Artificial Intelligence(AI)ဆိုင်ရာအကြောင်းအရာများ

Artificial Intelligence (AI) ဟာ လူသားတွေရဲ့နေ့စဉ်ဘဝထဲကို တဖြည်းဖြည်းရောက်ရှိလာနေပြီ ဖြစ်ပါတယ်။ အင်တာနက်ပေါ်မှာအချက်အလက်တွေရှာဖွေတာ၊ လူမှုကွန်ရက် (Social Media) ပေါ်မှာ ကိုယ်ကြိုက် တတ်မယ့်အရာတွေကို အလိုအလျောက်ညွှန်ပြပေးတာ၊ လမ်းညွှန်အက်ပ် (Navigation Apps) တွေသုံးတာ၊ ဘာသာပြန်တာကအစ Chatbot တွေနဲ့ စကားပြောတာအဆုံး ဒါတွေအားလုံးရဲ့ နောက်ကွယ်မှာ AI က အလုပ် လုပ်ပေးနေတာဖြစ်ပါတယ်။

Community Leader တွေအနေနဲ့ AI အကြောင်းကို နားလည်ထားဖို့ဆိုတာ ရွေးချယ်စရာတစ်ခု မဟုတ်တော့ဘဲ မဖြစ်မနေ သိထားဖို့လိုအပ်လာပြီဖြစ်ပါတယ်။ အကြောင်းကတော့ AI နည်းပညာတွေဟာ လူထုအတွင်း ဆက်သွယ်ပြောဆိုပုံ၊ သင်ယူပုံ၊ ဝန်ဆောင်မှုတွေရယူပုံ၊ ဆုံးဖြတ်ချက်ချပုံနဲ့ အစိုးရ သို့မဟုတ် အဖွဲ့ အစည်းတွေနဲ့ ချိတ်ဆက်ဆောင်ရွက်ပုံတွေအပေါ် ပိုမိုသက်ရောက်မှုရှိလာလို့ ဖြစ်ပါတယ်။ AI အကြောင်းနားလည်ထားတဲ့ လူမှုအကျိုးပြုခေါင်းဆောင်တစ်ယောက်ဟာ မိမိတို့ ရပ်ရွာအတွင်း ဒစ်ဂျစ်တယ် နည်းပညာလက်လှမ်းမီမှုကို ပိုမိုပံ့ပိုးပေးနိုင်ပြီး၊ ပြည်သူတွေကို နည်းပညာသစ်တွေအကြောင်း လမ်းညွှန်ပြသပေးနိုင်တဲ့အပြင်၊ AI နည်းပညာကို ဘယ်လိုနေရာတွေမှာ အသုံးချမလဲဆိုတာနဲ့ ပတ်သက်ပြီး မှန်ကန်တဲ့ဆုံးဖြတ်ချက်တွေကို ချမှတ်နိုင်မှာ ဖြစ်ပါတယ်။

အရေးကြီးတာတစ်ခုကတော့ AI အကြောင်း နားလည်ဖို့အတွက် အဆင့်မြင့်နည်းပညာဆိုင်ရာ ဗဟုသုတတွေအထိ သိနေဖို့ မလိုပါဘူး။ လူတွေဟာ ကားတစ်စီးရဲ့ အင်ဂျင်အလုပ်လုပ်ပုံ အသေးစိတ်ကို မသိပေမယ့် ကားမောင်းနိုင်ကြသလိုပါပဲ၊ Community Leader တွေအနေနဲ့လည်း AI ဘယ်လိုအလုပ်လုပ်လဲ၊ ဘာတွေလုပ်ပေးနိုင်လဲ၊ ဘယ်လို ကန့်သတ်ချက်တွေ ရှိလဲဆိုတာကို လေ့လာမှတ်သားထားနိုင်ပါတယ်။

၁။ AI ရဲ့ သမိုင်းအကျဉ်း

AI ဟာ မကြာသေးခင် နှစ်အနည်းငယ်အတွင်းမှာမှ အတော်လေး ခေတ်စားလာတာ ဖြစ်ပေမယ့် ဒီဘာသာရပ် ပေါ်ပေါက်ခဲ့တာ ဆယ်စုနှစ်ပေါင်းများစွာ ကြာခဲ့ပါပြီ။ “Artificial Intelligence” ဆိုတဲ့ ဝေါဟာရကို ၁၉၅၆ ခုနှစ်က Dartmouth College မှာ ပြုလုပ်တဲ့ သုတေသနတစ်ခုမှာ စတင်သုံးနှုန်းခဲ့တာဖြစ်ပြီး စက်ပစ္စည်းတွေကို လူသားတွေရဲ့ ဘာသာစကားအတိုင်း သင်ယူအသုံးပြုနိုင်အောင် ဖန်တီးလို့ ရ၊ မရ သုတေသီတွေက စတင်လေ့လာခဲ့ကြတာပါ။

အစောပိုင်း AI စနစ်တွေကတော့ လူသားတွေ ကြိုတင်သတ်မှတ်ပေးထားတဲ့ စည်းမျဉ်းတွေနဲ့ ယုတ္တိဗေဒဆိုင်ရာ ဆင်ခြင်တုံတရားတွေအပေါ်မှာပဲ အခြေခံပါတယ်။ ဒီစနစ်ကို Symbolic AI လို့ ခေါ်ပြီး လူသားပညာရှင်တွေ ဖန်တီးထားတဲ့သင်္ကေတတွေနဲ့ စည်းမျဉ်းတွေကတစ်ဆင့် အသိပညာတွေကို ကိုယ်စားပြုအသုံးချတာ ဖြစ်ပါတယ်။ အသုံးအများဆုံးနမူနာတစ်ခုကတော့ သီးသန့်နယ်ပယ်တွေမှာ လူသားတွေရဲ့ဆုံးဖြတ်ချက် ချမှတ်ပုံ ကို လိုက်တုပဖို့ ကြိုးစားတဲ့ Expert Systems (ကျွမ်းကျင်စနစ်များ) ကို တီထွင်ခဲ့တာပဲ ဖြစ်ပါတယ်။

နောက်ပိုင်းမှာ ကွန်ပျူတာတွေရဲ့စွမ်းဆောင်ရည် ပိုမိုမြင့်မားလာပြီး ဒစ်ဂျစ်တယ် အချက်အလက် (Data) တွေ ပိုမိုများပြားလာတဲ့အခါမှာတော့ AI ဟာ စည်းမျဉ်းအခြေခံစနစ်တွေကနေတစ်ဆင့် Data အမြောက်အမြားကနေ ပုံစံ (patterns) တွေကို သင်ယူနိုင်တဲ့ Data-driven စနစ်တွေအဖြစ် ပြောင်းလဲတိုးတက်လာခဲ့ပါတယ်။ ဒီအပြောင်းအလဲကနေ ဒီနေ့ခေတ် Machine Learning နဲ့ Generative AI တို့ ဖြစ်တည်လာဖို့ အခြေခံအုတ်မြစ် ဖြစ်လာခဲ့တာပါ။

၂။ Artificial Intelligence (AI) ဆိုတာ ဘာလဲ

Artificial Intelligence (AI) ဆိုတာ ပုံမှန်အားဖြင့် လူသားတွေရဲ့ ဉာဏ်ရည်ဉာဏ်သွေး လိုအပ်တဲ့ အလုပ်တွေကို လုပ်ဆောင်နိုင်ဖို့ ဖန်တီးထားတဲ့ ကွန်ပျူတာစနစ်တွေကို ခေါ်တာ ဖြစ်ပါတယ်။ ဒီလိုအလုပ်တွေထဲမှာ သင်ယူခြင်း၊ အကျိုးအကြောင်း ဆင်ခြင်ခြင်း၊ ပုံစံ (patterns) များကို မှတ်မိခြင်း၊ ဘာသာစကားကို နားလည်ခြင်း၊ ပြဿနာများကို ဖြေရှင်းခြင်းနဲ့ ဆုံးဖြတ်ချက်ချခြင်း စတာတွေ ပါဝင်ပါတယ်။

ရိုးရိုးရှင်းရှင်း ပြောရရင် –

• AI ဟာ စက်ပစ္စည်းတွေကို အချက်အလက်တွေကနေတစ်ဆင့် သင်ယူစေပြီး (machine learning)၊ ပုံစံတွေ (patterns) ကို ရှာဖွေဖော်ထုတ်စေကာ ပုံမှန်အားဖြင့် လူသားတွေရဲ့ စဉ်းစားတွေးခေါ်မှု လိုအပ်တဲ့အလုပ်တွေကို လုပ်ဆောင်နိုင်အောင် ကူညီပေးပါတယ်။
• ပုံသေသတ်မှတ်ထားတဲ့ညွှန်ကြားချက်တွေအတိုင်းပဲ လုပ်ဆောင်တဲ့ ရိုးရိုးကွန်ပျူတာပရိုဂရမ်တွေနဲ့ မတူဘဲ AI စနစ်တွေဟာ Data တွေနဲ့ အတွေ့အကြုံတွေကနေတစ်ဆင့် သင်ယူပြီး မိမိတို့ရဲ့ စွမ်းဆောင်ရည်ကို ပိုမိုကောင်းမွန်အောင် မြှင့်တင်နိုင်ကြပါတယ်။

လူသားဉာဏ်ရည် (Human Intelligence) နှင့် AI ဉာဏ်ရည် (Artificial Intelligence) နှိုင်းယှဉ်ချက်

AI ဟာ ရှုပ်ထွေးခက်ခဲတဲ့အလုပ်တွေကို လုပ်ဆောင်နိုင်ပေမယ့် လူသားတွေလိုမျိုးတော့ မတွေးခေါ် နိုင်ပါဘူး။ AI မှာ စိတ်ခံစားချက်၊ ယုံကြည်ချက်၊ သိစိတ် သို့မဟုတ် ကိုယ်ကျင့်တရားဆိုင်ရာ ဝေဖန်ပိုင်းခြားနိုင်စွမ်း မရှိပါဘူး။ သူက အချက်အလက်တွေပေါ် အခြေခံပြီး ပုံစံတွေကို ရှာဖွေတာနဲ့ ဖြစ်နိုင်ခြေအရှိဆုံး ရလဒ်တွေကို ခန့်မှန်းပေးတာပဲ လုပ်နိုင်တာ ဖြစ်ပါတယ်။

ကျွန်တော်တို့ပတ်ဝန်းကျင်က AI

လူတော်တော်များများဟာ သတိမထားမိဘဲ နေ့တိုင်း AI ကို သုံးနေကြတာပါ။ ဥပမာအချို့ကတော့ –

• Siri နဲ့ Google Assistant လိုမျိုး အသံဖြင့်ခိုင်းစေရတဲ့ စနစ်များ
• အမြန်ဆုံးလမ်းကြောင်းကို ညွှန်ပြပေးတဲ့ လမ်းညွှန်အက်ပ် (Navigation apps) များ
• Social media ပေါ်မှာ ကိုယ်စိတ်ဝင်စားမယ့်အကြောင်းအရာတွေကို ရွေးချယ်ပြသပေးတဲ့ စနစ်များ
• အွန်လိုင်းကနေ ပစ္စည်းဝယ်တဲ့အခါ ကိုယ်ကြိုက်နိုင်မယ့်ပစ္စည်းတွေကို အကြံပြုပေးတဲ့စနစ်များ
• အီးမေးလ်ထဲက မလိုလားအပ်တဲ့စာတွေကို ဖယ်ထုတ်ပေးတဲ့ Spam filters များ
• Translation Tools များ 
• စမတ်ဖုန်းတွေမှာသုံးတဲ့ မျက်နှာမှတ်မိခြင်းစနစ် (Facial recognition)
• သုံးစွဲသူတွေကို အလိုအလျောက် ပြန်လည်ဖြေကြားပေးတဲ့ Customer service chatbots များ

ဒီစနစ်တွေဟာ ဝန်ဆောင်မှုတွေကို ပိုမိုမြန်ဆန်စေဖို့၊ မိမိနဲ့ ပိုမိုကိုက်ညီမှုရှိစေဖို့နဲ့ ပိုမို အဆင်ပြေစေဖို့အတွက် AI ကို အသုံးပြုထားတာ ဖြစ်ပါတယ်။

၃။ Data တွေကနေ AI ဘယ်လိုသင်ယူသလဲ

AI နဲ့ ပတ်သက်ပြီး အရေးကြီးဆုံးအယူအဆတစ်ခုကတော့ AI ဟာ Data တွေကနေတစ်ဆင့် သင်ယူတယ်ဆိုတာပါပဲ။

Data ဆိုတာကို အရင်းအမြစ်အမျိုးမျိုးကနေ စုဆောင်းထားတဲ့ အချက်အလက်တွေလို့ မှတ်ယူနိုင်ပါတယ်။ ဥပမာအားဖြင့် –

• စာသားများ (Text)
• ရုပ်ပုံများ (Images)
• ဗီဒီယိုများ (Videos)
• အသံဖိုင်များ (Audio recordings)
• အာရုံခံကိရိယာများမှ အချက်အလက်များ (Sensor readings)
• အသုံးပြုသူများ၏ တုံ့ပြန်ဆောင်ရွက်မှုများ (User interactions)
• အရောင်းအဝယ် မှတ်တမ်းများ (Transaction records)

ဒီ Data တွေရဲ့ အရည်အသွေးနဲ့ ပမာဏဟာ AI စနစ်တစ်ခုရဲ့ စွမ်းဆောင်ရည်အပေါ် များစွာ သက်ရောက်မှု ရှိပါတယ်။

AI ရဲ့ သင်ယူမှုအဆင့်ဆင့်

AI ရဲ့ သင်ယူမှုလုပ်ငန်းစဉ်မှာ ယေဘုယျအားဖြင့် အဆင့် ၅ ဆင့် ရှိပါတယ်။

အဆင့် ၁ – Data စုဆောင်းခြင်း (Data Collection)

ပထမဆုံးအနေနဲ့ AI စနစ်တွေဟာ Data အမြောက်အမြားကို စုဆောင်းရပါတယ်။ ဥပမာ – နည်းပညာရှင်တွေက AI ကို ကြောင်ပုံတွေ မှတ်မိစေချင်တယ်ဆိုရင် “ဒါကကြောင်” သို့မဟုတ် “ဒါကကြောင်မဟုတ်ဘူး” လို့ အညွှန်းတပ်ထားတဲ့ ရုပ်ပုံပေါင်း ထောင်နဲ့သောင်းနဲ့ချီ (ဒါမှမဟုတ် သန်းနဲ့ချီ) ကို စုဆောင်းရပါမယ်။

အဆင့် ၂ – ပုံစံများကို ရှာဖွေဖော်ထုတ်ခြင်း (Pattern Recognition)

AI က စုဆောင်းထားတဲ့ Data တွေကို ခွဲခြမ်းစိတ်ဖြာပြီး ပုံစံတွေကို ရှာဖွေပါတယ်။ ကြောင်နမူနာမှာဆိုရင် AI ဟာ အောက်ပါအချက်တွေကို မှတ်မိအောင် သင်ယူနိုင်ပါတယ် –

• နားရွက်ပုံသဏ္ဌာန်
• မျက်လုံး တည်နေရာ
• အမွှေးအမျှင် ပုံစံများ
• မျက်နှာသွင်ပြင် လက္ခဏာများ

ဒီနေရာမှာ AI ဟာ လူသားတွေလိုမျိုး ကြောင်ဆိုတာ ဘာလဲဆိုတဲ့ အဓိပ္ပာယ်ကို နားလည်တာမဟုတ်ဘဲ ကြောင်ပုံတွေနဲ့ ဆက်စပ်နေတဲ့ ကိန်းဂဏန်းဆိုင်ရာပုံစံ (Statistical patterns) တွေကိုပဲ ရှာဖွေဖော်ထုတ်တာ ဖြစ်ပါတယ်။

အဆင့် ၃ – နမူနာပုံစံကို လေ့ကျင့်ပေးခြင်း (Model Training)

AI ဟာ ပေးထားတဲ့ နမူနာတွေကို ထပ်ဖန်တလဲလဲ လေ့လာပြီး တိကျမှု ပိုကောင်းလာစေဖို့ သူ့ရဲ့ အတွင်းပိုင်း ဆက်တင် (Parameters) တွေကို ညှိယူပါတယ်။ ဒီလုပ်ငန်းစဉ်ကို “Training (လေ့ကျင့်ပေးခြင်း)” လို့ ခေါပြီး၊ ဒီလိုလေ့ကျင့်ပေးပြီးလို့ ထွက်လာတဲ့ စနစ်ကိုတော့ Model (နမူနာပုံစံ) လို့ ခေါ်ပါတယ်။

အဆင့် ၄ – ခန့်မှန်းချက်များ ထုတ်ပေးခြင်း (Making Predictions)

လေ့ကျင့်ပေးပြီးတဲ့အခါမှာတော့ AI ဟာ Data အသစ်တွေကို ခွဲခြမ်းစိတ်ဖြာပြီး ခန့်မှန်းချက်တွေ ထုတ်ပေးနိုင်ပါပြီ။ ဥပမာအားဖြင့် –

• ဒီပုံက ကြောင်ပုံလား။
• ဒီအီးမေးလ်က Spam လား။
• ဘယ်လမ်းကြောင်းက အမြန်ဆုံးလဲ။
• စာကြောင်းတစ်ကြောင်းမှာ နောက်ထပ် ဘယ်စကားလုံး လာသင့်လဲ။

အဆင့် ၅ – တုံ့ပြန်ချက်နှင့် ပိုမိုကောင်းမွန်အောင် ပြင်ဆင်ခြင်း (Feedback and Improvement)

အချို့ AI စနစ်တွေကတော့ ရရှိလာတဲ့ တုံ့ပြန်ချက် (Feedback) တွေပေါ် မူတည်ပြီး ဆက်လက်တိုးတက်နေကြပါတယ်။ မှန်ကန်တဲ့ ခန့်မှန်းချက်တွေအတွက် အမှတ်ပေးပြီး မှားယွင်းမှုတွေကို ပြင်ဆင်ပေးခြင်းအားဖြင့် နောက်နောင်မှာ ပိုမိုတိကျလာအောင် ကူညီပေးတဲ့ လုပ်ငန်းစဉ် ဖြစ်ပါတယ်။

၄။ AI အမျိုးအစား ကွဲပြားမှုများ

AI ဆိုတာ နည်းပညာတစ်ခုတည်းကိုပဲ ပြောတာမဟုတ်ပါဘူး။ သူ့မှာမတူညီတဲ့ချဉ်းကပ်ပုံတွေနဲ့ စွမ်း ဆောင်ရည်တွေ ရှိပါတယ်။ AI ကို နားလည်ဖို့အတွက် သူ့ရဲ့စွမ်းဆောင်ရည်အလိုက် အောက်ပါအတိုင်း ခွဲခြားကြည့်နိုင်ပါတယ် –

၄.၁ Narrow AI (လုပ်ဆောင်ချက်အကန့်အသတ်ရှိသော AI သို့မဟုတ် Weak AI)

Narrow AI ဆိုတာ သီးသန့်သတ်မှတ်ထားတဲ့ အလုပ်တစ်ခုတည်းကိုပဲ လုပ်ဆောင်နိုင်ဖို့ ဖန်တီးထားတာ ဖြစ်ပါတယ်။ ဥပမာများ –

• အသံဖြင့်ခိုင်းစေရသည့် AI assistant များ
• အကြံပြုချက်ပေးသည့် စနစ်များ (Recommendation systems)
• ဘာသာပြန်စနစ်များ
• Spam ဖယ်ထုတ်သည့် စနစ်များ
• မျက်နှာမှတ်မိခြင်း စနစ်များ (Facial Recognition)

Narrow AI ဟာ သူကျွမ်းကျင်တဲ့ သီးသန့်နယ်ပယ်မှာ အလွန်ထိရောက်မှု ရှိပေမယ့် သူနဲ့မဆိုင်တဲ့ တခြားအလုပ်တွေကိုတော့ မလုပ်နိုင်ပါဘူး။ ဥပမာ – လမ်းညွှန်အက်ပ်တစ်ခုဟာ အမြန်ဆုံးလမ်းကြောင်းကို ရှာပေးနိုင်ပေမယ့် ရပ်ရွာအတွက် သတင်းလွှာစာစောင်ကိုတော့ ရေးပေးနိုင်မှာ မဟုတ်ပါဘူး။ လက်ရှိအချိန်မှာ ကမ္ဘာတစ်ဝှမ်းလုံး သုံးနေကြတဲ့ AI စနစ်အားလုံးနီးပါးဟာ Narrow AI အမျိုးအစားတွေ ဖြစ်ကြပါတယ်။

၄.၂ General AI (အထွေထွေဉာဏ်ရည်ရှိသော AI သို့မဟုတ် Artificial General Intelligence)

General AI ဆိုတာ လူသားတစ်ယောက် လုပ်နိုင်တဲ့ မည်သည့်ဉာဏ်ရည်ဉာဏ်သွေးဆိုင်ရာ အလုပ်ကိုမဆို လုပ်ဆောင်နိုင်စွမ်းရှိမယ့် သီအိုရီအရ စိတ်ကူးပုံဖော်ထားတဲ့ စနစ်ဖြစ်ပါတယ်။ General AI တစ်ခုဟာ –

• မည်သည့်ဘာသာရပ်ကိုမဆို သင်ယူနိုင်ခြင်း
• မရင်းနှီးသော ပြဿနာများကို ဖြေရှင်းနိုင်ခြင်း
• နယ်ပယ်တစ်ခုမှ ဗဟုသုတကို အခြားနယ်ပယ်တစ်ခုသို့ လွှဲပြောင်းအသုံးချနိုင်ခြင်း
• အခြေအနေသစ်များနှင့် လိုက်လျောညီထွေ ဖြစ်အောင်နေနိုင်ခြင်း စတာတွေကို လုပ်နိုင်မှာ ဖြစ်ပါတယ်။

လက်ရှိအချိန်မှာတော့ General AI ဆိုတာ တကယ်မရှိသေးပါဘူး။ သုတေသီတွေက ဒီလိုဖြစ်လာဖို့ ဆက်လက်လေ့လာနေကြဆဲ ဖြစ်ပေမယ့် ဒီနေ့ခေတ် AI စနစ်တွေကတော့ သီးသန့်နယ်ပယ်အလိုက်ပဲ လုပ်ဆောင်နိုင်ကြပါသေးတယ်။

၄.၃ Superintelligent AI (လူသားထက် သာလွန်သော ဉာဏ်ရည်ရှိသည့် AI)

Superintelligent AI ဆိုတာ နယ်ပယ်အားလုံးနီးပါးမှာ လူသားတွေရဲ့ဉာဏ်ရည်ထက် များစွာ သာလွန်မယ့် စိတ်ကူးယဉ် AI အမျိုးအစား ဖြစ်ပါတယ်။ ဒီလိုစနစ်မျိုးဟာ –

• လူသားတွေ မဖြေရှင်းနိုင်တဲ့ သိပ္ပံပညာဆိုင်ရာ စိန်ခေါ်မှုတွေကို ဖြေရှင်းနိုင်ခြင်း
• ရှုပ်ထွေးတဲ့ ဆုံးဖြတ်ချက်တွေကို လျင်မြန်စွာ ချမှတ်နိုင်ခြင်း
• နည်းပညာသစ်တွေကို ကိုယ်ပိုင်အမြင်နဲ့ အသစ်ထွင်ဖန်တီးနိုင်ခြင်း စတာတွေ လုပ်နိုင်စွမ်း ရှိကောင်း ရှိနိုင်ပါတယ်။

ဒါပေမယ့် Superintelligent AI ဆိုတာဟာလည်း ခန့်မှန်းချက်သက်သက်သာ ဖြစ်ပြီး လက်ရှိမှာတော့ လုံးဝမရှိသေးပါဘူး။

၅။ ယနေ့ခေတ်မှာ အသုံးများနေတဲ့ AI နည်းပညာများ

AI ပုံစံအမျိုးမျိုး ရှိတဲ့အနက် နေ့စဉ်ဘဝမှာ အတွေ့ရအများဆုံးနည်းပညာအချို့ကတော့ အောက်ပါ အတိုင်း ဖြစ်ပါတယ် –

၅.၁ Machine Learning

Machine Learning (ML) ဆိုတာ အခြေအနေတိုင်းအတွက် ကြိုတင်ပရိုဂရမ် ရေးဆွဲပေးထားဖို့ မလိုဘဲ၊ ပေးထားတဲ့ Data တွေကနေတစ်ဆင့် ကွန်ပျူတာစနစ်တွေ ကိုယ်တိုင်သင်ယူနိုင်အောင် ပြုလုပ်ပေးတဲ့ AI ရဲ့ ဘာသာရပ်အခွဲတစ်ခု ဖြစ်ပါတယ်။ Machine Learning ကို အောက်ပါနေရာတွေမှာ သုံးပါတယ် –

• အကြံပြုချက်ပေးသည့် စနစ်များ
• လိမ်လည်လှည့်ဖြားမှုများကို စုံစမ်းဖော်ထုတ်ခြင်း (Fraud detection)
• မိုးလေဝသ ခန့်မှန်းခြင်း
• စက်ပစ္စည်းများ ပျက်စီးနိုင်ခြေကို ကြိုတင်ခန့်မှန်းခြင်း (Predictive maintenance)
• သုံးစွဲသူများ၏ အပြုအမူကို ခွဲခြမ်းစိတ်ဖြာခြင်း (Customer analytics)

ဥပမာ – Netflix က သင်ကြည့်ခဲ့ဖူးတဲ့ ရုပ်ရှင်မှတ်တမ်းအပေါ် မူတည်ပြီး နောက်ထပ်ကြည့်ဖို့ ကားတွေကို အကြံပြုပေးတဲ့အခါ Machine Learning ကို သုံးထားတာ ဖြစ်ပါတယ်။

၅.၂ Natural Language Processing (NLP)

Natural Language Processing (NLP) ဆိုတာ လူသားတွေရဲ့ ဘာသာစကားကို ကွန်ပျူတာတွေ နားလည်နိုင်အောင်နဲ့ ပြန်လည်ရေးသား ထုတ်ဖော်နိုင်အောင် လုပ်ဆောင်ပေးတဲ့ နည်းပညာ ဖြစ်ပါတယ်။ အသုံးချမှုများတွင် အောက်ပါတို့ ပါဝင်ပါသည် –

• ဘာသာစကား ပြန်ဆိုခြင်း
• Chatbots များ
• အသံကို စာသားအဖြစ် ပြောင်းလဲခြင်း (Speech recognition)
• အသံဖြင့်ခိုင်းစေရသည့် လက်ထောက်စနစ်များ
• စိတ်ခံစားမှု သဘောထားကို ခွဲခြမ်းစိတ်ဖြာခြင်း (Sentiment analysis)

ဥပမာများ – Siri, Alexa, Google Translate နဲ့ သုံးစွဲသူတွေကို ကူညီပေးတဲ့ Chatbot များ ဖြစ်ပါတယ်။ NLP ကြောင့် လူတွေဟာ ကွန်ပျူတာတွေနဲ့ နေ့စဉ်သုံး စကားပြောဘာသာစကားအတိုင်း အလွယ်တကူ ဆက်သွယ်နိုင်တာ ဖြစ်ပါတယ်။

၅.၃ Predictive AI (ကြိုတင်ခန့်မှန်းပေးသည့် AI)

Predictive AI ဟာ အတိတ်က မှတ်တမ်းအချက်အလက် (Historical data) တွေကို ခွဲခြမ်းစိတ်ဖြာပြီး အနာဂတ်မှာ ဖြစ်လာနိုင်မယ့် ရလဒ်တွေကို ကြိုတင်ခန့်မှန်းပေးပါတယ်။ ဥပမာများ –

• ဝယ်ယူသူများ၏အပြုအမူ(အကြိုက်) ကို ကြိုတင်ခန့်မှန်းခြင်း
• ရောဂါဖြစ်ပွားနိုင်ခြေကို ဆန်းစစ်ခြင်း
• ကျောင်းသားများ၏စွမ်းဆောင်ရည်ကို ကြိုတင်ခန့်မှန်းခြင်း
• ယာဉ်ကြောပိတ်ဆို့မှုကို ကြိုတင်ခန့်မှန်းခြင်း
• ဘဏ္ဍာရေးဆိုင်ရာ ဆုံးရှုံးနိုင်ခြေကို ခွဲခြမ်းစိတ်ဖြာခြင်း

Predictive AI ဟာ ဆုံးဖြတ်ချက်ချတဲ့နေရာမှာ အထောက်အကူပြုပေမယ့် တိကျမှုကိုတော့ ရာနှုန်းပြည့် အာမမခံနိုင်ပါဘူး။ ခန့်မှန်းချက်တွေရဲ့စိတ်ချရမှုဟာ သုံးထားတဲ့ Data ရဲ့ စိတ်ချရမှုအပေါ်မှာပဲ မူတည်ပါတယ်။

၅.၄ Expert Systems (ကျွမ်းကျင်စနစ်များ)

Expert Systems ဟာ လူသားပညာရှင်တွေရဲ့ ကျွမ်းကျင်မှုကို အတုယူနိုင်ဖို့အတွက် ကြိုတင်သတ်မှတ်ထားတဲ့ စည်းမျဉ်းတွေနဲ့ သက်ဆိုင်ရာ နယ်ပယ်အလိုက် ဗဟုသုတတွေကို အသုံးပြုပါတယ်။ ဥပမာများ –

• ဆေးဘက်ဆိုင်ရာ ရောဂါရှာဖွေကူညီမှု စနစ်များ
• ဘဏ္ဍာရေးဆိုင်ရာ အကြံပေးစနစ်များ
• နည်းပညာပိုင်းဆိုင်ရာ ပြဿနာရှာဖွေဖြေရှင်းရေး ကိရိယာများ

Machine Learning စနစ်တွေနဲ့မတူတာကတော့ Expert Systems တွေဟာ လူသားတွေ ကိုယ်တိုင်ဖန်တီးပေးထားတဲ့ စည်းမျဉ်းတွေအပေါ်မှာပဲ အဓိက အခြေခံတာ ဖြစ်ပါတယ်။

၅.၅ Computer Vision (ကွန်ပျူတာ အမြင်အာရုံစနစ်)

Computer Vision ဟာ စက်ပစ္စည်းတွေကို ရုပ်ပုံ သို့မဟုတ် ဗီဒီယိုတွေလိုမျိုး အမြင်အာရုံဆိုင်ရာ အချက်အလက်တွေကို အဓိပ္ပာယ်ဖော်နိုင်အောင်နဲ့ ခွဲခြမ်းစိတ်ဖြာနိုင်အောင် လုပ်ဆောင်ပေးပါတယ်။ ဥပမာများတွင် အောက်ပါတို့ ပါဝင်ပါသည် –

• မျက်နှာမှတ်မိခြင်း စနစ် (Face recognition)
• ဆေးဘက်ဆိုင်ရာ ဓာတ်မှန်များ ခွဲခြမ်းစိတ်ဖြာခြင်း
• အလိုအလျောက်မောင်းနှင်သည့်ယာဉ်များ၏ ပတ်ဝန်းကျင်ကို ကြည့်ရှုသိရှိမှုစနစ်
• ကုန်ထုတ်လုပ်မှုအပိုင်းတွင် အရည်အသွေးစစ်ဆေးခြင်း

Computer Vision ဟာ စက်ပစ္စည်းတွေကို ပုံရိပ်တွေနဲ့ ဗီဒီယိုတွေကို “မြင်” နိုင်အောင်နဲ့ အဓိပ္ပာယ်ဖော်နိုင်အောင် ကူညီပေးတာ ဖြစ်ပါတယ်။

၅.၆ Generative AI (အသစ်ဖန်တီးပေးသည့် AI)

Generative AI ဟာ ရှိပြီးသား အချက်အလက်တွေကို ခွဲခြမ်းစိတ်ဖြာရုံတင်မကဘဲ အကြောင်းအရာအသစ် (Content) တွေကိုပါ ဖန်တီးပေးနိုင်တဲ့ အလျင်အမြန် တိုးတက်လာနေတဲ့ AI မျိုးကွဲတစ်ခု ဖြစ်ပါတယ်။ Generative AI ဟာ အောက်ပါတို့ကို အသစ်ဖန်တီးပေးနိုင်ပါတယ် –

• စာသားများ
• ရုပ်ပုံများ
• အသံဖိုင်များ
• ဗီဒီယိုများ
• ကွန်ပျူတာ ကုဒ်များ

နမူနာများမှာ – ChatGPT, Gemini, Claude, Microsoft Copilot, Midjourney နဲ့ DALL-E တို့ ဖြစ်ကြပါတယ်။ ရလဒ်ကို ခန့်မှန်းပေးရုံပဲလုပ်တဲ့ Predictive AI နဲ့မတူဘဲ Generative AI ကတော့ Data အမြောက်အမြားကနေ သင်ယူထားတဲ့ ပုံစံတွေပေါ် မူတည်ပြီး အကြောင်းအရာအသစ်တွေကို ထုတ်လုပ်ပေးတာ ဖြစ်ပါတယ်။

Community Leader တွေအနေနဲ့ Generative AI ကို အောက်ပါအလုပ်တွေမှာ အသုံးချနိုင်ပါတယ် –

• အစီရင်ခံစာများ မူကြမ်းရေးသားခြင်း
• Social media အတွက် စာသားနှင့် ပုံများ ဖန်တီးခြင်း
• စာရွက်စာတမ်းနှင့် အချက်အလက်များကို ဘာသာပြန်ခြင်း
• Presentation (တင်ပြချက်) များ ပြင်ဆင်ခြင်း
• ရပ်ရွာဖွံ့ဖြိုးရေး လုပ်ငန်းစဉ်များအတွက် အိုင်ဒီယာ ထုတ်ခြင်း (Brainstorming)
• သတင်းအချက်အလက်များကို အနှစ်ချုပ်ခြင်း
• အဖွဲ့ဝင်သစ်များ ကြိုဆိုခြင်းကို အလိုအလျောက်လုပ်ဆောင်ခြင်း (Automating Member Onboarding): အဖွဲ့ဝင်သစ်များအတွက် ကြိုဆိုနှုတ်ခွန်းဆက်စာများ၊ မကြာခဏမေးလေ့ရှိသော မေးခွန်းများ (FAQs) နှင့် လိုက်နာရမည့် စည်းကမ်းချက်များကို ပြင်ဆင်ခြင်း။
• ပဋိပက္ခများကို လျှော့ချဖြေရှင်းခြင်း (De-escalating Conflicts): ပြဿနာရှာသူများ သို့မဟုတ် လူထုကြား ဝေဖန်မှုများကို ကိုင်တွယ်ရန် တင်းမာနေသော စာသားများကို တည်ငြိမ်ပြီး လုပ်ငန်းသုံးဆန်သော လေသံဖြစ်အောင် ပြန်လည်ရေးသားခြင်း။
• ထောက်ပံ့ကြေးနှင့် အဆိုပြုလွှာများ ရေးသားခြင်း (Grant & Proposal Writing): ရပ်ရွာပရောဂျက် များအတွက် ရန်ပုံငွေရရှိစေရန် ဆွဲဆောင်မှုရှိသော စပွန်ဆာတောင်းခံစာများနှင့် ပရောဂျက်အဆိုပြု လွှာများကို ရေးဆွဲခြင်း။
• အဖွဲ့ဝင်များ၏ တုံ့ပြန်ချက်များကို ခွဲခြမ်းစိတ်ဖြာခြင်း (Analyzing Member Feedback)

References

1. Sharples, M. (2025). Generative AI and education: Digital pedagogies, teaching innovation. Springer.
2. https://www.geeksforgeeks.org/artificial-intelligence/what-is-artificial-intelligence-ai/
3. https://www.youtube.com/watch?v=qYNweeDHiyU
4. https://www.youtube.com/watch?v=XFZ-rQ8eeR8