Artificial Intelligence, Machine Learning နဲ့ Deep Learning တို့၏ မတူညီသော သဘောတရားနှင့် အဓိပ္ပာယ်ဖွင့်ဆိုချက်များ

ယနေ့ခေတ် သတင်းတွေ၊ နည်းပညာဆောင်းပါးတွေနဲ့ လူမှုကွန်ရက်တွေမှာ AI ဆိုတဲ့ စကားလုံးကို နေရာတကာ မြင်တွေ့နေရပါတယ်။ ဒါပေမယ့် AI အကြောင်း ပြောကြတဲ့အခါ Machine Learning နဲ့ Deep Learning ဆိုတဲ့ အသုံးအနှုန်းတွေကိုလည်း ရောထွေးပြီး တစ်ခုတည်းလိုလို သုံးစွဲနေကြတာ တွေ့ရတတ်ပါတယ်။

တကယ်တော့ ဒီအသုံးအနှုန်း ၃ ခုဟာ တစ်ခုနဲ့တစ်ခု ဆက်စပ်နေပေမဲ့ သဘောတရားအရရော၊ နည်းပညာ အတိုင်းအတာအရပါ ကွဲပြားမှုတွေ ရှိပါတယ်။ အလွယ်ကူဆုံး မြင်သာအောင် ပြောရရင် သူတို့ ၃ ခုဟာ အရွယ်အစား မတူတဲ့ စက်ဝိုင်း ၃ ခုကို တစ်ခုထဲ တစ်ခု ထပ်ထားသလိုမျိုး ဖြစ်ပါတယ်။

• ဉာဏ်ရည်တုနည်းပညာ (AI) က အကြီးဆုံး အပြင်ဘက် စက်ဝိုင်း ဖြစ်ပါတယ်။
• ဒေတာအခြေပြုသင်ယူမှုစနစ် (ML) က AI စက်ဝိုင်းထဲက အပိုင်းခွဲ စက်ဝိုင်းတစ်ခု ဖြစ်ပါတယ်။
• အလွှာစုံသင်ယူမှုစနစ် (DL) ကတော့ ML စက်ဝိုင်းထဲမှာမှ ထပ်မံခွဲထွက်လာတဲ့ အသေးစိတ် စက်ဝိုင်းငယ်တစ်ခု ဖြစ်ပါတယ်။

ဒီစနစ် ၃ ခုရဲ့ မတူညီတဲ့ အဓိပ္ပာယ်ဖွင့်ဆိုချက်တွေနဲ့ အလုပ်လုပ်ပုံတွေကို အောက်မှာ ရိုးရှင်းစွာ လေ့လာကြည့်ကြပါမယ်။

---

၁။ ဉာဏ်ရည်တုနည်းပညာ (Artificial Intelligence - AI)

အဓိပ္ပာယ်ဖွင့်ဆိုချက် —

ဉာဏ်ရည်တု (AI) ဆိုတာ လူသားတွေရဲ့ စဉ်းစားတွေးခေါ်မှု၊ ဆင်ခြင်တုံတရားနဲ့ ပြဿနာဖြေရှင်းနိုင်စွမ်းတွေကို ကွန်ပျူတာ သို့မဟုတ် စက်ပစ္စည်းတွေက အလားတူ လိုက်လံတုပ လုပ်ဆောင်နိုင်အောင် ဖန်တီးထားတဲ့ ကျယ်ပြန့်တဲ့ နည်းပညာနယ်ပယ်တစ်ခုလုံးကို ခြုံငုံခေါ်ဆိုတာ ဖြစ်ပါတယ်။

အလုပ်လုပ်ပုံနှင့် သဘောတရား —

AI ဟာ အကျယ်ပြန့်ဆုံး သဘောတရားဖြစ်ပြီး သူ့အောက်မှာ နည်းလမ်းအမျိုးမျိုး ပါဝင်ပါတယ်။ စက်တစ်လုံးက လူသားတွေလို ဆုံးဖြတ်ချက်ချနိုင်ရင်၊ အခြေအနေတစ်ခုကို ခွဲခြမ်းစိတ်ဖြာနိုင်ရင် အဲဒါကို AI လို့ သတ်မှတ်နိုင်ပါတယ်။

ဥပမာအားဖြင့် ရှေးယခင်က သုံးခဲ့တဲ့ “စည်းမျဉ်းအခြေခံ စနစ်များ (Rule-based Systems)” မှာဆိုရင် လူသားပရိုဂရမ်မာက “အကယ်၍ A ဖြစ်ရင် B ကိုလုပ်ပါ” (If-Else Rules) ဆိုပြီး စည်းကမ်းချက် ထောင်ပေါင်းများစွာ ကြိုတင်ရေးသားပေးထားပါတယ်။ ကွန်ပျူတာက အဲဒီ စည်းကမ်းအတိုင်း လိုက်နာပြီး စစ်တုရင် ကစားတာမျိုးဟာလည်း AI ရဲ့ အစိတ်အပိုင်းတစ်ခု ဖြစ်ခဲ့ပါတယ်။ ဒါပေမယ့် ဒီလို AI မျိုးဟာ ကိုယ်တိုင် သင်ယူနိုင်စွမ်း မရှိဘဲ ကြိုတင်သတ်မှတ်ထားတဲ့ စည်းမျဉ်းဘောင်ထဲကနေသာ အလုပ်လုပ်နိုင်ပါတယ်။

---

၂။ ဒေတာအခြေပြုသင်ယူမှုစနစ် (Machine Learning - ML)

အဓိပ္ပာယ်ဖွင့်ဆိုချက် —

Machine Learning (ဒေတာအခြေပြုသင်ယူမှုစနစ်) ဆိုတာ ကွန်ပျူတာကို စည်းမျဉ်းတစ်ခုချင်းစီ ကြိုတင် ရေးသားညွှန်ကြားစရာမလိုဘဲ အချက်အလက် (Data) တွေကို လေ့လာခိုင်းပြီး အဲဒီဒေတာတွေထဲကနေ ပုံစံတူများ (Patterns) ကို ကိုယ်တိုင် ရှာဖွေသင်ယူစေတဲ့ AI ၏ နည်းပညာခွဲတစ်ခု ဖြစ်ပါတယ်။

အလုပ်လုပ်ပုံနှင့် သဘောတရား —

ML မှာ ပရိုဂရမ်မာက အဖြေကို တိုက်ရိုက် ရေးမပေးတော့ပါဘူး။ ဥပမာ - အီးမေးလ်တစ်ခုဟာ အမှိုက်စာ (Spam) ဟုတ်၊ မဟုတ် ခွဲခြားချင်တဲ့အခါ အရင်ခေတ် AI လို စကားလုံးတစ်ခုချင်းစီကို လိုက်သတ်မှတ်မပေးတော့ဘဲ Spam အီးမေးလ် ထောင်ပေါင်းများစွာနဲ့ သာမန် အီးမေးလ် ထောင်ပေါင်းများစွာကို ကွန်ပျူတာထဲ ထည့်ပေးလိုက်ပါတယ်။

ML အယ်လ်ဂိုရီသမ်က အဲဒီ ဒေတာတွေကို သင်္ချာနည်းအရ လေ့လာပြီး ဘယ်လို စကားလုံးတွေပါရင် Spam ဖြစ်နိုင်ခြေ များသလဲဆိုတာကို သူ့အလိုလို နားလည်သွားပါတယ်။ နောက်ထပ် အီးမေးလ်အသစ်တစ်ခု ရောက်လာတဲ့အခါ အရင်က လေ့လာထားတဲ့ အတွေ့အကြုံအရ ဒါဟာ Spam ဖြစ်တယ်၊ မဖြစ်ဘူးဆိုတာကို တိကျစွာ ခန့်မှန်းပေးနိုင်လာပါတယ်။

သို့သော်လည်း ရိုးရိုး Machine Learning မှာ အားနည်းချက်တစ်ခု ရှိပါတယ်။ အဲဒါကတော့ ကွန်ပျူတာကို ဒေတာမပေးခင်မှာ လူသားတွေက ဘယ်အချက်တွေကို အဓိက ကြည့်ရမယ်ဆိုတာ (Feature Extraction) ကို လက်နဲ့ ကြိုတင် ရွေးချယ်ပြင်ဆင်ပေးဖို့ လိုအပ်နေသေးတဲ့ အချက်ပါပဲ။

---

၃။ အလွှာစုံသင်ယူမှုစနစ် (Deep Learning - DL)

အဓိပ္ပာယ်ဖွင့်ဆိုချက် —

Deep Learning (အလွှာစုံသင်ယူမှုစနစ်) ဆိုတာ လူ့ဦးနှောက်ရဲ့ အာရုံကြောဆဲလ် (Neuron) ကွန်ရက်တွေ အလုပ်လုပ်ပုံကို အခြေခံ တုပထားတဲ့ “အတုပြု အာရုံကြောကွန်ရက်များ (Artificial Neural Networks)” ကို အလွှာပေါင်းများစွာ (Multiple Layers) ထပ်ပြီး ဖွဲ့စည်းလေ့ကျင့်ထားတဲ့ Machine Learning ရဲ့ အဆင့်မြင့် နည်းပညာခွဲတစ်ခု ဖြစ်ပါတယ်။

အလုပ်လုပ်ပုံနှင့် သဘောတရား —

Deep Learning ဟာ ရိုးရိုး ML ထက် အဆပေါင်းများစွာ ပိုမိုရှုပ်ထွေးပြီး စွမ်းဆောင်ရည် မြင့်မားပါတယ်။ သူ့ရဲ့ ထူးခြားချက်ကတော့ လူသားတွေက ဘာကို ကြည့်ရမယ်ဆိုတာ ကြိုတင် ရွေးချယ်ပေးစရာမလိုဘဲ ကုန်ကြမ်းဒေတာ (Raw Data) ကနေ အသွင်အပြင်တွေကို သူ့ဘာသာ အလိုအလျောက် ဆွဲထုတ်သင်ယူနိုင်တာ ဖြစ်ပါတယ်။

ဥပမာအားဖြင့် ကြောင်ပုံတစ်ပုံကို ခွဲခြားခိုင်းတဲ့အခါ -

• ပထမဆုံး အလွှာငယ်တွေက ပုံထဲက အစင်းကြောင်းတွေ၊ မျဉ်းကွေးတွေကို မှတ်သားပါတယ်။
• နောက်တစ်ဆင့် အလွှာတွေက အဲဒီ မျဉ်းတွေကို ပေါင်းစပ်ပြီး တြိဂံပုံ နားရွက်၊ မျက်လုံး စတဲ့ အစိတ်အပိုင်းတွေကို ပုံဖော်ပါတယ်။
• နောက်ဆုံး အလွှာတွေကတော့ မျက်နှာတစ်ခုလုံး ပုံသဏ္ဌာန်ကို တွက်ချက်ပြီး “ဒါဟာ ကြောင်ဖြစ်နိုင်ခြေ ၉၈%” လို့ ဆုံးဖြတ်ချက် ချပေးပါတယ်။

ယနေ့ခေတ်မှာ လူသုံးများနေတဲ့ ChatGPT လို Large Language Models တွေ၊ မျက်နှာမှတ်သားမှု စနစ်တွေ၊ အသံကို စာအဖြစ် ပြောင်းပေးတဲ့ စနစ်တွေနဲ့ ယာဉ်မောင်းမဲ့ ကားတွေရဲ့ နောက်ကွယ်မှာ အဓိက မောင်းနှင်နေတာဟာ ဒီ Deep Learning နည်းပညာပဲ ဖြစ်ပါတယ်။ သို့သော်လည်း DL စနစ်တွေ ကောင်းမွန်စွာ အလုပ်လုပ်ဖို့အတွက် ကွန်ပျူတာ စွမ်းအား (GPUs) အမြောက်အမြားနဲ့ ကြီးမားလှတဲ့ ဒေတာ ပမာဏ (Big Data) တွေ လိုအပ်ပါတယ်။

---

အကျဉ်းချုပ် နှိုင်းယှဉ်ချက်

ခေါင်းစဉ်	ဉာဏ်ရည်တုနည်းပညာ (AI)	ဒေတာအခြေပြုသင်ယူမှုစနစ် (ML)	အလွှာစုံသင်ယူမှုစနစ် (DL)
သဘောတရား	လူသားလို စဉ်းစားတွေးခေါ်နိုင်သော စက်များ ဖန်တီးသည့် နယ်ပယ်ကြီး	ဒေတာမှတစ်ဆင့် ကိုယ်တိုင် သင်ယူသော စနစ်	လူ့ဦးနှောက်ကွန်ရက်ကို တုပထားသော အလွှာစုံ သင်ယူမှုစနစ်
ဒေတာ လိုအပ်ချက်	နည်းလမ်းပေါ် မူတည်ပြီး နည်းနိုင်၊ များနိုင်သည်	အလယ်အလတ် ဒေတာ ပမာဏ လိုအပ်သည်	အလွန်ကြီးမားသော ဒေတာပမာဏ (Big Data) လိုအပ်သည်
လူသား ပါဝင်မှု	စည်းမျဉ်းများကို လူက တိုက်ရိုက် ရေးသားရသည်	အရေးကြီးသော အချက်များကို လူက ကြိုတင် ရွေးချယ်ပေးရသည်	ဒေတာထဲမှ အချက်အလက်များကို စက်က အလိုအလျောက် ရှာဖွေသည်
လက်တွေ့ ဥပမာ	စစ်တုရင် ကစားသည့် စည်းမျဉ်းအခြေခံ စနစ်များ	အီးမေးလ် Spam ခွဲခြားခြင်း၊ အိမ်ဈေးနှုန်း ခန့်မှန်းခြင်း	ChatGPT၊ မျက်နှာမှတ်သားမှုစနစ်၊ ယာဉ်မောင်းမဲ့ ကားများ

အချုပ်အားဖြင့်ဆိုရရင် AI ဆိုတာ ကျွန်ုပ်တို့ သွားချင်တဲ့ “ပန်းတိုင်” (လူသားလို တွေးနိုင်သော စက်များ) ဖြစ်ပြီး၊ Machine Learning က အဲဒီပန်းတိုင်ဆီ သွားတဲ့ “နည်းလမ်း” ဖြစ်ကာ၊ Deep Learning ကတော့ အဲဒီနည်းလမ်းတွေထဲမှာမှ လက်ရှိ အစွမ်းအထက်ဆုံး ဖြစ်နေတဲ့ “ခေတ်သစ် အင်ဂျင်” တစ်ခု ဖြစ်ပါတယ်။