سب اسٹیشن سیفٹی کے لیے AI: دوہری LoRA آرکیٹیکچر کے ساتھ خطرے کی نشاندہی میں 95.87 فیصد درستگی
We compile, generate and translate using Artificial Intelligence from the below given source. Macro Micro News is responsible for its editorial publication.
الیکٹرکل انفراسٹرکچر کی جدید کاری تیزی سے ہو رہی ہے اور اس تبدیلی میں مصنوعی ذہانت سب سے آگے ہے۔ ایک نیا خاص بڑا لینگویج ماڈل سامنے آیا ہے جو سب اسٹیشن کے سیفٹی خطرات کا تشخیص انتہائی درستگی سے کرتا ہے۔ یہ نظام Qwen2.5-VL-7B-Instruct بیس پر مبنی بائیلٹرل ڈوئل برانچ ڈوئل LoRA آرکیٹیکچر کا استعمال کرتا ہے۔ یہ عمومی AI ٹولز سے ہٹ کر پیچیدہ ماحول کے لیے بنائے گئے مخصوص صنعتی حل کی طرف واضح سمت کی نشاندہی کرتا ہے۔
سب اسٹیشنز وہ چیلنج پیش کرتے ہیں جنہیں معیاری ماڈلز اکثر سمجھ نہیں پاتے۔ ان کے لیے ایسے سسٹمز کی ضرورت ہوتی ہے جو بصری خطرات کو پہچان سکیں اور تصاویر سے جڑے پیچیدہ تشخیصی متن کو ترتیب دے سکیں۔ روایتی طریقوں میں صنعتی سیفٹی پروٹوکولز کی باریکیاں اکثر نظر انداز ہو جاتی ہیں۔ نیا فریم ورک ان خامیوں کو دور کرتا ہے۔ اس نے پری ٹرینڈ بیس اور نیٹو پیچ مرجر کو فرائز کیا۔ اس سے دو محفوظ ایڈاپٹر آؤٹ پٹ رنز کے ذریعے درست موافقت ممکن ہوئی۔ اس عمل سے ماڈل صرف مخصوص سیفٹی کی خلاف ورزی کے نمونوں پر توجہ مرکوز کرتا ہے اور اپنی بنیادی بصری سمجھ بوجھ نہیں کھوتا۔
اس نقطہ نظر کی تصدیق کے لیے محققین نے ایک جامع ڈیٹا سیٹ تیار کیا جس میں پانچ مختلف خطرے کی اقسام کے تحت 1,173 ریکارڈ شامل تھے۔ ارزیابی میں 121 تصویر کے شناخت کنندگان کو ترجیحی لیبلز کے ساتھ دیکھا گیا۔ خطرے کی قسم کے میدانوں کی بنیاد پر زمروں کی تقسیم کے لیے ایک حتمی پارسر استعمال کیا گیا۔ سخت تحقیقی طریقہ کار نے مکمل کنفیوژن میٹرکس اور فی کلاس میٹرکس جیسے کہ پریسیژن، ریکال اور F1 اسکورز کا حساب لگانے میں مدد دی۔ نتائج حیران کن تھے۔ رن A نے 115 تصاویر کی درست درجہ بندی کی۔ اس کی درستگی 95.04 فیصد تھی اور میکرو F1 اسکور 0.9282 تھا۔ رن B نے مزید بہتر کارکردگی دکھائی۔ اس نے 116 تصاویر کی درست شناخت کی۔ اس کی درستگی 95.87 فیصد تھی اور میکرو F1 اسکور 0.9358 تھا۔
مک نیر کے ٹیسٹ کے ذریعے شماریاتی تجزیے سے معلوم ہوا کہ دونوں رنز کے درمیان کوئی قابل ذکر فرق نہیں ہے۔ p-value 1.000 ہے۔ یہ ماڈل کی کارکردگی میں مضبوط تسلسل کی عکاسی کرتا ہے۔ قابل ذکر بات یہ ہے کہ سسٹم لٹکتی ہوئی اشیاء کے لیے اعلیٰ ریکال دکھاتا ہے۔ اس نے دونوں رنز میں 10 میں سے 7 واقعات کی درست شناخت کی۔ عددی درستگی کے علاوہ مطالعے نے ٹیکسٹ اوورلیپ اور ساختی میدان کی جانچ کے ذریعے دوبارہ پیدا کرنے کی قابلیت پر زور دیا۔ یہ اقدامات یقینی بناتے ہیں کہ تشخیصی جوابات نہ صرف درست ہوں بلکہ ساختی طور پر بھی مستحکم اور میدان میں استعمال کے لیے قابل اعتماد ہوں۔
حالانکہ موجودہ ارزیابی صرف داخلی کورٹ تک محدود ہے جو ممکنہ اوور فٹنگ کے خطرات اور غیر دیکھے گئے مقامات پر مزید ٹیسٹنگ کی ضرورت کو اجاگر کرتی ہے، لیکن بجلی کے شعبے کے لیے اس کے اثرات گہرے ہیں۔ بائیلٹرل وضاحت اور تجویز شدہ معائنہ کے عمل کو معمولی چیکن پوائنٹ کی تصدیق سے ممتاز کرتے ہوئے، یہ تحقیق زیادہ خودکار اور ذہین سیفٹی معائنوں کے لیے بنیاد رکھتی ہے۔ جب گرڈ آپریٹرز پر معیارت برقرار رکھتے ہوئے انسانی خطرے میں کمی لانے کا دباؤ بڑھ رہا ہے، تو ایسے مخصوص شعبے والے AI حل محفوظ اور ہوشیار توانائی کی انفراسٹرکچر کی طرف امید افزا راستہ فراہم کرتے ہیں۔