائے، اور نہ ہی یہ کہ کسی دستاویز کو محض اس بنا پر بلند علمی درجہ دے دیا جائے کہ وہ ایک سے زائد نسخوں میں موجود ہے۔ اسی لیے تراجم کو ان کے اصل متون سے منسلک کیا گیا، مکرر یا ماخوذ نسخوں کی نشاندہی کی گئی، اور ہر دستاویز کو دلیل کی تعمیر میں اس کا درست مقام اور فریضہ سونپا گیا۔ کام کا آغاز ماخذ مواد کی فہرست بندی اور تنظیم سے ہوا، مگر وہ فائلیں جمع کرنے پر نہیں رکا۔ یہ ماخذ، دعووں، اعداد، اور مطالعاتی مثالوں کے لیے الگ الگ ادارتی رجسٹر بنانے تک بڑھا۔ ان دونوں مرحلوں کے درمیان فرق بنیادی ہے: کسی دستاویز کا جمع کرنا صرف یہ معنی رکھتا ہے کہ مواد معائنے کے لیے دستیاب ہو گیا، جبکہ اس سے ماخوذ کسی دعوے کو قبول کرنے کے لیے تصدیق کی ایک اور سطح درکار ہوتی ہے۔ اس مقام پر سوالات یہ بن جاتے ہیں: کیا یہ ماخذ اس مخصوص دعوے کی تصدیق کے لیے موزوں ہے؟ کیا اس عدد کا سراغ اس کے اصل مقام تک لگایا جا سکتا ہے؟ اور کیا مطالعے کی شرائط اور حدود اُس وقت بھی نمایاں رہیں جب نتیجہ کتاب میں منتقل ہوا؟ مطالعاتی مثال Aladdin Agri AI سے وابستہ شواہد کے لیے بھی ایک الگ رجسٹر بنایا گیا، تاکہ داخلی نفاذ کے شواہد اور قاری کے لیے دستیاب عمومی سائنسی حوالوں کا اختلاط نہ ہو۔ کوڈ، انٹرفیس، یا انضمام کے راستے کی موجودگی کسی معلوم ورژن میں نفاذ کی ایک مخصوص حالت ثابت کر سکتی ہے، مگر یہ محض اس بنا پر مؤثریت کا آزاد مطالعہ نہیں بن جاتی، اور نہ ہی کھیت میں زرعی اثر کا ثبوت۔ یہ علیحدگی دونوں اقسام کے شواہد کی قدر کا تحفظ کرتی ہے: تکنیکی شواہد پر اس سے زیادہ بوجھ نہیں ڈالا جاتا جتنا وہ ثابت کر سکتے ہیں، جبکہ قاری بدستور ٹھیک ٹھیک دیکھ سکتا ہے کہ وہ کیا ثابت کرتے ہیں۔ جب فائلوں اور ان کے راستوں کو دوبارہ منظم کیا گیا، تو حوالے متروک مقامات یا بدلنے والے ناموں کے یرغمال نہیں چھوڑے گئے؛ بلکہ فائل کے راستوں اور ڈیجیٹل نشانات کا بنیادی ریکارڈ ازسرِنو قائم کیا گیا۔ اس کا مقصد خالص تکنیکی نہیں تھا، بلکہ ادارتی اور علمی بھی: یہ یقینی بنانا کہ ہر اہم دعویٰ اس مواد سے منسلک رہے جس پر وہ مبنی تھا، اور فائلوں کی منتقلی یا ان کے ناموں کی تبدیلی تصدیق کے سلسلے کو نہ توڑ دے۔ یہ کام شواہد سے آگاہ منضبط بیانیہ جائزہ کیوں کہلاتا ہے؟ یہ کتاب شواہد سے آگاہ منضبط بیانیہ جائزے کی شکل اختیار کرتی ہے: یہ متنوع مواد جمع کرتی ہے، اس کی درجہ بندی کرتی ہے، اس کا موازنہ کرتی ہے، اور پھر اس سے شعبے کی ایک مربوط تعبیر تعمیر کرتی ہے، جبکہ ہر شہادت کی نوعیت اور اس سے اخذ کی اجازت دینے والی حدود کو نمایاں رکھتی ہے۔ یہ طریقہ اس لیے منتخب کیا گیا کہ یہ کتاب کے وسیع سوال سے مطابقت رکھتا ہے: مصنوعی ذہانت لیبارٹری اور مصنوع سے نکل کر زرعی فیصلہ سازی، معیشت، مزدوری، نظم و نسق، اور کھیت تک کیسے پہنچتی ہے؟ ایک منضبط جائزہ، درست سائنسی معنوں میں، ایک مختلف مقصد کے لیے ہوتا ہے اور ایک زیادہ مخصوص طریقہ کار کے فریم ورک پر قائم ہوتا ہے۔ وہ عموماً ایک تنگ تر سوال، پیشگی متعین شدہ تلاش کے پروٹوکول، معین ڈیٹا بیسز، دوبارہ قابلِ استعمال تلاشی عبارات، شمولیت و اخراج کے واضح معیارات، اور تلاش کے نتائج، مکرر اندراجات کے خاتمے، اور چھانٹی کے مراحل کے مکمل ریکارڈ سے شروع ہوتا ہے۔ یہ عناصر کسی دوسرے محقق کو یہ سہولت دیتے ہیں کہ وہ اس عمل کو دہرا کر اپنے نتائج کا موازنہ جائزے کے مصنفین کے نتائج سے کرے۔ درجہ بندی کے اس فرق کا مطلب یہ نہیں کہ ایک قسم سخت گیر ہے اور دوسری کم؛ اس کا مطلب یہ ہے کہ ہر ایک کا علمی فریضہ مختلف ہے۔ منضبط جائزہ ایک قابلِ تکرار پروٹوکول کے اندر ایک مخصوص سوال کا جواب دینے کے لیے موزوں ہے، جبکہ منضبط بیانیہ جائزہ ایسے شعبوں کو جوڑ سکتا ہے جنہیں کوئی ایک تجرباتی ڈیزائن یکجا نہیں کرتا: الگورتھم، زراعت، معاشیات، غذائی تحفظ، مزدوری، ڈیٹا کے حقوق، ادارتی ساخت، اور علاقائی فرق۔ اس کتاب کی قوت ان روابط کو سخت گیر بنانے میں ہے، بغیر اس کے کہ شواہد کی اقسام کے درمیان فرق مٹا دیا جائے یا انہیں نوعیت اور شہادتی قوت میں برابر ظاہر کیا جائے۔ پچھلے مسودوں سے موروثی شمار: جب درستی عدد کی کشش سے زیادہ اہم ہو اس کتاب کے ایک پہلے ایڈیشن کے بعض مسودوں میں بیان کیا گیا تھا کہ متعدد ڈیٹا بیسز اور ماخذ میں 150 سے زائد دستاویزات کا جائزہ لیا گیا۔ تاہم اس ایڈیشن نے وہ عدد محض اس لیے برقرار نہیں رکھا کہ وہ پہلے ورژن میں موجود تھا: اس کے ساتھ ایسا مکمل ریکارڈ موجود نہیں تھا جو تلاشی عبارات، تاریخوں، نتائج، چھانٹی، اخراج، اور مکرر اندراجات کے خاتمے کو دہرا سکے، اور جو اسے ایک حتمی طریقہ کارانہ شمار کے طور پر برتنے کے لیے درکار تھا۔ آسان تر انتخاب یہ ہوتا کہ اس شمار کو نئے ایڈیشن میں منتقل کر دیا جاتا؛ یہ ایک بڑا، واضح اور پرکشش عدد ہے۔ مگر علمی انتخاب یہ تھا کہ اُس مفید علم کو جس کی تصدیق ہو سکتی تھی، ایسے عددی دعوے سے الگ کیا جائے جس کا دستاویزی راستہ نامکمل رہا۔ چنانچہ اس تاریخی عدد کو جائزے کی ہمہ گیریت کے ثبوت کے طور پر استعمال نہیں کیا گیا، اور مواد و دعووں کا اس ایڈیشن کے ریکارڈوں اور بیان کردہ حدود کے مطابق ازسرِنو جائزہ لیا گیا۔ اس کا مطلب یہ نہیں کہ پچھلے مسودوں سے گزرنے والا علم ضائع یا کالعدم ہو گیا۔ وہ نام، خیالات، اور تحقیقی راستے جن کا سراغ لگایا جا سکتا تھا، برقرار رکھے گئے، اور دعووں کو اپنانے سے پہلے دوبارہ جانچا گیا۔ رہا کوئی ایسا عدد یا نتیجہ جس کا سراغ کسی مناسب ماخذ تک نہ لگ سکا، تو اسے قاری کے سامنے مکمل طور پر ثابت شدہ حقیقت کے طور پر پیش نہیں کیا گیا۔ یوں ادارتی نظرثانی علم کو نکھارنے کا آلہ بنی، اسے مٹانے کا نہیں؛ کتاب کی قابلِ اعتمادیت بڑھانے کا ذریعہ، اسے گھٹانے کا نہیں۔ [SRC004] جیسا کوئی شائع شدہ منضبط جائزہ شعبے کے ایک حصے کا نقشہ بنانے میں معاون ہو سکتا ہے اور اپنے مخصوص سوال کے دائرے میں کسی دستاویزی تلاشی پروٹوکول کی مثال پیش کر سکتا ہے۔ تاہم اس کا منضبط ہونا اُس کام سے متعلق ہے جو اس کے مصنفین نے انجام دیا، اور یہ محض اس بنا پر اس کتاب کو منتقل نہیں ہو جاتا کہ وہ اس کا حوالہ دیتی ہے۔ اسی طرح دستاویزات کا کوئی وسیع مجموعہ محض اپنی فائلوں کی تعداد یا اپنے ابواب کی ترتیب کی بدولت منضبط جائزہ نہیں بن جاتا۔ درستی کا آغاز کام کو اُس نام سے پکارنے سے ہوتا ہے جو اس نے درحقیقت انجام دیا ہے، اور پھر اسے سختی سے اُس نام کے تقاضوں کا جواب دہ ٹھہرانے سے۔ اس معنی میں، طریقہ کار کتاب کی کوئی معذرت نہیں، بلکہ اس کی قوت کا بیان ہے: کتاب نے یہ چنا کہ ایک وسیع اور قابلِ سراغ دلیل تعمیر کرے، اپنی نوعیت واضح طور پر بیان کرے، اور ہر ماخذ کو اس کا جائز مقام دے بغیر اسے اس کی حقیقی شہادتی قوت سے بلند کیے۔ طریقہ کارانہ نتیجہ: اعتماد دستاویزات کی محض تعداد سے تعمیر نہیں ہوتا، بلکہ اُس راستے کی وضاحت سے جو ہر دعوے کو اس کے ماخذ سے جوڑتا ہے، اور ٹھیک ٹھیک متعین کرتا ہے کہ وہ ماخذ کیا ثابت کرتا ہے اور کیا چیز اس کی حدود سے باہر ہے۔

2۔ تصدیق کی اکائی دعویٰ ہے، پیراگراف نہیں

صفحے پر ایک پیراگراف بظاہر ایک واحد مربوط اکائی معلوم ہو سکتا ہے، مگر اس میں کئی ایسے دعوے ہو سکتے ہیں جو اپنی نوعیت اور ہر ایک کو ثابت کرنے کے لیے درکار شواہد کی قسم میں بنیادی طور پر مختلف ہوں۔ وہ جملہ جو کسی نظام کے وجود کو ثابت کرتا ہے، اُس جملے کے ہم پلہ نہیں جو اس کی کسی خصوصیت کو بیان کرتا ہے، اور ان میں سے کوئی بھی اس کی درستی یا کسانوں کی زندگی پر اس کے اثر کو ثابت کرنے کے لیے کافی نہیں۔ آئیے کسی ڈیجیٹل زرعی مصنوع سے متعلق ایک پیراگراف کی سادہ مثال پر غور کریں۔ اس پیراگراف میں دعوے کی چار مختلف سطحیں شامل ہو سکتی ہیں:

• شناخت یا وجود کا دعویٰ: "اس نام کا ایک پلیٹ فارم یا آلہ موجود ہے۔"
• خصوصیت کا دعویٰ: "اس کا فراہم کنندہ بیان کرتا ہے کہ وہ بیماری کی علامات کی نشاندہی کے لیے کمپیوٹر وژن استعمال کرتا ہے۔"
• کارکردگی کا دعویٰ: "اس نے ایک مخصوص کام میں 95% درستی حاصل کی۔"
• اثر کا دعویٰ: "اس نے حقیقی عملیاتی حالات میں کسانوں کے نقصانات کم کیے یا ان کی آمدنی بہتر کی۔"

کسی فراہم کنندہ کا صفحہ یہ دستاویز کر سکتا ہے کہ مصنوع اس نام سے پیش کی جاتی ہے، اور یہ کہ کمپنی اسے کمپیوٹر وژن استعمال کرنے والی مصنوع کے طور پر بیان کرتی ہے۔ مگر ایسی صورت میں وہ صرف یہ دستاویز کرتا ہے کہ فراہم کنندہ ایک مخصوص تاریخ پر اپنی مصنوع کے بارے میں کیا کہتا ہے۔ صفحہ بذاتِ خود اس کی کوئی آزادانہ تصدیق فراہم نہیں کرتا کہ خصوصیت بیان کے مطابق کام کرتی ہے، یا یہ کہ نظام نے درستی کی کوئی مخصوص سطح حاصل کی، یا یہ کہ اس کے استعمال سے درحقیقت نقصانات میں کمی ہوئی۔ رہا کارکردگی کا عدد، تو اس کے لیے ایسا ماخذ درکار ہے جو وہ ڈیٹا متعین کرے جس پر ماڈل کی جانچ ہوئی، ڈیٹا کی تقسیم کیسے کی گئی، استعمال ہونے والے پیمانے کی تعریف، وہ خط اساس جس سے نتیجے کا موازنہ کیا گیا، اور مطالعے کے ماحول سے باہر اس کی تعمیم کی حدود۔ خواہ یہ ثابت بھی ہو جائے کہ ماڈل نے کسی مخصوص جانچ میں 95% درستی حاصل کی، وہ نتیجہ خودبخود معاشی یا زرعی اثر ثابت نہیں کرتا۔ نقصانات میں کمی ثابت کرنے کے لیے ایسا ڈیزائن درکار ہے جو ناپے کہ کھیت میں کیا ہوا، نتیجے کا موازنہ اُس صورت سے کرے جو نظام کی غیر موجودگی میں پیش آتی، اور ان اخراجات، خطرات، اور دیگر عوامل کو ملحوظ رکھے جو بہتری کی وضاحت کر سکتے ہوں۔ تین سوالات ہر دعوے کی جانچ کو منضبط کرتے ہیں اسی وجہ سے، کتاب کا طریقہ قابلِ تصدیق دعوے کو جانچ کی بنیادی اکائی کے طور پر برتتا ہے۔ اس کا مطلب ہے کہ مرکب بیان کو واضح اکائیوں میں توڑا جائے، اور پھر ہر اکائی کے سامنے تین سوال رکھے جائیں:

1. یہ کس قسم کا دعویٰ ہے؟

کیا یہ شناخت، خصوصیت، کارکردگی، یا اثر کا دعویٰ ہے؟

2. اسے ثابت کرنے کے لیے موزوں ماخذ کیا ہے؟

کیا اس کے لیے سرکاری دستاویز درکار ہے، کارکردگی کا مطالعہ، میدانی تشخیص، یا تکنیکی مواد؟

3. ماخذ کس حد تک کی تعبیر کی اجازت دیتا ہے؟

اعتماد کے ساتھ کیا کہا جا سکتا ہے، اور کیا کہنا ایسی تعمیم شمار ہو گا جو شواہد سے تجاوز کر جائے؟

جانچ کے بعد، دعووں کو سب ایک ہی زمرے میں یکجا نہیں کیا جاتا، بلکہ انہیں واضح درجوں کے مطابق تقسیم کیا جاتا ہے:

• تصدیق شدہ: موزوں مواد سے مؤید، اور اس کے ثبوت کا سلسلہ قابلِ سراغ ہے۔
• حدود کے اندر تصدیق شدہ: کسی مخصوص مطالعے یا سیاق میں ثابت شدہ، اور اس سے باہر اس کی تعمیم نہیں کی جا سکتی۔
• منسوب وضاحت: یہ ظاہر کرتی ہے کہ کوئی ادارہ یا کمپنی اپنی مصنوع کے بارے میں کیا کہتی ہے، نہ کہ اس کی کوئی آزادانہ تشخیص۔
• تصدیق کا منتظر: کوئی ابتدائی اشارہ یا حوالہ موجود ہے، مگر ثبوت کا سلسلہ نامکمل ہے۔
• ناقابلِ استعمال: کوئی مطابق ماخذ متعین نہ ہو سکا، یا یہ معلوم ہوا کہ ماخذ اُس دعوے کی تصدیق نہیں کرتا جو اس سے منسوب کیا گیا۔

چنانچہ اگر مصنوع کا نام اور اس کے استعمال کا شعبہ ثابت ہو، جبکہ اس کی کارکردگی کی سطح نہ ہو، تو مصنوع کو شعبے کے نقشے سے ہٹانا ضروری نہیں؛ لیکن ساتھ ہی اُس عدد کو ایسے شائع نہیں کیا جا سکتا گویا وہ ایک مکمل حقیقت ہو۔ نام اور کام کی تفصیل اُن حدود کے اندر برقرار رکھی جاتی ہے جن کی دستاویز بندی ممکن تھی، جبکہ کارکردگی کے عدد کو عارضی طور پر متنِ اصلی سے الگ رکھا جاتا ہے یہاں تک کہ اس کے لیے کوئی موزوں ماخذ سامنے آ جائے۔ سائنسی قرنطینہ: شواہد مکمل ہونے سے پہلے نتیجے کا تحفظ اس کتاب میں سائنسی قرنطینہ سے یہی مراد ہے۔ یہ اس بات کا فیصلہ نہیں کہ خیال غلط ہے، اور نہ ماخذ یا مصنوع پر کوئی الزام، بلکہ ایک ادارتی فیصلہ ہے جو کسی نامکمل دعوے کو متن کے اندر ایک حقیقت کے طور پر کام کرنے سے روکتا ہے۔ کوئی دعویٰ دوبارہ کھولا جا سکتا ہے اگر کوئی مطابق بنیادی ماخذ یا کافی آزادانہ تصدیق سامنے آ جائے، اور وہ نتیجے سے باہر بھی رہ سکتا ہے اگر اس کے ثبوت کی شرائط پوری نہ ہوں۔ اس طرح سائنسی قرنطینہ علم کو جلد بازی سے بچانے کا ایک طریقہ کار بن جاتا ہے، خیالات کو خارج کرنے کا آلہ نہیں۔ اسی بنیاد پر، شواہد پر سخت گیر ضبط مواد کو تہی دست نہیں کرتا، جیسے ایک وسیع الدائرہ کتاب پیش کرنے کی خواہش یقین کے درجوں کو خلط ملط کرنے کا جواز نہیں بن جاتی۔ کتاب ایپلی کیشنز، مصنوعات، اور تحقیق کا ایک بھرپور نقشہ برقرار رکھ سکتی ہے اور ساتھ ہی ان کے درمیان ایک واضح لکیر کھینچ سکتی ہے:

• وہ جو ہم موزوں شواہد کی بنیاد پر جانتے ہیں؛
• وہ جو ہم متعین شرائط اور سیاق و سباق کے اندر جانتے ہیں؛
• وہ جو متعلقہ فریق اپنے بارے میں کہتا ہے؛
• اور وہ جو ابھی کافی ثبوت کا منتظر ہے۔

سائنسی سختی علم کو کم وسیع نہیں کرتی؛ بلکہ اس کی حدود کو زیادہ واضح کرتی ہے۔ جب قاری جان لے کہ کوئی بیان کہاں سے آیا، اسے کیا سہارا دیتا ہے، اور اس کا دائرہ کہاں ختم ہوتا ہے، تو احتیاط کمزوری کی نشانی معلوم نہیں ہوتی، بلکہ وہ بنیاد بن جاتی ہے جو اعتماد کو اس کا مفہوم عطا کرتی ہے۔

3۔ ماڈل کی درستی سے زرعی فیصلہ سازی کے معیار تک

کوئی مصنوعی ذہانت کا ماڈل جانچوں میں بلند نتائج حاصل کر سکتا ہے، خصوصاً جب اس کی تشخیص ایسے صاف اور مکمل ڈیٹا پر ہو جو اُس ڈیٹا سے مشابہ ہو جس پر وہ تربیت یافتہ ہے۔ تاہم یہ تکنیکی کامیابی بذاتِ خود اس بات کی ضمانت نہیں کہ وہ عملاً کسی زرعی فیصلے کو بدل دے گا۔ ممکن ہے ماڈل کو اُس فون یا آلے پر چلانا ناممکن ہو جو کھیت میں دستیاب ہے، ممکن ہے اسے مسلسل انٹرنیٹ رابطہ درکار ہو، ممکن ہے وہ اپنی وارننگ اُس وقت جاری کرے جب فصل بچانے کا موقع گزر چکا ہو، یا ممکن ہے وہ پُراعتماد سفارش پیش کر دے حالانکہ تصویر غیر واضح ہو یا ڈیٹا نامکمل۔ ایسی صورتوں میں عددی نتیجہ متاثر کن رہتا ہے، مگر اس کی عملی قدر محدود ہوتی ہے۔ اس کے برعکس، کوئی دوسرا ماڈل جانچ میں قدرے کم کارکردگی ریکارڈ کر سکتا ہے، مگر چلانے میں ہلکا ہو، میدانی حالات میں کام کرنے کی بہتر استعداد رکھتا ہو، اور اپنے علم کی حدود کے بارے میں زیادہ صاف گو ہو۔ اگر ڈیٹا ناکافی ہو تو وہ کوئی قطعی سفارش جاری کرنے سے گریز کرتا ہے اور کوئی اضافی تصویر یا پیمائش طلب کرتا ہے، یا معاملہ کسی زرعی ماہر کی طرف بھیج دیتا ہے۔ اگر وہ کسی خطرے کا سراغ لگائے تو ایسی ابتدائی وارننگ جاری کرتا ہے جو کسان کو مداخلت کی کھڑکی بند ہونے سے پہلے معائنے اور عمل کے لیے کافی وقت دے؛ یعنی وہ مدت جس کے دوران علاج یا بچاؤ ممکن اور مؤثر رہتا ہے۔ چنانچہ یہ ماڈل زیادہ مفید ہو سکتا ہے، خواہ جانچ کے نتائج میں اس کا اسکور سب سے بلند نہ ہو۔ ایک عملی مثال پر غور کیجیے: پودوں کی کسی بیماری کی تشخیص کا ماڈل انفیکشن کی شناخت بلند درستی کے ساتھ کر سکتا ہے، مگر اس کا سراغ اُس وقت لگائے جب علامات واضح ہو چکی ہوں اور بیماری پہلے ہی وسیع رقبے پر پھیل چکی ہو۔ عملاً ممکن ہے اس پر وہ قدرے کم درست ماڈل سبقت لے جائے جو ابتدائی علامات پکڑ لیتا ہے، اپنے اعتماد کی سطح بتاتا ہے، اور اُس معاملے کو، جس کی نگرانی کی جا سکتی ہے، اُس معاملے سے الگ کرتا ہے جسے فوری انسانی جانچ درکار ہے۔ پہلا مسئلے کو اس کے وقوع کے کافی بعد اچھی طرح بیان کرتا ہے؛ دوسرا لوگوں کو اُس وقت فیصلہ کرنے میں مدد دیتا ہے جب فیصلہ ابھی نتیجے پر اثر ڈال سکتا ہو۔ اس کا مطلب درستی کی اہمیت کو کم کرنا یا کسی کمزور ماڈل کو اس بہانے قبول کرنا نہیں کہ اسے چلانا آسان ہے۔ تکنیکی کارکردگی ایک لازمی شرط رہتی ہے، بالخصوص ایسے فیصلوں میں جو فصلوں، جانوروں، یا انسانوں کی سلامتی پر اثر انداز ہو سکتے ہوں۔ مگر زرعی قدر کسی ایک عدد سے پیدا نہیں ہوتی؛ وہ ایک مربوط نظام سے پیدا ہوتی ہے جو قابلِ قبول اور مستند درستی، سیاق کے مطابق ڈیٹا، قابلِ اعتماد عمل، بروقت وارننگ، قابلِ فہم اور قابلِ عمل سفارش، اور شواہد ناکافی ہونے پر ذمہ دارانہ گریز کو یکجا کرتا ہے۔ چنانچہ بہترین ماڈل ہمیشہ وہ نہیں جو لیبارٹری کے اندر زیادہ جانتا ہو، بلکہ وہ ہے جو لوگوں کو اُس جگہ اور اُس وقت زیادہ درست فیصلہ کرنے میں مدد دے جب وہ فیصلہ ابھی نتیجہ بدل سکتا ہو۔ اسی وجہ سے، کامیابی کی پانچ سطحوں میں امتیاز کرنا چاہیے:

یہ سطحیں ایک ہی کامیابی کے مختلف نام نہیں، بلکہ ایک ہی زنجیر کی کڑیاں ہیں۔ ممکن ہے کوئی ماڈل درست ہو مگر مقامی ماحول سے ہم آہنگ نہ ہو؛ ممکن ہے وہ اُس ماحول کے لیے موزوں ہو مگر خدمت ناکام ہو جائے؛ ممکن ہے خدمت کام کرتی رہے مگر سفارش بہت دیر سے پہنچے یا مبہم رہے؛ اور ممکن ہے کسان بہتر فیصلہ کرے مگر کسی غیر معمولی موسم میں اس کا فائدہ ظاہر نہ ہو۔ اس لیے ٹیکنالوجی پر کوئی حکم اُس وقت تک مکمل نہیں ہوتا جب تک پورا راستہ نہ دیکھا جائے: پیش گوئی کی درستی سے لے کر فارم کے لیے اس کی موزونیت تک، اس کے بروقت پہنچنے تک، پھر اُس فیصلے تک جو اس نے بدلا، اور آخر میں اُس اثر تک جو اس نے کھیت میں اور کسان کے حسابات میں پیدا کیا۔ شواہد کی زنجیر کو یوں پیش کیا جا سکتا ہے: درست ڈیٹا ↓ ایک موزوں ماڈل ↓ آزادانہ توثیقِ صحت ↓ قابلِ اعتماد عمل ↓ ایک قابلِ فہم سفارش ↓ ایک قابلِ عمل اور بروقت اقدام ↓ ایک زرعی نتیجہ ↓ معاشی، ماحولیاتی، اور سماجی اثر کسی دعوے کو یہ حق حاصل نہیں کہ وہ کسی غائب کڑی کو پھلانگ جائے۔ اگر دستیاب شواہد ماڈل کی کارکردگی سے متعلق ہوں، تو نتیجہ اُنہی حدود کے اندر بیان کیا جائے گا۔ اگر شواہد کسی مختصر میدانی آزمائش کے ہوں، تو انہیں موسموں کے دوران مستحکم عمل کے طور پر پیش نہیں کیا جائے گا۔ اور اگر پیداوار بدلے، تو موسم، رقبے، مداخل، اور خط اساس کو مدِنظر رکھنے سے پہلے اس تبدیلی کو نظام سے منسوب نہیں کیا جائے گا۔

4۔ مختلف کاموں کے لیے مختلف پیمانے: رپورٹ کردہ عدد کا مطلب کیا ہے؟

مطالعے اور مصنوعات کے صفحات ایسے جملوں سے بھرے ہوتے ہیں جیسے "بلند درستی"، "جدید کارکردگی"، اور "ایسے نتائج جو پچھلے ماڈلوں سے بہتر ہیں"۔ مگر کوئی عدد، خواہ کتنا ہی چکاچوند کیوں نہ لگے، اپنی وضاحت خود نہیں کرتا۔ اس سے پہلے کہ ہم پوچھیں، درستی کتنی بلند تھی؟ ہمیں ایک مقدم سوال پوچھنا چاہیے: کس کام کی پیمائش کی جا رہی تھی، اور اس میں کس قسم کی غلطی پیدا ہو سکتی ہے؟ مصنوعی ذہانت کو بالکل مختلف سوالات کے جواب کے لیے استعمال کیا جا سکتا ہے:

• کیا پودا متاثرہ ہے یا صحت مند؟
• تصویر کے اندر پھل یا کیڑا کہاں ہے؟
• پتے کے متاثرہ حصے کا رقبہ کتنا ہے؟
• موسم کے اختتام پر متوقع پیداوار کیا ہے؟
• کیا روبوٹ پھل کو نقصان پہنچائے بغیر توڑ سکتا ہے؟
• کیا آبپاشی کے نظام نے واقعی پانی کا استعمال کم کیا؟

ان تمام کاموں کو ایک ہی پیمانے سے نہیں ناپا جا سکتا۔ اور نہ ہی یہ جائز ہے کہ ان کے اعداد ایک ہی جدول میں رکھ دیے جائیں اور ایپلی کیشنز کو بلند ترین سے پست ترین تک یوں درجہ بند کر دیا جائے گویا وہ ایک ہی امتحان میں مقابلہ کر رہی ہوں۔ ہر پیمانہ کارکردگی کے ایک پہلو کو روشن کرتا ہے، جبکہ دوسرے پہلوؤں کو سائے میں چھوڑ دیتا ہے۔ قاری کو ان پیمانوں کے پیچھے موجود ریاضیاتی مساواتیں یاد کرنے کی ضرورت نہیں۔ اہم بات تین چیزوں کا سمجھنا ہے: پیمانہ کس سوال کا جواب دیتا ہے، وہ کس غلطی کو چھپا سکتا ہے، اور اس کا زرعی فیصلے سے کیا تعلق ہے۔ اول: جب کام کسی حالت کی درجہ بندی ہو — کیا پودا بیمار ہے یا صحت مند؟ فرض کیجیے کہ کوئی ایپلی کیشن پودے کے پتے کی تصویر وصول کرتی ہے اور اسے دو حالتوں میں سے ایک میں درجہ بند کرتی ہے: "بیمار" یا "صحت مند"۔ یہ سادہ معلوم ہو سکتا ہے، مگر ماڈل چار مختلف نتائج پیدا کر سکتا ہے:

یہ چار نتائج وہ بنیاد ہیں جن سے درجہ بندی کے بیشتر پیمانے اخذ کیے جاتے ہیں۔ پیمانوں کے درمیان فرق کوئی شماریاتی عیاشی نہیں؛ ان میں سے ہر ایک غلطی کے ایک مختلف پہلو کو دیکھتا ہے۔ مجموعی درستی: ماڈل نے کتنے جواب درست دیے؟ مجموعی درستی تمام پیش گوئیوں میں سے اُن کا تناسب ہے جو درست ہوں، خواہ وہ بیمار معاملات ہوں جن کی درست شناخت ہوئی یا صحت مند معاملات جن کا درست اخراج ہوا۔ اگر ماڈل سو تصاویر کا جائزہ لے اور ان میں سے نوے درست قرار دے، تو اس کی مجموعی درستی 90% ہے۔ یہ عدد واضح معلوم ہوتا ہے، مگر جب ایک زمرہ دوسرے سے کہیں زیادہ ہو تو یہ گمراہ کن بن سکتا ہے۔ مثال کے طور پر فرض کیجیے کہ ہمارے پاس سو تصاویر ہیں: پچانوے صحت مند پودوں کی اور صرف پانچ بیمار پودوں کی۔ اگر کوئی کمزور ماڈل اعلان کر دے کہ تمام تصاویر صحت مند ہیں، تو وہ پچانوے معاملات میں درست ہو گا، جس سے مجموعی درستی 95% نکلے گی۔ حالانکہ اس نے پانچ انفیکشنز میں سے ایک کی بھی شناخت نہیں کی۔ چنانچہ مجموعی درستی اس سوال کا جواب دیتی ہے: ماڈل مجموعی طور پر کتنی بار درست تھا؟ مگر وہ بذاتِ خود اس مثال کے زیادہ اہم سوال کا جواب نہیں دیتی: ماڈل کتنے حقیقی انفیکشنز کی شناخت کر سکا؟ Recall/حساسیت، یا بیمار معاملات کی شناخت کی صلاحیت Recall، جسے حساسیت بھی کہا جاتا ہے، اُن تمام واقعی بیمار معاملات کا تناسب ناپتی ہے جن کی ماڈل نے کامیابی سے شناخت کی۔ کسان کی زبان میں سوال یہ ہے: اگر بیماری درحقیقت موجود ہو، تو نظام کے اسے شناخت کرنے کا کتنا امکان ہے بجائے اس کے کہ وہ بغیر کسی انتباہ کے گزر جانے دے؟ Recall خاص طور پر اُس وقت اہم ہوتی ہے جب کسی بیمار معاملے کا رہ جانا انتہائی خطرناک ہو — مثلاً کسی تیزی سے پھیلنے والی بیماری، ریوڑ میں کسی صحت کی خرابی کی ابتدائی علامت، یا ایسے آفت رساں کیڑے کے ساتھ جسے بروقت شناخت کر لیا جائے تو قابو میں لایا جا سکتا ہے۔ بلند Recall کا مطلب ہے کہ ماڈل سے کم بیمار معاملات رہ جاتے ہیں۔ مگر اس کا لازمی مطلب یہ نہیں کہ اس کا جاری کردہ ہر انتباہ درست ہے؛ ممکن ہے نظام بہت سے انتباہات جاری کر کے Recall بڑھا لے، جن میں کچھ سچے ہوں اور کچھ جھوٹے۔ اختصاصیت، یا صحت مند معاملات کے اخراج کی صلاحیت اختصاصیت اُن صحت مند معاملات کا تناسب ناپتی ہے جنہیں ماڈل نے درست طور پر صحت مند شناخت کیا۔ یہاں سوال یہ ہے: اگر پودا صحت مند ہو، تو اس بات کا کیا امکان ہے کہ نظام اسے غلطی سے بیمار قرار نہ دے؟ اختصاصیت اُس وقت اہم ہوتی ہے جب جھوٹے انتباہات کی لاگت زیادہ ہو، مثلاً معائنے کے لیے ٹیمیں بھیجنا، پیداواری عملیات میں خلل، لیبارٹری کے نمونے لینا، یا کسی غیر ضروری علاج پر غور کرنا۔ مگر محض بلند اختصاصیت اس بات کی ضمانت نہیں دیتی کہ ماڈل بیمار معاملات کی شناخت کرتا ہے۔ ممکن ہے وہ انتباہات جاری کرنے میں بہت محتاط ہو، اور یوں جھوٹے انتباہات کی تعداد کم کر دے، مگر اس کی قیمت حقیقی انفیکشنز کے رہ جانے کی صورت میں ادا ہو۔ Precision: کتنے مثبت انتباہات درست تھے؟ عربی میں اس پیمانے کو کبھی اِحکام ("دقت") کے طور پر بیان کیا جاتا ہے، مگر ممکن ہے یہ اصطلاح قارئین کے لیے واضح نہ ہو۔ اس کا عملی مفہوم اس نام سے زیادہ سادہ ہے: اُن تمام معاملات میں سے جنہیں نظام نے بیمار قرار دیا، کتنے درحقیقت بیمار تھے؟ اگر نظام دس انتباہات جاری کرے، اور معائنہ ظاہر کرے کہ ان میں سے صرف چھ درست ہیں، تو اس کی Precision کامل نہیں: چار انتباہات جھوٹے تھے۔ یہ پیمانہ اُس وقت اہم ہوتا ہے جب کسی انتباہ کی پیروی مہنگی ہو یا وہ کسی حساس مداخلت کی طرف لے جا سکتی ہو۔ اگر ہر انتباہ لیبارٹری تجزیے، کسی ماہر کے دورے، یا پیداواری لائن کے کسی حصے کو روکنے کا تقاضا کرے، تو یہ کافی نہیں کہ نظام بیشتر بیمار معاملات پکڑ لے؛ اسے صارف کو جھوٹے انتباہات میں غرق کرنے سے بھی بچنا ہو گا۔ یہاں Precision اور Recall کا فرق واضح ہو جاتا ہے:

• Recall پوچھتی ہے: اُن معاملات میں سے جو درحقیقت بیمار تھے، ماڈل نے کتنوں کی شناخت کی؟
• Precision پوچھتی ہے: اُن معاملات میں سے جنہیں ماڈل نے بیمار قرار دیا، کتنے انتباہات درست تھے؟

ممکن ہے کوئی ماڈل ایک پہلو میں مضبوط اور دوسرے میں کمزور ہو؛ اس لیے پیمانے کے انتخاب کو زرعی سیاق و سباق میں غلطی کے حقیقی دنیا کے نتائج سے جوڑنا ضروری ہے۔ F1 سکور: کیا ماڈل انفیکشن کی شناخت اور اپنے انتباہات کی درستی کے درمیان توازن رکھتا ہے؟ F1 سکور Recall اور Precision کو ایک ہی قدر میں جوڑ دیتا ہے۔ یہ اُس وقت بڑھتا ہے جب ماڈل بیک وقت دو چیزوں میں کامیاب ہو:

• بیمار معاملات کے ایک اچھے تناسب کی شناخت۔
• بڑی تعداد میں جھوٹے انتباہات جاری کرنے سے اجتناب۔ اسے انفیکشن کو نظرانداز نہ کرنے اور اس کے بارے میں انتباہات کو بڑھا چڑھا کر پیش نہ کرنے کے درمیان توازن کا ایک مختصر سکور سمجھا جا سکتا ہے۔ اگر ماڈل ہر انفیکشن کی شناخت کر لے مگر بہت سے جھوٹے انتباہات جاری کرے، تو اس کا F1 سکور اتنا بلند نہیں ہو گا جتنا ہونا چاہیے۔ یہی بات اُس صورت میں بھی درست ہے جب اس کے چند انتباہات درست ہوں مگر وہ بہت سے انفیکشنز سے چوک جائے۔ تاہم دونوں پہلوؤں کو ایک ہی عدد میں جمع کرنے کی ایک قیمت ہے: یہ اس حقیقت کو چھپا سکتا ہے کہ ایک قسم کی غلطی دوسری سے زیادہ خطرناک ہے۔ کسی تیزی سے پھیلنے والی وبائی بیماری میں، ایک انفیکشن کا رہ جانا کئی صحت مند معاملات کو معائنے کے لیے بھیجنے سے زیادہ نقصان دہ ہو سکتا ہے۔ البتہ کسی بلند لاگت یا بلند خطرے والی مداخلت میں، جھوٹا انتباہ بذاتِ خود ایک سنگین مسئلہ بن سکتا ہے۔ چنانچہ F1 سکور یہ نہیں کہتا کہ ماڈل خود بخود "محفوظ" یا "موزوں" ہے؛ وہ صرف یہ کہتا ہے کہ اس نے کارکردگی کی دو اقسام کے درمیان ریاضیاتی توازن کا ایک درجہ حاصل کر لیا ہے۔ زراعت میں مطلوب توازن کا تعین غلطی کے نتائج اور فیصلے کی نوعیت سے ہوتا ہے۔

کنفیوژن میٹرکس: ایک جدول جو دکھاتا ہے کہ ماڈل کہاں درست تھا اور کہاں غلط اپنے الجھن انگیز نام کے باوجود، کنفیوژن میٹرکس کوئی ریاضیاتی پہیلی نہیں، اور نہ ہی یہ مجموعی درستی کی طرح کوئی واحد پیمانہ ہے۔ یہ محض ایک جدول ہے جو اوپر بیان کردہ چار نتائج کو یکجا کرتا ہے:

• بیمار معاملات جن کی درست شناخت ہوئی۔
• بیمار معاملات جو ماڈل سے رہ گئے۔
• صحت مند معاملات جن کا درست اخراج ہوا۔
• صحت مند معاملات جو غلطی سے بیمار قرار دیے گئے۔ کنفیوژن میٹرکس کی قدر اس حقیقت میں ہے کہ یہ غلطیوں کو کسی مجموعی عدد کے پیچھے نہیں چھپاتا۔ ممکن ہے دو ماڈل ایک ہی مجموعی درستی حاصل کریں، مگر ایک خطرناک بیماریوں سے چوک جائے جبکہ دوسرا بہت سے جھوٹے انتباہات جاری کرے۔ مجموعی عدد انہیں یکساں دکھا سکتا ہے، مگر غلطیوں کا جدول وہ فرق ظاہر کرتا ہے جو کسان کے لیے اہم ہے۔ اسی لیے وہ سادہ تر نام جو اس اصطلاح کے ساتھ آ سکتا ہے، یہ ہے:

کنفیوژن میٹرکس: ایک جدول جو درست اور غلط جوابوں کی اقسام دکھاتا ہے۔ تشخیص میں ہم موزوں پیمانے کا انتخاب کیسے کریں؟ تمام معاملات میں کوئی ایک بہترین پیمانہ نہیں ہوتا۔ انتخاب کا انحصار زرعی سوال پر اور ہر قسم کی غلطی کے نتیجے پر ہے۔

• اگر بیماری کے رہ جانے سے وسیع پھیلاؤ یا ایسے نقصانات ہو سکتے ہوں جن کی تلافی مشکل ہو، تو Recall ایک بلند ترجیح بن جاتی ہے۔
• اگر ہر انتباہ پر ردِعمل مہنگا ہو یا کسی غیر ضروری مداخلت کی طرف لے جا سکتا ہو، تو Precision اور اختصاصیت زیادہ اہم ہو جاتی ہیں۔
• اگر زمرے غیر متوازن ہوں، تو تنہا مجموعی درستی کافی نہیں۔
• اگر ہمیں کوئی موازناتی عدد چاہیے جو معاملات کی شناخت اور انتباہات کی درستی کے درمیان توازن کا خلاصہ کرے، تو ہم F1 استعمال کر سکتے ہیں، جبکہ غلطیوں کی تفصیلات کی طرف رجوع کرتے رہیں۔
• اگر ہم بالکل ٹھیک ٹھیک جاننا چاہیں کہ ماڈل کہاں غلط ہوا، تو ہم کنفیوژن میٹرکس کی طرف رجوع کرتے ہیں۔

ایپلی کیشن کو محض اس تشخیص کی بنیاد پر ابتدائی شناخت سے کسی حساس علاج کی سفارش کی طرف نہیں بڑھنا چاہیے۔ کسی ماڈل کی مشتبہ تصویر میں امتیاز کرنے کی کامیابی، بذاتِ خود، سببی تشخیص کی درستی یا تجویز کردہ مداخلت کی موزونیت ثابت نہیں کرتی۔ اب بھی میدانی معائنے، لیبارٹری تجزیے، ماہر کی نظرثانی، اور سرکاری لیبل و مقامی ضوابط کی طرف رجوع کی ضرورت باقی رہ سکتی ہے۔ دوم: جب کام کسی شے کا مقام متعین کرنا یا اس کی حدود کھینچنا ہو درجہ بندی عموماً اس قسم کے سوال کا جواب دیتی ہے: "کیا تصویر میں کوئی کیڑا موجود ہے؟" مگر کچھ ایپلی کیشنز زیادہ درست معلومات کا تقاضا کرتی ہیں:

• کیڑا بالکل کہاں واقع ہے؟
• تصویر میں کتنے پھل دکھائی دیے؟
• فصل کی قطاروں کے درمیان جڑی بوٹی کی جگہ کیا ہے؟
• پتے کا کتنا رقبہ متاثر ہے؟
• صحت مند حصہ کہاں ختم ہوتا ہے اور خراب بافت کہاں شروع ہوتی ہے؟ یہاں ہم درجہ بندی سے دو زیادہ تفصیلی بصری کاموں کی طرف بڑھتے ہیں:

1. شناخت (Detection): نظام شے کا مقام کسی خانے یا تخمینی علاقے کے اندر متعین کرتا ہے، جیسے ہر پھل کے گرد ایک خانہ کھینچنا۔
2. تقسیم (Segmentation): نظام شے یا خطے کی عین حدود کھینچتا ہے، جیسے پتے پر بیماری کے دھبے کے رقبے کو زیادہ تفصیل سے شناخت کرنا۔ چونکہ سوال اب محض یہ نہیں رہا کہ "کیا شے موجود ہے؟"، اس لیے ہمیں ایسے پیمانے درکار ہیں جو شے کے مقام اور حدود کا موازنہ اُس درست مقام سے کریں جو ماہرین نے حوالہ جاتی تصاویر میں متعین کیا۔

Intersection over Union (IoU): پیش گوئی کردہ خطہ درست خطے سے کس حد تک مطابقت رکھتا تھا؟ فرض کیجیے کہ ایک ماہر نے پتے پر بیماری کے دھبے کی درست حدود کھینچیں، اور پھر ماڈل نے ایک خطہ کھینچا جس کے بارے میں اس نے پیش گوئی کی کہ وہ اسی دھبے کی نمائندگی کرتا ہے۔ Intersection over Union کا پیمانہ دونوں رقبوں کا موازنہ کرتا ہے:

• ماہر کی شناخت کردہ اور ماڈل کی شناخت کردہ چیز کے درمیان مشترکہ حصہ۔
• دونوں خطوں کے مجموعی طور پر ڈھانپے گئے کل رقبے۔ حقیقی تداخل جتنا زیادہ اور اضافی یا غائب حصہ جتنا کم ہو، پیمانے کی قدر اتنی ہی بلند ہوتی ہے۔ اسے بصری طور پر یوں سمجھا جا سکتا ہے:
• دونوں خطوں کے درمیان مکمل تداخل کا مطلب حدود متعین کرنے میں مثالی کارکردگی ہے۔
• جزوی تداخل کا مطلب ہے کہ ماڈل نے ایک حصہ درست اور دوسرا حصہ غلط کیا۔
• کوئی تداخل نہ ہونے کا مطلب ہے کہ ماڈل نے بالکل مختلف مقام کی شناخت کی۔ مگر اس پیمانے پر بلند قدر اس سوال کا جواب نہیں دیتی کہ آیا خطے کی شناخت کسی خاص زرعی کام کو انجام دینے کے لیے کافی درستی سے ہوئی۔ ممکن ہے وہ متاثرہ رقبے کی وسعت کا تخمینہ لگانے کے لیے موزوں ہو، مگر ایسے روبوٹی بازو کی رہنمائی کے لیے ناکافی ہو جسے زیادہ مکانی درستی درکار ہو۔

Dice coefficient: دونوں رقبوں کے درمیان کس درجے کی مشابہت ہے؟ Dice coefficient بھی ماڈل کے شناخت کردہ خطے اور ماہر کے متعین کردہ حوالہ جاتی خطے کے درمیان مشابہت کا درجہ ناپتا ہے۔ یہ تصور میں Intersection over Union کے قریب ہے، خواہ حساب کا طریقہ مختلف ہو۔ قاری کو دونوں پیمانوں کے درمیان ریاضیاتی فرق یاد کرنے کی ضرورت نہیں۔ اہم بات یہ ہے کہ دونوں اس سوال کا جواب دینے کی کوشش کرتے ہیں: ماڈل نے کس حد تک درست خطہ کھینچا، بغیر اس کے کہ اہم حصے چھوڑ دے یا ایسے رقبے شامل کر لے جو اس سے تعلق نہیں رکھتے؟ Dice coefficient تصویر کی تقسیم کے کاموں میں کثرت سے ظاہر ہوتا ہے، جن میں بافتوں، پتوں، پھلوں، یا متاثرہ رقبوں کی شناخت شامل ہے۔ مگر یہ بصری مشابہت کا ایک پیمانہ ہی رہتا ہے، نہ کہ اُس زرعی فیصلے کی کامیابی کا مکمل ثبوت جو اس تقسیم پر تعمیر کیا جائے گا۔ Mean average precision (mAP): اشیاء کو تلاش کرنے اور ان کے مقامات متعین کرنے میں نظام نے کیسی کارکردگی دکھائی؟ mAP اکثر تصاویر میں اشیاء کی شناخت کے نظاموں کی تشخیص کے وقت استعمال ہوتا ہے، جیسے پھلوں، کیڑوں، جڑی بوٹیوں، یا جانوروں کی شناخت۔ یہ ایک مرکب پیمانہ ہے جو متعدد زمروں یا تشخیصی شرائط کے پار شناخت کے معیار کا خلاصہ کرتا ہے۔ اس کے حسابی کلیے میں جائے بغیر، اس کے کام کو یوں سمجھا جا سکتا ہے: کیا نظام نے مطلوبہ اشیاء تلاش کیں، ایسی اشیاء کی شناخت سے گریز کیا جو موجود نہیں، اور ان کے مقامات درست مقامات کے ساتھ تداخل کے ایک قابلِ قبول درجے کے ساتھ متعین کیے؟ mAP کی قدر کو براہِ راست "زرعی کامیابی کی شرح" کے طور پر نہیں پڑھنا چاہیے۔ اگر کوئی ماڈل تصاویر کے ایک مجموعے کے اندر پھلوں کی شناخت میں بلند عدد حاصل کرے، تو اس کا مطلب یہ نہیں کہ روبوٹ اسی تناسب سے پھل کامیابی سے توڑ لے گا۔ ممکن ہے بصارتی نظام پھل کو اچھی طرح دیکھ لے، پھر بازو اس تک پہنچنے میں ناکام رہے، یا اسے بہت سختی سے پکڑ لے، یا غیر معاشی مقدار میں وقت لے، یا کھیت کی روشنی، گرد، اور شاخوں کی حرکت میں کام کرنے کے قابل نہ ہو۔ کسی روبوٹی نظام میں، بصارت محض پہلی کڑی ہے، جس کے بعد دیگر کڑیاں آتی ہیں: ہدف کو دیکھنا ← اس کا مقام متعین کرنا ← حرکت کی منصوبہ بندی ← اس تک پہنچنا ← عمل کو انجام دینا ← نقصان سے بچنا ← قابلِ قبول وقت اور لاگت کے اندر کام مکمل کرنا۔ اسی وجہ سے، بصارتی درستی کو مکمل زرعی عمل کی کامیابی سے الگ رکھنا ضروری ہے۔ سوم: جب کام کسی عدد کی پیش گوئی ہو — پیداوار، قیمت، یا طلب کچھ ایپلی کیشنز میں ماڈل پودے کو "متاثرہ" یا "صحت مند" درجہ بند نہیں کرتا، اور نہ ہی تصویر کے اندر کسی پھل کی تلاش کرتا ہے؛ بلکہ وہ ایک عددی قدر کی پیش گوئی کرتا ہے، جیسے:

• متوقع پیداوار کی مقدار۔
• فصل کی پانی کی ضرورت۔
• کسی مقررہ مدت میں متوقع قیمت۔
• کسی مصنوع کی طلب کا حجم۔
• ذخیرہ اندوزی کی باقی ماندہ مدت۔
• درکار خوراک یا توانائی کی مقدار۔ ان صورتوں میں ہمیں یہ جاننے کی ضرورت ہوتی ہے کہ ماڈل کے پیش گوئی کردہ عدد اور درحقیقت واقع ہونے والے عدد کے درمیان فرق کتنا بڑا ہے۔ اس فرق کو شمار کرنے کے کئی طریقے ہیں، کیونکہ ہر طریقہ ایک الگ پہلو کو آشکار کرتا ہے۔

اوسط مطلق خطا (MAE): ماڈل اوسطاً کتنی غلطی کرتا ہے، ایسی اکائی میں جسے کسان سمجھتا ہو؟ اگر ماڈل نے 5.5 ٹن فی ہیکٹر پیداوار کی پیش گوئی کی، جبکہ حقیقی پیداوار 6 ٹن رہی، تو اس صورت میں خطا آدھا ٹن فی ہیکٹر ہے۔ اوسط مطلق خطا تمام معاملات میں ان خطاؤں کی مقداروں کو جمع کرتی ہے، بغیر اس لحاظ کے کہ ماڈل نے زیادہ اندازہ لگایا یا کم، اور پھر ان کی اوسط نکالتی ہے۔ اس کا بنیادی فائدہ یہ ہے کہ اسے خود اُسی متغیر کی اکائی میں بیان کیا جاتا ہے:

• پیداوار کی پیش گوئی میں ٹن فی ہیکٹر۔
• قیمت کی پیش گوئی میں لیرا فی کلوگرام۔
• پانی کے استعمال کی پیش گوئی میں مکعب میٹر۔
• ذخیرہ اندوزی کی مدت کی پیش گوئی میں دن۔ اسی وجہ سے یہ اُن پیمانوں میں سے ایک ہے جنہیں سب سے آسانی سے ایک عملی سوال میں ڈھالا جا سکتا ہے:

اگر میں اس ماڈل پر انحصار کروں، تو اس کی پیش گوئی اوسطاً حقیقت سے کتنی دور ہوگی؟ لیکن اوسط چند ایسے معاملات کو چھپا سکتی ہے جن میں ماڈل نے بہت بڑی غلطیاں کیں؛ یہیں ایک دوسرے پیمانے کی ضرورت پیش آتی ہے، ایسا پیمانہ جو ان خطاؤں کو زیادہ وزن دے۔ جذر اوسط مربع خطا (RMSE): کیا ایسی بڑی خطائیں موجود ہیں جنہیں اوسط کو چھپانا نہیں چاہیے؟ RMSE بھی پیش گوئی کی خطا ناپتا ہے، مگر یہ بڑی خطاؤں پر چھوٹی خطاؤں کی نسبت زیادہ سزا دیتا ہے۔ اگر ماڈل کی بیشتر پیش گوئیاں حقیقت کے قریب ہوں، مگر وہ بعض موسموں یا خطوں میں شدید ناکام رہے، تو ان ناکامیوں کا اثر اس پیمانے میں زیادہ واضح طور پر ظاہر ہوگا۔ اس کا عملی تصور یہ ہے: ہم صرف اوسط خطا جاننا نہیں چاہتے؛ ہم یہ بھی چاہتے ہیں کہ بڑی خطائیں یوں نظرانداز نہ ہو جائیں گویا وہ معمول کے معاملات ہوں۔ یہ بات اُس وقت زیادہ اہم ہو جاتی ہے جب خطا میں ایک بڑا اچھال فیصلے کو متاثر کرے۔ پیداوار کی پیش گوئی میں محدود خطا قابلِ انتظام ہو سکتی ہے، مگر بڑا انحراف کسی نامناسب فروخت کے معاہدے، ناکافی ذخیرہ گنجائش، یا نقل و حمل اور مالیات کے غلط تخمینے کا سبب بن سکتا ہے۔ MAE کی طرح RMSE بھی خود اُسی متغیر کی اکائی میں بیان ہوتا ہے، مگر اس کی قدر بڑی خطاؤں والے معاملات سے زیادہ درجے میں متاثر ہوتی ہے۔ اوسط مطلق فیصدی خطا (MAPE): حقیقی قدر کے مقابلے میں کتنی فیصد خطا ہے؟ MAPE خطا کو فیصد میں بدل دیتا ہے، جو اسے پُرکشش اور پیش کرنے میں آسان بنا دیتا ہے۔ یہ جملہ کہ "اوسط خطا فلاں فیصد تک پہنچی" اُس عدد سے زیادہ قابلِ فہم لگتا ہے جو ایسی اکائی میں ہو جو فصلوں اور خطوں کے لحاظ سے مختلف ہو سکتی ہے۔ لیکن یہ پیمانہ اُس وقت گمراہ کن ہو سکتا ہے جب حقیقی قدر بہت چھوٹی یا صفر کے قریب ہو۔ ایک معمولی عددی خطا، جب کسی چھوٹی قدر پر تقسیم ہو، تو ایک بہت بڑے فیصد میں بدل سکتی ہے جو معاملے کی عملی اہمیت کی عکاسی نہیں کرتا۔ اس لیے اس پر انحصار کرنے سے پہلے ہمیں پوچھنا چاہیے:

• کیا حقیقی قدریں صفر کے قریب پہنچ سکتی ہیں؟
• کیا خطا کو سمجھنے کے لیے فیصد واقعی سب سے موزوں طریقہ ہے؟
• کیا خطا کی مقدار اصل اکائی میں بھی رپورٹ کی گئی؟
• کیا فیصد فصلوں، خطوں، یا موسموں کے درمیان اہم فرق چھپا رہا ہے؟ فیصد کے پڑھنے میں آسانی کا مطلب یہ نہیں کہ وہ ہمیشہ موزوں ہے۔

عاملِ تعین (R²): نتائج میں پائے جانے والے تغیر کا کتنا حصہ ماڈل بیان کر سکا؟ عاملِ تعین یہ ناپتا ہے کہ ماڈل، استعمال شدہ ڈیٹا اور طریقۂ تشخیص کے اندر، مشاہدہ شدہ اقدار میں تغیر کو کس حد تک بیان کر سکتا ہے۔ فرض کریں کہ متعدد عوامل کی بنا پر پیداوار کھیتوں اور موسموں کے درمیان مختلف ہوتی ہے۔ ماڈل اس تغیر کے ایک حصے کو اُس ڈیٹا کی بنیاد پر بیان کرنے کی کوشش کرتا ہے جو اسے دیا گیا، جیسے موسم، مٹی، قسم، اور کاشتکاری کے طریقے۔ عاملِ تعین ظاہر کرتا ہے کہ جانچ کے دائرے میں ایک شماریاتی خط اساس کے مقابلے میں ماڈل تغیر کا کتنا حصہ پیش کر سکا۔ لیکن اس پیمانے کی اکثر غلط تعبیر کی جاتی ہے۔ اگر کوئی مطالعہ رپورٹ کرے کہ اُس کے استعمال کردہ تشخیصی ماحول میں R² کی قدر 0.92 تک پہنچی [SRC006]، تو اسے اس بیان میں بدلنا درست نہیں: "نظام 92% درست ہے۔" ان دونوں بیانات کا مفہوم ایک نہیں۔ R² کی قدر ہمیں براہِ راست یہ نہیں بتاتی:

• ماڈل نے کتنے ٹن یا کلوگرام کی غلطی کی۔
• آیا خطائیں معاشی اعتبار سے قابلِ قبول تھیں۔
• آیا وہ خشک سالی کے موسم یا گرمی کی لہر میں کامیاب رہا۔
• آیا وہ کسی دوسرے خطے میں اپنی کارکردگی برقرار رکھتا ہے۔
• آیا پیش گوئی اتنے وقت پر پہنچی کہ فیصلہ بدلا جا سکتا۔
• آیا وہ کسی تاریخی اوسط یا کسی سادہ تر، کم خرچ اصول سے بہتر تھا۔ اسی وجہ سے بہتر یہ ہے کہ عاملِ تعین کو ایسے پیمانے کے ساتھ پڑھا جائے جو خطا کی مقدار کسی قابلِ فہم اکائی میں ظاہر کرے، جیسے MAE یا RMSE، اور ساتھ ہی ڈیٹا، مقام، موسم، اور طریقۂ جانچ کی واضح تفصیل کے ساتھ۔

پیمانوں کا ایک عملی خلاصہ

درست عدد بھی کافی نہیں اگر وہ فیصلے کے لیے موزوں نہ ہو پیمانے کو سمجھ لینے کے بعد زیادہ اہم سوال باقی رہتا ہے: کیا تشخیص نے وہ خاصیت ناپی جس کی کسان کو درحقیقت ضرورت ہے؟ پیداوار کی کوئی پیش گوئی حقیقت کے قریب ہو سکتی ہے، مگر وہ اُس وقت پہنچے جب مداخل خریدنے یا ذخیرہ اندوزی اور مارکیٹنگ کے معاہدے طے کرنے کا وقت گزر چکا ہو۔ کوئی وژن ماڈل کسی آفت کو مؤثر طریقے سے شناخت کر سکتا ہے، مگر ایسے معاملے میں فرق کرنے میں ناکام رہے جس میں محض نگرانی درکار ہے اور ایسے معاملے میں جس میں فوری مداخلت ضروری ہے۔ کوئی خودکار نظام پھل کی جگہ درست طور پر متعین کر سکتا ہے، مگر اس کا بازو شاخوں کو نقصان پہنچائے بغیر وہاں تک نہ پہنچ سکے۔ کوئی آبپاشی کا نظام فی کلوگرام پیداوار استعمال ہونے والے پانی کی مقدار کم کر سکتا ہے جبکہ آبی ماخذ سے کل نکاسی کم نہ کرے۔ اسی وجہ سے، کوئی بھی تکنیکی پیمانہ پڑھنے کے بعد درج ذیل سوالات پوچھے جانے چاہئیں:

1. عدد نے دراصل کون سا کام ناپا؟

کیا اس نے تصویر کی درجہ بندی ناپی، شے کا محل وقوع متعین کرنا، مقدار کی پیش گوئی، یا کسی مکمل زرعی عمل کی کامیابی؟

2. جانچ کس ڈیٹا پر اور کس ماحول میں کی گئی؟

اور کیا وہ اُس فصل، خطے، موسم اور آلات کی نمائندگی کرتے ہیں جن میں نظام استعمال ہوگا؟

3. مجموعی عدد کن اقسام کی خطائیں چھپا رہا ہے؟

اور زیادہ سنگین مسئلہ کیا ہے: معاملے کو نظرانداز کرنا، جھوٹا انتباہ دینا، یا سفارش میں تاخیر؟

4. کیا نتیجہ مداخلت کی کھڑکی بند ہونے سے پہلے پہنچا؟

آبپاشی، انسداد، یا برداشت کا وقت گزر جانے کے بعد آنے والی درست پیش گوئی تاخیر سے حاصل ہونے والا علم ہے، کوئی مفید فیصلہ نہیں۔

5. کیا نظام نے کسی سادہ تر متبادل سے بہتر کارکردگی دکھائی؟

جیسے معمول کا معائنہ، ایک واضح زرعی اصول، کوئی تاریخی اوسط، یا کم لاگت والی مشاورتی خدمت۔

6. کیا کسان سفارش کو سمجھ سکا اور اس پر عمل کر سکا؟

تکنیکی درستی فائدے میں نہیں بدلتی اگر سفارش مبہم ہو، غیر دستیاب وسائل کی متقاضی ہو، یا مقامی رکاوٹوں کو نظرانداز کرتی ہو۔

7. کیا لاگت اور خطرے کا حساب لگانے کے بعد بھی فائدہ باقی رہا؟

بشمول آلات، رابطے، دیکھ بھال، رکنیت، ڈیٹا اندراج، تربیت، اور ممکنہ خطاؤں کی قیمت۔

خلاصہ یہ کہ پیمانے کوئی پُراسرار فارمولے نہیں جنہیں قاری کو یاد کرنا لازم ہو، اور نہ ہی ایسے تمغے ہیں جو ٹیکنالوجی کو خود بخود جواز عطا کر دیں۔ یہ مخصوص سوالات کے جواب دینے کے اوزار ہیں۔ ایک باشعور قاری کسی بلند عدد سے مرعوب نہیں ہوتا، جب تک وہ یہ نہ پوچھ لے کہ کیا ناپا گیا، کیا چھوڑ دیا گیا، خطا کی لاگت کون اٹھاتا ہے، اور کیا وہ کارکردگی جانچ کی اسکرین اور کھیت میں کسی مفید فیصلے کے درمیان فاصلہ طے کر سکتی تھی۔

5۔ پختگی کی سیڑھی: دعویٰ کی گئی خصوصیت سے ثابت شدہ زرعی اثر تک

تکنیکی تحریر کبھی کبھی کسی مصنوع کی حالت کو دو لفظوں تک محدود کر دیتی ہے: "موجود" یا "غیر موجود"۔ لیکن تصور اور زرعی اثر کے درمیان کئی سطحیں ہیں، اور ہر سطح کے لیے اس کے مناسب شواہد ہوتے ہیں۔ یہ کتاب پختگی کو سمجھنے کے لیے ایک ادارتی سیڑھی تجویز کرتی ہے۔ یہ کوئی باقاعدہ ضابطہ جاتی معیار نہیں، بلکہ ایک ایسا آلہ ہے جو قاری کو کسی خصوصیت کی موجودگی سے اثر کے دعوے تک کی جست روکنے میں مدد دیتا ہے۔

کسی تحقیقی ماڈل سے ایسے تجارتی عملیاتی شواہد کا مطالبہ کرنا منصفانہ نہیں جن کا وہ دعویٰ ہی نہیں کرتا، جس طرح کسی تجارتی مصنوع کے لیے یہ قابلِ قبول نہیں کہ وہ کسی ابتدائی نمونہ ماڈل کے نتیجے کو میدانی اثر کے ثبوت کے طور پر استعمال کرے۔ کوئی نظام ایک سطح پر آگے اور دوسری پر پیچھے ہو سکتا ہے۔ اس کا سافٹ ویئر تعمیراتی ڈھانچہ پختہ ہو سکتا ہے، جبکہ زرعی شواہد ابتدائی ہی رہیں۔ کوئی میدانی آزمائش کامیاب ہو سکتی ہے، جبکہ ڈیٹا کے حقوق یا دیکھ بھال کا منصوبہ ناپختہ رہے۔ اس لیے جب آمادگی کے پہلو مختلف ہوں تو اسے کسی ایک نمبر تک محدود نہیں کیا جا سکتا۔ تین سوال ناجائز جست کو آشکار کرتے ہیں کسی بھی ایپلی کیشن کی تفصیل پڑھتے وقت پوچھیے:

1. شواہد نے درحقیقت سب سے بلند کون سی سطح قائم کی ہے؟
2. تشہیری بیان کس سطح تک جست لگاتا ہے؟
3. ان دونوں کے درمیان غائب کڑی کیا ہے؟

اگر ماخذ کسی جزو کی موجودگی ثابت کرتا ہے جبکہ بیان نقصانات میں کمی کی بات کرتا ہے، تو مطلوب بہتر الفاظ نہیں، بلکہ ایسے شواہد ہیں جو اُس فاصلے کو طے کریں جو ابھی تک قائم نہیں ہوا۔

6۔ علاقائی منتقلی پذیری کی حدود: ماڈلوں کو زرعی ماحول کے درمیان منتقل کرنا

کسی زرعی مصنوعی ذہانت کے ماڈل کے نتیجے کو اُنہی جانچ کے حالات تک محدود رکھنا جن میں وہ نتیجہ پیدا ہوا، حد سے زیادہ احتیاط معلوم ہو سکتا ہے، مگر اس احتیاط کی اہمیت اُس وقت واضح ہوتی ہے جب کوئی یہ عملی سوال پوچھے: کیا الگورتھم تربیت اور جانچ کے ماحول سے نکل کر ایسے کھیت میں استعمال ہونے پر اپنی کارکردگی برقرار رکھے گا جو آب و ہوا، مٹی، فصلوں اور کاشتکاری کے طریقوں میں مختلف ہے؟ ماڈل تجریدی طور پر "زراعت" نہیں سیکھتا؛ بلکہ وہ ایسے ڈیٹا کے اندر شماریاتی تعلقات سیکھتا ہے جو مخصوص مٹیوں، آب و ہوا، اقسام، آلات، اور پیمائش کے طریقوں سے آیا۔ جب ان میں سے کوئی ایک عنصر بدلتا ہے، تو ماڈل لازماً ناکام نہیں ہو جاتا، مگر اس کی پچھلی کارکردگی براہِ راست وعدے کے طور پر اپنی اعتباریت کھو دیتی ہے اور ایک ایسے مفروضے میں بدل جاتی ہے جس کے لیے از سر نو توثیق درکار ہے۔

اس جدول کو ممنوعات کی فہرست کے طور پر نہیں پڑھنا چاہیے، بلکہ ایک جانچ کے منصوبے کے طور پر۔ تربیتی ماحول اور استعمال کے ماحول کے درمیان خلا جتنا وسیع ہوگا، وسیع پیمانے پر اپنانے سے پہلے ایک محدود مقامی آزمائش کی ضرورت اتنی ہی زیادہ ہوگی۔ اپنانے سے پہلے مقامی تصدیق کا منصوبہ منصوبے میں یہ شامل ہو سکتا ہے:

1. ایسا نمونہ منتخب کرنا جو ہدف شدہ کھیتوں، اقسام، اور حالات کی نمائندگی کرے۔
2. اُنہی آلات اور نیٹ ورکس پر جانچ جو لوگ درحقیقت استعمال کریں گے۔
3. نظام کا موازنہ موجودہ طریقۂ کار یا کسی مناسب سادہ اصول سے کرنا۔
4. نادر درجات اور غیر مانوس معاملات میں کارکردگی کا جائزہ لینا۔
5. ایک "نامعلوم" درجہ یا گریز کا طریقہ کار فراہم کرنا۔
6. اُن معاملات کی تعریف کرنا جن میں ماہر کی نظرثانی درکار ہے۔
7. موسم کے دوران کارکردگی میں تبدیلی کی نگرانی کرنا۔
8. بندشوں، خراب ریڈنگز، اور انسانی مداخلتوں کو ریکارڈ کرنا۔
9. زرعی نتیجے کی پیمائش کرنا، نہ کہ صرف تکنیکی پیمانے کی۔
10. اگر قسم، آلہ، ڈیٹا کا ماخذ، یا ضابطہ جاتی ماحول بدل جائے تو از سر نو تشخیص کرنا۔

مقامی تصدیق کا تقاضا کرنے کا مطلب یہ نہیں کہ ٹیکنالوجی کی اپنی جائے تشکیل سے باہر کوئی قدر نہیں؛ اس کا مطلب یہ ہے کہ اس کی قدر وہاں ثابت ہونی چاہیے جہاں لوگ اور زمین فیصلے کے نتائج برداشت کریں گے۔

7۔ خطا کوئی ایک عدد نہیں: غلط فیصلے کی قیمت کون ادا کرتا ہے؟

مصنوعی ذہانت کی خطائیں معنی یا نتیجے کے اعتبار سے یکساں نہیں ہوتیں۔ دو نظام ایک ہی شرح سے غلطی کر سکتے ہیں، مگر ایک محدود سی زحمت پیدا کرتا ہے جس کا ازالہ ممکن ہے، جبکہ دوسرا فصل کے نقصان، وسائل کے ضیاع، یا خوراک، جانوروں، یا مزدوروں کے لیے خطرات کا دروازہ کھول دیتا ہے۔ اس لیے صرف یہ پوچھنا کافی نہیں: ماڈل نے کتنی بار غلطی کی؟ ہمیں یہ بھی پوچھنا چاہیے: اس نے کس رخ میں غلطی کی، کب غلطی کی، اس کے بعد کون سا فیصلہ ہوا، اور اس کی قیمت کس نے اٹھائی؟ لیبارٹری میں خطا محض کسی جدول کے اندر ایک معاملہ ہوتی ہے۔ کھیت پر وہ غلط جگہ استعمال ہونے والا پانی، ایک ایسی بیماری جو شناخت نہ ہو سکی، ایک فصل جس پر بلا ضرورت اسپرے ہوا، ایک کھیپ جس کی ٹھنڈک میں تاخیر ہوئی، یا ایک مزدور جسے انتباہ مداخلت کی کھڑکی بند ہونے کے بعد ملا — بن سکتی ہے۔ چنانچہ خطرے کی پیمائش صرف خطاؤں کی تعداد سے نہیں ہوتی، بلکہ ان کے نتائج کے وزن سے ہوتی ہے۔ دو ماڈل مجموعی درستی میں قریب دکھائی دے سکتے ہیں جبکہ عملی قدر میں بنیادی طور پر مختلف ہوں۔ پہلا ضرورت سے زیادہ انتباہات جاری کر سکتا ہے مگر کسی خطرناک معاملے کو شاذ ہی نظرانداز کرے؛ دوسرا کم زحمت دینے والا ہو سکتا ہے، مگر کبھی کبھی اُس وقت خاموش رہے جب خاموشی مہنگی پڑتی ہے۔ کون سا بہتر ہے؟ مجموعی عدد بجائے خود جواب نہیں دے سکتا؛ جواب کام کی نوعیت، معائنے کی لاگت، تاخیر کے خطرے، فیصلے کی واپسی پذیری، اور مداخلت کی انسانی استعداد پر منحصر ہے۔ خطا ماڈل میں پیدا ہو سکتی ہے، یا اردگرد کے نظام کی پیدا کردہ ہو سکتی ہے پوری خطا کو "الگورتھم" سے منسوب کرنا آسان ہے، مگر ڈیجیٹل زرعی نظام ایک باہم مربوط سلسلہ ہے: سینسر یا تصویر ← منتقل کیا گیا ڈیٹا ← ماڈل ان کا تجزیہ کرتا ہے ← انتباہ یا سفارش ← صارف اس کی تعبیر کرتا ہے ← عمل انجام پاتا ہے ← نتیجہ کھیت میں ظاہر ہوتا ہے۔ الگورتھم درست ہو سکتا ہے جبکہ سینسر کی ریڈنگ پرانی یا ناقص ہو۔ تجزیہ درست ہو سکتا ہے، مگر ایپلی کیشن اسے پیمائش کی غلط اکائی میں ظاہر کرے۔ مناسب سفارش کسان کے فون تک مداخلت کی کھڑکی بند ہونے کے بعد پہنچے۔ صارف انتباہ کو ایک حتمی حکم سمجھ لے، حالانکہ وہ محض ایک ابتدائی اشارہ تھا جس کے لیے معائنہ درکار تھا۔ بلکہ خطا ماڈل کے منظر سے مکمل طور پر نکل جانے کے بعد بھی واقع ہو سکتی ہے۔ نظام آبپاشی کے آلے کو درست حکم بھیج سکتا ہے، مگر رابطے میں کسی خرابی کے باعث حکم دہرایا جائے۔ مقدار لیٹر فی ہیکٹر میں ریکارڈ ہو، جبکہ کوئی دوسرا پروگرام اس کی تعبیر کسی مختلف اکائی میں کرے۔ نظام ایسے سینسر کی نمی کی ریڈنگ پر انحصار کر سکتا ہے جس کی کچھ عرصے سے عیار بندی نہیں ہوئی، اور یوں غلط معلومات پر ایک منطقی استنباط کھڑا کر دے۔ اسی وجہ سے تین سطحوں میں فرق کرنا چاہیے:

• ماڈل کی غلطی: اس نے درجہ بندی، تخمینے، یا پیش گوئی میں غلطی کی۔
• فیصلے کی غلطی: معلومات ناکافی تھیں، یا ان کی ایسی تعبیر کی گئی جو معاملے کے لیے موزوں نہ تھی۔
• نظام کی غلطی: ڈیٹا، سافٹ ویئر، ہارڈ ویئر، ماڈیولز، یا عمل درآمد کے راستے ناکام ہوئے، جس سے ایک درست یا قابلِ قبول نتیجہ ایک غلط فعل میں بدل گیا۔ یہ امتیاز اس لیے ضروری ہے کہ ہر سطح کا علاج مختلف ہے۔ ماڈل کو بہتر بنانے سے کوئی خراب سینسر درست نہیں ہوتا، مزید ڈیٹا شامل کرنے سے کسی مبہم انٹرفیس کا ازالہ نہیں ہوتا، اور درستی بڑھانے سے یہ نہیں رکتا کہ کوئی ہدایت سافٹ ویئر کی خرابی کے باعث دو بار نافذ ہو جائے۔

غلط مثبت: ایسا انتباہ کہ مسئلہ موجود ہے حالانکہ وہ نہیں ہے غلط مثبت اُس وقت پیش آتا ہے جب نظام کسی بیماری، کیڑے، خرابی، یا خطرے کی موجودگی کا اعلان کرے حالانکہ وہ کیفیت درحقیقت موجود نہ ہو۔ سادہ لفظوں میں: نظام نے انتباہ دیا، مگر بعد کے معائنے میں ایسا کوئی مسئلہ نہیں ملا۔ اس غلطی کا نتیجہ محدود ہو سکتا ہے۔ مثلاً اگر ایپلی کیشن کسان کو تجویز کرے کہ وہ کھیت کے قریبی حصے میں جا کر کسی مشتبہ دھبے کی تصدیق کرے، اور یہ معائنہ تیز، محفوظ، اور کم لاگت ہو، تو نقصان محض کچھ وقت اور محنت تک محدود رہ سکتا ہے۔ ایسی صورت میں کچھ حد تک ضرورت سے زیادہ انتباہ قابلِ قبول ہو سکتا ہے اگر اس سے سنگین معاملات کے نظرانداز ہونے سے بچا جا سکے۔ لیکن جھوٹا انتباہ ہمیشہ سادہ نہیں رہتا۔ اس کا نتیجہ اتنا ہی بڑا ہوتا جاتا ہے جتنا وہ خودکار عمل درآمد کے قریب ہو یا جتنی اس پر ردِعمل کی لاگت زیادہ ہو۔ مثالوں میں شامل ہیں:

• ایک بصری ماڈل غذائی کمی کی علامات کو پھپھوندی کی بیماری سمجھ بیٹھتا ہے، جس سے صارف ایسے علاج پر غور کرنے لگتا ہے جو اصل سبب کا تدارک نہیں کرتا۔
• آبپاشی کا نظام کسی غیر درست ریڈنگ کو آبی تناؤ سے تعبیر کرتا ہے اور ایسی مٹی کو سیراب کرنے کی سفارش کرتا ہے جس میں اب بھی کافی نمی موجود ہے۔
• حیوانات کی نگرانی کا نظام کسی غیر موجود صحت کی کیفیت کے بارے میں بار بار انتباہ دیتا ہے، جس سے مزدور یا ویٹرنری ڈاکٹر کا وقت ضائع ہوتا ہے اور کسی جانور کو غیر ضروری طور پر الگ تھلگ کر دیا جاتا ہے۔
• سرد سلسلے کا نظام کسی خراب سینسر کی غیر معمولی ریڈنگ کو درجۂ حرارت میں حقیقی اضافہ سمجھ لیتا ہے، جس سے معائنہ، بندش، یا مہنگی عملیاتی مداخلت شروع ہو جاتی ہے۔
• بصری نظام کسی سائے میں یا پودوں کی باقیات کے درمیان جڑی بوٹی کا سراغ لگاتا ہے، پھر اس کا مقام کسی صفائی کرنے والی مشین یا مخصوص جگہ پر چھڑکاؤ کرنے والے یونٹ کو بھیج دیتا ہے۔ چنانچہ ایک ہی انتباہ کا نتیجہ اس کے مطابق بدلتا ہے جو اس کے بعد ہوتا ہے۔ اگر وہ صرف انسانی معائنے تک لے جائے، تو وہ گوارا ہو سکتا ہے۔ لیکن اگر وہ براہِ راست کسی پمپ کو چلا دے، کسی گرین ہاؤس کی آب و ہوا بدل دے، کوئی کیمیائی مادہ لگا دے، یا کسی کھیپ کو خارج کر دے، تو جھوٹا انتباہ معاشی، ماحولیاتی، یا سلامتی سے متعلق نقصان کا ممکنہ سبب بن جاتا ہے۔ نہ ہی اس کا نقصان ہر انفرادی واقعے تک محدود رہتا ہے۔ بار بار کے جھوٹے انتباہات وہ کیفیت پیدا کرتے ہیں جسے انتباہی تھکن کہا جاتا ہے: صارف انتباہ سننے کا عادی ہو جاتا ہے اور پھر اسے مؤخر کرنے یا نظرانداز کرنے لگتا ہے۔ اس مقام پر نظام اپنی ساکھ اُس لمحے کے آنے سے پہلے ہی کھو سکتا ہے جب اس کا انتباہ درست اور اہم ہو۔

غلط منفی: ایک حقیقی مسئلہ جو نظام نے دیکھا ہی نہیں غلط منفی اُس وقت پیش آتا ہے جب مسئلہ موجود ہو، مگر نظام اسے پکڑ نہ پائے یا معاملے کو معمول کے طور پر درجہ بند کر دے۔ صاف الفاظ میں: ایک مسئلہ موجود تھا جو توجہ کا مستحق تھا، مگر نظام خاموش رہا۔ یہ غلطی جھوٹے انتباہ سے زیادہ خطرناک ہو سکتی ہے، خاص طور پر جب نقصانات وقت کے ساتھ بڑھتے ہوں۔ مثالوں میں شامل ہیں:

• پودے کا ابتدائی انفیکشن جسے ایپلی کیشن پکڑ نہ سکی، چنانچہ وہ بڑھتا رہا یہاں تک کہ محدود تعداد میں پودوں سے پھیل کر ایک وسیع تر علاقے تک جا پہنچا۔
• ایک کیڑا جو تصویر میں واضح طور پر ظاہر نہ ہوا یا ماڈل کے تربیتی ڈیٹا میں اس کی نمائندگی نہ تھی، چنانچہ نظام نے اسے معمول کی کیفیت قرار دے دیا۔
• آبی تناؤ کا آغاز جسے نظام نہ پکڑ سکا، چنانچہ پودا اُس مرحلے سے آگے نکل گیا جہاں صورت حال محدود اثر کے ساتھ درست کی جا سکتی تھی۔
• کسی جانور کے رویے میں غیر معمولی تبدیلی جسے نگرانی کے نظام نے نہ پکڑا، جس سے ویٹرنری معائنہ تاخیر کا شکار ہوا۔
• کسی کھیپ کے درجۂ حرارت میں حقیقی اضافہ جسے نظام نے سینسر کی خرابی یا ڈیٹا کی ترسیل میں تعطل کی وجہ سے ریکارڈ نہ کیا، چنانچہ کھیپ بغیر نظرثانی کے سلسلے کے اگلے مرحلے تک پہنچ گئی۔
• کسی پمپ یا کولنگ یونٹ کے اندر پنپتی ہوئی خرابی جسے پیش گوئی پر مبنی دیکھ بھال کے نظام نے نہ پکڑا، چنانچہ کام جاری رہا یہاں تک کہ ایک زیادہ سنگین تعطل پیش آ گیا۔ اس قسم کا خطرہ اس حقیقت میں ہے کہ صارف کو شاید معلوم ہی نہ ہو کہ نظام نے غلطی کی ہے۔ جھوٹا انتباہ اپنی طرف توجہ کھینچتا ہے، مگر جو معاملہ ماڈل سے چھوٹ گیا وہ اپنے اثرات ظاہر ہونے تک پوشیدہ رہ سکتا ہے۔ اسی وجہ سے غلطی کے قابلِ دریافت ہونے کی صلاحیت خطرے کی تشخیص کا حصہ ہے، نہ کہ محض اس کے وقوع کا امکان۔ ایسی ایپلی کیشنز میں جہاں کوئی نادریافت شدہ معاملہ نہایت خطرناک ہو، نظام کو زیادہ حساس بنایا جا سکتا ہے، یعنی مشتبہ معاملات کو معائنے کے لیے بھیجنے کی طرف زیادہ مائل، خواہ اس سے جھوٹے انتباہات میں اضافہ ہی کیوں نہ ہو۔ لیکن یہ انتخاب خود بخود درست نہیں ہوتا؛ اس کی تصدیق کرنا ہوگی کہ معائنے کی انسانی استعداد انتباہات کی تعداد کو سنبھال سکتی ہے، ورنہ بڑھی ہوئی حساسیت ایسے ازدحام میں بدل جاتی ہے جو نظام کو اس کی افادیت سے محروم کر دیتا ہے۔

وقت کی غلطی: درست جواب جو فیصلے کی کھڑکی گزر جانے کے بعد پہنچا ممکن ہے ماڈل مسئلے کی نوعیت اور شدت کے بارے میں درست ہو، مگر اس کی سفارش ایسے وقت پہنچے جب عمل کرنا ممکن یا فائدہ مند نہ رہا ہو۔ یہ وقت کی غلطی ہے: مسئلہ صرف اس میں نہیں کہ معلومات درست ہیں یا نہیں، بلکہ اس میں ہے کہ وہ زرعی نظام الاوقات کے اندر کہاں آ کر گرتی ہیں۔ زرعی فیصلے ایک مداخلت کی کھڑکی کے اندر کام کرتے ہیں: ایک محدود مدت جس کے دوران عمل نتیجے کو بدل سکتا ہے۔ اس کھڑکی کے بند ہو جانے کے بعد، بہترین سفارشات بھی اس امر کی توضیح بن سکتی ہیں کہ کیا ہوا، نہ کہ اسے بدلنے کا ذریعہ۔ مثالوں میں شامل ہیں:

• آبپاشی مکمل ہو جانے کے بعد بارش کی پیش گوئی، جب وہ پیش گوئی نہ پانی بچا سکتی ہے نہ توانائی۔
• انفیکشن کا سراغ اُس مرحلے کے گزر جانے کے بعد لگانا جہاں اسے مقامی معائنے یا محدود مداخلت سے روکا جا سکتا تھا۔
• پالے کا انتباہ درجۂ حرارت کے پہلے ہی نازک حد میں داخل ہو جانے کے بعد بھیجنا، حالانکہ تحفظاتی اقدامات کو تیاری اور فعال ہونے کے لیے وقت درکار ہوتا ہے۔
• پھل کے پکنے کی پیش گوئی مزدوری، پیکنگ، یا نقل و حمل کا انتظام کرنے کا موقع ضائع ہو جانے کے بعد کرنا۔
• کولنگ کی خرابی کا سراغ کھیپ کے اُس مقام سے نکل جانے کے بعد لگانا جہاں خرابی درست کی جا سکتی تھی یا راستہ بدلا جا سکتا تھا۔
• قیمت کی پیش گوئی فروخت کا معاہدہ طے پا جانے یا ذخیرہ کاری اور مارکیٹنگ کے دستیاب اختیارات بند ہو جانے کے بعد فراہم کرنا۔ اسی لیے یہ کافی نہیں کہ کوئی تشخیصی مطالعہ صرف یہ پوچھے، "کیا پیش گوئی درست تھی؟" اسے یہ بھی پوچھنا چاہیے، "وہ واقعے سے کتنا پہلے آئی؟ اور کیا وہ پیشگی وقت اس عمل کو انجام دینے کے لیے کافی تھا؟" ایک قدرے کم درست ماڈل زیادہ قیمتی ہو سکتا ہے اگر وہ ایسا بروقت انتباہ دے جس پر عمل ممکن ہو، بہ نسبت اُس زیادہ درست ماڈل کے جو عمل کا موقع گزر جانے کے بعد پہنچے۔

مقدار کی غلطی: عمل درست ہے، مگر اس کی مقدار نامناسب ہے بعض صورتوں میں نظام درست ضرورت کو پہچان لیتا ہے مگر ردِعمل کی مقدار میں غلطی کرتا ہے۔ ممکن ہے وہ پہچان لے کہ فصل کو آبپاشی درکار ہے، مگر مطلوبہ مقدار سے زیادہ یا کم کا تخمینہ لگائے۔ ممکن ہے وہ متعین کرے کہ ہوا کی آمد و رفت یا کولنگ ضروری ہے، مگر ایسا درجہ یا دورانیہ تجویز کرے جو حقیقی حالات کے لیے موزوں نہ ہو۔ یہ مقدار کی غلطی ہے: فیصلے کی سمت درست ہے، جبکہ اس کی مقدار، شدت، یا دورانیہ غلط ہے۔ اس غلطی کی سنگینی متعدد ایپلی کیشنز میں ظاہر ہوتی ہے:

• آبپاشی: بہت زیادہ پانی اور توانائی ضائع کر سکتی ہے اور غذائی اجزا کے رِساؤ یا جڑوں کے دم گھٹنے میں اضافہ کر سکتی ہے؛ بہت کم مقدار آبپاشی کیے جانے کے باوجود دباؤ کو برقرار رہنے دے سکتی ہے۔
• کھاد ڈالنا: تجویز کردہ غذائی عنصر موزوں ہو سکتا ہے، مگر اس کے استعمال کی مقدار یا وقت مٹی یا فصل کے مرحلے کے لیے موزوں نہ ہو۔
• گرین ہاؤس: کولنگ کی ضرورت حقیقی ہو سکتی ہے، مگر اچانک یا طویل تبدیلی دباؤ کی ایک اور صورت پیدا کر سکتی ہے یا توانائی کی کھپت بڑھا سکتی ہے۔
• حیوانات کی خوراک: خوراک کے تناسب میں ردوبدل جائز ہو سکتا ہے، مگر اس ردوبدل کی مقدار کو پیداواری حالت، صحت کی حالت، اور خوراک کی مکمل ترکیب سے الگ کر کے نہیں دیکھنا چاہیے۔
• ذخیرہ کاری اور خشک کرنا: نمی یا درجۂ حرارت کم کرنا ضروری ہو سکتا ہے، مگر عمل کا بہت زیادہ یا بہت کم دورانیہ معیار اور لاگت پر اثر ڈال سکتا ہے۔ داؤ اُس وقت زیادہ ہوتا ہے جب کیمیائی مادے، ویٹرنری ادویات، یا انتظار کی مدتیں فیصلے میں شامل ہوں۔ ان شعبوں میں ماڈل کے تخمینوں کو تنہا کسی خوراک یا عمل درآمد کے حکم میں تبدیل نہیں کرنا چاہیے۔ سرکاری لیبل، مقامی رجسٹریشن، مجاز اتھارٹی کی ہدایات، اور کسی اہل ماہر کی طرف رجوع کرنا ضروری ہے، اور خوراکوں، برداشت سے پہلے کے وقفوں، دوبارہ داخلے کی مدتوں، اور دیگر لازمی سلامتی تقاضوں کی پابندی کرنی ہوگی۔

سیاق و سباق کی غلطی: ایسی معلومات جو ایک جگہ درست اور دوسری جگہ غلط ہیں ہر غلطی کمزور ماڈل کا نتیجہ نہیں ہوتی۔ کبھی معلومات اُس ماحول میں درست ہوتی ہیں جہاں وہ پیدا ہوئیں، مگر انہیں ایسے صارف تک منتقل کر دیا جاتا ہے جس کے حالات اس طرح مختلف ہیں کہ وہ معلومات قابلِ اطلاق نہیں رہتیں۔ فیصلہ درج ذیل کے فرق سے بدل سکتا ہے:

• قسم، نسل، یا حیاتیاتی مرحلہ۔
• مٹی کی نوعیت، اس کی نمکیات، اور اس کی پانی روکنے کی صلاحیت۔
• مقامی آب و ہوا، شعاعوں کی شدت، نمی، اور ہوائیں۔
• کیڑوں اور بیماریوں کا دباؤ اور علاقے میں ان کا پھیلاؤ۔
• آبپاشی کا نظام، دستیاب آلات، اور سینسروں کی درستی۔
• ملکیت کی شکل اور پیمانہ، اور مزدوری و مہارت کی دستیابی۔
• مداخل اور توانائی کی قیمتیں، اور متبادلات کی لاگت۔
• قانونی طور پر رجسٹرڈ مصنوعات، سلامتی کے وقفے، اور ضابطہ کارانہ پابندیاں۔
• وہ زبان جس میں صارف انتباہ کو سمجھتا ہے اور صارف کی اس پر عمل کرنے کی صلاحیت۔ ممکن ہے کوئی علمی مطالعہ مخصوص تجرباتی حالات میں فصل کے ردِعمل کو بیان کرے، اور پھر اس نتیجے کو کسی ایپلی کیشن کے اندر تمام علاقوں کے لیے ایک عمومی سفارش میں بدل دیا جائے۔ ممکن ہے کوئی ذہین معاون کسی بیرونی ماخذ سے کسی مادے یا طریقۂ کار کا نام نقل کرے، حالانکہ صارف کے ملک میں اس کی رجسٹریشن یا استعمال کی شرائط مختلف ہوں۔ ممکن ہے بیماری کا کوئی ماڈل کسی خاص ہائبرڈ کے لیے اچھی روشنی میں لی گئی تصاویر پر عمدہ کارکردگی دکھائے، پھر کسی دوسری قسم، کسی مختلف فون کیمرے، یا غذائی کمی کے ساتھ مماثل علامات کے سامنے کمزور پڑ جائے۔ یہاں سائنسی جواز کا مطلب ماحول کے درمیان علم کی منتقلی سے انکار نہیں؛ اس کا مطلب منتقلی پذیری کی حدود بیان کرنا اور انہیں جانچنا ہے۔ سوال صرف یہ نہیں کہ "کیا معلومات درست ہیں؟" بلکہ یہ بھی ہے کہ "کس کے لیے درست ہیں، کہاں، کس موسم میں، اور کن حالات میں؟"۔

ڈیٹا اور انضمام کی غلطی: جب الگورتھم بے قصور ہو اور فیصلہ غلط ہو ڈیجیٹل زرعی نظاموں میں ممکن ہے ماڈل بذاتِ خود درست ہو، مگر جو ڈیٹا اس تک پہنچا، یا جس طرح اس کا نتیجہ پہنچایا گیا، وہ ناقص ہو۔ یہ ایک اہم زمرہ ہے کیونکہ یہ زراعت، سافٹ ویئر، اور ہارڈ ویئر کے سنگم پر پیش آتا ہے۔ مثالوں میں شامل ہیں:

• ایسی سینسر ریڈنگ جو اپ ڈیٹ نہیں ہوئی، مگر ایپلی کیشن اسے یوں دکھاتی ہے گویا وہ لمحہ بہ لمحہ ہو۔
• غیر ضبط شدہ نمی کا سینسر جو مستقل مزاج ریڈنگز بھیجتا ہے جو اس کے باوجود غلط ہیں۔
• رقبے، حجم، یا کمیت کی اکائیوں کا خلط ملط ہو جانا جب ڈیٹا ایک نظام سے دوسرے نظام میں منتقل ہوتا ہے۔
• غلط وقت یا ٹائم زون کا استعمال، جس سے انتباہ کسی نامناسب گھنٹے یا دن سے منسوب ہو جاتا ہے۔
• رابطے کے تعطل کے دوران ریکارڈ ضائع ہو جاتے ہیں، اور پھر صارف کو مطلع کیے بغیر نامکمل ڈیٹا پر حساب کر لیا جاتا ہے۔
• کوئی عملیاتی حکم سافٹ ویئر کی دوبارہ کوشش کی وجہ سے دہرا دیا جاتا ہے، حالانکہ آلہ پہلا حکم پہلے ہی نافذ کر چکا ہوتا ہے۔
• کسی کھیت یا فصل کا ریکارڈ ملتے جلتے نام والے کسی دوسرے ریکارڈ سے جڑ جاتا ہے۔
• قسم، موسم، یا پیداواری منصوبہ بدل جانے کے بعد بھی نظام کوئی پرانا ماڈل یا سفارش استعمال کرتا رہتا ہے۔
• صارف کے انٹرفیس میں اعتماد کا بلند سکور اس انداز میں دکھایا جاتا ہے جو یقین کا تاثر دیتا ہے، حالانکہ ماڈل کو اس ماحول میں جانچا ہی نہیں گیا۔ یہ غلطیاں محض ماڈل کی دوبارہ تربیت سے حل نہیں ہوتیں۔ ان کے لیے اکائیوں کی توثیق، واضح وقتی مہریں، سینسر کی ضبط بندی، غائب ڈیٹا کی شناخت، دہرے احکام کی روک تھام، آڈٹ نوشتے، اور سافٹ ویئر و ہارڈ ویئر کے درمیان انضمام کی جانچ درکار ہوتی ہے۔

انفرادی غلطی اور بڑے پیمانے کی غلطی غلطی کا نتیجہ صرف اس کی نوعیت سے نہیں، بلکہ اس کے پھیلاؤ کے پیمانے سے بھی جڑا ہوتا ہے۔ ایک غلط سفارش جسے کوئی زرعی انجینئر دیکھ کر مسترد کر دے، اُس وقت کے اسی حکم سے مختلف ہے جب اسے کوئی خودکار نظام سینکڑوں والوز یا ہزاروں ہیکٹر پر نافذ کر دے۔ خودکاریت غلطی کو دو متضاد قوتیں دیتی ہے:

• وہ درست فیصلے کو تیزی سے، مستقل مزاجی سے، اور بڑے پیمانے پر نافذ کر سکتی ہے۔
• وہ اسی طرح اسی غلطی کو تیزی سے، مستقل مزاجی سے، اور اُسی پیمانے پر دہرا بھی سکتی ہے۔ عمل درآمد کا دائرہ جتنا وسیع ہو اور انسانی مداخلت جتنی کم ہو، عملیاتی حدود، پیشگی جانچ، بتدریج تعیناتی، دستی بندش کے امکان، ایسے نوشتے جو ظاہر کریں کہ کیا ہوا، اور ایسے طریقۂ کار کی ضرورت اتنی ہی بڑھتی ہے جو ڈیٹا یا رابطہ ضائع ہونے پر نظام کو محفوظ حالت میں لوٹا دے۔ مسئلہ یہ نہیں کہ مشین ایک بار غلطی کر سکتی ہے؛ مسئلہ یہ ہے کہ ایک واحد سافٹ ویئر غلطی کسی کے متوجہ ہونے سے پہلے ایک دہرائے جانے والے عمل میں بدل سکتی ہے۔

حد بندی ایک پیشہ ورانہ فیصلہ ہے، محض کوئی شماریاتی عدد نہیں ماڈل ہمیشہ اپنے طور پر یہ نہیں کہتے کہ "متاثرہ" ہے یا "صحت مند"۔ ان میں سے بہت سے ایک سکور پیدا کرتے ہیں جو اشارے کی قوت یا ماڈل کے اعتماد کا اظہار کرتا ہے، اور پھر نظام کے ڈیزائنر ایک حد مقرر کرتے ہیں جس پر نتیجہ خاموش نگرانی سے آگے بڑھ کر انتباہ جاری کرنے میں بدل جاتا ہے۔ اگر حد نیچی کر دی جائے، تو نظام شبہ کرنے میں تیز تر ہو جاتا ہے:

• وہ عموماً حقیقی معاملات کی زیادہ تعداد کا سراغ لگاتا ہے۔
• مگر وہ جھوٹے انتباہات کی زیادہ تعداد بھی بھیج سکتا ہے۔ اگر حد اونچی کر دی جائے، تو وہ زیادہ محتاط ہو جاتا ہے:
• جھوٹے انتباہات کی تعداد کم ہو جاتی ہے۔
• مگر وہ ایسے حقیقی معاملات سے چوک سکتا ہے جن کا اشارہ اس اونچی حد سے تجاوز نہیں کرتا۔ ایسی کوئی مثالی حد نہیں جو تمام ایپلی کیشنز کے لیے موزوں ہو۔ انتخاب کا دارومدار اس پر ہے کہ انتباہ کے بعد کیا ہوتا ہے۔ اگر ایپلی کیشن تصاویر کو ترتیب دے کر یہ متعین کرتی ہے کہ زرعی انجینئر کو پہلے کن کا جائزہ لینا چاہیے، اور اگر وہ جائزہ تیز، سستا، اور محفوظ ہے، تو حد نیچی کرنا اور مشتبہ معاملات کی زیادہ تعداد بھیجنا قابلِ قبول ہو سکتا ہے۔ لیکن اگر حد عبور ہوتے ہی براہِ راست کوئی مشین چل پڑتی ہے، کسی گرین ہاؤس کا ماحول بدل جاتا ہے، کوئی کھیپ خارج ہو جاتی ہے، یا کسی کیمیائی علاج پر غور شروع ہو جاتا ہے، تو اضافی غلطی ایسی لاگت اٹھا سکتی ہے جسے نظرانداز نہیں کیا جا سکتا۔ نہ ہی "ماڈل کے اعتماد کے سکور" کو یقین سمجھنا چاہیے۔ اگر نظام کوئی بلند سکور دکھائے، تو اس کا لازماً یہ مطلب نہیں کہ حقیقی دنیا میں فیصلے کے درست ہونے کا امکان اُس سکور کے برابر ہے، الا یہ کہ ماڈل مناسب ضبط بندی سے گزرا ہو اور ہدف شدہ ماحول میں اس کے مفہوم کو جانچا گیا ہو۔ چنانچہ انٹرفیس کو سکور کی حدود واضح کرنی چاہئیں، نہ کہ سفارش کو ایسے عدد سے سجانا چاہیے جو یقین کے ایسے درجے کا تاثر دے جو اس میں موجود نہیں۔

فیصلے کے ساتھ حد بندی کیسے بدلتی ہے؟

خطرے کی پیمائش صرف غلطی کے امکان سے نہیں ہوتی ممکن ہے کوئی غلطی نایاب ہو مگر تباہ کن، یا بار بار ہو مگر اثر میں محدود۔ اس لیے خطرے کی تشخیص کے لیے کئی پہلوؤں کو ایک ساتھ دیکھنا ضروری ہے:

1. وقوع کا امکان: یہ غلطی کتنی بار پیش آنے کی توقع ہے؟
2. نتیجے کی شدت: کیا یہ محدود زحمت، مالی نقصان، ماحولیاتی نقصان، یا سلامتی کا خطرہ پیدا کرتی ہے؟
3. بے نقابی کا پیمانہ: کیا یہ ایک ہی پودے کو متاثر کرتی ہے، پورے کھیت کو، کسی ریوڑ کو، یا کسی رسدی سلسلے کو؟
4. نقصان کے بڑھنے کی رفتار: کیا مداخلت کے لیے گھنٹے یا دن دستیاب ہیں، یا غلطی تیزی سے ناقابلِ تلافی ہو جاتی ہے؟
5. غلطی کے قابلِ دریافت ہونے کی صلاحیت: کیا صارف اسے فوراً دیکھ لیتا ہے، یا وہ نقصان ظاہر ہونے تک پوشیدہ رہتی ہے؟
6. واپسی پذیری: کیا فیصلہ آسانی سے واپس لیا جا سکتا ہے، یا عمل درآمد کے بعد اس کا اثر پلٹا نہیں جا سکتا؟
7. خودکاریت کا درجہ: کیا نظام تجویز دیتا ہے اور فیصلہ انسان پر چھوڑتا ہے، یا وہ خود براہِ راست عمل نافذ کر دیتا ہے؟
8. متاثرہ فریق: فائدہ کون سمیٹتا ہے، اور نظام کے غلط ہونے پر نقصان کون اٹھاتا ہے؟ اسی لیے کسی اسکرین پر ایک غلط انتباہ اُس بظاہر درست حکم سے کم خطرناک ہو سکتا ہے جو غلط پیمائشی اکائی کے ساتھ خودکار طور پر نافذ ہو جائے۔ اور آبپاشی کے تخمینے میں ایک چھوٹی سی بار بار ہونے والی غلطی پورے موسم کے دوران اُس بڑی غلطی سے زیادہ نتیجہ خیز ہو سکتی ہے جو ایک بار ہوئی اور جلد پکڑ لی گئی۔

حد مقرر کرنے یا عمل درآمد کی اجازت دینے سے پہلے حد کا تعین پروگرامر کو تنہا نہیں کرنا چاہیے؛ وہ ماڈل کا رویہ جانتا ہے، مگر ممکن ہے زرعی فیصلے کے مکمل نتائج سے واقف نہ ہو۔ اور نہ ہی زرعی ماہر کو اسے غلطیوں کی اقسام اور نظام کی عدم یقین ظاہر کرنے کی صلاحیت سے متعلق ڈیٹا کے بغیر متعین کرنا چاہیے۔ یہ زرعی علم، سافٹ ویئر انجینئرنگ، معاشیات، سلامتی، اور ضابطہ کاری کے درمیان ملاقات کا مقام ہے۔ اسی لیے درج ذیل سوالات کا واضح جواب دیا جانا چاہیے:

• وہ کون سی حالت ہے جس کی شناخت یا پیش گوئی نظام کرنے کی کوشش کر رہا ہے؟
• وہ کس ڈیٹا پر انحصار کرتا ہے، اور ہمیں کیسے معلوم کہ وہ حالیہ اور درست ہے؟
• اس استعمال میں زیادہ نقصان دہ کیا ہے: جھوٹا انتباہ یا وہ معاملہ جو شناخت میں نہ آ سکا؟
• انتباہ کون وصول کرتا ہے، اور کیا وہ اس کا مفہوم اور اس کی حدود سمجھتا ہے؟
• انتباہ کے بعد کس عمل کی توقع کی جاتی ہے؟
• کیا عمل محض ایک معائنہ ہے، یا کوئی طبعی، کیمیائی، یا مالی مداخلت؟
• اگر انتباہ غلط ہو تو اس عمل کو انجام دینے کی لاگت کیا ہے؟
• اگر مسئلہ موجود ہونے کے باوجود نظام انتباہ جاری نہ کرے تو کیا نقصان ہوگا؟
• کیا انتباہ مداخلت کے لیے دستیاب وقت ختم ہونے سے پہلے پہنچ جاتا ہے؟
• کیا عمل انجام دینے کے بعد اسے واپس پلٹایا جا سکتا ہے؟
• انسانی ٹیم بغیر تھکن کے کتنے معاملات کا جائزہ لے سکتی ہے؟
• جب ڈیٹا نامکمل یا متضاد ہو تو نظام کیا کرتا ہے؟
• کیا وہ سفارش دینے سے گریز کر کے اعلان کر سکتا ہے کہ اس کے پاس کافی معلومات نہیں؟
• جب رابطہ، سینسر، یا خدمت ناکام ہو جائے تو کیا کوئی محفوظ دستی متبادل موجود ہے؟
• کیا نظام ایسا ریکارڈ رکھتا ہے جو ڈیٹا، سفارش، عمل، اور منظوری دینے والے کو ظاہر کرے؟
• کیا فیصلے کے لیے کسی ماہر یا کسی قانونی یا پیشہ ورانہ اتھارٹی کی نظرثانی درکار ہے؟
• کیا پورے نظام کی جانچ کی گئی، ڈیٹا جمع کرنے سے لے کر عمل کے نفاذ تک، یا صرف ماڈل کی جانچ ہوئی؟

ذمہ دارانہ ڈیزائن غلطی کے خاتمے کا وعدہ نہیں کرتا؛ وہ غلطی کو نقصان میں بدلنے سے روکتا ہے کوئی ماڈل غلطی سے پاک نہیں، جیسے کوئی انسانی فیصلہ بھی اس سے پاک نہیں۔ حقیقت پسندانہ مقصد عدم یقین کے خاتمے کا دعویٰ کرنا نہیں، بلکہ ایسا نظام ڈیزائن کرنا ہے جو جانتا ہو کہ وہ کہاں غلطی کر سکتا ہے، غلطی کا جلد سراغ لگائے، اس کے اثرات کے پھیلاؤ کو محدود کرے، اور انسانی عامل کو مداخلت کا واضح موقع دے۔ خطرے کی سطح کے مطابق یہ درج ذیل جیسے ذرائع سے حاصل ہوتا ہے:

• اعتماد کے درجے اور اس کی حدود کو واضح زبان میں ظاہر کرنا۔
• جب ڈیٹا ناکافی ہو تو ایک اضافی تصویر یا ریڈنگ طلب کرنا۔
• غیر مانوس معاملات میں قطعی سفارش جاری کرنے سے گریز کرنا۔
• ابتدائی انتباہ کو تشخیص یا حتمی فیصلے سے الگ رکھنا۔
• حساس معاملات کو کسی ماہر کی طرف بھیجنا۔
• ایک ہی سینسر پر انحصار کرنے کے بجائے ایک سے زائد ڈیٹا ماخذ استعمال کرنا۔
• ان احکام پر محفوظ حدود مقرر کرنا جو خودکار طور پر نافذ ہو سکتے ہیں۔
• زیادہ اثر والے فیصلوں سے پہلے انسانی منظوری لازم کرنا۔
• ناکامی کی صورت میں دستی توقف اور محفوظ عملیاتی حالت فراہم کرنا۔
• ڈیٹا، سفارشات، اور احکام کو ریکارڈ کرنا تاکہ تفتیش اور نظرثانی ممکن ہو۔
• موسموں، مقامات، اور اقسام کے آر پار کارکردگی میں تبدیلیوں کی نگرانی کرنا۔
• تعطل، باسی ڈیٹا، اکائیوں کے تصادم، اور دہرے احکام کی جانچ کرنا، بجائے اس کے کہ ماڈل کو صرف مثالی حالات میں جانچا جائے۔ ماڈل خود یہ فیصلہ نہیں کرتا کہ کن غلطیوں کو برداشت کیا جا سکتا ہے؛ یہ ایک زرعی، معاشی، اخلاقی، اور سلامتی سے متعلق تبادلہ ہے جس میں انسانی مہارت اور تکنیکی علم دونوں کا کردار ہے۔ کسی نظام کی پختگی کا اصل پیمانہ محض یہ نہیں کہ وہ کم غلطی کرتا ہے، بلکہ یہ ہے کہ وہ جانتا ہو کہ شبے کے وقت کیسے برتاؤ کرنا ہے، ڈیٹا ناکافی ہونے پر کیسے رکنا ہے، اور ایک محدود غلطی کو ایسے وسیع نقصان میں بدلنے سے کیسے روکنا ہے جسے پلٹایا نہ جا سکے۔

8۔ ہم دو ایپلی کیشنز کا موازنہ کیسے کریں، دو اعداد کا نہیں؟

بڑے عدد کا چھوٹے سے موازنہ کافی نہیں، کیونکہ ایپلی کیشنز کام، ڈیٹا، سیاق و سباق، پختگی، اور طریقۂ کار میں مختلف ہو سکتی ہیں۔ ایک سخت موازنہ جواب کا موازنہ کرنے سے پہلے سوال کو معیاری بنانے سے شروع ہوتا ہے۔ زرعی ایپلی کیشن کے لیے تشخیصی شیٹ

جس خانے کی معلومات دستیاب نہ ہو، اسے اٹکل سے یا کسی دوسری مصنوعات سے لیے گئے اوسط سے نہیں بھرا جاتا؛ اس میں صاف لکھا جاتا ہے: "نامعلوم"۔ غائب معلومات تشخیص کے نتیجے کا حصہ ہے، کوئی رسمی نقص نہیں جسے چھپایا جائے۔ ایک وضاحتی مثال: 97% یا 89%؟ فرض کیجیے پودوں کی بیماریوں کی تصاویر درجہ بندی کرنے والی دو ایپلی کیشنز ہیں:

• پہلی ایپلی کیشن ایک ہی ماخذ سے منتخب شدہ تصاویر کے ڈیٹابیس کے اندر 97% درستی کا دعویٰ کرتی ہے۔
• دوسری ایپلی کیشن ایک ایسی جانچ میں 89% کا دعویٰ کرتی ہے جس میں مختلف فارم اور آلات شامل تھے، جو "نامعلوم" کا زمرہ پیش کرتی ہے، تصویر کا معیار خراب ہونے پر گریز کرتی ہے، اور حساس معاملات کسی ماہر کی طرف بھیج دیتی ہے۔

محض اس بنا پر دوسری ایپلی کیشن کو برتر قرار دینا جائز نہیں کہ اس کا بیان زیادہ ذمہ دارانہ معلوم ہوتا ہے، جیسے پہلی کو محض اس لیے منتخب کرنا جائز نہیں کہ اس کا عدد بڑا ہے۔ موازنے کے لیے کام، تقسیم، غلطی کی نوعیت، خط اساس، لاگت، اور عملیاتی حالات کا علم درکار ہے۔ لیکن یہ مثال ایک بنیادی اصول ظاہر کرتی ہے: بڑا عدد منتقلی پذیری، سلامتی، اور عملیات سے متعلق شواہد کی غیر موجودگی کا ازالہ نہیں کرتا۔ ممکن ہے کم مجموعی اشاریے والی ایپلی کیشن کسی خاص کام کے لیے زیادہ موزوں ہو اگر اس کی غلطیوں کا نمونہ معلوم ہو، اس کی حدود کا اعلان کیا گیا ہو، اور اس کا اضافہ کاری کا راستہ عملی طور پر قابلِ عمل ہو۔ درست موازنہ یہ نہیں پوچھتا کہ دونوں اعداد میں سے کون سا بڑا ہے۔ وہ یہ پوچھتا ہے کہ اس سیاق و سباق میں کون سا نظام سب سے موزوں شواہد کے ساتھ سب سے مفید اور کم سے کم خطرناک فیصلے کی تائید کرتا ہے۔

9۔ مظاہرے اور مصنوعات کے صفحے پر کیا ظاہر نہیں ہوتا؟

مظاہرہ اہم ہے؛ وہ ظاہر کرتا ہے کہ نظام مخصوص حالات میں کوئی کام انجام دینے کے قابل تھا۔ مگر مظاہرہ عموماً موسم کا بدترین دن، سب سے کمزور رابطہ، سب سے مبہم تصویر، یا کم ترین تجربے والا صارف منتخب نہیں کرتا۔ مظاہرے یا خلاصے سے فیصلہ کن معلومات غائب ہو سکتی ہیں، جن میں شامل ہیں:

• وہ معاملات جو جانچ سے پہلے خارج کر دیے گئے۔

• کم معیار کی تصاویر یا نایاب زمرے۔
• رابطے کے تعطلات کی تعداد۔
• ڈیٹا کی صفائی اور تیاری کے لیے درکار وقت۔
• نتیجہ پیدا کرنے میں شامل انسانی مداخلت کی حد۔
• جھوٹے انتباہات کی تعداد۔
• وہ معاملات جن میں صارف نے سفارش پر عمل کرنے سے گریز کیا۔
• کیلیبریشن اور دیکھ بھال کی لاگت۔
• وہ ناکامیاں جو تجربہ ختم ہونے کے بعد ظاہر ہوئیں۔
• بہترین مقام اور تمام مقامات کے اوسط کے درمیان فرق۔
• موسم، آلے، یا ڈیٹا کے ماخذ میں تبدیلیوں کا اثر۔
• ان صارفین کی تعداد جنہوں نے نظام استعمال کرنا چھوڑ دیا۔
• نظام کو ابتدائی نمونے سے مستحکم خدمت تک لے جانے کی لاگت۔

کہا جا سکتا ہے کہ نظام نے "پانی کا استعمال کم کیا"، بغیر یہ بتائے کہ:

• کس طریقۂ کار کے مقابلے میں؟
• کیا پانی کا استعمال فی ہیکٹر کم ہوا یا فی ٹن؟
• کیا ماخذ سے پانی کی کل نکاسی کم ہوئی؟
• کیا پیداواری صلاحیت اور معیار برقرار رہے؟
• کیا موسم زیادہ بارشوں والا تھا؟
• کیا زیرِ کاشت رقبہ پھیلا؟
• توانائی کے استعمال کا کیا ہوا؟
• بچت کی قدر کے مقابلے میں نظام کی لاگت کیا ہے؟

یہ بھی کہا جا سکتا ہے کہ کوئی ایپلی کیشن "مصنوعی ذہانت سے چلنے والی" ہے، جبکہ حقیقت میں الگورتھم ایک ایسی خدمت کا محض ایک چھوٹا سا حصہ ہے جس کی کامیابی پیمائش کے معیار، رابطے، معاونت، دیکھ بھال، اور صارف کے ردِعمل پر منحصر ہے۔ وہ علامات جو توقف کا تقاضا کرتی ہیں جب درج ذیل میں سے ایک یا زیادہ نمونے ظاہر ہوں تو فیصلہ زیادہ محتاط ہو جانا چاہیے:

• ایسی فیصد جس کا نہ کوئی مخرج ہو نہ تعریف۔
• ایسی درستی جس کے ساتھ جانچ کے مجموعے کا کوئی بیان نہ ہو۔
• کسی کمزور نظام سے یا سرے سے کسی مداخلت کے بغیر کیا گیا موازنہ۔
• کامیابی کی تصاویر، بغیر غلطیوں کو پیش کیے۔
• ایک مختصر تجربہ جسے یوں پیش کیا جائے گویا وہ مسلسل عملیات ہو۔
• ماڈل کے نتیجے کو یوں پیش کرنا گویا وہ معاشی اثر ہو۔
• فروخت کنندہ کے بیان کو یوں پیش کرنا گویا وہ ایک آزاد تشخیص ہو۔
• کل استعمال بتائے بغیر لفظ "بچت"۔
• ماپے ہوئے جوابی وقت کے بغیر لفظ "فوری"۔
• صارف کی فہم جانچے بغیر "کثیر لسانی"۔
• یہ بتائے بغیر "قابل تشریح" کہ کیا سمجھایا جاتا ہے اور کس کو۔
• محفوظ حالت یا ناکامی کے ردِعمل کے منصوبے کی تعریف کے بغیر "محفوظ"۔

مظاہرہ یہ ثابت کرتا ہے کہ نظام منتخب حالات میں ایک بار کام کرنے کے قابل تھا۔ اس کے برعکس، کوئی زرعی خدمت یہ ثابت کرتی ہے کہ وہ اُس وقت بھی کام کر سکتی ہے جب حالات وہ خود منتخب نہ کرے۔

10۔ مطلوبہ شواہد فیصلے کے خطرے کے متناسب ہوتے ہیں

ہر ڈیجیٹل فعل کے لیے ثبوت کا یکساں درجہ درکار نہیں۔ صارف کو فصل کے معائنے کی تاریخ یاد دلانے کے وہ نتائج نہیں جو کسی کیمیائی سفارش یا قرضے کے فیصلے کے ہوتے ہیں۔ مگر ایپلی کیشن کی کم لاگت غلطی کے نتائج کو کم نہیں کرتی اگر فیصلہ حساس ہو۔

نوٹ: یہاں خط اساس سے مراد وہ حوالہ ہے جس سے مصنوعی ذہانت کے نظام کی کارکردگی کا موازنہ کر کے یہ طے کیا جاتا ہے کہ آیا اس نے کوئی حقیقی فائدہ پہنچایا۔ یہ کہنا کافی نہیں کہ نظام نے "اچھی کارکردگی دکھائی" جب تک ہمیں معلوم نہ ہو: کس کے مقابلے میں اچھی؟ خط اساس درج ذیل میں سے ایک یا زیادہ ہو سکتا ہے:

• نظام استعمال کرنے سے پہلے کا موجودہ طریقۂ کار: جیسے آبپاشی کے وقت کا اندازہ لگانے یا فصل چھانٹنے کا کسان کا معمول کا طریقہ۔
• کسی پچھلے موسم یا مدت کے نتائج: جیسے پچھلے موسموں میں کھیت کی اوسط پیداوار، مختلف حالات کو ملحوظ رکھتے ہوئے۔
• مصنوعی ذہانت کے بغیر ایک سادہ طریقہ: جیسے ایک مقررہ آبپاشی شیڈول، ایک واضح زرعی اصول، یا ایک تاریخی اوسط۔
• کسی انسانی ماہر کا تخمینہ: جیسے زرعی انجینئر کی پیداوار سے متعلق پیش گوئی یا دستی چھانٹی کا نتیجہ۔
• کوئی موجودہ روایتی ماڈل: اگر منصوبہ پہلے سے زیرِ استعمال کسی نظام یا ماڈل کی جگہ لے رہا ہو۔

مثال: پیداوار کی پیش گوئی اگر مصنوعی ذہانت کا کوئی ماڈل فصل کی پیداوار کی پیش گوئی کرتا ہے، تو یہ کہنا کافی نہیں کہ اس کی پیش گوئی حقیقی نتیجے کے قریب تھی۔ اس کا موازنہ، مثال کے طور پر، پچھلے برسوں میں کھیت کی اوسط پیداوار سے یا زرعی انجینئر کے زیرِ استعمال موجودہ تخمینی طریقے سے کیا جانا چاہیے۔ اگر ماڈل اس سادہ خط اساس سے بہتر نہیں، یا اپنی پیش گوئی زیادہ موزوں وقت پر فراہم نہیں کرتا، تو ممکن ہے اس کی افادیت ڈیٹا جمع کرنے اور نظام چلانے کی لاگت کو جواز فراہم نہ کرے۔ مثال: آبپاشی کی شیڈولنگ اگر نظام آبپاشی کے وقت اور مقدار کی سفارش کرتا ہے، تو خط اساس معمول کا آبپاشی شیڈول ہے، یا معائنے اور تجربے کی بنیاد پر کسان کا فیصلہ، یا کوئی منظور شدہ رہنما اصول۔ پھر نتائج کا موازنہ کیا جاتا ہے: کیا نظام نے پانی اور توانائی کا کل استعمال کم کیا؟ کیا اس نے پیداوار اور معیار برقرار رکھا؟ کیا اس نے آبی تناؤ کو کم کیا؟ اور کیا سینسروں، رابطے، اور دیکھ بھال کی لاگت کو مدِنظر رکھنے کے بعد بھی فائدہ باقی رہا؟ مثال: فصل کی چھانٹی خط اساس موجودہ دستی چھانٹی کا عمل ہو سکتا ہے۔ موازنہ نظام کی رفتار تک محدود نہیں؛ اس میں غلط درجہ بندی ہونے والی مصنوعات کا تناسب، معیار کی مستقل مزاجی، نقصان کی حد، عملیاتی لاگت، اور مزدور کی اس صلاحیت کا بھی احاطہ ہوتا ہے کہ وہ مبہم معاملات پر نظرثانی کر سکے۔ مثال: دیکھ بھال اگر نظام پمپوں یا کولنگ یونٹوں کی خرابیوں کے بارے میں قبل از وقت انتباہات جاری کرتا ہے، تو خط اساس معمول کا دیکھ بھال کا شیڈول ہو سکتا ہے یا نظام کی تنصیب سے پہلے خرابیوں اور بندشوں کی تعداد۔ مقصد یہ طے کرنا ہے کہ کیا انتباہات نے واقعی بندش کے وقت اور نقصانات کو کم کیا، نہ کہ محض یہ جاننا کہ ایپلی کیشن نے کتنے انتباہات پیدا کیے۔ چنانچہ، خط اساس نہ تو قبولیت کے لیے کوئی کم سے کم حد ہے، اور نہ ہی پروگرامنگ کا نقطۂ آغاز؛ بلکہ یہ اس بات کی دستاویزی تصویر ہے کہ نظام سے پہلے کیا ہو رہا تھا، یا یہ کہ کوئی سادہ تر متبادل کیا حاصل کر سکتا ہے۔ اس کے بغیر ممکن ہے ہم مصنوعی ذہانت کو ایسی بہتری منسوب کر دیں جس کا سبب موسم، بدلتی قیمتیں، مزدور کا تجربہ، یا موسموں کے درمیان فرق ہو۔ اگر جدول میں تکنیکی اصطلاح برقرار رکھی جائے، تو سب سے واضح عبارت یہ ہے: مقامی توثیقِ کارکردگی، ایک واضح خط اساس سے موازنہ — یعنی موجودہ طریقۂ کار یا کسی سادہ متبادل سے — عملیات کے دوران مسلسل نگرانی، اور ایک محفوظ دستی متبادل کی فراہمی۔ کم خطرے والے افعال لچک کا زیادہ درجہ قبول کیا جا سکتا ہے اگر غلطی کا سراغ لگانا اور اسے پلٹانا آسان ہو، اور آلہ کوئی نقصان دہ عمل نافذ نہ کرے۔ مگر یہاں بھی پلیٹ فارم کو اپنی حدود چھپانی نہیں چاہییں اور نہ ہی ایسا ڈیٹا جمع کرنا چاہیے جس کی اسے ضرورت نہیں۔ درمیانے خطرے والے افعال ان کے لیے ایک حقیقت پسندانہ خط اساس سے موازنہ، مقامی ڈیٹا اور مقامی حالات میں جانچ، اور اس بات کی سمجھ درکار ہے کہ اگر نظام ناکام ہو جائے یا رابطہ منقطع ہو جائے تو کیا ہوگا۔ ممکن ہے سفارش بذاتِ خود خطرناک نہ ہو، مگر وسیع رقبے پر استعمال ہونے کی صورت میں وہ مہنگی ثابت ہو سکتی ہے۔ بلند خطرے والے افعال انہیں ماڈل کی پیش گوئی سے سیدھا نفاذ کی طرف نہیں جانا چاہیے۔ ان کے لیے درکار ہے:

• اس شخص کا تعین جو منظوری دینے کا مجاز ہو۔
• ماخذ اور حدود کو ظاہر کرنا۔
• ڈیٹا ناکافی ہونے پر جواب دینے سے روکنا۔
• سفارش اور انسانی مداخلت کو ریکارڈ کرنا۔
• اضافہ کاری کا راستہ فراہم کرنا۔
• محفوظ حالت کی جانچ کرنا۔
• عمومی معلومات کو پیشہ ورانہ یا قانونی فیصلے سے الگ رکھنا۔

قانوناً ضابطہ بند افعال الگورتھم کو سرکاری لیبل، مجاز اتھارٹی، جانوروں کے معالج، یا مجاز انجینئر کی جگہ نہیں لینا چاہیے۔ وہ معلومات جمع کرنے، دستاویزات بازیافت کرنے، اور تضادات کی نشان دہی کرنے میں مدد دے سکتا ہے، مگر وہ ایسی قانونی رجسٹریشن یا پیشہ ورانہ اتھارٹی عطا نہیں کر سکتا جو خود اس کے پاس نہیں۔ حکمران اصول یہ ہے کہ توثیقِ کارکردگی اور نگرانی کا درجہ غلطی کے نتیجے اور اسے پلٹانے کی دشواری کے ساتھ بڑھنا چاہیے۔

11۔ شواہد پڑھنے کے تین مطالعاتی معاملات

درج ذیل معاملات تجزیاتی تدریسی مثالیں ہیں، نئے تجربات کے نتائج نہیں۔ ان کا مقصد یہ دکھانا ہے کہ باب کے طریقۂ کار کا اطلاق کیسے کیا جائے۔ پہلا معاملہ: پودوں کی کسی بیماری کی درجہ بندی کے لیے ایک فون ایپلی کیشن ایپلی کیشن پتے کی تصویر دکھاتی ہے اور کسی ممکنہ بیماری کا نام اور اعتماد کا درجہ واپس کرتی ہے۔ ایک سرسری مطالعہ کہے گا: ایپلی کیشن بیماری کی تشخیص کرتی ہے۔ البتہ ایک منضبط مطالعہ دعوے کو اجزا میں توڑتا ہے:

1. کیا ماڈل متعین زمروں کے اندر کسی بصری نمونے کو پہچانتا ہے، یا وہ ایک مکمل سببی تشخیص فراہم کرتا ہے؟
2. کیا تصاویر کا ڈیٹاسیٹ ہدف شدہ اقسام اور ماحول کی نمائندگی کرتا ہے؟
3. کیا اسے کھیت میں فون سے لی گئی تصاویر پر جانچا گیا؟
4. کیا وہ یہ بھانپ سکتا ہے کہ معاملہ تربیتی زمروں سے باہر ہے؟
5. کیا وہ پودے کی عمر، مقام، اور علامات کے پھیلاؤ کے بارے میں معلومات طلب کرتا ہے؟
6. اعتماد کم ہونے پر وہ کیا کرتا ہے؟
7. کیا وہ سرکاری ماخذ ظاہر کرتا ہے؟
8. کیا وہ کسی علاج کی تجویز دیتا ہے، اور اس کی منظوری کون دیتا ہے؟
9. کیا وہ بیماری کے نام، اس کی شدت، اور اس کے پھیلاؤ کے مرحلے میں فرق کرتا ہے؟
10. کیا صارف نتیجے کی درستی کر کے اسے نظرثانی کے لیے بھیج سکتا ہے؟

ممکن ہے ایپلی کیشن تصاویر کی ترجیحی چھانٹی اور ان معاملات کی شناخت میں بہت مفید ہو جو معائنے کے قابل ہیں، بغیر اس کے کہ وہ پیشہ ورانہ تشخیص کا متبادل ہو۔ فعل کو درستی سے بیان کرنا اس کی قدر کم نہیں کرتا؛ بلکہ یہ اسے ایسے سیاق میں استعمال ہونے سے روکتا ہے جس کے لیے وہ بنائی ہی نہیں گئی تھی۔ دوسرا معاملہ: ایک نظام جو آبپاشی کے پانی میں 30% بچت کا دعویٰ کرتا ہے تجزیے کی غرض سے فرض کیجیے کہ کوئی پلیٹ فارم آبپاشی کے پانی میں 30% کمی کا دعویٰ کرتا ہے۔ بیان کو قبول کرنے سے پہلے ہمیں پوچھنا ہوگا:

• کیا یہ فیصد فی ہیکٹر ہے، فی ٹن، یا مجموعی طور پر پورے فارم کے لیے؟
• خط اساس کیا ہے: کوئی مقررہ شیڈول، کسان کا طریقۂ کار، یا کوئی دوسرا نظام؟
• کیا رقبہ ثابت رہا؟
• کیا موسم بارش اور درجۂ حرارت کے لحاظ سے قابلِ موازنہ تھا؟
• کیا پیداواری صلاحیت اور معیار بدستور برقرار رہے؟
• کیا پانی کا استعمال کسی دوسرے مرحلے کی طرف منتقل ہو گیا؟
• پمپنگ کی توانائی کا کیا ہوا؟
• کیا نتیجے میں بندش کے دن شامل تھے؟
• سینسروں، رابطے، اور دیکھ بھال پر کتنی لاگت آئی؟
• کیا بچت ایک سے زائد موسم تک برقرار رہی؟

اگر زیرِ کاشت رقبے کے پھیلنے کے ساتھ فی ٹن پانی کا استعمال کم ہوتا ہے، تو کل نکاسی بڑھ سکتی ہے۔ اگر پانی کا استعمال اس لیے کم ہوا کہ موسم زیادہ بارشوں والا تھا، تو پورا نتیجہ نظام سے منسوب نہیں کیا جا سکتا۔ اور اگر یہ بچت معیار میں بڑی گراوٹ کے ساتھ حاصل ہوئی، تو نتیجہ معاشی طور پر ناقابلِ قبول ہو سکتا ہے۔ تناسب کو رد نہیں کرنا چاہیے، مگر وہ اپنے مخرج، اپنے خط اساس، اور اپنے ساتھ آنے والے نتائج کے بغیر نامکمل ہے۔ تیسرا معاملہ: ایک تخلیقی زرعی مشاورتی معاون یہ معاون قدرتی زبان میں بیماری، آبپاشی یا کھاد سے متعلق سوال کا جواب دیتا ہے۔ اس کی کامیابی کا پیمانہ محض جملے کی خوبصورتی نہیں۔ درج ذیل کا جائزہ لینا چاہیے:

• کیا اس نے فصل، خطے اور مرحلے کو سمجھا؟
• کیا اس نے کسی قابلِ اعتماد ماخذ سے تازہ حوالہ بازیافت کیا؟
• کیا اس نے ماخذ کی شرائط درست طور پر منتقل کیں؟
• کیا اس نے دو ملکوں یا دو قانونی رجسٹریشنوں کو خلط ملط کیا؟
• کیا اس نے احتمال اور تشخیص میں فرق کیا؟
• کیا اس نے خوراک یا قبل از برداشت وقفہ گھڑنے سے گریز کیا؟
• کیا اس نے غائب معلومات کا تقاضا کیا؟
• کیا اس نے ضرورت پڑنے پر معاملہ کسی ماہر کی طرف بھیجا؟
• کیا فارم کا ڈیٹا محفوظ رہا؟
• کیا صارف ماخذ دیکھ سکتا ہے، جواب پر اعتراض کر سکتا ہے، اور اسے درست کر سکتا ہے؟

معاون احتمالات کی وضاحت کرنے، سوالات جمع کرنے، اور شواہد کو منظم کرنے میں عمدہ ہو سکتا ہے، پھر بھی خطرناک ثابت ہو سکتا ہے جب وہ کوئی حساس عدد ایسے اعتماد کے ساتھ فراہم کرے جس کا وہ جواز نہیں دے سکتا۔ یہاں پختگی کا مطلب ہر بات کا جواب دینا نہیں؛ اس کا مطلب یہ جاننا ہے کہ جواب کب مفید ہے اور کب کسی ماہر کی طرف بھیجنا ہی ذمہ دارانہ جواب ہے۔

12۔ کسی ڈیجیٹل زرعی دعوے پر اعتماد کرنے سے پہلے قاری کا ضابطہ

درج ذیل سوالات کسی مطالعے، مصنوعات کی پیشکش، یا اس کتاب کے کسی باب کو پڑھتے وقت استعمال کیے جا سکتے ہیں:

1. مخصوص زرعی کام کیا ہے؟

کیا یہ شناخت ہے، درجہ بندی، پیشگوئی، سفارش، کنٹرول، یا عمل درآمد؟

2. دعوے کی نوعیت کیا ہے؟

کیا اس کا تعلق مصنوعات کے وجود سے ہے، کسی خصوصیت سے، تکنیکی کارکردگی سے، یا زرعی اور معاشی اثر سے؟

3. دعویٰ کس نے کیا، اور اس کا جائزہ کس نے لیا؟

کیا کہنے والا ڈویلپر ہے، کوئی آزاد ادارہ، محققین، یا صارفین؟

4. ڈیٹا کا ماخذ کیا ہے؟

اور فصل، خطہ، موسم، آلہ، اور نمونے کی اکائی کیا ہیں؟

5. خط اساس کیا ہے؟

کیا نظام کا موازنہ موجودہ طریقۂ کار سے کیا گیا، کسی ماہر سے، کسی سادہ اصول سے، یا کسی مداخلت کے نہ ہونے سے؟

6. پیمانہ کیا ہے؟

وہ کس چیز کو ناپتا ہے، کس کو نہیں ناپتا، اور کیا وہ غلطی کے نتیجے کے لیے موزوں ہے؟

7. کیا کوئی آزاد یا مقامی توثیق ہوئی؟

یا نتیجہ اب بھی ڈویلپر کے ڈیٹا یا اصل مطالعے تک محدود ہے؟

8. کس قسم کی غلطی سب سے خطرناک ہے؟

اور اس کی لاگت یا نقصان کون اٹھاتا ہے؟

9. کیا نتیجہ وقت پر پہنچتا ہے؟

اور کیا صارف درحقیقت اس پر عمل کر سکتا ہے؟

10. ناکامی پیش آنے پر کیا ہوتا ہے؟

اگر نیٹ ورک بند ہو جائے، سینسر ناکام ہو جائے، یا کوئی نامعلوم معاملہ سامنے آئے تو کیا ہوتا ہے؟

11. کیا حتمی نتیجہ بہتر ہوا؟

پیداوار، معیار، پانی، توانائی، مزدوری، لاگت، اور خطرے کا حساب کرنے کے بعد؟

12. انحصار سے پہلے کس چیز کی مقامی توثیق درکار ہے؟

اور استعمال کی کون سی حدود کا اعلان ضروری ہے؟

جواب دینے کے بعد، دعوے کو چار حالتوں میں سے کسی ایک میں رکھا جا سکتا ہے:

• کسی معلوم سیاق و سباق کے اندر تائید شدہ: اعلان شدہ حدود کے اندر استعمال کے لیے موزوں۔
• امید افزا اور مقامی توثیق کا محتاج: اچھے شواہد موجود ہیں، مگر منتقلی پذیری ثابت نہیں ہوئی۔
• اپنے فراہم کنندہ کے بیان کردہ: ہم جانتے ہیں کہ فراہم کنندہ کیا دعویٰ کرتا ہے، مگر ہمارے پاس ابھی کافی آزاد جائزہ موجود نہیں۔
• فیصلے کی تائید کے لیے ناکافی: شواہد نامکمل ہیں، غیر موزوں ہیں، یا استعمال کے خطرے کے مقابلے میں غیر متناسب ہیں۔

چوتھی حالت کا مطلب یہ نہیں کہ ٹیکنالوجی بے قیمت ہے؛ بلکہ اس کا مطلب یہ ہے کہ امکان اور جائز انحصار کے درمیان خلا ابھی پُر نہیں ہوا۔

باب کا خلاصہ

علم اس لیے قابلِ اعتماد نہیں ہو جاتا کہ اس کا ماخذ کوئی مشہور نام رکھتا ہے، اور نہ کوئی ایپلی کیشن اس لیے پختہ ہو جاتی ہے کہ اس کے ماڈل نے بلند سکور حاصل کیا۔ اعتماد اُس وقت قائم ہوتا ہے جب ہم جان لیں کہ کیا ناپا گیا، کس ڈیٹا پر، کس موازنے کے مقابل، اور کن حالات میں؛ پھر ماڈل کی کارکردگی سے نظام کی عملیات تک، سفارش سے عمل تک، اور عمل سے کھیت، معیشت اور انسانی فلاح پر اس کے اثرات تک کا راستہ ٹٹولیں۔

کوئی عدد اپنے مطالعے کے اندر درست ہو سکتا ہے، مصنوعات بازار میں موجود ہو سکتی ہے، اور الگورتھم اپنے ڈیزائن میں جدید ہو سکتا ہے، پھر بھی ان میں سے کوئی بھی اس بات کا کافی ثبوت نہیں کہ کسی خاص فارم پر فیصلہ بہتر ہو گیا ہے۔ یہیں طریقہ کار اپنا مقصد پورا کرتا ہے: ٹیکنالوجی کے وعدے کو مدھم کرنا نہیں، بلکہ اسے فوری مسحور کن کشش سے قابلِ جانچ علم میں، اور علم سے ایک قابلِ دفاع فیصلے میں بدلنا۔ سائنسی سختی ہر ایپلی کیشن سے یہ تقاضا نہیں کرتی کہ وہ پہلے دن سے سب کچھ ثابت کر دے۔ وہ اس سے یہ تقاضا کرتی ہے کہ وہ اعلان کرے کہ اس نے درحقیقت کیا ثابت کیا ہے، اُس درجے میں فرق کرے جس تک وہ پہنچی ہے اور اُس درجے میں جس کی وہ خواہش رکھتی ہے، اور جب بھی غلطی کا نتیجہ بڑھے تو توثیق کا درجہ بڑھا دے۔ جب قاری کام، پیمانے، سیاق و سباق، غلطی، پختگی، منتقلی پذیری، اور اثر کے بارے میں پوچھنا سیکھ لیتا ہے، تو وہ بلند ترین عدد یا سب سے چمکدار پیشکش کا اسیر نہیں رہتا۔ قاری اس قابل ہو جاتا ہے کہ ایسے ماڈل میں فرق کر سکے جو جانچ میں کامیاب ہوا، ایسے نظام میں جو کام کرنے کے قابل ہوا، ایسی ایپلی کیشن میں جس نے فیصلہ بدلا، اور ایسی ٹیکنالوجی میں جس نے ثابت کیا کہ وہ زراعت میں اپنی جگہ کی مستحق ہے۔ شواہد کے نوٹس: پہلا اور دوسرا حصہ بیان کرتے ہیں کہ کتاب کیسے تعمیر کی گئی اور اس کے دعووں کو کیسے ضبط میں رکھا گیا۔ [SRC004] کو ایک شائع شدہ منضبط جائزے کی مثال کے طور پر استعمال کیا گیا، نہ کہ اس کا طریقہ کاری درجہ اس کام کو عطا کرنے کے لیے۔ [SRC006] کو یہ واضح کرنے کے لیے استعمال کیا گیا کہ تعین کا سرِعامل مطالعے کی ترتیب تک محدود ہے اور اسے ایک عمومی "درستی کا تناسب" میں نہیں بدلنا چاہیے، اور [SRC012] کو اس ضرورت کی مثال کے طور پر کہ حسابی نتائج کو انہی تجربات تک محدود رکھا جائے جن سے وہ آئے ہیں اور انہیں کوئی تجارتی یا میدانی ضمانت نہ بنایا جائے۔ خطرے، نگرانی، اور عملیاتی دورانیے کا مباحثہ AI Risk Management Framework [SRC033] کی رہنمائی میں ہے۔ پختگی کی سیڑھی، تشخیصی کارڈ، خطرے کی سطحیں، اور مطالعاتی معاملات ایک ادارتی تعلیمی ترکیب ہیں جن کا مقصد قاری کو شواہد کا جائزہ لینے میں مدد دینا ہے؛ وہ نہ کوئی سرکاری ضابطہ کار معیار ہیں اور نہ اس کتاب کے لیے کیے گئے نئے تجربات کے نتائج۔