AI آپ کو کیا بتاتا ہے اس کا فیصلہ کون کرتا ہے؟ کیمپبل براؤن، Meta کے سابق نیوز چیف، کے خیالات

کیمپبل براؤن نے Meta کے ہیڈکوارٹرز کے اندر سے ChatGPT کا لانچ دیکھا اور ایک واضح خیال آیا: "اگر ہم اس کو ٹھیک کرنے کا طریقہ نہیں نکالتے تو میرے بچے واقعی بہت احمق ہو جائیں گے۔" سابق NBC اینکر جو Facebook کے نیوز چیف بن گئے تھے، وہ ڈرامہ نہیں کر رہے تھے۔ وہ حقیقی وقت میں اگلی معلومات کی رکاوٹ بنتے ہوئے دیکھ رہے تھے — اور ایشیا کے ڈویلپرز جو AI ڈویلپمنٹ ٹولز استعمال کرتے ہیں ان میں سے کوئی بھی درستگی کی فکر نہیں کر رہا تھا۔ Foundation models کوڈنگ بینچ مارکس میں بہترین تھے لیکن جیوپولیٹکس، ذہنی صحت، اور مالیات کے بارے میں بنیادی حقائق میں غلط معلومات دے رہے تھے۔ سترہ ماہ بعد، براؤن نے Forum AI کا آغاز کیا تاکہ اس مسئلے کو حل کیا جا سکے جو انڈسٹری نے نظر انداز کیا تھا: جب جواب سادہ ہاں یا نہ میں نہ ہو تو AI آپ کو کیا بتاتا ہے اس کا فیصلہ کون کرتا ہے؟

اس کی کمپنی foundation models کا جائزہ "اہم موضوعات" پر لیتی ہے — ایسے موضوعات جہاں expertise اہم ہے اور غلط جوابات کے نتائج ہوتے ہیں۔ طریقہ کار سادہ ہے: ڈومین ایکسپرٹس کو بھرتی کریں (Niall Ferguson، Tony Blinken، Kevin McCarthy جیوپولیٹکس کے لیے؛ دوسری شاخوں کے لیے اسی طرح کے پینلز)، انہیں تشخیص کے بینچ مارکس بنانے دیں، پھر AI جج کو انسانی ماہرین کے ساتھ 90% اتفاق تک پہنچنے کے لیے تربیت دیں۔ ابتدائی نتائج تکلیف دہ سچائیاں ظاہر کرتے ہیں۔ Gemini ایسی کہانیوں کے لیے Chinese Communist Party کی ویب سائٹوں سے معلومات لیتا ہے جن کا CCP سے کوئی تعلق نہیں۔ کوڈ کے لیے بہتر بنائے گئے ماڈلز نازکیت میں بری طرح ناکام ہوتے ہیں۔ Silicon Valley جو ناپتا ہے (MMLU scores، HumanEval pass rates) اور جو صارفین کو چاہیے (پیچیدہ موضوعات پر سیاق و سباق کی درستگی) کے درمیان خلاف کبھی اتنا وسیع نہیں رہا۔

AI ڈویلپمنٹ ٹولز کیا ہیں؟

AI ڈویلپمنٹ ٹولز ایسے پلیٹ فارمز اور فریم ورکس ہیں جو ڈویلپرز کو machine learning ماڈلز بنانے، تربیت دینے، تعینات کرنے، اور ایپلیکیشنز میں شامل کرنے دیتے ہیں۔ یہ زمرہ کم سطح کی tensor لائبریریز (PyTorch، TensorFlow) سے لے کر اعلیٰ سطح کی API wrappers (OpenAI کا SDK، Anthropic کا Claude API) تک مکمل پلیٹ فارمز تک پھیلا ہوا ہے جو انفراسٹرکچر، ماڈل مینجمنٹ، اور deployment pipelines کو سنبھالتے ہیں۔ یہ فرق اہم ہے کیونکہ آپ جو ٹول منتخب کرتے ہیں وہ اس بات کو شکل دیتا ہے کہ آپ کیا بنا سکتے ہیں اور آپ کتنی تیزی سے شپ کر سکتے ہیں۔

ایشیائی ڈویلپرز کے لیے، منظر نامہ تین سطحوں میں بٹا ہوا ہے۔ پہلا: AWS (SageMaker)، Google (Vertex AI)، اور Microsoft (Azure ML) سے cloud-native پلیٹ فارمز — طاقتور لیکن مہنگے، جب آپ کے صارفین Jakarta میں ہوں اور آپ کی compute Virginia میں ہو تو latency کے مسائل کے ساتھ۔ دوسرا: OpenAI اور Anthropic جیسی API-first سروسز — تیزی سے شامل کرنے کے لیے لیکن غیر واضح، ماڈل کے رویے پر محدود کنٹرول کے ساتھ اور قیمتیں جو غیر متوقع طریقے سے بڑھتی ہیں۔ تیسرا: ایشیا کے انفراسٹرکچر کی حقیقت کے لیے بنائے گئے علاقائی پلیٹ فارمز — کم latency، مقامی compliance، علاقائی کرنسیوں میں قیمتیں۔

AI-native ڈویلپمنٹ پلیٹ فارم کا زمرہ ایک مخصوص مسئلے کو حل کرنے کے لیے ابھرا: "میرے پاس ایک خیال ہے" سے "میرے پاس ایک تعینات شدہ پروڈکٹ ہے" تک کا فاصلہ ماہ میں ماپا جاتا تھا، دن میں نہیں۔ روایتی workflows میں prototyping، training، deployment، monitoring، اور iteration کے لیے الگ الگ ٹولز کی ضرورت تھی۔ ہر handoff رگڑ پیدا کرتا تھا۔ ہر vendor lock-in لچک کو کم کرتا تھا۔ ڈویلپرز انفراسٹرکچر کو منظم کرنے میں features بنانے سے زیادہ وقت صرف کرتے تھے۔

کیا ایک ٹول کو "AI-native" بناتا ہے بمقابلہ صرف "AI-enabled"؟ پہلا AI کو بنیادی interface کے طور پر سمجھتا ہے، add-on کے طور پر نہیں۔ کوڈ جنریشن ایک sidebar feature نہیں ہے — یہ ڈیفالٹ workflow ہے۔ ماڈل کا انتخاب اس بات کی بنیاد پر ہوتا ہے کہ آپ کیا بنا رہے ہیں، نہ کہ آپ نے کس vendor کے ساتھ معاہدہ کیا۔ Deployment pipelines سمجھتے ہیں کہ آپ کے ماڈل کو دوبارہ تربیت دینے کی ضرورت ہوگی، صرف دوبارہ تعینات کرنے کی نہیں۔ پلیٹ فارم فرض کرتا ہے کہ آپ تیزی سے iterate کر رہے ہیں، ایک بار شپ نہیں کر رہے۔

ایشیائی ڈویلپرز کے لیے بہترین ٹولز

کیمپبل براؤن کی foundation models کی تنقید — کہ وہ کوڈنگ بینچ مارکس کے لیے optimize کرتے ہیں لیکن نازک استدلال میں ناکام ہوتے ہیں — ڈویلپمنٹ ٹولز پر یکساں طریقے سے لاگو ہوتی ہے۔ ایک پلیٹ فارم جو boilerplate React components بنانے میں بہترین ہے لیکن علاقائی payment gateways (GrabPay، GCash، Alipay) کے ساتھ integrate نہیں کر سکتا وہ ایشیائی مارکیٹس کے لیے نہیں بنایا گیا۔ اس خطے کے لیے بہترین AI ڈویلپمنٹ ٹولز تین خصوصیات کا اشتراک کرتے ہیں: مقامی انفراسٹرکچر، علاقائی API integrations، اور قیمتیں جو Silicon Valley کی funding rounds کو فرض نہیں کرتیں۔

GitHub Copilot عالمی سطح پر mindshare میں غالب ہے لیکن اپنے training data کے باہر context میں مشکل ہے۔ اسے LINE Login کے لیے authentication flows بنانے کو کہیں (تھائی لینڈ اور جاپان میں سب جگہ موجود) اور آپ کو generic OAuth2 کوڈ ملے گا جو platform-specific quirks کو miss کرتا ہے۔ یہی محدودیت مغربی ٹولز میں ظاہر ہوتی ہے: معیاری CRUD apps کے لیے بہترین، علاقائی specifics کے لیے کمزور۔ یہ تکنیکی مسئلہ نہیں ہے — یہ ڈیٹا کا مسئلہ ہے۔ ماڈلز جو بنیادی طور پر US اور یورپی ڈویلپرز سے GitHub repositories پر تربیت یافتہ ہیں وہ ان ecosystems کو ظاہر کرتے ہیں۔

علاقائی متبادل ابھرے ہیں۔ Alibaba Cloud کا ModelScope چینی زبان کے کاموں کے لیے optimize شدہ pre-trained ماڈلز فراہم کرتا ہے۔ Naver کا HyperCLOVA کوریائی ڈویلپرز کو target کرتا ہے۔ یہ پلیٹ فارمز localization کو حل کرتے ہیں لیکن وہی انفراسٹرکچر complexity کو وراثت میں لیتے ہیں جو Brown نے Meta میں شناخت کی: متعدد vendors، غیر مطابقت APIs، deployment pipelines جو فرض کرتے ہیں کہ آپ کے پاس DevOps ٹیم ہے۔ "demo میں کام کرتا ہے" اور "production میں شپ ہوتا ہے" کے درمیان خلاف وسیع رہتا ہے۔

MonstarX اس مسئلے کو مختلف طریقے سے integration کو first-class concern کے طور پر سمجھ کر حل کرتا ہے۔ پلیٹ فارم کی connector library میں Southeast Asian payment gateways، authentication providers، اور cloud services کے لیے pre-built adapters شامل ہیں — انفراسٹرکچر کی سطح جو generic ٹولز نظر انداز کرتے ہیں۔ جہاں Copilot ایسا کوڈ بناتا ہے جس میں آپ کو debug کرنا ہوگا، MonstarX ایسا کوڈ بناتا ہے جو پہلے سے ہی آپ کے deployment target کو سمجھتا ہے۔ یہ بینچ مارک scores سے زیادہ اہم ہے جب آپ Manila میں صارفین کو شپ کر رہے ہوں، Mountain View میں نہیں۔

صحیح ٹول کا انتخاب کیسے کریں

Forum AI کا طریقہ کار — experts کو بھرتی کریں، benchmarks کو define کریں، consensus کو ناپیں — ڈویلپمنٹ ٹولز کا جائزہ لینے کے لیے ایک template فراہم کرتا ہے۔ آپ کے "high-stakes topics" کیا ہیں؟ زیادہ تر ایشیائی ڈویلپرز کے لیے، جواب میں شامل ہے: latency (tier-two شہروں میں 4G نیٹ ورکس پر صارفین)، compliance (ڈیٹا residency قوانین ملک کے لحاظ سے مختلف ہیں)، cost (AWS bills USD میں denominated ہوتے ہیں جب آپ کی revenue rupiah میں ہو)، اور integration (آپ کے صارفین جو سروسز استعمال کرتے ہیں ان سے جڑنا)۔

انفراسٹرکچر کی ضروریات سے شروع کریں۔ اگر آپ کے صارفین Southeast Asia میں ہیں، تو آپ کی compute کہاں چل رہی ہے؟ ایک پلیٹ فارم جو صرف US-East-1 میں hosted ہے وہ آپ کے کوڈ کے execute ہونے سے پہلے 200-300ms baseline latency شامل کرتا ہے۔ یہ تاخیر اس وقت بڑھتی ہے جب آپ بیرونی APIs کو کال کر رہے ہوں۔ Real-time applications (chat، collaboration tools، live updates) کے لیے، latency ایک feature request نہیں ہے — یہ ایک dealbreaker ہے۔ چیک کریں کہ پلیٹ فارم کہاں edge nodes چلاتا ہے اور کیا وہ Singapore، Tokyo، یا Mumbai میں deployment کو سپورٹ کرتے ہیں۔

اگلا، integrations کو audit کریں جن کی آپ کو پہلے ماہ میں ضرورت ہوگی۔ Payment processing: کیا پلیٹ فارم علاقائی gateways کو سپورٹ کرتا ہے یا صرف Stripe؟ Authentication: کیا آپ LINE، KakaoTalk، Zalo کو Google اور GitHub کے ساتھ integrate کر سکتے ہیں؟ Cloud services: اگر آپ compliance کی وجوہات سے Alibaba Cloud یا Tencent Cloud استعمال کر رہے ہیں، تو کیا ٹول ان providers کو سپورٹ کرتا ہے؟ Generic platforms AWS/GCP/Azure فرض کرتے ہیں۔ علاقائی platforms بہتر جانتے ہیں۔

Pricing models ترجیحات کو ظاہر کرتے ہیں۔ Usage-based pricing منصفانہ لگتی ہے جب تک آپ کو احساس نہ ہو کہ پلیٹ فارم "API calls" یا "compute minutes" کو ناپتا ہے بغیر prototype اور production traffic میں فرق کیے۔ Fixed-tier pricing متوقع لگتی ہے جب تک آپ team size یا deployment frequency پر مصنوعی حدود سے نہ ٹکرائیں۔ ایشیائی ڈویلپرز کے لیے بہترین ٹولز مقامی کرنسیوں میں قیمت دیتے ہیں اور tiers کو actual usage patterns کے ارد گرد structure کرتے ہیں (API calls کی تعداد نہیں، projects کی تعداد)، کیونکہ وہ سمجھتے ہیں کہ Bangalore میں تین افراد کی startup کے پاس San Francisco میں Series B کمپنی سے مختلف economics ہے۔

آخر میں، learning curve کو ایمانداری سے evaluate کریں۔ Brown کی insight Silicon Valley کے درمیان خلاف کے بارے میں