ہارورڈ کے مطالعے میں، AI نے دو انسانی ڈاکٹروں سے زیادہ درست ایمرجنسی روم کی تشخیص فراہم کی

ہارورڈ میڈیکل اسکول کا ایک مطالعہ جو اس ہفتے Science میں شائع ہوا، OpenAI کے o1 ماڈل نے 76 حقیقی ایمرجنسی روم کے معاملات میں دو حاضر ڈاکٹروں سے بہتر کارکردگی کا مظاہرہ کیا۔ یہ تحقیق نظریاتی بینچ مارکس سے حقیقی کلینیکل ڈیٹا کی طرف ایک تبدیلی کو ظاہر کرتی ہے — اور اس بارے میں فوری سوالات اٹھاتی ہے کہ ایشیا میں AI ترقیاتی ٹولز بنانے والے ڈویلپرز کو ماڈل کی درستگی، شفافیت، اور اعلیٰ خطرے والے ماحول میں تعینات کے بارے میں کیسے سوچنا چاہیے۔ ایشیائی ڈویلپرز جو AI سے چلنے والے ہیلتھ کیئر، فنٹیک، یا لاجسٹکس پلیٹ فارمز شپ کر رہے ہیں، ان کے لیے اثرات فوری ہیں: "کافی اچھا" کا معیار آگے بڑھ گیا ہے۔

ہارورڈ کے مطالعے نے اصل میں کیا ماپا

ہارورڈ میڈیکل اسکول اور Beth Israel Deaconess Medical Center کے محققین نے OpenAI کے o1 اور 4o ماڈلز کو کلینیکل ٹیسٹوں کی ایک سیریز میں چلایا۔ سرخی کا نتیجہ: 76 ایمرجنسی روم کے معاملات کے ایک سیٹ میں، o1 نے دو انٹرنل میڈیسن حاضر ڈاکٹروں سے زیادہ تشخیصی درستگی حاصل کی۔ مطالعہ محض درسی حالات پر منحصر نہیں تھا — یہ حقیقی مریض تھے، نامکمل معلومات کے ساتھ، وقت کے دباؤ کے ساتھ، اور حقیقی کلینیکل عمل کی تمام پیچیدگیوں کے ساتھ۔

محققین نے کارکردگی کو متعدد جہتوں میں ماپا: تشخیصی درستگی، استدلال کی شفافیت، اور ابہام یا متضاد ڈیٹا کو سنبھالنے کی صلاحیت۔ جو نمایاں ہے وہ یہ ہے کہ o1 کا فائدہ معمولی نہیں تھا۔ ماڈل نے مسلسل ان معاملات میں صحیح تشخیص کی نشاندہی کی جہاں انسانی ڈاکٹروں نے اہم اشارے کو یاد کیا یا بہت جلدی ایک ہی نظریے پر توجہ مرکوز کی۔ یہ ڈاکٹروں کو تبدیل کرنے کے بارے میں نہیں تھا — مطالعہ AI کو فیصلہ سپورٹ ٹول کے طور پر پیش کرتا ہے — لیکن یہ تجویز کرتا ہے کہ بڑے لینگویج ماڈلز حقیقی دنیا کے استدلال کے کاموں میں ایک حد تک پہنچ گئے ہیں۔

ڈویلپرز کے لیے، تکنیکی نتیجہ واضح ہے: ساختی اور غیر ساختی ڈیٹا کے وسیع ذخائر پر تربیت یافتہ ماڈلز اب تنگ، اعلیٰ پیچیدگی والے ڈومینز میں انسانی ماہر کی کارکردگی کے برابر یا اس سے زیادہ ہو سکتے ہیں۔ چیلنج یہ نہیں ہے کہ AI تشخیص کر سکتا ہے — یہ ہے کہ ایسے نظام کیسے بنائیں جو AI کی سفارشات کو اس طریقے سے ظاہر کریں جس پر کلینیشن (یا کسی بھی ڈومین میں آخری صارفین) اعتماد کر سکیں اور عمل کر سکیں۔

ایشیائی ڈویلپرز کے لیے جو AI پروڈکٹس بنا رہے ہیں یہ کیوں اہم ہے

ایشیا کا ڈویلپر ایکوسسٹم اس تبدیلی سے فائدہ اٹھانے کے لیے منفرد طور پر موضع پر ہے۔ یہ خطہ میڈیکل پروفیشنلز کی شدید کمی کا سامنا کر رہا ہے — WHO کا تخمینہ ہے کہ جنوب مشرقی ایشیا کو 2030 تک 4.5 ملین مزید ہیلتھ کیئر ورکرز کی ضرورت ہے۔ AI سے چلنے والے تشخیصی ٹولز ایک تزویز نہیں ہیں؛ یہ بنیادی ڈھانچہ ہیں۔ لیکن یہی منطق قانونی ٹیک، مالیاتی مشاورت، کسٹمر سپورٹ، اور لاجسٹکس کی بہتری پر بھی لاگو ہوتی ہے۔ کوئی بھی ڈومین جہاں ماہر کا فیصلہ نایاب اور مہنگا ہو، AI کی تقویت کے لیے ایک امیدوار بن جاتا ہے۔

ہارورڈ کے مطالعے سے اعلیٰ خطرے والے ماحول میں AI نظام کی تصدیق کے طریقے کے لیے ایک نقشہ ملتا ہے۔ ڈویلپرز جو AI فیچرز شپ کر رہے ہیں وہ صرف مصنوعی بینچ مارکس پر انحصار نہیں کر سکتے۔ آپ کو حقیقی دنیا کے ٹیسٹ کیسز، انسانی ماہر کے بیس لائنز، اور اس کی شفاف رپورٹنگ کی ضرورت ہے کہ ماڈل کہاں ناکام ہوتا ہے۔ یہ خاص طور پر ایشیا میں اہم ہے، جہاں AI کے لیے ریگولیٹری فریم ورک ابھی بھی ابھر رہے ہیں۔ سنگاپور کا Model AI Governance Framework اور تھائی لینڈ کا Personal Data Protection Act ٹون سیٹ کرتے ہیں، لیکن نفاذ غیر مساوی ہے۔ ڈویلپرز جو اب مضبوط تصدیق کی پائپ لائنیں بناتے ہیں ان کے پاس ایک مسابقتی فائدہ ہوگا جب ریگولیشنز سخت ہوں۔

پروڈکٹ کے نقطہ نظر سے، مطالعہ وضاحت کی اہمیت کو بھی اجاگر کرتا ہے۔ o1 ماڈل نے صرف تشخیص کو آؤٹ پٹ نہیں کیا — اس نے استدلال کی زنجیریں فراہم کیں جو کلینیشن تشخیص کر سکتے تھے۔ MonstarX یا اسی طرح کے پلیٹ فارمز کے ساتھ کام کرنے والے ڈویلپرز کے لیے، اس کا مطلب ہے ایسے انٹرفیسز ڈیزائن کرنا جو ماڈل کی منطق کو ظاہر کریں، نہ کہ صرف حتمی پیشن گوئیاں۔ صارفین کو یہ دیکھنے کی ضرورت ہے کہ AI نے پروڈکشن میں اس کی سفارش کرنے سے پہلے اعتماد کریں۔

اعلیٰ درستگی والے AI نظام کے پیچھے تکنیکی آرکیٹیکچر

ہارورڈ کے مطالعے میں بیان کی گئی سطح پر کارکردگی کرنے والے AI نظام بنانے کے لیے صرف بڑے لینگویج ماڈل API تک رسائی سے زیادہ کی ضرورت ہے۔ آرکیٹیکچر اہم ہے۔ کامیاب تعینات متعدد اجزاء کو یکجا کرتے ہیں: ڈیٹا پائپ لائنیں جو ان پٹس کو صاف اور معمول کے مطابق بناتی ہیں، retrieval-augmented generation (RAG) نظام جو ماڈل کے آؤٹ پٹس کو ڈومین کے مخصوص علم کی بنیادوں میں لنگر ڈالتے ہیں، اور فیڈ بیک لوپس جو صارف کی اصلاحات کو کیپچر کرتے ہیں اور ماڈلز کو بار بار دوبارہ تربیت دیتے ہیں۔

ایشیائی ڈویلپرز کے لیے، latency اور لاگت اضافی رکاوٹیں ہیں۔ ہر صارف کی تلاش کے لیے حقیقی وقت میں OpenAI کے o1 ماڈل کو سرو کرنا زیادہ تر اسٹارٹ اپس کے لیے معاشی طور پر قابل عمل نہیں ہے۔ حل ہائبرڈ آرکیٹیکچرز ہیں: ابتدائی ٹریج کے لیے چھوٹے، تیز ماڈلز استعمال کریں، بڑے ماڈلز میں صرف اس وقت بڑھائیں جب اعتماد کے اسکور ایک حد سے نیچے آئیں، اور عام تلاشوں کو جارحانہ طریقے سے کیش کریں۔ یہ وہ جگہ ہے جہاں connectors جیسے پلیٹ فارمز اہم ہو جاتے ہیں — وہ متعدد ماڈل فراہم کنندگان میں درخواستوں کو روٹ کرنے اور fallback منطق کو منظم کرنے کی پیچیدگی کو خلاصہ کرتے ہیں۔

مطالعے سے ایک اور سبق: prompt engineering کافی نہیں ہے۔ محققین نے محض خام مریض کے ڈیٹا کو ماڈل میں نہیں ڈالا۔ انہوں نے ان پٹس کو نیم رسمی کیس پریزنٹیشنز کے طور پر ساختی بنایا، جس طرح ڈاکٹر ہینڈ آفس کے دوران بات کرتے ہیں۔ ڈویلپرز کے لیے، اس کا مطلب ہے ان پٹ پری پروسیسنگ میں سرمایہ کاری — گندے حقیقی دنیا کے ڈیٹا کو ایسی شکلوں میں تبدیل کرنا جو ماڈل کی کارکردگی کو زیادہ سے زیادہ کریں۔ عملی طور پر، اس میں اکثر ڈومین کے مخصوص parsers، entity extraction پائپ لائنیں، اور تصدیق کی تہیں شامل ہوتی ہیں جو ماڈل تک پہنچنے سے پہلے غلط شدہ ان پٹس کو پکڑتی ہیں۔

اعلیٰ خطرے والے ڈومینز میں AI کے لیے ریگولیٹری اور اخلاقی تحفظات

ہارورڈ کے مطالعے سے ہیلتھ کیئر میں AI کی ریگولیٹری جانچ میں تیزی آئے گی — اور بالواسطہ، کسی بھی ڈومین میں جہاں غلطیوں کے اہم نتائج ہوں۔ EU میں، AI Act میڈیکل AI کو "high-risk" کے طور پر درجہ بندی کرتا ہے، تعینات سے پہلے conformity assessments کی ضرورت ہے۔ ایشیا کا ریگولیٹری منظر نامہ زیادہ ٹکڑے ٹکڑے ہے، لیکن سمت واضح ہے: حکومتیں شفافیت، auditability، اور جوابدہی چاہتی ہیں۔

ڈویلپرز کے لیے، اس کا مطلب ہے پہلے دن سے compliance کو مدنظر رکھتے ہوئے بنانا۔ ہر ماڈل ان پٹ اور آؤٹ پٹ کو لاگ کریں۔ اہم فیصلوں کے لیے human-in-the-loop workflows برقرار رکھیں۔ circuit breakers کو نافذ کریں جو خودکار اقدامات کو روک دیں جب ماڈل کا اعتماد گر جائے۔ یہ صرف قانونی ضروریات نہیں ہیں — یہ اچھی انجینئرنگ کی عملی حکمت عملی ہیں۔ نظام جو gracefully ناکام ہوں اور واضح audit trails فراہم کریں وہ debug کرنے میں آسان ہیں، بہتر بنانے میں آسان ہیں، اور جب کچھ غلط ہو تو دفاع کرنے میں آسان ہیں۔

bias کا سوال بھی ہے۔ ہارورڈ کے مطالعے نے ایک امریکی ہسپتال کی آبادی پر توجہ مرکوز کی۔ بنیادی طور پر مغربی میڈیکل ڈیٹا پر تربیت یافتہ ماڈلز ایشیائی آبادیوں پر لاگو ہونے پر کم کارکردگی کا مظاہرہ کر سکتے ہیں جن میں مختلف بیماری کے پھیلاؤ، جینیاتی نشانات، اور ہیلتھ کیئر تک رسائی کے نمونے ہوں۔ ایشیا میں AI پروڈکٹس شپ کرنے والے ڈویلپرز کو localized تربیتی ڈیٹا اور تصدیق کے سیٹس کی ضرورت ہے جو ان کی خدمت کرنے والی آبادی کو ظاہر کریں۔ یہ ایک مسابقتی فائدہ ہے: پلیٹ فارمز جو علاقائی ماڈل ٹیوننگ میں سرمایہ کاری کرتے ہیں وہ عام حل سے بہتر کارکردگی کریں گے۔

ڈویلپرز ان بصیرتوں کو غیر میڈیکل ڈومینز میں کیسے لاگو کر سکتے ہیں

ہارورڈ کے مطالعے سے اصول براہ راست دوسری اعلیٰ پیچیدگی والے ڈومینز میں ترجمہ کرتے ہیں۔ قانونی معاہدے کے جائزے پر غور کریں: ایک ماڈل جو خطرناک شقوں کی نشاندہی کرتا ہے کو تشخیصی AI جتنی ہی درستگی اور وضاحت کی ضرورت ہے۔ یا مالیاتی دھاکہ کی شناخت: غلط مثبتیں جائز لین دین کو منجمد کرتی ہیں، غلط منفیں بینک کو نقصان کے لیے بے نقاب کرتی ہیں۔ دونوں صورتوں میں، ماڈل کو انسانی ماہر کی سطح پر یا اس سے زیادہ کارکردگی کرنی چاہیے، اور صارفین کو اس کے استدلال کو سوال کرنے کے قابل ہونا چاہیے۔

کلیدی بات یہ ہے کہ ایک تنگ، اچھی طرح سے متعین مسئلہ کے ساتھ شروع کریں جہاں آپ ground-truth ڈیٹا جمع کر سکیں۔ ایک عام مقصد کے AI معاون کو بنانے کی کوشش نہ کریں۔ ایک ایسا ٹول بنائیں جو ایک مخصوص کام کو کسی بھی انسان سے بہتر طریقے سے حل کرے، پھر وہاں سے توسیع کریں۔ یہ vibe coding کا طریقہ ہے: تنگ طریقے سے محدود فیچرز پر تیز تر تکرار۔