စက်ရုပ်တွေကို အရာဝတ္ထု ထောင်ပေါင်းများစွာကို အလွယ်တကူ ကိုင်တွယ်နိုင်စေတဲ့ AI စနစ်အသစ်အကြောင်း

လူသားတွေဟာ ကာလကြာရှည်စွာ လက်စွမ်းထက်တဲ့ အရှင်သခင်တွေ ဖြစ်ခဲ့ကြသော်လည်း စက်ရုပ်တွေဟာ အာရုံဖမ်းစားနိုင်ဆဲ ဖြစ်ပါတယ်။

လူသားစွမ်းရည်တွေကို ပုံတူကူးယူရန် စက်တွေရရှိဖို့ ကြိုးပမ်းရာတွင် MIT ရဲ့ ကွန်ပျူတာသိပ္ပံနဲ့ ဉာဏ်ရည်တု ဓာတ်ခွဲခန်း (CSAIL) မှ သိပ္ပံ ပညာရှင်အဖွဲ့တစ်ဖွဲ့ဟာ ထိုကဲ့သို့သော လက်စွမ်းထက်တဲ့ စက်ရုပ်တွေကို ပေးစွမ်းနိုင်ခဲ့တဲ့ AI စနစ်အသစ်ကို တီထွင်ခဲ့ပါတယ်။

ပုံစံငယ်မရှိတဲ့ အခြေခံဖွဲ့စည်းမှုစနစ်အသစ်က လူသားတွေလို ပိုမိုကျွမ်းကျင်စွာ ကိုင်တွယ်နိုင်မှုဆီသို့ ခြေလှမ်းတစ်ခုတွင် စက်ရုပ်လက်ဖြင့် အထက်နှင့်အောက် နှစ်ဖက်စလုံးကို မျက်နှာမူရင်း အရာဝတ္ထုတွေကို ဉီးတည်ရာ လှည့်ရန် လေ့လာသင်ယူနိုင်ပါတယ်။

စက်ရုပ်လက်ဟာ ကိစ္စရပ်နှစ်ခုလုံးတွင် ဂျီဩမေ တြီအရ မတူညီတဲ့ အရာဝတ္ထု ၂၀၀၀ ကျော်ကို ကိုင်တွယ်နိုင်ပါတယ်။

အရာအားလုံးကို ကိုင်တွယ်နိုင်တဲ့ ဒီစွမ်းရည်အသစ်က ယေဘုယျအားဖြင့် မမြင်နိုင်တဲ့နေရာတွေက အရာဝတ္ထုတွေကိုတောင် လက်ဖြင့် အမြန်ကောက်ယူပြီး တိကျတဲ့လမ်းနဲ့ တည်နေရာတွေမှာ နေရာချရန် ကူညီပေးနိုင်ပါတယ်။

MIT CSAIL အဖွဲ့ဟာ လူရဲ့ထိန်းချုပ်မှုမရှိဘဲ ၂၄ ဒီဂရီလှည့်လည်နိုင်မှုနဲ့အတူ လူ့လက်လို ပုံဖော်တုပထားတဲ့ စက်ရုပ်လက်ကို အသုံးပြုခဲ့ပြီး ထိုစနစ်ကို အနာဂတ်တွင် စစ်မှန်တဲ့ စက်ရုပ်စနစ်သို့ လွှဲပြောင်းပေးနိုင်ကြောင်း သက်သေပြခဲ့ပါတယ်။

စနစ်ဟာ နက်နဲတဲ့ သင်ယူမှုနဲ့အတူ “teacher-student” လေ့ကျင့်ရေးနည်းလမ်းလို့ ခေါ်တဲ့ ပုံစံမရှိတဲ့ အားဖြည့်သင်ယူမှု အယ်လ်ဂိုရီသမ်ကို အသုံးပြုပါတယ်။

“Teacher” ကွန်ရက်ကို အတုယောင်ကမ္ဘာမှာ အလွယ်တကူရနိုင်သော်လည်း တကယ့်ကမ္ဘာမှာ မရနိုင်တဲ့ အရာဝတ္ထုနဲ့ စက်ရုပ်အကြောင်း အချက်အလက်တွေကို လေ့ကျင့်သင်ကြားထားပါတယ်။

ထို့နောက် “teacher” ရဲ့ အသိပညာကို ကင်မရာတွေနဲ့ ရိုက်ကူးထားတဲ့ နက်ရှိုင်းတဲ့ပုံတွေ၊ အရာဝတ္ထုပုံသဏ္ဍာန်နဲ့ စက်ရုပ်ရဲ့ အဆစ်အနေ အထားတွေ ကဲ့သို့သော လက်တွေ့ကမ္ဘာတွင် ရရှိနိုင်တဲ့ စူးစမ်းလေ့လာမှုတွေအဖြစ် ပေါင်းထည့်ထားပါတယ်။

စက်ရုပ်ဟာ ယခင်က မမြင်ဖူးတဲ့ အရာဝတ္ထု အများအပြားကို အသွင်သဏ္ဌာန် မသိဘဲ လှည့်ပြောင်းနိုင်ပါတယ်။

သူဟာ ပန်းသီး၊ တင်းနစ်ဘောလုံး၊ စကျင်ကျောက်တွေကဲ့သို့ သေးငယ်ပြီး စက်ဝိုင်းပုံသဏ္ဍာန်ရှိတဲ့ အရာဝတ္ထုတွေကို ၁၀၀% အောင်မြင်မှုနှုန်းဖြင့် ကိုင်တွယ်နိုင်ပါတယ်။

သို့သော် ဇွန်း၊ ဝက်အူလှည့် သို့မဟုတ် ကတ်ကြေးကဲ့သို့ ပိုမိုရှုပ်ထွေးသော အရာဝတ္ထုတွေနဲ့ ပတ်သက်လာတဲ့အခါမှာ သူ့ရဲ့ အောင်မြင်မှုနှုန်းဟာ ၃၀% နီးပါး ကျဆင်းသွားပါတယ်။

အောင်မြင်မှုနှုန်းတွေဟာ အရာဝတ္တုပုံသဏ္ဍာန်နဲ့အတူ ပြောင်းလဲနေတာကြောင့် အနာဂတ်တွင် အရာဝတ္ထုပုံသဏ္ဍာန်တွေကို အခြေခံ၍ ပုံစံငယ်ကို သင်ကြားပေးခြင်းဟာ စွမ်းဆောင်ရည်ကို တိုးတက်စေနိုင်ကြောင်း အဖွဲ့မှ မှတ်ချက်ဆိုထားပါတယ်။

သို့တိုင် စနစ်မှာ ကြီးမားတဲ့အလားအလာရှိပါတယ်။

၎င်းသည် ကိရိယာ တန်ဆာပလာတွေကို အကွက်တွေထဲသို့ ထုပ်ပိုးခြင်း သို့မဟုတ် ပိုမို ကျယ်ပြန့်တဲ့ ကိရိယာတွေကို သွက်သွက် လက် လက် ကိုင်တွယ်ခြင်း ကဲ့သို့သော ဘုံလိုအပ်ချက်တွေကို ကူညီ ပံ့ပိုးပေးတဲ့ ထောက်ပံ့ပို့ဆောင်ရေးနဲ့ ထုတ်လုပ်မှု လုပ်ငန်းကို အရှိန်မြှင့်ရာတွင် အထောက် အကူဖြစ်နိုင်ပါတယ်။

ရေးသားသူ – Lily (Knowledgeworms team)

Post Views: 1,776