Artificial Intelligence: A Modern Approach - Lesson III

1.1.3 Thinking rationally: The “laws of thought” approach

                ဒီချဉ်းကပ်ပုံရဲ့အနှစ်သာရကတော့'လူရဲ့တွေးခေါ်စဉ်းစားပုံနိယာမသဘောတရားတွေ' ကိုအသုံးပြပြီး၊စက်(machine / ကွန်ပျူတာ)ကိုယုတ္တိနည်းကျကျမှန်မှန်ကန်ကန်တွေးခေါ်စဉ်းစားနိုင်ဖို့အတွက်စည်းမျဉ်းစည်းကမ်းနည်းလမ်းတွေသတ်မှတ်ပေးတာမျိုးဖြစ်ပါတယ်။တကယ်တော့လည်းရှေးခေတ်ဂရိကျောင်းတော်ကြီးတွေလက်ထက်ကတည်းကအထွေထွေအမျိုးမျိုးသောယုတ္တိပုံသဏ္ဍန်တွေအတွက်တွေးတောခြင်းဆိုင်ရာစည်းမျဉ်းတွေနဲ့ကိုယ်စားပြုသင်္ကေတတွေကိုဖေါ်ထုတ်ခဲ့ကြပြီးဖြစ်ပါတယ်။ဒီချဉ်းကပ်ပုံရဲ့ပြဿနာက၊အသိပညာရပ်အားလုံးကိုယုတ္တိသင်္ကေတတွေနဲ့မဖေါ်ပြနိုင်ဘူးဆိုတဲ့အချက်နဲ့ကွန်ပျူတာတွေရဲ့တွက်ချက်မှုစွမ်းရည်မှာအကန့်အသတ်ရှိတယ်ဆိုတဲ့အချက်တွေပဲဖြစ်ပါတယ်။

1.1.4 Acting rationally: The rational agent approach

                ဒီနည်းလမ်းဟာဆိုရင်"ရနိုင်တဲ့သတင်းအချက်အလက်ကိုအသုံးပြုပြီး၊ရည်မှန်းချက်ပန်းတိုင်ကိုအကောင်းဆုံးအမြန်ဆုံးနဲ့အမှန်ကန်ဆုံးရောက်နိုင်အောင်သွားနိုင်ဖို့ကိုအဓိကထားချဉ်းကပ်တဲ့ပုံစံ" ဖြစ်ပါတယ်။အခုလိုချဉ်းကပ်တဲ့ပုံစံနဲ့ဒီဇိုင်းပြုတည်ဆောက်ထားတဲ့system ကိုrational agent လို့ခေါ်ပါတယ်။ထပ်ပြီးရှင်းအောင်ဆိုရရင်rational agent ဆိုတာ ' ရနိုင်တဲ့သတင်းအချက်အလက်ကိုအသုံးပြုပြီးရည်မှန်းချက်ပန်းတိုင်ကိုအကောင်းဆုံးအမြန်ဆုံးနဲ့အမှန်ကန်ဆုံးရောက်နိုင်အောင်သွားနိုင်တဲ့အရာagent၊စက်machine၊စနစ်system တစ်ခု' လို့ဆိုနိုင်ပါတယ်။ဒီrational agent ကို မသေချာမရေရာတဲ့အခြေအနေနဲ့ပတ်၀န်းကျင်မှာတောင်(ဖြစ်နိုင်သမျှတွေထဲက) အကောင်းဆုံးကိုအမှန်ဆုံးရွေးချယ်လုပ်ဆောင်နိုင်စွမ်းရှိအောင်ဒီဇိုင်းပြုတည်ဆောက်ကြပါတယ်။အခုလက်ရှိအချိန်(၂၀၁၇)မှာကွန်ပျူတာသိပ္ပံပညာရှင်တွေနဲ့တုပအသိဉာဏ်ဆိုင်ရာပညာရှင်တွေဟာကျွန်တော်တို့အထက်မှာဆွေးနွေးခဲ့တဲ့AI နဲ့ပတ်သက်တဲ့ချဉ်းကပ်ပုံလေးမျိုးထဲကဒီrational agent approach ကို သာအဓိကထားလေ့လာနေကြပါတယ်။

1.2 ပညာရေးအခြေခံများ The Academic Foundations of Artificial Intelligence

• သင်္ချာ Mathematics

·         Logic: Formal representation and proof ယုတ္တိဗေဒနှင့် ပုံစံတကျ သက်သေပြခြင်းနည်းစနစ်များ။

·         computation တွက်ချက်ခြင်းပညာ။

·         algorithm ပြဿနာဖြေရှင်းဆောင်ရွက်ပုံ နည်းလမ်းအဆင့်ဆင့်အားလေ့လာသောပညာရပ် ။

·         Probability ဖြစ်နိုင်ခြေပညာရပ်များ။

• စီးပွားရေးပညာ Economics

·         Formal theory of rational decisions မှန်ကန်သောရွေးချယ်မှုများအတွက် ပုံစံတကျ ဆုံးဖြတ်ချက်ချပုံ သဘောတရားများ။

·         Combined decision theory and probability theory for decision ဆုံးဖြတ်ချက်ချမှတ်ရန်အတွက် ဖြစ်နိုင်ချေသီအိုရီနှင့် ဆုံးဖြတ်ချက်သီအိုရီတို့အား ပေါင်းစပ်ခြင်း။

·         making under uncertainty, Game theory မရေရာသောအခြေအနေများတွင်ဆုံးဖြတ်ခြင်း(သို့) ဂိမ်းသီအိုရီ။

·         Markov decision processes မားကော့ဗ်ဆုံးဖြတ်ပုံအဆင့်ဆင့်။

ဦးနှောက်နှင့်အာရုံကြောဆိုင်ရာသိပ္ပံပညာ Neuroscience

·         လူ့ဦးနှောက်အလုပ်လုပ်ပုံကိုလေ့လာတဲ့ပညာ။

·         ကွန်ပျူတာနဲ့လူ့ဦးနှောက်ရဲ့တူညီပုံနဲ့ကွဲပြားခြားနားပုံများကိုလေ့လာတဲ့ပညာရပ်။

• စိတ်ပညာ Psychology

·         လူတွေဘယ်လိုစဉ်းစားသလဲ၊ဘယ်လိုပြုမူကြသလဲဆိုတာတွေကိုလေ့လာတဲ့သိမြင်နားလည်ခြင်းဆိုင်ရာစိတ်ပညာ။

·         လူ့ဦးနှောက်ကိုသတင်းအချက်အလက်အသုံးပြုပြီးဆုံးဖြတ်လုပ်ကိုင်တဲ့စက်တစ်ခုအဖြစ်သဘောထားလေ့လာသောပညာ။မှတ်ချက်။ အဲဒီလိုလေ့လာမှုတွေဟာအခုအခါမှာ သိမြင်နားလည်ခြင်းဆိုင်ရာသိပ္ပံပညာရပ် (cognitive science) အဖြစ် သီးခြားဖွံ့ဖြိုးတိုးတက်လာပြီဖြစ်ပါတယ်။

• အတွေးအခေါ်ပညာ Philosophy

·         Logic, methods of reasoning ယုတ္တိဗေဒ၊ ကြောင်းကျိုးဆက်စပ်နည်း။

·         Mind as physical system that operates as a set of rules စည်းမျဉ်း စည်းကမ်းတွေနဲ့အညီလုပ်ဆောင်နေတဲ့ ရုပ်စနစ်ကြီးတစ်ခုအဖြစ် စိတ်ကို နားလည်ဆင်ခြင်သောပညာ။

·         Foundations of learning, language, rationality သင်ယူခြင်းအခြေခံသဘောတရားများ။ဘာသာစကား။ကြောင်းကျိုးညီစွာမှန်မှန်ကန်ကန်လုပ်ဆောင်ခြင်း။

• ကွန်ပျူတာ အင်ဂျင်နီယာပညာ Computer engineering

·         အသိဉာဏ်တုကိုအသုံးချနိုင်မယ့်စက်ပစ္စည်းတွေကိုဘယ်လိုတည်ဆောက်မလဲဆိုတာအဓိကထားလေ့လာ။ဥပမာယနေ့ခေတ်၏မောင်းသူမဲ့ကား။

ထိန်းချုပ်ခြင်း နှင့် ဆက်သွယ်ခြင်းပညာ Control theory and cybernetics[1]

·         ပတ်၀န်းကျင်တုန့်ပြန်မှုကိုလက်ခံနိုင်တဲ့ရိုးရင်းတဲ့ရုပ်အမြင်ဆိုင်ရာပစ္စည်းတွေကိုဒီဇိုင်းပြုတည်ဆောက်သောပညာ။

·         ရည်ရွယ်ချက်ကိုအအောင်မြင်ဆုံး  အကောင်းဆုံးဖြစ်အောင်လုပ်ဆောင်နိုင်မယ့်စနစ်တွေကိုဒီဇိုင်းပြုတည်ဆောက်တဲ့ခေတ်သစ်ထိန်းချုပ်မှုပညာဆိုင်ရာသီအိုရီ

• ဘာသာစကားပညာ Linguistics

·         ဘာသာစကားနှင့့်စဉ်းစားတွေးတောခြင်း၏ဆက်စပ်ပုံ။

·         ခေတ်သစ်ဘာသာဗေဒပညာ+ တုပအသိဉာဏ်ပေါင်းစပ်= တွက်ချက်မှုဘာသာဗေဒ(သဘာဝဘာသာစကားအားအဆင့်ဆင့်သုံးစွဲခြင်းပညာNatural Language Processing)

---

[1]cybernetics (N: the scientific study of communication and control, especially concerned with comparing human and animal brains with machines and electronic devices: Oxford Advanced Learner's Dictionary 9th edition © Oxford University Press, 2015) (လူ၊ တရိစ္ဆာန်) ဦးနှောက်၏ဆက်သွယ်ပုံ၊ ထိမ်းချုပ်ပုံ၊အမိန့်ပေးစေခိုင်းပုံများ နှင့်အီလက်ထရောနစ်စက်ပစ္စည်းတို့၏ ဆက်သွယ်ပုံ၊ထိမ်းချုပ်ပုံ၊ အမိန့်ပေးစေခိုင်းပုံများအား နှိုင်းယှဉ်လေ့လာသော သိပ္ပံပညာရပ်။

ဤဆောင်းပါးများ 

Artificial Intelligence: A Modern Approach - Lesson I, II, III သည်၊ ၂၀၁၇ ဂျွန်လနှင့် ဂျွန်လိုင်လထုတ် ကွန်ပျူတာဂျာနယ်တွင် ဖေါ်ပြပါရှိပြီးသော ဆောင်းပါးများဖြစ်ပါသည်။

ဤဆောင်းပါးများနှင့် နောက်နောင် ဆက်လက် တင်ပြကောင်းတင်ပြမည့် 

Artificial Intelligence: A Modern Approach  သင်္ခန်းစာ ဆောင်းပါးများ အားလုံးကို Patent & Copyright Law အရ မှတ်ပုံတင်ပြီးဖြစ်ပါသည်။

အိုင်တီ၊ အိုင်စီတီ နှင့် အိုင်အိုတီ

အိုင်တီ၊ အိုင်စီတီ နှင့် အိုင်အိုတီ

မိတ်ဆက်နိဒါန်း

                နောက်ခံပြဿနာက ဒီလိုပါ။ "အိုင်တီ နဲ့ အိုင်စီတီ မတူဘူး။ အိုင်တီပညာဆိုတာက ပိုကျယ်ပြန့်တယ်။ အိုင်စီတီက ပိုအဆင့်မြင့်တယ်။ အိုင်တီဘွဲ့တွေက ရှေးကျတယ်။ အိုင်စီတီ ဘွဲ့ကမှ မော်ဒန်။ အိုင်စီတီက အင်ဂျင်နီယာဖက်နွယ်တယ်။ အိုင်စီတီမှာ ဆက်သွယ်ရေးဆိုင်ရာနည်းပညာတွေပါတယ် အိုင်တီကမပါဘူး။ အိုင်တီပညာက သူ့ချည်းရပ်တည်လို့မရဘူး စီးပွားရေးပညာနဲ့တွဲမှ၊ စီမံခန့်ခွဲမှုပညာနဲ့တွဲမှ။  မဟာဗျူဟာမြောက်အိုင်တီကမှ တကယ်အဆင့်မြင့်တဲ့ပညာ။ အိုင်တီခေတ် အိုင်စီတီခေတ် မဟုတ်တော့ဘူး အခုဟာ အိုင်အိုတီခေတ် အိုင်အိုတီကို လေ့လာရမယ်။ ...။" ဆိုတဲ့ အထွေထွေအမျိုးမျိုးသော စကားတွေပါ။ ဒီဆောင်းပါးရဲ့ရည်ရွယ်ချက်က အဲဒါတွေကို တစ်ခုချင်းရှင်းလင်းဖို့ အဆုံးအဖြတ်ပေးဖို့မဟုတ်ပါဘူး။ ဆောင်းပါးခေါင်းစဉ်ရဲ့ စကားလုံးသုံးလုံးရဲ့ နောက်ခံအခြေအနေကို တစ်စွန်းတစ်စ လှစ်ဟတင်ပြလိုရင်းသာဖြစ်ပါတယ်။

အိုင်တီ နှင့် အိုင်စီတီ

                အိုင်တီ ဆိုတာကတော့ရှင်းပါတယ်။ Information Technology ခေါ် သတင်းအချက်အလက်နည်းပညာ ပေါ့။ သတင်းအချက်အလက်တွေနဲ့ အဲဒီသတင်းအချက်အလက်တွေနဲ့ နှီးနွယ် ဆက်စပ် ပတ်သက်နေတဲ့ပညာရပ်တွေကို သိပ္ပံရှုထောင့်၊ အင်ဂျင်နီယာရှုထောင့်နဲ့ နည်းပညာရှုထောင့်တွေကနေ ချဉ်းကပ်လေ့လာတဲ့ပညာပေါ့။ အဲဒီလိုလေ့လာတဲ့နေရာမှာ ပိုပြီးထိရောက်စွမ်းဆောင်နိုင်အောင်လို့ ကျွန်တော်တို့ဟာ ကွန်ပျူတာတွေကို အသုံးပြုခဲ့ကြတယ်။ တဖြည်းဖြည်းနဲ့ နောက်ပိုင်းကာလတွေရောက်လာတဲ့အခါမှာ ကွန်ပျူတာတွေကိုအသုံးပြုပုံဟာ တစ်ကိုယ်တည်း တစ်လုံးတည်း(stand-alone) သီးသန့် သုံးတာမျိုးမဟုတ်တော့ပဲ၊ ကွန်ယက် network, အင်ထရာနက် intranet, အင်တာနက် internet, ကမ္ဘာ့ကွန်ယက်ကြီး world wide web, စတာတွေနဲ့ ချိတ်ဆက်အသုံးပြုကြတဲ့ အခြေအနေကို ရောက်ရှိလာခဲ့တယ်။ အဲဒီလိုကွန်ပျူတာတွေ အချင်းချင်းချိတ်ဆက် ဆက်သွယ်တဲ့နေရာမှာ နည်းပညာပါလာတယ်။ ပါလာတဲ့နည်းပညာက ဆက်သွယ်ရေးနည်းပညာ (communication technology)။ အဲဒါကြောင့် "သတင်းအချက်အလက်နည်းပညာ - အိုင်တီ" ဆိုတာကနေ "သတင်းအချက်အလက်နှင့် ဆက်သွယ်ရေးနည်းပညာ - အိုင်စီတီ"  ဆိုပြီးခေါ်ဆိုလာကြတယ်။ တကယ်တော့ အဲဒီစကားလုံးနှစ်လုံးကို အပြန်အလှန်ဖလှယ်ပြီး သုံးစွဲကြမယ်ဆိုလည်း မမှားပါဘူး။ တကယ်တန်းလဲ အဲဒီလိုပဲ သုံးစွဲနေကြတာပါ။

                အိုင်တီ နဲ့ ဘွဲ့ရတဲ့သူဟာ အိုင်စီတီနဲ့ ဘွဲ့ရသူလောက် ပညာမစုံဘူး။ ဆက်သွယ်ရေးဆိုင်ရာနည်းပညာတွေကို မသင်ရဘူး မတတ်ဘူးဆိုတဲ့ အပြောအဆို အယူအဆဟာ မမှန်ကန်ဘူးလို့ထင်ပါတယ်။ ဒါဟာဘွဲ့နာမည်နဲ့ လုံးဝမဆိုင်ပါဘူး။ သင်ယူခဲ့တဲ့ သင်တန်းဘာသာရပ်စာရင်း (course syllabus) နဲ့သာဆိုင်ပါတယ်။ အဲဒီကိစ္စကလည်း တစ်ကျောင်းတစ်ဂါထာ၊ တစ်ရွာတစ်ပုဒ်ဆန်း၊ တစ်ရုံး တစ်ထုံး ဖြစ်ပါတယ်။ ပညာရေးလွတ်လပ်ခွင့်နဲ့အတူ သက်ဆိုင်ရာ တက္ကသိုလ်ရဲ့ မူဝါဒနဲ့အညီ သက်ဆိုင်ရာ ပါမောက္ခတွေ ပညာရှင်တွေက သူတို့အကျွမ်းကျင်ဆုံးနဲ့ ကျောင်းသားတွေအတွက် အကောင်းဖြစ်မယ်လို့ယူဆတဲ့ ဘာသာရပ်တွေကို ရွေးချယ်သင်ကြားကြမှာပဲဖြစ်ပါတယ်။ အထူးပြုဘာသာရပ်စာရင်း အနည်းအကျဉ်းအပြောင်းအလဲရှိတဲ့အပေါ်မှာ  ပေးအပ်တဲ့ဘွဲ့ရဲ့ အထူးပြုဘာသာရပ်နာမည်ကိုလည်း အိုင်တီ IT, အိုင်စီတီ ICT,  ဆက်သွယ်ရေးနှင့်သတင်းအချက်အလက်စနစ် Communication & Information System, စီးပွားရေးအိုင်တီ Business IT, စီမံခန့်ခွဲမှုအိုင်တီ Management IT, မဟာဗျူဟာအိုင်တီ Strategic IT, အိုင်တီအင်ဂျင်နီယာရင်း IT Engineering, သတင်းအချက်အလက်သိပ္ပံ Information Science... စသည်ဖြင့် ကြိုက်ရာတပ်လိုက်ကြတာပါပဲ။ အမှန်တကယ် ထူးချွန် ကျွမ်းကျင်မှုဆိုတာကတော့ လူတစ်ဦးချင်းစီရဲ့ ဝါသနာ စိတ်ပါဝင်စားမှု နဲ့ ကျိုးပမ်းအားထုတ်မှုအပေါ်မှာပဲမူတည်တာပါ။ အခုအခါမှာ နည်းပညာကို အဆက်မပြတ်လေ့လာနေသူတစ်ချို့က "အိုင်တီ၊ အိုင်စီတီ ခေတ်မဟုတ်တော့ဘူး၊ ဒီခေတ်က အိုင်အိုတီခေတ်။ အိုင်တီတွေ အိုင်စီတီ တွေကျန်ခဲ့ပြီ" လို့ ဆိုလာကြပြန်ပါတယ်။ အဲဒီတော့ အိုင်အိုတီဆိုတာ ဘာလဲ လေ့လာကြည့်ကြပါဦးစို့။

အိုင်အိုတီ

ပုံ။            Zoran Kostic, Associate Professor of Professional Practice, Electrical Engineering Department, Columbia University, US

                ကျွန်တော်အထက်မှာတင်ပြခဲ့သလိုပဲ ၁၉၉၀ နှောင်းပိုင်းနှစ်တွေမှာ ကွန်ပျူတာတွေကို တစ်လုံးချင်းစီ သီးသန့် သုံးတာမျိုးမဟုတ်တော့ပဲ၊ ကွန်ယက်တွေအဖြစ်ချိတ်ဆက်ပြီး အသုံးပြုကြတဲ့ အခြေအနေကို ရောက်ရှိလာခဲ့တယ်။ တဖြည်းဖြည်းနဲ့  နောက်ပိုင်းကာလတွေရောက်လာပြန်တော့ ကွန်ယက်(network, intranet, internet, www)တွေမှာ ချိတ်ဆက်ထားတဲ့အရာတွေဟာ ကွန်ပြူတာတွေတင်မဟုတ်တော့ပါဘူး။ မိုဘိုင်းဖုန်းတွေ၊ ဘဏ် ငွေထုတ်စက်တွေ၊ အကြွေးဝယ်ကဒ်ဖတ်စက်တွေ၊ ဂျီပီအက်စ် စနစ်တပ်ဆင်ထားတဲ့ ကားတွေ ရထားတွေ လေယာဉ်တွေ၊ အာကာသယာဉ်တွေ၊ လုံခြုံရေးကင်မရာတွေ၊ ဆေးဘက်ဆိုင်ရာသုံးပစ္စည်းတွေ၊ စစ်လက်နက်ပစ္စည်းတွေ၊ အဆင့်မြင့်နည်းပညာသုံး မျက်မှန်တွေ နာရီတွေကအစ ကမ္ဘာ့ကွန်ယက်ကြီးမှာ ပါဝင်ချိတ်ဆက်လာကြပါတယ်။ ဒါကြောင့် အခုအခါမှာ ကျွန်တော်တို့ရဲ့ အင်တာနက်ကြီးဟာ ကွန်ပျူတာတွေတင် ပါဝင်ချိတ်ထားတဲ့ကွန်ယက်ကြီး(internet of computers) မဟုတ်တော့ပဲ၊ ကွန်ပျူတာအပါအဝင်  သဗ္ဗနာမ်ပေါင်းစုံ(သဗ္ဗ= အလုံးစုံသော၊ နာမ်= အမည်နာမ) ပစ္စည်းကရိယာတွေ ပါဝင်ချိတ်ဆက်ထားတဲ့ အင်တာနက်ကြီး(internet of things) ဖြစ်လာပါပြီ။ အဲဒီအင်တာနက်ကြီးကို အိုင်အိုတီ လို့ခေါ်ကြတာပါ။

                တကယ်တော့ အိုင်အိုတီ လို့ အင်္ဂလိပ်လို အတိုကောက်ရည်ညွှန်းတဲ့ "အရာဝတ္တုများ အပြန်အလှန်ဆက်သွယ်ထားသောကွန်ယက်ကြီး (Internet of Things)" ဆိုတာ အင်တာနက်မှာ ပူးပေါင်းပါဝင်ချိတ်ဆက်ထားတဲ့၊ လူတွေအတွက် အသုံးဝင်တဲ့ အလုပ်တစ်ခုခုကို လုပ်ပေးတဲ့ အရာဝတ္ထုတွေကို ရည်ညွှန်းတာပါ။ လွယ်အောင်ပြောရင် အိုင်အိုတီဆိုတာ တကယ့်ရုပ်ဝတ္ထုပစ္စည်းတွေ ဟာဒ်ဝဲတွေဖြစ်ပါတယ်။ အဲဒီဟာဒ်ဝဲမှာ ချစ်ပ်၊ အိုင်စီ(Chip or Integrated Circuit) (အနည်းဆုံး) တစ်ခုပါမယ်။ အဲဒီ ချစ်ပ်က အာရုံခံနိုင်တယ်။ တွက်ချက်နိုင်တယ်။ ဒါ့အပြင် အဲဒီလို ချစ်ပ်ပါတဲ့ အိုင်အိုတီပစ္စည်း(IoT device)တွေဟာ  သူတို့နဲ့အမျိုးအစားတူတဲ့ကရိယာအချင်းချင်းပဲဖြစ်ဖြစ်၊ အမျိုးအစားမတူတဲ့ တခြား ကွန်ပျူတာတွေ မိုဘိုင်းဖုန်းတွေ ဆက်သွယ်ရေးကရိယာတွေဖြစ်တဲ့ ရောက်တာ (router)တွေ၊ ဂိတ်ဝေး(Gateway) တွေ၊ ဟာဒ်ဝဲတွေ နဲ့ပဲဖြစ်ဖြစ်၊ ဆက်သွယ်နိုင်စွမ်း (communication capability) ရှိတယ်။ အဲဒီဆက်သွယ်နိုင်စွမ်းကိုအသုံးပြုပြီး အိုင်အိုတီ ပစ္စည်းတွေက သူ့ရဲ့အချက်အလက်တွေကို၊ ကလောက်ဒ် colud, ဆာဗာ server, ဗဟိုထိမ်းချုပ်ရေးစင်တာ central control station, ဒါမှမဟုတ် တခြားကရိယာတစ်ခုခု ရှိရာ ပေးပို့လိုက်တယ်။ အဲဒီနေရာမှာ လိုအပ်တဲ့ ဆောင်ရွက်မှု၊ တွက်ချက်မှု၊ ညွှန်ကြားမှ တစ်ခုခုပြုလုပ်ပြီး အိုင်အိုတီ ပစ္စည်း ရှိရာကို (လိုအပ်ရင်) သတင်းအချက်ကို ပြန်လည်ပေးပို့လိုက်တယ်။ အဲဒါကို အိုင်အိုတီ ပစ္စည်းက ပြန်လည် လက်ခံရယူပြီး လိုအပ်သလို ဆက်လက်လုပ်ဆောင်မယ်။ အဲဒီကိစ္စတွေဟာ ထပ်ပြန်တလဲလဲဖြစ်ပျက်နေမယ်။ ဒါပါပဲ။

အိုင်တီ၊ အိုင်စီတီ နှင့် အိုင်အိုတီ

                အိုင်တီ နဲ့ အိုင်စီတီ ရဲ့ တီ က နည်းပညာ technology ကိုရည်ညွှန်းတာဖြစ်ပြီး၊ အိုင်အိုတီရဲ့ တီကတော့ အရာဝတ္တု thing ကိုရည်ညွှန်းတာပါ။ အိုင်အိုတီဆိုတာ အိုင်စီတီထက်အဆင့်မြင့်တဲ့ နည်းပညာအသစ် တစ်ခုမဟုတ်ပါဘူး။ အင်တာနက်ကြီးမှာ ပါဝင်ချိတ်ဆက်ထားတဲ့ အရာဝတ္တုတွေရဲ့ ပြောင်းလဲလာတဲ့ အခြေအနေအသစ်တစ်ရပ်ကို ရည်ညွှန်းချင်တာသာဖြစ်ပါတယ်။ တီ ချင်းတူပေမယ့်  Technology နည်းပညာ နဲ့ Thing အရာဝတ္တု ဖြစ်တဲ့အတွက် သဘောသဘာဝခြင်း လုံးဝကွဲပြားခြားနားပါတယ်။ အိုင်အိုတီ ပစ္စည်း(IoT Device)တွေ အောင်အောင်မြင်မြင် အလုပ်လုပ်နိုင်ဖို့ကိစ္စမှာတော့ အိုင်တီနည်းပညာ၊ အိုင်စီတီနည်းပညာ တွေကိုအသုံးချပါတယ်။ ပစ္စည်းကရိယာတွေက ဆန်းပြား ရှုပ်ထွေး အဆင့်မြင့်လာတဲ့အတွက်၊ သူ့အတွက်အသုံးပြုတဲ့ နည်းပညာကလည်း အဆင့်မြင့်လာတယ်။ ဒါကြောင့် အိုင်အိုတီပစ္စည်းတွေ အတွက်သုံးတဲ့ အိုင်စီတီနည်းပညာတွေကလည်း ကျွဲကူးရေပါပြောင်းလဲတိုးတက် ဖွံ့ဖြိုး လာတာပဲဖြစ်ပါတယ်။

နိဂုံး

                နက်ဝပ်ခ် ချိတ်မယ် အင်တာနက်သုံးမယ်ဆိုရင် ဟိုတုန်းကတော့ လူတိုင်းက ကွန်ပျူတာတွေကို ပြေးမြင်ကြမှာပါ။ အခုတော့ နက်ဝပ်ခ် ချိတ်မယ်၊ အင်တာနက်ကို ဆက်သွယ်မယ်လို့ပြောရင် ဘယ်ပစ္စည်းကရိယာကိုချိတ်မှာလဲ လို့ ပြန်မေးရပါလိမ့်မယ်။ ဘာလို့တုန်းဆိုတော့ အင်တာနက်ချိတ်မယ့်အရာဟာ ဘယ်လိုအရာမဆို ဖြစ်နိုင်လို့ပါ။ အဲဒီလိုချိတ်ဆက်တဲ့နေရာမှာ ပစ္စည်းကရိယာအပေါ်မူတည်ပြီး အသုံးပြုရမယ့်နည်းပညာလည်း ကွာခြားသွားမှာဖြစ်ပါတယ်။ ဒီပညာရပ်တွေနဲ့ ပတ်သက်ပြီး ဝေခွဲမရဖြစ်တဲ့အခါ ကျွန်တော်တို့မေးကြည့်သင့်တဲ့စကားက "ပစ္စည်းကရိယာတွေကိုလေ့လာမှာလား။ အဲဒီပစ္စည်းကရိယာတွေရဲ့ ဆက်သွယ်ရေးနဲ့ဆိုင်တဲ့နည်းပညာကိုလေ့လာမှာလား။ အဲဒီပစ္စည်းကရိယာတွေနဲ့ ဆက်စပ်ပတ်သက်တဲ့ နည်းပညာတွေအားလုံးကို လေ့လာမှာလား။ တစ်ချို့ကိုပဲ ရွေးချယ်လေ့လာမှာလား။" ဆိုတာပါပဲ။ အိုင်တီ၊ အိုင်စီတီ၊ အိုင်အိုတီ ကိစ္စဟာ ဘာနဲ့ အလားသဏ္ဍန်တူသလဲဆိုတော့ ငယ်ရွယ်စဉ်အခါက မောင်ဘ၊ အသက်အရွယ်နည်းနည်းရလာတဲ့အခါ ကိုဘ ဦးဘ၊ တစ်ခါတစ်လေမှာ ငဘ အစရှိသည်ဖြင့် ခေါ်ဆိုခြင်းလိုပါပဲ။ ဘာတွေ ဘယ်လို တူတယ် မတူဘူး ကွာခြားတယ် မကွာခြားဘူးဆိုတာကတော့ မိတ်ဆွေတို့ဘာသာ ဝေဖန်ဆုံးဖြတ်ရမယ့်ကိစ္စဖြစ်ပါတယ်။

ရွှင်လန်းချမ်းမြေ့ပါစေ။

ကျော်ခိုင်စိုး(infoTherapy)

အချက်အလက်သိပ္ပံပညာ

အချက်အလက်သိပ္ပံပညာ

သို့မဟုတ်

ကွန်ပျူတာသိပ္ပံနှင့် စာရင်းအင်းပညာတို့၏ဆုံမှတ်

မိတ်ဆက်နိဒါန်း   

                ဒီကနေ့ခေတ်အခါမှာ ကျွန်တော်တို့ဟာ ပမာဏအားဖြင့် အလွန့်အလွန် များပြားကြီးမားလှတဲ့အချက်အလက်(big data)တွေနဲ့ ရင်ဆိုင်ကြုံတွေ့နေကြရပါတယ်။ ဥပမာ အခြေခံအမှုန်အသစ်ကို ရှာဖွေတွေ့ရှိနိုင်ဖို့အတွက် သိပ္ပံပညာရှင်တွေ ရူပဗေဒပညာရှင်တွေ အသုံးပြုတဲ့   ဟက်ဒရွန်အမှုန်တိုက်စက်ကြီး (Large Hadron Collider - LHC)က တစ်စက္ကန့်ကို ပရိုတွန် တိုးတိုက်မှုပေါင်း သန်း-၆၀၀ အထိ လုပ်ပေးနိုင်တဲ့အတွက်၊ တစ်နှစ် တစ်နှစ်ကို ဂက်ဂါဘိုက် ၁၅-သန်း (15 million gigabytes or 15 petabytes) အထိရှိတဲ့ အချက်အလက်တွေကို စုဆောင်းထားရတယ်။ အဲဒီလောက်များပြားတဲ့ အချက်အလက်တွေကို သိပ္ပံပညာရှင်တွေ  ကိုင်တွယ်အသုံးပြုနေရတယ်။ (Source: public.web.cern.ch/Public/en/LHC/LHC-en.html) ဆူနာမီနဲ့ပတ်သက်တဲ့အချက်အလက်တွေဟာ စတင်မှတ်တမ်းတင်တဲ့အချိန်မှာ ၅-ဂက်ဂါဘိုက် သာရှိခဲ့ပေမယ့်၊ အခုအခါမှာ ဂက်ဂါဘိုက်ပေါင်း ၁၇၀၀ ကျော်ထိရှိနေတယ်။ (Source: nctr.pmel.noaa.gov/Dart/dart_home.html) ဒါ့အပြင် ၂၀၀၆ ခုနှစ်ရဲ့စစ်တမ်းအရတင်ပဲ  တကမ္ဘာလုံးမှာ ကျွန်တော်တို့ ဖန်တီးလိုက်တဲ့ ဒီဂျစ်တယ်အချက်အလက်ဟာ  1,288 x 10^18 bits ရှိပြီး၊ ကွန်ပျူတာရှုဒေါင့်ကကြည့်ရင် အဲဒီပမာဏဟာ  161 exabytes or 161 billion gigabytes ရှိပါတယ်။(တစ်ဘီလီယံ = သန်းပေါင်းတစ်ထောင်) ။ ဒီပမာဏ ဟာ ကမ္ဘာပေါ်မှာ ပုံနှိပ်ထုတ်ဝေခဲ့ပြီးသမျှသော စာအုပ်တွေထဲက အချက်အလက်တွေအားလုံးထက် အဆပေါင်း သန်း-၃၀၀ လောက်ပိုများပါတယ်။ (Source : The Expanding Digital Universe, IDC White Paper sponsored by EMC Corporation. March 2007။)  ၂၀၂၀ ခုနှစ်အရောက်မှာ ကမ္ဘာ့အချက်အလက်ပမာဏဟာ ၂၀၁၁ နှစ်တုန်းကပမာဏထက် အဆပေါင်းငါးဆယ်တိုးလာလိမ့်မယ်လို့ဆိုပါတယ်။ (Source: http://www.emc.com) ဒီလောက်ထိများပြားလှတဲ့ အချက်အလက်တွေကို စုဆောင်းဖို့ မှတ်တမ်းပြုဖို့ သိမ်းဆည်းဖို့၊ ကိုယ့်ရဲ့ လေ့လာမှု သုတေသနနယ်ပယ်အတွက်အသုံးပြုလို့ရဖို့ အဲဒီအချက်အလက်တွေကို ပုံစံချဖို့ နဲ့ သရုပ်ခွဲဆန်းစစ်လေ့လာဖို့၊ နောက်ဆုံးမှာ အဲဒီရှေ့ကရရှိခဲ့တဲ့ အချက်အလက် သုံးသပ်ချက်တွေအပေါ်မူတည်ပြီး ဆုံးဖြတ်ချက် တစ်စုံတစ်ခုချမှတ်တာ ဒါမှမဟုတ် အနာဂတ်အတွက် မှန်းဆတာလုပ်ဖို့ ဆိုတာတွေဟာ တကယ့်ကို စိန်ခေါ်မှုကြီးမားလှတဲ့ ကိစ္စရပ်တွေဖြစ်လာပါတယ်။ အဲဒီလိုကြီးမားလှတဲ့ စိန်ခေါ်မှုကို ကိုင်တွယ်ဖြေရှင်းနိုင်ဖို့ အချက်အလက်သိပ္ပံ(data science) ဆိုတဲ့ပညာရပ်ဟာ လိုအပ်ချက်ကြောင့်ပေါ်ထွန်းလာပါတော့တယ်။

အချက်အလက်သိပ္ပံပညာ ၏သမိုင်း

                ဒိန်းမတ်ကွန်ပျူတာသိပ္ပံပညာရှင်၊ ကွန်ပျူတာသိပ္ပံလောကအတွက် နိုဘယ်လ်ဆုလို ဂုဏ်သိက္ခာကြီးမားလှတဲ့ တားရင်းဆု(တချို့က ကျူးရင်းဟုအသံထွက်သည်။ Turing Award)ရှင် ပီတာနော Peter Naur(25 October 1928 – 3 January 2016)က၊ ကွန်ပျူတာသိပ္ပံ ဆိုတဲ့စကားလုံးကို အစားထိုးဖို့ဆိုတဲ့ရည်ရွယ်ချက်နဲ့ ၁၉၆၀ လောက်ကတည်းက စတင်သုံးစွဲခဲ့တဲ့၊ အဲဒီ အချက်အလက်သိပ္ပံ ဆိုတဲ့ဝေါဟာရကို အချက်အလက်ဗေဒ (datalogy) ဆိုတဲ့စကားလုံးနဲ့ အပြန်အလှန်ဖလှယ်ပြီး စတင်အသုံးပြုခဲ့ကြတယ်။ ပီတာနော ၁၉၇၄ မှာ  ရေးသားထုတ်ဝေခဲ့တဲ့ "ကွန်ပျူတာနည်းလမ်းများအား တိကျစွာ တိုင်းတာစစ်ဆေးလေ့လာသုံးသပ်ခြင်း Concise Survey of Computer Methods " ဆိုတဲ့စာအုပ်မှာ အဲဒီ အချက်အလက်သိပ္ပံဆိုတဲ့စကားလုံးကို တရားဝင် ကျယ်ကျယ်ပြန့်ပြန့် သီးသီးသန့်သန့် စတင်သုံးစွဲခဲ့ပါတယ်။ ညီလာခံခေါင်းစဉ်ကြီးတစ်ခုထဲမှာ ပထမဆုံးအကြိမ်အဖြစ် ထည့်သွင်းအသုံးပြုခဲ့တာကတော့ အပြည်ပြည်ဆိုင်ရာ အမျိုးအစားခွဲခြားခြင်းပညာရပ်ဆိုင်ရာအသင်းများအဖွဲ့ချုပ် (International Federation of Classification Societies - IFCS)က၊ 1996 ခုနှစ် ဂျပန်နိုင်ငံ ကိုဘေး(Kobe)မြို့ မှာကျင်းပခဲ့တဲ့ " အချက်အလက်သိပ္ပံပညာ နှင့် အမျိုးအစားခွဲခြားခြင်းပညာ တို့နှင့်ဆိုင်သော နည်းလမ်းများ  Data Science, classification, and related methods" ဆိုတဲ့ ညီလာခံကြီးမှာပါ။

                အဲဒီနောက် ၂၀၀၁ ခုနှစ်မှာ၊ အမေရိကန်နိုင်ငံ အင်ဒီယားနားပြည်နယ် ပါဂျူးတက္ကသိုလ်ရဲ့ ကွန်ပျူတာသိပ္ပံပါမောက္ခ နဲ့ စာရင်းအင်းပညာပါမောက္ခ ဝီလီယံ အက်စ် ကလိဗ်လန်း William S. Cleveland (born 1943)က၊ တိုးတက်ချဲ့ထွင်ထားတဲ့ စာရင်းအင်းပညာကို အဆင့်မြင့်တွက်ချက်ခြင်းပညာရပ်နဲ့ပေါင်းစည်းပြီး အချက်အလက်သိပ္ပံပညာကို သီးခြားပညာရပ် သီးသန့်ဘာသာရပ်တစ်ခုအဖြစ်၊ ၂၀၀၁ ဧပြီလထုတ် အပြည်ပြည်ဆိုင်ရာ စာရင်းအင်းပညာသုံးသပ်ချက် International Statistical Review (အတွဲ-၆၉၊ အမှတ်-၁) စာစောင်မှာ "Data Science: An Action Plan for Expanding the Technical Areas of the Field of Statistics" ဆိုတဲ့ဆောင်းပါးနဲ့

စတင်မိတ်ဆက်ခဲ့ပါတယ်။  ၂၀၀၂ ခုနှစ် ဧပြီလမှာ အပြည်ပြည်ဆိုင်ရာသိပ္ပံကောင်စီ ရဲ့ အချက်အလက်သိပ္ပံနှင့်နည်းပညာကော်မတီ  (The International Council for Science: Committee on Data for Science and Technology - CODATA)က အချက်အလက်သိပ္ပံပညာဂျာနယ် ကိုစတင်ထုတ်ဝေခဲ့ပါတယ်။ လျှပ်စစ်နှင့် အီလက်ထရောနစ်အင်ဂျင်နီယာသိပ္ပံ (IEEE)က ၂၀၁၃ ခုနှစ်မှာ " အချက်အလက်သိပ္ပံပညာ နှင့် အဆင့်မြင့် သရုပ်ခွဲဆန်းစစ်လေ့လာမှုပညာ Data Science and Advanced Analytics" လုပ်ငန်းအဖွဲ့ ကိုစတင်ဖွဲ့စည်းခဲ့ပြီး ၂၀၁၄ ခုနှစ်မှာ  အချက်အလက်သိပ္ပံပညာနဲ့ဆိုင်တဲ့ အပြည်ပြည်ဆိုင်ရာ ညီလာခံကြီးကို ပထမဆုံးအကြိမ်ကျင်းပခဲ့ပါတယ်။ 

အချက်အလက်သိပ္ပံပညာ နှင့် စာရင်းအင်းပညာ

                တစ်ချို့သော စာရင်းအင်းပညာရှင်တွေ (ဥပမာ ဂစ်လ် ပရက်စ် Gil Press နဲ့ အသုံးချစာရင်းအင်းပညာရှင် နိတ် ဆစ်လ်ဗား Nate Silver) ကတော့ အချက်အလက်သိပ္ပံ ဆိုတဲ့ ဝေါဟာရသုံးစွဲတာကို သဘောမတူကြပါဘူး။ သူတို့က  ဒီ အချက်အလက်သိပ္ပံ ဆိုတဲ့ပညာရပ်ဟာ စာရင်းအင်းပညာနဲ့  အချက်အလက်သရုပ်ခွဲဆန်းစစ်လေ့လာခြင်းပညာရပ်(Data Analytics)ကို ပေါင်းစည်းအသုံးချခြင်းသာဖြစ်တယ်။  အချက်အလက်သိပ္ပံပညာရှင် လို့ဆိုသူတွေဟာ စာရင်းအင်းပညာရှင်တွေသာဖြစ်တယ်။ အဲဒီ စကားလုံး အချက်အလက်သိပ္ပံပညာ ဆိုတာ ပိုပြီးကြားကောင်းအောင် ခေါ်ထားတဲ့ ခေတ်ပေါ်အဆန်းထွင်စကားလုံးသာဖြစ်တယ်။ ဘာလို့လဲဆိုတော့ အဲဒီ အချက်အလက်သိပ္ပံပညာ ဆိုတဲ့စကားလုံးအတွက် တိကျတဲ့ အဓိပ္ပါယ်သတ်မှတ်ချက်တောင်မှ မရှိဘူး... စသည်ဖြင့် ငြင်းချက်ထုတ်ကြပါတယ်။ (မှတ်ချက်။ ကွန်ပျူတာသိပ္ပံ ဆိုတဲ့ ပညာရပ်အတွက်တောင် တိကျတဲ့ တစ်ကမ္ဘာလုံးလက်ခံတဲ့ အဓိပ္ပါယ်သတ်မှတ်ချက်မျိုး မရှိသေးပါဘူး။)

                ကျွန်တော့အနေနဲ့ အချက်အလက်သိပ္ပံပညာဆိုတာဟာ စာရင်းအင်းပညာမျှသာမဟုတ်ဘူးဆိုတာကို အလွန်သိသာထင်ရှားတဲ့ နယ်ပယ်နှစ်ခုနဲ့ ဥပမာပေးနိုင်ပါတယ်။ ပထမအချက်က သန်းနဲ့ချီရှိနေတဲ့ ဓါတ်ပုံ ရုပ်ပုံတွေကို အသုံးပြုပြီး သရုပ်ခွဲဆန်းစစ်လေ့လာတဲ့ မျက်နှာသွင်ပြင်မှတ်မိသိရှိခြင်းစနစ်တို့၊ ရုပ်ပုံတွေကို အမျိုးအမည် အုပ်စုခွဲတဲ့ (image classification, object recognition, လက်ဗွေရာတိုက်ဆိုင်စစ်ဆေးခြင်း တို့လို) အလုပ်မျိုးတွေကို ရှုပ်ထွေးအဆင့်မြင့်တဲ့ ကွန်ပျူတာသိပ္ပံ အယ်လ်ဂိုရစ်သမ်တွေ၊ စွမ်းရည်မြင့်ကွန်ပျူတာတွေရဲ့ အကူအညီမပါပဲ ဘယ်လိုမှလုပ်ဆောင်ဖို့မဖြစ်နိုင်ပါဘူး။ ဒုတိယတစ်ချက်က စကားသံမှတ်မိခြင်း၊ စကားလုံးမှ စကားသံသို့ပြောင်းခြင်း၊ စကားသံမှ စကားလုံးသို့ပြောင်းခြင်းတို့လို အသံသရုပ်ခွဲလေ့လာဆန်းစစ်ခြင်း(Voice/Sound Analytics) အလုပ်တွေကို စာရင်းအင်းပညာ သက်သက်နဲ့ ဘယ်လိုမှ လုပ်နိုင်မှာမဟုတ်ပါဘူး။ ဒါကြောင့် အချက်အလက်သိပ္ပံ ဆိုတာ ရင့်ကျက်တည်ငြိမ်ပြီးသား စာရင်းအင်းပညာရပ်နဲ့ နုနယ်သေးပေမယ့်အစွမ်းထက်လှတဲ့ ကွန်ပျူတာသိပ္ပံပညာရပ်တို့ပေါင်းစည်းထားတဲ့အတွက်သာ၊ အခုလက်ရှိမှာ ကျွန်တော်တို့ရင်ဆိုင်နေရတဲ့ အလွန့်အလွန်ကြီးမားများပြားတဲ့ အချက်အလက်ပိုင်းဆိုင်ရာပြဿနာတွေကို ထိထိရောက်ရောက် အောင်အောင်မြင်မြင် ဖြေရှင်းနိုင်တဲ့ အသုံးချသိပ္ပံပညာရပ်တစ်ခုဖြစ်တာလာလို့ဆိုချင်ပါတယ်။

အချက်အလက်သိပ္ပံပညာ ဆိုတာဘာလဲ

                အချက်အလက်သိပ္ပံပညာခေါ် အချက်အလက်အသုံးချသိပ္ပံပညာ (data-driven science) အတွက် အားလုံးလက်ခံထားတဲ့ တိကျတဲ့ အဓိပ္ပါယ်သတ်မှတ်ချက်တစ်ခု အခု(၂၀၁၇)အထိတော့ မရှိသေးပါဘူး။ ယေဘုယျပြောမယ်ဆိုရင် "အချက်အလက်သိပ္ပံဆိုတာ အပြန်အလှန် ကူးလူးဆက်နွယ်နေတဲ့ပညာရပ်တွေ၊ သိပ္ပံဆိုင်ရာ နည်းလမ်းတွေ၊ ဖြစ်စဉ်တွေ၊ စနစ်တွေ ကို အသုံးချပြီး၊ ပုံစံတကျဖြစ်ဖြစ် ပုံစံတကျမဟုတ်ပဲဖြစ်ဖြစ်(structured or unstructured) ရှိနေတဲ့ အချက်အလက်တွေထဲကနေ အသိပညာ ဒါမှအဟုတ် အတွေးအမြင်ကို ဖေါ်ထုတ် ရယူတဲ့ပညာရပ်တစ်ခုဖြစ်ပါတယ်။"  ဒီပညာရပ်ဟာ၊ အချက်အလက်ဘဏ်များအတွင်းမှ အသိပညာကိုရှာဖွေခြင်း  (Knowledge Discovery in Databases - KDD) ဆိုတဲ့ လုပ်ငန်းနဲ့ သဘောသဘာဝခြင်း ဆင်တူပါတယ်။

                ကွန်ပျူတာတွေအသုံးပြုပြီးလုပ်ရုံနဲ့၊ ဆော့ဖ်ဝဲတွေအသုံးပြုပြီးလုပ်ရုံနဲ့၊ ဒေတာအချက်အလက်တွေအများကြီးသုံးရုံနဲ့တော့ အချက်အလက်သိပ္ပံပညာမဟုတ်ပါဘူး။ အချက်အလက်အသုံးချဆော့ဖ်ဝဲတစ်ခုရဲ့တန်ဘိုးဟာ ဒေတာအချက်အလက်တွေဆီကနေဆင်းသက်လာရမယ်။ ပြီးတော့ အကျိုးဆက်အဖြစ် အသစ်အသစ်သော တခြား အချက်အလက်တွေကိုထပ်မံဖန်တီးထုတ်လုပ်ရမယ်။ ဒါကြောင့် အချက်အလက်အသုံးချ အဆင့်မြင့် ဆော့ဖ်ဝဲတစ်ခုဆိုတာ ဒေတာအများကြီးအသုံးပြုတဲ့ အသုံးချဆော့ဖ်ဝဲတစ်ခုမျှသာမဟုတ်ပဲ၊ ဒေတာထုတ်ကုန်(data porduct) တစ်ခုလည်းဖြစ်တယ်။ အချက်အလက်သိပ္ပံပညာဆိုတာ အဲဒီလို ဒေတာထုတ်ကုန်တွေကို ဖန်တီးနိုင်စွမ်းရှိစေတဲ့ ပညာရပ်နယ်ပယ်တစ်ခုဖြစ်တယ်။

                အချက်အလက်သိပ္ပံဆိုတဲ့ပညာရပ်ဟာ သင်္ချာပညာ၊ စာရင်းအင်းပညာ၊ သတင်းအချက်အလက်သိပ္ပံ နဲ့ ကွန်ပျူတာသိပ္ပံ တို့လို ပင်မကျောရိုးပညာရပ်တွေနဲ့၊  စက်-ကွန်ပျူတာ၏လေ့လာခြင်းပညာ machine learning, အမျိုးအစားခွဲခြားခြင်းပညာ classification, အုပ်စုခွဲလေ့လာသုံးသပ်မှုပညာ cluster analysis, အချက်အလက်များမှ အသုံးဝင်သော တန်ဘိုးရှိသော အရေးပါသော သတင်းအချက်အလက်များအား တူးဆွရှာဖွေခြင်းပညာ data mining, အချက်အလက်ဘဏ်ပညာနဲ့  အချက်အလက်တွေကိုရုပ်ပုံကားချပ်တွေအသုံးပြုပြီးဖေါ်ပြခြင်း visualization တို့လို ကိုင်းကွဲပညာရပ်နယ်ပယ်တွေက သီအိုရီတွေ နည်းစနစ်တွေကို ပေါင်းစည်းမွှေနှောက် အသုံးချရတဲ့ပညာရပ်မျိုးဖြစ်တယ်။

အမေရိကန် ကွန်ပျူတာသိပ္ပံပညာရှင်၊ တားရင်းဆုရှင် ဂျင်မ် ဂရေး Jim Gray (January 12, 1944 တွင်မွေးဖွား၍ January 28, 2007 တွင် ဆန်ဖရန်ဆစ်စကို ပင်လယ်ပြင်၌ ရွက်လွှင့်ရင်း ပျောက်ဆုံးခဲ့သည်။)က အချက်အလက်သိပ္ပံကို  သိပ္ပံပညာ၏စတုတ္ထပုံစံ (fourth paradigm စတုတ္ထပါရာဒိုင်း)[လက်တွေ့လုပ်ဆောင်မှုသိပ္ပံ၊ သီအိုရီသိပ္ပံ၊ တွက်ချက်မှုသိပ္ပံ၊ အချက်အလက်သိပ္ပံ empirical, theoretical, computational,data-driven: sciences]အဖြစ်ရှုမြင်ခဲ့ပြီး၊  "သတင်းအချက်အလက်နည်းပညာရဲ့ အကျိုးသက်ရောက်မှုကြောင့် သိပ္ပံပညာနဲ့ပတ်သက်တဲ့ အရာရာဟာ ပြောင်းလဲနေတယ်"လို့ ဆိုခဲ့ပါတယ်။ ဒါကြောင့်အရာရာပြောင်းလဲနေတဲ့ သိပ္ပံပညာရပ်တွေကို အကောင်းဆုံးနားလည်စေမှာက အချက်အလက်သိပ္ပံပညာရပ်ပဲဖြစ်ပါတယ်။

အချက်အလက်သိပ္ပံပညာ ၏လုပ်ငန်းစဉ်များ

အချက်အလက် သိပ္ပံပညာရှင်တွေရဲ့ လုပ်ငန်းစဉ်တွေမှာ

၁။ ပြင်ပလက်တွေ့ကမ္ဘာမှ အချက်အလက်များအား ကောက်ယူစုဆောင်းခြင်း။(Data Collecting)

၂။ လိုအပ်ချက်ပေါ်မူတည်၍ ၎င်းအချက်အလက်များအား ရွေးချယ်ခြင်း၊ ပြင်ဆင်ခြင်း၊ ဖြည့်စွက်ခြင်း၊ ပယ်ဖျက်ခြင်း (Data Processing Or Data Cleansing)

၃။ လိုအပ်ချက်ပေါ်မူတည်၍ အုပ်စုဖွဲ့အချက်အလက်Group Data များအား data အမျိုးအစားပြောင်းလဲခြင်း၊ ကိန်းဂဏန်းများ အားအချိုးချခြင်း၊ နှင့် သင်္ချာနှင့် စာရင်းအင်းပညာရပ်များကို အသုံးချ၍ အချက်အလက်များ၏ သွင်ပြင်လက္ခဏာ အမျိုးအစား တန်ဘိုး စသည်များကို ပြောင်းလဲခြင်း (Data Transformation)

၄။ အချက်အလက်များအတွင်းမှ အသုံးဝင်သော တန်ဘိုးရှိသော အရေးပါသော သတင်းအချက်အလက်များအား စူးစမ်းလေ့လာဖေါ်ထုတ်ခြင်း (Data Mining)

5. ဖေါ်ထုတ်ရရှိတဲ့ သတင်းအချက်အလက်တွေကို အဓိပ္ပါယ်ပြန်ဆိုခြင်း၊ အနက်အဓိပ္ပါယ်ဖေါ်ထုတ်ခြင်း၊ လုပ်ဆောင်ချက်များနှင့် ရလာဒ်များအား အကဲဖြတ်သုံးသပ်ခြင်း(Interpretation and evaluation)

                ဆိုတဲ့ အဆင့်တွေပါဝင်ပါတယ်။ အထက်ပါအဆင့်တွေထဲက တစ်ချို့ ဒါမှမဟုတ် အားလုံးဟာ ထပ်ပြန်တလဲလဲဖြစ်ပျက်နေနိုင်ပါတယ်။

Fig: The Computing Community Consortium Big Data Whitepaper (2012)

(http://www.cra.org/ccc/files/docs/init/bigdatawhitepaper.pdf)

အချက်အလက်သိပ္ပံပညာအား အသုံးချသောနယ်ပယ်များ

                တကယ်တော့ ဒီအချက်အလက်သိပ္ပံပညာရပ်ကို ဘယ်လိုနေရာတွေမှာ အသုံးချသလဲဆိုတာရေးပြရရင် ကုန်နိုင်ဖွယ်မရှိပါဘူး။ စီးပွားရေး၊ နိုင်ငံရေး၊ လူမှုရေး၊ ဆေးပညာ၊ သိပ္ပံပညာ စတဲ့နယ်ပယ်တိုင်းရဲ့ သုတေသနလုပ်ငန်းတွေမှာ ပုံစံအမျိုးမျိုးနဲ့ အသုံးချနေကြတာပါ။ အဲဒီထဲကတစ်ချို့ကတော့

·         မှတ်တမ်းမှတ်ရာတွေ အချက်အလက်တွေအရ ကမ္ဘာ့စီးပွားရေး၊ ရေနံစျေး၊ စတော့ရှယ်ရာစျေး တွေရဲ့ (ဖြစ်နိုင်ခြေရှိတဲ့) အပြောင်းအလဲအတက်အကျတွေကို ခန့်မှန်းတာမျိုး

·         ဘဏ်တစ်ခုဟာ သူ့ ဖေါက်သည်တွေရဲ့ ဝင်ငွေ၊ ငွေကြေးသုံးစွဲမှုပုံစံ၊ ပုဂ္ဂိုလ်ရေးအချက်အလက်တွေပေါ်မူတည်ပြီး အဲဒီဖေါက်သည်ဟာ အကြွေးတွေပြန်ဆပ်နိုင်ခြေရှိမရှိ ခန့်မှန်းတဲ့နေရာမျိုး

·         ရုက္ခဗေဒဆိုင်ရာ ဇီဝဗေဒဆိုင်ရာ အချက်အလက်တွေကို အသုံးပြုပြီး အသစ်တွေ့ရှိတဲ့ အပင်မျိုးစိပ်တစ်ခု၊ သက်ရှိမျိုးစိပ်တစ်ခုကို ဘယ်အုပ်စုမှာ ထားမလဲ၊ ဘယ်လိုအုပ်စုခွဲရမလဲ ဆိုတာမျိုး

·         လူတွေရဲ့ ပညာရေး လူမှုရေး စီးပွားရေးဆိုင်ရာအချက်အလက်တွေကိုကြည့်ပြီး၊ ထုတ်ကုန်တစ်ခုခု(မော်တော်ကား၊ ဆိုင်ကယ်၊ စက်ဘီး.. စသည်) ကို ဝယ်ယူသုံးစွဲနိုင်ခြေ ဘယ်လောက်ရှိသလဲဆိုတာမျိုး

·         လူ့DNA အချက်အလက်တွေကိုကြည့်ပြီး ရောဂါတစ်ခုခုဖြစ်နိုင်ခြေတို့ သက်တမ်းခန့်မှန်းတာတို့လိုမျိုး

·         လူမှုကွန်ယက် social media ပေါ်မှာရှိတဲ့ လူတွေရဲ့ကိုယ်ရေးအချက်အလက်တွေနဲ့ သူတို့မှတ်ချက်ပြုထားတဲ့ ကြိုက် မကြိုက် (like or dislike) ဆိုတဲ့အချက်တွေအပေါ်အခြေခံပြီး ဘယ်သူက ဘယ်လိုရုပ်ရှင်မျိုး၊ ဘယ်လိုစာအုပ်မျိုးကို ကြိုက်နှစ်လောက်တယ်ဆိုတာကို အကြံညာဏ်ပေးတာမျိုး

·         စာရေးဆရာ တစ်ရောက်ရဲ့ စာအုပ်စာတမ်းတွေထဲကနေ၊ သူရဲ့အများဆုံးအသုံးပြုလေ့ရှိတဲ့စကားလုံး၊ သူရဲ့ ရေးသားဟန်၊ စတာတွေကို ဖေါ်ထုတ်တာမျိုး၊ စာတစ်ပုဒ်ကို အဲဒီစာရေးဆရာကိုယ်တိုင်ရေးတာဟုတ် မဟုတ်ဆိုတဲ့ကိစ္စမျိုး

·         စကားပြောတွေ မိန့်ခွန်းတွေထဲက လေသံနဲ့ (စကားလုံးသက်သက်မျှမဟုတ်)၊ လေယူလေသိမ်း ကိုလေ့လာပြီး သူရဲ့စိတ်အခြေအနေကို ခန့်မှန်းတာမျိုး

                စတဲ့စတဲ့ ကိစ္စမျိုးတွေမှာ အချက်အလက်သိပ္ပံပညာရဲ့ နည်းစနစ်တွေ၊ လုပ်ထုံးလုပ်နည်းတွေကို အသုံးချပြီး လေ့လာဖေါ်ထုတ်ကြတာပါ။ အထူးသတိပြုသင့်တဲ့အချက်ကတော့ ဒီအချက်အလက်သိပ္ပံပညာရပ်ရဲ့ ခန့်မှန်းချက်တွေ၊ ဟောကိန်းတွေဟာ၊ တခြားနယ်ပယ်က တစ်ချို့ ပညာရှင်တွေ၊ ပညာရှင်ဟုအဆိုရှိသူတွေ တစ်ခါတစ်ရံမှာ ဟောကိန်းထုတ် ခန့်မှန်း  ဝေဖန် မှတ်ချက်ပြုကြတဲ့ ပုံစံမျိုးနဲ့ လုံးဝကွဲပြားခြားနားတယ်ဆိုတာပါပဲ။ အချက်အလက်သိပ္ပံဆိုတာက ပြင်ပကမ္ဘာရဲ့ တကယ့်လက်တွေ့အချက်အလက်တွေကိုအခြေခံတယ်။ အဲဒီအချက်အလက်တွေက ပြောတဲ့ ညွှန်းတဲ့ အချက်ကို အချက်အလက်သိပ္ပံပညာရှင်က ရှာဖွေဖေါ်ထုတ်တာသာဖြစ်တယ်ဆိုတာပါပဲ။ အချက်အလက်သိပ္ပံပညာရှင်ရဲ့ ရှာဖွေဖေါ်ထုတ်မှုက ဘယ်လောက်အတိုင်းအတာထိမှန်ကန်သလဲဆိုတာကတော့ ပညာရပ်ပိုင်းဆိုင်ရာ သီးခြားကိစ္စဖြစ်ပါတယ်။

အချက်အလက်သိပ္ပံပညာ နှင့့်် အနာဂတ်

                2012 မှာ ထုတ်ဝေခဲ့တဲ့ ဟားဗတ်စီးပွားရေးသုံးသပ်ချက်စာစောင် Harvard Business Review ရဲ့ ဆောင်းပါး "Data Scientist: The Sexiest Job of the 21st Century" မှာ ဆောင်းပါးရှင် ဒီဂျေ ပတေးလ် DJ Patil (ပရော်ဖက်ရှင်နယ် လူမှုကွန်ယက် လင့်ခ်ဒင် ၏ သိပ္ပံပညာရှင်ချုပ် - chief scientist at LinkedIn)က "အချက်အလက်သိပ္ပံပညာရှင်အလုပ်ဟာ ၂၁ရာစုရဲ့ တပ်မက်စရာအကောင်းဆုံးအလုပ် ဖြစ်ကြောင်း၊ အချက်အလက်သိပ္ပံပညာရှင်ဆိုတာ မျိုးစိပ်သစ်တစ်ခုဖြစ်ပြီး၊ အဲဒီလိုပညာရှင်မျိုးတွေ ရှားပါးခြင်း မလုံလောက်ခြင်း ပြတ်လပ်ခြင်းဟာ တစ်ချို့သောနယ်ပယ်တွေအတွက် သိပ်ကိုကြီးမားတဲ့ပြဿနာတစ်ရပ်ဖြစ်လာနေပြီ" လို့ ဆိုထားပါတယ်။ အွန်လိုင်းပညာရေးစင်တာကြီး edX နဲ့ Glassdoor ကုမ္ပဏီကြီးရဲ့အဆိုအရ လက်ရှိ ၂၀၁၇မှာ အမေရိကားရဲ့ နံပါတ်တစ်အလုပ်ဟာ အချက်အလက်သိပ္ပံပညာရှင်အလုပ်ဖြစ်တယ်လို့ဆိုပါတယ်။ Microsoft ရဲ့ သုတေသနပြုလုပ်ချက်တွေအရ ကမ္ဘာပေါ်မှာ အချက်အလက်သိပ္ပံရှင်အလုပ်မျိုးတွေ ၁.၃ သန်းအထိ လိုအပ်နေတယ်လို့ဆိုပြီး၊ အကြံပေးကုမ္မကြီး McKinsey & Company ရဲ့ ခန့််မှန်းချက်အရ ဆိုရင်တော့  ၂၀၁၈ ခုနှစ်မှာ big data တွေကို ကိုင်တွယ်အသုံးပြုရမယ့်အလုပ်အကိုင်ပေါင်း ၄-သန်းထိရှိနိုင်ပြီး၊ US တစ်နိုင်ငံထဲမှာတင်ပဲ အချက်အလက်သိပ္ပံပညာရှင်တွေ ၁၄၀,၀၀၀ ကနေ ၁၉၀,၀၀၀ အထိ လိုအပ်မှုရှိလိမ့်မယ်ဆိုပါတယ်။ ပညာရေးမှာ အမြဲထိပ်ဆုံးကပြေးနေတဲ့ ကမ္ဘာ့ထိပ်တန်း တက္ကသိုလ်ကြီးတွေဖြစ်တဲ့ အမ်အိုင်တီ၊ ဟားဗတ်၊ ကိုလံဘီယာ၊ စတင်းဖို့ဒ်၊ ကင်းဗရစ်ချ်၊ နဲ့ အောက်စ်ဖို့ဒ် စသည်တို့မှာ အချက်အလက်သိပ္ပံ ဆိုင်တဲ့ ပညာရပ်တွေကို ခေါင်းစဉ်အမျိုးမျိုးနဲ့ သင်ကြားနေကြပါပြီ။ ဒါ့အပြင် ပုဂ္ဂလိကပညာရေးစင်တာတွေ၊ ကော်ပိုရေးရှင်းကြီးတွေ၊ စခန်းသွင်းလေ့ကျင့်ပေးတဲ့သင်တန်းတွေမှာပါ DS ကို ပုံစံအမျိုမျိုးနဲ့ သင်ကြားပေးနေကြပါပြီ။ ကဲ ဒါဆိုရင် ကျွန်တော်တို့ဟာ ဒီအချက်အလက်သိပ္ပံပညာရပ်ကို လေ့လာသင်ယူထားဖို့ သင့် မသင့်၊ အနဲဆုံးတော့ တီးမိခေါက်မိအောင် ထိတွေ့လေ့လာထားသင့် မသင့် ဆိုတဲ့ကိစ္စဟာ စဉ်းစားဖို့တောင်မလိုအပ်တော့ဘူးလို့ ယူဆပါတယ်။

ရွှင်လန်းချမ်းမြေ့ပါစေ။

ကျော်ခိုင်စိုး(infoTherapy)

XSeries Certificate on Data Science and Analytics in Context (Columbia University)

Professional Certificate on  Data Science for Executives (Columbia University)

Microsoft Professional Program Certificate for Data Science