12/07/2026
**ماڈل نے نتیجہ دینے سے انکار کر دیا… آخر ڈیٹا کے اندر ایسا کیا چھپا تھا؟**
ذرا تصور کیجیے…
آپ نے کئی دن محنت کرکے ایک بہترین مشین لرننگ ماڈل تیار کیا۔ ہر چیز مکمل دکھائی دے رہی تھی، مگر جیسے ہی اصل ڈیٹا ماڈل کو دیا گیا، پورا نظام رک گیا۔
کسی طالب علم کی عمر غائب تھی، ایک ہی شخص کا نام کئی مرتبہ موجود تھا، کسی جگہ تاریخ کا انداز مختلف تھا اور کہیں تنخواہ روپے کے بجائے ڈالر میں درج تھی۔
تب اچانک ایک حقیقت سامنے آئی:
اصل مسئلہ ماڈل میں نہیں، ڈیٹا میں تھا!
ماڈل بنانے سے زیادہ وقت ڈیٹا صاف کرنے میں کیوں لگتا ہے؟
حقیقی دنیا کا ڈیٹا عام طور پر صاف، مکمل اور ترتیب یافتہ نہیں ہوتا۔ یہ مختلف افراد، ویب سائٹس، فارموں، موبائل ایپلی کیشنز، مشینوں اور اداروں سے اکٹھا کیا جاتا ہے۔
ہر شخص معلومات لکھنے کا الگ طریقہ اختیار کرتا ہے۔ کوئی پورا نام لکھتا ہے، کوئی مختصر نام، کوئی تاریخ پہلے دن سے شروع کرتا ہے اور کوئی پہلے مہینہ لکھتا ہے۔
انسان تو ان فرقوں کو سمجھ لیتا ہے، مگر کمپیوٹر کے لیے ہر مختلف انداز ایک نئی اور الگ چیز بن سکتا ہے۔
اسی لیے ڈیٹا سائنس کے کام میں اکثر سب سے زیادہ وقت ماڈل بنانے پر نہیں بلکہ ڈیٹا کو سمجھنے، درست کرنے اور قابلِ استعمال بنانے پر صرف ہوتا ہے۔
پہلا مسئلہ: غائب معلومات
فرض کیجیے ایک کالج کے طلبہ کا ریکارڈ موجود ہے۔ اس میں نام، عمر، شہر اور امتحانی نمبر درج ہیں، مگر چند طلبہ کی عمر والا خانہ خالی ہے۔
اگر ہمیں طلبہ کی اوسط عمر معلوم کرنی ہو تو یہ خالی خانے نتیجے کو متاثر کرسکتے ہیں۔
معلومات غائب ہونے کی کئی وجوہات ہوسکتی ہیں۔ ممکن ہے کسی طالب علم نے فارم مکمل نہ کیا ہو، معلومات محفوظ کرتے وقت نظام میں خرابی آگئی ہو یا متعلقہ سوال کو غیر ضروری سمجھ کر چھوڑ دیا گیا ہو۔
ایسی صورت میں ہر خالی جگہ کو صفر سے بھر دینا درست حل نہیں۔
اگر کسی طالب علم کی عمر موجود نہ ہو اور ہم وہاں صفر لکھ دیں، تو اس کا مطلب ہوگا کہ وہ طالب علم ابھی پیدا ہوا ہے!
اس لیے پہلے یہ سمجھنا ضروری ہوتا ہے کہ معلومات کیوں غائب ہیں۔ بعض صورتوں میں متعلقہ ریکارڈ ہٹا دیا جاتا ہے، کبھی مناسب اوسط استعمال کی جاتی ہے اور کبھی درست معلومات دوبارہ حاصل کرنا ضروری ہوتا ہے۔
دوسرا مسئلہ: ایک ہی ریکارڈ کا بار بار آنا
فرض کیجیے ایک دکان کی فہرست میں ایک ہی گاہک کا نام تین مختلف طریقوں سے لکھا ہوا ہے:
احمد خان
احمد
اے خان
اگر صرف نام دیکھا جائے تو کمپیوٹر انہیں تین مختلف افراد تصور کرسکتا ہے، حالانکہ موبائل نمبر یا ای میل دیکھنے سے معلوم ہوگا کہ یہ ایک ہی شخص ہے۔
ایسے ریکارڈز کی وجہ سے گاہکوں کی تعداد اصل سے زیادہ دکھائی دے سکتی ہے۔ فروخت کی رپورٹ غلط بن سکتی ہے اور کاروبار کے فیصلے بھی متاثر ہوسکتے ہیں۔
اسی لیے بار بار آنے والے ریکارڈ صرف نام دیکھ کر حذف نہیں کیے جاتے۔ نام کے ساتھ فون نمبر، ای میل، شناختی نمبر یا پتے جیسی معلومات بھی جانچی جاتی ہیں۔
تیسرا مسئلہ: غلط یا مختلف فارمیٹ
فرض کیجیے ایک ہی شہر کا نام مختلف ریکارڈز میں یوں لکھا گیا ہے:
لاہور
Lahore
LHR
lahore
انسان فوراً سمجھ جاتا ہے کہ یہ تمام نام ایک ہی شہر کی طرف اشارہ کررہے ہیں، مگر کمپیوٹر انہیں مختلف شہر تصور کرسکتا ہے۔
یہی مسئلہ تاریخ، فون نمبر، قیمت اور تنخواہ کے ساتھ بھی پیش آتا ہے۔
مثلاً ایک فون نمبر یوں لکھا ہوسکتا ہے:
0300-1234567
اور کسی دوسرے ریکارڈ میں وہی نمبر یوں درج ہو:
+92 300 1234567
اسی طرح 12/07/2026 کو کچھ لوگ 12 جولائی سمجھیں گے اور کچھ 7 دسمبر۔
معلومات بظاہر موجود ہوتی ہیں، مگر مختلف انداز میں لکھی ہونے کی وجہ سے تجزیہ غلط ہوسکتا ہے۔ اس لیے ضروری ہوتا ہے کہ تمام ریکارڈز کو ایک ہی فارمیٹ میں تبدیل کیا جائے۔
ایک معمولی غلطی بڑا نقصان کیسے بن سکتی ہے؟
فرض کیجیے ایک بینک پرانے صارفین کے ڈیٹا کی بنیاد پر یہ فیصلہ کرتا ہے کہ کس شخص کو قرض دیا جائے۔
اگر کسی صارف کی آمدنی غائب ہو، ایک ہی شخص کا ریکارڈ کئی بار موجود ہو یا کچھ تنخواہیں روپے اور کچھ ڈالر میں درج ہوں تو ماڈل غلط نتیجہ دے سکتا ہے۔
وہ ایک قابلِ اعتماد شخص کو خطرناک اور ایک غیر موزوں شخص کو محفوظ قرار دے سکتا ہے۔
یہاں غلطی ماڈل کی نہیں ہوگی۔ غلطی ان معلومات کی ہوگی جو ماڈل کو فراہم کی گئی تھیں۔
اسی حقیقت کو ایک سادہ جملے میں یوں بیان کیا جاتا ہے:
خراب ڈیٹا اندر جائے گا تو خراب نتیجہ ہی باہر آئے گا۔
ڈیٹا صاف کرتے وقت کیا کیا جاتا ہے؟
ڈیٹا صاف کرنے کے دوران سب سے پہلے تمام ریکارڈز کو غور سے دیکھا جاتا ہے۔
غائب معلومات تلاش کی جاتی ہیں، بار بار آنے والے ریکارڈز پہچانے جاتے ہیں، تاریخوں اور فون نمبروں کو ایک ہی انداز میں لایا جاتا ہے، ناموں کی غلطیاں درست کی جاتی ہیں اور غیر حقیقی قدروں کی جانچ کی جاتی ہے۔
مثلاً اگر کسی طالب علم کی عمر 250 سال لکھی ہو تو کمپیوٹر اسے صرف ایک عدد سمجھے گا، لیکن انسان فوراً جان لے گا کہ یہاں کوئی غلطی ضرور ہوئی ہے۔
اسی لیے ڈیٹا کی صفائی صرف تکنیکی کام نہیں۔ اس کے لیے سمجھ، منطق، تحقیق اور درست سوال کرنے کی صلاحیت بھی ضروری ہوتی ہے۔
اصل راز کیا ہے؟
ایک طاقتور ماڈل خراب ڈیٹا کو جادو کے ذریعے درست نہیں کرسکتا۔
اس کے برعکس، اگر ڈیٹا صاف، مکمل اور قابلِ اعتماد ہو تو ایک نسبتاً سادہ ماڈل بھی بہترین نتائج دے سکتا ہے۔
اس لیے اگلی مرتبہ جب کوئی آپ سے پوچھے:
“مشین لرننگ ماڈل بنانے میں کتنا وقت لگتا ہے؟”
تو فوراً جواب نہ دیجیے۔
پہلے صرف اتنا پوچھیے:
“ڈیٹا واقعی تیار ہے… یا ابھی اس کے اندر چھپی غلطیوں کا پردہ اٹھنا باقی ہے؟”
یاد رکھیے:
مصنوعی ذہانت کی کامیابی کا آغاز پیچیدہ ماڈل سے نہیں، بلکہ صاف اور قابلِ اعتماد ڈیٹا سے ہوتا ہے۔
