အသိပညာကို ကိုယ်စားပြုခြင်း Knowledge Representation

အခန်း ၁၀

အသိပညာကို ကိုယ်စားပြုခြင်း

“လက်တွေ့ကမ္ဘာမှာရှိတဲ့ အမျိုးမျိုးသောအချက်အလက်တွေကို ယုတ္တိရှိရှိဆင်ခြင်နိုင်ပြီး ပြဿနာတွေကို ဖြေရှင်းနိုင်တဲ့ ပုံစံနဲ့ မည်သို့ကိုယ်စားပြုနိုင်ကြောင်း ဒီအခန်းမှာ ဆွေးနွေးထားတယ်။”

အသိပညာကိုကိုယ်စားပြုဖေါ်ပြခြင်း ‘Knowledge Representation - KR’ ဆိုတာ၊ အေအိုင်စနစ်တွေမှာ ပတ်ဝန်းကျင်ကမ္ဘာရှိ အချက်အလက်တွေ၊ ၎င်းတို့ရဲ့ဆက်နွယ်မှုတွေ နဲ့ ၎င်းတို့နဲ့သက်ဆိုင်တဲ့စည်းမျဉ်းတွေကို၊ ကွန်ပျူတာကနားလည်ပြီး ပြန်အသုံးချနိုင်တဲ့ ဖွဲ့စည်းပုံတစ်ခုအဖြစ် ပြောင်းလဲဖော်ပြခြင်းဖြစ်တယ်။ အဲ့ဒီလို ဖေါ်ပြထားခြင်းဖြင့် ယုတ္တိဆင်ခြင်ခြင်း နဲ့ ပြဿနာဖြေရှင်းခြင်းတို့ကို၊ ၎င်း ‘အသိပညာကိုကိုယ်စားပြုထားတဲ့အချက်အလက်တွေ’ကို အသုံးပြုပြီး၊ အသစ်အသစ်သောအချက်များ ထုတ်ယူခြင်း၊ ကောက်ချက်ချခြင်းနဲ့ ဆုံးဖြတ်ချက်ချခြင်း လုပ်နိုင်ရန်ဖြစ်တယ်။ အဲ့ဒီလိုလုပ်တဲ့နေရာမှာ KR ဟာ မတူကွဲပြားတဲ့ အမျိုးမျိုးသော အချက်အလက်တွေကို ဖေါ်ပြနိုင်စွမ်းရှိရမယ်။ အသိပညာကို အဲ့ဒီလို ဖေါ်ပြနိုင်ခြင်းအားဖြင့်

• အေအိုင်စနစ်တွေကို လက်တွေ့ကမ္ဘာရဲ့ ရှုပ်ထွေးမှုများအား ကိုင်တွယ်နိုင်စေခြင်း။
• အချက်အလက်တွေကို စနစ်တကျ သိမ်းဆည်းခြင်းနဲ့ ပြန်လည်အသုံးပြုနိုင်ခြင်း။
• အလိုအလျောက်ဆင်ခြင်ခြင်းစနစ်ကိုအသုံး၍ ပြဿနာဖြေရှင်းနိုင်ခြင်း။ 

ဆိုတဲ့ အကျိုးကျေးဇူးတွေ ရနိုင်တယ်။

အရင်အခန်းတွေမှာ အသိပညာဘဏ် (Knowledge Base - KB) ပါတဲ့/ရှိတဲ့ အေးဂျင့်တစ်ခု မှန်ကန်စွာလုပ်ဆောင်နိုင်ဖို့၊ အဲ့ဒီ KB ကိုအသုံးပြုပြီး ဆင်ခြင်ကောက်ချက်ချခြင်း ပြုလုပ်ပုံတွေကို ဖော်ပြခဲ့တယ်။ ဒီအခန်းမှာ အဲ့ဒီလိုအေးဂျင့်ရဲ့ KB ထဲကို ‘မည်သည့်အကြောင်းအရာများကို ထည့်သွင်းရမည်နည်း’, ‘လောကအကြောင်းအရာများကို မည်သို့ ကိုယ်စားပြုဖေါ်ပြရမည်နည်း’ ဆိုတဲ့ မေးခွန်းတွေကို ဆွေးနွေးပါမယ်။ ကျွန်တော်တို့ဟာ အခုလောလောဆယ်တော့ ‘ပထမဆင့် ယုတ္တိ’ ကို အသိပညာကိုယ်စားပြုဘာသာစကားအဖြစ် အသုံးပြုမှာဖြစ်ပေမဲ့၊ နောက်ပိုင်းအခန်းတွေမှာတော့ အခြားသောအသိပညာကိုယ်စားပြုပုံစံတွေဖြစ်တဲ့

• စီမံကိန်းတွေနဲ့ပတ်သက်တဲ့ ဆင်ခြင်ခြင်းအတွက် အဆင့်ဆင့်သောလုပ်ငန်းကွန်ယက် ‘hierarchical task networks for reasoning about plans’ (အခန်း-၁၁), 
• မသေချာမရေမှုတွေပါဝင်နေတဲ့ ဆင်ခြင်ကောက်ချက်ချခြင်းအတွက် Bayesian networks (အခန်း-၁၃), 
• အချိန်အပေါ်မူတည်တဲ့ ဆင်ခြင်ခြင်းအတွက် မားကော့ဗ်မော်ဒယ်များ (အခန်း-၁၆), နဲ့ 
• ရုပ်ပုံများ အသံများနဲ့ အခြားဒေတာတွေအကြောင်း ဆင်ခြင်ကောက်ချက်ချခြင်းအတွက် ‘deep neural networks’ (အခန်း-၂၂) 

တို့ကို မိတ်ဆက်ပေးမှာဖြစ်တယ်။ သို့သော် ဘယ် ကိုယ်စားပြုမှုကို အသုံးပြုသည်ဖြစ်စေ၊ လောကပြဿနာအကြောင်းအရာတွေကို ကိုင်တွယ်ဖြေရှင်းဖို့ကတော့ ဆက်လက်လိုအပ်နေဆဲပဲဖြစ်ပြီး၊ ဒီအခန်းက, သက်ဆိုင်ရာ ပြဿနာတွေကို နားလည်အောင် ကူညီပေးမှာ ဖြစ်တယ်။ 

ဒီအခန်းရဲ့ အပိုင်း ၁၀.၁ မှာ လောကမှာရှိတဲ့အရာအားလုံးကို ‘အဆင့်ဆင့်သောအုပ်စုအဖွဲ့ hierarchy of categories’ တွေအဖြစ် စနစ်တကျ စုစည်းပေးတဲ့ ‘အထွေထွေအွန်တော်လော်ဂျီ - general ontology’ ဆိုတဲ့ အယူအဆကို မိတ်ဆက်ပေးထားတယ်။ အပိုင်း ၁၀.၂ မှာ objects, substances နဲ့ measures ရဲ့ အခြေခံ categories တွေ၊ အပိုင်း ၁၀.၃ မှာ events တွေ၊ အပိုင်း ၁၀.၄ မှာ beliefs တွေအကြောင်းနဲ့ပတ်သက်တဲ့ အသိပညာကို ဖော်ပြဆွေးနွေးထားတယ်။  အပိုင်း ၁၀.၅ မှာ ‘categories ကိုအသုံးပြုပြီး ထိရောက်သောကောက်ချက်ဆွဲမှုပြုလုပ်ခြင်း’ အတွက် ဒီဇိုင်းထုတ်ထားတဲ့ reasoning systems တွေအကြောင်းကို ဆွေးနွေးထားပြီး၊ အပိုင်း ၁၀.၆ မှာတော့ ‘ပုံသေ သတင်းအချက်အလက် default information’ ကိုအသုံးပြုပြီး ဆင်ခြင်ကောက်ချက်ချခြင်း’ အကြောင်းကိုဆွေးနွေးခြင်းဖြင့်၊ ကျိုးကြောင်းဆင်ခြင်ခြင်းအတွက်အသုံးပြုတဲ့ နည်းနာနိဿယျတွေကို ပြန်လည်သုံးသပ်ထားတယ်။

10.1 Ontological Engineering

‘အွန်တော်လော်ဂျီကယ်လ် အင်ဂျင်းနီးယားရင်း’ ဆိုတာ ဉာဏ်ရည်တုစနစ်တွေမှာ အသုံးပြုဖို့အတွက် ‘အသိပညာအခြေခံအုတ်မြစ်/အသိပညာဘဏ်/KB’ တွေကို ဘယ်လို တည်ဆောက်ရမယ်ဆိုတဲ့ နည်းစနစ်နဲ့ လမ်းညွှန်ချက်တွေကို လေ့လာတဲ့ ဘာသာရပ်တစ်ခု ဖြစ်တယ်။ ရည်ရွယ်ချက်ကတော့ ကမ္ဘာကြီးအကြောင်းကို စနစ်တကျနဲ့ တိကျစွာ ကိုယ်စားပြုနိုင်တဲ့ အွန်တော်လော်ဂျီတွေကို ဖန်တီးဖို့ ဖြစ်တယ်။ “ကစားစရာ” လိုမျိုး ဒိုမိန်းနယ်ပယ်တွေမှာတော့ ‘ကိုယ်စားပြုခြင်း’ ရွေးချယ်မှုဟာ သိပ်အရေးမကြီးလှပါဘူး။ ရွေးချယ်မှုပေါင်းများစွာက အလုပ်ဖြစ်နိုင်ပါတယ်။ အင်တာနက်ပေါ်ဈေးဝယ်ခြင်း သို့မဟုတ် ယာဉ်ကြောပိတ်ဆို့မှုများတဲ့လမ်းမကြီးတွေပေါ်မှာ အလိုအလျောက်ကားမောင်းစေခြင်းတို့လို  ရှုပ်ထွေးတဲ့ဒိုမိန်းတွေအတွက်ဆိုရင်တော့ ပိုမိုကျယ်ပြန့်ပြီး ပြောင်းလွယ်ပြင်လွယ်ရှိတဲ့ ကိုယ်စားပြုဖေါ်ပြမှုတွေကို လိုအပ်ပါတယ်။ ဒီအခန်းဟာ အဲ့ဒီလို ကိုယ်စားပြုမှုတွေကို ဘယ်လိုဖန်တီးရမလဲဆိုတာ ဆွေးနွေးမှာဖြစ်ပြီး၊ ကွဲပြားခြားနားတဲ့ ဒိုမိန်းတွေမှာ တွေ့ရလေ့ရှိတဲ့ Events, Time, Physical Objects, နဲ့ Beliefs တို့လို အခြေခံသဘောတရားတွေကို အဓိကထား ဆွေးနွေးထားမှာဖြစ်တယ်။ ဒီလို ‘အကောင်အထည်မရှိတဲ့ သဘောတရားတွေ ကိုယ်စားပြုဖေါ်ပြခြင်း’ ကို တစ်ခါတစ်ရံမှာ “ontological engineering” လို့ခေါ်တာဖြစ်တယ်။

စာမျက်နှာတစ်ထောင်ရှိတဲ့ စာအုပ်ပင်ဖြစ်ပါစေ၊ လောကမှာရှိတဲ့အရာအားလုံးကို ကိုယ်စားပြုဖေါ်ပြနိုင်မယ်လို့ မျှော်လင့်လို့မရနိုင်ဘူး။ ဘယ်နယ်ပယ်အတွက်မဆို အသိပညာအချက်အလက်အသစ်တွေ ထပ်မံဖြည့်ဆည်းနိုင်မဲ့ နေရာလပ်တွေက ကျန်နေဆဲပဲဖြစ်ပါတယ်။ အခုလောလောဆယ်တော့ physical object တစ်ခုဖြစ်ခြင်းရဲ့ အဓိပ္ပာယ်ကိုပဲ သတ်မှတ်မှာဖြစ်ပြီး, နောက်ပိုင်းမှသာ robots, televisions, books စတဲ့ မတူညီတဲ့ objects အမျိုးအစားတွေရဲ့ အသေးစိတ်အချက်အလက်တွေကို ဖြည့်သွင်းနိုင်အောင်ချန်ခဲ့မှာဖြစ်တယ်။ ၎င်းဟာ object-oriented programming framework (ဥပမာ, Java Swing graphical framework) ကို ဒီဇိုင်းထုတ်သူတွေက Windows လို အခြေခံသဘောတရားကို အရင်သတ်မှတ်ပြီး၊ အသုံးပြုသူတွေအနေနဲ့ ‘SpreadSheetWindows’ လို ပိုမိုတိကျတဲ့ ‘အယူအဆ သဘောတရား’ တွေကို နောက်မှသတ်မှတ်ဖို့ မျှော်လင့်ထားတဲ့ နည်းလမ်းနဲ့ ဆင်တူတယ်။ ‘အယူအဆ သဘောတရား’ တွေရဲ့ အခြေခံ framework ကို “upper ontology” လို့ခေါ်တယ်။ ဘာကြောင့်လဲဆိုတော့ ပုံ ၁၀.၁ မှာ ပြထားတဲ့အတိုင်း အခြေခံ ‘သဘောတရား’ တွေကို ထိပ်ပိုင်းမှာထားရှိပြီး၊ ပိုမိုတိကျတဲ့ အသေးစိတ် ‘သဘောတရား’ တွေကို ၎င်းတို့အောက်မှာထားပြီး ဂရပ်ရေးဆွဲတဲ့ ထုံးတမ်းစဉ်လာကြောင့် ဖြစ်တယ်။

Figure 10.1 ‘The upper ontology of the world’ ဟာ၊ နောက်ပိုင်းမှာ ဖော်ပြမဲ့ အကြောင်းအရာတွေကို ပြတယ်။ လင့်ခ်တစ်ခုစီက ‘အောက် concept’ သည် ‘အပေါ် concept’ ရဲ့ ‘အသေးစိတ်အထူးပြုမှု specialization’ ဖြစ်ကြောင်း ဖော်ပြတယ်။ Specializations တွေဟာ မဖြစ်မနေ disjoint ဖြစ်နေဖို့ မလိုအပ်ဘူး—လူတစ်ဦးဟာ သတ္တဝါလည်းဖြစ်သလို အေးဂျင့်တစ်ခုလည်း ဖြစ်နိုင်တယ်။ physical objects တွေဟာ ဘာကြောင့် generalized events တွေအောက်မှာ ပါဝင်လာတယ်ဆိုတာကို အပိုင်း ၁၀.၃.၂ မှာ တွေ့မြင်ရမှာဖြစ်ပါမယ်။

အွန်တော်လော်ဂျီ ဆိုတာ သီးသန့်နယ်ပယ်တစ်ခု (ဥပမာ, ဆေးပညာနယ်ပယ်၊ ပညာရေးနယ်ပယ်) အတွက်၊ ဒါမှမဟုတ် ယေဘုယျအားဖြင့် ကမ္ဘာကြီးမှာရှိတဲ့ အရာဝတ္ထုတွေ၊ ၎င်းတို့အချင်းချင်းရဲ့ဆက်နွယ်မှုတွေ နဲ့ သဘောတရားတွေကို သတ်မှတ်ဖော်ပြထားတဲ့ မူဘောင်တစ်ခု နည်းစနစ်တစ်ခု ဖြစ်တယ်။ အွန်တော်လော်ဂျီ တစ်ခုမှာ အဓိကအားဖြင့် ပါဝင်တာတွေကတော့

• Classes (အမျိုးအစားများ) [တူညီသောလက္ခဏာတွေရှိတဲ့ အရာဝတ္ထုတွေကို စုစည်းထားတာ။ ဥပမာ, လူ, ကား, အဖြစ်အပျက်, စတာတွေ။]

• Properties (ဂုဏ်သတ္တိများ) [classes တွေရဲ့ လက္ခဏာတွေကို ဖော်ပြတာ။ ဥပမာ, လူတစ်ယောက်မှာ အမည်, အသက်, ရှိနိုင်သလို၊ ကားတစ်စီးမှာ အရောင်, မော်ဒယ်, စတဲ့အချက်တွေ။]

• Relations (ဆက်နွယ်မှုများ) [classes တွေကြားမှာရှိတဲ့ ဆက်သွယ်မှုတွေကို ဖော်ပြတာ။ ဥပမာ,  “hasPart” အစိတ်အပိုင်းရှိသည်, “isA” ဖြစ်သည်, “locatedIn” တည်ရှိသည်, စတာတွေ။]

• Instances (အမျိုးအစား ဥပမာများ) [သီးခြား အရာဝတ္ထုတစ်ခုချင်းစီကို ကိုယ်စားပြုတာ။ ဥပမာ, “မောင်မောင်” (‘Person’ Class ရဲ့ ဥပမာ), “Toyota Camry” (‘Car’ Class ရဲ့ ဥပမာ)] 

စတာတွေဖြစ်တယ်။

Ontological Engineering ရဲ့ အဓိက အကျိုးကျေးဇူးများ

• Reusability (ပြန်လည်အသုံးပြုနိုင်မှု) [အွန်တော်လော်ဂျီ တွေကို တစ်ခုထက်ပိုတဲ့ ဉာဏ်ရည်တုစနစ်တွေမှာ ပြန်လည်အသုံးပြုနိုင်ဖို့ ရည်ရွယ်တယ်။ ဒါမှ တူညီတဲ့ အသိပညာတွေကို ထပ်ခါထပ်ခါ တည်ဆောက်နေရမယ့် အခြေအနေကို ရှောင်ရှားနိုင်မယ်။]

• Sharability (မျှဝေနိုင်မှု) [မတူညီတဲ့ ဉာဏ်ရည်တုစနစ်တွေနဲ့ အဖွဲ့အစည်းတွေကြားမှာ အသိပညာတွေကို လွယ်ကူစွာ မျှဝေနိုင်ဖို့ ရည်ရွယ်တယ်။ ဒါမှ အပြန်အလှန် နားလည်မှုနဲ့ ပူးပေါင်းဆောင်ရွက်မှုကို အားပေးနိုင်မယ်။]

• Extensibility (တိုးချဲ့နိုင်မှု) [အွန်တော်လော်ဂျီတွေကို အလွယ်တကူ တိုးချဲ့ပြီး အသိပညာအသစ်တွေကို ထည့်သွင်းနိုင်ဖို့ ရည်ရွယ်တယ်။ ကမ္ဘာကြီးဟာ အမြဲတမ်း ပြောင်းလဲနေတဲ့အတွက်၊ အသိပညာဘဏ်တွေလည်း လိုက်လျောညီထွေ ပြောင်းလဲနိုင်ဖို့ အရေးကြီးတယ်။]

• Clarity and Formality (ရှင်းလင်းမှုနှင့် တရားဝင်မှု) [အွန်တော်လော်ဂျီမှာပါဝင်တဲ့ အရာအားလုံးကို တိကျတဲ့ အဓိပ္ပာယ်ဖွင့်ဆိုချက်တွေနဲ့အတူ တရားဝင် ဘာသာစကား (formal language) တွေကို အသုံးပြုပြီး ဖော်ပြဖို့ ရည်ရွယ်တယ်။ ဒါမှ ဉာဏ်ရည်တုစနစ်တွေက အသိပညာတွေကို တိတိကျကျ နားလည်ပြီး အသုံးပြုနိုင်မယ်။]

Upper Ontology (အထက်အဆင့်အသိပညာဆိုင်ရာမူဘောင် / အထွေထွေအွန်တော်လော်ဂျီ) ဆိုတာ ‘ဘယ်နယ်ပယ်မဆို အသုံးချနိုင်တဲ့ အခြေခံသဘောတရားတွေ universal concepts’ ကို ဖော်ပြတဲ့ စံသတ်မှတ်ချက်ဖြစ်တယ်။ Upper Ontology သို့မဟုတ် top-level ontology ဆိုတာ၊ တခြား ပိုမိုတိကျတဲ့ ‘နယ်ပယ်တစ်ခုအတွက်သီးသန့် အွန်တော်လော်ဂျီ - domain-specific ontologies’ တွေရဲ့ အခြေခံအုတ်မြစ်အဖြစ် လုပ်ဆောင်ပေးတဲ့၊ အလွန်ယေဘုယျကျတဲ့ ontology တစ်ခု ဖြစ်တယ်။ Upper ontology တစ်ခုဟာ ကမ္ဘာပေါ်မှာရှိတဲ့ အရာအားလုံးရဲ့ အခြေခံကျတဲ့ အမျိုးအစားတွေနဲ့ ဆက်နွယ်မှုတွေကို ဖော်ပြနိုင်တယ်။ ဥပမာအားဖြင့်

• Entity တည်ရှိတဲ့ ဘယ်အရာမဆို (ဥပမာ, လူ၊ အရာဝတ္ထု၊ အဖြစ်အပျက်)

• Abstract Thing ရုပ်ပိုင်းဆိုင်ရာ မဟုတ်တဲ့ အရာတွေ (ဥပမာ, အချိန်၊ နေရာ၊ အရည်အသွေး)

• Event အချိန်ကာလတစ်ခုအတွင်း ဖြစ်ပေါ်တဲ့ အရာ

• Process အချိန်နဲ့အမျှ ပြောင်းလဲသွားတဲ့ အရာ

• Spatial Thing နေရာတစ်ခုမှာ တည်ရှိတဲ့ အရာ

• Temporal Thing အချိန်နဲ့ ဆက်စပ်နေတဲ့ အရာ

• Relation အရာဝတ္ထုတွေကြားက ဆက်သွယ်မှု

စတာတွေဖြစ်တယ်။

Upper Ontology ရဲ့ အကျိုးကျေးဇူး

• Interoperability (အပြန်အလှန်လုပ်ဆောင်နိုင်မှု)

မတူညီတဲ့ domain-specific ontologies တွေကို ချိတ်ဆက်ပြီး အပြန်အလှန် လုပ်ဆောင်နိုင်ဖို့ ကူညီပေးတယ်။ Upper ontology က ယေဘုယျအားဖြင့် သက်ဆိုင်တဲ့ အယူအဆတွေကို ပံ့ပိုးပေးတဲ့အတွက်၊ မတူညီတဲ့ နယ်ပယ်တွေက အသိပညာတွေကို ပေါင်းစပ်အသုံးပြုနိုင်တယ်။

• Consistency (ကိုက်ညီမှု)။ ။ မတူညီတဲ့ အွန်တော်လော်ဂျီတွေမှာ တူညီတဲ့ အယူအဆတွေကို မတူညီတဲ့နည်းနဲ့ ကိုယ်စားပြုခြင်းကို ရှောင်ရှားခြင်းဖြင့် အသိပညာဘဏ်တွေရဲ့ ကိုက်ညီမှုကို တိုးမြှင့်ပေးတယ်။

• Foundation for Knowledge Integration (အသိပညာပေါင်းစည်းမှုအတွက် အခြေခံ)။ ။ မတူညီတဲ့ အရင်းအမြစ်တွေက ရလာတဲ့ အသိပညာတွေကို စနစ်တကျ ပေါင်းစည်းဖို့အတွက် အခြေခံအုတ်မြစ်ကို ပံ့ပိုးပေးတယ်။ ဥပမာ,

“ကားတစ်စီး” နဲ့ “လူတစ်ယောက်” ဆိုတဲ့ အယူအဆနှစ်ခုကို ကြည့်မယ်ဆိုရင်...

Domain-specific ontology (သယ်ယူပို့ဆောင်ရေးဆိုင်ရာ အသိပညာမူဘောင်) အရ “ကား” မှာ “အင်ဂျင်ပါဝင်သည်” (hasEngine), “အရောင်ရှိသည်” (hasColor) စတဲ့ ဂုဏ်သတ္တိတွေ ရှိနိုင်တယ်။ 

“လူ” နဲ့ “ကား” ကြားမှာ “မောင်းနှင်သည်” (drives) ဆိုတဲ့ ဆက်နွယ်မှု ရှိနိုင်တယ်။

Upper Ontology အရ “ကား” နဲ့ “လူ” နှစ်ခုစလုံးဟာ “Entity” ရဲ့ subclass တွေ ဖြစ်နိုင်တယ်။ “hasColor” ဆိုတဲ့ ဂုဏ်သတ္တိဟာ “hasAttribute” ရဲ့ subclass ဖြစ်နိုင်တယ်။ “drives” ဆိုတဲ့ ဆက်နွယ်မှုဟာ “interactsWith” ရဲ့ subclass ဖြစ်နိုင်တယ်။ [ဒီအကြောင်းအရာတွေကို Object Oriented Programming အခြေခံရှိပြီးသူများ ကောင်းစွာနားလည်မှာဖြစ်တယ်။]

Upper ontology က ဒီလို ယေဘုယျကျတဲ့ အယူအဆတွေကို သတ်မှတ်ပေးခြင်းအားဖြင့်၊ မတူညီတဲ့ ontologies တွေကြားမှာ ဆက်သွယ်မှုတွေ တည်ဆောက်နိုင်ပြီး အသိပညာတွေကို ပိုမို ကျယ်ပြန့်စွာ အသုံးပြုနိုင်တယ်။ အချုပ်အားဖြင့်ဆိုရင် Ontological Engineering ဟာ ဉာဏ်ရည်တုစနစ်တွေအတွက် အသိပညာကို စနစ်တကျ ကိုယ်စားပြုဖို့ အရေးကြီးတဲ့ လုပ်ငန်းစဉ်တစ်ခု ဖြစ်တယ်။ အွန်တော်လော်ဂျီတွေဟာ ကမ္ဘာကြီးအကြောင်းကို တိကျစွာ ဖော်ပြနိုင်တဲ့ မူဘောင်တွေကို ပေးနိုင်ပြီး, Upper Ontology ကတော့ ဒီလို မူဘောင်တွေကြားမှာ ချိတ်ဆက်မှုနဲ့ ကိုက်ညီမှုကို ထောက်ပံ့ပေးတဲ့ အခြေခံအုတ်မြစ်တစ်ခု ဖြစ်တယ်။ ဉာဏ်ရည်တုစနစ်တွေ ပိုမို ထက်မြက်လာဖို့အတွက် အသိပညာကို ထိရောက်စွာ ကိုယ်စားပြုနိုင်ခြင်းဟာ မရှိမဖြစ် လိုအပ်တဲ့ အရာတစ်ခု ဖြစ်တယ်။

ယေဘုယျ နှင့် အထူး အွန်တော်လော်ဂျီ

မည်သည့်အထူးရည်ရွယ်ချက်သုံး အွန်တော်လော်ဂျီအတွက်မဆို၊ ပိုမိုကျယ်ပြန့်ပြီးယေဘုယျဆန်တဲ့ သဘောတရားများဆီ ရွေ့လျားနိုင်ဖို့ ပြောင်းလဲမှုတွေ ပြုလုပ်နိုင်တယ်။ ဒီအခါမှာ ထင်ရှားတဲ့ မေးခွန်းတစ်ခု ပေါ်ပေါက်လာတယ်။အဲ့တာကတော့ “ဒီ အထူးရည်ရွယ်ချက်သုံး အွန်တော်လော်ဂျီတွေအားလုံးဟာ, ယေဘုယျရည်ရွယ်ချက်အတွက် အထွေထွေသုံး အွန်တော်လော်ဂျီတစ်ခုတည်းသို့ ပေါင်းဆုံသွားကြမှာလား?” ဆိုတာဖြစ်တယ်။ ရာစုနှစ်ပေါင်းများစွာ ကြာမြင့်ခဲ့တဲ့ ဒဿနိကဗေဒ နဲ့ တွက်ချက်မှုဆိုင်ရာ စူးစမ်းရှာဖွေမှုတွေအပြီးမှာ ထွက်ပေါ်လာတဲ့အဖြေက “ဖြစ်နိုင်တယ်” လို့ ဖြစ်တယ်။ ဒီအပိုင်းမှာ၊ အဲ့ဒီလို ရာစုနှစ်များစွာက အယူအဆတွေကို ပေါင်းစပ်ထားတဲ့ ‘ယေဘုယျရည်ရွယ်ချက်သုံး အွန်တော်လော်ဂျီတစ်ခု’ ကို တင်ပြထားပါတယ်။

ယေဘုယျရည်ရွယ်ချက်သုံး အွန်တော်လော်ဂျီတွေဟာ၊ အထူးရည်ရွယ်ချက်သုံး အွန်တော်လော်ဂျီ  တွေနဲ့ ခြားနားတဲ့ အဓိကသွင်ပြင်လက္ခဏာ နှစ်ရပ်ရှိတယ်။

                            ယေဘုယျရည်ရွယ်ချက်နဲ့အထွေထွေသုံး အွန်တော်လော်ဂျီတစ်ခုဟာ၊ ဘယ်လို အထူးရည်ရွယ်ချက်သုံး ဒိုမိန်းမှာမဆို (ဒိုမိန်း-သီးသန့် Axioms တွေထပ်ထည့်ခြင်းဖြင့်) အသုံးချနိုင်ရမယ်။ ဆိုလိုတာက ဘယ်လို ကိုယ်စားပြုဖော်ပြမှုဆိုင်ရာ ပြဿနာကိုမှ၊ ရှောင်လွှဲခြင်း သို့မဟုတ် ဖုံးကွယ်ထားခြင်း မရှိရဘူး။ ဥပမာ, တကယ်လို့ “လူ” ဆိုတဲ့ အထွေထွေသုံး အွန်တော်လော်ဂျီတစ်ခုကို တည်ဆောက်ထားမယ်ဆိုရင်၊ ၎င်းဟာ ကျန်းမာရေးနယ်ပယ် (လူ့ခန္ဓာကိုယ် အစိတ်အပိုင်းများ)၊ ပညာရေးနယ်ပယ် (ကျောင်းသား၊ ဆရာ) သို့မဟုတ် စီးပွားရေးနယ်ပယ် (ဝန်ထမ်း၊ အလုပ်ရှင်) စတဲ့ ဘယ်ဒိုမိန်းမှာမဆို အသုံးချနိုင်ရမယ်။

                           လုံလောက်စွာ ရှုပ်ထွေးသော မည်သည့် ဒိုမိန်းတွင်မဆို၊ အသိပညာနယ်ပယ် အမျိုးမျိုးကို ပေါင်းစည်းထားရမှာဖြစ်တယ်။ အကြောင်းက ဆင်ခြင်တွေးခေါ်မှု (Reasoning) နဲ့ ပြဿနာဖြေရှင်းမှု (Problem Solving) တွေဟာ နယ်ပယ်များစွာကို တစ်ပြိုင်နက်တည်း ကိုင်တွယ်အသုံးပြုရနိုင်သောကြောင့် ဖြစ်တယ်။ ဥပမာအားဖြင့်၊ စက်ရုပ် ဆားကစ်ပြုပြင်ရေးစနစ် (Robot circuit-repair system) တစ်ခုဟာ၊ လျှပ်စစ်ချိတ်ဆက်မှုနဲ့ ရုပ်ပိုင်းဆိုင်ရာအနေအထားအရ လျှပ်စီးပတ်လမ်းတွေအကြောင်းကို ဆင်ခြင်တွေးခေါ်ဖို့ လိုအပ်တယ်။ ဒါ့အပြင် ဆားကစ်အချိန်ကိုက်ဖြစ်မှုခွဲခြမ်းစိတ်ဖြာခြင်း (Circuit timing analysis) နဲ့ လုပ်အားကုန်ကျစရိတ်ခန့်မှန်းခြင်း (Estimating labor costs) လိုမျိုး ဒိုမိန်းနှစ်ခုလုံးအတွက် ‘အချိန်’ အကြောင်းကို ဆင်ခြင်တွေးခေါ်ဖို့ လိုအပ်တယ်။ ဒါ့ကြောင့် အချိန်ကို ဖော်ပြတဲ့ ဝါကျတွေဟာ နေရာယူနစ် (Spatial layout) ကို ဖော်ပြတဲ့ဝါကျတွေနဲ့ ပေါင်းစပ်နိုင်ရမှာဖြစ်ပြီး, Nanoseconds (စက္ကန့်၏ တစ်ဘီလီယံပုံတစ်ပုံ) နဲ့ Minutes (မိနစ်) အတွက်သာမက, Angstroms (တစ်မီတာ၏ ၁၀ ဘီလီယံပုံတစ်ပုံ) နဲ့ Meters (တစ်မီတာ) အတွက်ပါ (ဆိုလိုတာက မည်သည့်အချိန်တိုင်းယူနစ်၊ အလျားတိုင်းယူနစ် အတွက်မဆို) ကောင်းစွာ အလုပ်လုပ်နိုင်ရမှာဖြစ်တယ်။ 

ဒီနေရာမှာ ရည်ရွယ်တာက အွန်တော်လော်ဂျီတစ်ခုဟာ မတူညီသော အသိပညာနယ်ပယ်များ (ဥပမာ,  လျှပ်စစ်၊ ရူပဗေဒ၊ အချိန်) အကြား ဆက်စပ်မှုကို နားလည်ပြီး ပေါင်းစပ်အသုံးပြုနိုင်ရမယ်လို့ ဆိုလိုတာဖြစ်တယ်။ ဒါ့ကြောင့် စက်ရုပ်ဟာ ဆားကစ်တစ်ခုရဲ့ လျှပ်စစ်စီးဆင်းမှု ပြဿနာကို ရှာဖွေရာမှာ၊ ၎င်းဆားကစ်ရဲ့ ရုပ်ပိုင်းဆိုင်ရာတည်နေရာနဲ့ ၎င်းကို ပြုပြင်ဖို့ အချိန်ဘယ်လောက်ကြာမလဲဆိုတာကိုပါ တစ်ပြိုင်နက် ထည့်သွင်းစဉ်းစားနိုင်ရမှာဖြစ်တယ်။

ယေဘုယျ Ontological Engineering (အွန်တော်လော်ဂျီများကို ဒီဇိုင်းထုတ်ခြင်း၊ တည်ဆောက်ခြင်းနှင့် ထိန်းသိမ်းခြင်းလုပ်ငန်းစဉ်) ဟာ အခုအချိန်အထိတော့ အောင်မြင်မှုအကန့်အသတ်သာ ရှိသေးတဲ့ကြောင်း ကျွန်တော်တို့ ကြိုတင်ပြောထားပါမယ်။ (အခန်း ၁ မှာ ဖော်ပြထားတဲ့အတိုင်း) ဘယ်လို ထိပ်တန်း အေအိုင် Applications တွေတစ်ခုကမှ၊ ယေဘုယျ အွန်တော်လော်ဂျီကို အပြည့်အဝအသုံးပြုခြင်း မရှိသေးပါဘူး။ ၎င်းတို့အားလုံးဟာ အထူးရည်ရွယ်ချက်သုံး Knowledge Engineering (ကျွမ်းကျင်ပညာရှင်များ၏ အသိပညာများကို စနစ်တကျ စုဆောင်း၊ စီမံခန့်ခွဲပြီး အေအိုင်စနစ်များတွင် ပြန်လည်အသုံးပြုနိုင်ရန် ပြောင်းလဲဖော်ပြခြင်း) နဲ့ Machine Learning (ကွန်ပျူတာတွေကို အချက်အလက်များမှလေ့လာသင်ယူစေပြီး အလိုအလျောက် ဆုံးဖြတ်ချက်များ ချမှတ်နိုင်စေခြင်း) ကိုသာ အသုံးပြုနေကြတာဖြစ်တယ်။

လူမှုရေး/နိုင်ငံရေးဆိုင်ရာ ထည့်သွင်းစဉ်းစားမှုတွေကြောင့် ပြိုင်ဘက်အဖွဲ့အစည်းတွေအကြား အွန်တော်လော်ဂျီတစ်ခုအပေါ် သဘောတူညီဖို့ ခက်ခဲစေနိုင်တယ်။ Tom Gruber (2004) က ပြောထားသလို၊ “မည်သည့် အွန်တော်လော်ဂျီမဆို သဘောတူညီချက်တစ်ခုဖြစ်ပြီး၊ ၎င်းဟာ တစ်စုံတစ်ရာ ‘ဘုံရည်ရွယ်ချက်’ရှိသော လူများအကြား လူမှုရေးဆိုင်ရာ သဘောတူညီချက်တစ်ရပ်ဖြစ်တယ်။ [Every ontology is a treaty—a social agreement—among people with some common motive in sharing]” တကယ်လို့ ကိစ္စရပ်တွေမှာ ပူးပေါင်းဆောင်ရွက်လိုစိတ်ထက်၊ ပြိုင်ဆိုင်လိုစိတ်က ပိုမိုကြီးစိုးနေရင် ဘုံ အွန်တော်လော်ဂျီတစ်ခု ဖြစ်ပေါ်လာမှာ မဟုတ်ဘူး။ ဒါကြောင့် ယေဘုယျကောက်ချက်ချလို့ရတာက ပါဝင်ပတ်သက်သူ (Stakeholders) အရေအတွက် နည်းပါးလေလေ, အွန်တော်လော်ဂျီတစ်ခုကို ဖန်တီးရန် ပိုမိုလွယ်ကူလေဖြစ်တယ်။ ဒီအချက်ကြောင့်ပဲ Open Biomedical Ontology (Smith et al., 2007)[ဇီဝဗေဒနဲ့ ဆေးပညာဆိုင်ရာ အချက်အလက်တွေကို ပေါင်းစည်းပြီး နားလည်ရလွယ်ကူအောင် ကူညီပေးတဲ့ စနစ်တစ်ခု] ကဲ့သို့သော အကန့်အသတ်ရှိ ရည်ရွယ်ချက်သုံး(limited-purpose) အွန်တော်လော်ဂျီတစ်ခုကို ဖန်တီးခြင်းထက်၊ ယေဘုယျရည်ရွယ်ချက်သုံး(general-purpose) အွန်တော်လော်ဂျီတစ်ခုကို ဖန်တီးဖို့က ပိုမိုခက်ခဲတယ်။ အခုလက်ရှိတည်ရှိနေတဲ့ အွန်တော်လော်ဂျီတွေကို နည်းလမ်းလေးသွယ်နဲ့ ဖန်တီးထားတာဖြစ်တယ်။

အွန်တော်လော်ဂျီ ဖန်တီးနည်း လေးသွယ်

1. လေ့ကျင့်ပြီးသား အွန်တော်လော်ဂျီပညာရှင်တွေ သို့မဟုတ် ယုတ္တိဗေဒပညာရှင်တွေ က, အွန်တော်လော်ဂျီ  ကို ဒီဇိုင်းရေးဆွဲပြီး လိုအပ်တဲ့ Axioms တွေကို ရေးသားတည်ဆောက်ထားခြင်းဖြစ်တယ်။ ဥပမာအားဖြင့် CYC (ဆိုက်ခ် ဟု ဖတ်ပါ။ အသံထွက်ပါ။ “encyclopedia” ဟူသောစကားလုံးက ယူထားတာ) ဆိုတဲ့ စနစ်ကို ဒီလိုနည်းလမ်းနဲ့ အများစု တည်ဆောက်ခဲ့တာဖြစ်တယ်။(Lenat and Guha, 1990) ဒီနည်းလမ်းဟာ ကျွမ်းကျင်သူတွေက စနစ်တကျစဉ်းစားတွေးခေါ်ပြီး အသိပညာတွေကို တည်ဆောက်ခြင်းဖြစ်တယ်။ ၎င်းဟာ အချိန်ယူရပြီး ကုန်ကျစရိတ်များပေမဲ့ တိကျမှုမြင့်မားတယ်။
2. ဒုတိယနည်းက လက်ရှိ ရှိနေတဲ့ Database တွေက Categories, Attributes နဲ့ Values တွေကို “import” လုပ်ခြင်းဖြစ်တယ်။ ဥပမာအားဖြင့် DBPEDIA ဆိုတဲ့ အွန်တော်လော်ဂျီစနစ်ကို, ဝီကီပီးဒီးယား Wikipedia ရဲ့ “စနစ်တကျ စီစဉ်ထားသော အချက်အလက်တွေ (structured facts) တွေကို, import လုပ်၊ ထည့်သွင်းပြီး တည်ဆောက်ခဲ့တာဖြစ်တယ်။ (Bizer et al., 2007) ဒီနည်းလမ်းက ရှိပြီးသား အချက်အလက်တွေကို ပြန်လည်အသုံးပြုခြင်းဖြင့် အချိန် နဲ့ လုပ်အားကို ချွေတာနိုင်တယ်။
3. နောက်တစ်ခုက Text Documents တွေကို ပိုင်းခြားစိတ်ဖြာပြီး သတင်းအချက်အလက်တွေကို ထုတ်ယူခြင်းနည်းလမ်းဖြစ်တယ်။ TEXTRUNNER ဟာ ဝက်ဘ်စာမျက်နှာ အများအပြားကို ဖတ်ရှုခြင်းဖြင့် တည်ဆောက်ခဲ့တာဖြစ်တယ်။(Banko and Etzioni, 2008) ဒီနည်းလမ်းက, သဘာဝဘာသာစကား (Natural Language) ကနေ၊ အသိပညာတွေကို အလိုအလျောက် ထုတ်ယူခြင်းဖြစ်တယ်။
4. နောက်ဆုံးတစ်နည်းကတော့ ကျွမ်းကျင်မှုမရှိသေးတဲ့ ဝါသနာရှင်တွေကို ‘လူတိုင်းရဲ့ ပင်ကိုယ်အလိုလိုသိ အသိပညာ Commonsense Knowledge’ တွေ ထည့်သွင်းခိုင်းခြင်းဖြစ်တယ်။ ဥပမာ, OPENMIND စနစ်ကို စေတနာ့ဝန်ထမ်းတွေက အင်္ဂလိပ်ဘာသာနဲ့ အချက်အလက်တွေ တင်ပြခြင်းဖြင့် တည်ဆောက်ခဲ့တာဖြစ်တယ်။ (Singh et al., 2002; Chklovski and Gil, 2005)။ ဒီနည်းလမ်းက လူအများရဲ့ အသိပညာကို စုဆောင်းခြင်းဖြင့် Ontology ကို တည်ဆောက်ခြင်းဖြစ်တယ်။ ၎င်းဟာ ပမာဏများပြားတဲ့ အချက်အလက်တွေကို စုဆောင်းနိုင်ပေမဲ့ တိကျမှုမှာ ကန့်သတ်ချက်ရှိနိုင်တယ်။

ဥပမာအားဖြင့် Google Knowledge Graph ဟာ Wikipedia က, Semistructured Content (တစိတ်တပိုင်း စနစ်တကျ စီစဉ်ထားသော အကြောင်းအရာ) တွေကို အသုံးပြုပြီး၊ ၎င်းကို ဝက်ဘ်စာမျက်နှာတွေတစ်လျှောက် လူသားများရဲ့ စီမံခန့်ခွဲမှုအောက်မှာ စုဆောင်းထားတဲ့ အခြားသောအကြောင်းအရာများနဲ့ပေါင်းစပ်ထားတယ်။ ၎င်းမှာ အချက်အလက်ပေါင်း ၇၀-ဘီလီယံကျော် ပါဝင်ပြီး ဂူးဂဲလ်ရှာဖွေမှုများရဲ့ သုံးပုံတစ်ပုံခန့်အတွက် အဖြေများ ပေးစွမ်းနိုင်တယ်။ (Dong et al., 2014). Google Knowledge Graph ဟာ အထက်မှာဖော်ပြခဲ့တဲ့ နည်းလမ်းတွေကို ပေါင်းစပ်အသုံးပြုထားခြင်းရဲ့ ကောင်းမွန်သော ဥပမာတစ်ခုဖြစ်တယ်။ ၎င်းဟာ လူသားတွေရဲ့ စီမံခန့်ခွဲမှုနဲ့ အလိုအလျောက် အချက်အလက်ထုတ်ယူမှုတို့ကို ပေါင်းစပ်အသုံးပြုခြင်းဖြင့် ကြီးမားကျယ်ပြန့်သော အသိပညာ အွန်တော်လော်ဂျီတစ်ခုကို တည်ဆောက်နိုင်ခဲ့တာဖြစ်တယ်။

10.2 Categories and Objects

အမျိုးအစားများနှင့် အရာဝတ္ထုများ

‘ပထမဆင့် ယုတ္တိ’ မှာ categories တွေကို ကိုယ်စားပြုဖေါ်ပြဖို့အတွက် ရွေးချယ်စရာ နှစ်ခုကတော့ predicates နဲ့ objects တို့ဖြစ်တယ်။ ဆိုလိုတာက ကျွန်တော်တို့ဟာ ‘ဘီ (ဟူသောအရာ) သည် ဘတ်စကက်ဘောလုံးဖြစ်သည်’ ဆိုတာကို ဖေါ်ပြဖို့အတွက် ‘Basketball(b)’ ဆိုတဲ့ predicate ကို အသုံးပြုနိုင်တယ်၊ ဒါမှမဟုတ် category ကို Basketballs ဟူသော object အဖြစ် ‘reify’ (ရေ့ဖ်ဖိုင်) လုပ်နိုင်တယ်။ အဲ့ဒီနောက် b ဟာ, ဘတ်စကက်ဘောအုပ်စုရဲ့ ရဲ့ အဖွဲ့ဝင်တစ်ခုဖြစ်ကြောင်း ပြောဖို့အတွက် ‘Member(b, Basketballs)’ လို့ ပြောနိုင်ပြီး၊ ၎င်းကို ‘b ∈ Basketballs’ လို့ အတိုကောက် ရေးမယ်။ Basketballs ဟာ Balls ရဲ့ subcategory ဖြစ်ကြောင်း ပြောဖို့အတွက် ‘Subset(Basketballs, Balls)’ လို့ ပြောပြီး ၎င်းကို ‘Basketballs ⊂ Balls’ လို့ အတိုကောက် ရေးမယ်။ ဒီနေရာမှာ ကျွန်တော်တို့ဟာ subcategory, subclass နဲ့ subset ဆိုတဲ့စကားလုံးတွေကို အပြန်အလှန်ဖလှယ်ပြီးအသုံးပြုမှာဖြစ်တယ်။

Categories တွေဟာ အမွေဆက်ခံခြင်းသဘောတရားကတစ်ဆင့် အသိပညာကို စုစည်းပေးတယ်။ Food category က instances အားလုံးကို စားသုံးနိုင်တယ်လို့ပြောရင်, Fruit ဟာ Food ရဲ့ subclass ဖြစ်ပြီး, Apples ဟာ Fruit ရဲ့ subclass ဖြစ်တယ်လို့ အခိုင်အမာဆိုရင်၊ “ပန်းသီးတိုင်းသည် စားသုံးနိုင်သည်” လို့ ကောက်ချက်ချနိုင်တယ်။ ကျွန်တော်တို့က “ပန်းသီးတစ်လုံးချင်းစီသည် စားသုံးနိုင်စွမ်းဟူသော ဂုဏ်သတ္တိကို, အမွေဆက်ခံသည်” လို့ ပြောနိုင်ပြီး၊ ဒီကိစ္စမှာ ၎င်းတို့ဟာ Food category ရဲ့ membership က inherit လုပ်ခြင်းဖြစ်တယ်။

Subclass relations တွေက categories တွေကို ‘taxonomic hierarchy’ သို့မဟုတ် ‘taxonomy’ အဖြစ် စုစည်းပေးတယ်။ “taxonomy” ဆိုတာ အသိပညာတွေကို စနစ်တကျ အဆင့်ဆင့် ခွဲခြားပြီး ကိုယ်စားပြုတဲ့ နည်းလမ်းတစ်ခု ဖြစ်တယ်။ ပိုပြီးတိတိကျကျပြောရရင်၊ အရာဝတ္ထုတွေ၊ သဘောတရားတွေ၊ ဒါမှမဟုတ် အယူအဆတွေကြားက “is-a” (ဖြစ်ခြင်း) ဆက်နွယ်မှုကို အခြေခံပြီး၊ အထွေထွေကနေ အသေးစိတ် (general to specific) ကို အဆင့်ဆင့် ပုံစံချထားတဲ့ အသိပညာဖွဲ့စည်းပုံ (knowledge structure) တစ်ခုလို့ ဆိုနိုင်တယ်။ ၎င်းဖွဲ့စည်းပုံမှာ အမျိုးအစားတွေကို “is-a” ဆက်နွယ်မှုကို အသုံးပြုပြီး အဆင့်ဆင့်သော Tree ဖွဲ့စည်းပုံမျိုး (tree-like structure) နဲ့ ဖွဲ့စည်းထားခြင်း ဖြစ်တယ်။ အထက်အဆင့်မှာ ပိုမို ယေဘုယျကျတဲ့ အမျိုးအစားတွေရှိပြီး၊ အောက်အဆင့်ကို ရောက်လေလေ ပိုမိုတိကျတဲ့ အမျိုးအစားတွေ ဖြစ်လာလေလေ ဖြစ်တယ်။ ဥပမာ, ‘Animal is-a LivingThing’, ‘Mammal is-a(n) Animal’, ‘Cat is-a Mammal’ စသဖြင့်ပေါ့။ Taxonomic hierarchy ဟာ အရာဝတ္ထုတွေရဲ့ ဆက်နွယ်မှုတွေကို နားလည်ဖို့နဲ့ ကျိုးကြောင်းဆင်ခြင်ဖို့အတွက် အလွန် အသုံးဝင်တယ်။ ဒီ Taxonomy ဆိုတဲ့ မူရင်းစကားလုံးဟာ ဇီဝဗေဒမှာ သက်ရှိတွေကို မျိုးစိတ်၊ မျိုးစု၊ မျိုးရင်း စသည်ဖြင့် အဆင့်ဆင့် ခွဲခြားသတ်မှတ်ရာကနေ ဆင်းသက်လာတာ ဖြစ်တယ်။ အေအိုင်မှာ ဒီသဘောတရားကို အသိပညာကိုယ်စားပြုဖို့အတွက် ယူသုံးထားတာပါ။ 

Taxonomies တွေကို ရာစုနှစ်များစွာကတည်းက နည်းပညာနယ်ပယ်တွေမှာ အသုံးပြုခဲ့ကြတာဖြစ်တယ်။ အဲ့ဒီလိုအသုံးပြုခဲ့တဲ့ အကြီးဆုံး taxonomy တစ်ခုကတော့၊ “သက်ရှိနဲ့ မျိုးသုဉ်းသွားတဲ့ မျိုးစိတ်ပေါင်း ၁၀ သန်းခန့်ကို တစ်ခုတည်းသော hierarchy အဖြစ် စုစည်းထားတဲ့ taxonomy ဖြစ်ပြီး၊ ၎င်းတို့ထဲက အများအပြားဟာ ‘ပိုးတောင်မာ beetles နဲ့ သက်ဆိုင်တဲ့ အချက်အလက်တွေ’ ဖြစ်တယ်။ စာကြည့်တိုက်သိပ္ပံပညာဟာ,  အသိပညာနယ်ပယ်အားလုံးရဲ့ taxonomy တစ်ခုကို တီထွင်ခဲ့ပြီး, Dewey Decimal system အဖြစ် ကုဒ်လုပ်ထားတယ်။  ‘ဒူးဝီး ဒက်ဆီမဲယ်လ် စနစ်’ ဆိုတာ စာကြည့်တိုက်တွေမှာ စာအုပ်တွေနဲ့ တခြားပစ္စည်းတွေကို ဘာသာရပ်အလိုက် စနစ်တကျ ခွဲခြားစီစဉ်ဖို့ Melvil Dewey ဆိုတဲ့ပုဂ္ဂိုလ်က ၁၈၇၃ ခုနှစ်မှာ စတင်ဖန်တီးခဲ့တဲ့ စနစ်တစ်ခု ဖြစ်တယ်။ (ဥပမာ, 000 - ကွန်ပျူတာသိပ္ပံ, 100 - အတွေးအခေါ်နှင့် စိတ်ပညာ, 200 - ဘာသာရေး, 500 - သိပ္ပံနှင့် သင်္ချာ, ... , စသည်) ဒါ့အပြင် အခွန်အာဏာပိုင်တွေ (tax authorities) နဲ့ တခြားအစိုးရဌာနတွေကလည်း၊ အလုပ်အကိုင်တွေနဲ့  ကုန်သွယ်ရောင်းဝယ်လုပ်တဲ့ပစ္စည်းတွေနဲ့ပတ်သက်ပြီး ကျယ်ပြန့်တဲ့ taxonomies တွေကို အသီးသီးတီထွင်ခဲ့ကြတယ်။

‘ပထမဆင့် ယုတ္တိ’ ဟာ objects တွေကို categories တွေနဲ့ ဆက်စပ်ပေးခြင်းဖြင့်ဖြစ်စေ၊ ၎င်းတို့ရဲ့ members တွေအပေါ် quantifying လုပ်ခြင်းဖြင့်ဖြစ်စေ, categories အကြောင်း အချက်အလက်တွေကို ဖော်ပြဖို့ လွယ်ကူစေတယ်။ အောက်မှာ နမူနာ တချို့ကို ဖော်ပြထားတယ်။

• An object is a member of a category.

BB9 ∈ Basketballs

• A category is a subclass of another category.

Basketballs ⊂ Balls

• All members of a category have some properties.

(x ∈ Basketballs) ⇒ Spherical(x)

• Members of a category can be recognized by some properties.

Orange(x) ∧ Round(x) ∧ Diameter(x) = 9.5”  ∧ x ∈ Balls ⇒ x ∈ Basketballs

• A category as a whole has some properties.

Dogs ∈ DomesticatedSpecies

Disjoint သဘောတရား

အုပ်စုတွေအကြောင်းကို လေ့လာတဲ့ နေရာမှာ၊ အရေးကြီးတဲ့ သဘောတရားတစ်ခုကတော့ “Disjoint (အဆက်အစပ်မရှိခြင်း၊ မတူကွဲပြားခြင်း)” ဖြစ်တယ်။ ၎င်းဟာ အမျိုးအစားနှစ်ခုမှာ သို့မဟုတ် နှစ်ခုထက်ပိုပြီးမှာ ‘ဘုံအရာဝတ္ထု common instance’ တစ်ခုမှ မရှိဘူးဆိုတဲ့ အခြေအနေကို ဖော်ပြပါတယ်။ ဥပမာ, “ယောက်ျား” နဲ့ “မိန်းမ” ဆိုတဲ့ အမျိုးအစားနှစ်ခုဟာ ယေဘုယျအားဖြင့် disjoint ဖြစ်တယ်။ ဇီဝဗေဒရှုထောင့်အရ ဘယ်သူမှ တစ်ချိန်တည်းမှာ ယောက်ျားနဲ့ မိန်းမ နှစ်မျိုးလုံး မဖြစ်နိုင်ပါဘူး။ ဒီ disjointness သဘောတရားကို သိထားခြင်းအားဖြင့်၊ ဉာဏ်ရည်တုစနစ်ဟာ မဖြစ်နိုင်တဲ့ အခြေအနေတွေကို ရှောင်ရှားပြီး ပိုမိုတိကျတဲ့ ကျိုးကြောင်းဆင်ခြင်မှုတွေကို လုပ်ဆောင်နိုင်ပါတယ်။ Disjoint အကြောင်းကို လွယ်အောင်ပြောရရင်တော့ ‘Categories နှစ်ခုမှာ၊ ဘယ် object မှ တူညီခြင်းမရှိဘူး’ လို့ ဆိုလိုချင်တာဖြစ်တယ်။ ဥပမာ, “ခွေး” နဲ့ “ကြောင်” ဟာ disjoint categories တွေဖြစ်တယ်။ တစ်ခုတည်းသော object ဟာ နှစ်ခုလုံးရဲ့ instance မဖြစ်နိုင်ဘူးလို့ ဆိုလိုတယ်။

Exhaustive decomposition သဘောတရား

နောက်ထပ်သဘောတရားတစ်ခုက ‘Exhaustive decomposition (ပြည့်စုံသော ဖြိုခွဲခြင်း/ အစုံလိုက် ခွဲခြမ်းစိတ်ဖြာခြင်း)’ တနည်း “Parent category တစ်ခုလုံးကို child categories အစုံဖြင့် လွှမ်းခြုံဖော်ပြခြင်း” ဖြစ်တယ်။ ဥပမာအားဖြင့် “ကား” ကို “ဆီသုံးကား” “ဓါတ်ငွေ့သုံးကား” “လျှပ်စစ်ကား” “ဟိုက်ဘရစ်ကား” ဆိုပြီး ခွဲခြားနိုင်သလိုမျိုးပေါ့။ ဒီ child categories တွေဟာ “ကား” ရဲ့ ဖြစ်နိုင်သမျှ အမျိုးအစားအားလုံးကို ကိုယ်စားပြုတယ်။ အမျိုးအစားတစ်ခုရဲ့ subcategory အားလုံးကို စုပေါင်းလိုက်ရင် မူလအမျိုးအစားထဲက အရာဝတ္ထုအားလုံးကို လွှမ်းခြုံနိုင်တဲ့ အခြေအနေကို ဖော်ပြတယ်။ ဆိုလိုတာက မူလအမျိုးအစားထဲမှာရှိတဲ့ ဘယ်အရာဝတ္ထုမဆို အနည်းဆုံး subcategory တစ်ခုခုမှာ ပါဝင်ရမယ်လို့ ဆိုလိုတာပါ။ ဥပမာ “လူ” အမျိုးအစားကို “ကျောင်းသား”, “ဆရာ”, နဲ့ “အခြား”, လို့ ဖြိုခွဲပြီး၊ ဒီ subcategory သုံးခုပြန်ပေါင်းလိုက်လို့ လူအားလုံးကို လွှမ်းခြုံနိုင်တယ်ဆိုရင် ဒါဟာ exhaustive decomposition ဖြစ်တယ်။

Partition သဘောတရား

နောက်တစ်ခုက Partition (ခွဲခြမ်းခြင်း/ပိုင်းခြားခြင်း)ဖြစ်တယ်။ ၎င်းက Disjoint နဲ့ Exhaustive decomposition နှစ်ခုလုံးရဲ့ လက္ခဏာတွေကို ပေါင်းစပ်ထားတဲ့ အခြေအနေ ဖြစ်တယ်။ အမျိုးအစားတစ်ခုရဲ့ subcategory တွေဟာ တစ်ခုနဲ့တစ်ခု ဘုံအရာဝတ္ထု မရှိဘဲ (disjoint), အားလုံးကို စုပေါင်းလိုက်ရင် မူလ အမျိုးအစားထဲက အရာဝတ္ထုအားလုံးကို လွှမ်းခြုံနိုင်ရမယ် (exhaustive) ဆိုတဲ့သဘောတရားဖြစ်တယ်။ ဥပမာ, “လူသား” ကို “အမျိုးသား”၊ “အမျိုးသမီး” နဲ့ “အခြားလိင်” လို့ partition ခွဲထားရင်,

• Disjoint သဘောတရားအရ တစ်ဦးဟာ တစ်ကြိမ်မှာ တစ်မျိုးသာဖြစ်နိုင်ပြီး,
• Exhaustive သဘောတရားအရ, လူတိုင်းဟာ ဒီ ၃-မျိုးထဲက တစ်ခုခုဖြစ်ပြီး,
• ဒီသုံးခုပြန်ပေါင်းလိုက်ရင် “လူသား” အားလုံးပါဝင်တဲ့ အစုပြန်ရပါမယ်။

Disjoint Sets (တစ်ခုနှင့်တစ်ခု မထပ်သော အစုအဝေးများ) ကို ပြည့်စုံစွာ ခွဲခြမ်းစိတ်ဖြာခြင်း(exhaustive decomposition)ကို ‘Partition’ (ခွဲခြမ်းခြင်း) လို့ခေါ်တယ်။ ဒီသဘောတရားသုံးခုအတွက် နောက်ထပ် ဥပမာတချို့က အောက်ပါအတိုင်းဖြစ်တယ်။

Disjoint({Animals, Vegetables})

“တိရစ္ဆာန်များ” နှင့် “ဟင်းသီးဟင်းရွက်များ” သည် တစ်ခုနှင့်တစ်ခု လုံးဝမထပ်သော Set (အစုအဝေး) များဖြစ်တယ်။ တိရစ္ဆာန်သည် ဟင်းသီးဟင်းရွက်ဖြစ်မည်မဟုတ်သလို၊ ဟင်းသီးဟင်းရွက်သည်လည်း တိရစ္ဆာန်ဖြစ်မည်မဟုတ်ပေ။

ExhaustiveDecomposition({Americans, Canadians, Mexicans},

NorthAmericans)

“အမေရိကန်များ”၊ “ကနေဒါနိုင်ငံသားများ” နဲ့ “မက္ကဆီကိုများ” ဟာ “မြောက်အမေရိကတိုက်သားများ” ကို ပြည့်စုံစွာ ဖွဲ့စည်းထားသော အစုအဝေးများဖြစ်တယ်။ ဆိုလိုတာက မြောက်အမေရိတိုက်သားတိုင်းဟာ ဒီသုံးမျိုးထဲက တစ်မျိုးမျိုး ဖြစ်နေရမယ်။ (ဒါပေမဲ့ ဒီ Decomposition ဟာ Partition မဟုတ်ကြောင်း သတိပြုပါ။ အကြောင်းက တချို့သူတွေဟာ ‘နှစ်နိုင်ငံသား double citizenship’ ဖြစ်နိုင်တဲ့အတွက်၊ အစုအဝေးတွေ ထပ်နေနိုင်တယ်။)

Partition({Animals, Plants, Fungi, Protista, Monera},

LivingThings).

ဒါကတော့ “သက်ရှိတွေ” ကို မထပ်အောင် ပြည့်စုံစွာ ခွဲခြမ်းထားတဲ့ Partition တစ်ခုဖြစ်တယ်။ ကမ္ဘာပေါ်ရှိ အသက်ရှိသော အရာအားလုံးဟာ ဒီ Category (အုပ်စုအမျိုးအစား) ငါးမျိုးထဲက၊ တစ်မျိုးမျိုးမှာ ပါဝင်ရမှာဖြစ်ပြီး၊ တစ်မျိုးနဲ့တစ်မျိုး ထပ်နေခြင်း မရှိစေရဘူး။

ဒီ ‘ပရက်ဒီကိတ် Predicates’ (အခြေအနေများ သို့မဟုတ် ဂုဏ်သတ္တိများကို ဖော်ပြသော သင်္ကေတများ) သုံးခုကို အောက်ပါအတိုင်း အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်တယ်။

1. Disjoint(s) ⇔ (∀c1, c2 c1∈s ∧ c2∈s ∧ c1 ≠ c2 ⇒ Intersection(c1, c2) = { })
   
   
   s သည် Disjoint ဖြစ်သည်ဆိုသည်မှာ၊ s ထဲမှ မည်သည့် Category နှစ်ခု (c1, c2) မဆို၊ ၎င်းတို့ မတူညီပါက၊ ၎င်းတို့၏ Intersection (ထပ်နေသော အစိတ်အပိုင်း) သည် လုံးဝမရှိ (Empty Set ဖြစ်သည်) ဟုဆိုလိုတယ်။
2. ExhaustiveDecomposition(s, c) ⇔ (∀i i∈c ⇔ ∃c2 c2∈s ∧ i∈c2)
   
   
   s သည် c ၏ ExhaustiveDecomposition ဖြစ်သည်ဆိုသည်မှာ၊ i သည် c ၏ အဖွဲ့ဝင်ဖြစ်လျှင် ဖြစ်မြောက်ပြီး၊ s ထဲမှ Category တစ်ခုခု (c2) တွင် i ပါဝင်ရမည်ဟု ဆိုလိုတယ်။ (ဆိုလိုတာက c ၏ အဖွဲ့ဝင်တိုင်းသည် s ထဲမှ Category တစ်ခုခုတွင် ပါဝင်ရမယ်။)
3. Partition(s, c) ⇔ Disjoint(s) ∧ ExhaustiveDecomposition(s, c)
   
   
   s သည် c ၏ Partition ဖြစ်သည်ဆိုသည်မှာ၊ s သည် Disjoint လည်းဖြစ်ရမည်၊ s သည် c ၏ ExhaustiveDecomposition လည်း ဖြစ်ရမည်ဟု ဆိုလိုတယ်။

Categories တွေကို အဖွဲ့ဝင်ဖြစ်ဖို့အတွက် လိုအပ်ပြီးလုံလောက်တဲ့ (necessary and sufficient) အခြေအနေတွေကို ပေးခြင်းဖြင့်လည်း သတ်မှတ်နိုင်တယ်။ ဥပမာအားဖြင့်, “လူပျိုကြီးဆိုသည်မှာ အိမ်ထောင်မပြုရသေးသော အရွယ်ရောက်ပြီးသား ယောက်ျားဖြစ်သည်” ဆိုတာကို

x∈Bachelors ⇔ Unmarried(x) ∧ x∈Adults ∧ x∈Males. လို့ သတ်မှတ်နိုင်တယ်။

x သည် Bachelors အမျိုးအစားဝင်ဖြစ်သည်ဆိုသည်မှာ, x သည် အိမ်ထောင်မရှိသူ (Unmarried) ဖြစ်ရမယ်။ x သည် အရွယ်ရောက်သူ (Adult) ဖြစ်ရမယ်။ x သည် ယောက်ျား (Male) ဖြစ်ရမယ်။ ဤအခြေအနေသုံးခုလုံး ပြည့်မီမှသာ x ကို Bachelor ဟု ခေါ်ဆိုနိုင်တယ်။

Categories တွေအတွက် တိကျသော ယုတ္တိဗေဒဆိုင်ရာအဓိပ္ပာယ်ဖွင့်ဆိုချက်တွေဟာ၊ စနစ်တကျ သတ်မှတ်ထားသော လူလုပ်ဝေါဟာရများ(Artificial Formal Terms) အတွက်သာ ဖြစ်လေ့ရှိပြီး သာမန်အရာဝတ္ထုများအတွက် မဟုတ်ဘူး။ သို့သော် အဓိပ္ပာယ်ဖွင့်ဆိုချက်တွေဟာ အမြဲတမ်းတော့ မလိုအပ်ဘူး။