Artificial Intelligence (AI) ဆိုတာကတော့ အာရုံခံနိုင်မှုတွေ၊ မှတ်ဉာဏ်တွေ၊ ဆုံးဖြတ်ချက်ချတာတွေနဲ့ ဘာသာပြန်ခြင်းတွေလို ပုံမှန်အနေနဲ့ လူသားတစ်ဦးရဲ့ဉာဏ်ရည်ကလိုအပ်တဲ့ လုပ်ငန်းတွေကို လုပ်ဆောင်ပေးနိုင်တဲ့ ဉာဏ်ရည်တုနည်းပညာတစ်ခုပဲဖြစ်ပါတယ်။ AI တွေအခုလိုအလုပ်လုပ်နိုင်အောင် ဒေတာအများအပြားကို ခွဲခြမ်းစိတ်ဖြာနိုင်ပြီးတော့ အတွေ့အကြုံတွေကနေတစ်ဆင့် သင်ယူနိုင်မယ့် Algorithm တွေနဲ့ Computer Programming နဲ့တည်ဆောက်ထားတာပဲဖြစ်ပါတယ်။
AI မှာနည်းပညာတွေအများအပြားပါ၀င်နေပြီးတော့ Rule-based System, Machine Learning, Deep Learning စတာတွေနဲ့ အခြေခံပြီး ဖန်တီးထားပါတယ်။ Rule-based System တွေက AI ကို ဆုံးဖြတ်ချက်တွေချနိုင်ဖို့အတွက် အသုံးပြုပါတယ်။ ဒီ System တွေမှာ ဆုံးဖြတ်ချက်အလွယ်တကူချနိုင်ဖို့အတွက် ကြိုတင်ပြီး ချထားတဲ့ Rule တွေပါ၀င်နေပါ သေးတယ်။ ဒါပေမဲ့ တချို့အခြေအနေတွေမှာဆိုရင် AI တွေကိုခိုင်းပေမဲ့ သူတို့ကိုပေးထားတဲ့ System မှာ အဲ့အရာအတွက် ဘာလုပ်ရမယ်ဆိုတာကို မထည့်ပေးထားတာတွေကြောင့် အလွဲလွဲအချော်ချော်ဖြစ်တတ်ကြပါတယ်။ ဥပမာတစ်ခုပေးရမယ်ဆိုရင် Rule-based System ကိုသုံးပြီး AI တစ်ခုလုပ်မယ်ဆိုရင် ကိုယ်က Ruleလေးတွေထည့်ပေးရပါတယ်။ သူ့ရဲ့ပုံစံက If-Then-elseတစ်ခုတည်းပါပဲ။ ဒါလုပ်ရင် ဒါဖြစ်မယ်ဆိုတဲ့ ချွင်းချက်မရှိသဘောမျိုးပေါ့။
If it's raining, then stay inside.
တကယ်လို့မိုးရွာမယ်ဆိုရင် အိမ်ထဲမှာပဲနေ ဆိုတဲ့ပုံစံ။
ဘယ်နေရာတွေမှာအဓိကသုံးလဲဆိုရင် ကျန်းမာရေးစောင့်ရှောက်မှုတွေ၊ သယ်ယူပို့ဆောင်ရေးလုပ်ငန်းတွေမှာ သုံးလို့ရပြီးတော့ ဆုံးဖြတ်ချက်ချဖို့အတွက် ကောင်းကောင်းသတ်မှတ်ပေးထားတဲ့ စည်းမျဉ်းတွေပေါ်မှာအခြေခံပြီးတော့ အသုံးများကြပါတယ်။
အဲ့ဒီလိုမျိုးတသမတ်တည်းဖြစ်နေတာက အဆင်မပြေတော့တဲ့အခါမှာ Machine Learning ဆိုတာထပ်ပေါ်လာပါတယ်။ Machine Learning ဆိုတာက AI ကို Algorithm တွေပေးတဲ့နေရာမှာ တိတိကျကျမပေးဘဲ ဒေတာတွေဆီကနေ သင်ယူခိုင်းပြီးတော့ ဆုံးဖြတ်ချက်တွေချခိုင်းတဲ့ပုံစံမျိုးပါ။ ဥပမာဆိုရင် Machine Learning သုံးထားတဲ့ AI ကို ခွေးနဲ့ကြောင်ပုံခွဲခိုင်းမယ်လို့ မြင်ယောင်ကြည့်လိုက်ပါ။ အရင်ဆုံး သူတို့ကို ခွေးပုံနဲ့ ကြောင်ပုံ ထောင်ဂဏန်းနဲ့ချီပြီးပြမယ်။ သူတို့ကိုမှတ်ခိုင်းမယ်။ အဲ့လိုအများကြီးပေးမှတ်ထားပြီးသွားပြီဆိုရင် AI အနေနဲ့ ခွေးဆိုရင် နားရွက်ကဘယ်လိုပုံရှိတယ်၊ ကြောင်ကဘယ်လိုပုံရှိတယ်၊ သူ့မှာကအမွေးရှိတယ်၊ နောက်တစ်ကောင်မှာက ဒီလိုဆိုရင်အမွေးမရှိဘူး၊ အဲ့ဒီလိုမျိုးနားလည်သွားပါတယ်။ အဲ့အချိန်မှာဆိုရင်တော့ ခွေးနဲ့ကြောင်ပုံကို ပြပြီးခွဲခိုင်းမယ်ဆိုရင် ပိုပြီးတိတိကျကျထွက်လာနိုင်မှာပဲဖြစ်ပါတယ်။ ဒီ Machine Learning ကြောင့်ပဲ စက်ရုပ်ပိုင်းဆိုင်ရာတွေမှာပါအကြီးအကျယ်တိုးတက်သွားစေခဲ့ပါတယ်။
နောက်ထပ် Deep Learning ဆိုတာကျန်ပါသေးတယ်။ သူက Machine Learning နဲ့ဘာကွာသလဲဆိုရင် Deep Learning မှာ ရှုပ်တဲ့ Algorithm တွေနဲ့ ဒေတာတွေအများကြီးကနေသင်ယူပြီးတော့မှ အဖြေတစ်ခုကိုထုတ်ပေးနိုင်တာပါ။ ဒါပေမဲ့ Machine Learning မှာကျတော့ Algorithm တွေကို တိတိကျကျမသင်ခိုင်းဘဲ Dataတွေကိုပြပြီးတော့ ကိုယ်တိုင်သင်ယူနိုင်တဲ့ Algorithm တချို့ကိုထည့်ပေးထားတာပါ။ အဓိကအနေနဲ့ Deep Learning ရဲ့ Algorithm တွေက Machine Learning မှာထက် တော်တော်လေးကိုပိုရှုပ်ထွေးပါတယ်။ Deep Learning ရဲ့ Algorithm တွေမှာဆိုရင် ဒေတာတွေကိုမှတ်မိဖို့နဲ့ အဲ့တာတွေကိုပြန်သုံးနိုင်ဖို့ အပြန်အလှန်ချိတ်ဆက်ပေးနေတဲ့ layer တွေအများကြီးပါ၀င်နေပါတယ်။ ဒါပေမဲ့ Machine Learning မှာကျတော့ Algorithm တွေက သမာရိုးကျအတိုင်း ခန့်မှန်းနိုင်ဖို့အတွက် ပိုပြီးရိုးရှင်းတဲ့ ပုံစံနဲ့ဖန်တီးထားပါတယ်။ နောက်ထပ်ကွာခြားချက်တစ်ခုက လိုအပ်တဲ့ဒေတာပမာဏပါ။ Deep Learning က ပုံမှန်အနေနဲ့ တိတိကျကျလေ့လာနိုင်ဖို့အတွက် ဒေတာအများအပြားလိုအပ်ပေမဲ့ Machine Learning မှာတော့ ဒေတာအနည်းငယ်နဲ့ပဲ သင်ယူလို့ရနိုင်ပါတယ်။ ဒါကြောင့် ယေဘုယျအနေနဲ့ Deep Learning ကို ပိုပြီးရှုပ်ထွေးတဲ့ အလုပ်တွေနဲ့ အခြားကိစ္စအကြီးတွေကို ဖြေရှင်းတဲ့နေရာမှာ Machine Learning ထက် ပိုပြီးအသုံးပြုများကြပါတယ်။
AI ကနေ ပြုလုပ်ပေးနိုင်တဲ့ ကိုယ်ပိုင်အသိဉာဏ်နဲ့ ထိန်းချုပ်နိုင်တဲ့ စက်တွေရဲ့ တိုးတက်မှုတွေက ကျနော်တို့ရဲ့ ကမ္ဘာကိုကြီးကြီးမားမားပြောင်းလဲပေးနိုင်တဲ့ အလားအလာရှိပါတယ်။ ဒီစနစ်တွေက သူတို့အနီးနားက ပတ်၀န်းကျင်ကို နားလည်နိုင်ပြီး အဲ့နားလည်မှုကနေတစ်ဆင့် ဆုံးဖြတ်ချက်တွေချနိုင်ဖိူ့အတွက် အဆင့်မြင့်အာရုံခံကိရိယာတွေ၊ ရှုပ်ထွေးတဲ့ Algorithmတွေကိုအသုံးပြုပြီးတော့ ပေါင်းစပ်ဖန်တီးရပါတယ်။ ဥပမာအနေနဲ့ လမ်းသွားလမ်းလာတွေ၊ စက်ဘီးစီးသူတွေနဲ့ အခြားယာဉ်တွေလို သူ့ရဲ့ပတ်ဝန်းကျင်မှာရှိတဲ့ အရာတွေကို မြင်နိုင်ပြီး အာရုံခံတုံ့ပြန်နိုင်ဖို့အတွက် မောင်းသူမဲ့ကားက အထူးပြုလုပ်ထားတဲ့ LiDAR တို့လိုကွန်ပျူတာ sensor ကို အသုံးပြုရပါတယ်။ အဲ့ Sensor ကနေ တစ်ခုခုကိုဖမ်းယူမိတာနဲ့ တစ်ပြိုင်နက်တည်းမှာပဲ Machine Learning မှာပါတဲ့ Algorithm တွေက ပေးပို့လာတဲ့ ဒေတာတွေကို ခွဲခြမ်းစိတ်ဖြာပြီး အရာဝတ္ထုရဲ့နောက်ပြုလုပ်လာနိုင်တဲ့ အပြုအမူကို ခန့်မှန်းပြီး ကားအတွက် ဘေးကင်းတဲ့လမ်းကြောင်းကို စီစဉ်ပေးပြီးတော့ ဖြစ်ပေါ်လာနိုင်တဲ့ အန္တရာယ်တွေကို ရှောင်ကွင်းစေနိုင်ပါတယ်။ အဲ့ဒီလို နည်းပညာတွေ တိုးတက်ပြောင်းလဲလာတာနဲ့အမျှ ကိုယ်တိုင်ဆုံးဖြတ်နိုင်တဲ့ ဉာဏ်ရည်ရှိတဲ့ AI တွေကို အသုံးချမှုတွေက ကြီးမားလာမှာဖြစ်ပြီးတော့ သယ်ယူပို့ဆောင်ရေးလိုနယ်ပယ်တွေမှာ Automation တွေကို အစားထိုးအသုံးပြုလာနိုင်ကြမှာပဲဖြစ်ပါတယ်။
Artificial Intelligence ကို အသုံးပြုပြီး ရောဂါရှာဖွေခြင်း၊ ကုသမှုပိုင်းတွေမှာ အသုံး၀င်တဲ့ပစ္စည်းတွေတီထွင်နိုင်လာပြီးတော့ ကျန်းမာရေးစောင့်ရှောက်မှုလုပ်ငန်းတွေကိုပါ တိုးတက်လာစေမှာပါ။ Machine Learning ကိုအသုံးပြုပြီးတော့ အီလက်ထရွန်းနစ်ကျန်းမာရေးမှတ်တမ်းတွေ၊ ဆေးဘက်ဆိုင်ရာပုံတွေနဲ့ ဆေးဘက်ဆိုင်ရာ ဒေတာတွေကို လေ့ကျင့်သင်ကြားပေးခြင်းကနေ လူနာနဲ့ပတ်သက်တဲ့ရလဒ်တွေကို အဖြေထုတ်ပေးနိုင်မှာပါ။ ဥပမာ AI အနေနဲ့ ဆေးဘက်ဆိုင်ရာပုံတွေကို ကိုယ်တိုင်ခွဲခြမ်းစိတ်ဖြာပြီးတော့ ကင်ဆာ ဒါမှမဟုတ် အခြားရောဂါတွေရဲ့လက္ခဏာတွေကို ပိုပြီးမြန်မြန်ခွဲခြားသတ်မှတ်နိုင်မှာဖြစ်ပြီးတော့ လူနာတွေကို ဆရာ၀န်တွေအနေနဲ့ ပိုပြီးမြန်မြန်ဆန်ဆန်ကုသပေးလာနိုင်မှာပဲဖြစ်ပါတယ်။ အဲ့ဒီလိုပဲ ဆီးချို ဒါမှဟုတ် နှလုံးရောဂါတွေကို ဖြစ်လာနိုင်ချေရှိတဲ့ လူနာတွေကို ရောဂါလက္ခဏာကြည့်ပြီး မြန်မြန်ကုသဖို့အတွက် အထောက်အကူဖြစ်လာစေမှာပါ။ ယေဘုယျအနေနဲ့ ကျန်းမာရေးစောင့်ရှောက်မှုတွေမှာ AI တွေကို အသုံးပြုခြင်းကနေ လူနာတွေရဲ့ရလဒ်တွေ ကိုမြန်မြန်ဆန်ဆန်ထုတ်ပေးနိုင်တာတွေ၊ ပိုပြီးထိရောက်မှုရှိပြီးတော့ လူနာတွေအတွက်ရော ဆေးရုံအတွက်ပါ ကုန်ကျစရိတ်တွေကို လျှော့ချလာနိုင်တာတွေကြောင့်ပဲ AI ကို စိတ်၀င်စားမှုပိုပြီးတိုးလာကြပါတယ်။
AI က ကျနော်တို့ကို ပိုပြီးဆန်းသစ်တဲ့ တီထွင်မှုတွေအတွက် ကြီးမားတဲ့အလားအလာရှိတယ်ဆိုပေမယ့်လည်း AI အအနေနဲ့ ကျနော်တို့ရဲ့လူ့အဖွဲ့အစည်းအပေါ်မှာ အကျိုးသက်ရောက်မှုကြီးလာတာကိုစိုးရိမ်လာတာတွေလည်းရှိပါတယ်။ အဓိကအနေနဲ့ Automation တွေနဲ့ AI တွေလို လူသားမလိုဘဲ ကိုယ်တိုင်အလုပ်လုပ်နိုင်တဲ့ အရာတွေကြောင့် ကျနော်တို့လူသားတွေရဲ့ အလုပ်အကိုင်တွေကို အစားထိုးခံလာရမှာကို စိုးရိမ်နေကြပါတယ်။ ဒီပြဿနာတွေကိုဖြေရှင်းဖို့အတွက် AI တွေရဲ့ အကျိုးကျေးဇူးတွေကို သေချာနားလည်ဖို့လည်းလိုပါသေးတယ်။ AI ကိုဘယ်လောက်အထိအသုံးချမယ်ဆိုတာအပေါ်မူတည်ပြီးတော့ လူသားလုပ်သားတွေရဲ့ အလုပ်အကိုင်တွေကလည်း နည်းသထက်နည်းလာမှာပါ။ လက်ရှိအချိန်မှာတော့ စိုးရိမ်စရာကောင်းတဲ့ အနေအထားမှာမရှိသေးဘူးဆိုပေမယ့် နောင်မဝေးတော့တဲ့အနာဂတ်မှာဆိုရင်တော့ သာမန်လူသားတိုင်းလုပ်နိုင်လောက်တဲ့ လုပ်ငန်းတွေမှာ လူသားတွေအစား AI တွေ ဒါမှမဟုတ် ကိုယ်တိုင်အလုပ်လုပ်နိုင်တဲ့ Automation တွေက အနည်းနဲ့အများအစားထိုးလာကြတော့မှာပါ။ ဥပမာအနေနဲ့ Taxi တွေ Public Bus တွေမှာ လူသားယာဉ်မောင်းတွေအနေနဲ့ လူသားဖြစ်တဲ့အလျောက် အမှားတွေလုပ်မိနေမှာပါ။ ဥပမာအနေနဲ့ ကားမောင်းရင်း အိပ်ငိုက်တာတို့၊ ယာဉ်စည်းကမ်း၊ လမ်းစည်းကမ်းမလိုက်နာတာမျိုးတွေလိုမျိုးကို ကားသမားအတော်များများမှာ တွေ့ရလေ့ရှိတယ်ဆိုပေမဲ့ AI တွေမှာဆိုရင်တော့ အဲ့ဒီလိုပြဿနာရှိလာတော့မှာမဟုတ်ပါဘူး။ ဒါပေမဲ့လည်း အခြားပြဿနာတွေရှိလာဦးမှာပါ။ အခုချိန်မှာလည်း တကယ့်လမ်းတွေမှာ အသုံးပြုနိုင်ဖို့အတွက် ဒီထက်တိုးတက်တဲ့ နည်းပညာအချို့လိုအပ်လျက်ရှိနေပါသေးတယ်။
နောက်ဆုံးအနေနဲ့ ကျနော်တို့တွေတွေးထားတဲ့အတိုင်းပဲ ဉာဏ်ရည်တုနည်းပညာက ကျနော်တို့ရဲ့ အလုပ်လုပ်တဲ့ပုံစံတွေကိုပါ ပြောင်းလဲစေနိုင်ဖို့ အလားအလာရှိတဲ့ နည်းပညာနယ်ပယ်တစ်ခုဖြစ်တာကို ငြင်းလို့တော့မရပါဘူး။ ဒါပေမဲ့လည်း AI ဒီထက်ပိုပြီးအဆင့်မြင့်လာတာနဲ့အမျှ ကျနော်တို့ရဲ့ လူ့ကျင့်ဝတ်တွေ၊ လူမှုရေးဆိုင်ရာ သက်ရောက်မှုတွေကိုပါ ထည့်သွင်းစဦးစားဖို့လိုအပ်မှာပါ။ A Iရဲ့အကျိုးကျေးဇူးတွေကို ကောင်းမွန်တဲ့တိုးတက်ခြင်းတွေအတွက် မျှမျှတတအသုံးပြုပြီးတော့ ရှိရင်းစွဲ လူသားတွေရဲ့ အလုပ်အကိုင်တွေနဲ့ အခြားအရာတွေကို ထိခိုက်မှုကြီးကြီးမားမားမရှိစေဖို့လည်း အတော်လေးကိုအရေးကြီးပါတယ်။ ဒါတွေကြောင့်ပဲ ကျနော်တို့ရဲ့ ဘ၀ကို မြှင့်တင်နိုင်ဖို့နဲ့ လူသားအားလုံးအတွက် ပိုပြီးကောင်းမွန်တဲ့ အနာဂတ်ကို ဖန်တီးဖို့ AI ကို အကျိုးရှိရှိအသုံးချနိုင်မှာပဲဖြစ်ပါတယ်။
Written by - Htoo Tay Za
Edited by - Fact Hub Editor Team
𝟮𝟬𝟮𝟯-𝟮𝟬𝟮𝟰 𝗖𝗼𝗽𝘆𝗿𝗶𝗴𝗵𝘁 ©️ | 𝗙𝗮𝗰𝘁 𝗛𝘂𝗯 𝗠𝘆𝗮𝗻𝗺𝗮𝗿