سات چیلنجز مالیاتی اداروں کو مشین لرننگ کی صلاحیت کو بروئے کار لانے کے لیے حل کرنا چاہیے (انشومن پرساد)

مشین لرننگ (ML)، مصنوعی ذہانت (AI) کا سب سے نمایاں بازو، مالیاتی خدمات کی صنعت کے لیے دونوں راستوں کو کاٹتا ہے، جہاں اس کی درخواستیں دن بہ دن وسیع ہوتی جا رہی ہیں۔

فوائد واضح ہیں۔ ایم ایل ماڈلز کو نتائج سے سیکھنے کی تربیت دی جاتی ہے جس طرح انسانی دماغ کرتا ہے اور پیچیدہ کاموں کو بڑے پیمانے پر انجام دے سکتا ہے اور انسان اس رفتار سے نہیں کر سکتا۔

لیکن خطرات بہت زیادہ ہیں۔ ماڈلز کی پیچیدگی ایک خطرہ ہے۔ بہت سے مبہم اور غیر واضح ہو سکتے ہیں، بلیک باکس ہونے کی وجہ سے بدنام ہیں۔ اور جب غیر شفاف ماڈل خراب ہو جاتے ہیں تو چیزیں ہاتھ سے نکل سکتی ہیں۔

انتہائی صورتوں میں، یہ مالیاتی اداروں کی ناکامی کا باعث بھی بن سکتا ہے، جس کے نظامی نتائج پوری معیشت پر پڑ سکتے ہیں۔

مالیاتی اداروں کے لیے، حقیقت میں ایم ایل ماڈلز کو موجودہ اصولوں اور ماڈل رسک مینجمنٹ کے بہترین طریقوں پر عمل کرنے میں کئی چیلنجز ہیں۔ مالیاتی اداروں کے ساتھ کام کرنے کے ہمارے تجربے میں، درج ذیل سات سب سے عام چیلنجز ہیں جو ہم دیکھتے ہیں اور ان سے نمٹنے کے لیے وہ کیا اقدامات کر رہے ہیں۔

1) ایم ایل ماڈل کی توثیق کے فریم ورک کو فعال کرنا جس میں الگورتھم، توثیق کی تکنیک، کنٹرولز، اور دستاویزات شامل ہوں

مالیاتی اداروں کو خاص طور پر ایم ایل ماڈلز کے لیے ایک اختتام سے آخر تک توثیق کا فریم ورک قائم کرنے کی ضرورت ہے۔

کاروباری ضروریات اور ڈیٹا کی دستیابی کے حوالے سے موزوں الگورتھم کا انتخاب بہت ضروری ہے۔ اس کے لیے ایم ایل ماڈلنگ، کاروباری تفہیم، اور پروگرامنگ میں مہارت درکار ہے۔

ML ماڈلز کی توثیق کی تکنیک ان سے مختلف ہوتی ہے جو عام طور پر مالیاتی ادارے دوسرے ماڈلز کے لیے استعمال کرتے ہیں۔ وہ استعمال شدہ ML الگورتھم اور ڈیٹا کی دستیابی اور ساخت کے مطابق بھی مختلف ہو سکتے ہیں۔

مزید برآں، دوبارہ توثیق اور ٹارگٹڈ توثیق (موجودہ ماڈلز پر لاگو ہونے والی اہم تبدیلیاں) کو دفاع کی دوسری لائن میں شامل کیا جانا چاہیے، تاکہ اس بات کی تصدیق کی جا سکے کہ ماڈل اس مقصد کے لیے موزوں ہے۔ ایم ایل ماڈلز میں، پیرامیٹرز میں معمولی تبدیلیاں یا سیٹ اپ کو ٹیون کرنا الگورتھم کے رویے اور ماڈل کے نتائج کو نمایاں طور پر متاثر کر سکتا ہے۔

پھر، کنٹرول کے ڈیزائن اور تاثیر پر زور دینے کے ساتھ، کنٹرول فریم ورک کو اپنی جگہ پر ہونے کی ضرورت ہے۔ اس بات کو یقینی بنانے کے لیے مکمل دستاویزات لازمی ہیں کہ آزاد فریق ماڈلنگ، الگورتھم اور استعمال شدہ توثیق کی تکنیکوں، ملکیت کو کنٹرول کرنے اور کوریج کے مقصد کو سمجھتا ہے۔

یہ بھی ضروری ہے کہ ماڈل کی توثیق کے کاموں میں ایسے لوگوں کے ساتھ عملہ رکھا جائے جو صحیح علم اور مہارت رکھتے ہوں۔ لہذا، ماڈل کی توثیق کرنے والی ٹیموں کو ڈیٹا سائنس کے پس منظر اور مختلف AI اور ML ماڈلنگ تکنیکوں کی ٹھوس بنیاد رکھنے والے لوگوں کی خدمات حاصل کرنی چاہئیں۔

2) ریگولیٹری تقاضوں، گورننس اور کنٹرولز، نگرانی کا احاطہ کرنے والی پالیسیاں ترتیب دینا

ایم ایل ماڈل کی توثیق کے لیے ریگولیٹری تقاضوں کے ارد گرد اب بھی کافی غیر یقینی صورتحال ہے۔

ریگولیٹری اداروں نے عمومی ریگولیٹری توقعات پیش کی ہیں۔ تاہم، ایم ایل ماڈلز کے لیے کوئی باقاعدہ ریگولیٹری فریم ورک نہیں ہے۔ مالیاتی اداروں کو ایک ایسی پالیسی تیار کرنی چاہیے جس میں عمومی ضابطے کی ضروریات بیان کی جائیں، جس میں ML ماڈلز کے لیے ماڈل رسک مینجمنٹ گائیڈ لائنز اور گائیڈ لائنز شامل ہوں۔

ماڈل رسک مینجمنٹ کے رہنما خطوط میں تصوراتی درستگی، ڈیٹا کے معیار کی جانچ، گورننس اور کنٹرول، ماڈل کی نگرانی، اور ماڈل کی توثیق کا احاطہ کیا جانا چاہیے۔ بورڈ اور سینئر مینجمنٹ کو استعمال کے معاملات سے آگاہ ہونا چاہیے اور ML ماڈل لائف سائیکل میں استعمال کیے گئے کنٹرولز کی تاثیر کو سمجھنا چاہیے۔ ملکیت اور جوابدہی کے حصول کے لیے کردار اور ذمہ داریوں کو واضح طور پر بیان کرنے کی ضرورت ہے۔

3) ایک مضبوط اور کنٹرول شدہ ماحول میں ایم ایل ماڈلز کا نفاذ

ایم ایل ماڈلز کا نفاذ خطرات کا شکار ہے۔ شماریاتی یا روایتی ماڈلز کے مقابلے میں، ML الگورتھم کی پیچیدہ وضاحتیں کمپیوٹیشنل اور میموری کی کارکردگی پر دباؤ ڈالتی ہیں، جس سے عمل درآمد کے خطرات کے بارے میں خدشات بڑھ جاتے ہیں۔

مختلف پلیٹ فارمز کا استعمال کرتے ہوئے ایم ایل ماڈلز کے نفاذ کے لیے مہارت اور بنیادی ڈھانچے کی ضرورت ہوتی ہے۔ ان ٹولز کے اندر ایک مضبوط آئی ٹی انفراسٹرکچر بنانے، پروگرامنگ کا استعمال کرتے ہوئے ٹولز تیار کرنے، ماڈل مانیٹرنگ کو بہتر بنانے اور تصدیق کے سیٹ اپ پر زور دیا جانا چاہیے۔ یہ پیچیدگی آئی ٹی سسٹم کے اندر ماڈلز کے درست نفاذ کی تصدیق کرنے کے لیے توثیق کے کام کو مزید مشکل بنا دیتی ہے۔

عمل درآمد کے عمل کی دستاویزات ایک آزاد فریق کو استعمال شدہ نظام کے عمل کے بہاؤ کو سمجھنے کے قابل بناتی ہیں۔ ماڈل کی توثیق کے فنکشن کو ماڈل کے نفاذ کی موزونیت کا جائزہ لینے کی ضرورت ہے، اور انجام دی گئی جانچ اور ماڈل کو زیر کرنے والے مجموعی کنٹرول فریم ورک کا جائزہ لینے کی ضرورت ہے۔

4) مؤثر ڈیٹا گورننس کے عمل کو ڈیزائن کرنا

چونکہ ڈیٹا ایم ایل ماڈلز کا ایک اہم پہلو ہے، اس لیے اس کے ارد گرد مناسب گورننس کے عمل اہم ہیں۔ ڈیٹا گورننس کے عمل میں ذرائع، ان پٹ ڈیٹا کے معیار کی جانچ، تجزیہ کرنے والے ڈیٹا (جس میں غیر متغیر تجزیہ اور آؤٹ لیرز کا تجزیہ شامل ہے)، دستی ان پٹس پر کنٹرول، اور دیگر پہلوؤں کا احاطہ کرنا چاہیے۔
ماڈل کی توثیق کے نقطہ نظر سے، ڈیٹا ٹیسٹنگ کے لیے ڈیٹا مینجمنٹ کے ایک مؤثر فریم ورک کی ضرورت ہوتی ہے جو ماڈلز کے لیے ڈیٹا کے معیار، مکمل ہونے اور بروقت ہونے پر قواعد کا ایک سیٹ قائم کرتا ہے۔ اس لحاظ سے، ان معیارات سے انحراف ایک چیلنجنگ موضوع ہے، کیونکہ روایتی ماڈلز کے مقابلے ML طریقوں میں استعمال ہونے والا ڈیٹا بہت بڑا ہے۔ اس کے علاوہ، ایم ایل ماڈلز متضاد اور اعلیٰ جہتی ڈیٹا کی بڑی مقدار پر انحصار کرتے ہیں، جس سے ڈیٹا کے مناسب ہونے کو یقینی بنانے کے لیے، ماڈل کی مکمل تعیناتی کے آخری مرحلے تک، سورسنگ، پروسیسنگ، اور تبدیلی سے دستاویز کرنا ضروری ہو جاتا ہے۔

لہذا، ماڈل کی توثیق کرنے والی ٹیم کو اس بات کی تصدیق کرنی چاہیے کہ ان پٹ ڈیٹا دستیاب ہے اور پروڈکشن میں استعمال ہونے سے پہلے مناسب معیار کی جانچ پڑتال کر لی گئی ہے۔ یہ جانچنا بھی ضروری ہے کہ مختلف ML تکنیک کس طرح گمشدہ ڈیٹا، نارملائزیشن تکنیک، اور غیر معمولی ڈیٹا کو ہینڈل کرتی ہیں۔ نیز، فرموں کو یہ یقینی بنانا چاہیے کہ ماخذ کے نظام میں ڈیٹا کی اچھی ٹریس ایبلٹی کو یقینی بنایا جائے تاکہ ڈیٹا کے چیلنجز کو ماخذ پر طے کیا جا سکے۔

5) ایم ایل ماڈلز کی وضاحتی صلاحیت کی کمی کو کنٹرول کرنا

ایم ایل ماڈلز کی وضاحتی صلاحیت کا فقدان زیادہ پیچیدہ تکنیکوں کے لیے ایک بڑا چیلنج ہے، جیسے کہ اے این این، جہاں ان پٹ آؤٹ پٹ ردعمل غیر واضح ہیں اور شفافیت کی کمی ہے۔ کچھ ML ماڈلز کی پیچیدگی نظریہ، مفروضوں، اور حتمی تخمینوں کی ریاضیاتی بنیاد کا واضح خاکہ فراہم کرنا مشکل بنا سکتی ہے۔ آخر میں، اس طرح کے ماڈل مؤثر طریقے سے درست کرنے کے لئے مشکل ثابت ہوتے ہیں.

بلیک باکس کی خصوصیت ماڈل کی تصوراتی درستگی کا اندازہ لگانا مشکل بناتی ہے، اس کی وشوسنییتا کو کم کرتی ہے۔ مثال کے طور پر، ہائپر پیرامیٹرز کی توثیق کے لیے اضافی شماریاتی علم کی ضرورت ہو سکتی ہے، اور اس لیے اداروں کو اس بات کو یقینی بنانا چاہیے کہ توثیق کی نگرانی کرنے والا عملہ مناسب طور پر تربیت یافتہ ہو۔

ماڈل کی توثیق کرنے والے شفافیت کی کمی کو دور کرنے کے لیے کنٹرول کو کم کرنے پر غور کر سکتے ہیں۔ اس طرح کے کنٹرول جاری نگرانی کا حصہ ہو سکتے ہیں جو زیادہ سخت ہیں۔ یہ بھی سفارش کی جاتی ہے کہ بینچ مارک ماڈلز کا استعمال کریں تاکہ پہلے سے طے شدہ اصولوں کے خلاف آؤٹ پٹ اور تغیرات کا موازنہ کیا جا سکے، جس کی وجہ سے مزید تفتیش ہو سکتی ہے یا پیداوار میں ماڈلز کے استعمال کو بند کیا جا سکتا ہے۔

6) ایم ایل ماڈلز کا ہائپر پیرامیٹر انشانکن

ایم ایل ماڈلز کے لیے کلیدی مفروضے عام طور پر ماڈل میں لاگو کیے جانے کے لیے تیار کیے گئے اور ٹیون کیے گئے ہائپر پیرامیٹر ہوتے ہیں۔ اگر یہ مفروضے مبہم ہیں، تو کاروباری انتشار یا درستگی بھی اسی طرح ہوگی۔ مزید برآں، ایم ایل ماڈلز میں، ہائپر پیرامیٹر کی قدر ماڈل کے نتائج کو بری طرح متاثر کر سکتی ہے۔

ماڈلر کے انتخاب کی مناسبیت کا اندازہ لگانے کے لیے ہائپر پیرامیٹر کی ترتیبات میں تبدیلیوں کا جائزہ لینے کی ضرورت ہے۔ اگر ہائپر پیرامیٹرز میں مزید تبدیلیاں کی جاتی ہیں، توثیق کرنے والی ٹیم کو تصدیق کرنی چاہیے کہ ماڈل کے نتائج ایک جیسے ہیں۔

7) نتائج کا تجزیہ

نتائج کا تجزیہ، ہم نے دیکھا ہے، کچھ ML تکنیکوں میں وضاحتی صلاحیت کی کمی کو پورا کرنے کے لیے بہت اہم ہے۔ مزید یہ کہ ماڈل کی کارکردگی کا اندازہ لگانے میں نتائج کے تجزیے کا ایک اہم کردار ہے۔ تجزیہ کراس توثیق اور اس کی مختلف حالتوں پر مرکوز ہے۔ بیک ٹیسٹنگ کے طریقہ کار میں روایتی ماڈلز کی طرح مطابقت نہیں ہے۔

ML ماڈلز میں تغیر بمقابلہ تعصب کی تجارت چیلنجنگ اور متعلقہ ہو سکتی ہے۔ اگرچہ یہ شماریاتی اور ریگریشن ماڈلز کے دائرہ کار سے باہر نہیں ہے، ایم ایل ماڈل الارم کو بڑھا دیتے ہیں۔

ماڈل کے طریقہ کار پر منحصر ہے، اس مقصد کے لیے بہت سے میٹرکس استعمال کیے جا سکتے ہیں۔ مثال کے طور پر، MSE کو تعصب اور تغیر میں تبدیل کیا جا سکتا ہے۔ تجارتی معاہدوں کی واضح تشخیص کا جائزہ لیا جانا چاہئے اور دستاویزی کیا جانا چاہئے۔

AI/ML کے نتائج کے تجزیہ کے لیے نمونے سے باہر کی جانچ بھی ایک اہم جز ہے۔ توثیق کرنے والوں کو جائزہ لینا چاہیے اور اس کا اندازہ لگانا چاہیے کہ آیا ماڈل کی ترقی کے عمل میں مناسب طریقہ کار کی پیروی کی گئی ہے تاکہ یہ یقینی بنایا جا سکے کہ نتائج کا تجزیہ مناسب طریقے سے کیا گیا ہے، بشمول کراس-ویلیڈیشن اور ٹیسٹنگ سیٹس۔

• SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
• پلیٹو بلاک چین۔ Web3 Metaverse Intelligence. علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
• ماخذ: https://www.finextra.com/blogposting/23865/seven-challenges-financial-institutions-must-address-to-harness-machine-learnings-potential?utm_medium=rssfinextra&utm_source=finextrablogs