Artificial Intelligence သည် သိပ္ပံပညာတိုးတက်မှု၏ ယုတ္တိကို မလိုက်နာပါ။

စက်သင်ယူမှုစနစ်များကို "အနက်ရောင်သေတ္တာများ" (1) အဖြစ်တည်ဆောက်သူများအတွက်ပင် သုတေသီများနှင့် ပရော်ဖက်ရှင်နယ်များအကြောင်း MT တွင် ကျွန်ုပ်တို့ အကြိမ်ကြိမ်ရေးသားထားပါသည်။ ၎င်းသည် ရလဒ်များကို အကဲဖြတ်ရန်နှင့် ပေါ်ပေါက်လာသော အယ်လဂိုရီသမ်များကို ပြန်လည်အသုံးပြုရန် ခက်ခဲစေသည်။

Neural Networks - ကဗျာကိုဖန်တီးနိုင်သည့် ဉာဏ်ရည်ထက်မြက်သော ဘော့တ်များ နှင့် ဉာဏ်ရည်ထက်မြက်သော စာသားဂျင်စက်များကို ပေးဆောင်သည့် နည်းပညာသည် ပြင်ပလေ့လာသူများအတွက် နားမလည်နိုင်သော ပဟေဠိတစ်ခုဖြစ်နေဆဲဖြစ်သည်။

၎င်းတို့သည် ပိုမိုကြီးမားပြီး ပိုမိုရှုပ်ထွေးလာကာ ကြီးမားသောဒေတာအတွဲများကို ကိုင်တွယ်ခြင်းနှင့် ကြီးမားသောတွက်ချက်မှုခင်းကျင်းမှုများကို အသုံးပြုလာကြသည်။ ယင်းက ရရှိထားသော မော်ဒယ်များ၏ ပုံတူကူးခြင်းနှင့် ခွဲခြမ်းစိတ်ဖြာခြင်းများသည် ကုန်ကျစရိတ်ကြီးမားပြီး တစ်ခါတစ်ရံတွင် ဘတ်ဂျက်ကြီးမားသော စင်တာကြီးများမှလွဲ၍ အခြားသုတေသီများအတွက် မဖြစ်နိုင်ပေ။

သိပ္ပံပညာရှင်တော်တော်များများက ဒီပြဿနာကို ကောင်းကောင်းသိပါတယ်။ ၎င်းတို့ထဲတွင် Joel Pino (2NeurIPS ၏ ဥက္ကဌ၊ ပြန်လည်ထုတ်လုပ်နိုင်မှုဆိုင်ရာ ထိပ်သီးညီလာခံ။ သူမ၏ ဦးဆောင်မှုအောက်တွင် ကျွမ်းကျင်သူများသည် "ပြန်လည်ထုတ်လုပ်နိုင်မှု စစ်ဆေးရေးစာရင်း" ကို ဖန်တီးလိုကြသည်။

Pino က အဆိုပါ အိုင်ဒီယာသည် သုတေသီများအား အခြားသူများအား လမ်းပြမြေပုံတစ်ခု ပေးဆောင်ရန် တွန်းအားပေးရန်ဖြစ်ပြီး ၎င်းတို့သည် လုပ်ပြီးသားအလုပ်ကို ပြန်လည်ဖန်တီးကာ အသုံးပြုနိုင်ကြောင်း ပြောကြားခဲ့သည်။ စာသားထုတ်လုပ်သူအသစ် သို့မဟုတ် ဗီဒီယိုဂိမ်းစက်ရုပ်၏ လူစွမ်းထက်သန်သန်စွမ်းဆောင်မှုကို သင်အံ့ဩနိုင်သော်လည်း အကောင်းဆုံးသော ကျွမ်းကျင်သူများပင်လျှင် အဆိုပါအံ့ဖွယ်အမှုများ မည်သို့လုပ်ဆောင်သည်ကို မသိနိုင်ပါ။ ထို့ကြောင့် AI မော်ဒယ်များကို မျိုးပွားခြင်းသည် သုတေသနအတွက် ပန်းတိုင်သစ်များနှင့် လမ်းညွှန်ချက်များကို ဖော်ထုတ်ရန်အတွက်သာမက အသုံးပြုရန်အတွက် လက်တွေ့ကျသော လမ်းညွှန်ချက်တစ်ခုအဖြစ်လည်း အရေးကြီးပါသည်။

တခြားသူတွေက ဒီပြဿနာကို ဖြေရှင်းဖို့ ကြိုးစားနေကြတယ်။ Google မှ သုတေသီများသည် ဖြစ်နိုင်ချေရှိသော ချွတ်ယွင်းချက်များကို ညွှန်ပြသည့် ရလဒ်များအပါအဝင် စနစ်များကို စမ်းသပ်ပုံအား အသေးစိတ်ဖော်ပြရန် "မော်ဒယ်ကတ်များ" ကို ကမ်းလှမ်းခဲ့သည်။ Allen Institute for Artificial Intelligence (AI2) မှ သုတေသီများသည် စမ်းသပ်မှု လုပ်ငန်းစဉ်တွင် အခြားအဆင့်များသို့ Pinot မျိုးပွားနိုင်မှု စစ်ဆေးခြင်းစာရင်းကို တိုးချဲ့ရန် ရည်ရွယ်သည့် စာတမ်းတစ်စောင်ကို ထုတ်ဝေခဲ့သည်။ “မင်းရဲ့ အလုပ်ကို ပြပါ” လို့ တိုက်တွန်းကြတယ်။

သုတေသနပရောဂျက်ကို အထူးသဖြင့် ကုမ္ပဏီအတွက် လုပ်ဆောင်နေသည့် ဓာတ်ခွဲခန်းများက ပိုင်ဆိုင်သောကြောင့် တစ်ခါတစ်ရံတွင် အခြေခံအချက်အလက်များ ပျောက်ဆုံးနေပါသည်။ သို့သော် မကြာခဏဆိုသလို၊ ၎င်းသည် ပြောင်းလဲခြင်းနှင့် ပိုမိုရှုပ်ထွေးသော သုတေသနနည်းလမ်းများကို ဖော်ပြနိုင်စွမ်းမရှိခြင်း၏ လက္ခဏာတစ်ရပ်ဖြစ်သည်။ အာရုံကြောကွန်ရက်များသည် အလွန်ရှုပ်ထွေးသော နယ်ပယ်တစ်ခုဖြစ်သည်။ အကောင်းဆုံးရလဒ်များရရှိရန်၊ အချို့သောသူများက "အနက်ရောင်မှော်" ဟုခေါ်သော ထောင်ပေါင်းများစွာသော "ခလုတ်များနှင့် ခလုတ်များ" ကို ကောင်းစွာချိန်ညှိရန် လိုအပ်ပါသည်။ အကောင်းဆုံးမော်ဒယ်၏ရွေးချယ်မှုသည် စမ်းသပ်မှုအများအပြားနှင့် ဆက်စပ်မှုရှိတတ်သည်။ မှော်ပညာသည် အလွန်စျေးကြီးသည်။

ဥပမာအားဖြင့်၊ Facebook သည် DeepMind Alphabet မှတီထွင်သည့်စနစ်ဖြစ်သော AlphaGo ၏အလုပ်ကိုပုံတူကူးရန်ကြိုးစားသောအခါ၊ အလုပ်သည်အလွန်ခက်ခဲသည်။ ကြီးမားသော တွက်ချက်မှုဆိုင်ရာ လိုအပ်ချက်များ၊ ကုဒ်မရှိခြင်းနှင့်အတူ စက်ပစ္စည်းထောင်ပေါင်းများစွာတွင် ရက်ပေါင်းများစွာ စမ်းသပ်မှုပေါင်း သန်းပေါင်းများစွာက အဆိုပါစနစ်ကို ပြန်လည်ဖန်တီးရန်၊ စမ်းသပ်ရန်၊ မြှင့်တင်ရန်နှင့် တိုးချဲ့ရန် အလွန်ခက်ခဲစေသည်ဟု Facebook ဝန်ထမ်းများထံမှ သိရသည်။

ပြဿနာက အထူးပြုပုံရပါတယ်။ သို့သော်လည်း ကျွန်ုပ်တို့ ထပ်မံတွေးကြည့်မည်ဆိုလျှင်၊ သုတေသနအဖွဲ့တစ်ခုနှင့် အခြားတစ်ခုကြားတွင် ရလဒ်များနှင့် လုပ်ငန်းဆောင်တာများ ပြန်လည်ထုတ်လုပ်နိုင်မှုဆိုင်ရာ ပြဿနာများ၏ ဖြစ်ရပ်ဆန်းများသည် ကျွန်ုပ်တို့သိရှိထားသော သိပ္ပံနှင့် သုတေသနလုပ်ငန်းစဉ်များ၏ လုပ်ဆောင်ခြင်းဆိုင်ရာ ယုတ္တိအားလုံးကို ပျက်ပြားစေသည်။ စည်းကမ်းအတိုင်း၊ ယခင်သုတေသနရလဒ်များကို အသိပညာ၊ နည်းပညာနှင့် အထွေထွေတိုးတက်မှုတို့ကို လှုံ့ဆော်ပေးသည့် နောက်ထပ်သုတေသနပြုမှုများအတွက် အခြေခံအဖြစ် အသုံးပြုနိုင်သည်။