منتقلی سیکھنے

ٹرانسفر لرننگ (جسے انڈکٹیو ٹرانسفر بھی کہا جاتا ہے) ایک مشین لرننگ طریقہ ہے جو ایک مختلف لیکن متعلقہ کام کے لیے حاصل کیے گئے علم کے دوبارہ استعمال پر توجہ مرکوز کرتا ہے۔ ٹرانسفر لرننگ کا استعمال اس وقت کیا جاتا ہے جب ڈیٹا کی ایک محدود مقدار دستیاب ہو اور ہدف ایک سورس ڈومین سے سیکھنا ہوتا ہے جبکہ ٹارگٹ ڈومین پہلے سے ہی معلوم ہوتا ہے۔ ٹرانسفر لرننگ کی دو اہم قسمیں ہیں، انڈکٹیو ٹرانسفر اور ٹرانزیکٹیو ٹرانسفر۔

انڈکٹیو ٹرانسفر اس وقت ہوتا ہے جب ماخذ اور ہدف الگ الگ مسائل ہوتے ہیں لیکن ایک ہی خصوصیات/ان پٹ استعمال کرتے ہیں، اور اس وقت استعمال ہوتا ہے جب صرف محدود ماخذ ڈیٹا دستیاب ہو۔ انڈکٹیو ٹرانسفر کا استعمال عام طور پر زیر نگرانی سیکھنے کی ترتیبات میں ہوتا ہے، جہاں مقصد کسی ماخذ ڈومین سے ٹارگٹ ڈومین پر علم کا اطلاق کرنا ہوتا ہے۔

نقلی منتقلی اس وقت ہوتی ہے جب سورس اور ٹارگٹ ڈومینز میں یکساں لیکن ایک جیسے ان پٹ نہیں ہوتے ہیں، اور اس کا استعمال اس وقت ہوتا ہے جب کچھ سورس ڈیٹا دستیاب ہو لیکن مکمل ٹریننگ سیٹ کے لیے کافی نہ ہو۔ اس صورت میں، ماخذ اور ہدف کے ماڈل متعدد ذرائع سے سیکھتے ہیں، جیسے ماہر علم یا قدرتی زبان۔

ٹرانسفر لرننگ کی تحقیق 1990 کی دہائی کے وسط میں ان پٹ ذرائع سے علم کی منتقلی کے طریقوں پر کام کے ساتھ شروع ہوئی۔ سیکھنے کی منتقلی کا ایک اور عام طریقہ یہ ہے کہ بڑے ڈیٹاسیٹس پر نیورل نیٹ ورک کو پہلے سے تربیت دی جائے اور پھر چھوٹے ڈیٹاسیٹس پر نیٹ ورک کو ٹھیک بنایا جائے۔ مقصد یہ ہے کہ بڑی مقدار میں ڈیٹا اکٹھا کیے بغیر عمومی اور درستگی کو بڑھایا جائے، یا کسی نئے کام کے لیے پہلے سے تربیت یافتہ ایک بڑے ماڈل کو دوبارہ تیار کیا جائے۔

بڑے ڈیٹاسیٹس کی موجودگی کی وجہ سے کمپیوٹر ویژن، قدرتی زبان کی پروسیسنگ، اور دیگر مشین لرننگ ایپلی کیشنز کے میدان میں ٹرانسفر لرننگ تیزی سے اہم ہو گئی ہے۔ تیزی سے، محققین یہ دیکھ رہے ہیں کہ ٹرانسفر لرننگ کو مزید پیچیدہ مسائل جیسے روبوٹکس اور مصنوعی ذہانت پر کیسے لاگو کیا جائے۔

ٹرانسفر لرننگ مصنوعی ذہانت کے حصول کے لیے ایک اہم تکنیک ہے اور میدان میں تحقیق کا ایک اہم شعبہ ہے۔ ڈیٹا سیٹس اور کمپیوٹیشنل پاور کی بڑھتی ہوئی مانگ کے ساتھ، ٹرانسفر لرننگ تحقیق کا ایک اہم شعبہ بنی رہے گی کیونکہ محققین درستگی کو بڑھانے اور ڈیٹا اکٹھا کرنے کی لاگت کو کم کرنے کی کوشش کرتے ہیں۔