Otani AI Logo AICI Logo
ပင်မ AI အကျိုးကျေးဇူးများ အခမဲ့ အစီရင်ခံစာ စျေးနှုန်းများ AI သတင်းများ အမေးများ ဆက်သွယ်ရန် ဝေါဟာရ

AI ဝေါဟာရ အဘိဓာန်

ကျွန်ုပ်တို့၏ ကျယ်ကျယ်ပြန့်ပြန့် အဘိဓာန်ဖြင့် အတုထည် အသိဉာဏ် ဝေါဟာရကို နားလည်လွယ်အောင် ပြုလုပ်ပါ။ စက်သင်ယူမှုမှ အာရုံကြော ကွန်ယက်များအထိ၊ ရှုပ်ထွေးသော AI အယူအဆများကို ရိုးရှင်းသော အသုံးအနှုန်းများဖြင့် ရှင်းပြပါသည်။

အစီအမံ (Alignment)

Alignment
AI စနစ်၏ ရည်မှန်းချက်များ၊ ထုတ်လုပ်မှုများနှင့် အပြုအမူများသည် လူသားတို့၏ ရည်မှန်းချက်များနှင့် တန်ဖိုးများနှင့် ကိုက်ညီစေရန် သေချာစေသည့် လုပ်ငန်းစဉ်ဖြစ်သည်။ ၎င်းသည် အထူးသဖြင့် ရည်ရွယ်ချက်အတိုင်း မဟုတ်သော အပြုအမူများကို ဖော်ထုတ်နိုင်သည့် အဆင့်မြင့် စနစ်များတွင် အရေးကြီးပါသည်။
ဥပမာ: စိတ်ကျန်းမာရေး ပံ့ပိုးမှုအတွက် ချတ်ဘော့သည် မည်သည့်အမေးအမြန်းကိုမဆို အန္တရာယ်ရှိသော လုပ်ဆောင်မှုများကို မည်သည့်အခါမျှ အကြံပြုခြင်းမရှိကြောင်း သေချာစေခြင်း။

အပလီကေးရှင်း ပရိုဂရမ်မင်း အင်တာဖေ့စ် (API) (Application Programming Interface (API))

Application Programming Interface (API)
ကွဲပြားသော ဆော့ဖ်ဝဲလ်စနစ်များ ဆက်သွယ်ပြောဆိုရန်နှင့် ဒေတာများ လဲလှယ်ရန် ခွင့်ပြုသည့် သတ်မှတ်ထားသော စည်းမျဉ်းများနှင့် ပရိုတိုကောလ်များ စုစည်းမှု။
ဥပမာ: သင်၏ ဝဘ်အက်ပ်တွင် ဘာသာစကား မော်ဒယ်မှ ထုတ်လုပ်သော အကြောင်းပြန်မှုကို ပေးပို့ရန်နှင့် လက်ခံရန် OpenAI API ကို အသုံးပြုခြင်း။

အတုထည် အထွေထွေ အသိဉဏ် (AGI) (Artificial General Intelligence (AGI))

Artificial General Intelligence (AGI)
လူသားတစ်ဦး၏ မည်သည့် ဉာဏ်ရည်ဆိုင်ရာ လုပ်ငန်းကိုမဆို လုပ်ဆောင်နိုင်သည့် သီအိုရီဆိုင်ရာ AI ပုံစံ။ ၎င်းသည် ဒိုမိန်းများတစ်လျှောက် သင်ယူမှုကို အထွေထွေပြုလုပ်သည်။
ဥပမာ: AGI စနစ်တစ်ခုသည် ဂီတကို စီစဥ်ခြင်း၊ ခွဲစိတ်ကုသခြင်းနှင့် အလုပ်-သတ်မှတ် ပရိုဂရမ်မင်းမရှိဘဲ ဒဿနိကဗေဒ စာမေးပွဲကို ဖြေဆိုခြင်းတို့ကို သင်ယူနိုင်သည်။

အတုထည် အသိဉဏ် (AI) (Artificial Intelligence (AI))

Artificial Intelligence (AI)
လူသားတို့၏ ဉာဏ်ရည်ကို စက်များတွင် ပုံတူကူးယူခြင်း၊ ထိုစက်များသည် အတွေး၊ ကျိုးကြောင်းဆင်ခြင်မှုနှင့် ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရ လုပ်ဆောင်ရန် ပရိုဂရမ်ပြုလုပ်ထားသည်။
ဥပမာ: AI သည် Siri ကဲ့သို့သော ကိုယ်ပိုင်အကူများနှင့် Tesla Autopilot ကဲ့သို့သော ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရ ယာဉ်မောင်းစနစ်များကို စွမ်းအားပေးသည်။

AI ကျင့်ဝတ် (AI Ethics)

AI Ethics
AI တိုးတက်မှုနှင့် အသုံးပြုမှု၏ ကိုယ်ကျင့်တရားဆိုင်ရာ အကျိုးသက်ရောက်မှုများ၊ တရားမျှတမှု၊ ကိုယ်ရေးကိုယ်တာ၊ တာဝန်ခံမှုနှင့် ခွဲခြားဆက်ဆံမှု မရှိခြင်းတို့ ပါဝင်သည့် အယူအဆ။
ဥပမာ: အလုပ်ခန့်ထားရေး အယ်ဂိုရစ်သမ်များသည် ကျားမ သို့မဟုတ် လူမျိုးရေးအပေါ် အခြေခံ၍ ခွဲခြားဆက်ဆံခြင်းကို ကာကွယ်ရန် လမ်းညွှန်ချက်များ ဖန်တီးခြင်း။

တိုးမြှင့်ထားသော အသိဉာဏ် (Augmented Intelligence)

Augmented Intelligence
AI သည် ၎င်းကိုအစားထိုးမည့်အစား လူသားအသိဉာဏ်ကို ဖြည့်စွက်ပြီး တိုးမြှင့်ပေးသည့် ပူးပေါင်းဆောင်ရွက်မှုပုံစံ။
ဥပမာ: ဆရာဝန်များအတွက် မူမမှန်မှုများကို မီးမောင်းထိုးပြသည့် AI-အခြေပြု ရေဒီယိုလော့ဂျီ ကိရိယာများ၊ ဆရာဝန်များသည် နောက်ဆုံးရောဂါရှာဖွေမှုကို ပြုလုပ်ကြသည်။

ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရ အေးဂျင့် (Autonomous Agent)

Autonomous Agent
၎င်း၏ ရည်မှန်းချက်များကို လူသား၏ ကြားဝင်မှုမရှိဘဲ အောင်မြင်စေရန် ၎င်း၏ကိုယ်ပိုင် ဆုံးဖြတ်ချက်များ ချမှတ်ပြီး လုပ်ဆောင်မှုများ ပြုလုပ်နိုင်သည့် AI စနစ်။
ဥပမာ: မြို့လမ်းများပေါ်တွင် ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရ ယာဉ်မောင်းနှင်သည့် ပို့ဆောင်ရေး ရိုဘော့သည် အတားအဆီးများကို လွတ်လပ်စွာ ရှောင်ရှားသည်။

နောက်ပြန် ကူးစက်မှု (Backpropagation)

Backpropagation
အာရုံကြော ကွန်ယက်များကို အထွက်မှ အဝင်အလွှာများသို့ ပြောင်းပြန် အလေးချိန်များကို အပ်ဒိတ်လုပ်ခြင်းဖြင့် လေ့ကျင့်ရန် နည်းလမ်းတစ်ခု၊ ခန့်မှန်းမှု အမှားများကို လျှော့ချသည်။
ဥပမာ: လက်ရေးစာလုံးများကို မှတ်မိရာတွင် အမှားနှုန်းကို လျှော့ချရန် ပုံများ အတန်းအစားခွဲခြားသူများကို လေ့ကျင့်ရာတွင် အသုံးပြုသည်။

ဘက်လိုက်မှု (အယ်ဂိုရစ်သမ် ဘက်လိုက်မှု) (Bias (Algorithmic Bias))

Bias (Algorithmic Bias)
မညီမျှသော သို့မဟုတ် ကိုယ်စားမပြုသော လေ့ကျင့်ရေးဒေတာကြောင့် AI ရလဒ်များတွင် မရည်ရွယ်ဘဲနှင့် စနစ်ကျသော အကြိုက်။
ဥပမာ: လေ့ကျင့်ရေးဒေတာတွင် လျော့နည်းကိုယ်စားပြုမှုကြောင့် လူမည်းများ၏ မျက်နှာများကို ပိုမိုမကြာခဏ မှားယွင်းစွာ ဖော်ထုတ်သည့် မျက်နှာအသိအမှတ်ပြုမှုစနစ်။

ဘစ်ဒေတာ (Big Data)

Big Data
သိမ်းဆည်းရန်၊ ခွဲခြမ်းစိတ်ဖြာရန်နှင့် တန်ဖိုးကို ထုတ်ယူရန် အထူးကိရိယာများ လိုအပ်သည့် အလွန်ကြီးမားသော ဒေတာအစုံများ၊ မော်ဒယ်များကို လေ့ကျင့်ရန် မကြာခဏ အသုံးပြုသည်။
ဥပမာ: အီ-ကူးမားစ် ပလက်ဖောင်းများအတွက် အကြံပြုချက် အင်ဂျင်များကို လေ့ကျင့်ရန် သန်းပေါင်းများစွာသော အသုံးပြုသူ အပြန်အလှန်ဆက်သွယ်မှုများကို အသုံးပြုခြင်း။

Black Box မော်ဒယ် (Black Box Model)

Black Box Model
လူသားများအတွက် အလွယ်တကူ နားလည်နိုင်သော အတွင်းပိုင်း ယုတ္တိဗေဒ မရှိသော AI သို့မဟုတ် စက်သင်ယူမှု မော်ဒယ် အမျိုးအစား၊ ဆုံးဖြတ်ချက်များ မည်သို့ချသည်ကို နားလည်ရန် ခက်ခဲစေသည်။
ဥပမာ: ချေးငွေများကို အတည်ပြုရန် အသုံးပြုသော အနက်ရှိုင်းဆုံး အာရုံကြော ကွန်ယက်တစ်ခုဖြစ်သော်လည်း အဘယ်ကြောင့် တစ်ဦးလျှင် အတည်ပြုပြီး အခြားတစ်ဦးကို ငြင်းပယ်သည်ကို ရှင်းလင်းသော ရှင်းလင်းချက် မပေးပါ။

သိမြင်မှု ကွန်ပျူတာ (Cognitive Computing)

Cognitive Computing
ကွန်ပျူတာများအား ပုံများ နှင့် ဗီဒီယိုများ ကဲ့သို့သော မြင်နိုင်သော ဒေတာများကို အနက်ဖွင့်ပြီး လုပ်ဆောင်ရန် ခွင့်ပြုသည့် အတုထည် အသိဉာဏ်၏ နယ်ပယ်။
ဥပမာ: ကွန်ပျူတာ ရူပါရုံကို အသုံးပြု၍ လုံခြုံရေး ရုပ်ရှင်များတွင် လူများကို ဖော်ထုတ်သည့် မျက်နှာ အသိအမှတ်ပြုမှု စနစ်များ။

Corpus (Computer Vision)

Computer Vision
ဘာသာစကား မော်ဒယ်များကို လေ့ကျင့်ရန် အသုံးပြုသော စာရေးသားထားသော သို့မဟုတ် ပြောဆိုထားသော စာသားများ၏ ကြီးမားသော စုစည်းမှု။
ဥပမာ: Common Crawl ဒေတာအစုံသည် GPT ကဲ့သို့သော အကြီးစား ဘာသာစကား မော်ဒယ်များကို လေ့ကျင့်ရန် အသုံးပြုသော အများပြည်သူ ဝဘ် ကော်ပိုရမ်တစ်ခုဖြစ်သည်။

ဒေတာ ယိုစိမ့်မှု (Corpus)

Corpus
ထည့်သွင်းဒေတာသည် အချိန်နှင့်အမျှ ပြောင်းလဲသွားသောကြောင့် မော်ဒယ်၏ စွမ်းဆောင်ရည်ကို လျော့နည်းစေသည့် ဖြစ်စဉ်။
ဥပမာ: စက်မှုသုံးပစ္စည်းများအတွက် ခန့်မှန်းချက် ပြုပြင်ထိန်းသိမ်းမှု မော်ဒယ်သည် အသစ်သော အာရုံခံ ကိရိယာ နည်းပညာကို မိတ်ဆက်သောအခါ ပိုမိုတိကျမှု နည်းပါးလာသည်။

ဒေတာ တဂ်ပြုလုပ်ခြင်း (Data Drift)

Data Drift
ကြီးကြပ်သင်ယူမှုအတွက် သင့်လျော်စေရန် ဒေတာကို တဂ်များ သို့မဟုတ် တံဆိပ်များဖြင့် အနက်ဖွင့်သည့် လုပ်ငန်းစဉ်။
ဥပမာ: ကင်ဆာ ရှာဖွေရေး မော်ဒယ်ကို လေ့ကျင့်ရန် အကျိတ်များစွာသော အကျိတ်ပုံများကို အကျိတ် သို့မဟုတ် အကျိတ်မဟုတ်ဟု တဂ်ပြုလုပ်ခြင်း။

ဒေတာ တူးဖော်ခြင်း (Data Labelling)

Data Labelling
ကြီးမားသော ဒေတာအစုံများတွင် အဓိပ္ပာယ်ရှိသော ပုံစံများ၊ ဆက်စပ်မှုများနှင့် မူမမှန်မှုများကို ရှာဖွေသည့် လုပ်ငန်းစဉ်။
ဥပမာ: ကုန်စုံဆိုင်များသည် ကလေးအဝတ်အစားများ ဝယ်ယူသူများသည် ဘီယာကိုလည်း ဝယ်ယူလေ့ရှိကြောင်း သိရှိရန် ဒေတာ တူးဖော်ခြင်းကို အသုံးပြုသည်။

အနက်ရှိုင်းဆုံး သင်ယူမှု (Data Mining)

Data Mining
ဒေတာရှိ ရှုပ်ထွေးသော ပုံစံများကို မော်ဒယ်ပြုလုပ်ရန် အလွှာများစွာသော အာရုံကြော ကွန်ယက်များကို အသုံးပြုသည့် စက်သင်ယူမှု၏ အပိုင်းခွဲ။
ဥပမာ: အနက်ရှိုင်းဆုံး သင်ယူမှုသည် GPT-4 ကဲ့သို့သော ဘာသာစကား မော်ဒယ်များနှင့် Stable Diffusion ကဲ့သို့သော ပုံရိပ်မျိုးဆက် မော်ဒယ်များတွင် အသုံးပြုသည်။

ပျံ့နှံ့မှု မော်ဒယ်များ (Deep Learning)

Deep Learning
ကျပန်း ဆူညံသံများကို တည်ဆောက်ထားသော ထုတ်လုပ်မှုများအဖြစ် တဖြည်းဖြည်း ပြောင်းလဲခြင်းဖြင့် ဒေတာများကို ထုတ်လုပ်ရန် သင်ယူသည့် မျိုးဆက် မော်ဒယ်များ၏ အတန်းအစား။
ဥပမာ: Stable Diffusion သည် ပျံ့နှံ့မှု နည်းပညာများကို အသုံးပြု၍ စာသား အမေးအမြန်းများမှ ဓာတ်ပုံစစ်မှန်ပုံများကို ဖန်တီးသည်။

ကနုတ် (Diffusion Models)

Diffusion Models
ဒေတာ၏ ဂဏန်းဆိုင်ရာ ကိုယ်စားပြုမှု၊ မကြာခဏ အသုံးပြုသော စကားလုံးများ၊ ပုံများ သို့မဟုတ် စာကြောင်းများ၏ အဓိပ္ပာယ်ကို ဖမ်းယူရန်။
ဥပမာ: NLP တွင်၊ 'ဘဏ်' ဟူသော စကားလုံးသည် 'ငွေ' နှင့် ဆင်တူသော ကနုတ်များ ရှိသော်လည်း အကြောင်းအရာပေါ် မူတည်၍ 'မြစ်ကမ်း' နှင့် ကွဲပြားသည်။

Epoch (Embedding)

Embedding
စက်သင်ယူမှု မော်ဒယ်တစ်ခု၏ လေ့ကျင့်ရေး လုပ်ငန်းစဉ်အတွင်း အလုံးစုံ လေ့ကျင့်ရေး ဒေတာအစုံကို တစ်ကြိမ် အပြည့်အဝ လည်ပတ်ခြင်း။
ဥပမာ: ဒေတာအစုံတွင် ဥပမာ ၁,၀၀၀ ရှိပြီး မော်ဒယ်သည် ၎င်းတို့ကို တစ်ကြိမ်တွေ့မြင်ခဲ့ပါက၊ ၎င်းသည် အီပိုခ်တစ်ခုဖြစ်သည်။

ကျင့်ဝတ်ဆိုင်ရာ AI (Epoch)

Epoch
AI နည်းပညာများသည် ပွင့်လင်းမြင်သာမှု၊ တရားမျှတမှုနှင့် လူ့အဖွဲ့အစည်း၏ တန်ဖိုးများနှင့်အညီ လည်ပတ်နေစေရန် သေချာစေသည့် ဒီဇိုင်းနှင့် အကောင်အထည်ဖော်မှု အတွေးအခေါ်။
ဥပမာ: လူနည်းစု ကိုယ်စားလှယ်လောင်းများအား ခွဲခြားဆက်ဆံခြင်းကို ကာကွယ်ရန် ဘက်လိုက်မှု စစ်ဆေးမှုများကို ထည့်သွင်းသည့် AI အလုပ်ခန့်ထားရေး ကိရိယာ။

ကျွမ်းကျင်သူ စနစ် (Ethical AI)

Ethical AI
စည်းမျဉ်းများနှင့် ယုတ္တိဗေဒကို အသုံးပြု၍ သတ်မှတ်ထားသော ဒိုမိန်းတစ်ခုတွင် လူသားကျွမ်းကျင်သူ၏ ဆုံးဖြတ်ချက်ချနိုင်စွမ်းကို ပုံတူကူးယူသည့် AI စနစ်။
ဥပမာ: မြေဆီလွှာဒေတာနှင့် ပိုးမွှားသမိုင်းကို အခြေခံ၍ သီးနှံကုသမှုများကို အကြံပြုရန် စိုက်ပျိုးရေးတွင် အသုံးပြုသော ကျွမ်းကျင်သူ စနစ်။

ရှင်းလင်းနိုင်သော AI (XAI) (Expert System)

Expert System
၎င်း၏ အတွင်းပိုင်း လုပ်ငန်းစဉ်များနှင့် ဆုံးဖြတ်ချက်ချသည့် လုပ်ငန်းစဉ်များကို လူသားများ နားလည်နိုင်စေရန် ဒီဇိုင်းပြုလုပ်ထားသည့် AI စနစ်များ၊ ယုံကြည်မှုနှင့် တာဝန်ခံမှုကို တိုးမြှင့်ပေးသည်။
ဥပမာ: ဆေးဘက်ဆိုင်ရာ ရောဂါရှာဖွေရေး AI သည် အကြံပြုချက်ကို ပေးရုံသာမက မည်သည့် လက္ခဏာများက ထိုသို့ ဦးတည်စေသည်ကိုလည်း ရှင်းပြသည်။

အနည်းငယ်သင်ယူမှု (Explainable AI (XAI))

Explainable AI (XAI)
အနည်းငယ်မျှသာသော တံဆိပ်တပ်ထားသော ဥပမာများကို အသုံးပြု၍ မော်ဒယ်ကို လေ့ကျင့်ခြင်း သို့မဟုတ် အနုစိတ်ပြုပြင်ခြင်း ပြုလုပ်သည့် စက်သင်ယူမှု နည်းလမ်း။
ဥပမာ: ဥပမာ ၁၀ ခုကိုသာ ပြသပြီးနောက် တရားဝင် အီးမေးလ်များကို ရေးသားရန် LLM ကို စိတ်ကြိုက်ပြုလုပ်ခြင်း။

အနုစိတ်ပြုပြင်ခြင်း (Few-shot Learning)

Few-shot Learning
ကြိုတင်လေ့ကျင့်ထားသော မော်ဒယ်ကိုယူ၍ သတ်မှတ်ထားသော အလုပ်အတွက် အထူးပြုရန် အသစ်၊ သေးငယ်သော ဒေတာအစုံပေါ်တွင် ထပ်မံလေ့ကျင့်သည့် လုပ်ငန်းစဉ်။
ဥပမာ: တရားဝင် စာတမ်းရေးသားရေး အထောက်အကူပြုရန် အတွင်းရေး တရားဝင် စာရွက်စာတမ်းများပေါ်တွင် အထွေထွေ LLM ကို အနုစိတ်ပြုပြင်ခြင်း။

အခြေခံ မော်ဒယ် (Fine-tuning)

Fine-tuning
အမျိုးမျိုးသောနှင့် ကျယ်ပြန့်သော ဒေတာများပေါ်တွင် လေ့ကျင့်ထားသော အကြီးစား မော်ဒယ်တစ်ခုဖြစ်ပြီး အောက်ပါအလုပ်များစွာအတွက် လိုက်လျောညီထွေဖြစ်စေနိုင်သည်။
ဥပမာ: GPT-4 နှင့် PaLM 2 တို့သည် အကျဉ်းချုပ်၊ မေးခွန်း-အဖြေ၊ ဘာသာပြန်ဆိုမှုနှင့် အခြားအရာများ ပြုလုပ်နိုင်သော အခြေခံ မော်ဒယ်များဖြစ်သည်။

Fuzzy Logic (Foundation Model)

Foundation Model
အမှန်/အမှား (ဘိုင်နာရီ) ယုတ္တိဗေဒအစား ခန့်မှန်းတန်ဖိုးများနှင့် ဆက်ဆံသည့် ယုတ္တိဗေဒ၏ ပုံစံ၊ မသေချာမရေရာမှုအောက်တွင် ကျိုးကြောင်းဆင်ခြင်ရန် အသုံးဝင်သည်။
ဥပမာ: ရာသီဥတု ထိန်းချုပ်ရေး စနစ်များတွင် 'အနည်းငယ် ပူသည်' သို့မဟုတ် 'အလွန်အေးသည်' ကဲ့သို့သော Fuzzy ထည့်သွင်းမှုများအပေါ် အခြေခံ၍ အပူချိန်ကို ချိန်ညှိရန် အသုံးပြုသည်။

မျိုးဆက်ပြိုင် ကွန်ယက် (GAN) (Fuzzy Logic)

Fuzzy Logic
ထုတ်လုပ်သူနှင့် ခွဲခြားသူ ဟူသော ကွန်ယက်နှစ်ခု ယှဉ်ပြိုင်၍ ထုတ်လုပ်မှု အရည်အသွေးကို မြှင့်တင်သည့် မျိုးဆက် မော်ဒယ် အဆောက်အအုံ။
ဥပမာ: GAN များသည် အနက်ရှိုင်းဆုံး အတုရုပ် ဗီဒီယိုများကို ဖန်တီးရန် သို့မဟုတ် ပုံကြမ်းများမှ စစ်မှန်သော ကုန်ပစ္စည်း ဓာတ်ပုံများကို ထုတ်လုပ်ရန် အသုံးပြုသည်။

မျိုးဆက် AI (Generative Adversarial Network (GAN))

Generative Adversarial Network (GAN)
လေ့ကျင့်ရေးဒေတာမှ စာသား၊ ပုံများ၊ ဂီတ သို့မဟုတ် ဗီဒီယိုများ ကဲ့သို့သော အကြောင်းအရာအသစ်များကို ဖန်တီးနိုင်သည့် အတုထည် အသိဉာဏ်၏ အမျိုးအစားခွဲ။
ဥပမာ: ChatGPT သည် ဘလော့ဂ်ပို့စ်များကို ထုတ်လုပ်ခြင်း သို့မဟုတ် Midjourney သည် စာသား အမေးအမြန်းများမှ ဒစ်ဂျစ်တယ် အနုပညာကို ဖန်တီးခြင်း။

မျိုးဆက် ကြိုတင်လေ့ကျင့်ထားသော Transformer (GPT) (Generative AI)

Generative AI
OpenAI မှ တီထွင်ထားသော အကြီးစား ဘာသာစကား မော်ဒယ်များ၏ အတန်းအစားတစ်ခုဖြစ်ပြီး Transformer အဆောက်အအုံကို အသုံးပြုပြီး အမျိုးမျိုးသော ဘာသာစကား လုပ်ငန်းများကို လုပ်ဆောင်ရန် ကျယ်ပြန့်သော စာသားဒေတာများပေါ်တွင် ကြိုတင်လေ့ကျင့်ထားသည်။
ဥပမာ: GPT-4 သည် အနည်းငယ်မျှသော အမေးအမြန်းများဖြင့် စာတမ်းများ ရေးသားခြင်း၊ ဘာသာစကားများ ဘာသာပြန်ဆိုခြင်းနှင့် စာရွက်စာတမ်းများကို အကျဉ်းချုပ်ခြင်းတို့ကို ပြုလုပ်နိုင်သည်။

မျိုးဗီဇ အယ်ဂိုရစ်သမ် (Generative Pre-trained Transformer (GPT))

Generative Pre-trained Transformer (GPT)
သဘာဝ ရွေးချယ်မှုမှ စိတ်ကူးယဉ်ထားသော အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်သည့် နည်းလမ်းတစ်ခုဖြစ်ပြီး ထိုတွင် အဖြေများသည် ပြောင်းလဲခြင်း၊ ကူးပြောင်းခြင်းနှင့် ရွေးချယ်ခြင်းတို့မှတစ်ဆင့် အချိန်နှင့်အမျှ တိုးတက်သည်။
ဥပမာ: အကောင်းဆုံးရှင်သန်မှုကို ပုံတူကူးယူခြင်းဖြင့် ထိရောက်သော အာရုံကြော ကွန်ယက် အဆောက်အအုံများကို ဒီဇိုင်းပြုလုပ်ရန် အသုံးပြုသည်။

လေခတ်ခြင်း (Genetic Algorithm)

Genetic Algorithm
AI မော်ဒယ်မှ ဖြစ်ပေါ်လာသော ယုတ္တိကျကျ အသံထွက်သော်လည်း အချက်အလက်မှား သို့မဟုတ် အဓိပ္ပာယ်မရှိသော အကြောင်းအရာများကို ထုတ်လုပ်ခြင်း။
ဥပမာ: ဘာသာစကား မော်ဒယ်သည် မရှိသော ကိုးကားချက်ကို တီထွင်ခြင်း သို့မဟုတ် မှားယွင်းသော သမိုင်းဆိုင်ရာ အချက်အလက်များကို ပေးခြင်း။

Heuristic (Hallucination)

Hallucination
ပြီးပြည့်စုံသော အဖြေကို အာမခံချက်မပေးသော်လည်း အရေးပေါ် ရည်မှန်းချက်များအတွက် လုံလောက်သော ပြဿနာ-ဖြေရှင်းရေးအတွက် လက်တွေ့ကျသော ချဉ်းကပ်မှု။
ဥပမာ: ပို့ဆောင်ရေး AI စနစ်တွင် ပို့ဆောင်ရေးအချိန်ကို ခန့်မှန်းရန် အကြမ်းဖျင်း စည်းမျဉ်းကို အသုံးပြုခြင်း။

Hyperparameter (Heuristic)

Heuristic
သင်ယူမှုနှုန်း သို့မဟုတ် အလွှာအရေအတွက် ကဲ့သို့သော စက်သင်ယူမှု မော်ဒယ်ကို လေ့ကျင့်ခြင်းမပြုမီ သတ်မှတ်ထားသော ကွန်ဖရန့်တန်ဖိုး။
ဥပမာ: လေ့ကျင့်ရေး အမြန်နှုန်းနှင့် မော်ဒယ် စွမ်းဆောင်ရည်ကို မြှင့်တင်ရန် ဘက်ချ် အရွယ်အစားကို ၃၂ မှ ၁၂၈ သို့ ချိန်ညှိခြင်း။

Inference (Hyperparameter)

Hyperparameter
အသစ်ထည့်သွင်းဒေတာမှ ခန့်မှန်းချက်များ ပြုလုပ်ရန် သို့မဟုတ် ထုတ်လုပ်မှုများကို ထုတ်လုပ်ရန် လေ့ကျင့်ထားသော စက်သင်ယူမှု မော်ဒယ်ကို အသုံးပြုသည့် လုပ်ငန်းစဉ်။
ဥပမာ: ဖောက်သည် ဝန်ဆောင်မှုအဖွဲ့အတွက် အီးမေးလ်များကို ရေးသားရန် အနုစိတ်ပြုပြင်ထားသော GPT မော်ဒယ်ကို အသုံးပြုခြင်း။

ရည်ရွယ်ချက် ရှာဖွေခြင်း (Inference)

Inference
စနစ်သည် မက်ဆေ့ခ်ျတွင် အသုံးပြုသူ၏ ရည်မှန်းချက် သို့မဟုတ် ရည်ရွယ်ချက်ကို ဖော်ထုတ်သည့် သဘာဝ ဘာသာစကား နားလည်မှုတွင် လုပ်ငန်းတစ်ခု။
ဥပမာ: ချတ်ဘော့တစ်ခုတွင်၊ 'ကျွန်တော် လေယာဉ်လက်မှတ် ဘွတ်ကင်လုပ်ချင်တယ်' ဟုဆိုသည်ကို ခရီးသွား ဘွတ်ကင် ရည်ရွယ်ချက်အဖြစ် အသိအမှတ်ပြုခြင်း။

အင်တာနက် အရာများ (IoT) (Intent Detection)

Intent Detection
ဒေတာများကို စုဆောင်းပြီး လဲလှယ်ရန် အာရုံခံကိရိယာများ၊ ဆော့ဖ်ဝဲလ်နှင့် အခြားနည်းပညာများဖြင့် တပ်ဆင်ထားသော ဆက်သွယ်ထားသော ရုပ်ပိုင်းဆိုင်ရာ စက်ပစ္စည်းများ၏ ကွန်ယက်။
ဥပမာ: အသုံးပြုမှုဒေတာများကို အစီရင်ခံပြီး AI ခွဲခြမ်းစိတ်ဖြာမှုများကို အသုံးပြု၍ ဆက်တင်များကို ချိန်ညှိသည့် စမတ် အပူထိန်းကိရိယာများနှင့် ရေခဲသေတ္တာများ။

နားလည်နိုင်စွမ်း (Internet of Things (IoT))

Internet of Things (IoT)
လူသားတစ်ဦးသည် စက်သင်ယူမှု မော်ဒယ်၏ အတွင်းပိုင်း ယန္တရားများနှင့် ၎င်း၏ ဆုံးဖြတ်ချက်ချသည့် လုပ်ငန်းစဉ်ကို နားလည်နိုင်သည့် အတိုင်းအတာ။
ဥပမာ: ဆုံးဖြတ်ချက် သစ်ပင်သည် ၎င်း၏ ဆုံးဖြတ်ချက်များသည် လမ်းကြောင်းအတိုင်း လိုက်နိုင်သောကြောင့် အနက်ရှိုင်းဆုံး အာရုံကြော ကွန်ယက်ထက် ပိုမို နားလည်နိုင်သည်။

Jupyter Notebook (Interpretability)

Interpretability
အသုံးပြုသူများအား တစ်ခုတည်းသော အင်တာဖေ့စ်တွင် ကုဒ်ရေးရန်၊ ထုတ်လုပ်မှုကို မြင်ယောင်ရန်နှင့် ခွဲခြမ်းစိတ်ဖြာမှုကို မှတ်တမ်းတင်ရန် ခွင့်ပြုသည့် အများပြည်သူ အရင်းအမြစ် အပြန်အလှန် ကွန်ပျူတာ ပတ်ဝန်းကျင်။
ဥပမာ: ဒေတာ သိပ္ပံပညာရှင်များသည် စက်သင်ယူမှု မော်ဒယ်များကို ပုံစံပြုရန်နှင့် ရလဒ်များကို မျှဝေရန် Jupyter Notebook များကို အသုံးပြုသည်။

K-အနီးဆုံး အိမ်နီးချင်းများ (KNN) (Jupyter Notebook)

Jupyter Notebook
အမျိုးအစားခွဲခြားခြင်းနှင့် ပြန်လည်ခန့်မှန်းခြင်းအတွက် အသုံးပြုသော ရိုးရှင်းသော၊ မ-ပါရာမက်တစ် စက်သင်ယူမှု အယ်ဂိုရစ်သမ်။ ၎င်းသည် အင်္ဂါရပ် အာကာသတွင် အနီးဆုံး လေ့ကျင့်ရေး ဥပမာများအပေါ် အခြေခံ၍ ဆုံးဖြတ်ချက်များ ချသည်။
ဥပမာ: ပုံသဏ္ဍာန်နှင့် အရောင်တွင် အနီးဆုံး တံဆိပ်တပ်ထားသော သစ်သီးများကို စစ်ဆေးခြင်းဖြင့် အသစ်သော သစ်သီးတစ်လုံးကို ပန်းသီး သို့မဟုတ် သစ်တော်သီး အဖြစ် အမျိုးအစားခွဲခြားရန်၊ KNN သည် အနီးဆုံးကို စစ်ဆေးသည်။

ဗဟုသုတ ဂရပ်ဖ် (K-Nearest Neighbours (KNN))

K-Nearest Neighbours (KNN)
အရာဝတ္ထုများနှင့် ၎င်းတို့၏ ဆက်စပ်မှုများ၏ ဆက်စပ်နေသော ဖော်ပြချက်များကို ကိုယ်စားပြုပြီး သိမ်းဆည်းရန် နိုဒ်များနှင့် အစွန်းများကို အသုံးပြုသည့် ဒေတာ အဆောက်အအုံ။
ဥပမာ: Google ၏ ဗဟုသုတ အကန့်သည် လူများ၊ နေရာများ နှင့် ဖြစ်ရပ်များ ကဲ့သို့သော အရာဝတ္ထုများကို ဆက်စပ်သည့် ဗဟုသုတ ဂရပ်ဖ်ဖြင့် စွမ်းအားပေးသည်။

ဘာသာစကား သင်ယူမှု မော်ဒယ် အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်း (LLMO) (Knowledge Graph)

Knowledge Graph
အကြီးစား ဘာသာစကား မော်ဒယ်များ၏ စွမ်းဆောင်ရည်၊ ထိရောက်မှု သို့မဟုတ် လိုက်လျောညီထွေမှုကို သတ်မှတ်ထားသော အလုပ်များ သို့မဟုတ် ဒိုမိန်းများအတွက် မြှင့်တင်ရန် အသုံးပြုသော နည်းပညာများ။
ဥပမာ: စီးပွားရေးသုံးစွဲမှုအတွက် LLM ကို အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ရန် Quantisation နှင့် ညွှန်ကြားချက်များ တုန်ခါခြင်းကို အသုံးပြုခြင်း။

အကြီးစား ဘာသာစကား မော်ဒယ် (LLM) (Language Learning Model Optimisation (LLMO))

Language Learning Model Optimisation (LLMO)
လူသား ဘာသာစကားဖြင့် ထုတ်လုပ်၊ နားလည်ပြီး ကျိုးကြောင်းဆင်ခြင်နိုင်သော ကျယ်ပြန့်သော စာသားဒေတာများပေါ်တွင် လေ့ကျင့်ထားသော အနက်ရှိုင်းဆုံး သင်ယူမှု မော်ဒယ် အမျိုးအစား။
ဥပမာ: ChatGPT နှင့် Claude တို့သည် စာရေးသားခြင်း၊ ကုဒ်ရေးခြင်းနှင့် မေးခွန်းများဖြေဆိုခြင်းတွင် အထောက်အကူပြုရန် လေ့ကျင့်ထားသော LLM များဖြစ်သည်။

Latent Space (Large Language Model (LLM))

Large Language Model (LLM)
အလားတူ ထည့်သွင်းမှုများသည် အနီးကပ်စုစည်းနေသည့် အမြင့်-အတိုင်းအတာ အနှစ်သာရ ကိုယ်စားပြုမှု၊ မျိုးဆက် မော်ဒယ်များနှင့် ကနုတ်များတွင် အသုံးပြုသည်။
ဥပမာ: ပုံရိပ် မျိုးဆက်တွင်၊ Latent Space ကို ကိုင်တွယ်ခြင်းသည် တောက်ပမှု သို့မဟုတ် စိတ်ခံစားမှု ကဲ့သို့သော အင်္ဂါရပ်များကို ပြောင်းလဲနိုင်သည်။

သင်ယူမှုနှုန်း (Latent Space)

Latent Space
ဆုံးရှုံးမှု တိမ်းစောင်းနှင့် ပတ်သက်၍ မော်ဒယ် အလေးချိန်များကို မည်မျှ ချိန်ညှိသည်ကို ထိန်းချုပ်သည့် လေ့ကျင့်ရေးတွင် အဓိက ဟိုက်ပါပါရာမီတာ။
ဥပမာ: မြင့်မားသော သင်ယူမှုနှုန်းသည် အနိမ့်ဆုံးများကို ကျော်လွန်စေနိုင်ပြီး အလွန်နည်းသောနှုန်းသည် လေ့ကျင့်ရေး တိုးတက်မှုကို နှေးကွေးစေနိုင်သည်။

စက်သင်ယူမှု (ML) (Learning Rate)

Learning Rate
AI ၏ အကိုင်းအခက်တစ်ခုဖြစ်ပြီး စနစ်များကို ဒေတာမှ သင်ယူပြီး အထူးသဖြင့် ပရိုဂရမ်မင်းမရှိဘဲ စွမ်းဆောင်ရည်ကို မြှင့်တင်ရန် ခွင့်ပြုသည်။
ဥပမာ: စပမ်း စစ်ထုတ်ကိရိယာများသည် ယခင် ဥပမာများအပေါ် အခြေခံ၍ အီးမေးလ်များကို စပမ်း သို့မဟုတ် မဟုတ်ဟု အမျိုးအစားခွဲခြားရန် စက်သင်ယူမှုကို အသုံးပြုသည်။

မော်ဒယ် ယိုစိမ့်မှု (Machine Learning (ML))

Machine Learning (ML)
ဒေတာ သို့မဟုတ် ပတ်ဝန်းကျင် ပြောင်းလဲမှုများကြောင့် မော်ဒယ်၏ တိကျမှု ကျဆင်းသွားသည့် ဖြစ်စဉ်။
ဥပမာ: လိမ်လည်မှု နည်းဗျူဟာများ တိုးတက်လာသည်နှင့်အမျှ လိမ်လည်မှု ရှာဖွေရေး မော်ဒယ်သည် ပိုမို တိကျမှု နည်းပါးလာသည်။

မော်ဒယ် လေ့ကျင့်ခြင်း (Model Drift)

Model Drift
စက်သင်ယူမှု မော်ဒယ်သို့ ဒေတာကို ပေးပို့ပြီး အမှားကို လျှော့ချရန် ၎င်း၏ ပါရာမီတာများကို ချိန်ညှိသည့် လုပ်ငန်းစဉ်။
ဥပမာ: အသစ်သော ကုန်ပစ္စည်းများကို အကြံပြုရန် ဖောက်သည် ဝယ်ယူမှု သမိုင်းအပေါ်တွင် အကြံပြုချက် အင်ဂျင်ကို လေ့ကျင့်ခြင်း။

မော်ဒယ်အများစု AI (Model Training)

Model Training
စာသား၊ ပုံများ၊ အသံနှင့် ဗီဒီယိုများ ကဲ့သို့သော အမျိုးမျိုးသော ဒေတာအမျိုးအစားများကို လုပ်ဆောင်ပြီး ပေါင်းစည်းနိုင်သည့် AI စနစ်များ။
ဥပမာ: GPT-4 Vision ကဲ့သို့သော မော်ဒယ်သည် စာသားကို ဖတ်နိုင်ပြီး ပုံများကို တစ်ချိန်တည်းတွင် အနက်ဖွင့်နိုင်သည်။

သဘာဝ ဘာသာစကား လုပ်ဆောင်ခြင်း (NLP) (Multimodal AI)

Multimodal AI
ကွန်ပျူတာများနှင့် လူသား (သဘာဝ) ဘာသာစကားများ အကြား အပြန်အလှန် ဆက်သွယ်မှုကို အလေးပေးသည့် AI ၏ အပိုင်းခွဲ။ ၎င်းသည် စက်များကို လူသား ဘာသာစကားဖြင့် ဖတ်ရန်၊ နားလည်ရန်နှင့် တုံ့ပြန်ရန် ခွင့်ပြုသည်။
ဥပမာ: NLP သည် အသံအကူများ၊ ဘာသာစကား ဘာသာပြန်အက်ပ်များနှင့် ချတ်ဘော့များတွင် အသုံးပြုသည်။

အာရုံကြော ကွန်ယက် (Natural Language Processing (NLP))

Natural Language Processing (NLP)
လူသား ဦးနှောက်၏ အဆောက်အအုံမှ စိတ်ကူးယဉ်ထားသော စက်သင်ယူမှု မော်ဒယ်၊ ဆက်စပ်နေသော နိုဒ်များ (အာရုံကြောများ) ၏ အလွှာများဖြင့် ဖွဲ့စည်းထားသည်။
ဥပမာ: အာရုံကြော ကွန်ယက်များသည် ပုံရိပ်နှင့် အသံ အသိအမှတ်ပြုမှုတွင် အသုံးပြုသော အနက်ရှိုင်းဆုံး သင်ယူမှု မော်ဒယ်များ၏ နောက်ကွယ်တွင် ရှိသည်။

ဆူညံသံ (Neural Network)

Neural Network
ဒေတာတွင် ကျပန်း သို့မဟုတ် မသက်ဆိုင်သော အချက်အလက်များ၊ အဓိပ္ပာယ်ရှိသော ပုံစံများကို ဖုံးကွယ်နိုင်ပြီး မော်ဒယ် စွမ်းဆောင်ရည်ကို အပျက်သဘော သက်ရောက်နိုင်သည်။
ဥပမာ: အာရုံခံ ကိရိယာ အမှားများ သို့မဟုတ် စာရိုက်မှားများ ပါဝင်သော ဒေတာ ထည့်သွင်းမှုများသည် ဆူညံသံများ အဖြစ် သတ်မှတ်နိုင်သည်။

Ontology (Noise)

Noise
ဒိုမိန်းတစ်ခုအတွင်းရှိ အယူအဆများ အကြား ဆက်စပ်မှုများကို အမျိုးအစားခွဲခြားပြီး အဓိပ္ပာယ်ဖွင့်ဆိုသည့် တည်ဆောက်ထားသော မူဘောင်၊ အဓိပ္ပာယ်ဆိုင်ရာ AI စနစ်များတွင် မကြာခဏ အသုံးပြုသည်။
ဥပမာ: ကျန်းမာရေး စောင့်ရှောက်မှုတွင် Ontology သည် လက္ခဏာများသည် ရောဂါများနှင့် ကုသမှုများနှင့် မည်သို့ ဆက်စပ်နေသည်ကို အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်သည်။

Overfitting (Ontology)

Ontology
လေ့ကျင့်ရေးဒေတာတွင် ဆူညံသံကို ဖမ်းယူပြီး အသစ်သောဒေတာပေါ်တွင် စွမ်းဆောင်ရည် ညံ့ဖျင်းသည့် မော်ဒယ် အမှား။
ဥပမာ: မမြင်ရသော စမ်းသပ်ဒေတာကို မကိုင်တွယ်နိုင်သော်လည်း လေ့ကျင့်ရေး အဖြေများကို ကျက်မှတ်ထားသည့် မော်ဒယ်သည် overfitted ဖြစ်သည်။

ခန့်မှန်းချက် ခွဲခြမ်းစိတ်ဖြာခြင်း (Overfitting)

Overfitting
သမိုင်းဒေတာအပေါ် အခြေခံ၍ အနာဂတ် ရလဒ်များ၏ ဖြစ်နိုင်ခြေကို ဖော်ထုတ်ရန် ဒေတာ၊ အယ်ဂိုရစ်သမ်များနှင့် AI ကို အသုံးပြုခြင်း။
ဥပမာ: ကုန်စုံဆိုင်များသည် ကုန်ပစ္စည်းများအတွက် ဝယ်လိုအားကို ခန့်မှန်းရန် ခန့်မှန်းချက် ခွဲခြမ်းစိတ်ဖြာခြင်းကို အသုံးပြုသည်။

ကြိုတင်လေ့ကျင့်ခြင်း (Predictive Analytics)

Predictive Analytics
အထူးသတ်မှတ်ထားသော အလုပ်များအတွက် အနုစိတ်ပြုပြင်ခြင်းမပြုမီ ကြီးမားသော၊ အထွေထွေ ဒေတာအစုံပေါ်တွင် မော်ဒယ်ကို အစပိုင်းတွင် လေ့ကျင့်သည့် လုပ်ငန်းစဉ်။
ဥပမာ: ဖောက်သည် ဝန်ဆောင်မှု ချတ်ဘော့များအတွက် စိတ်ကြိုက်ပြုလုပ်ခြင်းမပြုမီ GPT မော်ဒယ်များကို ကြီးမားသော ကော်ပိုရာပေါ်တွင် ကြိုတင်လေ့ကျင့်သည်။

Prompt Engineering (Pre-training)

Pre-training
အကြီးစား ဘာသာစကား မော်ဒယ်များ၏ ထုတ်လုပ်မှုကို လမ်းညွှန်ရန် ထိရောက်သော အမေးအမြန်းများကို ရေးသားသည့် အနုပညာနှင့် သိပ္ပံ။
ဥပမာ: 'ယဉ်ကျေးသော နည်းပြဆရာအဖြစ် တုံ့ပြန်ပါ' ကဲ့သို့သော စနစ် ညွှန်ကြားချက်များကို ထည့်သွင်းခြင်းသည် prompt engineering ၏ ဥပမာတစ်ခုဖြစ်သည်။

Quantisation (Prompt Engineering)

Prompt Engineering
ထိရောက်မှုကို မြှင့်တင်ပေးသည့် အလေးချိန်များနှင့် လှုပ်ရှားမှုများကို ကိုယ်စားပြုရန် အသုံးပြုသော ဘစ်အရေအတွက်ကို လျှော့ချသည့် မော်ဒယ် ကွန်ပရက်ရှင် နည်းပညာ။
ဥပမာ: မိုဘိုင်းလ် စက်ပစ္စည်းများပေါ်တွင် စွမ်းဆောင်ရည်ကို မြှင့်တင်ရန် မော်ဒယ်ကို ၃၂-ဘစ်မှ ၈-ဘစ်သို့ Quantise လုပ်ခြင်း။

Quantum Computing (Quantisation)

Quantisation
ကွန်ပျူတာ ရူပဗေဒ အပေါ် အခြေခံသည့် ကွန်ပျူတာ နည်းပညာသစ်၊ ထိုသည် ကွန်ပျူတာစွမ်းရည်ကို အဆပေါင်းများစွာ တိုးမြှင့်နိုင်သည့် အလားအလာရှိသည်။
ဥပမာ: Quantum Computing သည် အတန်းအစား ကန့်သတ်ချက်များထက် AI လေ့ကျင့်ရေးကို အရှိန်မြှင့်နိုင်ဖွယ်ရှိသည်။

ကျိုးကြောင်းဆင်ခြင်မှု အင်ဂျင် (Quantum Computing)

Quantum Computing
စည်းမျဉ်းများ သို့မဟုတ် Inference အယ်ဂိုရစ်သမ်များကို အသုံးပြု၍ အချက်အလက် သို့မဟုတ် ဒေတာအစုံမှ ကျိုးကြောင်းဆီလျော်သော အဆုံးသတ်များကို ရယူသည့် AI စနစ်။
ဥပမာ: AI ရောဂါရှာဖွေရေး ကိရိယာသည် လက္ခဏာများအပေါ် အခြေခံ၍ ဖြစ်နိုင်သော ဆေးဘက်ဆိုင်ရာ အခြေအနေများကို ဆုံးဖြတ်ရန် ကျိုးကြောင်းဆင်ခြင်မှု အင်ဂျင်ကို အသုံးပြုသည်။

ပြန်လည်အားဖြည့် သင်ယူမှု (RL) (Reasoning Engine)

Reasoning Engine
အေးဂျင့်များသည် စုပေါင်းဆုလာဘ်များကို အများဆုံးဖြစ်စေရန် ၎င်းတို့၏ ပတ်ဝန်းကျင်နှင့် အပြန်အလှန် ဆက်သွယ်ခြင်းဖြင့် သင်ယူသည့် စက်သင်ယူမှု နယ်ပယ်။
ဥပမာ: RL နည်းပညာများကို အသုံးပြု၍ လမ်းလျှောက်ရန် သင်ယူသည့် ရိုဘော့။

လူသားတုံ့ပြန်မှုဖြင့် ပြန်လည်အားဖြည့် သင်ယူမှု (RLHF) (Reinforcement Learning (RL))

Reinforcement Learning (RL)
လူသားနှစ်သက်မှုများသည် AI ၏ ဆုလာဘ် အချက်ပြမှုကို လမ်းညွှန်သည့် သင်ယူမှု နည်းလမ်း၊ မကြာခဏ ဘာသာစကား မော်ဒယ်များကို အနုစိတ်ပြုပြင်ရန် အသုံးပြုသည်။
ဥပမာ: ChatGPT ကို ပိုမိုအထောက်အကူဖြစ်စေပြီး လုံခြုံသော တုံ့ပြန်မှုများကို ထုတ်လုပ်ရန် RLHF ဖြင့် လေ့ကျင့်ခဲ့သည်။

ပြန်လည်ရယူမှု-တိုးမြှင့်ထားသော မျိုးဆက် (RAG) (Reinforcement Learning with Human Feedback (RLHF))

Reinforcement Learning with Human Feedback (RLHF)
အချက်အလက် ပြန်လည်ရယူခြင်းကို မျိုးဆက်နှင့် ပေါင်းစပ်သည့် နည်းလမ်းတစ်ခု၊ ထိုတွင် LLM သည် ၎င်း၏ တုံ့ပြန်မှုကို မြှင့်တင်ရန် သက်ဆိုင်ရာ စာရွက်စာတမ်းများကို ပြန်လည်ရယူသည်။
ဥပမာ: AI အထောက်အကူပြုသည် နည်းပညာဆိုင်ရာ မေးခွန်းတစ်ခုအတွက် အဖြေကို ထုတ်လုပ်နေစဉ်တွင် ကုန်ပစ္စည်း သတ်မှတ်ချက်များကို ပြန်လည်ရယူပြီး ကိုးကားသည်။

ကိုယ်တိုင်-ကြီးကြပ်သင်ယူမှု (Retrieval-Augmented Generation (RAG))

Retrieval-Augmented Generation (RAG)
မော်ဒယ်သည် လူသား-တံဆိပ်တပ်ထားသော ဒေတာအပေါ် မှီခိုမှုကို လျှော့ချရန် အစိမ်းရောင်ဒေတာမှ ၎င်း၏ကိုယ်ပိုင် တံဆိပ်များကို ထုတ်လုပ်ခြင်းဖြင့် ပုံစံများကို သင်ယူသည့် လေ့ကျင့်ရေး ချဉ်းကပ်မှု။
ဥပမာ: BERT သည် စာသားတွင် ပျောက်ဆုံးနေသော စကားလုံးများကို ခန့်မှန်းခြင်းဖြင့် ကိုယ်တိုင်-ကြီးကြပ်သင်ယူမှုဖြင့် လေ့ကျင့်သည်။

အဓိပ္ပာယ်ဆိုင်ရာ ရှာဖွေမှု (Self-Supervised Learning)

Self-Supervised Learning
အသုံးပြုသူ၏ ရည်ရွယ်ချက်နှင့် အကြောင်းအရာ အဓိပ္ပာယ်ကို နားလည်သည့် ရှာဖွေရေး နည်းပညာ၊ ရိုးရိုးသော့ချက်စာလုံး ကိုက်ညီမှုထက် ပိုသည်။
ဥပမာ: 'ယိုစိမ့်နေသော တပ်ကို မည်သို့ ပြင်ဆင်ရမည်' ဟု ရှာဖွေခြင်းသည် စာရွက်စာတမ်းတွင် 'ယိုစိမ့်နေသော တပ်' ဟူသော အသုံးအနှုန်း မပါဝင်သော်လည်း လမ်းညွှန်ချက်များကို ပြန်လည်ရယူသည်။

ခံစားချက် ခွဲခြမ်းစိတ်ဖြာခြင်း (Semantic Search)

Semantic Search
စာသားတွင် စိတ်ခံစားမှုများ၊ ထင်မြင်ချက်များ သို့မဟုတ် သဘောထားများကို ဖော်ထုတ်သည့် လုပ်ငန်းစဉ်၊ မကြာခဏ အပြုသဘော၊ အပျက်သဘော သို့မဟုတ် ကြားနေ အဖြစ် အမျိုးအစားခွဲခြားသည်။
ဥပမာ: အသစ်သော ကုန်ပစ္စည်းအပေါ် လူထု၏ တုံ့ပြန်မှုကို တိုင်းတာရန် တွစ်တာများကို ခွဲခြမ်းစိတ်ဖြာခြင်း။

Stochastic (Sentiment Analysis)

Sentiment Analysis
ကျပန်း သို့မဟုတ် ဖြစ်နိုင်ခြေရှိသော အပြုအမူများ ပါဝင်သည်၊ မကြာခဏ မျိုးဆက် AI နှင့် အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်သည့် အယ်ဂိုရစ်သမ်များတွင် အသုံးပြုသည်။
ဥပမာ: GPT-4 ၏ ထုတ်လုပ်မှုသည် ၎င်း၏ stochastic decoding လုပ်ငန်းစဉ်ကြောင့် တူညီသော ထည့်သွင်းမှုအတွက် ကွဲပြားသည်။

အားကောင်းသော AI (Stochastic)

Stochastic
အတုထည် အထွေထွေ အသိဉာဏ် (AGI) ဟုလည်း ခေါ်သည်၊ လူသား-အဆင့် ဉာဏ်ရည်ဆိုင်ရာ စွမ်းရည်များအားလုံး ဒိုမိန်းများတွင် ရှိသည့် စက်များကို ရည်ညွှန်းသည်။
ဥပမာ: ဝတ္ထုများကို ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရ ရေးသားနိုင်၊ မြို့များကို စီစဉ်နိုင်ပြီး ကိုယ်ကျင့်တရားဆိုင်ရာ အငြင်းပွားမှုများကိုလည်း ကောင်းစွာ ဖြေရှင်းနိုင်သည့် အနာဂတ် AI။

Super Artificial Intelligence (SAI) (Strong AI)

Strong AI
လူသား အသိဉာဏ်ကို ကျော်လွန်သည့် သီအိုရီဆိုင်ရာ AI တစ်ခု—ကျိုးကြောင်းဆင်ခြင်မှု၊ ဖန်တီးမှု၊ စိတ်ခံစားမှု အသိဉာဏ် စသည်တို့ဖြစ်သည်။
ဥပမာ: SAI သည် သီအိုရီအရ အသစ်သော သိပ္ပံနှင့် ဒဿနိကဗေဒများကို လွတ်လပ်စွာ တီထွင်နိုင်သည်။

Supervised Learning (Super Artificial Intelligence (SAI))

Super Artificial Intelligence (SAI)
ထည့်သွင်း-ထုတ်လုပ်မှု ဆက်နွယ်မှုများကို သင်ယူရန် တံဆိပ်တပ်ထားသော ဒေတာများပေါ်တွင် မော်ဒယ်များကို လေ့ကျင့်သည့် စက်သင်ယူမှု နည်းပညာ။
ဥပမာ: စပမ်း သို့မဟုတ် မဟုတ်ဟု အီးမေးလ်များကို အမျိုးအစားခွဲခြားရန် မော်ဒယ်ကို သမိုင်းဆိုင်ရာ ဥပမာများဖြင့် သင်ကြားပေးခြင်း။

Synthetic Data (Supervised Learning)

Supervised Learning
အစစ် ဒေတာ မရှိခြင်း သို့မဟုတ် အရေးကြီးသော အခါတွင် လေ့ကျင့်ရေးအတွက် မကြာခဏ အသုံးပြုသော၊ အစစ် ဒေတာကို ပုံတူကူးယူသည့် လူလုပ် ဖန်တီးထားသော ဒေတာ။
ဥပမာ: လူနာ၏ ကိုယ်ရေးကိုယ်တာကို မချိုးဖောက်ဘဲ ရောဂါရှာဖွေရေး မော်ဒယ်များကို လေ့ကျင့်ရန် လူလုပ် ဆေးဘက်ဆိုင်ရာ ပုံများကို ဖန်တီးခြင်း။

Token (Synthetic Data)

Synthetic Data
LLM များမှ လုပ်ဆောင်သော စာသား၏ ယူနစ်—ပုံမှန်အားဖြင့် စကားလုံး သို့မဟုတ် စကားလုံး အပိုင်း။
ဥပမာ: 'Hello world!' ဟူသော စာကြောင်းသည် 'Hello', 'world', နှင့် '!' ဟူသော တိုကင် ၃ ခုသို့ ခွဲခြားသည်။

Tokenisation (Token)

Token
မော်ဒယ်မှ လုပ်ဆောင်ရန် စာသားကို တိုကင်များအဖြစ် ခွဲခြားသည့် လုပ်ငန်းစဉ်။
ဥပမာ: NLP တွင်၊ 'ChatGPT is great' သည် ['Chat', 'G', 'PT', 'is', 'great'] ဖြစ်လာသည်။

Transfer Learning (Tokenisation)

Tokenisation
လေ့ကျင့်ရေးအချိန်နှင့် ဒေတာလိုအပ်ချက်များကို လျှော့ချခြင်း၊ အခြားသက်ဆိုင်ရာ အလုပ်တစ်ခုအပေါ် သင်ယူမှုကို မြှင့်တင်ရန် လုပ်ငန်းတစ်ခုမှ ဗဟုသုတကို အသုံးပြုခြင်း။
ဥပမာ: အခြားဘာသာစကားတစ်ခုတွင် ခံစားချက် ခွဲခြမ်းစိတ်ဖြာမှုကို လုပ်ဆောင်ရန် အင်္ဂလိပ် စာသားပေါ်တွင် လေ့ကျင့်ထားသော မော်ဒယ်ကို အနုစိတ်ပြုပြင်ခြင်း။

Transformer (Transfer Learning)

Transfer Learning
အာရုံစူးစိုက်မှု ယန္တရားများကို အသုံးပြု၍ အစီအစဉ်ကျသော ဒေတာကို မော်ဒယ်ပြုလုပ်သည့် အာရုံကြော ကွန်ယက် အဆောက်အအုံ၊ LLM များတွင် ကျယ်ပြန့်စွာ အသုံးပြုသည်။
ဥပမာ: BERT, GPT, နှင့် T5 တို့သည် Transformer-အခြေပြု မော်ဒယ်များဖြစ်သည်။

Underfitting (Transformer)

Transformer
လေ့ကျင့်ရေးဒေတာတွင် ပုံစံများကို ဖမ်းယူရန် မော်ဒယ်သည် အလွန်ရိုးရှင်းလွန်းသောအခါ၊ ရလဒ်အနေဖြင့် စွမ်းဆောင်ရည် ညံ့ဖျင်းသည်။
ဥပမာ: ရှုပ်ထွေးသော ပုံရိပ် အမျိုးအစားခွဲခြားမှုများကို ခန့်မှန်းရန် ကြိုးစားနေသော လီနီယာ မော်ဒယ်သည် underfit ဖြစ်နိုင်သည်။

Unsupervised Learning (Underfitting)

Underfitting
တံဆိပ်မတပ်ထားသော ဒေတာတွင် ပုံစံများ သို့မဟုတ် အုပ်စုများကို ဖော်ထုတ်သည့် မော်ဒယ်များ၏ လေ့ကျင့်ရေး ချဉ်းကပ်မှု။
ဥပမာ: ကြိုတင်သတ်မှတ်ထားသော တံဆိပ်များမရှိဘဲ ဝယ်ယူမှု အပြုအမူအပေါ် အခြေခံ၍ ဖောက်သည်များကို အုပ်စုဖွဲ့ခြင်း။

အသုံးပြုသူ ရည်ရွယ်ချက် (Unsupervised Learning)

Unsupervised Learning
အသုံးပြုသူ၏ မေးမြန်းမှု သို့မဟုတ် အပြန်အလှန်ဆက်သွယ်မှုနောက်ကွယ်ရှိ ရည်မှန်းချက် သို့မဟုတ် ရည်ရွယ်ချက်။
ဥပမာ: 'ကိတ်မုန့် မည်သို့ ဖုတ်ရမည်' ဟု ရိုက်ထည့်သော အသုံးပြုသူသည် ချက်နည်းကို ရှာဖွေရန် ရည်ရွယ်သည်။

Validation Set (User Intent)

User Intent
လေ့ကျင့်ရေးအတွင်း မော်ဒယ် စွမ်းဆောင်ရည်ကို အကဲဖြတ်ရန်နှင့် ဟိုက်ပါပါရာမီတာများကို ချိန်ညှိရန် အသုံးပြုသော ဒေတာ၏ အပိုင်းခွဲ။
ဥပမာ: နောက်ဆုံး စမ်းသပ်ခြင်းမပြုမီ overfitting ကို ဖော်ထုတ်ရန် အသုံးပြုသည်။

Vector Database (Validation Set)

Validation Set
အလားတူ ရှာဖွေမှုနှင့် RAG ကဲ့သို့သော AI လုပ်ငန်းများတွင် အသုံးပြုသော Vector ကနုတ်များကို သိမ်းဆည်းပြီး ရှာဖွေရန် ဒီဇိုင်းပြုလုပ်ထားသော ဒေတာဘေ့စ်။
ဥပမာ: Pinecone နှင့် Weaviate တို့သည် စာသား သို့မဟုတ် ပုံရိပ် ကနုတ်များကို သိမ်းဆည်းရန် Vector ဒေတာဘေ့စ်များဖြစ်သည်။

Vector Embedding (Vector Database)

Vector Database
Vector အာကာသတွင် အဓိပ္ပာယ်ဆိုင်ရာ အဓိပ္ပာယ်နှင့် ဆက်စပ်မှုများကို ထိန်းသိမ်းထားသည့် ဒေတာ၏ ဂဏန်း ကိုယ်စားပြုမှု။
ဥပမာ: 'ဘုရင်' နှင့် 'ဘုရင်မ' ဟူသော စကားလုံးများသည် ကျားမ ကွဲပြားမှုများကို အနည်းငယ်ဖြင့် ဆင်တူသော ကနုတ်များ ရှိသည်။

Virtual Assistant (Vector Embedding)

Vector Embedding
စကားပြော သို့မဟုတ် အသံ အမိန့်များမှတစ်ဆင့် အသုံးပြုသူများအား အလုပ်များ ပြီးမြောက်အောင် ကူညီပေးသည့် AI-အခြေပြု ဆော့ဖ်ဝဲလ် အေးဂျင့်။
ဥပမာ: Siri, Alexa, နှင့် Google Assistant တို့သည် လူကြိုက်များသော Virtual Assistant များဖြစ်သည်။

အသံ အသိအမှတ်ပြုခြင်း (Virtual Assistant)

Virtual Assistant
ပြောဆိုသော ဘာသာစကားကို စာသား သို့မဟုတ် အလုပ်သို့ အနက်ဖွင့်ပြီး ပြောင်းလဲပေးသည့် နည်းပညာ။
ဥပမာ: အသံရိုက်ခြင်းနှင့် အသံ အမိန့်များသည် အသံ အသိအမှတ်ပြုမှု စနစ်များကို မှီခိုသည်။

အားနည်းသော AI (Voice Recognition)

Voice Recognition
အထွေထွေ အသိဉာဏ်မရှိဘဲ သတ်မှတ်ထားသော၊ အထူးအလုပ်တစ်ခုကို လုပ်ဆောင်ရန် ဒီဇိုင်းပြုလုပ်ထားသည့် AI စနစ်များ။
ဥပမာ: ဘာသာစကားကို နားမလည်နိုင် သို့မဟုတ် ကားမောင်းနိုင်သည့် စစ်တုရင် ကစားသည့် AI သည် အားနည်းသော AI ၏ ဥပမာတစ်ခုဖြစ်သည်။

Web Scraping (Weak AI)

Weak AI
ဝဘ်ဆိုက်များမှ အချက်အလက်များကို အလိုအလျောက် ထုတ်ယူခြင်း၊ မကြာခဏ လေ့ကျင့်ရေးဒေတာ စုဆောင်းရန် သို့မဟုတ် အကြောင်းအရာများကို စောင့်ကြည့်ရန် အသုံးပြုသည်။
ဥပမာ: အိမ်ခြံမြေ တန်ဖိုးခန့်မှန်း မော်ဒယ်ကို လေ့ကျင့်ရန် အိမ်ခြံမြေ စာရင်းများကို Scraping လုပ်ခြင်း။

Weight (Web Scraping)

Web Scraping
အာရုံကြော ကွန်ယက်များတွင် တစ်ဦးနိုဒ်သည် အခြားတစ်ခုအပေါ် မည်မျှ အကျိုးသက်ရောက်မှုရှိသည်ကို ဆုံးဖြတ်သည့် ပါရာမီတာ။
ဥပမာ: မော်ဒယ်၏ အမှားကို လျှော့ချရန် လေ့ကျင့်ရေးအတွင်း အလေးချိန်များကို ချိန်ညှိသည်။

Whisper (Weight)

Weight
OpenAI မှ တီထွင်ထားသော အသံ-မှ-စာသား မော်ဒယ်ဖြစ်ပြီး ဘာသာစကားများစွာဖြင့် အသံများကို မှတ်တမ်းတင်နိုင်သည်။
ဥပမာ: Whisper သည် ဟောပြောပွဲများနှင့် ပေါ့ဒ်ကတ်များကို မြင့်မားသော တိကျမှုဖြင့် မှတ်တမ်းတင်နိုင်သည်။

YAML (Whisper)

Whisper
ဒေတာ စီးရီးယန်းအတွက် လူသား-ဖတ်နိုင်သော ပုံစံ၊ စက်သင်ယူမှု လုပ်ငန်းစဉ်များတွင် ကွန်ဖရန့် ဖိုင်များအတွက် မကြာခဏ အသုံးပြုသည်။
ဥပမာ: PyTorch တွင် လေ့ကျင့်ရေးအတွက် YAML ဖိုင်တစ်ခုတွင် မော်ဒယ် ပါရာမီတာများကို အဓိပ္ပာယ်ဖွင့်ဆိုခြင်း။

Zero-shot Learning (YAML)

YAML
အထူးသဖြင့် မလေ့ကျင့်ရသေးသော အလုပ်များကို အထွေထွေ ဗဟုသုတကို အသုံးချခြင်းဖြင့် လုပ်ဆောင်နိုင်သည့် မော်ဒယ်၏ စွမ်းရည်။
ဥပမာ: တရားဝင် ဒေတာအပေါ် အထူးသဖြင့် မလေ့ကျင့်ရသေးသော်လည်း တရားဝင် မေးခွန်းများကို ဖြေဆိုသည့် မော်ဒယ်။

Zettabyte (Zero-shot Learning)

Zero-shot Learning
တစ်ဘီလီယံ (10^21) ဘိုက်နှင့် ညီမျှသော ဒစ်ဂျစ်တယ်ဒေတာ၏ ယူနစ်၊ မကြာခဏ အင်တာနက်ဒေတာ၏ အတိုင်းအတာကို ဖော်ပြရန် အသုံးပြုသည်။
ဥပမာ: ၂၀၁၆ ခုနှစ်တွင် ကမ္ဘာလုံးဆိုင်ရာ အင်တာနက် ယာဉ်ကြောသည် တစ်နှစ်လျှင် ၁ Zettabyte ကို ကျော်လွန်ခဲ့သည်။