Create personal AI Agent - 1

အားလုံး သိကြတဲ့အတိုင်း ဘာသာပြန်ဆရာတွေ၊ သတင်းဌာနတွေက Artificial Intelligence (AI) ကို “ဉာဏ်ရည်တု” လို့ ဘာသာပြန်ကြပါတယ်။

Intelligent ဆိုတာက အသိဉာဏ်ရှိခြင်း၊ စဉ်းစားနိုင်ခြင်း ကို ပြောတာပါ။ ဥပမာ Intelligent Person ဆိုရင် ဉာဏ်ကောင်းတဲ့သူပေါ့။ အခြေအနေအမျိုးမျိုးမှာ အခက်အခဲတွေ၊ ပြဿနာတွေကို ဘယ်လို စဉ်းစားဖြေရှင်းရမလဲ ဆိုတာကို နားလည်သဘောပေါက်နေတဲ့ လူကို ပြောတာ‌ပေါ့။

Artificial ဆိုတာကတော့ ရှင်းပါတယ်။ အစစ်မဟုတ်တာ၊ အစစ်ကို တုပထားတာ၊ အစစ်လို ဖြစ်အောင် လုပ်ထားတာဆိုတဲ့ အဓိပ္ပါယ်ပါ။ ဒါကြောင့် AI ဆိုတာ Artificial + Intelligence ဉာဏ်ရည်တု၊ လူသားရဲ့ ဉာဏ်ရည်ကိုတုပအောင် လုပ်ထားတဲ့ စနစ်ပဲ ဖြစ်ပါတယ်။

AI Engineer / Software Engineer တစ်ယောက်အနေနဲ့တော့ AI ဆိုတာ လူသားတစ်ယောက်လို အချက်အလက်တွေကို ရယူပြီး စဉ်းစားဆုံးဖြတ်ကာ အဖြေထုတ်ပေးနိုင်တဲ့ “စနစ်” တစ်ခုလို့ ပြောချင်ပါတယ်။ ဘာကြောင့် “စနစ်” လို့ ပြောရတာလဲဆိုတော့ အစိတ်အပိုင်းတစ်ခုတည်းနဲ့ မပြီးလို့ပါ။ အစိတ်အပိုင်းတွေ ပေါင်းစပ်ထားတဲ့ စနစ် ဖြစ်လို့ပါ။ ဥပမာ AI ကို လူသားတစ်ယောက် အလုပ်လုပ်ပုံနဲ့ နှိုင်းယှဉ်ကြည့်ရအောင် - လူတစ်ယောက်ကို မေးခွန်းတစ်ခု မေးလိုက်ရင် နားနဲ့ နားထောင်ရတယ်၊ ဒါမှမဟုတ် မျက်လုံးနဲ့ မြင်ရတယ် / ဖတ်ရတယ်။ အဲဒီ အချက်အလက်တွေကို ဦးနှောက်ဆီ ပို့ရတယ်၊ ဦးနှောက်ထဲမှာတော့ — မိမိ သင်ထား၊ လေ့လာထား၊ သိထားတဲ့ အချက်အလက်တွေကို စဉ်းစားတွေးခေါ်နိုင်တဲ့ ဉာဏ်ရည်ကို သုံးပြီး အဖြေကို ထုတ်ပါတယ်။ အဖြေရရင်တော့ လက်တို့ ပါးစပ်တို့ စတဲ့ ခန္တာကိုယ် အစိတ်အပိုင်းတွေကို ညွှန်ကြားပြီး မေးခွန်းမေးတဲ့သူကို တုန့်ပြန်ပါတယ်။ ဒီနေရာမှာ အရေးကြီးတာက၊ သိထားတဲ့ အချက်အလက် မရှိရင် အဖြေမှန် မထွက်နိုင်ဘူး၊ အချက်အလက် ရှိပေမယ့် စဉ်းစားနိုင်စွမ်း နည်းရင် အဖြေကောင်းမရနိုင်ဘူး၊ ဦးနှောက်တစ်ခုထဲနဲ့ မလုံလောက်ဘူး အာရုံခံ အစိတ်အပိုင်းတွေကို ထိန်းချုပ်နိုင်ရမယ်၊ ဒါကြောင့် AI ကို စနစ် (System) လို့ ပြောတာပါ။ AI Engineer ဆိုတာ အဲလို အလုပ်လုပ်နိုင်တဲ့ စနစ်တစ်ခုကိုတည်ဆောက်တဲ့သူ ဖြစ်ပါတယ်။

What is Machine Learning?

AI ကို စနစ်လို့ ပြောရတာက၊ သူ့အထဲမှာ ပါတဲ့ ဦးနှောက်ကို Machine Learning Model လို့ ပြောချင်လို့ပါ။ Machine Learning က AI မဟုတ်ပါဘူး၊ AI စနစ်ထဲက အရေးပါတဲ့ အစိတ်အပိုင်းတစ်ခုပဲ။

Machine Learning ကို ဘာသာပြန်ရင် ကွန်ပျူတာကို “သင်ယူအောင် လုပ်ပေးခြင်း” ပဲ ဖြစ်ပါတယ်။ ဒါဆိုရင်ဘယ်လို သင်ယူအောင် လုပ်ပေးတာလဲ။ အကြမ်းဖျဉ်း ပြောရရင် သင်္ချာနည်းလမ်းတွေကို အသုံးပြုပြီး အကြိမ်ကြိမ် တွက် → စစ် → ပြင် လုပ်ရင်းနဲ့ သင်ယူအောင် လုပ်ပေးတာပါ။

ဥပမာ ၁, ၃, ၅, ၇, ....... ဆိုတဲ့ သင်္ချာကိန်းစဥ်တန်းကို ကြည့်ရအောင်။ ဒီ ကိန်းစဥ်တန်းမှာ ၇ ပြီးရင် ဘာလာမလဲလို့ မေးရင် တော်တော်များများက ၉ လို့ ဖြေနိုင်ကြပါတယ်။ ဘာကြောင့်လဲဆိုတော့ ကိန်းတစ်ခုချင်းစီကို ၂ နဲ့ ဆင့်ကဲပေါင်းလာတယ် ဆိုတာ ၃ တန်း ကလေးအဆင့်တောင် စဥ်းစားနိုင်နေပြီမို့ပါ။

ဒါပေမယ့် ပထမကိန်းက ၁၊ ဒုတိယကိန်းက ၃၊ တတိယကိန်းက ၅ ၊ စတုတ္ထကိန်းက ၇ ဆိုရင် အကြိမ် ၁၀၀၀ မြောက်က ဘာကိန်းဖြစ်မလဲဆိုရင်တော့ နည်းနည်း စဉ်းစားရတော့မယ်။ သင်္ချာပုံသေနည်းတွေ မသင်ဘူးဖူးဆိုရင်တော့၄ ခုမြောက်က ၇၊ ၅ ခုမြောက်က ၉၊ ၆ ခုမြောက်က ၁၁ဆိုပြီး ၁၀၀၀ ခုမြောက်ထိ ချရေးသွားရမှာပဲ။

ပုံသေနည်း သိတဲ့သူ၊ သင်္ချာ ပုံသေနည်းတွေ ထုတ်တတ်တဲ့သူကတော့ Y = 2X − 1 ဆိုတဲ့ ပုံသေနည်းကို ရှာထုတ်နိုင်ပါတယ်။ X က ကိန်းစဥ်တန်းရဲ့ အကြိမ်အရေအတွက်၊ Y က အဲဒီ X အကြိမ်အရေအတွက်မှာ ရှိနေမယ့် ကိန်းစဥ်တန်းရဲ့ တန်ဘိုးပေါ့။ ဒါကြောင့် X = 1000 ဆိုရင် Y = 1999 ဆိုပြီး ချက်ချင်း အဖြေထုတ်ပေးနိုင်ပါတယ်။ ပုံသေနည်း ရှိပြီးသားဆိုတော့ အကြိမ် ၁၀၀၀ မက အကြိမ် ၁ သိန်း၊ ၁ သန်း ဆိုရင်တောင် အဖြေကို ချက်ချင်း ထုတ်နိုင်ပါတယ်။ အဲလို အဖြေထုတ်ပေးနိုင်တဲ့ ပုံသေနည်းကို Machine Learning Model လို့ ခေါ်ပါတယ်။

အဲဒီ သင်္ချာပုံသေနည်းကို လူရဲ့ ဦးနှောက်က ဘယ်လို စဥ်းစားသလဲ။ ခန့်မှန်းတွက်ချက်ခြင်းနဲ့ စဥ်းစားပါတယ်။ Guess and Check ပေါ့။ Machine (ကွန်ပျူတာ) ကိုရော ဘယ်လိုပုံစံနဲ့ ပုံသေနည်း ရအောင်တွက်လဲဆိုတော့ သူလည်း Guess and Check ပဲပေါ့။ သူအလုပ်လုပ်ပုံကို အကြမ်းဖျဥ်း ပြောရရင် တွက် → စစ် → ပြင် ပေါ့။သူ့ကို ပထမအဆင့် အချက်အလက် Data တွေပေးရတယ်။

ပထမအဆင့်မှာ Machine က ပုံသေနည်း တစ်ခုကို မှန်းထုတ်ပါတယ်။ Y = 5X + 10 ဆိုကြပါစို့။ ပြီးရင် အဲဒီပုံသေနည်းနဲ့ စစ်ကြည့်တယ်၊ အဖြေမှားနေရင် နောက်ပုံသေနည်း တစ်ခု ထပ်စမ်းတယ်၊ အဖြေတွက်တယ်၊ စစ်ကြည့်တယ်၊ မှားနေရင် ဘယ်လောက်မှားနေသလဲကြည့်ပြီး ပြန်ပြင်တယ်ပေါ့။ အဲလို တွက် → စစ် → ပြင် ဆိုတဲ့ အလုပ်ကို အကြိမ်ကြိမ် လုပ်ပါတယ်။

ပုံသေနည်းထုတ်လိုက်၊ တွက်လိုက်၊ အဖြေစစ်လိုက်၊ အမှားပြင်လိုက်ပေါ့။

အမှားအနည်းဆုံးမှာ Machine က သင်ယူတာကို ရပ်လိုက်ပါတယ်။ အဲဒီ ပုံသေနည်းကို Machine Learning Model, လေ့ကျင့်ပြီးသားမို့လည်း Trained Model လို့ ခေါ်ကြတယ်။

Machine Learn လုပ်ပုံက ဘာနဲ့တူလဲဆိုတော့ မျက်နှာကို အဝတ်စီးပြီး မျှားပစ်တမ်းကစားတဲ့ သူတွေလိုပေါ့။ ပစ်မှတ်ကို မှန်းပြီးပစ်လိုက်တယ်။ ဘယ်လောက်ထိ လွဲသွားလဲ၊ ဘယ်ဘက်ကို လွဲတာလား၊ ညာဘက်လား။ အမှားကို ပြင်ပြီး ပြန်ပစ်တယ်။ လွဲသေးလား၊ အပေါ်ရောက်သွားလား၊ အောက်ရောက်သွားလား။ တစ်ခါ ထပ်ပြန်ပစ်တယ်။ အဲလိုနဲ့ ပစ်မှတ်နဲ့ ခပ်နီးနီးကို ပစ်နိုင်သွားတဲ့ သဘောပေါ့။

ဒီနေရာမှာ သတိထားဖို့ ပြောချင်တာက Machine Learning Model တွေက အဖြေကို ၁၀၀% မှန်ချင်မှ မှန်မှာပါ။ လူတွေလိုပဲ အတွေ့အကြုံများလာလေလေ ပိုပြီးကောင်းလာလေလေပါပဲ။ ဒီ သင်္ချာ ကိန်စဥ်တန်းနဲ့ ပုံသေနည်းက Machine Learning ကို မြင်သာအောင် ရှင်းပြတာဖြစ်ပေမယ့် တကယ့် လက်တွေမှာတော့ Machine Learning က ရှုပ်ထွေးတဲ့ Data History အချက်အလက်တွေနဲ့ မေးခွန်းတွေကို ဖြေရှင်းခိုင်းတာပါ။

ဥပမာ အိမ်ခြံမြေစျေးက ရှေ့နှစ်ကို တက်မလား၊ ဘယ်လောက်ထိတက်နိုင်မလဲတို့၊ အီးမေးလ်တွေထဲမှာ ဘယ်အီးမေးလ်တွေက အနှောက်အယှက်ပေးမယ့်၊ ဒုက္ခပေးမယ့် အီးမေးလ်တွေလဲတို့၊ ဒီမှာ ဒီမြို့လေးက လူတွေရဲ့ အချက်အလက်တွေ ဘယ်လို အရွယ်တွေက ဘယ်လို အစားအစာတွေကို ကြိုက်ကြသလဲတို့။

Machine Learning Model မှာ အကြမ်းအားဖြင့် Prediction အဖြေခန့်မှန်းခြင်းနဲ့ Classification အုပ်စုခွဲခြားသတ်မှတ်ခြင်းဆိုပြီး ၂ ခုရှိတယ်။ သူ့ ကို အချက်အလက်တွေ ပေးတဲ့ အချိန်မှာ Feature လို့ခေါ်တဲ့ အခြေခံရမယ့် အချက်တွေကို ထည့်ပေးရတယ်။ ဥပမာ အိမ်ခြံမြေစျေးကို ခန့်မှန်းဖို့ လိုအပ်တဲ့ အချက်အလက်တွေဖြစ်တဲ့

• ငွေတန်ဘိုး ကျဆင်းနှုန်း
• ရွှေစျေးအပြောင်းအလဲ
• စီးပွားရေးတိုးတက်မှုနှုန်း
• အစိုးရရဲ့ အိမ်ရာဖေါ်ဆောင်မှုအစီအစဥ်
• လူဦးရေတိုးပွားလာမှု
• ရွေ့ပြောင်းအခြေချနေထိုင်မှုနှုန်း
• လူတစ်ဦးခြင်းစီရဲ့ အိမ်ဝယ်နိုင်မှု အသက်အရွယ်

စတဲ့ အချက်အလက်တွေကို များများထည့်ပေးနိုင်လေ၊ ခန့်မှန်းတဲ့ စျေးက အမှန်နဲ့ နီးစပ်လေလေပေါ့။ Machine Learning မှာ အဲလို အခြေခံအချက်အလက်ဖြစ် သတ်မှတ်ရတာတွေကို Features လို့ ခေါ်ပြီး ခန့်မှန်းတွက်ချက်ပြီး ထုတ်ပေးစေချင်တာကို Label လို့ ပြောတယ်။ သိထားရမှာက Computer သမားတွေပြောလေ့ရှိတဲ့ စကားဖြစ်တဲ့ Garbage in garbage out - အချက်အလက် မမှန်တာ၊ မပြည်စုံတာ၊ မလုံလောက်တာ စတဲ့ အမှိုက်တွေ ပေးပြီး Machine ကို Learn လုပ်ခိုင်းရင်တော့ သူဆီကလည်း တန်ဘိုးရှိတဲ့ ခန့်မှန်း စျေးထွက်မလာနိုင်ပဲ အမှိုက်တွေပဲ ထွက်လာမယ် ဆိုတဲ့ သဘောပေါ့။

နောက်တစ်ပုဒ်မှာ Deep Learning နဲ့ LLM - Large Language Models တွေအကြောင်း ပြောကြတာပေါ့။

လေးစားစွာဖြင့်
ဇင်မင်း