AI သိပ္ပံ

AI သိပ္ပံပညာရှင်များ

AI သိပ္ပံပညာရှင်များသည် သာမန်အားဖြင့် လူသားဉာဏ်ရည်လိုအပ်သည့် အလုပ်များကို လုပ်ဆောင်နိုင်သည့် algorithms ဖြင့် ဆော့ဖ်ဝဲလ်ကို တည်ဆောက်သည်။

AI သိပ္ပံပညာရှင်များသည် AI နယ်ပယ်ပေါင်းစုံတွင် ကျွမ်းကျင်သူများ ဖြစ်နိုင်သည်-

• အသုံးချသင်္ချာ
• တွက်ချက်မှုစာရင်းဇယား
• ကွန်ပျူတာသိပ္ပံ
• စက်သင်ယူမှု
• နက်နက်ရှိုင်းရှိုင်း သင်ယူခြင်း။

အချို့သော AI သိပ္ပံပညာရှင်များသည် သိသာထင်ရှားသော ဒေတာကြီးကြီးမားမား အတွေ့အကြုံလည်း ရှိသည်-

• စီးပွားရေး ထောက်လှမ်းရေး
• Data Base ဒီဇိုင်း
• Data Warehouse ဒီဇိုင်း
• ဒေတာတူးဖော်ခြင်း
• SQL Queries
• SQL အစီရင်ခံခြင်း။

AI အားနည်းတယ်။

အားနည်းသော Artificial Intelligence ကို ယနေ့ကျွန်ုပ်တို့ပတ်ဝန်းကျင်တွင်ရှိသော AI အများစုကဲ့သို့ သီးခြား သို့မဟုတ် ကျဉ်းမြောင်းသော ဧရိယာများတွင် ကန့်သတ်ထားပါသည်။

• ရှာဖွေရေးအင်ဂျင်များ
• Apple ၏ Siri
• Microsoft ၏ Cortana
• Amazon ၏ Alexa
• IBM ၏ Watson

Weak AI ကို Narrow AI လို့လည်း ခေါ်ပါတယ်။

အားနည်းသော AI သည် လူသား၏အသိဉာဏ် ရှိသည့် ပြင်းထန်သော AI နှင့်မတူဘဲ လူသား၏အသိဉာဏ်ကို တု ပ သည် ။

ခိုင်မာသော AI

ခိုင်မာသော Artificial Intelligence သည် လူသားဉာဏ်ရည်ကို တုပသည့် AI အမျိုးအစားဖြစ်သည်။

အားကောင်းသော AI သည် တွေးခေါ်နိုင်မှု၊ စီစဉ်မှု၊ သင်ယူမှုနှင့် ဆက်သွယ်နိုင်စွမ်းတို့ကို ညွှန်ပြသည်။

Strong AI သည် AI ၏ သီအိုရီအရနောက်ထပ်အဆင့်ဖြစ်သည်- True Intelligence ဖြစ်သည်။

အားကောင်းသော AI သည် မိမိကိုယ်ကို အသိတရား၊ အသိဥာဏ်နှင့် ရည်မှန်းချက်အတွေးများဖြင့် စက်ဆီသို့ ရွေ့လျားသည်။

စက်သင်ယူခြင်း (ML)

Classical programming သည် ရလဒ်များဖန်တီးရန် ပရိုဂရမ်များကို အသုံးပြုသည်-

Machine Learning သည် ပရိုဂရမ်များ (algorithms) ဖန်တီးရန် ရလဒ်များကို အသုံးပြုသည်-

Neural Networks (NN)

သမိုင်းတွင် အထင်ရှားဆုံး တွေ့ရှိမှုတစ်ခုမှာ Neural Networks (NN) ၏ စွမ်းအားဖြစ်သည်။

Neural Networks တွင်၊ Neurons ဟုခေါ်သော ဒေတာအလွှာများစွာကို ဒေ တာအဆင့်သစ်များတွက်ချက်ရန်အတွက် တစ်ခုနှင့်တစ်ခုအပေါ်ထပ်တွင် ပေါင်းထည့်ထားသည်။

အသုံးများသော အတိုကောက်အမည်များ

• DNN Deep Neural Network
• CNN Convolutional Neural Network
• RNN Recurrent Neural Network

Deep Learning (DL)

Deep Learning သည် ပိုမိုမြင့်မားသောအဆင့်ဒေတာကိုထုတ်ယူရန် Neural Networks ကို အသုံးပြုသည့် အယ်လဂိုရီသမ် များဖြစ်သည်။

အလွှာတစ်ခုစီသည် ရှေ့အလွှာကို ထည့်သွင်းမှုအဖြစ် အသုံးပြုသည်။

ဥပမာအားဖြင့်၊ optical reading သည် အစွန်းများကို ခွဲခြားသတ်မှတ်ရန် အနိမ့်ပိုင်းအလွှာများကို အသုံးပြုကာ စာလုံးများကို ခွဲခြားသတ်မှတ်ရန် ပိုမိုမြင့်မားသောအလွှာများကို အသုံးပြုသည်။

Deep Learning တွင် အဆင့်နှစ်ဆင့်ရှိသည်။

1. လေ့ကျင့်ရေး- မော်ဒယ်၏ ဘောင်များကို တွက်ချက်ရန်အတွက် ထည့်သွင်းဒေတာကို အသုံးပြုပါသည်။

2. Inference- "လေ့ကျင့်သင်ကြားထားသော" မော်ဒယ်သည် ပေးထားသည့် ထည့်သွင်းမှုမှ ဒေတာကို ထုတ်ပေးသည်။

နက်နဲသောသင်ယူမှုတော်လှန်ရေး

နက်နဲသော သင်ယူမှု တော်လှန်ရေး သည် ဤနေရာတွင် ရှိနေပါသည်။

နက်ရှိုင်းသောသင်ယူမှုတော်လှန်ရေးသည် 2010 ခုနှစ်ဝန်းကျင်တွင်စတင်ခဲ့သည်။ ထိုအချိန်မှစ၍၊ Deep Learning ကို "မဖြေရှင်းနိုင်သော" ပြဿနာများစွာကိုဖြေရှင်းရန်အသုံးပြုခဲ့သည်။

ဥပမာများ

Convolutional Neural Networks (CNNs)

ResNeta နှင့် Inception ကဲ့သို့သော Deep CNN များသည် ImageNet အမျိုးအစားခွဲခြားမှု တွင် အမှားအယွင်းနှုန်းကို 2011 ခုနှစ်တွင် 25% မှ 2017 ခုနှစ်တွင် 5% သို့ လျှော့ချခဲ့သည်။

ImageNet သည် WordNet hierarchy အရ ဖွဲ့စည်းထားသော ပုံဒေတာဘေ့စ်တစ်ခုဖြစ်ပြီး အထက်အောက် node တစ်ခုစီတွင် ပုံပေါင်း ရာနှင့်ချီ၍ ပါဝင်ပါသည်။ ImageNet သည် ရုပ်ပုံများကို ဝါသနာပါသော သုတေသီများ၊ ပညာပေးသူများ၊ ကျောင်းသားများနှင့် အခြားလူတိုင်းအတွက် အသုံးဝင်သောအရင်းအမြစ်တစ်ခုဖြစ်သည်။

WordNet သည် ဘာသာစကားပေါင်း 200 ကျော်ရှိ စကားလုံးများကြားတွင် ဝေါဟာရဆက်ဆံရေးဆိုင်ရာ အဘိဓာန်ဒေတာဘေ့စ်တစ်ခုဖြစ်သည်။ ၎င်းကို အဘိဓာန်နှင့် အဘိဓာန်ပေါင်းစပ်မှုအဖြစ် စုစည်းထားပြီး စကားလုံးများကို အဓိပ္ပါယ်တူတူ၊ အခေါ်အဝေါ်များနှင့် အဓိပ္ပါယ်တူများကို အသုံးပြုကာ ဝေါဟာရဆက်ဆံရေးသို့ ပေါင်းစပ်ထားသည်။

ထပ်တလဲလဲ Neural Networks (RNNs)

RNN များသည် ဂီတရမှတ်များနှင့် ဆန်းသစ်သော တူရိယာအသံများ ဖန်တီးရန် ကူညီပေးသည်-
https://magenta.tensorflow.org/demos ။

AI ၏သမိုင်း