AI-For-Beginners/translations/my/lessons/1-Intro

Dmitry Soshnikov မှရိုက်ထားသောပုံ

အချိန်ကြာလာသည်နှင့်အမျှ ကွန်ပျူတာအရင်းအမြစ်များ ပိုမိုစျေးပေါလာပြီး ဒေတာများလည်း ပိုမိုရရှိနိုင်လာသောကြောင့် နယူးရယ်နက်ဝက် (Neural Networks) နည်းလမ်းများသည် လူသားများနှင့်ယှဉ်ပြိုင်၍ အများအပြားသောနယ်ပယ်များတွင် (ဥပမာ- ကွန်ပျူတာဗီရှင်း၊ စကားသိမြင်မှု) ထူးချွန်သောစွမ်းဆောင်ရည်များကို ပြသနိုင်ခဲ့သည်။ နောက်ဆုံးတစ်ဆယ်စုနှစ်အတွင်း "Artificial Intelligence" ဆိုသောအသုံးအနှုန်းကို နယူးရယ်နက်ဝက်များနှင့်အတူတူအဓိပ္ပါယ်ရသောအရာအဖြစ် အသုံးပြုလာခဲ့သည်။ အကြောင်းမှာ AI ၏အောင်မြင်မှုများအများစုသည် နယူးရယ်နက်ဝက်များအပေါ်အခြေခံထားသောကြောင့်ဖြစ်သည်။

နည်းလမ်းများအပြောင်းအလဲကို ဥပမာ- ချက်စ်ကစားနိုင်သော ကွန်ပျူတာပရိုဂရမ်တစ်ခုကို ဖန်တီးခြင်းနည်းလမ်းများမှတဆင့် တွေ့မြင်နိုင်သည်-

• စောစောချိန်က ချက်စ်ပရိုဂရမ်များသည် ရှာဖွေမှု (Search) အပေါ်အခြေခံထားပြီး- ပရိုဂရမ်သည် အပြိုင်ကစားသူ၏ အနာဂတ်လှုပ်ရှားမှုများကို ခန့်မှန်းရန်ကြိုးစားပြီး အနည်းငယ်သောလှုပ်ရှားမှုများအတွင်း ရရှိနိုင်သော အကောင်းဆုံးအနေအထားအပေါ်အခြေခံ၍ အကောင်းဆုံးလှုပ်ရှားမှုကို ရွေးချယ်ခဲ့သည်။ ၎င်းသည် alpha-beta pruning ရှာဖွေမှုအယ်လဂိုရစ်သို့ ရောက်ရှိစေခဲ့သည်။
• ရှာဖွေမှုနည်းလမ်းများသည် ကစားပွဲအဆုံးပိုင်းတွင် အလွန်ကောင်းမွန်စွာအလုပ်လုပ်နိုင်သည်၊ အကြောင်းမှာ ရှာဖွေမှုအကျယ်အဝန်းသည် လှုပ်ရှားမှုအနည်းငယ်သာကျန်ရှိသောကြောင့်ဖြစ်သည်။ သို့သော် ကစားပွဲအစပိုင်းတွင် ရှာဖွေမှုအကျယ်အဝန်းသည် အလွန်ကျယ်ပြန့်ပြီး အယ်လဂိုရစ်သည် လူသားကစားပွဲများမှ သင်ယူမှုဖြင့် တိုးတက်စေရန်လိုအပ်သည်။ နောက်ထပ်စမ်းသပ်မှုများတွင် case-based reasoning ကို အသုံးပြုခဲ့ပြီး- ပရိုဂရမ်သည် ကစားပွဲအနေအထားနှင့်ဆင်တူသော အခြေအနေများကို knowledge base မှ ရှာဖွေခဲ့သည်။
• လူသားကစားသမားများကို အနိုင်ယူနိုင်သော ခေတ်သစ်ပရိုဂရမ်များသည် နယူးရယ်နက်ဝက်များနှင့် reinforcement learning အပေါ်အခြေခံထားပြီး- ပရိုဂရမ်များသည် ၎င်းတို့ကိုယ်တိုင်နှင့် အချိန်ကြာကြာကစားခြင်းမှ သင်ယူမှုများကို အခြေခံ၍ သင်ယူခဲ့သည်။ ၎င်းသည် လူသားများက ချက်စ်ကို သင်ယူသည့်နည်းလမ်းနှင့်တူသည်။ သို့သော် ကွန်ပျူတာပရိုဂရမ်သည် အချိန်အနည်းငယ်အတွင်း အများကြီးကစားနိုင်ပြီး အလွန်မြန်ဆန်စွာ သင်ယူနိုင်သည်။

✅ AI က ကစားခဲ့သော အခြားဂိမ်းများကို သုတေသနပြုပါ။

ထို့နောက် "စကားပြောနိုင်သောပရိုဂရမ်များ" (Turing Test ကို ဖြတ်နိုင်သော) ဖန်တီးခြင်းနည်းလမ်းများအပြောင်းအလဲကိုလည်း တွေ့မြင်နိုင်သည်-

• Eliza ကဲ့သို့သော စောစောချိန်က ပရိုဂရမ်များသည် အလွန်ရိုးရှင်းသော သဒ္ဒါစည်းကမ်းများနှင့် input စာကြောင်းကို မေးခွန်းအဖြစ် ပြန်လည်ဖွဲ့စည်းခြင်းအပေါ်အခြေခံထားသည်။
• ခေတ်သစ်အကူအညီပေးသူများ (ဥပမာ- Cortana, Siri, Google Assistant) သည် Neural Networks ကို အသုံးပြု၍ စကားကို စာသားအဖြစ် ပြောင်းလဲခြင်းနှင့် ရည်ရွယ်ချက်ကို သိမြင်ခြင်း၊ ထို့နောက် reasoning သို့မဟုတ် explicit algorithms ကို အသုံးပြု၍ လိုအပ်သော လုပ်ဆောင်မှုများကို ပြုလုပ်ခြင်းတို့ဖြင့် Hybrid Systems ဖြစ်သည်။
• အနာဂတ်တွင် Neural-based model တစ်ခုလုံးကို dialogue ကို ကိုယ်တိုင်ကိုင်တွယ်နိုင်ရန် မျှော်လင့်နိုင်သည်။ နောက်ဆုံးထွက်ရှိသော GPT နှင့် Turing-NLG နယူးရယ်နက်ဝက် မိသားစုများသည် ၎င်းတွင် အလွန်အောင်မြင်မှုများကို ပြသထားသည်။

ဓာတ်ပုံ - Dmitry Soshnikov, ဓာတ်ပုံ - Marina Abrosimova, Unsplash

AI သုတေသန၏ လတ်တလောတိုးတက်မှုများ

နယူးရယ်နက်ဝက်များ (Neural Networks) အပေါ် သုတေသနများသည် ၂၀၁၀ ခုနှစ်လောက်မှ စတင်၍ အလွန်အမင်းတိုးတက်လာခဲ့သည်။ အများပြည်သူအသုံးပြုနိုင်သော ဒေတာများ စတင်ရရှိလာခြင်းကြောင့် ဖြစ်သည်။ ImageNet ဟုခေါ်သော ပုံများ၏ အကြီးမားဆုံးစုစည်းမှုတစ်ခုတွင် ၁၄ သန်းကျော်သော ပုံများ ပါဝင်ပြီး၊ ImageNet Large Scale Visual Recognition Challenge ကို မွေးဖွားစေခဲ့သည်။

ဓာတ်ပုံ - Dmitry Soshnikov

၂၀၁၂ ခုနှစ်တွင် Convolutional Neural Networks ကို ပုံသတ်မှတ်ခြင်း (Image Classification) အတွက် ပထမဆုံးအသုံးပြုခဲ့ပြီး၊ အမှားနှုန်းကို အလွန်အမင်းလျှော့ချနိုင်ခဲ့သည် (၃၀% မှ ၁၆.၄% အထိ)။ ၂၀၁၅ ခုနှစ်တွင် Microsoft Research မှ ResNet အဆောက်အအုံသည် လူ့အဆင့်တန်းမှန်ကန်မှု ကို ရရှိခဲ့သည်။

ထိုအချိန်မှစ၍ နယူးရယ်နက်ဝက်များသည် အမျိုးမျိုးသော အလုပ်များတွင် အလွန်အောင်မြင်သော အပြုအမူများကို ပြသနိုင်ခဲ့သည်-

---

နှစ်	လူ့အဆင့်တန်းမှန်ကန်မှု ရရှိခဲ့သောအချိန်
၂၀၁၅	ပုံသတ်မှတ်ခြင်း
၂၀၁၆	စကားပြောအသံသိမှတ်ခြင်း
၂၀၁၈	အလိုအလျောက်ဘာသာပြန်ခြင်း (တရုတ်-အင်္ဂလိပ်)
၂၀၂၀	ပုံဖော်ပြချက်ရေးခြင်း

နောက်ဆုံးနှစ်များအတွင်း BERT နှင့် GPT-3 ကဲ့သို့သော အကြီးမားသော ဘာသာစကားမော်ဒယ်များတွင် အလွန်အောင်မြင်မှုများကို တွေ့မြင်ခဲ့ရသည်။ ၎င်းသည် အထွေထွေစာသားဒေတာများ များစွာရရှိနိုင်မှုကြောင့် ဖြစ်သည်။ ၎င်းတို့ကို အသုံးပြု၍ မော်ဒယ်များကို စာသားများ၏ ဖွဲ့စည်းပုံနှင့် အဓိပ္ပါယ်များကို ဖမ်းယူနိုင်စေရန် သင်ကြားနိုင်ပြီး၊ အထွေထွေစာသားစုစည်းမှုများတွင် ကြိုတင်သင်ကြားပြီး၊ ထိုမော်ဒယ်များကို အထူးပြုလုပ်ရန် အသုံးပြုနိုင်သည်။ ဘာသာစကားသဘာဝဆိုင်ရာလုပ်ငန်းစဉ်များ အကြောင်းကို ဒီသင်ခန်းစာတွင် နောက်ပိုင်းတွင် ပိုမိုလေ့လာမည်ဖြစ်သည်။

🚀 စိန်ခေါ်မှု

အင်တာနက်ပေါ်တွင် လေ့လာပြီး AI ကို အကျိုးရှိဆုံးအသုံးပြုနေသော နေရာကို သင်၏အမြင်အရ သတ်မှတ်ပါ။ ၎င်းသည် မြေပုံဆွဲအက်ပ်တစ်ခုတွင်ဖြစ်နိုင်သလို၊ စကားမှစာသားသို့ ပြောင်းလဲခြင်းဝန်ဆောင်မှုတစ်ခု၊ သို့မဟုတ် ဗီဒီယိုဂိမ်းတစ်ခုတွင်လည်း ဖြစ်နိုင်ပါသည်။ ၎င်းစနစ်ကို ဘယ်လိုတည်ဆောက်ခဲ့သည်ကို သုတေသနပြုပါ။

Post-lecture quiz

ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာခြင်း

AI နှင့် ML ၏ သမိုင်းကြောင်းကို ဒီသင်ခန်းစာ ကို ဖတ်ရှုခြင်းဖြင့် ပြန်လည်သုံးသပ်ပါ။ ၎င်းသင်ခန်းစာ၏ ထိပ်တွင်ရှိသော sketchnote မှ သို့မဟုတ် ဒီသင်ခန်းစာမှ အစိတ်အပိုင်းတစ်ခုကို ရွေးချယ်ပြီး၊ ၎င်း၏ တိုးတက်မှုကို သက်ရောက်စေသော ယဉ်ကျေးမှုအခြေခံအနေအထားကို နက်နက်ရှိုင်းရှိုင်း နားလည်ရန် သုတေသနပြုပါ။

အလုပ်ပေးစာ: ဂိမ်းဂျမ်

အကြောင်းကြားချက်:
ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု Co-op Translator ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေပါသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်မှုများတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါဝင်နိုင်သည်ကို သတိပြုပါ။ မူရင်းစာရွက်စာတမ်းကို ၎င်း၏ မူရင်းဘာသာစကားဖြင့် အာဏာတရားရှိသော အရင်းအမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ပရော်ဖက်ရှင်နယ် ဘာသာပြန်မှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်မှုကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအလွတ်များ သို့မဟုတ် အနားလွဲမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။