Create personal AI Agent - 2

What is Deep Learning?

Machine Learning နဲ့ ဖြေရှင်းဖို့ ခက်တဲ့ ပြဿနာတွေအတွက် Deep Learning ဆိုတာဖြစ်လာတယ်။ ဘယ်လို ခက်ခဲတဲ့ ပြဿနာတွေလဲ။ Machine Learning မှာ Features လို့ ခေါ်တဲ့ အခြေခံတွက်ချက်ရမယ့် အချက်အလက်တွေကို လူက သတ်မှတ်ပေးရတယ်။ တကယ်လို့ လူက အဲလို Feature တွေကို သတ်မှတ်ပေးလို့ မရတဲ့ အခြေအနေတွေမှာ ဘယ်လို လုပ်ကြမလဲ။ ဒါအပြင် Feature တစ်ခုအ‌ပေါ်မူတည်ပြီး နောက်ထပ် Feature တစ်ခုကို တွက်ချက်ရမှာမျိုးတွေ ဖြစ်လာရင် ပုံမှန် Machine Learning နဲ့ ဖြေရှင်းဖို့ အလွန်ခက်လာတယ် / လက်တွေ့အသုံးမချနိုင်တော့ဘူး။

ဥပမာ လူမျက်နှာသွင်ပြင်ကို ခန့်မှန်းတာ၊ ဓါတ်ပုံကိုကြည့်ပြီး ကြောင်လား/ကျားလား/ခွေးလား ခန့်မှန်းတာ၊ Video ထဲမှာ လူဘယ်နှစ်ယောက် ပါလဲ စစ်တာ၊ လူရဲ့ အသံလှိုင်းတွေကို အခြေခံပြီး စကားလုံးတွေ ပြောင်းတာ၊ ဘာသာပြန်တာ၊ ChatGPT လို လူတွေ ပြောတဲ့ စကားတွေ၊ အကြောင်းအရာတွေအပေါ်မူတည်ပြီး အဖြေတွေ ပြန်ထုတ်ပေးရတာတွေမှာ လူတွေက အခြေခံရမယ့် Feature တွေကို ပုံသေ သတ်မှတ်ပေးလို့ မရတော့ပါဘူး။ စက်က သူဟာသူ Feature တွေကို ကိုယ်တိုင် သင်ယူရတော့မယ်၊ လိုအပ်ရင် ပထမ Feature ရဲ့ ရလဒ်အပေါ် ဒုတိယ Feature ကို သတ်မှတ်တာမျိုးတွေအတွက် ပုံမှန် Machine Learning နဲ့ လက်တွေ့ကျကျ ဖြေရှင်းဖို့ အလွန်ခက်လာပါတယ်။

ဒါကြောင့် စက်က Feature ကို ကိုယ်တိုင် သင်ယူနိုင်တဲ့ အလွှာအဆင့်ဆင့် (Layers) နဲ့ တွက်ချက်စေတဲ့ နည်းလမ်းဖြစ်လာပါတယ်။ အဲလို အလွှာများများ (Layers) ပါတဲ့ သင်ယူနည်းကို Deep Learning လို့ ခေါ်လိုက်တာပါ။ Machine Learning က မျှားပစ်သမား တစ်ယောက်နဲ့ နှိုင်းယှဥ်မယ်ဆိုရင် Deep Learning က မျှားပစ်သမားတွေ အများကြီး အဖွဲ့လိုက် ဆင့်ကဲတွက်ချက်တဲ့ပုံသဏ္ဌန်ပါပဲ။

What is Neural Network?

Deep Learning မှာ အဓိကကျတဲ့ သင်္ချာတွက်ချက်တဲ့ယူနစ်လေးကို Neuron နူရွန် ဦးနှောက်ဆဲလ်လေး တစ်ခုလို့ သတ်မှတ်ပါတယ်။ အဲဒီ ဦးနှောက်ဆဲလ်လေးတွေ တစ်ခုနဲ့ တစ်ခု ချိတ်ဆက်ပြီး တွက်ချက်ရတဲ့ လုပ်ငန်းတစ်ခုကို Neural Network လို့ပြောပါတယ်။ Deep Learning ရဲ့ အရေးပါတဲ့ အခြေခံစနစ်တစ်ခုပေါ့။ Deep Learning ကို ဘာအတွက် သုံးမှာလဲ၊ ဘယ်လို ရလဒ်တွေ ထွက်စေချင်တာလဲ ဆိုတဲ့ အပေါ်မှာ Neural Network ချိတ်ဆက်မှု ပုံသဏ္ဍန်တွေလည်း ကွဲပြားသွားပါတယ်။

ဥပမာ Image တွေ Video တွေအတွက် CNN - Convolutional Neural Network၊ အချိန်နဲ့ အမျှ ဆင့်ကဲ ပြောင်းလဲနေတဲ့ Stock Market ခန့်မှန်းတာတွေ၊ ရာသီဥတု ခန့်မှန်းတာတွေ၊ Voice Recognition တွေ အတွက် RNN - Recurrent Neural Network/LSTM - Long Short-Term Memory Network တွေ သုံးပြီး အခု လူသုံးများနေတဲ့ ChatGPT AI စနစ်တွေအတွက် အဓိကကျတဲ့ LLM – Large Language Model တွေအတွက်တော့ Transformer Network ပုံစံတွေကို သုံးပါတယ်။ဒါကြောင့် Neural Network - Deep Learning အတွက် ကွန်ပျူတာ တွက်ချက်ရေး ယူနစ်တွေ အများကြီး လိုသလို Data အချက်အလက်တွေလည်း အများကြီး - အများကြီး လိုပါတယ်။

What is LLM?

Large Language Model - ပထမအဆင့် LLM ဟာ Transformer Neural Network ကိုသုံးပြီး Deep Learning နဲ့ Trained ထားတဲ့ လူသားတွေရဲ့ ဘာသာစကား၊ စကားပြောဟန်၊ ရေးပုံ သားပုံ၊ စဥ်းစားပုံတွေကို သင်ပေးထားတဲ့ Trained Model တစ်ခုလို့ သိရပါမယ်။

Trained Model ဖြစ်တာမို့ သူ့မှာ Trained တဲ့ အချက်အလက်အပေါ်မူတည်ပြီး လုပ်နိုင်စွမ်းတွေ ကွာသွားပါတယ်။ ဥပမာ အင်္ဂလိပ်စာအတွက်ပဲ Trained ထားရင် အင်္ဂလိပ်ပဲရမယ်ဆိုတဲ့ သဘောပေါ့။ တစ်ချို့ LLM တွေက အရုပ် Image တွေ Generate လုပ်တတ်ဖို့ Trained ထားတယ်။ ဥပမာ Google ရဲ့ Banana Model, တစ်ချို့က Video File တွေ လုပ်တတ်ဖို့ Trained ထားတယ်။ ပန်းချီဆွဲသင်ထားတဲ့ ကလေးရယ်၊ Video Editing သင်ထားတဲ့ ကလေးရယ် ကွာသွားသလိုပေါ့။

What is SLM?

Small Language Model - Language Model တွေကို Train တဲ့ အခါမှာ လိုအပ်တဲ့ အရာလေးအတွက်ပဲ၊ ဥပမာ ဗေဒင်ဟောတဲ့ အပိုင်းလေး၊ ဗေဒင်တောင် မဟာဘုတ်တွက်တာလေးပဲ Trained ထားတဲ့ Model လေးတွေကို SLM – Small Language Model လို့ ခေါ်ကြတယ်။ သူ့ရဲ့ အားသာချက်က LLM တွေလို အရွယ်အစားမကြီးတာကြောင့် အလွယ်တကူ Deploy လုပ်လို့ရတယ်။ ကုန်ကျစားရိတ်သက်သာတယ်။ မြန်မြန်ဆန်ဆန် အလုပ်လုပ်နိုင်မယ်။

What is Prompt?

LLM/SLM တွေကို မေးတဲ့အခါ မေးမယ့်သူရဲ့ မေးခွန်းအပေါ်မူတည်ပြီး သူ့ရဲ့ ကျွမ်းကျင်မှုကို ပြသွားတယ်။ ဥပမာ ChatGPT ကို “မင်းက ဆရာဝန်တစ်ယောက်ဖြစ်တယ်၊ အခု ငါက အသက် ၄၀ ကျော် အမျိုးသားတစ်ယောက်၊ ကျန်းကျန်းမာမာပဲ၊ ဘယ်လို Supplement အားဆေးတွေ သောက်သင့်လဲ။ ငါ့ကို အကျိုး/အပြစ်နဲ့ ပြောပြစမ်းပါ” လို့ ခိုင်းရင် သူက ဆရာဝန်တစ်ယောက်လို အကြံဉာဏ်တွေ ပေးလိမ့်မယ်။

တကယ်လို့ “မင်းက သစ်ပင်တွေ ပန်းပင်တွေ စိုက်တတ်တဲ့ ဥယျဥ်မှုး တစ်ယောက်ပေါ့။ ငါ အခု အမေရိကန်နိုင်ငံ တက္ကဆက်မှာနေတယ်။ ဒီ ဖေဖေါ်ဝါရီလမှာ ငါ စိုက်ထားတဲ့ နှင်းဆီပင်လေးတွေကို ဘယ်လို ပြုစု စောင့်ရှောက်ရမလဲ” လို့ မေးရင် သူက ကျွမ်းကျင်တဲ့ ဥယျဥ်မှုး တစ်ယောက်လို ဖြေပေးလိမ့်မယ်။

အဲလိုပဲ ငါကို စာလုံး ၁၀၀ ထက်မပိုတဲ့ အဖြေကို ပေးပါတို့၊ မဆိုင်တဲ့ အဖြေတွေ မပေးပဲ လိုတိုရှင်း ဖြေပါတို့ ဘာတို့ ကန့်သတ်ပေးလို့လည်း ရတယ်။ အဲလိုမျိုး LLM ကို ကန့်သတ် သတ်မှတ်ပေးလိုက်တာကို Prompt လို့ ခေါ်တယ်။ Prompt မှာ AI Engineer တွေ System တည်ဆောက်ချိန်ကတည်းက သတ်မှတ်ပေးလိုက်တာတွေကို System Prompt လိုခေါ်ပြီး၊ သုံးစွဲသူ User တွေက မေးခွန်းထဲမှာ သတ်မှတ်ပေးတာတွေကို User Prompt လို့ ခေါ်တယ်။ နောက်ပိုင်း Personal AI Agent လက်တွေ့ သင်္ခန်းစာတွေမှာ ပိုပြီး တွေ့ရမယ်။

LLM တွေကို ဘယ်သူတွေ လုပ်နေလဲ။

အိုင်တီလောကရဲ ဆရာကြီးတွေရော ဆရာလေးတွေရော AI ကို အပြိုင်အဆိုင် ရင်းနှီးမြှုတ်နှံနေပြီး LLM/SLM တွေကို လုပ်နေကြတယ်။ Microsoft က Phi ဆိုပြီး SLM ကို Open Source လုပ်ပေးထားတယ်။ အခု Version-4 ရောက်နေပြီ။ Data အချက်အလက် 14 ဘီလျံလောက်နဲ့ Train ထားတယ်၊ ဘာသာစကား ၄၅ မျိုးနဲ့ သုံးလို့ ရမယ်။ အီလွန်မတ်ခ်ရဲ့ xAI က Grok ဆိုပြီး ထုတ်ထားတယ်၊ Data အချက်အလက် 1.7 ထျီလျံလောက်နဲ့ Train ထားတဲ့ LLM တစ်ခုဖြစ်ပါတယ်။ Amazon ကလည်း Titan တို့ Nova တို့ကို Train ထားတယ်။ Opensource မပေးသလို တခြား Platform တွေမှာလည်း သုံးခွင့်မပေးထားဘူး။ AWS ရဲ့ Bedrock မှာပဲ သုံးခွင့်ပြုတယ်။ Facebook ရဲ့ Meta က Llama ဆိုပြီး Open-Weight Model လုပ်ထားတယ်။ ဒီနေရာမှာ Open-Weight နဲ့ Open-Source မတူဘူး။ Open-Weight က သူ့ရဲ့ Model ကို ဘယ်လို Data တွေနဲ့ Train ထားတယ်ဆိုတာ ထုတ်မပေးထားဘူး။ Personal Use နဲ့ ကုမ္ပဏီ ခပ်သေးသေးတွေကိုတော့ အခမဲ့ သုံးခွင့်ပြုထားတယ်။Google ကလည်း Gemini Model ဆိုပြီး လုပ်ထားတာ အားလုံး အသိပေါ့။ OpenAI ကတော့ AI လောကရဲ့ ဦးဆောင်သူနေရာမှာ ရှိနေပြီး ChatGPT ဆိုတာ လူတိုင်းသိနေတဲ့ Product တစ်ခုဖြစ်ပါတယ်။

End User တွေထက် Developer တွေ ကြားမှာ ရေပန်းစား လူကြိုက်များတာကတော့ Anthropic ရဲ့ Claude model ပါ။ ကုမ္ပဏီ တည်ထောင်သူက OpenAI ရဲ့ သုတေသနဌာန ဒုတိယဥက္ကဌ လုပ်ခဲ့ဖူးသူပါ။

LLM Model တွေအကြောင်းပြောရင် တစ်ကမ္ဘာလုံးကို တုန်လှုပ်သွားစေတဲ့ တရုတ် ကုမ္ပဏီ တစ်ခုက လုပ်တဲ့ DeepSeek ကိုလည်း ချန်ထားလို့ မရပါဘူး။ သူလည်း Open-Weight ပါ။ ချရေးရင်တော့ အများကြီးပါပဲ။

ဒီနေရာမှာ AI Agent ရေးမယ့် Developer တွေ သိထားရမှာက ဘယ်လို Model က ကိုယ့်ရဲ့ လိုအပ်ချက်နဲ့ ကိုက်ညီမလဲဆိုတာကို စဥ်းစားနိုင်ဖို့ပါ။ ဘာအတွက်သုံးမှာလဲ၊ ဘယ်မှာ Deploy လုပ်မှာလဲ၊ ကုန်ကျစားရိတ် ဘယ်လောက်မှန်းထားလဲ ဆိုတဲ့ အပေါ်မူတည်ပြီး LLM တွေရဲ့ Benchmark တွေကို နှိုင်းယှဥ်ပြီး ရွေးခြယ်ရမှာပါ။ AI Agent Developer တွေအနေနဲ့ အခြေခံရမယ့် LLM ကို ရွေးပြီးရင် LLM မသိသေးတဲ့ LLM ထဲမှာ မပါတဲ့ အချက်အလက်တွေကို ဘယ်လိုမျိုး နည်းပညာတွေ သုံးပြီး Inject လုပ်မယ်၊

လိုအပ်ရင် LLM တွေကို ဘယ်လို Fine Tune လုပ်လို့ရတယ် ဆိုတာတွေ၊ Model တွေကို Azure Cloud တို့ Hugging Face တို့ Ollama တို့ GitHub တို့မှာ ဘယ်လို Deploy လုပ်လို့ရတယ်၊ ကိုယ့် Local မှာလည်း ဘယ်လို Setup လုပ်လို့ ရတယ် ဆိုတာတွေကိုတော့ နောက် သင်္ခန်းစာတွေမှာ အကျယ်တဝင့် ဆွေးနွေးကြတာပေါ့။

လေးစားစွာဖြင့်
ဇင်မင်း