စကားပြောအသိအမှတ်ပြုမှုတွင် Artificial Intelligence နှင့် Machine Learning ၏ အခန်းကဏ္ဍ

စကားပြောအသိအမှတ်ပြုမှုတွင် Artificial Intelligence နှင့် Machine Learning ၏ အခန်းကဏ္ဍ

လူတွေက စက်တွေနဲ့ စကားပြောချင်နေတာ ကြာပြီ။ ကွန်ပျူတာများကို စတင်တည်ဆောက်ချိန်မှစ၍ သိပ္ပံပညာရှင်များနှင့် အင်ဂျင်နီယာများသည် စကားပြောအသိအမှတ်ပြုခြင်းကို လုပ်ငန်းစဉ်တွင် ထည့်သွင်းရန် ကြိုးစားခဲ့ကြသည်။ 1962 တွင် IBM သည် ရိုးရှင်းသောသင်္ချာတွက်ချက်မှုများကို လုပ်ဆောင်နိုင်သည့် စကားပြောမှတ်သားမှုစက် Shoebox ကို မိတ်ဆက်ပေးခဲ့သည်။ ဤဆန်းသစ်သောစက်ပစ္စည်းသည် “0” မှ “9” မှ ဂဏန်းဆယ်လုံးအပါအဝင် စကားပြော 16 လုံးကို အသိအမှတ်ပြုပြီး တုံ့ပြန်ပါသည်။ “အပေါင်း” “အနုတ်” နှင့် “စုစုပေါင်း” ကဲ့သို့သော ဂဏန်းများနှင့် အမိန့်ပေးစကားလုံးများကို ပြောသောအခါ၊ ရိုးရှင်းသောဂဏန်းသင်္ချာပြဿနာများအတွက် အဖြေများကို တွက်ချက်ရန်နှင့် ပရင့်ထုတ်ရန် Shoebox မှ ပေါင်းထည့်သည့်စက်ကို ညွှန်ကြားခဲ့သည်။ ဖိနပ်ဘောက်စ်ကို မိုက်ခရိုဖုန်းဖြင့် စကားပြောခြင်းဖြင့် လည်ပတ်ပြီး အသံများကို လျှပ်စစ်တွန်းအားများအဖြစ် ပြောင်းလဲပေးသည်။ တိုင်းတာရေးပတ်လမ်းတစ်ခုသည် ဤတွန်းအားများကို အသံအမျိုးအစားများအလိုက် ခွဲခြားထားပြီး တွဲဆက်ထည့်သည့်စက်ကို relay စနစ်ဖြင့် အသက်သွင်းသည်။

အချိန်ကြာလာသည်နှင့်အမျှ၊ ဤနည်းပညာသည် ဖွံ့ဖြိုးလာပြီး ယနေ့ခေတ်တွင် ကျွန်ုပ်တို့အများစုသည် ကွန်ပျူတာနှင့် အသံဖြင့် ပုံမှန် အပြန်အလှန် ဆက်သွယ်ကြသည်။ ယနေ့ခေတ်ရေပန်းအစားဆုံး အသံလက်ထောက်များမှာ Amazon မှ Alexa၊ Apple မှ Siri၊ Microsoft မှ Google Assistant နှင့် Cortana တို့ဖြစ်သည်။ ဤလက်ထောက်များသည် ညွှန်ကြားချက်များ သို့မဟုတ် မေးခွန်းများအပေါ် အခြေခံ၍ တစ်ဦးချင်းစီအတွက် အလုပ်များ သို့မဟုတ် ဝန်ဆောင်မှုများကို လုပ်ဆောင်နိုင်သည်။ ၎င်းတို့သည် လူ့စကားများကို အဓိပ္ပါယ်ဖွင့်ဆိုနိုင်ပြီး ပေါင်းစပ်ထားသော အသံများမှတစ်ဆင့် တုံ့ပြန်နိုင်သည်။ အသုံးပြုသူများသည် ၎င်းတို့၏ လက်ထောက်မေးခွန်းများမေးခြင်း၊ အိမ်သုံး အလိုအလျောက်စနစ်သုံး စက်များနှင့် မီဒီယာဖွင့်ခြင်းတို့ကို ထိန်းချုပ်နိုင်ပြီး အီးမေးလ်၊ လုပ်စရာစာရင်းများနှင့် ပြက္ခဒိန်များကို နှုတ်မိန့်များဖြင့် စီမံခန့်ခွဲနိုင်ပါသည်။ ဤအသံဖြင့်မောင်းနှင်သော စက်များကို ကျွန်ုပ်တို့ ပိုသုံးလေ ပိုဖြစ်လာလေဖြစ်သည်။ ဥာဏ်ရည်တု (AI) နှင့် စက်သင်ယူမှုအပေါ် မူတည်သည်။

ဥာဏ်ရည်တု (AI)

Artificial Intelligence (AI) လို့ ပြောတဲ့အခါ AI ဟာ ကျွန်ုပ်တို့ရဲ့နေ့စဉ်ဘ၀မှာ အလွန်မြှုပ်နှံထားပေမဲ့ သိပ္ပံစိတ်ကူးယဉ်အကြောင်း ပြောနေတာလို့ လူအများက ထင်ကောင်းထင်နိုင်ပါတယ်။ တကယ်တော့ ဆယ်စုနှစ်တွေကြာခဲ့ပြီ။ သို့သော် အမှန်မှာ၊ ²⁰ ရာစုအစတွင် လူအများအား ဥာဏ်ရည်တုဖြင့် လူနှင့်တူသော စက်ရုပ်များနှင့် ရင်းနှီးအောင်ပြုလုပ်ခဲ့သည်မှာ အမှန်ပင် သိပ္ပံစိတ်ကူးယဉ်ဇာတ်လမ်းဖြစ်သည်။ 50 နှစ်များတွင် AI ၏ အယူအဆများသည် သိပ္ပံပညာရှင်များနှင့် ဒဿနပညာရှင်များ၏ စိတ်ဝင်စားမှုကို ပိုမိုအာရုံစိုက်လာခဲ့သည်။ ထိုအချိန်တွင် ငယ်ရွယ်သော ဗြိတိန်သင်္ချာပညာရှင် Alan Turing က စက်ယန္တရားများ (လူသားများကဲ့သို့) ပြဿနာများကို ဖြေရှင်းနိုင်ပြီး ရရှိနိုင်သော အချက်အလက်များအပေါ် အခြေခံ၍ ဆုံးဖြတ်ချက်များချရာတွင် အကြောင်းပြချက်မရှိဟု အကြံပြုခဲ့သည်။ သို့သော် ထိုအချိန်တွင် ကွန်ပြူတာများသည် ဉာဏ်ရည်အတွက် အဓိကသော့ချက်ဖြစ်သည့် ကျက်မှတ်နိုင်ခြေမရှိပေ။ သူတို့လုပ်သမျှက အမိန့်ပေးတယ်။ သို့သော်၊ ဉာဏ်ရည်တု၏ အခြေခံရည်မှန်းချက်နှင့် အမြင်ကို တည်ထောင်ခဲ့သူမှာ Alan Turing ဖြစ်သည်။

AI ၏ ဖခင်အဖြစ် ကျယ်ကျယ်ပြန့်ပြန့် အသိအမှတ်ပြုခံရသည်မှာ ဥာဏ်ရည်တုဟူသော ဝေါဟာရကို ဖန်တီးခဲ့သူ John McCarthy ဖြစ်သည်။ သူ့အတွက် AI သည် “ဉာဏ်ရည်ထက်မြက်သော စက်များဖန်တီးသည့် သိပ္ပံနှင့် အင်ဂျင်နီယာပညာ” ဖြစ်သည်။ ဤအဓိပ္ပါယ်ဖွင့်ဆိုချက်ကို 1956 ခုနှစ်တွင် Dartmouth College တွင်ကျင်းပပြုလုပ်ခဲ့သော ညီလာခံတွင်တင်ပြခဲ့ပြီး AI သုတေသန၏အစကိုညွှန်ပြခဲ့သည်။ ထိုအချိန်မှစ၍ AI ထွန်းကားခဲ့သည်။

ခေတ်သစ်ကမ္ဘာတွင် ဉာဏ်ရည်တုသည် နေရာအနှံ့တွင်ရှိသည်။ ဒေတာပမာဏ တိုးလာခြင်း၊ အဆင့်မြင့် အယ်လဂိုရီသမ်များနှင့် ကွန်ပြူတာ ပါဝါနှင့် သိုလှောင်မှုဆိုင်ရာ တိုးတက်မှုများကြောင့် ၎င်းသည် လူကြိုက်များလာသည်။ အများအားဖြင့် AI အပလီကေးရှင်းသည် ဉာဏ်ရည်ဉာဏ်သွေးဆိုင်ရာ လုပ်ငန်းဆောင်တာများနှင့် ချိတ်ဆက်ထားသည်။ ဘာသာပြန်ခြင်း၊ အရာဝတ္တု၊ မျက်နှာနှင့် စကားပြောမှတ်သားမှု၊ ခေါင်းစဉ်ထောက်လှမ်းမှု၊ ဆေးဘက်ဆိုင်ရာ ရုပ်ပုံခွဲခြမ်းစိတ်ဖြာမှု၊ သဘာဝဘာသာစကား လုပ်ဆောင်မှု၊ လူမှုကွန်ရက် စစ်ထုတ်မှု၊ စစ်တုရင်ကစားခြင်း အစရှိသည်တို့အတွက် AI ကို ကျွန်ုပ်တို့ အသုံးပြုပါသည်။

စက်သင်ယူမှု

Machine Learning သည် ဥာဏ်ရည်တု၏ အသုံးချမှုတစ်ခုဖြစ်ပြီး ၎င်းသည် ၎င်းတို့၏ကိုယ်ပိုင်အတွေ့အကြုံမှ ပိုမိုကောင်းမွန်အောင်လုပ်ဆောင်နိုင်သော စနစ်များကို ရည်ညွှန်းသည်။ ဤနေရာတွင် အရေးကြီးဆုံးအချက်မှာ စနစ်သည် ပုံစံများကို မည်ကဲ့သို့ အသိအမှတ်ပြုရမည်ကို သိရှိရန် လိုအပ်ပါသည်။ ထိုသို့လုပ်ဆောင်နိုင်ရန် စနစ်အား လေ့ကျင့်ထားရန် လိုအပ်သည်- algorithm သည် ဒေတာအများအပြားကို ကျွေးမွေးမည်ဖြစ်သောကြောင့် တစ်ချိန်ချိန်တွင် ပုံစံများကို ဖော်ထုတ်နိုင်မည်ဖြစ်သည်။ ရည်ရွယ်ချက်မှာ ကွန်ပျူတာများသည် လူသားတို့၏ ဝင်ရောက်စွက်ဖက်မှု သို့မဟုတ် အကူအညီမပါဘဲ အလိုအလျောက် သင်ယူနိုင်စေရန် ဖြစ်သည်။

စက်သင်ယူခြင်းအကြောင်းပြောသောအခါတွင် နက်နဲသောသင်ယူမှုကို ဖော်ပြရန် အရေးကြီးသည်။ နက်ရှိုင်းသောသင်ယူမှုတွင်အသုံးပြုသည့် အဓိကကိရိယာများထဲမှတစ်ခုမှာ အာရုံကြောကွန်ရက်များဖြစ်သည်ဟု ဆိုခြင်းဖြင့် စတင်ကြပါစို့။ ၎င်းတို့သည် တည်ငြိမ်ပြီး ပုံဆောင်သဘောဖြစ်လေ့ရှိသော်လည်း ဇီဝဦးနှောက်ကဲ့သို့ ပလတ်စတစ်နှင့် အန်နာလိုမဟုတ်သော်လည်း ဦးနှောက်ဖွဲ့စည်းပုံနှင့် လုပ်ဆောင်မှုတို့မှ လှုံ့ဆော်ပေးသည့် အယ်လဂိုရီသမ်များဖြစ်သည်။ ထို့ကြောင့်၊ Deep learning သည် လူသားများ သင်ယူပုံပွားနည်းကို ပုံတူပွားရန် ရည်ရွယ်ချက်ဖြင့် စက်သင်ယူခြင်း၏ ရည်ရွယ်ချက်မှာ ပရိုဂရမ်မာတစ်ဦးအတွက် အလွန်များပြားလွန်းသည့် ပုံစံများကို ရှာဖွေရန် ကောင်းမွန်သော ကိရိယာတစ်ခုအဖြစ် အသုံးပြုနိုင်မည်ဖြစ်သည်။ လွန်ခဲ့သည့် နှစ်အနည်းငယ်အတွင်း မောင်းသူမဲ့ကားများအကြောင်းနှင့် ကျွန်ုပ်တို့၏ဘဝကို မည်သို့ပြောင်းလဲစေနိုင်ကြောင်း ပြောဆိုမှုများ အများအပြားရှိခဲ့သည်။ နက်နက်ရှိုင်းရှိုင်း သင်ယူမှုနည်းပညာသည် ဤနေရာတွင် သော့ချက်ဖြစ်သည်၊ အဘယ်ကြောင့်ဆိုသော် ၎င်းသည် လမ်းသွားလမ်းလာများကို မီးသတ်ရေပိုက်မှ ခွဲခြားနိုင်သည် သို့မဟုတ် မီးနီကို မှတ်မိစေခြင်းဖြင့် ယာဉ်မတော်တဆမှုများကို လျှော့ချပေးသောကြောင့် ဖြစ်သည်။ နက်ရှိုင်းသောသင်ယူမှုနည်းပညာသည် တက်ဘလက်များ၊ ဖုန်းများ၊ ရေခဲသေတ္တာများ၊ တီဗီများကဲ့သို့သော စက်ပစ္စည်းများတွင် အသံထိန်းချုပ်မှုတွင် အဓိကအခန်းကဏ္ဍမှ ပါဝင်ပါသည်။ E-commerce ကုမ္ပဏီများသည် အသုံးပြုသူလိုချင်သည့်အရာများကို ကြိုတင်ခန့်မှန်းရန်နှင့် ပြသရန်ကြိုးစားသည့် စစ်ထုတ်သည့်စနစ်အဖြစ် E-commerce ကုမ္ပဏီများသည် အာရုံကြောကွန်ရက်များကို မကြာခဏအသုံးပြုကြသည်။ ဝယ် နက်ရှိုင်းသောသင်ယူမှုနည်းပညာကို ဆေးဘက်ဆိုင်ရာနယ်ပယ်တွင်လည်း အသုံးပြုသည်။ ၎င်းသည် ကင်ဆာသုတေသီများအား ကင်ဆာဆဲလ်များကို အလိုအလျောက်သိရှိနိုင်စေရန် ကူညီပေးပြီး ကင်ဆာကုသမှုတွင် ကြီးမားသောတိုးတက်မှုကို ကိုယ်စားပြုသည်။

မိန့်ခွန်းအသိအမှတ်ပြုမှု

စကားပြောမှတ်သားမှုနည်းပညာသည် စကားလုံးများနှင့် စကားစုများကို စကားပြောဘာသာစကားအဖြစ် ခွဲခြားသတ်မှတ်ရန်နှင့် ၎င်းတို့ကို စက်အတွက် ဖတ်နိုင်သောဖော်မတ်အဖြစ်သို့ ပြောင်းလဲရန် လုပ်ဆောင်သည်။ အချို့သောပရိုဂရမ်များသည် အကန့်အသတ်ရှိသော စကားစုများကိုသာ ခွဲခြားသတ်မှတ်နိုင်သော်လည်း အချို့သော ပိုမိုခေတ်မီသော စကားပြောအသိအမှတ်ပြုမှု ပရိုဂရမ်များသည် သဘာဝကျသော စကားများကို ပုံဖော်နိုင်သည်။

ကျော်လွှားဖို့ အတားအဆီးတွေရှိလား။

အဆင်ပြေသော်လည်း၊ စကားပြောမှတ်မိခြင်းနည်းပညာသည် အမြဲတမ်း ချောမွေ့စွာ လည်ပတ်နေခြင်းမရှိသည့်အပြင် ၎င်းသည် စဉ်ဆက်မပြတ် တိုးတက်နေသောကြောင့် လုပ်ဆောင်ရန် ပြဿနာအနည်းငယ်ရှိပါသေးသည်။ ဖြစ်ပေါ်လာနိုင်သည့် ပြဿနာများမှာ အောက်ပါတို့ထဲတွင် ပါဝင်နိုင်သည်- အသံသွင်းမှု အရည်အသွေး မလုံလောက်ခြင်း၊ စပီကာကို နားလည်ရန် ခက်ခဲစေသည့် နောက်ခံတွင် အသံများ ထွက်နိုင်သည်၊ စပီကာသည် အမှန်တကယ် ပြင်းထန်သော လေယူလေသိမ်း သို့မဟုတ် ဒေသိယစကား ရှိနိုင်သည် (သင်လား။ Geordie ဒေသိယစကားကို ကြားဖူးသလား။) စသဖြင့်၊

စကားပြော မှတ်သားမှု သည် များစွာ တိုးတက် လာ သော်လည်း ပြီးပြည့်စုံ ရန် ဝေးနေ သေးသည် ။ အားလုံးသည် စကားလုံးများသာမဟုတ်ပါ၊ စက်သည် လူသားများလုပ်ဆောင်နိုင်သည့်အရာများစွာကို မလုပ်ဆောင်နိုင်သေးသည်- ၎င်းတို့သည် ခန္ဓာကိုယ်ဘာသာစကားကို မဖတ်နိုင် သို့မဟုတ် တစ်စုံတစ်ယောက်၏အသံတွင် ရွဲ့စောင်းသောလေသံကို မမှတ်မိနိုင်ပါ။ လူတွေက စကားလုံးတိုင်းကို မှန်ကန်တဲ့နည်းနဲ့ အသံထွက်လေ့မရှိကြပြီး အချို့စကားလုံးတွေကို အတိုချုံးပြီး ရေးလေ့ရှိပါတယ်။ ဥပမာအားဖြင့်၊ မြန်မြန်ဆန်ဆန်နဲ့ အလွတ်သဘောပြောတဲ့အခါ၊ မူရင်း အင်္ဂလိပ်စကားပြောသူတွေက “going to” “gonna” လို့ အသံထွက်လေ့ရှိပါတယ်။ အထက်ပါအရာများအားလုံးသည် ၎င်းတို့ကျော်ဖြတ်ရန်ကြိုးစားနေသည့် စက်များအတွက် အတားအဆီးဖြစ်စေသော်လည်း ၎င်းတို့ရှေ့တွင် ရှည်လျားသောလမ်းစရှိသေးသည်။ ထိုတိကျသော အယ်လဂိုရီသမ်များဆီသို့ ဒေတာများ ပိုများလာသည်နှင့်အမျှ အချက်အလက်များ ပိုများလာသည်ကို မီးမောင်းထိုးပြရန် အရေးကြီးပါသည်။ စိန်ခေါ်မှုများ လျော့နည်းသွားပုံရသည်။ အလိုအလျောက် စကားပြောမှတ်သားမှု၏ အနာဂတ်သည် တောက်ပနေပုံရသည်။

အသံ-စွမ်းအင်သုံး အသုံးပြုသူ အင်တာဖေ့စ်များသည် အိမ်ထောင်စုများတွင် ပိုမိုရရှိနိုင်ပြီး လူကြိုက်များလာသည်။ ၎င်းသည် နည်းပညာ၏နောက်ထပ် platform တစ်ခုဖြစ်လာနိုင်သည်။

Gglot သည် အလိုအလျောက် စကားပြော မှတ်သားမှုကို အလိုအလျောက် စာသားမှတ်တမ်း ဝန်ဆောင်မှုပုံစံဖြင့် ပံ့ပိုးပေးသည် - ကျွန်ုပ်တို့သည် မိန့်ခွန်းများကို စာသားအဖြစ်သို့ ပြောင်းပေးပါသည်။ ကျွန်ုပ်တို့၏ဝန်ဆောင်မှုသည် အသုံးပြုရလွယ်ကူသည်၊ ၎င်းသည် သင့်အား များစွာကုန်ကျမည်မဟုတ်သည့်အပြင် လျှင်မြန်စွာလုပ်ဆောင်နိုင်မည်ဖြစ်သည်။