طبعی اصول پر مبنی مصنوعی ذہانت حفاظتی نظاموں میں حقیقی وقت کے رسک کا جائزہ کیسے تبدیل کر رہی ہے

حفاظت سے متعلق حساس سسٹمز اور فیصلہ سازی کے اوزاروں کی دنیا میں جہاں ہر لمحہ اہمیت رکھتا ہے، حقیقی وقت میں رسک کا درست اندازہ لگانا انتہائی ضروری ہے۔ جدید ریموٹ سینسنگ پائپ لائنز میں ریڈار ڈیٹا، تقسیم شدہ ٹریکنگ اور دیگر اشاروں کو یکجا کیا جاتا ہے۔ ان سسٹمز کو جگہ کے غلط رجسٹریشن، غیر ہم وقت فوجن، شور اور فیصلہ سازی کی تنگ وقت کی حد جیسے بڑے مسائل کا سامنا ہے۔ نیا فریم ورک TA-DE-ELM ان پیچیدگیوں کا حل پیش کرتا ہے۔ یہ ماہرین کے قواعد پر مبنی مصنوعی ڈیٹا اور دو مرحلہ ایڈاپٹیو ڈفرینشل ایولوشن الگورتھم کو ایکسٹرم لیمننگ مشینز (ELM) کے ساتھ جوڑتا ہے۔ یہ طریقہ روایتی ماڈلز اور معیاری ڈیٹا ڈرiven ماڈلز سے بہتر کارکردگی دکھاتا ہے۔ یہ شفاف اور قابل تکرار طریقہ رسک کی درجہ بندی کے لیے استعمال ہوتا ہے۔

روایتی رسک اسسمنٹ میں اکثر ماہرین کے علم پر مبنی ماڈلز جیسے اینٹروپی ویٹنگ یا فزی رول سسٹمز استعمال ہوتے ہیں۔ اگرچہ یہ سمجھنے میں آسان ہیں لیکن یہ غیر لکیری اور کثیر ذرائع کے نمونوں کے ساتھ مشکل کشی کرتے ہیں۔ نیز ان میں وزن دینے کا عمل ذاتی رائے پر منحصر ہوتا ہے۔ دوسری طرف خالص ڈیٹا ڈرiven طریقے شفاف نہیں ہوتے۔ جب درست لیبل شدہ ڈیٹا کم ہو تو یہ ناکام ہو جاتے ہیں۔ TA-DE-ELM فریم ورک اس خلا کو پر کرتا ہے۔ یہ ایک کنٹرولڈ مصنوعی بینچ مارک استعمال کرتا ہے جہاں رسک سکورز واضح اور جانچ پڑتال کے قابل ماہرین کے قواعد سے پیدا کیے جاتے ہیں۔ اس کا مقصد یہ یقینی بنانا ہے کہ رسک کی ترجیح دینے کی منطق صاف اور مستقل رہے۔ یہ بات حتی کہ تربیتی ڈیٹا محدود ہونے پر بھی لاگو ہوتی ہے۔

اس کا بنیادی نکتہ آپٹیمائزیشن میکانزم ہے۔ معیاری ڈفرینشل ایولوشن ELM کے ان پٹ پیرامیٹرز کو بہتر بناتے وقت جلد ہی قریب ترین حل پر پہنچ جاتی ہے۔ TA-DE نے اس مسئلے کو دو مراحل میں حل کیا ہے۔ پہلے مرحلے میں کلاسیکی DE/rand/1 میتیشن کے ذریعے وسیع تلاش کیا جاتا ہے۔ دوسرے مرحلے میں موجودہ بہترین میتیشن اور مقامی تلاش کے ذریعے بہتری لاتے ہیں۔ اگر پیشرفت رک جائے تو ایک خاص میکانزم آبادی کے کچھ حصے کو دوبارہ ترتیب دیتا ہے۔ یہ عمل تنوع برقرار رکھتا ہے اور جلدی قریب ترین حل پر پہنچنے سے روکتا ہے۔ اس منظم طریقے سے ماڈل مختلف مشاہدات اور چھ مختلف سطح کے رسک کے درمیان پیچیدہ غیر لکیری تعلقات کو مؤثر طریقے سے سیکھتا ہے۔

تجرباتی نتائج ظاہر کرتے ہیں کہ TA-DE-ELM بنیادی ELM ویریئنٹس جیسے PSO-ELM، DE-ELM اور GA-ELM سے کہیں بہتر کام کرتا ہے۔ اس نے 0.9404 کی درستگی اور 0.9396 کا میکرو-F1 اسکور حاصل کیا۔ یہ نظریاتی بہترین حد تک تقریباً 29 فیصد کا فرق کم کرنے میں کامیاب رہا۔ اس نے RF-GRA اور Entropy-GRA جیسی روایتی اسکورنگ حوالوں کو بھی تمیز اور رسک کی ترتیب میں شکست دی۔ فریم ورک فیچر کی خرابی کے خلاف مضبوط ثابت ہوا۔ مسلسل شور میں اس کی کارکردگی میں کمی دوسرے آپٹیمائزرز کے مقابلے میں آہستہ تھی۔ ابلیشن اسٹڈیز کے ذریعے تصدیق کی گئی کہ بہتری اور ری اسٹارٹ میکانزم زمرہ بندی کی کارکردگی میں اضافے کے بغیر ضروری ہیں۔ یہ کام ابتدائی ماڈل اسکریننگ اور طریقہ کار کے موازنے کے لیے ایک اہم آلہ فراہم کرتا ہے۔ یہ راستہ مزید مستحکم اور شفاف خودکار فیصلہ سازی کے نظاموں کی طرف کھلتا ہے۔