ဆင်တူသလိုလိုနှင့် မတူညီတဲ့ Machine Learning နှင့် Generative AI ကွဲပြားပုံ

AI လို့ပြောရင် Artificial Intelligence လို့လူတိုင်းသိကြပေမယ့်​ Machine Learning နှင့် Generative AI ရဲ့ မတူညီမှုကိုတော့ လူတိုင်းမသိကြပါဘူး။ ဒီတစ်ခေါက်မှာတော့ Machine Learning က ဘာလဲ၊ Generative AI က ဘယ်လိုအလုပ်လုပ်လဲဆိုတာ ပြောပြပေးသွားမှာ ဖြစ်ပါတယ်။

Machine Learning ကို သိရှိနားလည်ခြင်း

Machine Learning က AI အမျိုးအစားတစ်ခုဖြစ်ပြီး ကိုယ်ပေးတဲ့ Data တွေအပေါ်အခြေခံပြီး လူသားတွေအတွက် ဆုံးဖြတ်ချက်ကို ချပေးတဲ့ AI အမျိုးအစားဖြစ်ပါတယ်။ ကိုယ်ပေးတဲ့ Data တွေ များလာလေလေ ဆုံးဖြတ်ချက်ချတဲ့နေရာမှာ များစွာအထောက်အကူဖြစ်လေပါပဲ။ ကြိုတင်တွက်ချက်မှုတွေ၊ ဆုံးဖြတ်ချက်ချမှုတွေမှာ များစွာအထောက်အကူဖြစ်လေပါပဲ။ Machine Learning မှာ အဆင့် ၃ဆင့် ပါဝင်ပါတယ်။

• Data Collection : Data တွေကို စုဆောင်းပြီး ရလာဒ်တွေကို တွက်ချက်ဖို့ ကိုယ်တိုင်လေ့လာတာဖြစ်ပါတယ်။
• Training: ရရှိထားတဲ့ Data တွေကို အသုံးပြုပြီး Patterns တွေကို ဆွဲယူတာဖြစ်ပါတယ်။ ဥပမာ ဘယ်အရာလုပ်ရင် ဘယ်အရာဖြစ်သွားနိုင်လဲဆိုတာ တွက်ချက်တာမျိုးဖြစ်ပါတယ်။ သကြားများများထည့်ရင် အချိုများပြီး ဆီးချိုရောဂါ ဖြစ်လာနိုင်တာမျိုးကို တွက်ချက်တာမျိုးဖြစ်ပါတယ်။
• ​Validation & Testing: အသစ်အသစ်သော Data တွေကို ကောင်းမွန်စွာ ရလဒ်ကောင်းထွက်အောင် လုပ်ဆောင်ပြီး စမ်းသပ်တာမျိုးဖြစ်ပါတယ်။

Machine Learning မှာ Supervised & Unsupervised learning ဆိုပြီး နှစ်မျိုးရှိပါတယ်။ Supervised Learning ဆိုတာကတော့ ထည့်သွင်းထားတဲ့ Data တွေကို train ပြီး ထွက်ရှိလာတဲ့ output ကလည်း ထည့်သွင်းထားတဲ့ Data နဲ့ ကိုက်ညီမှု ရှိနေတာမျိုးဖြစ်ပါတယ်။ Unsupervised learning ကတော့ patterns တွေကို ကိုယ့်ဟာကိုယ် ချိန်ညှိပြီး result တွေကို ကိုယ်တိုင်တွက်ချက်တာမျိုးဖြစ်ပါတယ်။ တစ်ကယ့်လက်တွေ့မှာတော့ နှစ်ခုလုံးကို ချိန်ညှိပြီး အသုံးပြုကြပါတယ်။

Machine Learning ရဲ့ လက်တွေ့ဥပမာတွေကို ပြောရမယ်ဆိုရင်တော့ ယခုဖော်ပြပါ ဥပမာတွေပဲ ဖြစ်ပါတယ်။

• ငွေကြေးအနာဂတ်ကို တွက်ချက်ပေးခြင်း – အနာဂတ်မှာ ဖြစ်လာနိုင်တဲ့ ငွေကြေးဆိုင်ရာ stocks စျေးနှုန်းတွေကို လက်ရှိ data တွေအပေါ်အခြေခံပြီးတွက်ချက်ပေးတာမျိုး
• Recommendation Systems – Netflix, Amazon တို့က ဒီနည်းလမ်းကို အသုံးပြုပြီး အသုံးပြုသူတွေကြည့်နိုင်မယ့် ရုပ်ရှင်၊ စာအုပ်တွေကို အကြံပေးတာမျိုး ဖြစ်ပါတယ်။ ကိုယ်ကြည့်တဲ့ ရုပ်ရှင် အမျိုးအစား၊ ဖတ်တဲ့စာအုပ်တွေအပေါ်မူတည်ပြီး တွက်ချက်ပေးတာမျိုး ဖြစ်ပါတယ်။
• Healthcare Diagnostics: ကျန်းမာရေးနယ်ပယ်တွေမှာ အသုံးပြုတဲ့ Machine Learning အမျိုးအစားဖြစ်ပါတယ်။ လူနာရဲ့ ရောဂါဖြစ်နေတဲ့ပုံ (ဥပမာ- အနာဖြစ်နေတဲ့နေရာ) ကို ထည့်သွင်းလိုက်ရုံနှင့် ဘာတွေလုပ်ဆောင်ရမလဲဆိုတာ အဖြေတစ်ခါတည်း တန်းထုတ်ပေးတာမျိုးဖြစ်ပါတယ်။

Generative AI အလုပ်လုပ်ပုံ

Generative AI တွေက Generative Adversarial Network (GANs), Variational Autoencoders (VAEs), Large Language Models (LLMs) တွေအပေါ်အခြေခံပြီး အလုပ်လုပ်ကြပါတယ်။

LLMs model အမျိုးအစားတွေ့တော့ GPT-4.0, LLAMA (သို့) Gemini လိုမျိုး AI တွေက လူတွေထည့်သွင်းတဲ့ text ကို သိရှိရုံနှင့် ထွက်ရှိလာမယ့် results တွေကို တွက်ချက်ပေးနိုင်ပါတယ်။ ဥပမာ ဘာသာပြန်ပေးတာမျိုး၊ content တွေကို ဖန်တီးပေးတာမျိုး နှင့် စကားပြောအဖော်လိုမျိုး စွမ်းဆောင်ပေးနိုင်ပါတယ်။

GANs: အဓိကအားဖြင့် networks နှစ်မျိုးပါဝင်ပြီး Generator နှင့် ​Discriminator ဖြစ်ပါတယ်။ Generators ကတော့ Data အသစ်တွေကို ဖန်တီးပြီး Discriminator ကတော့ သုံးသပ်တာဖြစ်ပါတယ်။ Generators ကတော့ လက်တွေ့နှင့်နီးစပ်တဲ့ Data ကို အတက်နိုင်ဆုံးရရှိအောင်ထုတ်လုပ်တာဖြစ်ပါတယ်။

VAEs: Probabilistic model အမျိုးအစားကို အသုံးပြုပြီး ပိုပြီးကျယ်ပြန့်တဲ့ results တွေကို တွက်ထုတ်ပေးတာမျိုး ဖြစ်ပါတယ်။

လက်တွေ့မှာအသုံးပြုနေတဲ့ Generative AI နမူနာတွေကတော့ Chatbots တွေဖြစ်ပြီး ChatGPT ကလည်း Generative AI ကို အသုံးပြုထားတာဖြစ်ပါတယ်။ လူတစ်ယောက်ကဲ့သို့ စကားပြောနိုင်ပြီး အကြံဉာဏ်တွေလည်းပေးနိုင်ပါတယ်။ Deepfake Technology တွေဖြစ်တဲ့ ရုပ်နှင့် အသံကိုတူအောင် လိုက်လုပ်ထားတာကလည်း Generative AI နည်းပညာပဲ ဖြစ်ပါတယ်။

အနှစ်ချုပ်ပြောရမယ်ဆိုရင်တော့ Machine Learning က ထည့်သွင်းပေးတဲ့ Data တွေအပေါ် ခြေခံပြီး တွက်ချက်ပေးတာဖြစ်ပါတယ်။ Generative AI ကတော့ လူသားတွေလုပ်နိုင်တာထက် ပိုပြီး တွက်ချက်ပေးနိုင်တာမျိုး၊ ဖန်တီးပေးနိုင်တာမျိုး လုပ်နိုင်ပါတယ်။ Output ထုတ်ပေးတဲ့အနေနှင့်ကတော့ Machine Learning model က ကြိုတင်ခန့်မှန်းပေးတာမျိုးလုပ်ပြီး Generative AI ကတော့ content အသစ်၊ စာသားအသစ်၊ သီချင်းအသစ်တွေပါ ဖန်တီးပေးနိုင်စွမ်းရှိပါတယ်။ အသုံးပြုတဲ့နေရာကတော့ နှစ်ခုလုံးကို လက်တွေ့မှာ အသုံးပြုနေကြပါတယ်။ Model နှစ်ခုလုံးကို ပေါင်းစပ်ပြီး အသုံးပြုရင်တော့ အရမ်းကောင်းမွန်တဲ့ result တွေ ထွက်လာသလိုမျိုး လုံး၀လမ်းလွဲသွားတာမျိုးတွေလည်း ရှိနေပါတယ်။ မကြာတဲ့အနာဂတ်မှာတော့ data တွေကလည်း များလာနိုင်တာမို့ AI model နှစ်ခုလုံးရဲ့ result တွေကလည်း လက်တွေ့ result နှင့် အနီးစပ်ဆုံးထွက်ရှိလာနိုင်ပါတယ်။