حقیقی ٹیسٹنگ کے بعد کون سے AI ٹولز اب بھی محض دکھاوا لگتے ہیں؟

وائرل ٹیک ڈیمو اور ایک کارآمد آفس ٹول کے درمیان خلیج بڑھتی جا رہی ہے۔ ہم فی الحال ایک ایسے دور میں ہیں جہاں مارکیٹنگ کے محکمے جادو کا وعدہ کرتے ہیں جبکہ صارفین کو محض بہتر آٹو مکمل (autocomplete) ملتا ہے۔ بہت سے لوگ توقع کرتے ہیں کہ یہ سسٹمز سوچ سکتے ہیں، لیکن یہ صرف ایک ترتیب میں اگلے لفظ کی پیش گوئی کرتے ہیں۔ یہ غلط فہمی مایوسی کا باعث بنتی ہے جب کوئی ٹول بنیادی منطق میں ناکام ہو جاتا ہے یا حقائق گھڑ لیتا ہے۔ اگر آپ کو ایسا ٹول چاہیے جو انسانی نگرانی کے بغیر 100 فیصد قابل اعتماد ہو، تو آپ کو موجودہ جنریٹو اسسٹنٹس کی لہر کو مکمل طور پر نظر انداز کر دینا چاہیے۔ یہ ان ہائی اسٹیک ماحول کے لیے تیار نہیں ہیں جہاں درستگی ہی واحد پیمانہ ہے۔ تاہم، اگر آپ کا کام برین سٹارمنگ یا رف ڈرافٹنگ سے متعلق ہے، تو اس شور کے نیچے افادیت موجود ہے۔ بنیادی نچوڑ یہ ہے کہ ہم ان ٹولز کی ذہانت کو بہت زیادہ سمجھ رہے ہیں جبکہ انہیں کارآمد بنانے کے لیے درکار کام کو کم سمجھ رہے ہیں۔ سوشل میڈیا پر آپ جو کچھ دیکھتے ہیں وہ ایک احتیاط سے تیار کردہ کارکردگی ہے جو کام کے عام چالیس گھنٹے کے دباؤ میں بکھر جاتی ہے۔

فینسی سوٹ میں پیش گوئی کرنے والے انجن

یہ سمجھنے کے لیے کہ بہت سے ٹولز مایوس کن کیوں لگتے ہیں، آپ کو یہ سمجھنا ہوگا کہ وہ اصل میں کیا ہیں۔ یہ بڑے لینگویج ماڈلز (LLMs) ہیں۔ یہ شماریاتی انجن ہیں جنہیں انسانی تحریر کے بڑے ڈیٹا سیٹس پر تربیت دی گئی ہے۔ ان کے پاس سچائی، اخلاقیات یا جسمانی حقیقت کا کوئی تصور نہیں ہے۔ جب آپ کوئی سوال پوچھتے ہیں، تو سسٹم اپنے ٹریننگ ڈیٹا میں ایسے پیٹرن تلاش کرتا ہے جو ایک قابل قبول جواب پیدا کر سکیں۔ یہی وجہ ہے کہ وہ شاعری میں بہت اچھے ہیں لیکن ریاضی میں بہت برے ہیں۔ وہ بنیادی منطق کو انجام دینے کے بجائے درست جواب کے انداز کی نقل کر رہے ہیں۔ یہ فرق اس عام غلط فہمی کا ذریعہ ہے کہ AI ایک سرچ انجن ہے۔ ایک سرچ انجن موجودہ معلومات تلاش کرتا ہے۔ ایک LLM امکانات کی بنیاد پر متن کی ایک نئی لڑی تخلیق کرتا ہے۔ اسی لیے "ہیلوسینیشنز” (hallucinations) ہوتی ہیں۔ سسٹم صرف وہی کر رہا ہے جس کے لیے اسے بنایا گیا تھا، یعنی جب تک اسٹاپ ٹوکن نہ آئے تب تک بات کرتے رہنا۔

موجودہ مارکیٹ ریپرز (wrappers) سے بھری ہوئی ہے۔ یہ سادہ ایپلی کیشنز ہیں جو OpenAI یا Anthropic جیسی کمپنی کی API استعمال کرتی ہیں لیکن ایک کسٹم انٹرفیس شامل کرتی ہیں۔ ان میں سے بہت سے اسٹارٹ اپس منفرد ٹیکنالوجی کا دعویٰ کرتے ہیں، لیکن وہ اکثر ایک ہی ماڈل ہوتے ہیں جن کی جلد مختلف ہوتی ہے۔ آپ کو کسی بھی ایسے ٹول سے محتاط رہنا چاہیے جو اپنے بنیادی آرکیٹیکچر کی وضاحت نہ کرے۔ فی الحال فیلڈ میں تین اہم اقسام کے ٹولز ٹیسٹ کیے جا رہے ہیں:

• ای میلز اور رپورٹس کے لیے ٹیکسٹ جنریٹرز جو اکثر روبوٹک لگتے ہیں۔
• امیج کریٹرز جو انسانی ہاتھوں یا متن جیسی مخصوص تفصیلات کے ساتھ جدوجہد کرتے ہیں۔
• کوڈنگ اسسٹنٹس جو بوائلر پلیٹ تو لکھ سکتے ہیں لیکن پیچیدہ منطق کے ساتھ جدوجہد کرتے ہیں۔

حقیقت یہ ہے کہ ان ٹولز کو ایسے انٹرنز کے طور پر دیکھنا بہتر ہے جنہوں نے دنیا کی ہر کتاب پڑھی ہے لیکن کبھی اس میں عملی زندگی نہیں گزاری۔ انہیں کچھ بھی کارآمد پیدا کرنے کے لیے مسلسل چیکنگ اور مخصوص ہدایات کی ضرورت ہوتی ہے۔ اگر آپ ان سے خود مختار کام کرنے کی توقع رکھتے ہیں، تو آپ ہر بار مایوس ہوں گے۔

عالمی FOMO اکانومی

ان ٹولز کو اپنانے کا دباؤ ان کی ثابت شدہ کارکردگی سے نہیں آ رہا۔ یہ ‘کچھ کھو دینے کے خوف’ (FOMO) سے آ رہا ہے۔ بڑی کارپوریشنز لائسنسوں پر اربوں ڈالر خرچ کر رہی ہیں کیونکہ انہیں ڈر ہے کہ ان کے حریف کوئی خفیہ فائدہ حاصل کر لیں گے۔ اس نے ایک عجیب معاشی لمحہ پیدا کیا ہے جہاں AI کی مانگ زیادہ ہے، لیکن اصل پیداواری فوائد کی پیمائش کرنا مشکل ہے۔ گارٹنر گروپ جیسی تنظیموں کی تحقیق کے مطابق، ان میں سے بہت سی ٹیکنالوجیز فی الحال افراط زدہ توقعات کے عروج پر ہیں۔ اس کا مطلب ہے کہ مایوسی کا ایک دور ناگزیر ہے کیونکہ کمپنیاں یہ سمجھ رہی ہیں کہ انسانی کارکنوں کو تبدیل کرنا سیلز پچز کی تجویز سے کہیں زیادہ مشکل ہے۔ اس کا اثر ان ترقی پذیر معیشتوں میں سب سے زیادہ محسوس کیا جاتا ہے جہاں آؤٹ سورسنگ کبھی ترقی کا بنیادی محرک تھی۔ اب، انہی کاموں کو کم معیار کے AI کے ذریعے خودکار کیا جا رہا ہے، جس سے مواد کے معیار کے لحاظ سے نیچے کی طرف دوڑ شروع ہو گئی ہے۔

ہم دیکھ رہے ہیں کہ لیبر کی قدر کیسے تبدیل ہو رہی ہے۔ ایک بنیادی ای میل لکھنے کی صلاحیت اب مارکیٹ کے قابل مہارت نہیں رہی۔ قدر تصدیق اور ترمیم کرنے کی صلاحیت پر منتقل ہو گئی ہے۔ یہ ایک نئی قسم کا ڈیجیٹل تفریق پیدا کرتا ہے۔ جو لوگ سب سے طاقتور ماڈلز خرید سکتے ہیں اور انہیں مؤثر طریقے سے پرامپٹ کرنے کی مہارت رکھتے ہیں، وہ آگے نکل جائیں گے۔ باقی سب مفت، نچلے درجے کے ماڈلز استعمال کرنے پر پھنسے رہیں گے جو عام اور اکثر غلط آؤٹ پٹ پیدا کرتے ہیں۔ یہ صرف ایک ٹیک مسئلہ نہیں ہے۔ یہ ایک معاشی تبدیلی ہے جو اس بات پر اثر انداز ہوتی ہے کہ ہم کارکنوں کی اگلی نسل کو کیسے تربیت دیتے ہیں۔ اگر ہم انٹری لیول کے کاموں کے لیے ان سسٹمز پر بہت زیادہ انحصار کرتے ہیں، تو ہم مستقبل میں سسٹمز کی نگرانی کے لیے درکار انسانی مہارت کھو سکتے ہیں۔ [Insert Your AI Magazine Domain Here] پر تازہ ترین AI کارکردگی کے بینچ مارکس دکھاتے ہیں کہ اگرچہ ماڈلز بڑے ہو رہے ہیں، لیکن استدلال میں بہتری کی شرح سست ہو رہی ہے۔ اس سے پتہ چلتا ہے کہ ہم مشین لرننگ کے موجودہ نقطہ نظر کے ساتھ ایک حد تک پہنچ رہے ہیں۔

مشین کو ٹھیک کرنے میں گزرا ایک منگل

سارہ کا تجربہ دیکھیں، جو ایک درمیانے درجے کی فرم میں پروجیکٹ مینیجر ہے۔ وہ اپنے دن کا آغاز ایک AI اسسٹنٹ سے پچھلی رات کی ای میلز کی ایک لمبی چین کا خلاصہ پوچھ کر کرتی ہے۔ ٹول بلٹ پوائنٹس کی ایک صاف فہرست فراہم کرتا ہے۔ یہ بالکل ٹھیک لگتا ہے جب تک کہ اسے احساس نہ ہو کہ اس نے تیسری ای میل میں مذکور ڈیڈ لائن کی تبدیلی کو مکمل طور پر نظر انداز کر دیا ہے۔ یہ AI کی چھپی ہوئی قیمت ہے۔ سارہ نے پڑھنے میں پانچ منٹ بچائے لیکن خلاصہ کو دوبارہ چیک کرنے میں دس منٹ صرف کیے کیونکہ اب اسے ٹول پر بھروسہ نہیں ہے۔ بعد میں، وہ پریزنٹیشن کے لیے ایک سادہ چارٹ بنانے کے لیے AI امیج جنریٹر استعمال کرنے کی کوشش کرتی ہے۔ ٹول اسے ایک خوبصورت گرافک دیتا ہے، لیکن محور (axes) پر نمبر بے معنی ہیں۔ وہ آخر کار ایک گھنٹہ ایک روایتی ڈیزائن پروگرام میں گزارتی ہے تاکہ اس چیز کو ٹھیک کر سکے جو دس سیکنڈ کا کام ہونا چاہیے تھا۔ یہ بہت سے کارکنوں کے لیے روزانہ کی حقیقت ہے۔ ٹولز ایک ہیڈ اسٹارٹ تو فراہم کرتے ہیں لیکن اکثر آپ کو غلط سمت میں لے جاتے ہیں۔

مسئلہ یہ ہے کہ یہ ٹولز پر اعتماد ہونے کے لیے ڈیزائن کیے گئے ہیں، درست ہونے کے لیے نہیں۔ وہ آپ کو ایک غلط جواب اسی اختیار کے لہجے میں دیں گے جیسے کہ صحیح جواب۔ یہ صارف پر ذہنی ٹیکس لگاتا ہے۔ آپ انہیں استعمال کرتے وقت کبھی بھی مکمل طور پر آرام نہیں کر سکتے۔ ایک مصنف کے لیے، پہلا ڈرافٹ تیار کرنے کے لیے AI کا استعمال اکثر کسی اور کی گندگی صاف کرنے جیسا محسوس ہوتا ہے۔ ان ماڈلز کی پسندیدہ کلچیز اور تکراری جملوں کو ہٹانے کے بجائے شروع سے لکھنا اکثر تیز ہوتا ہے۔

یہ مواد ساختی مستقل مزاجی کو یقینی بنانے کے لیے مصنوعی ذہانت کی مدد سے تیار کیا گیا تھا۔ یہ ایک تضاد پیدا کرتا ہے۔ ٹولز کا مقصد وقت بچانا ہے، لیکن وہ اکثر صرف اس کام کی قسم کو تبدیل کر دیتے ہیں جو ہم کرتے ہیں۔ ہم تخلیق کار بننے سے مصنوعی ڈیٹا کے خاکروب بن جاتے ہیں۔ جو ٹولز واقعی کام کرتے ہیں وہ وہ ہیں جو اپنی حد میں رہتے ہیں۔ ایک گرامر چیکر جو ٹائپو کو ٹھیک کرتا ہے وہ مفید ہے۔ ایک ٹول جو آپ کا پورا تھیسس لکھنے کی کوشش کرتا ہے وہ ایک ذمہ داری ہے۔ لوگ ان سسٹمز کی تخلیقی صلاحیت کو بہت زیادہ سمجھتے ہیں جبکہ انسانی علم کے لیے ایک نفیس فائلنگ کیبنٹ کے طور پر کام کرنے کی ان کی صلاحیت کو کم سمجھتے ہیں۔

سی-سویٹ (C-Suite) کے لیے مشکل سوالات

جیسے جیسے ہم ان سسٹمز کو اپنی زندگیوں میں گہرائی سے ضم کرتے ہیں، ہمیں چھپی ہوئی قیمتوں کے بارے میں پوچھنا ہوگا۔ ہماری پرائیویسی کا کیا ہوتا ہے جب ہمارے ٹائپ کردہ ہر پرامپٹ کو ماڈل کے اگلے ورژن کو تربیت دینے کے لیے استعمال کیا جاتا ہے؟ زیادہ تر کمپنیوں کے پاس ڈیٹا برقرار رکھنے کے بارے میں کوئی واضح پالیسی نہیں ہے۔ اگر آپ ایک ملکیتی حکمت عملی کی دستاویز کو پبلک LLM میں ڈالتے ہیں، تو وہ معلومات نظریاتی طور پر حریف کی استفسار میں دوبارہ سامنے آ سکتی ہیں۔ ماحولیاتی قیمت بھی ہے۔ ان ماڈلز کو تربیت دینے اور چلانے کے لیے ڈیٹا سینٹرز کو ٹھنڈا کرنے کے لیے بجلی اور پانی کی بڑی مقدار درکار ہوتی ہے۔ نیچر (Nature) میں ایک مطالعہ اس بات پر روشنی ڈالتا ہے کہ ایک بڑے ماڈل کے استفسار کا کاربن فٹ پرنٹ ایک معیاری سرچ انجن کے استفسار سے نمایاں طور پر زیادہ ہے۔ کیا ایک جنریٹڈ ای میل کی معمولی سہولت ماحولیاتی اثرات کے قابل ہے؟ ہمیں کاپی رائٹ کے مضمرات پر بھی غور کرنے کی ضرورت ہے۔ ان ماڈلز کو لاکھوں فنکاروں اور مصنفین کے کام پر ان کی رضامندی کے بغیر تربیت دی گئی تھی۔ ہم بنیادی طور پر ایک ایسی مشین استعمال کر رہے ہیں جو چوری شدہ محنت پر بنائی گئی تھی۔

انسانی وجدان کا سوال بھی ہے۔ اگر ہم اپنی سوچ کو مشینوں تک آؤٹ سورس کر دیں، تو کیا ہم غلطیوں کو پہچاننے کی صلاحیت کھو دیں گے؟ ہم پہلے ہی ویب مواد کے معیار میں گراوٹ دیکھ رہے ہیں کیونکہ AI سے تیار کردہ مضامین انٹرنیٹ کو بھر رہے ہیں۔ یہ ایک فیڈ بیک لوپ بناتا ہے جہاں ماڈلز کو دوسرے ماڈلز کے آؤٹ پٹ پر تربیت دی جاتی ہے، جس سے معلومات کی تنزلی ہوتی ہے جسے ماڈل کولیپس (model collapse) کہا جاتا ہے۔ اگر انٹرنیٹ ری سائیکل شدہ AI ٹیکسٹ کا سمندر بن جائے، تو نئے آئیڈیاز کہاں سے آئیں گے؟ یہ صرف تکنیکی رکاوٹیں نہیں ہیں۔ یہ اس بارے میں بنیادی سوالات ہیں کہ ہم کس قسم کی دنیا بنانا چاہتے ہیں۔ ہم فی الحال درستگی اور اصلیت پر رفتار اور حجم کو ترجیح دے رہے ہیں۔ یہ چند سالوں کے لیے کام کر سکتا ہے، لیکن ہماری اجتماعی ذہانت کے لیے طویل مدتی اخراجات شدید ہو سکتے ہیں۔ ہمیں فیصلہ کرنا ہوگا کہ کیا ہم ایسے ٹولز چاہتے ہیں جو ہمیں سوچنے میں مدد کریں یا ایسے ٹولز جو ہماری جگہ سوچیں۔

پاور یوزر کے لیے تکنیکی حدود

ان لوگوں کے لیے جو بنیادی چیٹ انٹرفیس سے آگے بڑھنا چاہتے ہیں، حدود اور بھی واضح ہو جاتی ہیں۔ پاور یوزرز اکثر کسٹم حل بنانے کے لیے ورک فلو انٹیگریشنز اور API تک رسائی تلاش کرتے ہیں۔ تاہم، وہ جلد ہی کانٹیکسٹ ونڈوز اور ٹوکن کی حدود کی دیوار سے ٹکرا جاتے ہیں۔ ایک کانٹیکسٹ ونڈو معلومات کی وہ مقدار ہے جسے ماڈل ایک ہی گفتگو کے دوران "یاد” رکھ سکتا ہے۔ اگرچہ کچھ ماڈلز پوری کتابوں کو سنبھالنے کا دعویٰ کرتے ہیں، لیکن ان کی یادداشت کی درستگی متن کے وسط میں نمایاں طور پر گر جاتی ہے۔ اسے "وسط میں کھو جانے” (lost in the middle) کا رجحان کہا جاتا ہے۔ اگر آپ ایک خودکار سسٹم بنا رہے ہیں، تو آپ کو ریٹ کی حدود (rate limits) سے بھی نمٹنا ہوگا۔ زیادہ تر فراہم کنندگان اس بات پر پابندی لگاتے ہیں کہ آپ فی منٹ کتنی درخواستیں کر سکتے ہیں، جس سے اہم اخراجات کے بغیر بڑے صارف بیس کے لیے ٹول کو اسکیل کرنا مشکل ہو جاتا ہے۔ قیمتوں کا تعین بھی غیر مستحکم ہے، کیونکہ کمپنیاں یہ سمجھنے کی کوشش کر رہی ہیں کہ ان مہنگے سسٹمز کو منافع بخش کیسے بنایا جائے۔

کیا آپ کے پاس کوئی AI کہانی، ٹول، رجحان، یا سوال ہے جس کے بارے میں آپ کو لگتا ہے کہ ہمیں اسے شامل کرنا چاہیے؟ ہمیں اپنے مضمون کا خیال بھیجیں — ہمیں اسے سن کر خوشی ہوگی۔

مقامی اسٹوریج اور مقامی انفرنس (local inference) پرائیویسی کے بارے میں فکر مند گیکس کے لیے ترجیحی راستہ بن رہے ہیں۔ Ollama یا LM Studio جیسے ٹولز آپ کو اپنے ہارڈویئر پر ماڈلز چلانے کی اجازت دیتے ہیں۔ یہ پرائیویسی کے مسئلے کو حل کرتا ہے لیکن ہارڈویئر کی رکاوٹ پیدا کرتا ہے۔ مقامی طور پر اعلیٰ معیار کا ماڈل چلانے کے لیے، آپ کو بہت زیادہ VRAM کے ساتھ ایک طاقتور GPU کی ضرورت ہے۔ زیادہ تر کنزیومر لیپ ٹاپس 7 بلین پیرامیٹر ماڈل سے بڑی کسی بھی چیز کو قابل استعمال رفتار پر چلانے کے لیے جدوجہد کریں گے۔ سافٹ ویئر کے چیلنجز بھی ہیں۔ ان ماڈلز کو موجودہ ورک فلو میں ضم کرنے کے لیے عام طور پر Python یا اسی طرح کی زبان کے علم کی ضرورت ہوتی ہے۔ مستقل نتائج حاصل کرنے کے لیے آپ کو سسٹم پرامپٹس، ٹمپریچر سیٹنگز، اور ٹاپ-پی (top-p) سیمپلنگ کا انتظام کرنا ہوگا۔ درج ذیل عوامل کسی بھی ایسے شخص کے لیے اہم ہیں جو پیشہ ورانہ AI ورک فلو بنانے کی کوشش کر رہا ہے:

• VRAM کی گنجائش مقامی ماڈلز چلانے کے لیے بنیادی حد ہے۔
• ماڈل کا سائز یا پرامپٹ کی لمبائی بڑھنے کے ساتھ لیٹنسی (latency) بڑھ جاتی ہے۔
• سسٹم پرامپٹس کو احتیاط سے انجینئر کیا جانا چاہیے تاکہ ماڈل کو کام سے ہٹنے سے روکا جا سکے۔

بہترین ہارڈویئر کے ساتھ بھی، آپ اب بھی ایک ایسے سسٹم سے نمٹ رہے ہیں جو فطری طور پر غیر متوقع ہے۔ آپ ایک ہی پرامپٹ دو بار بھیج سکتے ہیں اور دو مختلف نتائج حاصل کر سکتے ہیں۔ یہ تعین نہ ہونے کی کیفیت روایتی سافٹ ویئر انجینئرنگ کے لیے ایک ڈراؤنا خواب ہے۔ MIT ٹیکنالوجی ریویو کی ایک رپورٹ کے مطابق، انڈسٹری اب بھی مشن کریٹیکل کاموں کے لیے LLMs کو مستقل طور پر قابل اعتماد بنانے کا طریقہ تلاش کر رہی ہے۔ جب تک ایسا نہیں ہوتا، وہ بنیادی ورک ہارس کے بجائے ایک شوقیہ ٹول یا ثانوی اسسٹنٹ رہیں گے۔

شور پر حتمی فیصلہ

AI کی موجودہ حالت حقیقی صلاحیت اور انتہائی مبالغہ آرائی کا مرکب ہے۔ ہمارے پاس ایسے ٹولز ہیں جو متن کا خلاصہ کرنے، زبانوں کا ترجمہ کرنے، اور بنیادی کوڈ لکھنے میں ناقابل یقین حد تک اچھے ہیں۔ ہمارے پاس بہت زیادہ ہائپ بھی ہے جو یہ بتاتی ہے کہ یہ ٹولز باشعور بننے یا تمام انسانی محنت کو تبدیل کرنے کے دہانے پر ہیں۔ سچائی درمیان میں کہیں ہے۔ اگر آپ ان ٹولز کو نقطہ آغاز کے طور پر استعمال کرتے ہیں، تو وہ مددگار ثابت ہو سکتے ہیں۔ اگر آپ انہیں حتمی پروڈکٹ کے طور پر استعمال کرتے ہیں، تو آپ مصیبت مانگ رہے ہیں۔ زندہ سوال جو باقی ہے وہ یہ ہے کہ کیا ہم کبھی ہیلوسینیشن (hallucination) کے مسئلے کو حل کر پائیں گے۔ کچھ ماہرین کا خیال ہے کہ یہ ان ماڈلز کے کام کرنے کے طریقے کا ایک موروثی حصہ ہے، جبکہ دوسروں کا خیال ہے کہ زیادہ ڈیٹا اور بہتر تربیت اسے ٹھیک کر دے گی۔ جب تک یہ طے نہیں ہو جاتا، بہترین نقطہ نظر محتاط شکوک و شبہات کا ہے۔ وہ ٹولز استعمال کریں جو آج آپ کے لیے ایک مخصوص مسئلہ حل کرتے ہیں، اور کل وہ کیا کر سکتے ہیں کے وعدوں کو نظر انداز کریں۔ آپ کے ورک فلو میں سب سے اہم ٹول اب بھی آپ کا اپنا فیصلہ ہے۔

ایڈیٹر کا نوٹ: ہم نے یہ سائٹ ایک کثیر لسانی AI خبروں اور گائیڈز کے مرکز کے طور پر ان لوگوں کے لیے بنائی ہے جو کمپیوٹر گیکس نہیں ہیں، لیکن پھر بھی مصنوعی ذہانت کو سمجھنا چاہتے ہیں، اسے زیادہ اعتماد کے ساتھ استعمال کرنا چاہتے ہیں، اور اس مستقبل کی پیروی کرنا چاہتے ہیں جو پہلے ہی آ رہا ہے۔

کوئی غلطی یا اصلاح طلب چیز ملی ہے؟ ہمیں بتائیں۔