အေအိုင်၊ သင်္ချာပညာ ပျက်စီးခြင်း၏အစလော?

သင်္ချာလောကရဲ့ 'ထောင်စုနှစ် ဆုကြေးပုစ္ဆာကြီး' (Millennium Prize Problems) ၇-ရပ် အနက် တစ်ခုအပါအဝင်ဖြစ်ပြီး ထင်ရှားလှတဲ့ ‘နာဗီယာ-စတုတ် ညီမျှခြင်းများ (Navier-Stokes equations)’ နဲ့ သက်ဆိုင်တဲ့ အခြေအနေတစ်ခုအတွက်၊ ကွန်ပျူတာစွမ်းအင် အမေရိကန်ဒေါ်လာ ၁၅ သန်းဖိုးခန့် အသုံးပြုတွက်ချက်ပြီး အဖြေကို တွေ့ရှိပြီဖြစ်ကြောင်း OpenAI က ကြေညာခဲ့တယ်။ [[အဆိုပါ အဖြေကို ရဖို့ AI အေးဂျင့်ပေါင်း တစ်သောင်းခန့်ကို ၈၈ နာရီနီးပါးကြာ မောင်းနှင်ခဲ့ရတယ်လို့ ဆိုတယ်။]]

ဒီကြေညာချက်မှာ ချက်ချင်းဆိုသလိုပဲ အငြင်းပွားဖွယ်ရာ ဖြစ်လာခဲ့တယ်။ နယူးယောက် တက္ကသိုလ်က သင်္ချာပညာရှင်တွေဖြစ်တဲ့ ‘ထရစ်စတန် ဘက်မတ်စတာ (Tristan Buckmaster)’ နဲ့ ‘လီဗန့် အယ်လ်ပိုဂီ (Levent Alpöge)’ တို့က၊ ၎င်းတို့အနေနဲ့ အဆိုပါ ပုစ္ဆာအတွက် အလားအလာကောင်းသော ဖြေရှင်းနိုင်မည့် လမ်းကြောင်းတစ်ခုကို တွေ့ရှိထားပြီးဖြစ်ကြောင်း ပြောကြားခဲ့တယ်။ ၎င်းတို့ရဲ့ သုတေသန တိုးတက်မှုကို သိရှိသွားသည်နဲ့ တစ်ပြိုင်နက်၊ အဆိုပါ တွေ့ရှိမှုအဖြေကို အပိုင်စီးဖို့ OpenAI က ခြေလှမ်းပြင်ခဲ့တာဖြစ်တယ်လို့၊ ‘ဘက်မတ်စတာ’ က လူသိရှင်ကြား စွပ်စွဲထားတယ်။

တစ်ချိန်တည်းမှာပဲ…

နည်းပညာကုမ္ပဏီတွေက ဒီလို တွေ့ရှိမှုတွေအတွက် အောင်ပွဲခံနေပေမဲ့၊ UCLA တက္ကသိုလ်က၊ ထင်ရှားကျော်ကြားတဲ့ သင်္ချာပညာရှင် ‘ထယ်ရင့်စ် တောင်း’ (Terence Tao) က, OpenAI နဲ့ ၎င်းတို့ရဲ့ ချဉ်းကပ်ပုံကို ပြင်းပြင်းထန်ထန် ဝေဖန်ခဲ့တယ်။ နည်းပညာကုမ္ပဏီတွေရဲ့ အလောတကြီးနဲ့ ပွင့်လင်းမြင်သာမှုမရှိတဲ့ ကြေညာချက်တွေဟာ "သင်္ချာပညာရှင်တွေရဲ့ စားပွဲပေါ်ကို အသားတုံးကြီးတွေ အစိမ်းလိုက် ပစ်တင်ပေးပြီး ထွက်သွားခြင်း" နဲ့ တူတယ်လို့  ‘တောင်း’ က ခိုင်းနှိုင်းခဲ့တယ်။

ဒါ့အပြင် သူက အဖြေရှာမရသေးသော ပုစ္ဆာတွေ (open problems) ကို အလိုအလျောက်စနစ်တွေနဲ့ ဖြေရှင်းနေခြင်းကို 'ရှေးဟောင်းသုတေသန တူးဖော်ရေးနေရာတစ်ခုကို စက်ယန္တရားကြီးများသုံး၍ တူးဆွနေခြင်း' နဲ့ ခိုင်းနှိုင်းထားတယ်။ ဒီလုပ်ရပ်ဟာ အနာဂတ် သုတေသီတွေကို လေ့ကျင့်သင်ကြားပေးရာမှာ သင်္ချာဆိုင်ရာ တွေ့ရှိမှုတွေရဲ့ ရေရှည်တန်ဖိုးကို ဖြစ်ပေါ်စေသော နောက်ခံအကြောင်းတရားများကို ဖျက်ဆီးပစ်လိုက်ခြင်းပင် ဖြစ်တယ်။

 

ဂုဏ်သတင်းအတွက် အပြင်းအထန် ယှဉ်ပြိုင်နေကြတဲ့ ဒီလုပ်ရပ်ဟာ သိပ္ပံပညာရဲ့ အရေးအကြီးဆုံး ကဏ္ဍဖြစ်တဲ့ အခြေခံသီအိုရီများ တည်ဆောက်ခြင်း၊ မျိုးဆက်သစ်များကို သင်ကြားပေးခြင်းနဲ့ အဖြေတစ်ခုဟာ အဘယ်ကြောင့် မှန်ကန်နေရသည်ကို ရှင်းလင်းပြသခြင်း ဆိုတဲ့ လူသားသင်္ချာပညာရှင်တွေရဲ့ လုပ်ငန်းစဉ်တွေကို ကျော်လွန်ပစ်လိုက်ခြင်းပင်ဖြစ်တယ်လို့ သူက ထောက်ပြတယ်။

သင်္ချာပညာရပ်ရဲ့ အနာဂတ်ကို ကာကွယ်ဖို့အတွက်၊ တချို့သော သင်္ချာပုစ္ဆာ အမျိုးအစားတွေကို အလိုအလျောက် ဖြေရှင်းပေးသော စနစ်များ (automated solvers) နဲ့ ဖြေရှင်းခွင့်မပြုဘဲ 'ကန့်သတ်နယ်မြေ' အဖြစ် သတ်မှတ်ဖို့ ပြတ်သားတဲ့ခြေလှမ်းတစ်ရပ်ကို ‘တောင်း’က အကြံပြုခဲ့တယ်။

သင်္ချာပညာဆိုတာ လူသားတို့ရဲ့ လေ့လာတွေ့ရှိချက်တွေအပေါ်မှာ အခြေခံ တည်ဆောက်ထားခြင်းဖြစ်တဲ့အတွက်၊ လူသားတို့ရဲ့ ဉာဏ်ဖြင့် ထိုးထွင်းသိမြင်နိုင်စွမ်း (intuition) ကို လုံးဝ ဥပေက္ခာပြုလိုက်ခြင်းဟာ အခုမှစတင်လေ့လာမဲ့ သုတေသီတွေကို ဖယ်ကြဉ်ရာရောက်နိုင်တဲ့ အန္တရာယ်ရှိသလို၊ သင်္ချာပညာကို သင်ကြားပေးတဲ့ပုံစံနဲ့ မှန်ကန်ကြောင်း သက်သေပြတဲ့ လုပ်ငန်းစဉ်တွေကိုလည်း ကမောက်ကမ ဖြစ်သွားစေနိုင်တယ်။

သင်္ချာပညာရဲ့ အန္တိမတန်ဖိုးက၊ အဖြေထုတ်ပေးရုံ သက်သက်မဟုတ်ဘဲ ရှုပ်ထွေးခက်ခဲသော ပြဿနာများကို ဖြေရှင်းနိုင်ရန် စိတ်ကို လေ့ကျင့်ပေးခြင်းသာ ဖြစ်တယ်။ အဲ့ဒီလိုအခြေအနေမှာ AI လက်ထဲကို အလုံးစုံ ထိုးအပ်လိုက်ခြင်းဟာ၊  AI ကို ဖန်တီးပေးခဲ့တဲ့ ဒီပညာရပ်နယ်ပယ်ကိုပင် ပြန်လည် ညစ်ညမ်းသွားစေနိုင်တယ်။

သိပ္ပံပညာ ရေရှည်တည်တံ့စွာ တိုးတက်စေဖို့အတွက်၊ နည်းပညာ ကုမ္ပဏီကြီးတွေ အနေနဲ့ ကိုယ်ကျိုးစီးပွားအတွက် အလျင်စလို လုပ်ဆောင်ခြင်းထက်၊ ပူးပေါင်းပါဝင်မှုနဲ့ ပွင့်လင်းမြင်သာမှုရှိခြင်းကို ဦးစားပေး လုပ်ဆောင်ကြရမှာဖြစ်တယ်။

ဒီနေရာမှာ အရေးအကြီးဆုံးနဲ့ အခြေခံအကျဆုံးဖြစ်တဲ့ ပြဿနာက၊ AI သည် ခက်ခဲသော ပုစ္ဆာများကို ဖြေရှင်းနိုင်စွမ်း ရှိ၊ မရှိ ဆိုသည့်အချက် မဟုတ်ဘူး။ တကယ်တော့  ၎င်း AI က၊ လူတွေထက်ကို ပိုပြီး ပြဿနာတွေကို ဖြေရှင်းလာနိုင်ပါတယ်။ ဒါပေမဲ့ အဓိက မေးခွန်းထုတ်ဖို့က၊ ၎င်းအဖြေများ ထုတ်ယူရာမှာ အသုံးပြုတဲ့၊ ‘အလျင်စလို လုပ်ဆောင်မှုနဲ့ လျှို့ဝှက်ထားမှု’ တို့က သင်္ချာပညာရပ်ရဲ့ ရာစုနှစ်ပေါင်းများစွာ အမှတ်လက္ခဏာဖြစ်ခဲ့တဲ့ 'ပူးပေါင်းဆောင်ရွက်ခြင်းနဲ့ သင်ကြားပြသနိုင်ခြင်း' ဆိုတဲ့ လုပ်ငန်းစဉ်တွေကို တိတ်တဆိတ် တိုက်စား ဖျက်ဆီးပစ်နေသလား ဆိုတဲ့အချက်ပဲ ဖြစ်တယ်။

 

ရင်းမြစ် - Choi, W. (2026). Fields Medalist Warns AI's Math Rush Undermines Discipline's Process. The Chosun Daily. 

Doctrinal and Non-doctrinal Legal Research

စာပေအခြေပြု ဥပဒေသုတေသန (Doctrinal legal research) နှင့်

စာပေ-အခြေမပြု ဥပဒေသုတေသန (Non-doctrinal legal research)

=============

၁။ သဘောတရား၊ အဓိပ္ပာယ်ဖွင့်ဆိုချက်နှင့် ပင်မဦးတည်ရည်ရွယ်ချက်

*********************

• စာပေအခြေပြု ဥပဒေသုတေသန (Doctrinal Legal Research)။ ။ ဆိုတာ "ဥပဒေအတွင်း သုတေသနပြုခြင်း" (research in law) သို့မဟုတ် "စာပေအဖြစ်ရှိပြီးဖြစ်သော၊ ပုံနှိပ်ထုတ်ဝေပြီးသော ဥပဒေပြဋ္ဌာန်းချက်များကို သုတေသနပြုခြင်း" (black-letter research) ဖြစ်တယ်။ ၎င်းဟာ ဥပဒေစည်းမျဉ်း (legal rules)၊ မူများ (principles)၊ သဘောတရားများ (concepts) သို့မဟုတ် ဝါဒများ (doctrines) အပေါ် အာရုံစိုက်တာဖြစ်တယ်။ ပင်မရည်ရွယ်ချက်က ဥပဒေကို ရှင်းလင်းစေရန်၊ ဥပဒေစံနှုန်းများအကြား ပဋိပက္ခများကို ဖြေရှင်းရန် နဲ့ ဥပဒေဆိုလိုချက်များကို စနစ်တကျ ချိတ်ဆက်စုစည်းရန်ဖြစ်တယ်။ ၎င်းက, “ဥပဒေသည် လိုက်နာရမည့် စံနှုန်းများကို သတ်မှတ်ပေးသည့် စံသတ်မှတ်ချက်ဆိုင်ရာ သိပ္ပံပညာ” ( law is a normative science that sets binding standards of conduct.) ဖြစ်တယ်လို့ ယူဆတယ်။

• စာပေ-အခြေမပြု ဥပဒေသုတေသန (Non-Doctrinal Legal Research)။ ။ ဆိုတာ "ဥပဒေအကြောင်း သုတေသနပြုခြင်း" (research about law) သို့မဟုတ် "လူမှု-ဥပဒေဆိုင်ရာ သုတေသန" (socio-legal research) ဖြစ်တယ်။ ၎င်းက, ဥပဒေကို လူမှုရေးဆိုင်ရာ ဖြစ်စဉ်တစ်ခုအဖြစ် သဘောထားပြီး ဥပဒေသဘောတရားသက်သက်ထက်၊ ဥပဒေနဲ့ပြည်သူများ၊ ဥပဒေနဲ့လူမှုရေးတန်ဖိုးများ၊ ဥပဒေနဲ့လူမှုအဖွဲ့အစည်းများအကြား ဆက်ဆံရေးတို့ကို အာရုံစိုက်လေ့လာတာဖြစ်တယ်။ ၎င်းရဲ့ ပင်မလုပ်ငန်းက "လက်တွေ့ကျင့်သုံးနေသော ဥပဒေ" ရဲ့ လှုပ်ရှားပြောင်းလဲနေသော “လုပ်ဆောင်လည်ပတ်မှု” ကို လေ့လာတာ ဖြစ်တယ် (Its primary concern is the dynamic operation of "law-in-action")။ ၎င်းက, ဥပဒေဆိုင်ရာ စိတ်ကူးမျှော်မှန်းချက် (ဥပဒေက ရည်ရွယ်သည်များ) နဲ့ လူမှုရေးလက်တွေ့ဘဝ (လက်တွေ့တွင် မည်သို့လည်ပတ်နေသည်) အကြားရှိ "ကွာဟချက်" ကို စုံစမ်းစစ်ဆေးရန် ကြိုးပမ်းတယ်။ (It seeks to investigate the "gap" between legal idealism (what the law intends) and social reality (how it actually operates))

၂။ သုတေသနဝန်းကျင်နှင့် စုံစမ်းစစ်ဆေးမှုကိရိယာများ

*******************

• စာပေအခြေပြု ဥပဒေသုတေသန (Doctrinal Legal Research)။ ။ က, ဥပဒေစာကြည့်တိုက် (စာအုပ်စာတမ်းများ) အတွင်း အဓိကဆောင်ရွက်တဲ့အတွက် "စားပွဲထိုင် သုတေသန" (arm-chair research) သို့မဟုတ် "စာကြည့်တိုက်အခြေပြု သုတေသန" (library research) လို့ မကြာခဏ ရည်ညွှန်းကြတယ်။

o သုတေသနပြုသူက၊ ဖွဲ့စည်းပုံအခြေခံဥပဒေ (Constitution)၊ ဥပဒေပြဋ္ဌာန်းချက်များ ( statutory materials - နည်းဥပဒေ၊ စည်းမျဉ်း၊ ညွှန်ကြားချက်များ) နဲ့ အထက်တရားရုံးတွေရဲ့ အမိန့်ဒီကရီ မှတ်တမ်းများ၊ စီရင်ထုံးများ (precedents) အပါအဝင် ပင်မဥပဒေရင်းမြစ်များ (primary legal sources) ကို အသုံးပြုပြီး သုတေသနပြုတာဖြစ်တယ်။ ဒါ့အပြင် ကျောင်းသုံးစာအုပ်များ၊ ကျမ်းများ၊ ဥပဒေရှင်းလင်းချက်များ၊ ဥပဒေဂျာနယ်များကဲ့သို့သော ဒုတိယရင်းမြစ်များ (secondary sources) ကိုလည်း အသုံးပြုတယ်။

• စာပေ-အခြေမပြု ဥပဒေသုတေသန (Non-Doctrinal Legal Research)။ ။ မှာ, အချက်အလက်တွေကို ကွင်းဆင်းကောက်ယူဖို့၊ သုတေသနသမားက, စာကြည့်တိုက်က ထွက်ပြီး ဆောင်ရွက်ဖို့ လိုအပ်တဲ့အတွက် "စာကြည့်တိုက်ပြင်ပ သုတေသန" (non-library research) သို့မဟုတ် "လက်တွေ့ တွေ့ရှိချက်အခြေပြု သုတေသန" (empirical research) လို့ ခေါ်ဆိုကြတာဖြစ်တယ်။

o ၎င်း သုတေသနပုံစံမှာ, အင်တာဗျူးများ (interviews)၊ မေးခွန်းလွှာများ (questionnaires)၊ ဇယားများ (schedules) နဲ့ စနစ်တကျ လေ့လာစောင့်ကြည့်ခြင်း (systematic observation) တို့လို လူမှုသိပ္ပံဆိုင်ရာ အချက်အလက်ကောက်ယူရေး နည်းလမ်းများကို အသုံးပြုတယ်။ လူဦးရေသန်းခေါင်စာရင်းများ အစီရင်ခံစာများ သို့မဟုတ် လူမှုဗေဒစာပေများကဲ့သို့သော ဥပဒေမဟုတ်တဲ့ စာရွက်စာတမ်းများကိုလည်း အသုံးပြုတယ်။

၃။ ပင်မသုတေသနနည်းလမ်းများနှင့် အကြောင်းပြချက်ထုတ်ယူမှု

**************************

• စာပေအခြေပြု ဥပဒေသုတေသန (Doctrinal Legal Research)။ ။ မှာ, ဆန်းစစ်လေ့လာမှုဆိုင်ရာ (analytical)၊ သမိုင်းဆိုင်ရာ (historical) သို့မဟုတ် နှိုင်းယှဉ်ချက်ဆိုင်ရာ (comparative) သုတေသနနည်းလမ်းများ (methodologies) အပေါ် မှီခိုတယ်။ ၎င်းရဲ့ အဓိက ဉာဏ်ပညာလက်နက်က ဥပဒေကြောင်းအရ ကျိုးကြောင်းဆက်စပ် ဆင်ခြင်ခြင်း (legal reasoning) သို့မဟုတ် ယုတ္တိဗေဒဆိုင်ရာ ဆွဲထုတ်သုံးသပ်မှု (rational deduction) ဖြစ်တယ်။ သုတေသီဟာ ထုံးတမ်းစဉ်လာ ဥပဒေစာပေများကနေ၊ အသစ် အသစ်သော စည်းမျဉ်းများ မူများကို ထုတ်ယူဖို့ Deductive Logic နဲ့ ဝေဖန်ပိုင်းခြားနိုင်သော အကြောင်းပြချက်ထုတ်ယူမှုနည်းလမ်း တွေကို အသုံးပြုတယ်။

• စာပေ-အခြေမပြု ဥပဒေသုတေသန (Non-Doctrinal Legal Research)။ ။ မှာ, လူမှုသိပ္ပံ သုတေသနနည်းလမ်းတွေနဲ့ သဘောတရားဆိုင်ရာ အခင်းအကျင်းများ (conceptual frameworks) ကို အသုံးပြုတယ်။ ၎င်းက, အများအားဖြင့် လူတို့ရဲ့ အပြုအမူနဲ့ ပတ်သက်တဲ့ ယာယီအယူအဆ (working hypothesis) နဲ့ စတင်လေ့ရှိပြီး ယင်းကို သက်သေပြရန် သို့မဟုတ် ငြင်းဆိုရန် လက်တွေ့ တွေ့ရှိချက်အခြေပြု(empirical), ပမာဏအခြေပြု (quantitative) သို့မဟုတ် အရည်အသွေးအခြေပြု (qualitative) အချက်အလက်တွေကို အသုံးပြုတယ်။

၄။ ဦးတည်သူ နှင့် လက်တွေ့အသုံးဝင်မှု(Target Audience and Practical Utility)

************************

• စာပေအခြေပြု ဥပဒေသုတေသန (Doctrinal Legal Research)။ ။က, အဓိကအားဖြင့် ဥပဒေဆိုင်ရာ မေးခွန်းတွေအတွက်၊ မြန်ဆန်ပြီး ခိုင်မာတိကျသော အဖြေများကို ပေးခြင်းဖြင့်၊ ဥပဒေကို နေ့စဉ် ကိုင်တွယ်ကျင့်သုံးနေတဲ့ ဥပဒေကျွမ်းကျင်ပညာရှင်များ (တရားသူကြီးများ၊ ရှေ့နေများ၊ ရှေ့နေလိုက်ပေးသူများနှင့် အစိုးရရှေ့နေများ) သာပါဝင်သော အကန့်အသတ်ရှိတဲ့ ပရိသတ်ကို အဓိက ဦးတည်တယ်။

• စာပေ-အခြေမပြု ဥပဒေသုတေသန (Non-Doctrinal Legal Research)။ ။ ကတော့, မူဝါဒချမှတ်သူများ၊ ဥပဒေပြုလွှတ်တော်များနဲ့ ပြုပြင်ပြောင်းလဲရေးလုပ်ဆောင်မဲ့ အဖွဲ့အစည်းတွေအတွက် အရေးကြီးတဲ့ အချက်အလက်တွေကို ပေးတယ်။ ၎င်းက, လုပ်ငန်းဆောင်ရွက်မှုဆိုင်ရာ အတားအဆီးတွေကို ဖော်ထုတ်ပေးပြီး၊ တချို့ ဥပဒေတွေဟာ ဘာကြောင့် “ဖေါ်ရှိုး၊ ပြစား၊ မည်ကာမတ္တ” ဖြစ်နေရတယ်ဆိုတာကို ဖော်ပြပေးပြီး၊ သက်ဆိုင်သူတွေ ကြုံတွေ့နေရတဲ့ အခက်အခဲတွေကို မီးမောင်းထိုးပြခြင်းဖြင့် ပိုမိုတိုးတက်ကောင်းမွန်သော ဥပဒေပြုပြင်ပြောင်းလဲရေးကို အထောက်အကူပြုပေးတယ်။ သို့သော် ၎င်းက, စာပေအခြေပြုသုတေသနထက် အချိန်နဲ့ ကုန်ကျစရိတ် ပိုမိုများပြားတယ်။

နည်းလမ်းနှစ်ခုအကြား အပြန်အလှန် ဆက်စပ်မှု

************************

စာပေ-အခြေမပြုသုတေသနက၊ စာပေအခြေပြုသုတေသနကို အစားထိုးမရနိုင်ဘဲ ၎င်းကို ပံ့ပိုးဖြည့်ဆည်းပေးခြင်းသာဖြစ်တယ်။ သုတေသီတစ်ဦးဟာ၊ လူမှု-ဥပဒေဆိုင်ရာ လေ့လာမှုတစ်ခုကို အောင်မြင်စွာ ပုံစံထုတ်ဖို့ သို့မဟုတ် ခိုင်မာသော ယာယီအယူအဆတစ်ခုကို ဖော်ထုတ်ဖို့အတွက်၊ စာပေအခြေပြု ဥပဒေသုတေသနပေါ်မှာ အခြေခံထားတဲ့ ခိုင်မာတဲ့ အုတ်မြစ်ရှိရမှာဖြစ်တယ်။ အရေးကြီးတဲ့အချက်က၊ လက်တွေ့အချက်အလက်မပါတဲ့ သီအိုရီဆိုင်ရာ သုတေသနမျိုးဟာ "အကာပြဲ့ပြဲ့ အနှစ်မဲ့ ဟောင်းလောင်းပေါက်" (hollow) ဖြစ်ပြီး၊ စာပေအခြေပြု သီအိုရီ အထောက်အပံ့မပါတဲ့ လက်တွေ့တွေ့ရှိချက်အခြေပြု လူမှု-ဥပဒေဆိုင်ရာ သုတေသနမျိုးကလဲ၊ "အပေါ်ယံဆန် ပါးလွန်း တိမ်လွန်း (shallow)” တယ်။

ကျမ်းရဲ့အစ၊ မာတိကာ က တဲ့လား?

တက္ကသိုလ်တစ်ခုမှာ၊ ဘွဲ့ယူစာတမ်း တစ်ခု ရေးသားစေတဲ့အခါ၊ ပထမဦးဆုံး အနေနဲ့၊ ကျောင်းသားကို ၎င်းရေးသားမဲ့ ဘွဲ့လွန်စာတမ်း ခေါင်းစဉ် (title)၊ လေ့လာမှု နည်းလမ်း (method) နဲ့ ရည်ညွန်းကိုးကား (references) အတိုချုပ်ကို စုစုပေါင်း စာ တစ်မျက်နှာစာ (A4 ဖြင့်) အဆိုပြု တင်သွင်းစေတာကို တွေ့ရတယ်။ သက်ဆိုင်ရာ ပါမောက္ခက စာတမ်းခေါင်းစဉ်ကို၊ လက်ခံ အတည်ပြုပြီးတဲ့အခါမှာ၊ ဒုတိယအဆင့်အနေနဲ့ ကျောင်းသားကို ၎င်းရေးသားမဲ့ ဘွဲ့လွန်စာတမ်းရဲ့ မာတိကာ (Table of Contents) ကို တင်ပြစေပါတယ်။ ၎င်း မာတိကာ (မည်သည့် ရေးသားချက်မှ မပါသော၊ ခေါင်းစဉ် သက်သက်) ကိုကြည့်ပြီး၊ သက်ဆိုင်ရာ ကျမ်းကြီးကြပ်သူပါမောက္ခက၊ “ဖြုတ် နှုတ် ပယ် ထပ်ဖြည့် “ စတာတွေကို ခိုင်းစေပြီး၊ ၎င်း အတည်ပြုပေးသော Table of Contents အတိုင်း၊ ကျောင်းသားကို ကျမ်းပြုစေတယ်။

၎င်းကဲ့သို့လုပ်ဆောင်ခြင်းဟာ အလွန်တရာ ဆိုးဝါးမှားယွင်းတယ်။ ဘာလို့လဲဆိုတော့၊ သုတေသနစာတမ်းတစ်ခုကို ပြုစုရာမှာ၊ မာတိကာ (Table of Contents) ကို ကြိုတင်ပုံသေချပြီး ထိုဘောင်အတွင်းမှသာ ရေးသားစေခြင်းဟာ၊ ကျမ်းတစ်စောင်မှာ မဖြစ်မနေပါဝင်ရမဲ့ ခွဲခြမ်းစိတ်ဖြာ ဝေဖန်သုံးသပ်မှု (Analysis) ရဲ့ အနှစ်သာရကို ဖျက်ဆီးရာရောက်လို့ ဖြစ်တယ်။

မာတိကာသက်သက်ကို ကြိုတင်ကန့်သတ်ခြင်း၏ အဓိကဆိုးကျိုး ၂-ချက်

*********************

(၁) သုတေသန၏ သဘောသဘာဝကို ဆန့်ကျင်ခြင်း။ ။ သုတေသနဆိုတာ ကြိုတင်သိရှိထားတဲ့ အဖြေကို ရေးသားခြင်းမဟုတ်ဘဲ၊ အချက်အလက်နှင့် ဥပဒေသတွေကို လေ့လာရင်း ပြောင်းလဲတိုးတက်လာသော တက်ကြွသည့်ဖြစ်စဉ် (Dynamic Process) ဖြစ်တယ်။ အလုပ်ကြမ်းမာတိကာ (Working Outline) ဟာ၊ လမ်းပြမြေပုံမျှသာဖြစ်ပြီး၊ ရှာဖွေတွေ့ရှိချက်တွေအပေါ် မူတည်ပြီး အချိန်မရွေး ပြောင်းလဲနိုင်ရမယ်။

(၂) ယုတ္တိဗေဒစီးဆင်းမှုကို ဖြတ်တောက်ခြင်း။ ။ စာတမ်းတွေဟာ IRAC (Issue, Rule, Application, Conclusion) ကဲ့သို့သော ကျိုးကြောင်းဆီလျော်မှု အဆင့်ဆင့်နဲ့ တည်ဆောက်ရတာမျိုးဖြစ်တယ်။ အသေးစိတ် အချက်အလက် ငြင်းခုံချက် ရေးသားထားချက်တွေကို မတွေ့ဘဲ ခေါင်းစဉ်တွေကိုပဲကြည့်ပြီး ဖြုတ်/ထည့် လုပ်ခြင်းဟာ၊ စာတမ်းရဲ့ ယုတ္တိဗေဒ စီးဆင်းမှု (Logical flow) ကို ကြီးမားစွာ ထိခိုက်စေတယ်။

စာတမ်းတစ်ခု ရေးသားပြုစုသင့်သော အဆင့်များ

***********************

နိုင်ငံတကာ အဆင့်မြင့်တက္ကသိုလ်တွေရဲ့ သုတေသနနည်းစနစ် (Research Methodology) အရ စာတမ်းတစ်ခု ရေးသားပြုစုရာမှာ အောက်ပါအတိုင်း ဆောင်ရွက်လေ့ရှိတယ်။

1. Research Proposal (အဆိုပြုလွှာ)။ ။ သုတေသနမေးခွန်း (Research Question)၊ ယူဆချက် (Hypothesis) နဲ့ နည်းစနစ် (Methodology) ကိုသာ အဓိက အတည်ပြုတယ်။

2. Working Outline (အလုပ်ကြမ်း မာတိကာ)။ ။ ကျောင်းသားက ကနဦး လေ့လာထားမှုအပေါ် အခြေခံ ပြုစုပြီး၊ ၎င်းက အမြဲတမ်း ပြင်ဆင်ပြောင်းလဲနိုင်တဲ့ အကြမ်းထည် (Tentative Draft) သာ ဖြစ်တယ်။

3. Iterative Drafting (အပြန်အလှန် ရေးသားပြင်ဆင်ခြင်း)။ ။ ကျောင်းသားက အခန်းအလိုက် (သို့) အပိုင်းလိုက် ရေးသားတင်ပြပြီး၊ ပါမောက္ခက အချက်အလက်တွေ နဲ့ သုံးသပ်ချက်တွေ (Arguments) က၊ ခိုင်လုံမှု ရှိ/မရှိကိုသာ ထောက်ပြဝေဖန်ပေးရတယ်။

4. Finalizing ToC (မာတိကာ အချောသတ်ခြင်း)။ ။ စာတမ်းတစ်ခုလုံး ရေးသားပြီးစီးမှသာ အပြီးသတ် မာတိကာကို တည်ဆောက်ရတယ်။

ဒါကြောင့် အတွင်းအနှစ်သာရကို မသိဘဲ မာတိကာ ခေါင်းစဉ်သက်သက်ဖြင့် "ဖြုတ်၊ နှုတ်၊ ပယ်၊ ထပ်ဖြည့်" လုပ်စေသူဟာ "သုတေသနကို လမ်းညွှန်သူ (Research Facilitator)" အဖြစ်ကနေ၊ "စာစီစာကုံး တည်းဖြတ်သူ (Copy Editor)" အဆင့်သို့ လျှောကျသွားပြီဖြစ်တယ်။ တကယ်တော့ ဒီလုပ်ရပ်ဟာ ပညာရပ်ဆိုင်ရာ အာဏာရှင်ဆန်မှု (Academic Authoritarianism) ဖြစ်ပြီး၊ ကျောင်းသားရဲ့ လွတ်လပ်စွာ တွေးခေါ်နိုင်စွမ်း (Intellectual Autonomy) ကို ချုပ်ချယ်လိုက်ခြင်း ဖြစ်တယ်။

ဆရာကောင်းတစ်ဦးဆိုတာ "မည်သည့်ခေါင်းစဉ်တွေ ပါအောင် ရေးရမယ်" လို့ ပုံစံခွက်ချပေးသူ မဖြစ်သင့်ဘဲ၊ "ကျောင်းသားရဲ့ သုတေသနမေးခွန်းကို ဖြေရှင်းနိုင်ရန် မည်သည့် အချက်အလက်များ လိုအပ်နိုင်သနည်း" ဆိုတဲ့ တွေးခေါ်မှုပိုင်းကိုသာ ဖေးမကူညီပေးရမှာ ဖြစ်တယ်။ အကြောင်းအရာအသေးစိတ်ကို မဖတ်ဘဲ၊ မာတိကာခေါင်းစဉ်ကိုသာ စတင်ပြင်ဆင်ခြင်းဟာ စာအုပ်တစ်အုပ်ရဲ့ အဖုံးပေါ်က ခေါင်းစဉ်ကိုပဲကြည့်ပြီး အကဲဖြတ်ခြင်းလိုမျိုးပဲ ပညာမဲ့ရာကျလှပါတယ်။

အမှန်တကယ်က

သုတေသနရဲ့ ပြောင်းလဲနေတဲ့သဘာဝ (Dynamic Nature of Research) အရ စာတမ်းပါ အကြောင်းအရာတွေကို အသေးစိတ် ဝင်ရောက်လေ့လာတဲ့အခါမှသာ၊ မမျှော်လင့်ထားတဲ့ Gaps, အယူအဆ ကွဲလွဲမှုများ နဲ့၊ အခြေအတင် ငြင်းခုံချက် (Debates) တွေကို တွေ့ရလေ့ရှိတာမျိုးဖြစ်တယ်။ မာတိကာကို ကြိုတင်အသေသတ်မှတ်ထားရင် အဲ့ဒီလိုအရေးပါတဲ့ တွေ့ရှိချက်အသစ်တွေကို ကျမ်းမှာ ထည့်သွင်းဆွေးနွေးဖို့ အကန့်အသတ်ဖြစ်သွားနိုင်တယ်။

မဖြစ်မနေ မာတိကာ အရင် ကြိုတင်ရမယ်ဆိုရင်တောင်၊ ကနဦးတင်ပြထားတဲ့ မာတိကာကို အပြီးသတ် (Final) လို့ မယူဆဘဲ၊ သုတေသနရဲ့ ပထမအဆင့် လမ်းပြမြေပုံ (Tentative Roadmap) အဖြစ်သာ သတ်မှတ်ပေးသင့်တယ်။ အကြောင်းအရာတွေကို အသေးစိတ် ရေးသားတဲ့အခါ ယုတ္တိစီးဆင်းမှု (Logical Flow) နဲ့ IRAC (Issue, Rule, Application, Conclusion) စံနှုန်းများ ပိုမိုခိုင်လုံစေဖို့၊ မာတိကာကို လိုအပ်သလို အကဲဖြတ် ပြင်ဆင်ခွင့်ပြုရမယ်။

မာတိကာ ခေါင်းစဉ်တစ်ခုတည်းကို ကြည့်ပြီး ဆုံးဖြတ်ခြင်းထက် အခန်းတစ်ခန်းချင်းစီ (Chapter by Chapter) ရဲ့ အသေးစိတ် ရေးသားချက် (Drafts) ကို တင်ပြတဲ့အခါမှသာ၊ ထိုအခန်းရဲ့ ခေါင်းစဉ်ဟာ မိမိပြုစုနေတဲ့ ကျမ်းနဲ့ သင့်လျော်မှု ရှိ/မရှိကို ဆရာနဲ့တပည့် အပြန်အလှန် ဆွေးနွေးဆုံးဖြတ်သင့်တယ်။ ကျမ်းတစ်ခုလုံး အချောသတ်ပြီးတဲ့အခါမှသာ၊ မာတိကာ အချောသတ် ထွက်လာခြင်းဟာ၊ အမှန်တကယ် ယုတ္တိတန်သော ဖြစ်ရပ် မဟုတ်ပါလား?။

Guilty, the AI Said (အပြစ်ရှိကြောင်း အေအိုင် က ဆုံးဖြတ်သည်)

၂၀၂၆၊ မတ် ၂၈ ရက်နေ့မှာ၊ ဂျပန်နိုင်ငံ NHK ရုပ်သံက ထုတ်လွှင့်ခဲ့တဲ့ "有罪、とAIは告げた" (Guilty, the AI Said) ရုပ်ရှင်ကားဟာ၊ ခေတ်သစ်လူ့အဖွဲ့အစည်းရဲ့ ရှေ့မှောက်ကို၊ အလွန်လေးနက်သိမ်မွေ့တဲ့ မေးခွန်းတစ်ခုချပြလာခဲ့တယ်။ ဉာဏ်ရည်တု (AI) နည်းပညာတွေဟာ လူ့ဘဝရဲ့ နယ်ပယ်အသီးသီးကို၊ နက်ရှိုင်းစွာ ဝင်ရောက်လာနေချိန်မှာ ဒီဇာတ်ကားက လူသားတို့ရဲ့၊ တရားစီရင်ရေးမဏ္ဍိုင်အတွင်းကို AI က ဘယ်လိုနေရာယူလာနိုင်သလဲဆိုတာ ထိတ်လန့်ဖွယ်ဖွယ် စဉ်းစားဖွယ် ပုံဖော်ပြထားတယ်။

 

လူသားတို့၏ တရားစီရင်ရေးနှင့် စက်ယန္တရား၏ ယုတ္တိ

************************

ဥပဒေဆိုဆိုတာ လူ့အဖွဲ့အစည်းကို တရားမျှတစွာ ထိန်းသိမ်းရန် ဖန်တီးထားတဲ့ စည်းမျဉ်းဖြစ်ပေမဲ့၊ ၎င်းကို အကောင်အထည်ဖော်ရာမှာ 'လူသားတို့ရဲ့ ကရုဏာစိတ်' (Human Empathy) နဲ့ တရားစီရင်မှုတစ်ခုအတွက် 'အခြေအနေအရပ်ရပ်ကို ချိန်ဆခြင်း' (Judicial Discretion) တို့က အမြဲတမ်း အဓိကကျတဲ့ နေရာက ပါဝင်ခဲ့တယ်။

• အကြွင်းမဲ့ တရားမျှတမှုနှင့် လူ့ဘဝ၏ ရှုပ်ထွေးမှု။         ။ AI ဆိုတာ၊ ရှိပြီးသား အချက်အလက် ဒေတာတွေကို အခြေခံပြီး၊ ပုံသေ တွက်ချက်နိုင်ပေမဲ့၊ ပြစ်မှုကျူးလွန်ရခြင်းရဲ့ နောက်ကွယ်မှာရှိတဲ့၊ ဖေါ်ပြတိုင်းတာဖို့ ခက်ခဲ နက်နဲလှတဲ့ လူ့ဘဝဒုက္ခတွေ၊ စိတ်ပိုင်းဆိုင်ရာ ဖိအားတွေနဲ့  ပြင်းထန်တဲ့ခံစားချက်တွေကို နားလည်နိုင်စွမ်း မရှိဘူး။
• တရားစီရင်ရေး၏ ဝိညာဉ်။      ။ ဒီရုပ်ရှင်က ဥပဒေဆိုတာ စာသားသက်သက်မဟုတ်ဘဲ လူသားချင်းစာနာ နားလည်မှုကို အခြေခံတဲ့ တရားမျှတမှုတစ်ရပ် ဖြစ်ကြောင်းကို ပေါ်လွင်စေတယ်။ တရားခွင်တစ်ခုမှာ တရားသူကြီးတစ်ဦးရဲ့ ဆုံးဖြတ်ချက်ဟာ၊ တရားသေ ဥပဒေ အချက်အလက်တွေထက်၊ ချစ်ခြင်းမေတ္တာ နဲ့ ကျိုးကြောင်းဆင်ခြင်မှုတို့ အပေါ် ပေါင်းစပ်အခြေခံသင့်ကြောင်း ဒီဇာတ်ကားက သတိပေးထားတယ်။

ကြားနေမှု၏ အယောင်ဆောင်ခြင်းနှင့် Black-Box ပြဿနာ

************************

နည်းပညာပိုင်းဆိုင်ရာနဲ့ နက်ရှိုင်းစွာမရင်းနှီးသူအများစုက၊ AI ဟာ အီမိုးရှင်း စိတ်ခံစားချက်မပါတဲ့အတွက် ဘက်လိုက်မှုကင်းတယ်၊ ယုတ္တိတန်တယ်လို့၊ လွယ်လွယ်ယူဆတတ်ကြတယ်။ တကယ်တမ်းက၊ အေအိုင်တွေဟာ လူသားတို့ ရေးဆွဲခဲ့တဲ့၊ စုဆောင်းသိမ်းဆည်းထားတဲ့၊ ထည့်သွင်းပေးထားတဲ့၊ လေ့ကျင့်ပေးထားတဲ့၊ အချက်အလက် ဒေတာ နဲ့ ဘက်လိုက်မှုတွေကို အမွေဆက်ခံထားခြင်းသာ ဖြစ်တယ်။

• Black-Box ပြဿနာ။   ။ ဒီစကားလုံးက နည်းပညာသမားတွေ နားလည်မဲ့စကားလုံးပါ။ "Guilty, the AI Said" ရုပ်ရှင်က AI ရဲ့ ဆုံးဖြတ်ချက်တွေကို လူသားတို့က မေးခွန်းထုတ်စရာမလိုဘဲ လိုက်နာရမဲ့ အခြေအနေရောက်လာတဲ့အခါ ဖြစ်လာမဲ့အန္တရာယ်ကို ထင်ဟပ်ပြထားတယ်။ ဆုံးဖြတ်ချက်တစ်ခုရဲ့ နောက်ကွယ်မှာ ဘယ် အယ်လဂိုရီသမ် (Algorithm) နဲ့၊ စစ်ဆေးဆုံးဖြတ်ခဲ့တယ်ဆိုတာကို ရှင်းလင်းစွာ မသိ မမြင်နိုင်ခြင်းက တရားမျှတမှုကို ပွင့်လင်းမြင်သာမှု မရှိတော့စေရန် ဖန်တီးပေးသလိုဖြစ်နေတယ်။
• အချက်အလက် ဘက်လိုက်မှု။              ။ AI ဟာ အပြစ်အနာအဆာကင်းပြီး ပြီးပြည့်စုံတဲ့ တရားသူကြီးမျိုးမဟုတ်ဘဲ၊ အတိတ်က လူသားတို့ရဲ့ အမှားများတွေကိုပါ ပြန်လည် ပဲ့တင်ထပ်ထုတ်လုပ်ပေးနေတဲ့ မှန်တစ်ချပ်သာ ဖြစ်နေနိုင်ကြောင်း နည်းပညာပိုင်းအရ အလေးအနက် ထောက်ပြထားတယ်။ (ဆိုလိုတာက… အေအိုင်စနစ်ထဲကို ထဲ့ပေးထားတဲ့၊ အတိတ်က လူသားတွေရဲ့ မှားယွင်းချွတ်ချော်ခဲ့တဲ့ စီရင်ထုံးဟောင်းတွေ၊ ဥပဒေ စည်းမျဉ်းအဟောင်းကိုပဲ အေအိုင်စနစ်တွေက၊ ပြန်ပြီးအသုံးပြုနေတာမျိုး…။)

 

မည်သူ့တွင် တာဝန်ရှိသနည်း နှင့် လူသားဖြစ်တည်မှု၏ တန်ဖိုး

**********************

ဒဿနိကဗေဒအရ အဓိက အမေးထုတ်စရာက "အမှားတစ်ခုအတွက် မည်သူ့ကို တာဝန်ခံခိုင်းမည်နည်း" ဆိုတဲ့ အချက်ဖြစ်တယ်။

• ကိုယ်ကျင့်တရားနှင့် အသိတရား ကင်းမဲ့ခြင်း။               ။ တကယ်လို့ AI က အပြစ်ရှိကြောင်း မှားယွင်းစွာ ဆုံးဖြတ်ခဲ့ရင်၊ အဲ့ဒီဆုံးဖြတ်ချက်ရဲ့ နောက်ဆက်တွဲ ဝန်ထုပ်ဝန်ပိုးကို ဘယ်သူက သယ်ဆောင်မလဲ။ စက်ပစ္စည်းတစ်ခုမှာ အသိတရား (Conscience) ဆိုတာမျိုးမရှိသလို နောင်တဆိုတာမျိုးလည်း မရှိပါဘူး။ တကယ်တော့ တရားမျှတမှုဆိုတာမျိုးက  ရလဒ်တစ်ခုတည်းမဟုတ်ဘဲ၊ ထိုရလဒ်ကို ရှာဖွေရာမှာ ပေါ်ပေါက်လာတဲ့ လူသားတို့ရဲ့ ကျင့်ဝတ်ဆိုင်ရာ ရုန်းကန်မှုများနဲ့ တာဝန်ယူမှုတို့ပဲ့ ဖြစ်တယ်။
• လူသားလွတ်လပ်ခွင့် (Human Agency)။                     ။ လူသားတွေအနေနဲ့ မိမိရဲ့ ကံကြမ္မာကို စက်ပစ္စည်းများက ချုပ်ကိုင်ခွင့်ပြုလိုက်ခြင်းဟာ၊ လူသားရဲ့ လွတ်လပ်စွာ ဆုံးဖြတ်ပိုင်ခွင့်ကို စွန့်လွှတ်လိုက်ခြင်းပင်ဖြစ်တယ်။

နိဂုံး

နိဂုံးချုပ်အနေနဲ့ ဒီ ရုပ်ရှင်ဟာ အနာဂတ်ကမ္ဘာရဲ့ “ဥပဒေ၊ တရားစီရင်ရေး နဲ့ တရားမျှတမှု” ဆိုင်ရာ ကိစ္စရပ်တွေအတွက် ကြိုတင်သတိပေးချက်တစ်ခု ဖြစ်တယ်။ ဒီ "Guilty, the AI Said" ရုပ်ရှင်ဟာ နည်းပညာရဲ့ အရှိန်အဟုန်နဲ့ စွမ်းရည်ကို အံ့ဩရင်း၊ လူသားတို့ရဲ့၊ ဖြစ်တည်မှု အနှစ်သာရနဲ့ လူ့ဘဝတန်ဖိုးကို ပြန်လည်ရှာဖွေတွေ့ရှိစေမဲ့ ရသမြောက် ရုပ်ရှင်လက်ရာကောင်း တစ်ခု ဖြစ်တယ်လို့ ဆိုချင်ပါတယ်။ နည်းပညာဟာ ကျွန်တော်တို့ရဲ့ လက်ထောက်ကောင်းတစ်ဦး ဖြစ်နိုင်ပေမဲ့၊ လူသားတို့ရဲ့ ကံကြမ္မာနဲ့ တရားမျှတမှုကို ဆုံးဖြတ်ပေးမဲ့ အရာတစ်ခုတော့ ဘယ်လိုမှ ဖြစ်မလာသင့်ဘူး။

 

Random-Restart Hill-Climbing

Stuart Russell နဲ့ Peter Norvig တို့ရဲ့ "Artificial Intelligence: A Modern Approach" စာအုပ်၊ အခန်း ၄ တွင် ရှင်းပြထားသော "Local Search Algorithms" များထဲမှ Hill-climbing algorithm သည် လက်ရှိအခြေအနေ (Current State) မှနေ၍ ပိုမိုကောင်းမွန်သော အိမ်နီးချင်းအခြေအနေ (Neighbor State) သို့ အစဉ်မပြတ် ရွေးချယ်သွားသော နည်းလမ်းဖြစ်ပါသည်။

8-Queens Problem နှင့် Hill-Climbing ပေါင်းစပ်စဉ်းစားပုံ

8-Queens ပြဿနာကို Hill-climbing ဖြင့် ဖြေရှင်းရာတွင် အောက်ပါအတိုင်း ဖွဲ့စည်း (Formulate) ပါသည်-

1. State Representation (အခြေအနေ ကိုယ်စားပြုပုံ):

   ဘုတ်ပြားပေါ်တွင် ဘုရင်မ (Queen) ၈ ပါးလုံးကို ကော်လံ (Column) တစ်ခုလျှင် တစ်ပါးစီ ချထားသည့် ပုံစံဖြင့် စတင်ပါသည်။ ထို့ကြောင့် ကော်လံ ၈ ခုတွင် ရှိနေသော ဘုရင်မများ၏ အတန်း (Row) နေရာများကို [0, 4, 7, 5, 2, 6, 1, 3] စသည့် 1D Array ဖြင့် ကိုယ်စားပြုနိုင်ပါသည်။

2. Heuristic Function ($h$):

   အချင်းချင်း တိုက်ခိုက်နိုင်သော (Attacking pairs) ဘုရင်မ အစုံအရေအတွက် ဖြစ်ပါသည်။ ပန်းတိုင် (Goal State) တွင် မည်သည့်ဘုရင်မမှ အချင်းချင်း မစားနိုင်ရသဖြင့် $h = 0$ ဖြစ်ရပါမည်။

3. Neighbor (အိမ်နီးချင်း အခြေအနေ):

   ကော်လံတစ်ခုရှိ ဘုရင်မတစ်ပါးကို အခြားသော အတန်း (Row) တစ်ခုခုသို့ ရွှေ့လိုက်ခြင်းကို Neighbor ဟု သတ်မှတ်ပါသည်။ ကော်လံ ၈ ခု၊ ကော်လံတစ်ခုလျှင် ပြောင်းရွှေ့နိုင်သော အတန်း ၇ ခု ရှိသဖြင့် စုစုပေါင်း Neighbor ၅၆ ခု ($8 \times 7 = 56$) ရှိပါသည်။

4. Action:

   လက်ရှိ $h$ တန်ဖိုးထက် ပိုနည်းသော (ပိုကောင်းသော) Neighbor ကို ရွေးချယ်သွားပါသည်။

Local Maxima ပြဿနာ နှင့် Random-Restart Hill-Climbing

Hill-climbing ၏ အဓိက အားနည်းချက်မှာ Local Maxima (သို့မဟုတ် $h$ တန်ဖိုးအရ Local Minima) တွင် ပိတ်မိတတ်ခြင်း ဖြစ်ပါသည်။ လက်ရှိအခြေအနေသည် ပန်းတိုင်ရောက်မနေသော်လည်း ($h > 0$)၊ ရွှေ့၍ရနိုင်သော အိမ်နီးချင်း ၅၆ ခုလုံး၏ $h$ တန်ဖိုးများသည် လက်ရှိတန်ဖိုးထက် ကြီးနေလျှင် သို့မဟုတ် တူညီနေလျှင် Algorithm သည် ရှေ့ဆက်မတိုးနိုင်တော့ဘဲ ရပ်တန့်သွားပါသည်။

ဤပြဿနာကို ဖြေရှင်းရန် Random-restart hill-climbing ကို အသုံးပြုပါသည်။ ၎င်း၏ အခြေခံသဘောတရားမှာ "ပိတ်မိသွားတိုင်း အသစ်ကနေ ပြန်စမည် (If at first you don't succeed, try, try again)" ဖြစ်ပါသည်။ Local Maxima တွင် ရပ်တန့်သွားတိုင်း၊ လက်ရှိအခြေအနေကို စွန့်လွှတ်ကာ ကျပန်း (Random) အခြေအနေသစ် တစ်ခုကို ဖန်တီး၍ အစမှ ပြန်လည်ရှာဖွေပါသည်။ ပန်းတိုင်ရောက်သည်အထိ ($h=0$) ဤလုပ်ငန်းစဉ်ကို အကြိမ်ကြိမ် ပြန်လုပ်သောကြောင့် 8-Queens ပြဿနာကို အမြဲတမ်း ဖြေရှင်းပေးနိုင်ပါသည်။

import random

# ==========================================

# Heuristic Function ($h$) တွက်ချက်ခြင်း

# ==========================================

def calculate_heuristic(board):

    """

    ဘုတ်ပြားပေါ်ရှိ အချင်းချင်း တိုက်ခိုက်နိုင်သော ဘုရင်မ အစုံ (Attacking pairs) အရေအတွက်ကို တွက်ပါသည်။

    board: 1D List (ဥပမာ - [0, 4, 7, 5, 2, 6, 1, 3] အဓိပ္ပာယ်မှာ ကော်လံ 0 တွင် အတန်း 0 ၌ ရှိသည်...)

    """

    attacking_pairs = 0

    n = len(board)

    

    # ကော်လံ တစ်ခုစီရှိ ဘုရင်မများကို ကျန်ရှိသော ကော်လံများမှ ဘုရင်မများနှင့် တိုက်ရိုက် နှိုင်းယှဉ်ပါမည်

    for i in range(n):

        for j in range(i + 1, n):

            # 1. ရေပြင်ညီ အတန်း (Same Row) တူနေသလား စစ်ဆေးခြင်း

            # 2. ထောင့်ဖြတ် (Diagonal) မျဉ်းပေါ်တွင် ရှိနေသလား စစ်ဆေးခြင်း

            # (ကော်လံနှစ်ခုကြား အကွာအဝေး နှင့် အတန်းနှစ်ခုကြား အကွာအဝေး တူညီနေလျှင် ထောင့်ဖြတ်မျဉ်းပေါ်တွင် ရှိသည်)

            if board[i] == board[j] or abs(board[i] - board[j]) == abs(i - j):

                attacking_pairs += 1

                

    return attacking_pairs

# ==========================================

# အကောင်းဆုံး အိမ်နီးချင်း (Best Neighbor) ကို ရှာဖွေခြင်း

# ==========================================

def get_best_neighbor(board):

    """

    ရွှေ့နိုင်သော အိမ်နီးချင်း ၅၆ ခုလုံးကို ဖန်တီးပြီး၊ ၎င်းတို့အနက်မှ Heuristic အနည်းဆုံး (အကောင်းဆုံး) 

    အခြေအနေကို ရွေးချယ်ပေးပါမည်။

    """

    best_board = list(board) # လက်ရှိ Board ကို ကနဦး အကောင်းဆုံးအဖြစ် မှတ်ထားပါမည်

    min_h = calculate_heuristic(board)

    

    n = len(board)

    

    # ကော်လံ (col) ၈ ခုလုံးကို လှည့်ပတ်စစ်ဆေးမည်

    for col in range(n):

        # အတန်း (row) ၈ ခုလုံးသို့ ရွှေ့ကြည့်မည်

        for row in range(n):

            # လက်ရှိ ရှိနေသော အတန်း မဟုတ်မှသာ ရွှေ့ကြည့်မည် (Neighbor အသစ် ဖန်တီးခြင်း)

            if board[col] != row:

                neighbor = list(board) # လက်ရှိ ဘုတ်ပြားကို မိတ္တူကူးပါ

                neighbor[col] = row    # ဘုရင်မကို အတန်းသစ်သို့ ရွှေ့ပါ

                neighbor_h = calculate_heuristic(neighbor)

                

                # အကယ်၍ Neighbor အသစ်၏ $h$ သည် လက်ရှိအနည်းဆုံး $h$ ထက် ပိုနည်းလျှင် Update လုပ်မည်

                if neighbor_h < min_h:

                    min_h = neighbor_h

                    best_board = neighbor

                    

    return best_board, min_h

# ==========================================

# Standard Hill-Climbing Algorithm

# ==========================================

def hill_climbing(board):

    """

    ပေးထားသော ကနဦးအခြေအနေမှ စတင်၍ Local Maxima သို့မဟုတ် Goal State ရောက်သည်အထိ ရှာဖွေမည်။

    """

    current_board = board

    current_h = calculate_heuristic(current_board)

    

    while True:

        # အကောင်းဆုံး Neighbor ကို ရှာပါ

        neighbor_board, neighbor_h = get_best_neighbor(current_board)

        

        # အကယ်၍ အကောင်းဆုံး Neighbor ၏ $h$ တန်ဖိုးသည် လက်ရှိ $h$ ထက် မနည်းတော့လျှင် 

        # (ဆိုလိုသည်မှာ ပိုမကောင်းတော့လျှင်) Local Maxima တွင် ပိတ်မိသွားပြီ ဖြစ်သဖြင့် ရပ်တန့်ပါမည်။

        if neighbor_h >= current_h:

            return current_board, current_h

            

        # ပိုကောင်းသော အခြေအနေသို့ ရွှေ့ပါ

        current_board = neighbor_board

        current_h = neighbor_h

# ==========================================

# Random-Restart Hill-Climbing Algorithm

# ==========================================

def random_restart_hill_climbing():

    """

    Hill-Climbing လုပ်ရင်း Local Maxima တွင် ပိတ်မိသွားတိုင်း၊ ကျပန်း (Random) Board အသစ်တစ်ခု 

    ပြန်လည်ဖန်တီး၍ Goal State ($h = 0$) ရရောက်သည်အထိ ဆက်တိုက် Restart လုပ်သွားမည့် Main Function ဖြစ်ပါသည်။

    """

    restarts = 0

    n = 8 # 8-Queens 

    

    while True:

        # ကျပန်း ဘုတ်ပြားအသစ် တစ်ခု ဖန်တီးခြင်း (ကော်လံတစ်ခုစီအတွက် 0 မှ 7 အတွင်း ကျပန်းအတန်းတစ်ခု ရွေးခြင်း)

        initial_board = [random.randint(0, n - 1) for _ in range(n)]

        

        # Hill-Climbing ဖြင့် ဖြေရှင်းကြည့်ခြင်း

        final_board, final_h = hill_climbing(initial_board)

        

        # အကယ်၍ ဖြေရှင်းပြီးသော Board ၏ $h$ သည် 0 ဖြစ်သွားလျှင် ပြဿနာပြေလည်သွားပြီ (Goal Test အောင်မြင်သည်)

        if final_h == 0:

            print(f"Goal State Found! (Total Restarts: {restarts})")

            return final_board

            

        # ပိတ်မိသွားလျှင် Restart အကြိမ်ရေကို မှတ်သား၍ အပေါ်မှ `while` လှည့်ပတ်မှုအတိုင်း ပြန်လည်စတင်မည်

        restarts += 1

# ==========================================

# ရလဒ်ကို ပုံဖော်ပြသရန် Function (Visualization)

# ==========================================

def print_board(board):

    n = len(board)

    for row in range(n):

        row_str = ""

        for col in range(n):

            if board[col] == row:

                row_str += " Q " # ဘုရင်မ ရှိသောနေရာ

            else:

                row_str += " . " # လွတ်နေသောနေရာ

        print(row_str)

    print("\nArray Representation:", board)

# Program စတင်ခြင်း

if __name__ == "__main__":

    print("Running Random-Restart Hill-Climbing for 8-Queens...\n")

    solution = random_restart_hill_climbing()

    print("\nFinal Solution Board:")

    print_board(solution)

ပရိုဂရမ်၏ အဓိက အနှစ်သာရများ

• Memory အသုံးပြုမှု နည်းပါးခြင်း: State တစ်ခုလုံးကို ပြသရန် 8x8 2D Array ကြီးကို မသုံးဘဲ ကော်လံတစ်ခုလျှင် အတန်း (row index) ကိုသာ ကိုယ်စားပြုသော 1D Array (ဥပမာ [1, 3, 5, 7, 2, 0, 6, 4]) ကို အသုံးပြုထားသောကြောင့် တွက်ချက်မှု မြန်ဆန်စေပါသည်။

• Steepest-Ascent: get_best_neighbor function တွင် Neighbor ၅၆ ခုလုံးကို လှည့်ပတ်စစ်ဆေးပြီးမှ အကောင်းဆုံးကိုသာ ရွေးချယ်သည့် အပြည့်စုံဆုံး (Steepest) နည်းလမ်းကို အသုံးပြုထားပါသည်။

• Completeness: သာမန် Hill-climbing သည် Local Maxima ကြောင့် ဖြေရှင်းချက် ရှာမရဘဲ ရပ်တန့်နိုင်သော်လည်း၊ random_restart_hill_climbing ၏ while True: loop မှ ဖြေရှင်းချက် (Goal State) မရမချင်း Random အသစ်ပြန်လုပ်ပေးနေမည်ဖြစ်၍ ပြဿနာကို အမြဲတမ်း ဖြေရှင်းပေးနိုင်မည် (Complete ဖြစ်သည်)။