ဒီနေ့ခေတ်မှာ နည်းပညာတွေက အရမ်းတိုးတက်လာပြီး ဖြစ်ပါတယ်။ အထူးသဖြင့် AI (Artificial Intelligence) ဆိုတာ နေရာတိုင်းမှာ တွေ့ရပါတယ်။ ဖုန်းထဲက စကားပြောတာကို နားထောင်ပြီး စာသားပြောင်းပေးတာ၊ ဓာတ်ပုံထဲက လူတွေကို ခွဲခြားပေးတာ၊ ဒါမှမဟုတ် စျေးဝယ်တဲ့အခါ ဘာကြိုက်လဲဆိုတာ ခန့်မှန်းပေးတာတွေ ဒါတွေအကုန်လုံးက AI ရဲ့ အစွမ်းတွေပါပဲ။
Machine Learning (ML) နဲ့ Deep Learning (DL) နှစ်ခုလုံးဟာ Artificial Intelligence ရဲ့ အစိတ်အပိုင်းတွေဖြစ်ပြီး အောက်ပါအတိုင်း ကွာခြားပါတယ်။
What is Machine Learning?
Machine Learning ဆိုတာ Computer ကို သင်ပေးတာလို့ မြင်လို့ ရပါတယ်။ ဥပမာ – ကလေး တစ်ယောက်ကို စာသင်သလိုပဲ၊ Computer ကို Data တွေ (အချက်အလက်တွေ) ပြပြီး “ဒီဟာက ဒီလိုဖြစ်တယ်” လို့ သင်ပေးတာပါ။ ဒါပေမယ့် လူတွေလို စဉ်းစားတာမဟုတ်ဘဲ သူ့ကို ဒေတာထဲက ပုံစံတွေ (patterns) ကို ရှာခိုင်းပြီး အဲဒါကို သုံးပြီး ခန့်မှန်းတာမျိုးပါ။
ဘယ်လို အလုပ်လုပ်လဲ?
ဥပမာ – အိမ်တစ်လုံးရဲ့ ဈေးနှုန်းကို ခန့်မှန်းချင်တယ်ဆိုပါစို့။ အိမ်ရဲ့ အရွယ်အစား၊ တည်နေရာ၊ အိပ်ခန်းအရေအတွက် စတဲ့ အချက်တွေ (features) ကို ပေးတယ်။ ပြီးတော့ အရင်က ရောင်းပြီးသား အိမ်တွေရဲ့ ဈေးနှုန်း (labels) တွေကို ပြပြီး သင်ပေးတယ်။ ဒီလို သင်ပြီးရင် အသစ်တစ်လုံးရဲ့ ဈေးကို ခန့်မှန်းခိုင်းလို့ရတယ်။ ဒီလိုမျိုးကို Random Forest လို့ခေါ်တဲ့ နည်းနဲ့ လုပ်လို့ရ ပါတယ်။
နောက်ဥပမာ – အီးမေးလ်တစ်စောင်က Spam လား No Spam လားဆိုတာကို ခွဲခြားဖို့၊ အရင်က Spam Mail တွေ၊ No Spam Mail တွေကို ပြပြီး သင်ပေးတယ်။ ဒါကို Logistic Regression Algorithm ကို အသုံးပြုပြီး လုပ်လို့ ရပါတယ်။
အားသာချက်
Machine Learning က ရိုးရှင်းတယ်။ ဒေတာနည်းနည်းပဲ ရှိရင်တောင် အလုပ်လုပ်တယ်။ ဥပမာ – ဆိုင်တစ်ဆိုင်က ဘယ်ပစ္စည်းက ဘယ်လောက်ရောင်းရလဲဆိုတာ ခန့်မှန်းဖို့ ဒေတာအနည်းငယ်နဲ့တင် လုပ်လို့ရတယ်။ ရလဒ်ကိုလည်း နားလည်ရလွယ်တယ်။ ဘယ်အချက်က ဘယ်လို သက်ရောက်တယ်ဆိုတာ သိနိုင်တယ်။
အားနည်းချက်
ဒါပေမယ့် ML က ဓာတ်ပုံ၊ ဗီဒီယို၊ အသံလို ရှုပ်ထွေးတဲ့ ဒေတာတွေကို ကိုင်တွယ်ဖို့ သိပ်မကောင်းဘူး။ ဒီလို ဒေတာတွေကို သုံးမယ်ဆိုရင် အရင်ဆုံး လူကိုယ်တိုင် ပြင်ဆင်ပြီး အသုံးပြုလို့ရအောင် ပြောင်းပေးရတယ် (feature engineering လို့ခေါ်တယ်)။ ဒါက အချိန်ကုန်စေပါတယ်။
What is Deep Learning?
Deep Learning ကတော့ Machine Learning ထဲက ပိုအဆင့်မြင့်တဲ့ နည်းလမ်းတစ်ခုပါ။ ဒါက လူ့ဦးနှောက်ထဲက အာရုံကြောတွေ (neurons) လို အလုပ်လုပ်တဲ့ Neural Networks ကို သုံးတာပါ။ Neural Networks ထဲမှာ အလွှာတွေ (layers) အများကြီး ပါတာမလို့ “Deep” လို့ ခေါ်တာပါ။
ဘယ်လို အလုပ်လုပ်လဲ?
ဥပမာ – ဓာတ်ပုံတစ်ပုံထဲက “ကြောင်” လား “ခွေး” လားဆိုတာကို ခွဲခြားချင်တယ်ဆိုပါစို့။ ML ဆိုရင် အရင်ဆုံး ဓာတ်ပုံကို လူကိုယ်တိုင် ခွဲခြမ်းပြီး အစွန်းတွေ၊ အရောင်တွေ၊ ပုံသဏ္ဍာန်တွေကို ထုတ်ပေးရတယ်။ ဒါပေမယ့် Deep Learning ကတော့ အဲလို မလုပ်ဘူး။ ဓာတ်ပုံတစ်ခုလုံးကို ပေးလိုက်ရုံနဲ့ သူကိုယ်တိုင် တစ်ဆင့်ချင်း သင်ယူပြီး ဘာလဲဆိုတာ ခွဲခြားပေးတယ်။ ပထမအလွှာမှာ အစွန်းတွေကို ရှာတယ်၊ ဒုတိယအလွှာမှာ ပုံသဏ္ဍာန်တွေကို ရှာတယ်၊ နောက်ဆုံးမှာ “ကြောင်” လား “ခွေး” လားဆိုတာ ဆုံးဖြတ်ပေးတယ်။
နောက်ဥပမာ – ဖုန်းထဲမှာ စကားပြောလိုက်ရင် စာသားပြောင်းပေးတာ (Siri လိုမျိုး) ဒါလည်း Deep Learning ရဲ့ အစွမ်း တွေပါ။
အားသာချက်
Deep Learning က ဓာတ်ပုံ၊ အသံ၊ စာသားလို ရှုပ်ထွေးတဲ့ ဒေတာတွေမှာ အရမ်း ကောင်းတယ်။ လူကိုယ်တိုင် ဒေတာကို ပြင်ဆင် ပေးစရာ မလိုဘူး။ ဒေတာများလေ၊ သူ့ရဲ့ စွမ်းရည် ပိုကောင်းလေပါ။ ဥပမာ – ဆေးရုံမှာ X-ray ဓာတ်ပုံ တွေကို ကြည့်ပြီး ရောဂါရှိ မရှိ ဆုံးဖြတ်တာမျိုးမှာ Deep Learning က အသုံးဝင်တယ်။
အားနည်းချက်
ဒါပေမယ့် Deep Learning က ဒေတာအများကြီး လိုတယ်။ ဒေတာနည်းရင် အလုပ်မလုပ်ဘူး။ ပြီးတော့ ကွန်ပျူတာ စွမ်းအားမြင့်တဲ့ GPU လိုတယ်။ ဒါက ဈေးကြီးတယ်၊ အချိန်လည်း ပိုကုန်တယ်။ နောက်တစ်ခု – Deep Learning က “ဘာလို့ ဒီလိုဖြစ်တာလဲ” ဆိုတာကို ရှင်းပြဖို့ ခက်တယ်။ Machine Learning လို ဘယ်အချက်က ဘယ်လို သက်ရောက်တယ်ဆိုတာ သိဖို့ မလွယ်ဘူး။
