သင်တစ်ဝှမ်းပြောင်းလဲနေသောနည်းပညာကိုနားလည်သဘောပေါက်ရန်ကိုသိရန်လိုအပ်ကဘာလဲ
အာရုံကြောကွန်ရက်များချိတ်ဆက်ယူနစ်သို့မဟုတ်၏ကွန်ပျူတာမော်ဒယ်များဖြစ်ကြသည် node များ ထုတ်လွှင့်ဖို့ဒီဇိုင်း, လုပ်ငန်းစဉ်များနှင့်အာရုံခံ (အာရုံကြောဆဲလ်) လူသားများတွင်မည်သို့အလုပ်လုပ်မှအလားတူလမ်းအတွက်သတင်းအချက်အလက် (Data) ထံမှသင်ယူကြသည်။
အတုဦးနှောက်ကဲ့သို့ရှုပ်ထွေးသောကွန်ယက်
နည်းပညာ, အာရုံကြောကွန်ရက်များမကြာခဏသူတို့ပြီးနောက်လုပ်ပါတယ်နေဇီဝအာရုံကြောကွန်ရက်များအနေဖြင့်ခွဲခြားရန်အဖြစ်အတုအာရုံကြောကွန်ရက်များ (ANNs) သို့မဟုတ်အာရုံကြောပိုက်ကွန်ရည်ညွှန်းကြသည်။ ANNs နောက်ကွယ်မှအဓိကစိတ်ကူးလူ့ဦးနှောက်ရှိကွောငျးကိုအများဆုံးရှုပ်ထွေးပြီးအသိဉာဏ် "ကွန်ပျူတာ" ဖြစ်ပါတယ်။ ဦးနှောက်ကအသုံးပြုသတင်းအချက်အလက်အပြောင်းအလဲနဲ့၏ဖွဲ့စည်းပုံနှင့်စနစ်အဖြစ်နီးကပ်စွာတတ်နိုင်သမျှ ANNs မော်ဒယ်အသုံးပြုပုံသုတေသီများလူ့ထောက်လှမ်းရေးချဉ်းကပ်သို့မဟုတ်လွန်ကဲကွန်ပျူတာများကိုဖန်တီးရန်မျှော်လင့်ခဲ့တယ်။ အာရုံကြောပိုက်ကွန်တစ်ခု key မှာလက်ရှိတိုးတက်မှု၏အစိတ်အပိုင်းများမှာ အတုထောက်လှမ်းရေး (AI အ), စက်သင်ယူမှု (ML) နှင့် နက်ရှိုင်းသောသင်ယူမှု ။
ဘယ်လိုဦးနှောက်ကဲ့သို့ရှုပ်ထွေးသောကွန်ယက်လုပ်ငန်းခွင်: တစ်ဦးကနှိုင်းယှဉ်
ဘယ်လိုအာရုံကြောကွန်ရက်များအလုပ်နှင့်နှစ်မျိုး (ဇီဝဗေဒနှင့်အတု) အကြားခြားနားချက်များကိုနားလည်စေရန်, ရဲ့ 15-ဇာတ်လမ်းရုံးအဆောက်အဦးနှင့်လမ်းကြောင်းအဆောက်အဦးတစ်လျှောက်လုံးဖုန်းခေါ်ဆိုမှု, တစ်ဦးချင်းကြမ်းပြင်များနှင့်တစ်ဦးချင်းစီရုံးများဖုန်းလိုင်းများနှင့် switchboards ၏ဥပမာကိုသုံးပါစနှေငျ့။ ကျွန်တော်တို့ရဲ့ 15-ဇာတ်လမ်းရုံးအဆောက်အဦများတွင်တစ်ဦးချင်းစီတဦးချင်းရုံးတစ်အာရုံခံဆဲလျ (ဇီဝဗေဒအတွက်ကွန်ပျူတာကွန်ရက်သို့မဟုတ်အာရုံကြောဆဲလ်ထဲမှာ node ကို) ကိုကိုယ်စားပြုသည်။ အဆိုပါအဆောက်အဦးကိုယ်တိုင်က 15 ထပ် (ကအာရုံကြောကွန်ယက်ကို) ၏စနစ်စီစဉ်ပေးရုံးများအစုတခုင်တစ်ဦးဖွဲ့စည်းပုံမှာဖြစ်ပါတယ်။
ဇီဝအာရုံကြောကွန်ယက်စံနမူနာလျှောက်ထားခြင်း, ဖုန်းခေါ်ဆိုမှုအားလက်ခံတွေ့ဆုံသော switchboard တစ်ခုလုံးကိုအဆောက်အဦများတွင်မဆိုကြမ်းပြင်ပေါ်မှာမဆိုရုံးချိတ်ဆက်ရန်လိုင်းများရှိပါတယ်။ ထို့အပြင်တစ်ဦးချင်းစီရုံးမဆိုကြမ်းပြင်ပေါ်မှာတစ်ခုလုံးကိုအဆောက်အဦများတွင်သည်အခြားရုံးကချိတ်ဆက်လိုင်းများရှိပါတယ်။ ဖုန်းခေါ် (input ကို) တွင်လာသည်ဟုမြင်ယောင်ကြည့်ပါ, ပြီးတော့တိုက်ရိုက် 5 ကြိမ်မြောက်ကြမ်းပြင်ပေါ်မှာတစ်ရုံးကလွှဲပြောင်းသော 11 ကြိမ်မြောက်ကြမ်းပြင်ပေါ်တွင်ရုံးခန်းမှတိုက်ရိုက်လွှဲပြောင်းပေးသော 3 ကြိမ်မြောက်ကြမ်းပြင်ပေါ်မှာတစ်ရုံး, ရန် switchboard လွှဲပြောင်းကြောင့်။ ဦးနှောက်အတွက်, တစ်ဦးချင်းစီအာရုံခံဆဲလျသို့မဟုတ်အာရုံကြောဆဲလ် (ရုံးခန်း) တိုက်ရိုက်ယင်း၏ system သို့မဟုတ်အာရုံကြောကွန်ယက်တွင်မဆိုအခြားအာရုံခံဆဲလျ (ထိုအဆောက်အဦ) မှဆက်သွယ်နိုင်သည်။ သတင်းအချက်အလက် (ခေါ်ဆိုမှု) ကို process သို့မဟုတ်အဖြေတစ်ခုသို့မဟုတ် resolution ကို (output ကို) လည်းမရှိသည်အထိလိုအပ်ဘာသင်ယူဖို့အခြားမည်သည့်အာရုံခံဆဲလျ (ရုံး) မှကူးစက်နိုင်ပါတယ်။
ကျနော်တို့ ANNs မှဒီဥပမာလျှောက်ထားသောအခါ, အတော်လေးနည်းနည်းပိုပြီးရှုပ်ထွေးရရှိသွားတဲ့။ အဆောက်အဦး၏တစ်ဦးချင်းစီကြမ်းပြင်သာအထက်နှင့်အောက်ကကြမ်းပြင်ပေါ်တူကြမ်းပြင်ပေါ်ရုံးများ, အဖြစ် switchboards ကိုချိတ်ဆက်နိုင်သည့်၎င်း၏ကိုယ်ပိုင် switchboard, လိုအပ်သည်။ တစ်ခုချင်းစီကိုရုံးခန်းမှသာတိုက်ရိုက်ပြုလုပ်ကြမ်းပြင်အခြားတူညီသောကြမ်းပြင်ပေါ်မှာရုံးများနှင့် switchboard ကိုချိတ်ဆက်နိုင်ပါတယ်။ အားလုံးအသစ်ကဖုန်းခေါ်ဆိုမှုအတွက် 1st ကြမ်းပြင်ပေါ် switchboard နှင့်အတူစတင်ရမည်ဖြစ်ပြီးခေါ်ဆိုမှုကိုအဆုံးသတ်နိုင်ခင် 15 ကြိမ်မြောက်ကြမ်းပြင်အထိဂဏန်းနိုင်ရန်အတွက်တစ်ဦးချင်းစီတဦးချင်းကြမ်းပြင်သို့ပြောင်းရွှေ့ရမည်ဖြစ်သည်။ ရဲ့ကဘယ်လိုအလုပ်လုပ်တယ်ဆိုတာကိုကြည့်ဖို့အဆိုကိုထဲမှာထားကြပါစို့။
ဖုန်းခေါ် 1 st ကြမ်းပြင် switchboard မှ (input ကို) တွင်လာနှင့် 1 st ကြမ်းပြင် (node ကို) တခုတခုအပေါ်မှာရုံးထံသို့စေလွှတ်ကြောင်းဆိုပါစို့။ ဒါကြောင့်လာမယ့်အထပ်ကိုစလှေတျခံရဖို့အဆင်သင့်ဖြစ်ပါတယ်အထိခေါ်ဆိုခထို့နောက် 1 st ကြမ်းပြင်ပေါ်ရှိအခြားရုံးများ (node များ) အကြားတိုက်ရိုက်လွှဲပြောင်းဖြစ်ပါတယ်။ ထိုအခါခေါ်ဆိုခထို့နောက် 2 ကြိမ်မြောက်ကြမ်းပြင် switchboard ကလွှဲပြောင်းပေးသော 1 st ကြမ်းပြင် switchboard မှပြန်ပို့ရမည်ဖြစ်သည်။ ဤရွေ့ကားအတူတူပင်ခြေလှမ်းများကြမ်းပြင်မှ 15 အထိအပေါင်းတို့သည်လမ်းတိုင်းတစ်ခုတည်းကြမ်းပြင်ပေါ်မှာဤဖြစ်စဉ်မှတဆင့်လှေတျတျောမူခံရခေါ်ဆိုမှုနှင့်အတူတစ်ကြိမ်ကြမ်းပြင်ပြန်လုပ်ပါ။
ANNs ခုနှစ်, node များ (ရုံးများ) အလွှာ (အဆောက်အဦး၏ကြမ်းပြင်) မှာစီစဉ်ပေးနေကြသည်။ သတင်းအချက်အလက် (ဖုန်းခေါ်) အမြဲတမ်း input ကိုအလွှာကို (1 st ကြမ်းပြင်နှင့်၎င်း၏ switchboard) မှတဆင့်လာကြောင့်နောက်လာမည့်တရွှေ့နိုင်ခင်ဦးချင်းစီအလွှာ (ကြမ်းပြင်) ကတဆင့်စေလွှတ်လုပ်ငန်းများ၌ရမည်ဖြစ်သည်။ တစ်ခုချင်းစီအလွှာ (ကြမ်းပြင်) ထိုဖုန်းခေါ်ဆိုမှုအကြောင်းကိုတိကျတဲ့အသေးစိတ် process လုပ်တယ်နှင့်လာမည့်အလွှာမှခေါ်ဆိုမှုနှင့်အတူရလဒ်ပေးပို့သည်။ ခေါ်ဆိုမှုက output အလွှာ (15 ကြိမ်မြောက်ကြမ်းပြင်နှင့်၎င်း၏ switchboard) ရောက်ရှိသောအခါ, အလွှာ 1-14 ကနေအပြောင်းအလဲနဲ့သတင်းအချက်အလက်များပါဝင်သည်။ 15 ကြိမ်မြောက်အလွှာ (ကြမ်းပြင်) မှာအဆိုပါ node များ (ရုံးများ) အဖြေတစ်ခုသို့မဟုတ် resolution ကို (output ကို) နဲ့ဖွင့်လာရန်အခြားအလွှာ (ကြမ်းပြင်) ၏အားလုံးထံမှ input ကိုနှင့် processing သတင်းအချက်အလက်ကိုသုံးပါ။
အာရုံကြောကွန်ယက်များနှင့်စက်သင်ယူ
အာရုံကြောပိုက်ကွန်စက်သင်ယူမှုအမျိုးအစားအောက်တွင်နည်းပညာများထဲမှအမျိုးအစားတစ်မျိုးဖြစ်ပါသည်။ တကယ်တော့, အာရုံကြောပိုက်ကွန်၏သုတေသနနှင့်ဖွံ့ဖြိုးရေးအတွက်တိုးတင်းကျပ်စွာ ML အတွက်တိုး၏ ebbs နှင့်စီးဆင်းမှုနဲ့ချိတ်ဆက်ထားသည်။ အာရုံကြောပိုက်ကွန်ဒေတာအပြောင်းအလဲနဲ့စွမ်းရည်ကိုချဲ့ထွင်ခြင်းနှင့် ML ၏ကွန်ပျူတာပါဝါကိုမြှင့်တင်ရန်, လုပ်ငန်းများ၌နိုင်အချက်အလက်များ၏အသံအတိုးအကျယ်ဒါပေမယ့်လည်းပိုမိုရှုပ်ထွေးတာဝန်များကိုလုပ်ဆောင်နိုင်စွမ်းကိုတိုးမြှင့်။
ANNs များအတွက်ပထမဦးဆုံးမှတ်တမ်းတင်ကွန်ပျူတာမော်ဒယ် Walter Pitt နဲ့ Warren မက်ကူလော့အားဖြင့် 1943 ခုနှစ်တွင်ဖန်တီးခဲ့တာဖြစ်ပါတယ်။ အာရုံကြောကွန်ရက်များနှင့်စက်သင်ယူမှုအတွက်ကနဦးအတိုးနှင့်သုတေသနနောက်ဆုံးမှာနှေးကွေးခြင်းနှင့်ပြုပြင်ခြင်းအကျိုးစီးပွားသာသေးငယ်တဲ့ Activision နေတာနှင့်အတူပိုမိုဒါမှမဟုတ်ဒီထက်နည်းစင်ပေါ် 1969 အနားမှာရှိ၏။ ထိုအချိန်ကာလ၏ကွန်ပျူတာများကိုရိုးရှင်းစွာထပ်မံဤဒေသများတိုးဖို့လုံလောက်တဲ့အစာရှောင်ခြင်းသို့မဟုတ်ကြီးမားသောအလုံအလောက်ပရိုဆက်ဆာရှိသည်မဟုတ်ခဲ့သလဲ, ML နှင့်အာရုံကြောပိုက်ကွန်လိုအပ်အချက်အလက်များ၏ကျယ်ပြန့်သောငွေပမာဏအချိန်တွင်ရရှိနိုင်မဟုတ်ခဲ့ပေ။
ကြီးမားတဲ့အင်တာနက်များ၏တိုးတက်မှုနှင့်ချဲ့ထွင်မှုနှင့်အတူအချိန်ကြာလာတာနဲ့အမျှပါဝါကွန်ပျူတာများတွင်တိုး (နှင့်အရှင်အင်တာနက်မှတစ်ဆင့်အချက်အလက်များ၏ကြီးမားသောပမာဏမှဝင်ရောက်ခွင့်) အဲဒီအစောပိုင်းစိန်ခေါ်မှုများဖြေရှင်းကြပါပြီ။ အာရုံကြောပိုက်ကွန်နှင့် ML ယခုကဲ့သို့သောငါတို့မြင်ခြင်းနှင့်နေ့စဉ်နေ့တိုင်းကိုအသုံးပြုဖို့နည်းပညာများအတွက်ဆာများမှာ မျက်နှာအသိအမှတ်ပြုမှု နာမတော်ကိုအနည်းငယ် - image processing တွင်နှင့်ရှာဖွေလျက်, Real-time ဘာသာစကားဘာသာပြန်ချက်။
နေ့စဉ်နေ့တိုင်းဘဝအတွက်အာရုံကြောကွန်ယက်ဥပမာများ
အဆိုပါ ANN သို့သော်သူကနေ့စဉ်နေ့တိုင်းဘာဖြစ်လို့လဲဆိုတော့ဒါဟာသက်ရောက်မှုများကိုကျွန်ုပ်တို့၏အသက်တာနည်းလမ်းတွေ၏တိုးပွားလာ၏လေ့လာစူးစမ်းဖို့အချိန်အနည်းငယ်ယူပြီးတန်ဖိုးရှိမယ့်, နည်းပညာအတွင်းတရားမျှတစွာရှုပ်ထွေးခေါင်းစဉ်ဖြစ်ပါတယ်။ ဤတွင်အာရုံကြောကွန်ရက်များလက်ရှိကွဲပြားခြားနားသောစက်မှုလုပ်ငန်းများကအသုံးပြုနေကြသည်နည်းလမ်းတွေထဲကအနည်းငယ်ကိုနောက်ထပ်ဥပမာနေသောခေါင်းစဉ်:
- ဘဏ္ဍာရေး: ဦးနှောက်ကဲ့သို့ရှုပ်ထွေးသောပိုက်ကွန်ငွေကြေးလဲလှယ်မှုနှုန်းကိုခန့်မှန်းရန်အသုံးပြုကြသည်။ သူတို့ကအစစတော့ရှယ်ယာဈေးကွက်တွင်အသုံးပြုအော်တိုကုန်သွယ်စနစ်များကိုနောက်ကွယ်ကနည်းပညာအသုံးပြုကြသည်။
- ဆေးပညာ: အာရုံကြောပိုက်ကွန်၏ image processing တွင်စွမ်းရည်ကိုပိုမိုတိကျစွာအဘို့ကိုစစ်ဆေးခြင်းနှင့်ကင်ဆာအမျိုးအစားများကိုခွဲခြားသတ်မှတ်စောစောအဆင့်နှင့်ခက်ခဲ detect ကူညီပေးသည်ကြောင်းနည်းပညာလှူဒါန်းခဲ့ပါပြီ။ ကင်ဆာတစ်ခုမှာထိုကဲ့သို့သောအမျိုးအစားထိုးဖောက် melanoma လည်း, အရေပြားကင်ဆာ၏အရှိဆုံးလေးနက်နှင့်သေစေနိုင်သောပုံစံဖြစ်ပါတယ်။ ကပြန့်နှံ့လျက်ရှိသည်မတိုင်မီအစောပိုင်းအဆင့်မှာ melanoma လည်းဖော်ထုတ်ခြင်း, ကင်ဆာ၏ဤအမျိုးအစားကရိုက်နှက်ဖို့အကောင်းဆုံးအခွင့်အလမ်းတွေကိုနှင့်အတူလူနာပေးသည်။
- မိုးလေဝသ: အဖြစ်လျင်မြန်စွာနှင့်တိကျစွာတတ်နိုင်သမျှဘဝတွေကိုချွေတာဘို့မရှိမဖြစ်အရေးပါသည်တစ်ဦးအလားအလာလေးနက်နှင့်အန္တရာယ်ရှိရာသီဥတုဖြစ်ရပ်ညွှန်ပြကြောင်းလေထုအပြောင်းအလဲများကို detect လုပ်ဖို့ပေးနိုင်တယ်။ အာရုံကြောပိုက်ကွန်ဟာရီကိန်းနှင့်ဆိုင်ကလုန်း၏အစောပိုင်းဖွဲ့စည်းရေး detect, ဒါပေမယ့်လည်းဖွဲ့စည်းလေဆင်နှာမောင်းညွှန်ပြကြောင်းလေတိုက်နှုန်းနှင့်ဦးတည်ချက်အတွက်ရုတ်တရက်ပြောင်းလဲမှုများကို detect မသာကြောင်းဂြိုဟ်တုများနှင့်ရေဒါပုံရိပ်တွေ၏ Real-time အပြောင်းအလဲနဲ့တွင်ပါဝင်ပတ်သက်နေကြသည်။ ဟာရီကိန်းထက်မကြာခဏပိုရုတ်တရက်အဖျက်များနှင့်သေစေနိုင်သော - လေဆင်နှာမောင်းစံချိန်အပေါ်အပြင်းထန်ဆုံးနှင့်အန္တရာယ်အရှိဆုံးရာသီဥတုဖြစ်ရပ်များတချို့ရှိနေပါတယ်။