Neuro-symbolic AI- နောက်ဆုံးတွင် ယုတ္တိဗေဒနှင့် သင်ယူမှုကို ကိုင်တွယ်ဖြေရှင်းနိုင်သည့် စက်တစ်ခု

• Author:
• စာရေးသူနာမည်

  Quantumrun Foresight
• ဧပြီလ 13, 2023

Machine Learning (ML) သည် ၎င်း၏ထူးခြားသောစိန်ခေါ်မှုများနှင့်အတူ အလားအလာရှိသော နည်းပညာတစ်ခုဖြစ်ပြီး သုတေသီများသည် ကြီးမားသောဒေတာကိုကျော်လွန်၍ ယုတ္တိဗေဒအခြေခံစနစ်တစ်ခုကို ဖန်တီးရန် ရှာဖွေနေပါသည်။ ယုတ္တိဗေဒအခြေခံစနစ်များသည် စနစ်၏ဆုံးဖြတ်ချက်ချခြင်းလုပ်ငန်းစဉ်ကို ပိုမိုပွင့်လင်းမြင်သာပြီး အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်သောနည်းလမ်းကို ပေးစွမ်းနိုင်သည့် သင်္ကေတဆိုင်ရာ ကိုယ်စားပြုမှုများနှင့် ကျိုးကြောင်းဆင်ခြင်ခြင်းတို့ဖြင့် လုပ်ဆောင်ရန် ဒီဇိုင်းထုတ်ထားသည်။ 

အာရုံကြော-သင်္ကေတ AI ဆက်စပ်မှု

Neuro-symbolic AI (ပေါင်းစပ် AI ဟုလည်းခေါ်သည်) သည် ဉာဏ်ရည်တု (AI) ၏ အကိုင်းအခက်နှစ်ခုကို ပေါင်းစပ်ထားသည်။ ပထမအချက်မှာ ဆက်စပ်မှုနှင့် စည်းမျဉ်းများ (ဆိုလိုသည်မှာ အရာဝတ္ထုတစ်ခု၏ အရောင်နှင့် ပုံသဏ္ဍာန်) ကို နားလည်ရန် သင်္ကေတများကို အသုံးပြုသည့် သင်္ကေတ AI ဖြစ်သည်။ သင်္ကေတ AI အလုပ်လုပ်ရန်အတွက်၊ အသိပညာအခြေခံသည် တိကျသော၊ အသေးစိတ်ကျပြီး ပြည့်စုံရပါမည်။ ဤလိုအပ်ချက်သည် မိမိကိုယ်တိုင် မသင်ယူနိုင်ဘဲ အသိပညာအခြေခံကို ဆက်လက်မွမ်းမံပြင်ဆင်ရန် လူသားကျွမ်းကျင်မှုအပေါ် မူတည်သည်ဟု ဆိုလိုသည်။ 

neuro-symbolic AI ၏အခြားအစိတ်အပိုင်းမှာ နက်နဲသောအာရုံကြောကွန်ရက်များ (deep nets) သို့မဟုတ် နက်နဲသောသင်ယူမှု (DL) ဖြစ်သည်။ ဤနည်းပညာသည် လူ့ဦးနှောက်၏ နျူရွန်များကို တုပသည့် အလွှာမြောက်မြားစွာကို အသုံးပြု၍ ကြီးမားသောဒေတာအတွဲများကို လုပ်ဆောင်ရန် ကိုယ်တိုင်လေ့လာနိုင်သည်။ ဥပမာအားဖြင့်၊ နက်နဲသောပိုက်ကွန်များသည် မည်သည့်အရာဖြစ်သည်ကို တိကျစွာသိရှိနိုင်ရန် ကြောင်များနှင့် ခွေးများ၏ မတူညီသောပုံများကို ဖြတ်သန်းနိုင်ပြီး ၎င်းတို့သည် အချိန်နှင့်အမျှ တိုးတက်လာသည်။ သို့သော် နက်နဲသောပိုက်ကွန်များ မလုပ်ဆောင်နိုင်သည်မှာ ရှုပ်ထွေးသော ဆက်ဆံရေးများဖြစ်သည်။ သင်္ကေတ AI နှင့် နက်ရှိုင်းသောပိုက်ကွန်များကို ပေါင်းစပ်ခြင်းဖြင့် သုတေသီများသည် ဒေတာအမြောက်အမြားကို အသိပညာအခြေခံအဖြစ် DL ကိုအသုံးပြုကာ၊ ထို့နောက်တွင် သင်္ကေတဖြစ်သော AI သည် စည်းမျဉ်းများနှင့် ဆက်ဆံရေးများကို ကောက်ချက်ချနိုင်သည် သို့မဟုတ် ခွဲခြားသတ်မှတ်နိုင်သည်။ ဤပေါင်းစပ်မှုသည် ပိုမိုထိရောက်ပြီး တိကျသော အသိပညာရှာဖွေတွေ့ရှိမှုနှင့် ဆုံးဖြတ်ချက်ချခြင်းကို ခွင့်ပြုပေးပါသည်။

neuro-symbolic AI လိပ်စာများကိုဖော်ပြသည့်နောက်ထပ်နယ်ပယ်မှာ နက်နဲသောပိုက်ကွန်၏ကုန်ကျစရိတ်ကြီးမားသောလေ့ကျင့်ရေးလုပ်ငန်းစဉ်ဖြစ်သည်။ ထို့အပြင်၊ နက်ရှိုင်းသောပိုက်ကွန်များသည် သေးငယ်သောထည့်သွင်းမှုဒေတာပြောင်းလဲမှုများအတွက် အကဲဆတ်နိုင်ပြီး အမျိုးအစားခွဲခြားမှုအမှားအယွင်းများကိုဖြစ်စေသည်။ ၎င်းတို့သည် လေ့ကျင့်ရေးဒေတာများစွာမပါဝင်ဘဲ စိတ္တဇ ကျိုးကြောင်းဆင်ခြင်ခြင်းနှင့် မေးခွန်းများဖြေဆိုခြင်းတို့ဖြင့်လည်း ရုန်းကန်နေရပါသည်။ ထို့အပြင် အဆိုပါကွန်ရက်များ၏ အတွင်းပိုင်းလုပ်ဆောင်မှုများသည် လူသားများအတွက် ရှုပ်ထွေးပြီး နားလည်ရန်ခက်ခဲသောကြောင့် ၎င်းတို့၏ ခန့်မှန်းချက်များနောက်ကွယ်မှ ကျိုးကြောင်းဆင်ခြင်မှုကို အနက်ပြန်ဆိုရန် စိန်ခေါ်မှုတစ်ခုဖြစ်လာသည်။

အနှောင့်အယှက်ဖြစ်စေတယ်။

စတန်းဖို့ဒ်တက္ကသိုလ်မှ သုတေသီများသည် အခြေခံ 100,000D ပုံသဏ္ဍာန်များ (စတုရန်း၊ စက်လုံးများ၊ ဆလင်ဒါများ စသည်ဖြင့်) ပေါင်းစပ်ထားသော AI ၏ ကနဦးလေ့လာမှုများကို ပြုလုပ်ခဲ့ရာ ကွဲပြားသောမေးခွန်းများကို အသုံးပြုကာ အချက်အလက်များကို စီမံလုပ်ဆောင်ရန်နှင့် ဆက်ဆံရေးကို တွက်ဆရန် (ဥပမာ၊ အကွက်များသည် အနီရောင်ရှိပါသလား။ ) neuro-symbolic AI သည် ဤမေးခွန်းများကို အချိန်၏ 3 ရာခိုင်နှုန်း မှန်ကန်စွာဖြေဆိုနိုင်ကြောင်း တွေ့ရှိခဲ့သည်။ ထို့အပြင်၊ ဟိုက်ဘရစ်သည် ဖြေရှင်းချက်များအား ဖော်ထုတ်ရန်အတွက် လေ့ကျင့်ရေးဒေတာ ၁၀ ရာခိုင်နှုန်းသာ လိုအပ်သည်။ 

သင်္ကေတများ သို့မဟုတ် စည်းမျဉ်းများသည် နက်နဲသောပိုက်ကွန်များကို ထိန်းချုပ်ထားသောကြောင့် သုတေသီများသည် ၎င်းတို့မည်သို့ “သင်ယူနေသည်” နှင့် ပြိုကွဲမှုများဖြစ်ပွားသည့်နေရာကို အလွယ်တကူကြည့်ရှုနိုင်မည်ဖြစ်သည်။ ယခင်က၊ ၎င်းသည် နက်နဲသောပိုက်ကွန်များ၏ အားနည်းချက်များထဲမှတစ်ခုဖြစ်ခဲ့ပြီး၊ အလွှာများနှင့် ရှုပ်ထွေးသောကုဒ်များနှင့် အယ်လဂိုရီသမ်များ၏ အလွှာများနှင့် အလွှာများကြောင့် ခြေရာခံနိုင်ခြင်းမရှိခဲ့ပေ။ အာရုံကြောသင်္ကေတ AI ကို လမ်းပေါ်ရှိ အရာဝတ္ထုများနှင့် ပတ်ဝန်းကျင်တွင် မည်သည့်ပြောင်းလဲမှုများကိုမဆို မှတ်မိစေရန် အလိုအလျောက်မောင်းနှင်သည့်ယာဉ်များတွင် စမ်းသပ်လျက်ရှိသည်။ ထို့နောက် ဤပြင်ပ အကြောင်းတရားများကို သင့်လျော်စွာ တုံ့ပြန်ရန် လေ့ကျင့်ပေးသည်။ 

သို့သော်၊ သင်္ကေတ AI နှင့် နက်နဲသောပိုက်များ ပေါင်းစပ်ခြင်းသည် ပိုမိုအဆင့်မြင့်သော AI ဆီသို့ အကောင်းဆုံးလမ်းကြောင်းဟုတ်မဟုတ်အပေါ် ကွဲပြားသောအမြင်များရှိပါသည်။ Brown University မှ သုတေသီများကဲ့သို့ အချို့သော သုတေသီများက ဤပေါင်းစပ်ချဉ်းကပ်မှုသည် လူ့စိတ်မှရရှိသော စိတ္တဇ ဆင်ခြင်ခြင်းအဆင့်နှင့် မကိုက်ညီနိုင်ဟု ယုံကြည်ကြသည်။ လူ့စိတ်သည် အရာဝတ္တုများ၏ ပုံဆောင်ကိုယ်စားပြုမှုများကို ဖန်တီးနိုင်ပြီး ဇီဝဗေဒဆိုင်ရာ အာရုံကြောကွန်ရက်များကို အသုံးပြုကာ ဤသင်္ကေတများကို အသုံးပြု၍ ကျိုးကြောင်းဆင်ခြင်မှု အမျိုးမျိုးကို လုပ်ဆောင်နိုင်သည်။ လူသားစွမ်းရည်များကိုအတုယူသည့် နက်နဲသောပိုက်ကွန်များတွင် အင်္ဂါရပ်များထည့်ခြင်းကဲ့သို့သော အခြားနည်းလမ်းများဖြင့် AI စွမ်းရည်များကို မြှင့်တင်ရာတွင် ပိုမိုထိရောက်မှုရှိနိုင်သည်ဟု ကျွမ်းကျင်သူအချို့က စောဒကတက်ကြသည်။

အာရုံကြော-သင်္ကေတ AI အတွက် လျှောက်လွှာများ

neuro-symbolic AI အတွက် အချို့သော application များတွင်-

• chatbots ကဲ့သို့သော ဘော့တ်များသည် လူသားတို့၏ ညွှန်ကြားချက်များနှင့် လှုံ့ဆော်မှုများကို ပိုမိုကောင်းမွန်စွာ နားလည်နိုင်ပြီး ပိုမိုတိကျသော တုံ့ပြန်မှုများနှင့် ဝန်ဆောင်မှုများကို ထုတ်လုပ်ပေးပါသည်။
• ဆေးဘက်ဆိုင်ရာရောဂါရှာဖွေခြင်း၊ ကုသမှုအစီအစဉ်ရေးဆွဲခြင်းနှင့် ဆေးဝါးဖွံ့ဖြိုးတိုးတက်မှုကဲ့သို့သော ပိုမိုရှုပ်ထွေးပြီး အကဲဆတ်သောပြဿနာဖြေရှင်းနိုင်သော အခြေအနေများတွင် ၎င်း၏အသုံးချမှု။ သယ်ယူပို့ဆောင်ရေး၊ စွမ်းအင်နှင့် ကုန်ထုတ်လုပ်ငန်းစသည့် နယ်ပယ်များအတွက် သိပ္ပံနှင့် နည်းပညာဆိုင်ရာ သုတေသနပြုမှုများကို အရှိန်မြှင့်ရန် နည်းပညာကိုလည်း အသုံးချနိုင်သည်။ 
• လက်ရှိလူသား၏ အဆုံးအဖြတ်ပေးရန်လိုအပ်သော ဆုံးဖြတ်ချက်ချသည့် လုပ်ငန်းစဉ်များ၏ အလိုအလျောက်စနစ်။ ရလဒ်အနေဖြင့်၊ အဆိုပါအပလီကေးရှင်းများသည် ဖောက်သည်ဝန်ဆောင်မှုကဲ့သို့ အချို့သောနယ်ပယ်များတွင် စာနာမှုနှင့် တာဝန်ခံမှု ဆုံးရှုံးသွားနိုင်သည်။
• လျှပ်စစ်ဓာတ်အား ထိန်းသိမ်းခြင်းနှင့် လုံခြုံရေးအစီအမံများကို အကောင်အထည်ဖော်ခြင်းကဲ့သို့သော မတူညီသော အခြေအနေများကို စီမံဆောင်ရွက်နိုင်သည့် အလိုလိုသိသာလွန်ကောင်းမွန်သော စမတ်ပစ္စည်းများနှင့် ပကတိလက်ထောက်များ။
• ကိုယ်ရေးကိုယ်တာ၊ ပိုင်ဆိုင်မှုနှင့် တာဝန်ယူမှုဆိုင်ရာ ပြဿနာများကဲ့သို့သော ကျင့်ဝတ်နှင့် ဥပဒေဆိုင်ရာ မေးခွန်းများ။
• အစိုးရနှင့် အခြားသော နိုင်ငံရေးအခြေအနေများတွင် ဆုံးဖြတ်ချက်များ ချမှတ်ရာတွင် ပိုမိုကောင်းမွန်သည်။ ဤနည်းပညာကို ပိုမိုပစ်မှတ်ထားသော ကြော်ငြာများနှင့် ပုဂ္ဂိုလ်ရေးသီးသန့်ပြုလုပ်ထားသော ကြော်ငြာများနှင့် မီဒီယာများ၏ မျိုးဆက်များမှတစ်ဆင့် လူအများ၏ထင်မြင်ချက်ကို လွှမ်းမိုးရန်လည်း အသုံးပြုနိုင်သည်။

စဉ်းစားရန်မေးခွန်းများ

• neuro-symbolic AI သည် ကျွန်ုပ်တို့၏နေ့စဉ်ဘဝများကို မည်သို့အကျိုးသက်ရောက်မည်ကို သင်အခြားမည်ကဲ့သို့ထင်သနည်း။
• ဤနည်းပညာကို အခြားစက်မှုလုပ်ငန်းများတွင် မည်သို့အသုံးပြုနိုင်မည်နည်း။