README.md

AI ကိုမိတ်ဆက်ခြင်း

Tomomi Imura မှ ဆွဲထားသော စကက်ချ်နိုက်

မှန်ကန်မှုစမ်းသပ်မှုမတိုင်ခင် စစ်ဆေးမှု

ကွန်ပျူတာ ပြုလုပ်သူ၏ ဉာဏ်ရည်ဖြစ်စေရေးသိပ္ပံအကျင့်သုတေသန သည် ကွန်ပျူတာများကို လူသားကြားထွက်ရှိသော ဉာဏ်ရည်ပြုမူတူ ဖော်ပြနိုင်သည့် နည်းလမ်းများကို လေ့လာသုံးသပ်သော စိတ်လှုပ်ရှားဖွယ် သိပ္ပံလောကဖြစ်သည်။

မူလတန်းအနေဖြင့် ကွန်ပျူတာများကို Charles Babbage မှ နံပါတ်များအပေါ် တိတိကျကျလုပ်ဆောင်ရန် ရောဂါအတိုင်း (algorithm) ထည့်သွင်းသုံးစွဲရန် ဖန်တီးခဲ့သည်။ ၁၉ ရာစုတွင် ပင်ခံထားမှုရှိသော်လည်း ယနေ့ခေတ်ကွန်ပျူတာများမှာ ထိုအတွေးအခေါ်ကို ဆက်လက်လိုက်နာသည်။ ထို့ကြောင့် ရည်မှန်းချက်တစ်ခုရရှိရန် လိုအပ်သော တိကျချက်ရှိသည့် အဆင့်လိုက် ခုံမူကြီးကို သိမ်းဆည်းတည်ဆောက်နိုင်ပါက ကွန်ပျူတာတစ်ခုကို အစီအစဉ်ရေးနိုင်သည်။

Vickie Soshnikova မှ ဓာတ်ပုံ

✅ ပုံတစ်ပုံမှ သူတစ်ပါး၏ အသက်သတ်မှတ်ခြင်းသည် တိတိကျကျ အစီအစဉ်ရေး၍ မရနိုင်သော အလုပ်တစ်ခုဖြစ်သည်၊ အကြောင်းမှာ ပြုလုပ်သောအခါ ဦးထုပ်ထဲတွင် အဲဒီနံပါတ်ကို မည်သို့ ရတယ်ဆိုသည်ကို မသိကြောင်းဖြစ်သည်။

---

သို့သော် လူတို့ မကြၽမ်းတမ်းသိသည့် တချို့ အလုပ်များလည်း ရှိသည်။ သူတစ်ပါး၏ ဓာတ်ပုံမှ အသက်ကို သတ်မှတ်ခြင်းကို လေ့လာကြည့်ပါ။ လူအသက်အမျိုးမျိုးကို မြင်တွေ့ခဲ့ကြောင်းကြောင့် ကျွန်ုပ်တို့ သင်ယူနိုင်ချိန်ရှိပြီး၊ ဘယ်လိုသတ်မှတ်တာလဲဆိုသည်ကို မတိတိကျကျ ဖော်ပြ/အကြောင်းကြားနိုင်၊ မျှ ကွန်ပျူတာကို မပရိုဂရမ်းနိုင်ပါ။ ဤကဲ့သို့ အလုပ်သည် ကွန်ပျူတာ ဉာဏ်ရည် (AI) ၏ စိတ်ဝင်စားဖွယ် အလုပ်ဖြစ်သည်။

✅ AI ကို အသုံးပြုကူညီစရာ ကွန်ပျူတာသို့ အလိုအလျောက်လုပ်ပေးလိုသော အလုပ်အချို့ကို စဉ်းစားပါ။ ငွေကြေး၊ ဆေးပညာနှင့် အနုပညာ တို့ဆိုင်ရာကဏ္ဍများတွင် AI သည် ယနေ့ဘယ်လိုအကျိုးရှိပါသလဲဆိုသည်ကို စဉ်းစားကြည့်ပါ။

အနိမ့် AI နှင့် အလိုက်ကျ AI

အနိမ့် AI	အလိုက်ကျ AI
အနိမ့် AI သည် တစ်ခု သို့မဟုတ် ဆင်တူရှိသော အလုပ်အသေးများကို အထူးသီးသန့် ဒီဇိုင်းဆွဲ သင်ကြားပေးထားသည့် AI စနစ်များဖြစ်သည်။	အလိုက်ကျ AI သို့မဟုတ် Artificial General Intelligence (AGI) သည် လူနည်းကျွမ်းကျင်မှုနှင့် နားလည်မှုတစ်ခုရှိသည့် AI စနစ်များဖြစ်သည်။
ယင်း AI စနစ်များတွင် တစ်မျိုးတည်းသော ချီးမြှင့်သော ဉာဏ်ရည် မရှိ၊ သတ်မှတ်ထားသည့် အလုပ်အတွက်သာ အထူးပြုသောကြောင့် အမှန်တကယ် နားလည်မှု သို့မဟုတ် အသိရှိမှု မရှိ။	ဤ AI စနစ်များသည် လူတစ်ဦးက ပြုလုပ်နိုင်သော ဉာဏ်ရည်ဆိုင်ရာ အလုပ်များအားလုံး ပြုလုပ်နိုင်ပြီး၊ ကဏ္ဍများအတည်အကျ ယုံကြည် ကြည့်နိုင်ခြင်း နှင့် ကိုယ်တိုင်အသိစိတ်တစ်ရပ် ကိုင်ဆောင်ထားသည်။
အနိမ့် AI များဖြစ်သော ဥပမာများမှာ Siri သို့မဟုတ် Alexa ကဲ့သို့ အဓိကအသုံးပြုသူ ဝန်ဆောင်မှုပေးရာတွင် သီးသန့်ပြုလုပ်ထားသော အွန်လိုင်းအကူအညီစက်များ၊ ကစားသမားနည်းလမ်း ကျွမ်းကျင်မှု စနစ်များဖြစ်သည်။	အလိုက်ကျ AI ရရှိရေးသည် AI သုတေသန တာဝန်ကာလရှည် နောက်ခံ အစီအစဉ်ဖြစ်ပြီး နားလည်မှု၊ စဉ်းစားတတ်မှု၊ သင်ယူနိုင်မှုနှင့် လိုအပ်ချက် အမျိုးမျိုးအတွက် အသုံးပြုနိုင်မှုရှိစေရန် လုပ်ဆောင်ရေးဖြစ်သည်။
အနိမ့် AI သည် အထူးပြုစုထားပြီး လူ့ ဉာဏ်ရည်တူစွမ်းရည် သို့မဟုတ် စုပေါင်းပြဿနာမှုပြုပြင်နိုင်မှု မူရင်းကနေပေမဲ့ ကျော်လွှားခြင်း မရှိ။	အလိုက်ကျ AI သည် လက်ရှိတွင် သီအိုရီသာဖြစ်ပြီး၊ ဘယ် AI စနစ်မှ မရောက်ရှိသေးသော နေရာဖြစ်သည်။

ပိုမိုသိရှိလိုလျှင် Artificial General Intelligence (AGI) ကို ရှာဖွေပါ။

ဉာဏ်ရည်၏ အဓိပ္ပါယ် နှင့် Turing စမ်းသပ်မှု

Intelligence ဆိုသောစကားလုံးကို ဆက်စပ်ရာတွင် ပြဿနာတစ်ခုမှာ သုတေသနတွင် မှတ်သားထားသော ရှင်းလင်းသောရေးရန် မရှိခြင်း ဖြစ်သည်။ ဉာဏ်ရည်ကို စိတ်ပညာအကြောင်းအရာ abstraction သို့မဟုတ် ကိုယ်တိုင်အသိစိတ် နှင့် ဆက်စပ်သည် ဟု ဆိုနိုင်သော်လည်း မမှန်ကန်စွာ သတ်မှတ်၍ မရနိုင်ပါ။

ဓာတ်ပုံ ကို Amber Kipp မှ Unsplash သမားမှ ယူဆောင်ထားခြင်း

intelligence စကားလုံး၏ မရှင်းလင်းမှုကို မြင်ရန် "ကြောင်သည် ဉာဏ်ရှိပါသလား?" ဟူသောမေးခွန်းကို ဖြေကြည့်ပါ။ လူများတစ်ဦးချင်းစီတွင် မတူညီသော အဖြေများရှိနိုင်သည့် အကြောင်းမှာ အဆိုအမှန်ကို သက်သေပြတဲ့ စမ်းသပ်မှုက အများအပြား ရှိမှုမရှိခြင်း ဖြစ်ပါသည်။ စိတ်ကူးတစ်ခုရှိ၍ သော့ပုံသဏ္ဍာန်စစ်ဆေးစကားရှက်စစ်ဆေးမှု ခွဲမြှောက်မှု ကဲ့သို့ နိုင်ငံတော် IQ စမ်းသပ်မှုမှ တစ်ခုပါ။

✅ သင်၏ စိတ်ထဲတွင် ဉာဏ်ရည်ကို တစ်မိနစ် အာရုံစိုက်စဉ်းစားပါ။ လမ်းကြောင်းရှာ ဆောင်ရွက်ပြီး အစားအသောက် ရသော မိုမိုငှက်တစ်ကောင်ကို ဉာဏ်ရှိသလား? ကလေးတစ်ယောက်ကို ဉာဏ်ရှိသလားဟု သတ်မှတ်ပါ။

---

AGI ကို ပြောရပါက တကယ့် ဉာဏ်ရှိသောစနစ်တစ်ခု ဖန်တီးခဲ့သည်ဟု သိရှိရန် နည်းလမ်းတစ်ခုလိုအပ်သည်။ Alan Turing မှ တီထွင်ထုတ်ဖော်ခဲ့သည့် Turing Test သည် ဉာဏ်ရည်၏ သတ်မှတ်ချက်အဖြစ်လည်း လုပ်ဆောင်သည်။ စမ်းသပ်မှုသည် လူသားတကယ်ရှိသူတစ်ဦးနှင့်စနစ်တစ်ခုကို စာသားအခြေခံပြောဆိုမှုတွင် ခွဲခြားကျွှံနိုင်မှု မရှိပါက စနစ်ကို ဉာဏ်ရှိဟု သတ်မှတ်သည်။

Eugene Goostman ဟုခေါ်သော စကားပြောစက်တစ်ခုကို ရုရှား St.Petersburg တွင် ဖန်တီးခဲ့ပြီး ၂၀၁၄ ခုနှစ်တွင် Turing စမ်းသပ်မှုပုံစံမှတစ်ဝက်လောက်ခံနိုင်ခဲ့သည်။ ထိုစက်သည် သူကျားမ ၁၃ နှစ်အရွယ် အူကရိန်းကလေးဟု ကြေညာခြင်းအားဖြင့် အချက်အလက်မရှိမှုနှင့် စာသားတွင် မတူညီမှုအချို့ ဖော်ပြနိုင်သည်။ ဤစက်သည် စစ်မှတ်သူများ၏ ၃၀% ကို လူဖြစ်ကြောင်း ယုံကြည်စေပြီး Turing သည် ၂၀၀၀ ခုနှစ်တွင် စက်ပစ္စည်းများသည် ဒီဆင်ခြင်မှုကို ဖြတ်ကျော်နိုင်မည်ဟု ယုံကြည်သည်။ သို့သော် ဤသည်သည် အဖြေမှန်သော ဉာဏ်ရှိစနစ်ဖန်တီးမှုကို ပြသခြင်း မဟုတ်၊ စက်ပစ္စည်းသည် စစ်မှတ်သူကို လိမ်တတ်ခြင်း မဟုတ်၊ စက်ဖန်တီးသူများသာ လိမ်မြှောက်နိုင်ခြင်း ဖြစ်သည်ကို နားလည်သင့်သည်။

✅ စကားပြောစက်တစ်ခုကြောင့် သင်သည် လူတစ်ဦးနှင့် စကားပြောနေသည်ဟု ယူဆဖူးပါသလား? ၎င်းသည် ဘယ်လို ယုံကြည်စေခဲ့ပါသလဲ?

AI သို့ ယူဆချက် အမျိုးမျိုး

ကွန်ပျူတာသည် လူတစ်ဦးကဲ့သို့ အပြုအမူပြုရန်လိုလျှင်၊ လူတို့၏ စဉ်းစားပုံကို ကွန်ပျူတာအတွင်း မော်ဒယ်တည်ဆောက်ရမည် ဖြစ်သည်။ အတိုင်းအတာအရ လူ့ဥာဏ်ရည်ကို ဘယ်အရာတွေကြောင့် ရှိနေတာလဲ ဆိုတာ နားလည်ရန် လိုအပ်သည်။

ဉာဏ်ရည်ကို စက်ပစ္စည်းတစ်ခုထဲ ထည့်လိုပါက၊ ကျွန်ုပ်တို့၏ ဆုံးဖြတ်ချက် ပြုလုပ်သည့် ဦးနှောက်စနစ် ဘယ်လို လုပ်ဆောင်သည်ကို နားလည်ရမည်။ မိမိကိုယ်ကို ပြန်လည် သုံးသပ်ကြည့်ပါက၊ သတိမထားဘဲဖြစ်ပွားသည့် လုပ်ငန်းစဉ်များ ရှိကြောင်း သိရှိမည်၊ ဥပမာ ကြောင်နှင့်ခွေးကို မစဉ်းစားပဲ ခွဲခြားနိုင်ခြင်း၊ ဒါမှမဟုတ် အခြား အာရုံဆိုင်ရာ စဉ်းစားမှုများပါဝင်ခြင်း။

ဤပြဿနာကို ခေါ်ကြည့်ပုံ နှစ်မျိုး ရှိသည်။

အပေါ် မှ အောက်သို့ ပုံစံ (အသိအမှတ်ပြု စဉ်းစားမှု)	အောက်မှ အပေါ်သို့ ပုံစံ (နယူးရွယ် နက်ဝတ်)
အပေါ်မှ အောက်သို့ နည်းလမ်းသည် လူတစ်ဦး၏ စဥ်းစားနည်းကို မော်ဒယ်တည်ဆောက်သော နည်းဖြစ်သည်။ လူဆရာ၏ အသိပညာ ကို ကောက်ယူ၍ ကွန်ပျူတာဖတ်နိုင်သောပုံစံသို့ ပြောင်းလဲပုံကိန်းသည်လိုအပ်သည်။ ထို့နောက် စဉ်းစားမှု ကို ကွန်ပျူတာတွင် မော်ဒယ်တည်ဆောက်ရန် လိုအပ်သည်။	အောက်မှ အပေါ်သို့ နည်းလမ်းသည် လူ့ဦးနှောက်တွင်ပါသော လေးစားထိုက်သော ယူနစ် (neuron) များစုပေါင်းစက်မှုကို မော်ဒယ်တည်ဆောက်ခြင်းဖြစ်သည်။ ယင်း neuron တစ်ခုသည် input များကို အလေးချိန်ပေါင်းဖြင့် ပျမ်းမျှလိုက်စားသည့် အပိုင်းဖြစ်သည်။ အများအပြား neuron များစီစဉ်ထားသော နက်ဝတ်ကို သင်ကြားပေးပြီး အသုံးဝင်သော ပြဿနာများကို ဖြေရှင်းရန်သင်ကြားနိုင်သည်။

ဉာဏ်ရည်ဆိုင်ရာ အခြားနည်းလမ်းများလည်း ရှိသည်။

• ပေါ်ပေါက်မှု ရှိသော, ပေါင်းစည်းမှု ရှိသော သို့မဟုတ် အများ Agent (multi-agent) နည်းလမ်း များမှာ၊ ရိုးရှင်းသော Agent အများအပြား လုပ်ဆောင်မှု လှုပ်ရှားမှုမှ စုပေါင်းသိပ္ပံပညာရှာဖွေမှုဖြစ်သည်။ ဉာဏ်ရည်ဗေဒ အရ၊ ဉာဏ်ရည်မှာ ရိုးရှင်းပြီး တုံ့ပြန်မှုရှိသော အပြုအမူမှ metasystem ပြောင်းရွှေ့မှု လုပ်ငန်းစဉ်အတွင်း ပေါ်ပေါက် တတ်သည်။

• ဖွံ့ဖြိုးတိုးတက်မှု နည်းလမ်း သို့မဟုတ် ဂျီနက်တစ်အယ်လဂေါရီသမ် သည် ဖွံ့ဖြိုးတိုးတက်မှု အခြေခံ အကောင်းဆုံးဖြေရှင်းနည်းတစ်ခုဖြစ်သည်။

မနည်းနည်းပိုပြီး နည်းလမ်းများကို သင်ယူလာမည်၌ အခြေခံထားရမည်မှာ အပေါ်မှ အောက်သို့ နှင့် အောက်မှ အပေါ်သို့ နည်းလမ်းနှစ်မျိုးဖြစ်သည်။

အပေါ်မှ အောက်သို့ နည်းလမ်း

အပေါ်မှ အောက်သို့ နည်းလမ်းတွင် ကျွန်ုပ်တို့၏စဉ်းစားမှုကို မော်ဒယ်တည်ဆောက်ရန် ကြိုးစားသည်။ ကျွန်ုပ်တို့သည် စဉ်းစားသောအခါ မိမိထင်ထားသည့်အတိုင်း နားလည်သည်ကို တွေ့နိုင်သည်၊ ထို့ကြောင့် ၎င်းလုပ်ငန်းစဉ်ကို ပုံမှန်အဆင့်ဖြင့် အစီအစဉ်ရေးနိုင်သည်။ ဤကို အသိအမှတ်ပြု စဉ်းစားမှု ဟုခေါ်သည်။

လူများသည် ဆုံးဖြတ်ချက်လုပ်ရာတွင် လမ်းညွှန်သော စည်းကမ်းများရှိသည်။ ဥပမာ၊ ဆရာဝန်တစ်ဦးသည် လူနာကို ရောဂါသတ်မှတ်ရာတွင် ဖျားနွေးမှု ရှိသည်ကို တွေ့ရှိကာ။ တစ်ခုခု ပြင်းထန်သော ရောင်ရမ်းမှုရှိကြောင်း ခန့်မှန်းနိုင်သည်။ စည်းကမ်းစနစ်များစွာကို သတ်မှတ်ထားသောကြောင့် ဆရာဝန်များသည် နောက်ဆုံးဆုံးဖြတ်ချက်ရေးနိုင်မည် ဖြစ်သည်။

ဤနည်းလမ်းသည် အသိပညာကို ကိုယ်စားပြုခြင်း နှင့် စဉ်းစားမှု တွင် အလေးပေးသည်။ လူနားလည်သူ အပေါင်းချုပ်ထံမှ အသိပညာကို ထုတ်ယူခြင်းမှာ အခက်အခဲဆုံးဖြစ်နိုင်သည်၊ ဆရာဝန်တစ်ဦးသည် အချို့အိမ်စာ ရောဂါသတ်မှတ်မှု ကို မတိတိကျကျ သိမှတ်ရောက်မှု မရှိသည့် အခြေအနေများ ရှိသောကြောင့် ဖြစ်သည်။ တချို့အလုပ်များသည် ဥပမာ အသက်သတ်မှတ်မှုကဲ့သို့ ဉာဏ်ပညာကို စီမံခန့်ခွဲခြင်းမှ လုံးဝ မဖြစ်နိုင်ပါ။

အောက်မှ အပေါ်သို့ နည်းလမ်း

မတူညီစွာ၊ ဦးနှောက်အတွင်းရှိ အလယ်အလတ်ဆုံး အစိတ်အပိုင်း neuron ကို မော်ဒယ်တည်ဆောက်နိုင်သည်။ ကွန်ပျူတာအတွင်း အတုနယူးရွယ် နက်ဝတ် တည်ဆောက်ပြီး ဥပမာများ ပေးကာ ပြဿနာများဖြေရှင်းရန် သင်ကြားနိုင်သည်။ ၎င်းလုပ်ငန်းစဉ်သည် ကလေးမွေးဖွားအသစ်တစ်ဦး၏ သဘာဝပတ်ဝန်းကျင်အကြောင်းသင်ယူမှုနှင့် ဆင်တူသည်။

✅ ကလေးများ သင်ယူနေကျမှုအကြောင်း သုတေသန တစ်ခု ပြုလုပ်ပါ။ ကလေးများ၏ ဦးနှောက် အခြေခံအပိုင်းအစများ ဘာများလဲ?

ML အကြောင်း?
အတုနယူးရွယ် နက်ဝတ်တွင် အခြေခံပြီး သတင်းအချက်အလက်အရ ပြဿနာ ဖြေရှင်းရန် ကွန်ပျူတာမှ သင်ယူခြင်း ဖြစ်သော AI ၏ အပိုင်းကို စက်လေ့လာမှု (Machine Learning) ဟုခေါ်သည်။ ဒီသင်တန်းတွင် ရိုးရိုးစက်လေ့လာမှုအား မဖော်ပြသဖြစ်ဘဲ၊ သေးငယ်သော သင်ကြားမှု Machine Learning for Beginners ကို ဆက်လက်ကြိုးပမ်းကြည့်ပါ။

AI ၏ အနှစ်ချုပ် သမိုင်းကြောင်း

ကွန်ပျူတာ ဉာဏ်ရည် (AI) သည် ၂၀၄၀ ပြည့်နှစ်အတွင်း စတင်ခဲ့သည်။ ပထမကာလတွင် အသိအမှတ်ပြု စဉ်းစားမှု ပုံစံ ရေပန်းစားပြီး၊ နောက်ဆက်တွဲ ထူးချွန်မှုများဖြစ်ခဲ့သည်၊ ဥပမာ အတတ်ပညာရှင်စနစ်များ – ကန့်သတ်ထားသော ပြဿနာကဏ္ဍများတွင် ထူးချွန်အဆင့် ရရှိသော ကွန်ပျူတာအစီအစဉ်များ ဖြစ်သည်။ သို့သော် ဤနည်းလမ်းသည် ထပ်မံချဲ့ထွင်ရန် မမှန်ကန်ကြောင်း သိသာလာသည်။ အသိပညာ ကောက်ယူခြင်းနှင့် မှန်ကန်မှုကိုထိန်းသိမ်းထားခြင်းသည် အလွန်ခက်ခဲသောကိစ္စ ဖြစ်ပြီး အကျုံးဝင်မှု များပြားသည့် ဧ။်ရာများတွင် ကိုင်တွယ်ရန် စရိတ်မြင့်သည်။ ၎င်းကြောင့် ၁၉၇၀ ခုနှစ်များတွင် AI Winter ဖြစ်စေခဲ့သည်။

ပုံကို Dmitry Soshnikov မှ ပေးပို့သည်

အချိန်ကျလာသည်နှင့်အမျှ များစွာကွန်ပျူတာ စွမ်းအားများ ပိုမိုချိုသာလာ၍၊ ဒေတာများ ပိုမိုရရှိလာပြီးနောက် နယူးရွယ် နက်ဝတ် နည်းလမ်းများသည် ကွန်ပျူတာမြင်ကွင်း၊ အသံနားထောင်မှုစသည်တို့အဘို်တွေ့ရှိမှု ပိုမိုကောင်းမွန်လာခဲ့သည်။ နောက်ဆုံး ၁၁ နှစ်အတွင်း၊ Artificial Intelligence ဟု ခေါ်ဆိုသည်မှာ နယူးရွယ် နက်ဝတ်နည်းပညာ၏ အချည်းနှီးအမည် ဖြစ်လာပြီး AI အောင်မြင်မှုများအစိတ်အပိုင်း အများစုသည် ၎င်းတွင် အခြေခံသည်။

နေရာတစ်ခု၏ စတင်အခြေအနေတွင် စာရင်းထားမှုတစ်ခုစားကြည့်ပါ:

• စတင်အဆင့် ကစားသမားကွန်ပျူတာများသည် ရှာဖွေရေးမှီတင်ိ၍ ဖန်တီးခဲ့ကြသည် – အချိန်ရောက်ပါက လိုက်နာမည့် ရှေ့လှည့်မိခ်လမ်းကြောင်းများ ကြောင်းကိုခန့်မှန်းပြီး အကောင်းဆုံးလှည့်မှန်ကို ရွေးချယ်သည်။ ဤသည်သည် alpha-beta pruning ရှာဖွေရေးနည်းအား ဖြန့်ချိခဲ့သည်။
• ရှာဖွေရေးနည်းလမ်းများသည် ဂိမ်းနှောင်းပိုင်းတွင် ကောင်းမွန်သည်၊ ရှာဖွေရေးအကွာအဝေး သေးငယ်သောကြောင့်ဖြစ်သည်။ သို့သော် ဂိမ်းအစအစတွင် ရှာဖွေရေးအကွာအဝေး ကြီးမားပြီး သင်ခန်းစာများမှ သင်ယူမှုများဖြင့် အဆင်ပြေကြမ္မာပြုပြင်နိုင်သည်။ နောက်တော်ပြန် ဆန်းစစ်မှုများတွင် case-based reasoning ကို အသုံးပြုရာ၌ လက်ရှိ ဂိမ်းနေရာနှင့် အလွန်ဆင်တူသော နမူနာအခြေအနေများကို အသိပညာစနစ်မှ ရှာဖွေလိုက်သည်။
• လူများထက်အောင်မြင်သော ခေတ်မှီအစီအစဉ်များမှာ နယူးရွယ် နက်ဝတ်များ နှင့် reinforcement learning အား အခြေခံပြီး၊ ကိုယ့်ကိုယ်ပေါ် ဆော့ကစားခြင်းဖြင့် သင်ယူသည်၊ လူများက ခြုံဆော့ကစားရန် သင်ယူချိန်ကဲ့သို့ဖြစ်သည်။ သို့သော် ကွန်ပျူတာသည် လူများထက် လုပ်ဆောင်နိုင်သောကစားနည်း အရေအတွက်များပြီး ပြီးမြောက်ချိန် နည်းသောကြောင့် ပိုမိုမြန်ဆန်စွာ သင်ယူနိုင်သည်။

✅ AI နှင့်ကစားသည့် အခြားဂိမ်းများကို ရှာဖွေ့လေ့လာပါ။

တူညီစွာ "စကားပြောနိုင်သောအစီအစဉ်များ" ဖန်တီးမှု (Turing စမ်းသပ်မှု ဖြတ်သန်းနိုင်သော) အား ဘယ်လိုပြောင်းလဲခဲ့သည် ဟု ကြည့်ပါ။

• ဒါ့အရစကာ တို့ကဲ့သို့ ဇာတ်ကောင်မူရင်း စနစ်များမှာ အလွန်ရိုးရှင်းသော သဒ္ဒါနည်နည်းများနှင့် ဝင်ရောက်သော သဒ္ဒါများကို မေးခွန်းအဖြစ် ပြောင်းလဲခြင်းဖြစ်သည်။
• Cortana၊ Siri၊ Google Assistant ကဲ့သို့ ခေတ်မှီကူညီစနစ်များသည် စကားများကို စာသားသို့ နှင့် ရည်ရွယ်ချက် သိရှိရန် နယူးရွယ်နက်ဝတ်များအသုံးပြုပြီး ချက်အချင်းကော်ပွဲသင့် စနစ်ကို အသုံးပြုသည်။
• အနာဂတ်၌ စကားပြောမှုကို ကိုယ်တိုင်ထိန်းချုပ်ပေးနိုင်သော စွမ်းရည်ကြီးမားသော နယူးရွယ်စနစ်အပြည့်အစုံ ရှိနိုင်သည်ဟု ခန့်မှန်းပါသည်။ မကြာသေးမီက GPT နှင့် Turing-NLG နည်းလမ်းများမှာ ဆန်းသစ်မှုကြီးများ ပြသထားသည်။

Dmitry Soshnikov မှ ရိုက်ကူးထားသော ပုံ၊ ဓာတ်ပုံ ကို Marina Abrosimova မှ Unsplash တွင် ပေးသော

နောက်ဆုံး AI သုတေအာရုံစူးစိုက်မှု

နယူးရယ်ကွန်ယက် သုတေသနလုပ်ငန်း၏ ကြီးမားသော တိုးတက်မှုသည် ၂၀၁၀ ခုနှစ်အနီးစပ်တွင် စတင်ခဲ့ပြီး၊ အများပြည်သူအသုံးပြုနိုင်သော ဒေတာစုစည်းမှုကြီးများ ပေါ်လာသည်။ ImageNet ဟု အမည်ပေးထားသော ပုံများစုစည်းမှုတစ်ခုသည် အနီးစပ်စွာ ၁၄ သန်းခန့်သော မှတ်သားထားသော ပုံများပါဝင်ကာ ImageNet Large Scale Visual Recognition Challenge ကို မွေးဖွားစေခဲ့သည်။

Dmitry Soshnikov မှ ရိုက်ကူးသည်

၂၀၁၂ ခုနှစ်တွင်၊ Convolutional Neural Networks ကို ပထမဆုံး ပုံခွဲခြားရေးတွင် အသုံးပြုခဲ့ပြီး၊ အမှားအယွင်းများကို အလွန်ထူးခြားစွာ လျော့နည်းစေခဲ့သည် (၂၉% ခန့်မှ ၁၆.၄% သို့ လျှော့ချ)။ ၂၀၁၅ တွင် Microsoft Research ၏ ResNet ဖွဲ့စည်းပုံသည် လူ့အဆင့် တိကျမှန်ကန်မှုကို မှီဝဲခဲ့သည်။

ထိုကတည်းက နယူးရယ်ကွန်ယက်များသည် အလုပ်များစွာတွင် အောင်မြင်မှု အလွန်ကြီးမားစွာ ပြသခဲ့သည်။

---

နှစ်	လူမှုရည်မှန်းချက်ရရှိသော
၂၀၁၅	ပုံခွဲခြားရေး
၂၀၁၆	စကားပြောများ ဖတ်တတ်ခြင်း
၂၀၁၈	အလိုအလျောက် စက်ဘာသာပြန်ခြင်း (တရုတ်မှ အင်္ဂလိပ်)
၂၀၂၀	ပုံဖော်ပြချက်ရေးခြင်း

ယခုနှစ်ပိုင်းအတွင်း BERT နှင့် GPT-3 ကဲ့သို့သော အကြီးစား ဘာသာစကားမော်ဒယ်များအတွက် ကြီးမားသော အောင်မြင်မှုများကို မြင်တွေ့ခဲ့သည်။ ၎င်းသည် အများပြည်သူ အသုံးပြုနိုင်သော စာသားဒေတာ များစွာ ရှိခြင်းကြောင့်ဖြစ်ပြီး၊ မော်ဒယ်များကို စာသားအမှုများ၏ ဖွဲ့စည်းပုံနှင့် အဓိပ္ပါယ်များကို ဖမ်းယူနိုင်ရန် သင်ကြားတတ်ကြပြီး၊ စာသားစုစည်းမှုများတွင် ကြိုတင်သင်ကြားပြီးနောက်၊ ပိုပြီး အသေးစိတ် တာဝန်များအတွက် မော်ဒယ်များကို အထူးပြု သုံးနိုင်ကြသည်။ ဒီသင်တန်းတွင် နောက်ပိုင်းတွင် ဘာသာစကားလုပ်ထုံးလုပ်နည်းဆိုင်ရာ မျက်နှာသာများကို နည်းမည့်အကြောင်းကို မည်မည်သာ သင်ယူသွားမည်ဖြစ်သည်။

🚀 ပြိုင်ပွဲ

သင့်အမြင်အရ AI ကို အကျိုးရှိဆုံး အသုံးပြုထားသည့်နေရာကို အင်တာနက်တွင် လေ့လာလုပ်ဆောင်ပါ။ အဲသည် Mapping app တစ်ခုတွင် ဖြစ်ပါသလား၊ စကားပြောမှ စာသားသို့ ဝန်ဆောင်မှုတစ်ခုတွင် တွေ့ရပါသလား၊ သို့မဟုတ် ဗီဒီယိုဂိမ်းတစ်ခုတွင်လား? စနစ်ကို မည်သို့ ဖွဲ့စည်းဆောက်လုပ်ထားသည်ကို သုတေသနပါ။

သင်ခန်းစာပြီးစီးပြီး စစ်တမ်း

ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာခြင်း

AI နှင့် ML ရဲ့ သမိုင်းကြောင်းကို ဒီသင်ခန်းစာ အတွင်း ဖတ်ရှု၍ ပြန်လည်သုံးသပ်ပါ။ ထိုသင်ခန်းစာ၏ အထက်ရှိ ဆွဲထုတ်မှတ်စုတစ်ခုမှ အချက်တစ်ချက်ကို ရွေးချယ်ပြီး ၎င်း၏ ယဉ်ကျေးမှုရင်းမြစ်များနှင့် ရေရာမှု အကြောင်းအရာများကို ပိုမိုနက်ရှိုင်းစွာ စုံစမ်းလေ့လာပါ။

တာဝန်ကျေမှု: ဂိမ်းဂျမ်

---

ပြောကြားချက် ဤစာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု Co-op Translator အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးပမ်းနေသော်လည်း၊ စက်ကိရိယာဘာသာပြန်ခြင်းများတွင် အမှားများ သို့မဟုတ် မှားယွင်းချက်များ ပါဝင်နိုင်ကြောင်း သတိပြုပါရန် လိုအပ်ပါသည်။ မူလစာတမ်းကို မူရင်းဘာသာဖြင့်သာ ယုံကြည်စိတ်ချရသော အချက်အလက်အဖြစ် သတ်မှတ်သင့်သည်။ အရေးကြီးသည့် သတင်းအချက်အလက်များအတွက် ပရော်ဖက်ရှင်နယ် လူသားဘာသာပြန်သူဝန်ဆောင်မှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်ချက်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုကွာခြားမှုများ သို့မဟုတ် မမှန်ကန်သော အသုံးပြုမှုများအတွက် ကျွန်ုပ်တို့ တာဝန်မခံပါ။