Showing posts with label ကွန်ပျူတာသိပ္ပံ. Show all posts
Showing posts with label ကွန်ပျူတာသိပ္ပံ. Show all posts

Monday, November 3, 2025

Tit-for-Tat



"Tit-for-Tat" (တစ်ဖက်သား ပြုသလို တုံ့ပြန်ခြင်း) နည်းဗျူဟာ ဆိုတာ ဂိမ်းသီအိုရီ (Game Theory) မှာ အလွန်ထင်ရှားပြီး၊ ဉာဏ်ရည်တုပညာ (AI) မှာလည်း အသုံးချတဲ့ ရိုးရှင်းပြီး အစွမ်းထက်တဲ့ နည်းဗျူဟာတစ်ခု ဖြစ်ပါတယ်။

ဒီနည်းဗျူဟာရဲ့ အဓိက သဘောတရားကတော့ "သင် ပထမအကြိမ် ဘာလုပ်ခဲ့သလဲ၊ ကျွန်ုပ် နောက်တစ်ကြိမ် ထိုအတိုင်း ပြန်လုပ်မည်" ဆိုတာပါပဲ။ သူ့ကို "Iterated Prisoner's Dilemma" (ထပ်ခါတလဲလဲ ကစားရသော အကျဉ်းသားပြဿနာ) မှာ အများဆုံး လေ့လာတွေ့ရှိရပါတယ်။

Tit-for-Tat (TFT) ရဲ့ အလုပ်လုပ်ပုံ

ဒီနည်းဗျူဟာမှာ အဓိက စည်းမျဉ်း (၂) ခုပဲ ရှိပါတယ်:

၁။ ပထမအလှည့်မှာ အမြဲတမ်း "ပူးပေါင်းပါ" (Cooperate): ဂိမ်းကို စတင်ကစားတဲ့အခါ၊ TFT က အမြဲတမ်း အကောင်းမြင်ပြီး တစ်ဖက်ကစားသမားနဲ့ "ပူးပေါင်းဆောင်ရွက်" ပါတယ်။ (ဥပမာ - အကျဉ်းသားပြဿနာမှာဆိုရင် "သစ္စာမဖောက်" ဘဲ နှုတ်ဆိတ်နေတာမျိုးပါ။)

၂။ နောက်အလှည့်တိုင်းမှာ တစ်ဖက်သားရဲ့ "ယခင်အလှည့်" ကို အတုခိုးပါ (Mirror):

  • တစ်ဖက်ကစားသမားက သူ့ရဲ့ ယခင်အလှည့်မှာ "ပူးပေါင်းခဲ့ရင်" (Cooperate)၊ TFT က ဒီအလှည့်မှာ "ပူးပေါင်း" ပါတယ်။
  • တစ်ဖက်ကစားသမားက သူ့ရဲ့ ယခင်အလှည့်မှာ "သစ္စာဖောက်ခဲ့ရင်" (Defect)၊ TFT က ဒီအလှည့်မှာ ချက်ချင်း "သစ္စာဖောက်" ပြီး လက်တုံ့ပြန်ပါတယ်။

ဘာကြောင့် ဒီနည်းဗျူဟာက ထိရောက်တာလဲ။

TFT က ရိုးရှင်းပေမယ့် အောက်ပါ အရည်အချင်း (၄) မျိုးကြောင့် အလွန်အောင်မြင်တဲ့ နည်းဗျူဟာ ဖြစ်နေတာပါ:

  • မွန်မြတ်ခြင်း (Nice): သူက ဘယ်တော့မှ ကိုယ့်ဘက်က အရင်ဦးအောင် "သစ္စာမဖောက်" ပါဘူး။ ဒါကြောင့် ပဋိပက္ခကို သူက ဘယ်တော့မှ မစတင်ပါဘူး။
  • လက်တုံ့ပြန်တတ်ခြင်း (Retaliatory): သူ့ကို သစ္စာဖောက်တာနဲ့ ချက်ချင်း (နောက်တစ်လှည့်မှာ) ပြန်ပြီး လက်တုံ့ပြန်ပါတယ်။ ဒါကြောင့် သူ့ကို အလွယ်တကူ အမြတ်ထုတ်လို့ မရပါဘူး။
  • ခွင့်လွှတ်တတ်ခြင်း (Forgiving): သူက အငြိုးအတေး မထားပါဘူး။ တစ်ဖက်သားက "သစ္စာဖောက်" ရာကနေ "ပူးပေါင်း" တဲ့ လမ်းကြောင်းကို ပြန်ပြောင်းလာတာနဲ့၊ TFT ကလည်း ချက်ချင်း ခွင့်လွှတ်ပြီး နောက်တစ်လှည့်မှာ "ပူးပေါင်း" ပါတယ်။ ဒါက ပူးပေါင်းဆောင်ရွက်မှုကို ပြန်လည်တည်ဆောက်နိုင်စေပါတယ်။
  • ရှင်းလင်းခြင်း (Clear): သူ့ရဲ့ နည်းဗျူဟာက အလွန်ရိုးရှင်းပြီး နားလည်ရ လွယ်တဲ့အတွက်၊ ပြိုင်ဘက်က သူ့ရဲ့ အပြုအမူကို အလွယ်တကူ ခန့်မှန်းနိုင်ပြီး "ပူးပေါင်းမှ အဆင်ပြေမယ်" ဆိုတာကို မြန်မြန်ဆန်ဆန် သင်ယူလာစေပါတယ်။

ဉာဏ်ရည်တုပညာ (AI) မှာ အသုံးချပုံ

AI မှာ "Multi-Agent Systems" (အေးဂျင့်များစွာ ပါဝင်သော စနစ်များ) ဆိုတာ ရှိပါတယ်။ ဒါက AI agent တွေ (ဥပမာ - စက်ရုပ်တွေ၊ ဆော့ဖ်ဝဲ ပရိုဂရမ်တွေ၊ မောင်းသူမဲ့ကားတွေ) အချင်းချင်း အပြန်အလှန် ဆက်ဆံပြီး ပန်းတိုင်တစ်ခုကို အတူတူ လုပ်ဆောင်ရတဲ့ နယ်ပယ်ပါ။

ဒီ AI agent တွေဟာ လူသားတွေလို ရှုပ်ထွေးတဲ့ ညှိနှိုင်းမှုတွေ၊ စကားပြောဆိုမှုတွေ မလုပ်နိုင်တဲ့အခါ၊ သူတို့ရဲ့ အပြန်အလှန် ဆက်ဆံရေးအတွက် ရိုးရှင်းတဲ့ စည်းမျဉ်းတွေ လိုအပ်လာပါတယ်။

  • ဥပမာ: လမ်းဆုံတစ်ခုမှာ ဆုံတဲ့ မောင်းသူမဲ့ကား (Self-Driving Cars) နှစ်စီးဟာ "တစ်စီးက အရင်သွား၊ တစ်စီးက စောင့်" (ပူးပေါင်း) မလား၊ ဒါမှမဟုတ် "နှစ်စီးလုံး အလုအယက် တိုးဝှေ့" (သစ္စာဖောက်) မလား ဆိုတာကို ဆုံးဖြတ်ရပါမယ်။
  • TFT အသုံးချပုံ: ကားတွေဟာ "ငါ့ကို ယခင်အကြိမ်က ဦးစားပေးခဲ့ရင်၊ ငါလည်း မင်းကို ဒီတစ်ကြိမ် ဦးစားပေးမယ်။ မင်းက ငါ့ကို ကျော်တက်သွားရင်၊ ငါလည်း မင်းကို နောက်တစ်ခါ ပြန်ကျောတက်မယ်" ဆိုတဲ့ TFT နည်းဗျူဟာကို သုံးနိုင်ပါတယ်။

ဒီလိုနည်းနဲ့ AI agent တွေဟာ ရှုပ်ထွေးတဲ့ ဆက်သွယ်မှုတွေ မလိုဘဲ၊ ရေရှည်မှာ နှစ်ဦးနှစ်ဖက် အကျိုးရှိမယ့် ပူးပေါင်းဆောင်ရွက်မှုကို အလိုအလျောက် တည်ဆောက်နိုင်လာစေပါတယ်။

အနှစ်ချုပ်: "Tit-for-Tat" ဆိုတာ "ကိုယ်ချင်းစာတရား" နဲ့ "လက်တုံ့ပြန်မှု" ကို ပေါင်းစပ်ထားတဲ့ နည်းဗျူဟာပါ။ ဒါဟာ AI တွေကို ရိုးရှင်းတဲ့ စည်းမျဉ်းတွေနဲ့ အချင်းချင်း ပူးပေါင်းဆောင်ရွက်တတ်အောင် သင်ပေးရာမှာ အလွန်အသုံးဝင်တဲ့ နည်းလမ်းတစ်ခု ဖြစ်ပါတယ်။



REF:

"နည်းသစ်ဉာဏ်ရည်တုပညာ အဆင့်မြင့်သီအိုရီများ"

မှ... ကောက်နှုတ်ချက်။

Artificial Intelligence: A Modern Approach

Chapter 17 Multiagent Decision Making

17.2.3 Repeated games

Tit-for-Tat

p.604

Thursday, October 16, 2025

နည်းသစ်ဉာဏ်ရည်တုပညာ

ဒီစာအုပ်ဟာ

နိုင်ငံပေါင်း ၁၃၀ ကျော်ရဲ့
ကျောင်းပေါင်း ၁၅၀၀ ကျော်မှာ
ဉာဏ်ရည်တုပညာနဲ့ ပတ်သက်ပြီး ရည်ညွှန်းပြဌာန်းစာအုပ်အဖြစ်အသုံးပြုနေတဲ့
Stuart Russel နဲ့ Peter Norvig တို့ရဲ့
Artificial Intelligence: A Modern Approach, 4th Edition, Global Edition, 2021 စာအုပ်ရဲ့
အခန်း ၁ ကနေ ၉ အထိကို
အသေးစိတ်ဖွင့်ဆိုရှင်းပြထားတဲ့ စာအုပ်ဖြစ်ပါတယ်။

အဲ့ဒီလို ဖွင့်ဆိုရှင်းပြတဲ့နေရာမှာ
မြန်မာလိုသက်သက်သာမဟုတ်ပဲ
အရေးကြီးတဲ့ မူရင်း အင်္ဂလိပ် စကားလုံး၊ အသုံးအနှုံး၊ ဝါကျ၊ စာပုဒ် တွေကို အသုံးပြုပြီး
စာသင်ခန်းမှာ အင်္ဂလိပ်ပြဌာန်းစာအုပ်ကို မြန်မာလိုဖွင့်ဆိုရှင်းပြတဲ့ အရေးအသားပုံစံနဲ့ တင်ပြထားတဲ့အတွက်
စာဖတ်သူကို မြန်မာလိုရော အင်္ဂလိပ်လိုပါ ကောင်းစွာ နားလည်သဘောပေါက်စေရုံသာမက
ကိုယ်တိုင်ဆက်လက်လေ့လာနိုင်စွမ်းရှိဖို့ နဲ့
နိုင်ငံရပ်ခြားပညာရှင်များနဲ့ ပြောဆိုဆွေးနွေးနိုင်ဖို့အထိ ရည်ရွယ်ရေးသားထားတဲ့ စာအုပ်ဖြစ်ပါတယ်။

အခန်းတိုင်းမှာ အနှစ်ချုပ်၊ လေ့ကျင့်ရန်မေးခွန်းနှင့်အဖြေများကိုပါ ထည့်သွင်းပေးထားတဲ့အတွက် ဆရာကိုင်အဖြစ်ရော၊ ကျောင်းသားလက်စွဲအဖြစ်ပါ အသုံးပြုနိုင်တယ်။
==============
အေအိုင် နဲ့ပါတ်သက်ပြီး...
ကိုယ်တိုင်စဉ်းစားတွေးခေါ်လိုသူတွေအတွက်
ကိုယ်ပိုင်တီထွင်ဖန်တီးလိုသူတွေအတွက်
Artificial Intelligence: A Modern Approach, 4th Edition စာအုပ်ရဲ့
အခန်း ၁၀ ကနေ ၁၈ အထိကို
အသေးစိတ်ဖွင့်ဆိုရှင်းပြထားတဲ့
"နည်းသစ်ဉာဏ်ရည်တုပညာ အဆင့်မြင့်သီအိုရီများ"
စာအုပ်ကို
မကြာမီ ဖြန့်ချိတော့မှာ ဖြစ်ပါတယ်။



"နည်းသစ်ဉာဏ်ရည်တုပညာ အဆင့်မြင့်သီအိုရီများ"
==================================
အခန်း ၁၀ အသိပညာကို ကိုယ်စားပြုခြင်း “လက်တွေ့ကမ္ဘာမှာရှိတဲ့ အမျိုးမျိုးသောအချက်အလက်တွေကို ယုတ္တိရှိရှိဆင်ခြင်နိုင်ပြီး ပြဿနာတွေကို ဖြေရှင်းနိုင်တဲ့ ပုံစံနဲ့ မည်သို့ကိုယ်စားပြုနိုင်ကြောင်း ဒီအခန်းမှာ ဆွေးနွေးထားတယ်။” အခန်း ၁၁ အလိုအလျောက် အစီအမံချမှတ်ခြင်း “အေအိုင်အေးဂျင့်တစ်ခုဟာ ပြဿနာရဲ့တည်ဆောက်ပုံကို အကျိုးရှိရှိအသုံးချပြီး ရှုပ်ထွေးတဲ့လုပ်ဆောင်ချက်အစီအစဉ်တွေကို ဘယ်လို ထိရောက်စွာတည်ဆောက်နိုင်ကြောင်း ဒီအခန်းမှာ လေ့လာမှာဖြစ်တယ်။” အခန်း ၁၂ မရေရာမှုကို ကိန်းဂဏန်းဖြင့်တိုင်းတာခြင်း “ယုံကြည်မှုပြကိန်းဂဏန်းအတိုင်းအတာအဆင့်တွေအသုံးပြုပြီး မသေချာမရေရာမှုတွေကို ဘယ်လိုထိန်းချုပ်နိုင်ကြောင်း ဒီအခန်းမှာ တွေ့မြင်ရမှာဖြစ်တယ်။” အခန်း ၁၃ ဖြစ်နိုင်ခြေနှင့်ဆိုင်သော ကြောင်းကျိုးဆင်ခြင်ခြင်း “ဖြစ်နိုင်ခြေသီအိုရီရဲ့ နိယာမတွေနဲ့အညီ မသေချာမရေရာမှုအောက်မှာ ကျိုးကြောင်းဆင်ခြင်နိုင်ဖို့ ထိရောက်တဲ့ ကွန်ယက်ပုံစံတွေကို ဘယ်လိုတည်ဆောက်ရမယ်ဆိုတာနဲ့ ဆက်စပ်မှု (correlation) နဲ့ အကြောင်းတရားအရင်းခံ (causality) ကြားက ကွာခြားချက်ကို ဘယ်လိုခွဲခြားရမယ်ဆိုတာ ဒီအခန်းမှာ ရှင်းပြထားပါတယ်။” အခန်း ၁၄ အချိန်ပေါ်မူတည်၍ ဖြစ်နိုင်ခြေဆိုင်ရာကြောင်းကျိုးဆင်ခြင်ခြင်း “ရှင်းလင်းထင်ရှားတဲ့အချက်က တကယ့်ကို အနည်းငယ်လေးပဲရှိတဲ့အချိန်မျိုးမှာတောင် လက်ရှိအခြေအနေကို အဓိပ္ပါယ်ဖွင့်ဆိုခြင်း (Interpret the Present) အတိတ်ကို နားလည်ခြင်း (Understand the Past) နဲ့ အနာဂတ်ကို ကြိုတင်ခန့်မှန်းခြင်း (Predict the Future) တွေ လုပ်ဖို့ ကျိုးစားမယ်။” အခန်း ၁၅ ရိုးရှင်းသောဆုံးဖြတ်ချက်များ ချမှတ်ခြင်း “အေးဂျင့်တစ်ဦးဟာ မသေချာမရေရာသော ကမ္ဘာမှာ မိမိလိုချင်တဲ့အရာကို အနည်းဆုံးတော့ ဖြစ်နိုင်သမျှအတိုင်းအတာပမာဏနဲ့ ပျမ်းမျှလောက် ရရှိစေဖို့ ဘယ်လို ဆုံးဖြတ်ချက်တွေ ချမှတ်သင့်တယ်ဆိုတာကို ဒီအပိုင်းမှာ လေ့လာသွားပါမယ်။” အခန်း ၁၆ ရှုပ်ထွေးသောဆုံးဖြတ်ချက်များ ချမှတ်ခြင်း “မနက်ဖြန်မှာ နောက်ထပ် ဆုံးဖြတ်ချက်တစ်ခုကို ရင်ဆိုင်ရနိုင်တယ်ဆိုတဲ့ အချက်ကိုလည်း ထည့်သွင်းစဉ်းစားရင်း၊ ဒီနေ့ ဘာလုပ်ရမလဲဆိုတာကို ဆုံးဖြတ်တဲ့ နည်းလမ်းတွေကို ဒီအခန်းမှာ လေ့လာသွားမှာဖြစ်တယ်။” အခန်း ၁၇ အေးဂျင့်အများပါ ဆုံးဖြတ်ချက်ချခြင်း “ပတ်ဝန်းကျင်မှာ အေးဂျင့်တစ်ခုထက်ပိုပြီး ရှိနေတဲ့အခါ ဘာလုပ်ရမယ်ဆိုတာကို ဆန်းစစ်ပါမယ်။” အခန်း ၁၈ ဖြစ်တန်ခြေအခြေပြု ပရိုဂရမ်ရေးဆွဲခြင်း ‘ဖြစ်နိုင်ခြေဆိုင်ရာအသိပညာကိုယ်စားပြုမှု’(probabilistic knowledge representation) နဲ့ ‘မသေချာမရေရာသော ဒိုမိန်းနယ်ပယ်တွေမှာကျိုးကြောင်းဆင်ခြင်ကောက်ချက်ချခြင်း’ (inference in uncertain domains) တို့အတွက်၊ ‘အားလုံးအတွက်စွယ်စုံသုံး ဘာသာစကားများ’ (universal languages) ရဲ့ အယူအဆကို ရှင်းပြပါမယ်။”

Monday, June 2, 2025

နည်းသစ်ဉာဏ်ရည်တုပညာမိတ်ဆက်

 

ဒီစာအုပ်ဟာ
နိုင်ငံပေါင်း ၁၃၀ ကျော်ရဲ့
ကျောင်းပေါင်း ၁၅၀၀ ကျော်မှာ
ဉာဏ်ရည်တုပညာနဲ့ ပတ်သက်ပြီး
ရည်ညွှန်းပြဌာန်းစာအုပ်အဖြစ်အသုံးပြုနေတဲ့
Stuart Russel နဲ့ Peter Norvig တို့ရဲ့
Artificial Intelligence: A Modern Approach, 4th Edition, Global Edition, 2021 စာအုပ်ရဲ့
အခန်း ၁ ကနေ ၉ အထိကို
အသေးစိတ်ဖွင့်ဆိုရှင်းပြထားတဲ့ စာအုပ်ဖြစ်ပါတယ်။

အဲ့ဒီလို ဖွင့်ဆိုရှင်းပြတဲ့နေရာမှာ 
မြန်မာလိုသက်သက်သာမဟုတ်ပဲ 
အရေးကြီးတဲ့ မူရင်း အင်္ဂလိပ် စကားလုံး၊ အသုံးအနှုံး၊ ဝါကျ၊ စာပုဒ် တွေကို အသုံးပြုပြီး 
စာသင်ခန်းမှာ အင်္ဂလိပ်ပြဌာန်းစာအုပ်ကို မြန်မာလိုဖွင့်ဆိုရှင်းပြတဲ့ အရေးအသားပုံစံနဲ့ တင်ပြထားတဲ့အတွက် 
စာဖတ်သူကို မြန်မာလိုရော အင်္ဂလိပ်လိုပါ ကောင်းစွာ နားလည်သဘောပေါက်စေရုံသာမက 
ကိုယ်တိုင်ဆက်လက်လေ့လာနိုင်စွမ်းရှိဖို့ နဲ့ 
နိုင်ငံရပ်ခြားပညာရှင်များနဲ့ ပြောဆိုဆွေးနွေးနိုင်ဖို့အထိ ရည်ရွယ်ရေးသားထားတဲ့ စာအုပ်ဖြစ်ပါတယ်။ 

"မျက်ပွင့်စာပေ"
အမှတ် (၂၃၅)၊ ၃၇ လမ်း (အထက်)
ကျောက်တံတားမြို့နယ်၊ ရန်ကုန်မြို့
၀၉-၅၀ ၃၆၂၇၅, ၀၉-၄၄၃၀၀၂၉၆၅, ၀၉-၄၄၃၀၀ ၅၈၈၂
ကို မှာကြားနိုင်ပါတယ်။











Monday, September 12, 2022

Artificial Intelligence: A Modern Approach

နည်းသစ် ဉာဏ်ရည်တုပညာ
=============== 
ဒီစာအုပ်ဟာ 
 ကမ္ဘာ့နိုင်ငံပေါင်း ၁၃၄ နိုင်ငံရဲ့ ကျောင်းပေါင်း ၁၅၄၁ ကျောင်းမှာ 
ဉာဏ်ရည်တုပညာနဲ့ ပတ်သက်ပြီး ရည်ညွှန်းပြဌာန်းစာအုပ်အဖြစ်အသုံးပြုနေတဲ့ 
Stuart Russel နဲ့ Peter Norvig တို့ရဲ့ 
“Artificial Intelligence: A Modern Approach, 4th Edition, Global Edition, 2021” စာအုပ်ရဲ့ 
အခန်း ၁ ကနေ ၉ အထိကို အသေးစိတ်ဖွင့်ဆိုရှင်းပြထားတဲ့ စာအုပ်ဖြစ်ပါတယ်။ 

အဲ့ဒီလို ဖွင့်ဆိုရှင်းပြတဲ့နေရာမှာ 
မြန်မာလိုသက်သက်သာမဟုတ်ပဲ 
အရေးကြီးတဲ့ မူရင်း အင်္ဂလိပ် စကားလုံး၊ အသုံးအနှုံး၊ ဝါကျ၊ စာပုဒ် တွေကို အသုံးပြုပြီး 
စာသင်ခန်းမှာ အင်္ဂလိပ်ပြဌာန်းစာအုပ်ကို မြန်မာဖွင့်ဆိုရှင်းပြတဲ့ အရေးအသားပုံစံနဲ့ တင်ပြထားတဲ့အတွက် 
စာဖတ်သူကို မြန်မာလိုရော အင်္ဂလိပ်လိုပါ ကောင်းစွာ နားလည်သဘောပေါက်စေရုံသာမက 
ကိုယ်တိုင်ဆက်လက်လေ့လာနိုင်စွမ်းရှိဖို့ နဲ့ 
နိုင်ငံရပ်ခြားပညာရှင်များနဲ့ ပြောဆိုဆွေးနွေးနိုင်ဖို့အထိ ရည်ရွယ်ရေးသားထားတဲ့ စာအုပ်ဖြစ်ပါတယ်။ 

ပုံနှိပ်ဆဲကာလဖြစ်လို့၊ ကြိုတင်အမှာစာတွေကို "မီဒီယာဒေတာ" စာပေတိုက်ကို ပေးပို့မှာကြားနိုင်ပါတယ်။

Friday, April 22, 2022

ပရိုဂရမ်မာ ဆော့ဖ်ဝဲအင်ဂျင်နီယာမှ ကွန်ပျူတာသိပ္ပံပညာရှင်သို့

ပရိုဂရမ်မင်း ဆော့ဖ်ဝဲအင်ဂျင်နီယာရင်း ကွန်ပျူတာသိပ္ပံ နှင့် သင်္ချာ ပညာရပ်ဆိုင်ရာ ဆောင်းပါးများ

Sunday, January 14, 2018

ကွန်ပျူတာသိပ္ပံ နှင့် အသိဉာဏ်တု ဆိုင်ရာ သုတေသန ပုံစံများ

ကွန်ပြူတာသိပ္ပံ(Computer Science – CS) ပညာရပ် နဲ့ အသိဉာဏ်တု(Artificial Intelgence – AI) ပညာရပ်တွေကို (မတူညီတဲ့ ရည်ရွယ်ချက်တွေ နဲ့ မတူညီတဲ့ အောင်မြင်မှု ဆုံးရှုံးမှု သတ်မှတ်ပြဌာန်းချက်တွေ အပေါ်အခြေပြုပြီး) သုတေသနပြု လေ့လာတဲ့ပုံစံ ၄-ခု ရှိပါတယ်။ အဲဒီ လေးခုကလည်း တကယ်တော့ တစ်ခုနဲ ့တစ်ခု ဆက်နွယ် ပတ်သက် နေကြတာပါ။ အဲဒီထဲမှာမှ ထူးထူးခြားခြားဖြစ်နေတဲ့ ၊ CS နဲ့ AI နယ်ပယ်ကမဟုတ်ပေမယ့် ကွန်ပြူတာသိပ္ပံပညာရှင် တော်တော်များများ အကြီးအကျယ်စိတ်၀င်စား ကြတဲ့ ပဉ္စမမြောက် အုပ်စုတစ်စု ရှိပါသေးတယ်။ ဒါကြောင့် CS နဲ့ AI သုတေသနပုံစံ ၅-မျိုးရှိတယ်လို့ မှတ်ယူနိုင်ပါတယ်။ အဲဒါတွေကတော့

၁။ ဘယ်အရာက ဖြစ်နိုင်သလဲ ဆိုတာကို လေ့လာတာ။ ပြီးတော့ အဲဒီ ဖြစ်နိုင် မဖြစ်နိုင် လေ့လာတဲ့ အရာရဲ့ နယ်ပယ်အကျယ်အ၀န်းနဲ့  ကန့်သတ်ချက်တွေကို လေ့လာတာ။ အဲဒီလို လေ့လာရာမှာ သင်္ချာပညာနဲ့ ‘less formal theorising***’ ကိုပါ ထည့်သွင်းလေ့လာတယ်။
[***ပုံမှန်သတ်မှတ်ထားတဲ့ အဆင့်တွေအတိုင်း တိတိကျကျ လိုက်လုပ်မနေဘဲ  အတွေးအခေါ် အယူအဆတစ်ရပ်ကို တည်ဆောက်ခြင်း။]

၂။ သဘာ၀အတိုင်း တည်ရှိဖြစ်ပျက်နေတဲ့ သတင်းအချက်အလက် အသုံးချလုပ်ဆောင်ခြင်းစနစ် (information-processing systems) တွေကို လေ့လာတာ။
ဥပမာ တရိစၦာန်လောက၊ လူမှုအဖွဲ့အစည်း၊ ဉီးဏှောက်၊ စိတ်…စတဲ့ စနစ်တွေမှာ သတင်းအချက်အလက်တွေကို ဘယ်လို သုံးစွဲဆောင်ရွက်သလဲဆိုတာ လေ့လာတာ။
[ဒါကို သဘာ၀ဆိုင်ရာတွက်ချက်မှု (natural computation) လို့ တခါတရံ ဖေါ်ပြလေ့ရှိပါတယ်။]

၃။ လက်တွေ့ အသုံး၀င်တဲ့ သတင်းအချက်အလက် အသုံးချစနစ် အသစ်တစ်ခု တည်ဆောက်တာကို လေ့လာတာ။ တနည်းပြောရရင် အသုံးချ အင်ဂျင်နီယာ စနစ်တွေနဲ့တိုက်ရိုက်သက်ဆိုင်တဲ့ အရာတွေကို လေ့လာတာ။

၄။ (အထက်ပါ သုံးချက် ကို ထောက်ပံ့ပေးမယ့်) ကရိယာ တန်ဆာပလာ ၊ ပုံမှန် အဆင့်သတ်မှတ်ချက် နဲ့  နည်းစနစ် ..စတာတွေကို၊ ဖန်တီးခြင်း နဲ့ အကဲဖြတ် သုံးသပ်ခြင်းလုပ်တာ။

၅။ နှီးနွယ်ဆက်စပ်နေတဲ့ လူမှုရေးနဲ့ စီးပွားရေး ဆိုင်ရာတွေကို သုတေသန လုပ်တာ။ ဆိုလိုတာက လူမှုရေး နဲ့ စီးပွားရေးဟာ CS နဲ့ AI အပေါ် ၊ လူ့ ကျင့်၀တ်ပိုင်းဆိုင်ရာကိစ္စရပ်တွေအပေါ် နဲ့ လူသားဆိုင်ရာအမြင်ပြောင်းလဲမှုတွေ အပေါ် ဘယ်လို အကျိုးသက်ရောက်သလဲ ဆိုတာကို လေ့လာတာ ဖြစ်ပါတယ်။

REF: http://www.cs.bham.ac.uk/research/projects/cogaff/misc/cs-research.html#note3
Last updated: 17 Aug 2016 
by
Aaron Sloman
http://www.cs.bham.ac.uk/~axs/
School of Computer Science
The University of Birmingham, B15 2TT, UK

Sunday, September 24, 2017

အနာဂတ်ကွန်ပျူတာ

အနာဂတ်ကွန်ပျူတာ

မိတ်ဆက်
သက္ကရာဇ် ၂၀၄၀ အရောက်မှာ တစ်ကမ္ဘာလုံးမှာရှိနေတဲ့ ကွန်ပျူတာတွေအတွက် လုံလောက်တဲ့ စွမ်းအင်ပေးဖို့ မဖြစ်နိုင်တော့ဘူးလို့ တစ်ပိုင်းလျှပ်ကူးပစ္စည်းထုတ်လုပ်သူများအသင်း (Semiconductor Industry Association)ရဲ့ ၂၀၁၂ အစီခံစာက ဆိုထားပါတယ်။(http://www.pwc.com/gx/en/technology/publications/assets/pwc-faster-greener-smarter.pdf) ဒီဖြစ်ရပ်ကို တားဆီးကာကွယ်နိုင်ဖို့အတွက် ကွန်ပျူတာထုတ်လုပ်ရေးနယ်ပယ်ကြီးတွေဟာ စွမ်းအင်ကိုထိထိရောက်ရောက် အသုံးပြုနိုင်မယ့် ကွန်ပျူတာမျိုးတွေ တည်ထွင်ထုတ်လုပ်နိုင်ဖို့ လုံးပမ်းလာကြတယ်။ ဒါပေမယ့်လည်း ခက်တာက သမားရိုးကျကွန်ပျူတာတွေမှာက အလုပ်တစ်ခုလုပ်နိုင်ဖို့အတွက် လုံးဝအနည်းဆုံးစွမ်းအင်လိုအပ်ချက် ဆိုတာရှိတယ်။ ဒီအချက်ကို ၁၉၆၁ ခုနှစ်ကတည်းက ဂျာမန်-အမေရိကန် ရူပဗေဒပညာရှင်၊ နာဆာရဲ့ သိပ္ပံပညာရှင် ရော့ဖ် ဒဗလျူ လန်ဒါး Rolf William Landauer(February 4, 1927 – April 28, 1999)က အိုင်ဘီအမ် IBM သုတေသနစမ်းသပ်ခန်းမှာ သင်္ချာပုံသေနည်းတစ်ခုတည်ဆောက်ပြီး တွက်ချက်ပြခဲ့တယ်။

အခု ၂၀၁၇ ခုနှစ် မတ်လ အရောက်မှာတော့ သုတေသနပညာရှင်တွေက ကွန်ပျူတာချစ်ပ် (chip) တစ်ခုဟာ အဲဒီလိုအနည်းဆုံးစွမ်းအင်လိုအပ်ချက်ပမာဏနဲ့ တကယ်အလုပ်လုပ်နိုင်ကြောင်း လက်တွေ့သရုပ်ပြနိုင်ခဲ့ကြတယ်။ အဲဒီပမာဏဟာ လက်ရှိကွန်ပျူတာတွေသုံးစွဲနေတဲ့ စွမ်းအင်ရဲ့ အပုံတစ်သန်းပုံတစ်ပုံသာရှိတယ်။ ဒါဟာ စွမ်းအင်ကိုထိထိရောက်ရောက်အသုံးချနိုင်တဲ့ တွက်ချက်ခြင်း နယ်ပယ်အတွက် အကြီးအကျယ်အောင်မြင်မှုတစ်ခုပဲ ဖြစ်ပါတယ်။ ဒါပေမယ့်လည်း အဲဒီစွမ်းအင်နည်းပညာကို ကျွန်တော်တို့ရဲ့ လက်ပ်တော့ပ်ကွန်ပျူတာတွေမှာ အသုံးချနိုင်ဖို့ဆိုတာကတော့ နောက်ထပ်နှစ်ပေါင်းများစွာကြာဦးမှာဖြစ်ပြီး၊ အဲဒီလို လုပ်နိုင်ပြီဆိုတဲ့အချိန်ကို ရောက်ခဲ့ရင်တောင် လန်းဒါးရဲ့ကန့်သတ်ချက် (Landauer Limit) ထက်တော့ ကျော်လွန်နေဦးမှာသာဖြစ်ပါတယ်။ ဒီအချက်ကြောင့် ကမ္ဘာ့ထိပ်တန်းပညာရှင်တွေ အဖွဲ့အစည်းကြီးတွေက ကွန်ပျူတာတွေရဲ့ စွမ်းအင်သုံးစွဲမှုကို လျော့ချနိုင်ဖို့ လုံးဝ မတူကွဲပြားခြားနားတဲ့ တွက်ချက်မှု(computing) နယ်ပယ်အသစ်ကို ရှာဖွေလာကြပါတယ်။ အဲဒီနယ်ပယ်ကတော့ ကွမ်တမ်တွက်ချက်မှု နဲ့ ကွမ်တမ်ကွန်ပျူတာတွေပဲဖြစ်ပါတယ်။

ကွမ်တမ်ကွန်ပျူတာ
ကျွန်တော်တို့ရဲ့လက်ရှိသုံးစွဲနေတဲ့ ကွန်ပျူတာတွေဟာ သုည နဲ့ တစ် ပါဝင်တဲ့ ရှေးရိုးဂန္ထဝင် စီဘစ် “cbit” (classical bit) တွေအပေါ်မှာ အခြေပြုတည်ဆောက်ထားတာဖြစ်ဖြစ်တယ်။ ရိုးရိုးသာမန် ကွန်ပျူတာတွေမှာ သုံးတဲ့ အခြေခံအကျဆုံး unit က bit ။ ဒီ bit လို့ခေါ်တဲ့ သုညနဲ့တစ်သာပါဝင်တဲ့ ကိန်းနှစ်ခုစနစ် (Binary Digit System) အလုပ်လုပ်ဖို့အတွက် အကောင်အထည်ဖေါ်ပေးမယ့် စီပီယူ မှာပါဝင်တဲ့ transistor တစ်ခုချင်းစီဟာ တစ် သို့မဟုတ် သုညကို ကိုယ်စားနိုင်ပြုတဲ့ အခြေအနေဖြစ်အောင် တည်ဆောက်ထားတာဖြစ်ပါတယ်။ အထူးသတိထားဖို့ကတော့၊ တစ်ချိန်မှာ တိကျတဲ့အခြေအနေတစ်ခုပဲရှိမယ်။ တစ် ဖြစ်ချင်ဖြစ်မယ်။ သုည ဖြစ်ချင်ဖြစ်မယ်။ တစ်ရော သုညရော နှစ်ခုလုံး တစ်ပြိုင်တည်း မဖြစ်နိုင်ဘူး” ဆိုတာပါပဲ။

ကွမ်တမ်ကွန်ပျူတာမှာ သုံးမယ့် unit က တော့ quantum bits လို့ခေါ် တဲ့ “qubits” တွေဖြစ်တယ်။ ဒီလို ကွမ်တမ်အခြေအနေရှိနေတဲ့ bit တွေဟာ၊ သူတို့ရဲ့လက်ရှိအခြေအနေကို ယတိပြတ် yes or no, true or false, zero or one ဆုံးဖြတ်လို့မရဘူး။ ဒီ qubit တွေဟာ တစ် နဲ့ သုည၊ အဖွင့် နဲ့အပိတ် အခြေအနေ နှစ်ရပ်လုံးမှာလည်း တပြိုင်တည်း ရှိနေနိုင်တယ်။ ဒါကြောင့် qubit တစ်ခုဟာ၊ သီးခြား အခြေအနေ ဖြစ်တဲ့ တစ်ကိုသော်လည်းကောင်း၊ သုညကိုကိုသော်လည်းကောင်း ဖေါ်ပြနိုင်တဲ့အပြင်၊ တစ် နဲ့ သုည အခြေအနေ နှစ်ရပ်စလုံးကိုပါ တစ်ပြိုင်တည်း ကိုယ်စားပြုဖေါ်ပြနိုင်စွမ်းရှိတယ်။ အဲဒီလို အခြေအနေ နှစ်ရပ်လုံးကို တစ်ပြိုင်နက် ဖေါ်ပြနေတဲ့အခြေအနေကို မခွဲခြားနိုင်သောအခြေအနေ entangled state လို့ခေါ်တယ်။ အဲဒီအရည်အချင်းကို မဟာ အနေအထား“superposition” လို့လည်း ခေါ်ဆိုနိုင်တယ်။ နှစ်ခုလုံး၏ ညီညွတ်ပေါင်းစည်းမှု မဟာအနေအထား “coherent superposition of both” ဆိုပြီး ပညာရပ်ဆန်ဆန်မှတ်သားနိုင်ပါတယ်။

ဒီ ကွမ်တမ်ကွန်ပျူတာတွေရဲ့ အဓိက စွမ်းရည် ဟာ ဘာလဲဆိုတော့၊ သင်္ချာတွက်ချက်မှု Mathematical operation တခုကို အခြေအနေ(state) နှစ်ရပ် အပေါ်မှာ တပြိုင်တည်း တွက်ချက် ဆောင်ရွက်နိုင် ခြင်းပဲဖြစ်တယ်။ ဆိုလိုတာက ကျူဘစ်တစ်ခုဟာ တစ် နဲ့ သုည နှစ်ခုလုံးပါတဲ့ မဟာအနေအထားမှာရှိနေပြီး၊ သူ တွက်ချက်ခြင်းလုပ်မယ့် တခြား ကျူဘစ်တစ်ခုကလည်း သူ့လိုပဲ မဟာအနေအထားမှာရှိမယ်ဆိုရင်၊ တစ်ခါတည်းတွက်လိုက်ရုံနဲ့ အဖြေလေးခု တစ်ပြိုင်တည်းရလာမှာဖြစ်တယ်။ ကျူဘစ်နှစ်ခုလုံး တစ် ဖြစ်လို့ ရတဲ့အဖြေတစ်ခု၊ ပထမကျူဘစ် တစ်- ဒုတိယကျူဘစ် သုညဖြစ်တဲ့အချိန်ရတဲ့အဖြေတစ်ခု၊ ပထမကျူဘစ် သုည- ဒုတိယကျူဘစ် တစ် ဖြစ်တဲ့အချိန်ရတဲ့အဖြေတစ်ခု၊ နှစ်ခုလုံး သုညဖြစ်တဲ့အချိန်ရတဲ့အဖြေတစ်ခု၊ စုစုပေါင်းလေးခု ဖြစ်တယ်။ အဲဒါကြောင့် ကျူဘစ် စနစ်ကိုသုံးတဲ့ ကွမ်တမ်ကွန်ပျူတာတွေရဲ့တွက်ချက်နိုင်စွမ်းဟာ two power n ဖြစ်တယ်။ ဆိုလိုတာက
two-qubit system တခု ဟာ (2^2) တန်ဘိုး လေးခု ကို တပြိုင်တည်းတွက်နိုင်တယ်။
three-qubit system တခု ဟာ (2^3) တန်ဘိုး ရှစ်ခု ကို တပြိုင်တည်းတွက်နိုင်တယ်
four-qubit system ဆိုရင် (2^4) ၁၆ ခု…. စသည်ဖြင့် ဖြစ်ပါတယ်။
qubit ရဲ့ အရေအတွက်ကို တခုချင်း တိုးမြှင့်လိုက်တာနဲ့ သူရဲ့ တွက်ချက်နိုင်မှု စွမ်းရည်ဟာ“ထပ်ကိန်း”နဲ့အမျှ တိုးတက်လာတာကိုတွေ့ရမှာပါ။ သူ့ရဲ့တွက်ချက်နိုင်မှု စွမ်းရည်ရဲ့ အကျိုးဆက်နဲ့ပတ်သက်ပြီး မြင်သာတဲ့ ဥပမာတစ်ခု ပေးရရင်
ကျွန်တော်တို့ရဲ့ ခု လက်ရှိ classic computer နဲ့ ကိန်းလုံးရေ တစ်ထောင်(၁၀၀၀) ပါတဲ့ ကိန်းဂဏန်းတစ်ခုကို ဆခွဲကိန်းခွဲမယ်ဆိုရင် 10- million- billion-billion -years ကြာနိုင်မယ်။ ဒါပေမယ့် အဲဒီအလုပ်ကို quantum computer က မိနစ် နှစ်ဆယ်ပဲကြာမှာဖြစ်ပါတယ်။

ကွမ်တမ်ကွန်ပြူတာနှင့် လက်တွေ့ပြဿနာများ

ဒါပေမယ့် အထူးအရေးအကြီးဆုံး သတိပြုရမယ့် အချက်ကတော့ ဒီလို quantum computing power ရဖို့ ဆိုရင် qubit တွေရဲ့ တစ်ပြိုင်နက်တွက်ချက်နိုင်စွမ်း “power of quantum parallelism” ကို ထိထိရောက်ရောက် အသုံးချနိုင်မယ့် algorithm တွေ ရှိရမယ် ဆိုတဲ့ အချက်ပဲဖြစ်ပါတယ်။ တကယ်တော့ နယ်ပယ်အစုံအတွက်အသုံးချနိုင်မယ့် အဲဒီလို Algorithm မျိုးတွေ ဖေါ်ထုတ်ဖို့ဆိုတာ အခုလောလောဆယ်မှာတော့ ခက်ခဲနေပါသေးတယ်။ ဘာလို့လဲဆိုတော့ ကျွန်တော်တို့ ခုလက်ရှိ အသုံးပြုနေတဲ့ ကွန်ပြူတာတွေရဲ့ hardware, software နဲ့ အဲဒါတွေကို စီစဉ်ခိုင်းစေတဲ့ programming language မှန်သမျှဟာ တစ် နဲ့ သုည၊ အမှား သို့မဟုတ် အမှန်ဆိုတဲ့ ယုတ္တိဗေဒကို အခြေပြု တည်ဆောက် ထားတာ ဖြစ်နေလို့ပါပဲ။ ခုလိုမျိုး ကွမ်တမ်အခြေအနေတွေကို ပြေလည်နိုင်စေဖို့ ဆိုရင်၊ လုံးဝဥသုံ မတူညီ ကွဲပြားခြားနားတဲ့ သဘောတရားတွေကို hardware, software, programming langauange, computing algorithm စတဲ့ နယ်ပယ်စုံမှာ တစ်ပြိုင်နက် ပြောင်းလဲ အသုံးချမှသာ ဖြစ်နိုင်ပါမယ်။ လက်ရှိရှိနေပြီးသားအရာတွေနဲ့ လုံးဝဥဿုံကွဲပြားခြားနားတဲ့ပညာရပ်တွေကို ဘက်ပေါင်းစုံကနေ တစ်ပြိုင်နက် ပြောင်းလဲရမယ်ဆိုတဲ့ ကိစ္စဟာ quantum computing လောကအတွက် အကြီးမား ဆုံးစိန်ခေါ်မှုကြီးတစ်ခုဖြစ်နေပါတယ်။ သုတေသနပညာရှင်အများစုကလည်း ကွမ်တမ်ကွန်ပျူတာကို လက်ရှိသုံးစွဲနေတဲ့ ကွန်ပျူတာအရွယ်အစားမျိုး စီးပွားဖြစ် လက်တွေ့တည်ဆောက်ဖို့ဆိုတာတော့ အလွန်ကြီး မားခက်ခဲတဲ့ အင်ဂျင်နီယာပညာရပ်ဆိုင်ရာ အခက်အခဲတွေရှိနေတယ် လို့ဆိုပါတယ်။ ဒါ့အပြင် ဒီ ကွမ်တမ်ကွန်ပျူတာ ဟာ တစ်နေ့မှာ ရောင်းတန်းဝင်စျေးကွက်ထဲရောက်လာပြီး၊ လက်ရှိသုံးစွဲနေတဲ့ ကွန်ပျူတာတွေကို အစားထိုးနေရာယူသွားလိမ့်မယ်လို့ တစ်ချို့ပညာရှင်တွေက မယုံကြည်ကြဘူး။ ဘာလို့လဲဆိုတော့ ကွမ်တမ်ကွန်ပျူတာဆိုတာ အလွန်ရှုပ်ထွေးနက်နဲ တဲ့ပြဿနာ မျိုးတွေဖြစ်တဲ့၊ လျှို့ဝှက်ကုဒ်ဖြည်ဖို့၊ ကွမ်တမ်ရူပဗေဒဆိုင်ရာ ပြဿနာတွေ ဖြေရှင်းဖို့၊ ကမ္ဘာကြီးရဲ့ သဘာဝအဖြစ်အပျက်တွေကို ပုံတူဖန်တီးကြည့်ဖို့ ၊ စင်္ကြာဝဠာကြီးကိုလေ့လာဖို့၊ ကိန်းလုံးရေ တွေအလွန်များတဲ့ ကိန်းတွေကို ဆခွဲကိန်းခွဲကြည့်ဖို့ .. စတဲ့နေရာတွေမှာ အသုံးချရမှာဖြစ်လို့ပါပဲ။ ဒါတွေဟာ အထူးပြုထိပ်တန်းပညာရှင်တွေပဲ လုပ်တဲ့ လုပ်နိုင်တဲ့ အလုပ်မျိုးတွေဖြစ်ပြီး၊ သာမန် နေ့စဉ်သုံးစွဲသူ တစ်ရောက် အတွက်တော့ ကွမ်တမ်ကွန်ပျူတာ လိုအပ်မှာမဟုတ်ဘူး လို့ ယူဆကြလို့ပါ။
လတ်တလောနှင့်အနာဂတ်
ဂူးဂဲလ် နဲ့ နာဆာက သိပ္ပံပညာရှင် အဖွဲ့တစ်ဖွဲ့ရဲ့ စမ်းသပ်စစ်ဆေးချက်အရ၊ ကွမ်တမ်တွက်ချက်မှုကုမ္ပဏီကြီး D-Wave က တည်ထွင်ဖန်တီးထားတဲ့ ကျူဘစ်၂၀၀၀ အထိပါဝင်လို့ 2000Q လို့နာမည်ပေးထားတဲ့ ကွမ်တမ်ကွန်ပျူတာဟာ သမားရိုးကျကွန်ပျူတာထက် အဆပေါင်း သန်းတစ်ရာ ပိုမြန်တယ်ဆိုတာ လေ့လာတွေ့ရှိခဲ့ကြတယ်။ အိုင်ဘီအမ် ကုမ္ပဏီကြီးက သူ့ရဲ့ ကျူဌာနခွဲ Q Division ကနေ လာမယ့်နှစ်အနည်းငယ်အတွင်း၊ စီးပွားဖြစ်ရောင်းလို့ရမယ့် ကျူဘစ်ငါးဆယ် 50 qubits လောက်အထိပါမယ့် ကွမ်တမ်ကွန်ပျူတာတွေ တည်ဆောက်နေတယ်လို့ လတ်တလောကြေငြာထားတယ်။ (မှတ်ချက်။ ကျူဘစ်ငါးဆယ်၏ တစ်ပြိုင်နက်တွက်ချက်နိုင်စွမ်း = 2^50 = 1,125,899,906,842,624) ၂၀၁၇၊ မတ်လ ၃ ရက်နေ့ထုတ်၊ နေးချား အပြည်ပြည်ဆိုင်ရာ သိပ္ပံပညာအပတ်စဉ်ဂျာနယ်( Nature: International Weekly Journal of Science)မှာ ဂူးဂဲလ်က သုတေသနပညာရှင်တွေကလည်း နောက်ငါးနှစ်လောက်အတွင်းမှာ ကွမ်တမ်ကွန်ပျူတာအတွက် ရင်းနှီးထားရတာတွေက ပြန်ပြီး ဝင်ငွေစတင်ရရှိလာတော့မှာ ဖြစ်တယ်လို့ ဆိုပါတယ်။ (http://www.nature.com/news/commercialize-quantum-technologies-in-five-years-1.21583) ဒါပေမယ့် အခက်အခဲတွေကတော့ရှိနေဆဲပါ။ ကွမ်တမ်တွက်ချက်မှုဆိုတာက ကျူဘစ်တွေအချင်းချင်း အပြန်အလှန် ထိတွေ့အလုပ်ကြတဲ့အခါမှာ ဖြစ်ပေါ်တာ။ ဒါကြောင့် ကွန်ပျူတာတစ်လုံးအလုပ်လုပ်နိုင်ဖို့အတွက် ကျူဘစ်တွေအများကြီးလိုတယ်။ အဲဒီလို ကျူဘစ်တွေ အများကြီးသုံးလိုက်တဲ့အခါ ဖြစ်ပေါ်လာတဲ့ ကျူဘစ်တွေရဲ့အလွန်ရှုပ်ထွေးတဲ့စနစ်ကို ထိန်းချုပ်ကိုင်တွယ်နိုင်ဖို့ သိပ္ပံပညာရှင်တွေမှာ လွယ်ကူ ရိုးရှင်းတဲ့ နည်းလမ်းမရှိသေးပါဘူး။
အခုအခါမှာ မော်စကို ရူပဗေဒနှင့် နည်းပညာသိပ္ပံ (MIPT - Moscow Institute of Physics and Technology) နဲ့ ရပ်ရှားကွမ်တမ်စင်တာ (Russian Quantum Centre) က သိပ္ပံပညာရှင်တွေက တခြားနည်းလမ်းအသစ်တစ်ခုကို ရှာဖွေကြံဆ နေကြပါတယ်။ "ကွမ်တမ်တွက်ချက်မှုအတွက် ခွဲခြားနိုင်စွမ်းရှိသော အခြေအနေပေါင်းများစွာပါဝင်တဲ့ ကွမ်တမ်ဝတ္တုတွေ ကို အသုံးချနိုင်ဖို့ ကျွန်တော်တို့ကို ရုပ်သဘာဝက ခွင့်ပြုထားတယ်ဗျ" လို့ MIPT က ရူပဗေဒပညာရှင် အလက်စ်ဆေး ဖီဒိုရော့ဗ် Alexey Fedorov က ဆိုပါတယ်။ သူတို့အဖွဲ့ဟာ ကျူဒစ် qudits လို့ခေါ်တဲ့ အထွေထွေ အမျိုးမျိုးသော စွမ်းအင်အဆင့်(energy level) တွေများစွာပါဝင်တဲ့ ကျူဘစ် qubits တွေကို ဖန်တီးကြည့်ခဲ့ကြတယ်။ ကျူဒစ် မှာပါတဲ့ "ဒီ - d " က မတူညီတဲ့စွမ်းအင်အဆင့် (different energy level)အရေအတွက်ကို ကိုယ်စားပြုတယ်။ "ကျူဒစ် တစ်ခု (1 qudit) တစ်နည်းပြောရရင် ဒီ-အရေအတွက်ရှိတဲ့ စွမ်းအင်အဆင့်တွေပါဝင်တဲ့ ကွမ်တမ်ဝတ္ထုတစ်ခုမှာ၊ ကျူဘစ် ယောင် (virtual qubit) များစွာပါဝင်နိုင်တယ်။ ဒါကြောင့် ကျူဒစ်တွေအချင်းချင်း ဆက်သွယ်ဆောင်ရွက် အလုပ်လုပ်တယ်ဆိုတဲ့ ကိစ္စမှာ၊ ကျူဘစ်ယောင်တွေ အချင်းချင်း အပြန်အလှန်ဆက်သွယ်လုပ်ဆောင်တဲ့ကိစ္စတွေပါ ပါဝင်တယ်။ ထိတွေ့ဆုပ်ကိုင်၍မရသော ကွမ်တမ်သတင်းအချက် သီအိုရီ abstract quantum information theory ရှုထောင့်ကကြည့်မယ်ဆိုရင်၊ အားလုံးဟာ အတူတူအခြေအနေအတိုင်း ဆက်လက်တည်ရှိနေမယ်။ ဒါပေမယ့် တကယ့်ရုပ်ဝတ္ထုပိုင်းဆိုင်ရာ အကောင်အထည်ဖေါ်တဲ့ကိစ္စမှာတော့ မတူညီတဲ့အဆင့်တွေအများကြီးပါတဲ့စနစ်က အသုံးဝင်နိုင်လောက်တဲ့ စွမ်းအင်ရင်းမြစ်ကို ကိုယ်စားပြုတယ်..." လို့ သူကရှင်းပြပါတယ်။ နောက်ဆုံးမှာ သူမှတ်ချက်ပြုတာကတော့ "ဒီကွမ်တမ်တွက်ချက်မှုနယ်ပယ်ဟာ အလျင်အမြန်တိုးတက်လာပေမယ့်လို့ ဘယ်တော့လောက်မှာ ကျယ်ကျယ်ပြန့်ပြန့် အသုံးပြုလာကြမယ်ဆိုတာကိုတော့ ဘယ်သူကမှ ကံသေကံမ မပြောနိုင်ဘူးဗျ" လို့ သူကဆိုပါတယ်။ ဒါပေမယ့် ဘာပဲပြောပြော ဒီ-ဝေဗ့်၊ နာဆာ၊ ဂူးဂဲလ် နဲ့ အိုင်ဘီအမ် တို့ရဲ့ အခု ၂၀၁၇ ပထမနှစ်ဝက်ရဲ့ လတ်တလောတိုးတက်မှုတွေကို ကြည့်လိုက်မယ်ဆိုရင်၊ ကွမ်တမ်ကွန်ပျူတာဆိုတာ ကျွန်တော်တို့ရဲ့ လက်နှစ်ကမ်း အကွာလောက်ကို ရောက်နေပြီလို့ ရဲရဲကြီးမှတ်ချက်ပြုနိုင်ပါတယ်။
ရွှင်လန်းချမ်းမြေ့ပါစေ။
ကျော်ခိုင်စိုး(infoTherapy)


Monday, July 3, 2017

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