28.3.2 Surveillance, security, and privacy

၂၈.၃.၂ စောင့်ကြည့်စစ်ဆေးခြင်း၊ လုံခြုံရေးနှင့် ကိုယ်ရေးကိုယ်တာလုံခြုံမှု 

၁၉၇၆ ခုနှစ်မှာ ဂျိုးဇက် ဝိုက်ဇန်ဘောင်း (Joseph Weizenbaum) က အလိုအလျောက် အသံကိုခွဲခြားသိမြင်နိုင်တဲ့ နည်းပညာ (automated speech recognition technology) ဟာ နေရာအနှံ့ ကြေးနန်းနဲ့ဖုန်း ခိုးနားထောင်ခြင်း (widespread wiretapping) ကို ဖြစ်ပေါ်စေနိုင်ပြီး၊ အဲဒီကတစ်ဆင့် နိုင်ငံသားတွေရဲ့ လွတ်လပ်ခွင့် (civil liberties) ဆုံးရှုံးသွားနိုင်တယ်လို့ သတိပေးခဲ့ပါတယ်။ ဒီနေ့ခေတ်မှာတော့ အဲဒီခြိမ်းခြောက်မှု (threat) ဟာ တကယ်ပဲ ဖြစ်လာခဲ့ပါပြီ။ အီလက်ထရောနစ် ဆက်သွယ်ရေး (electronic communication) အများစုဟာ စောင့်ကြည့်စစ်ဆေးလို့ရတဲ့ ဗဟိုဆာဗာတွေ (central servers) ကနေ ဖြတ်သန်းသွားလာနေပါတယ်။ မြို့ကြီးတွေမှာလည်း လူတစ်ယောက်ရဲ့ အသံ (voice)၊ မျက်နှာ (face) နဲ့ လမ်းလျှောက်ပုံ (gait) တွေကို ကြည့်ပြီး ဘယ်သူဘယ်ဝါမှန်း ခွဲခြားနိုင်၊ ခြေရာခံ (identify and track) နိုင်တဲ့ မိုက်ခရိုဖုန်းတွေ၊ ကင်မရာတွေ အပြည့်ရှိနေပါပြီ။ အရင်တုန်းကဆိုရင် စောင့်ကြည့်စစ်ဆေးခြင်း (Surveillance) လုပ်ဖို့အတွက် စရိတ်ကြီးမားပြီး ရှားပါးတဲ့ လူသားအရင်းအမြစ်တွေ (expensive and scarce human resources) လိုအပ်ပေမယ့်၊ အခုအခါမှာတော့ စက်တွေကနေတစ်ဆင့် အစုလိုက်အပြုံလိုက် အကြီးအကျယ် (mass scale) လုပ်ဆောင်နိုင်နေပါပြီ။ (ဥပမာ - အရင်က လူတစ်ယောက်ကို စောင့်ကြည့်ဖို့ စုံထောက်တစ်ယောက် လိုပေမယ့်၊ အခုတော့ AI ကင်မရာတစ်လုံးတည်းနဲ့ လူထောင်ပေါင်းများစွာကို တစ်ပြိုင်နက် စောင့်ကြည့်နိုင်နေတာမျိုး ဖြစ်ပါတယ်။)

၂၀၁၈ ခုနှစ် စာရင်းတွေအရ တရုတ်နိုင်ငံမှာ စောင့်ကြည့်ကင်မရာ (surveillance cameras) သန်း ၃၅၀ လောက်နဲ့ အမေရိကန်ပြည်ထောင်စုမှာ သန်း ၇၀ လောက် ရှိနေပါပြီ။ တရုတ်နိုင်ငံနဲ့ တခြားနိုင်ငံတွေဟာ နည်းပညာနိမ့်ကျတဲ့ နိုင်ငံတွေ (low-tech countries) ဆီကို ဒီစောင့်ကြည့်စစ်ဆေးရေး နည်းပညာတွေကို စတင်တင်ပို့နေကြပါပြီ။ အဲဒီလို တင်ပို့ခံရတဲ့ နိုင်ငံတချို့ဟာ နိုင်ငံသားတွေကို မတရားဆက်ဆံတာ (mistreating their citizens) တွေနဲ့၊ ဖယ်ကျဉ်ခံထားရတဲ့ လူနည်းစုအသိုင်းအဝိုင်းတွေ (marginalized communities) ကို မတန်တဆ ပစ်မှတ်ထား နှိပ်ကွပ်တာတွေကြောင့် နာမည်ပျက် (reputations) ရှိတဲ့ နိုင်ငံတွေ ဖြစ်နေပါတယ်။ AI အင်ဂျင်နီယာတွေ (AI engineers) အနေနဲ့ ဘယ်လိုမျိုး စောင့်ကြည့်စစ်ဆေးမှု အသုံးချနည်းတွေက လူ့အခွင့်အရေး (human rights) နဲ့ ကိုက်ညီမှုရှိတယ် (compatible) ဆိုတာကို ရှင်းရှင်းလင်းလင်း သိထားသင့်ပြီး၊ မကိုက်ညီတဲ့ အသုံးချမှုတွေ (incompatible applications) မှာ ပါဝင်လုပ်ဆောင်ပေးဖို့ကို ငြင်းဆန် (decline) သင့်ပါတယ်။

ကျွန်တော်တို့ရဲ့ အဖွဲ့အစည်းတွေ (institutions) ဟာ အွန်လိုင်းပေါ်ကနေ ပိုပြီး လည်ပတ်လုပ်ကိုင်လာကြတာနဲ့အမျှ၊ ဆိုက်ဘာရာဇဝတ်မှု (cybercrime - ဥပမာ - လှည့်စားပြီး အချက်အလက်ရယူခြင်း - phishing၊ ခရက်ဒစ်ကတ် လိမ်လည်မှု - credit card fraud၊ ကွန်ပျူတာကွန်ရက်များကို ခိုးယူထိန်းချုပ်ခြင်း - botnets၊ ငွေညှစ်ဆော့ဖ်ဝဲလ် - ransomware) တွေနဲ့ ဆိုက်ဘာအကြမ်းဖက်မှု (cyberterrorism) တွေရဲ့ အန္တရာယ်ကို ပိုပြီး ကျရောက်လွယ် (vulnerable) လာပါတယ်။ (အဲဒီ ဆိုက်ဘာအကြမ်းဖက်မှုတွေထဲမှာ ဆေးရုံတွေနဲ့ လျှပ်စစ်စွမ်းအင်စက်ရုံတွေကို ပိတ်ပစ်လိုက်တာ ဒါမှမဟုတ် အလိုအလျောက်မောင်းနှင်တဲ့ ကားတွေကို ကြားဖြတ်ထိန်းချုပ်လိုက်တာ စတဲ့ အသက်အန္တရာယ် ဖြစ်စေနိုင်တဲ့ တိုက်ခိုက်မှု - potentially deadly attacks တွေတောင် ပါဝင်ပါတယ်။) စက်သင်ယူမှု (Machine learning) ဟာ ဆိုက်ဘာလုံခြုံရေး တိုက်ပွဲ (cybersecurity battle) မှာ နှစ်ဖက်စလုံးအတွက် စွမ်းအားကြီးမားတဲ့ ကိရိယာတစ်ခု (powerful tool) ဖြစ်နိုင်ပါတယ်။ တိုက်ခိုက်သူတွေ (Attackers) ဟာ လုံခြုံရေးအားနည်းချက်တွေ (insecurities) ကို လိုက်လံစုံစမ်းဖို့ (probe) အလိုအလျောက်လုပ်ဆောင်တဲ့စနစ် (automation) ကို သုံးနိုင်သလို၊ လှည့်စားပြီး အချက်အလက်ရယူဖို့ ကြိုးစားတာတွေ (phishing attempts) နဲ့ အလိုအလျောက် ငွေညှစ်တာတွေ (automated blackmail) လုပ်ဖို့အတွက် အားဖြည့်သင်ယူခြင်း (reinforcement learning) ကိုလည်း အသုံးချနိုင်ပါတယ်။ ကာကွယ်သူတွေ (Defenders) ဘက်ကလည်း ဝင်ရောက်လာတဲ့ အင်တာနက် အသွားအလာ ပုံစံတွေထဲက ပုံမှန်မဟုတ်တဲ့အရာတွေကို (anomalous incoming traffic patterns) ထောက်လှမ်းရှာဖွေဖို့ ကြီးကြပ်သူမဲ့ သင်ယူခြင်း (unsupervised learning) ကို အသုံးပြုနိုင်သလို (Chandola et al., 2009; Malhotra et al., 2015)၊ လိမ်လည်မှု (fraud) တွေကို ရှာဖွေဖို့ တခြား machine learning နည်းစနစ်အမျိုးမျိုးကိုလည်း အသုံးပြုနိုင်ပါတယ် (Fawcett and Provost, 1997; Bolton and Hand, 2002)။ ဒီလို ဆိုက်ဘာတိုက်ခိုက်မှုတွေဟာ ပိုမို ရှုပ်ထွေးဆန်းပြားလာတာနဲ့အမျှ (As attacks get more sophisticated)၊ လုံခြုံရေးကျွမ်းကျင်သူတွေတင်မကဘဲ အင်ဂျင်နီယာအားလုံးမှာ အစကတည်းက လုံခြုံစိတ်ချရတဲ့ စနစ်တွေ (secure systems) ကို ဒီဇိုင်းဆွဲဖန်တီးရမယ့် တာဝန်ပိုကြီးလာပါတယ်။ ခန့်မှန်းချက်တစ်ခု (forecast) အရ (Kanal, 2017)၊ cybersecurity မှာ အသုံးပြုမယ့် machine learning စျေးကွက်ဟာ ၂၀၂၁ ခုနှစ်ရောက်ရင် ဒေါ်လာ ဘီလီယံ ၁၀၀ လောက်အထိ ရှိလာမယ်လို့ ဆိုပါတယ်။

ကျွန်တော်တို့ရဲ့ နေ့စဉ်ဘဝတွေမှာ ကွန်ပျူတာတွေနဲ့ အပြန်အလှန်ဆက်သွယ် အသုံးပြုချိန်တွေ တိုးများလာတာနဲ့အမျှ၊ အစိုးရတွေနဲ့ ကော်ပိုရေးရှင်းကြီးတွေဟာ ကျွန်တော်တို့နဲ့ ပတ်သက်တဲ့ ဒေတာအချက်အလက်တွေကို ပိုပြီး စုဆောင်းလာကြပါတယ်။ ဒေတာစုဆောင်းသူတွေ (Data collectors) မှာ သူတို့လက်ထဲရောက်နေတဲ့ ဒေတာတွေကို ကောင်းမွန်စွာ ထိန်းသိမ်းစောင့်ရှောက်သူတွေ (good stewards) ဖြစ်ဖို့ ကိုယ်ကျင့်တရားပိုင်းဆိုင်ရာရော၊ ဥပဒေပိုင်းဆိုင်ရာပါ တာဝန် (moral and legal responsibility) ရှိပါတယ်။ အမေရိကန်ပြည်ထောင်စုမှာဆိုရင် ကျန်းမာရေးအာမခံဆိုင်ရာ သယ်ဆောင်နိုင်မှုနှင့် တာဝန်ခံမှု အက်ဥပဒေ (Health Insurance Portability and Accountability Act - HIPAA) နဲ့ မိသားစု ပညာရေးဆိုင်ရာ အခွင့်အရေးများနှင့် ကိုယ်ရေးကိုယ်တာလုံခြုံမှု အက်ဥပဒေ (Family Educational Rights and Privacy Act - FERPA) တို့က ဆေးဘက်ဆိုင်ရာနဲ့ ကျောင်းသား မှတ်တမ်းတွေရဲ့ ကိုယ်ရေးကိုယ်တာလုံခြုံမှု (privacy) ကို ကာကွယ်ပေးထားပါတယ်။ ဥရောပသမဂ္ဂ (European Union) ရဲ့ အထွေထွေ ဒေတာကာကွယ်ရေး စည်းမျဉ်း (General Data Protection Regulation - GDPR) ကလည်း ကုမ္ပဏီတွေအနေနဲ့ သူတို့ရဲ့စနစ်တွေကို ဒေတာကာကွယ်ရေးကို ထည့်သွင်းစဉ်းစားပြီး ဒီဇိုင်းဆွဲဖို့ မဖြစ်မနေ ပြဋ္ဌာန်းထား (mandates) ပါတယ်။ ဒါ့အပြင် ဒေတာစုဆောင်းတာပဲဖြစ်ဖြစ်၊ စီမံဆောင်ရွက်တာပဲဖြစ်ဖြစ် (collection or processing of data) လုပ်လုပ်တိုင်း သုံးစွဲသူရဲ့ သဘောတူခွင့်ပြုချက် (user consent) ကို ရယူဖို့လည်း လိုအပ်ပါတယ်။

တစ်ဦးချင်းစီရဲ့ ကိုယ်ရေးကိုယ်တာ လုံခြုံခွင့် (individual’s right to privacy) နဲ့ ချိန်ခွင်လျှာညှိရမယ့်အရာကတော့ ဒေတာတွေကို မျှဝေခြင်း (sharing data) ကနေ လူ့အဖွဲ့အစည်းက ရရှိလာမယ့် တန်ဖိုး (value that society gains) ပဲ ဖြစ်ပါတယ်။ ကျွန်တော်တို့အနေနဲ့ အကြမ်းဖက်သမားတွေကို တားဆီးချင်ပေမယ့် ငြိမ်းချမ်းစွာ သဘောကွဲလွဲဆန္ဒပြသူတွေကို ဖိနှိပ်တာမျိုး (oppressing peaceful dissent) မဖြစ်စေချင်ပါဘူး။ အလားတူပဲ ရောဂါတွေကို ကုသချင်ပေမယ့် လူတစ်ဦးချင်းစီရဲ့ ကိုယ်ပိုင်ကျန်းမာရေးရာဇဝင်ကို လျှို့ဝှက်ထားပိုင်ခွင့်ကိုလည်း မထိခိုက် (without compromising) စေချင်ပါဘူး။ ဒီအတွက် အဓိကကျတဲ့ လုပ်ထုံးလုပ်နည်းတစ်ခုကတော့ "မည်သူမည်ဝါဖြစ်ကြောင်း ဖော်ပြချက်ကို ဖယ်ရှားခြင်း" ("de-identification") ပါပဲ။ ဒါဟာ ပုဂ္ဂိုလ်ရေးအရ ခွဲခြားသိမြင်နိုင်တဲ့ အချက်အလက်တွေကို (personally identifying information) (ဥပမာ - နာမည်၊ လူမှုဖူလုံရေးနံပါတ် စတာတွေကို) ဖယ်ရှားပစ်တာပါ။ ဒါမှသာ ဆေးဘက်ဆိုင်ရာ သုတေသီတွေက ဒီဒေတာတွေကို သုံးပြီး အများအကျိုးအတွက် (advance the common good) ဆောင်ရွက်နိုင်မှာ ဖြစ်ပါတယ်။ ပြဿနာကတော့ အဲဒီလို ဖယ်ရှားထားတဲ့ ဒေတာတွေကို မျှဝေလိုက်တဲ့အခါမှာ မူလပိုင်ရှင်ကို ပြန်လည်ခြေရာခံမိသွားတာမျိုး (re-identification) ဖြစ်သွားနိုင်တာပါပဲ။ ဥပမာအနေနဲ့၊ ဒေတာတွေထဲကနေ နာမည်၊ လူမှုဖူလုံရေးနံပါတ်နဲ့ လမ်းလိပ်စာတွေကို ဖယ်ရှားလိုက်ပေမယ့် မွေးသက္ကရာဇ်၊ လိင် နဲ့ စာတိုက်သင်္ကေတ (zip code) တွေ ပါနေသေးတယ်ဆိုရင်၊ လာတန်ယာ ဆွီနီ (Latanya Sweeney) (၂၀၀၀) ပြသခဲ့သလိုပဲ၊ အမေရိကန်လူဦးရေရဲ့ ၈၇ ရာခိုင်နှုန်းကို ဘယ်သူဘယ်ဝါဆိုတာ တိတိကျကျ ပြန်ပြီး ဖော်ထုတ် (uniquely re-identified) လို့ ရနေပါတယ်။ ဆွီနီ ဟာ သူမနေထိုင်ရာ ပြည်နယ်အုပ်ချုပ်ရေးမှူး ဆေးရုံတက်ရချိန်မှာ သူ့ရဲ့ ကျန်းမာရေးမှတ်တမ်းကို ဒီနည်းနဲ့ ပြန်လည်ဖော်ထုတ်ပြပြီး ဒီအချက်ကို အလေးအနက်ထား ထောက်ပြခဲ့ပါတယ်။ "Netflix ဆု" ("Netflix Prize") ပြိုင်ပွဲမှာဆိုရင်၊ လူတစ်ဦးချင်းစီရဲ့ ရုပ်ရှင်အပေါ် အဆင့်သတ်မှတ်ပေးထားတဲ့ မှတ်တမ်း (individual movie ratings) တွေကို de-identified လုပ်ပြီး ထုတ်ပြန်ပေးခဲ့ပါတယ်။ ပြီးတော့ ပြိုင်ပွဲဝင်တွေကို လူတစ်ယောက်က ဘယ်ရုပ်ရှင်တွေကို ကြိုက်နိုင်မလဲဆိုတာကို တိတိကျကျ ခန့်မှန်းပေးနိုင်မယ့် machine learning အယ်လ်ဂိုရစ်သမ် (algorithm) တစ်ခု ဖန်တီးဖို့ တောင်းဆိုခဲ့ပါတယ်။ ဒါပေမဲ့ သုတေသီတွေဟာ Netflix ဒေတာဘေ့စ်ထဲက rating ပေးထားတဲ့ ရက်စွဲတွေကို، သုံးစွဲသူတွေက တစ်ခါတလေ သူတို့ရဲ့ နာမည်အရင်းကိုသုံးပြီး အဆင့်သတ်မှတ်လေ့ရှိတဲ့ Internet Movie Database (IMDB) ထဲက ဆင်တူတဲ့ အဆင့်သတ်မှတ်မှု ရက်စွဲတွေနဲ့ တိုက်ဆိုင်စစ်ဆေး (matching) ပြီး၊ အဲဒီသုံးစွဲသူတွေဟာ ဘယ်သူတွေလဲဆိုတာကို ပြန်လည်ဖော်ထုတ်နိုင်ခဲ့ကြပါတယ် (Narayanan and Shmatikov, 2006)။

ဒီလို အန္တရာယ်ကို "အချက်အလက် ကွက်လပ်များကို ယေဘုယျပြုလုပ်ခြင်း" ("generalizing fields") အားဖြင့် အတိုင်းအတာတစ်ခုအထိ လျော့ပါးသက်သာစေနိုင် (mitigated) ပါတယ်။ ဥပမာ - မွေးသက္ကရာဇ် အတိအကျနေရာမှာ မွေးတဲ့ ခုနှစ် သီးသန့် ဒါမှမဟုတ် “အသက် ၂၀ မှ ၃၀ ကြား” ဆိုပြီး ပိုကျယ်ပြန့်တဲ့ အပိုင်းအခြား (broader range) တစ်ခုနဲ့ အစားထိုးလိုက်တာမျိုးပါ။ အချက်အလက် ကွက်လပ် (field) တစ်ခုလုံးကို ဖျက်ပစ်လိုက်ခြင်းဟာလည်း “မည်သည့်အရာမဆို” (“any”) ဆိုပြီး ယေဘုယျပြုလုပ်လိုက်တဲ့ ပုံစံတစ်မျိုးပဲ ဖြစ်ပါတယ်။ ဒါပေမဲ့ ဒီလို ယေဘုယျပြုလုပ်ခြင်း (generalization) တစ်ခုတည်းနဲ့တော့ မှတ်တမ်းတွေကို ပြန်လည်ဖော်ထုတ်ခံရခြင်းကနေ လုံခြုံစိတ်ချရတယ်လို့ အာမခံ (guarantee) လို့မရပါဘူး။ ဥပမာ - zip code 94720 နယ်မြေထဲမှာ အသက် ၉၀ ကနေ ၁၀၀ ကြားရှိတဲ့လူဆိုလို့ တစ်ယောက်တည်းပဲ ရှိနေနိုင်တာမျိုးပါ။ အသုံးဝင်တဲ့ ဂုဏ်သတ္တိ (useful property) တစ်ခုကတော့ "k-အမည်မသိဖြစ်ခြင်း" ("k-anonymity") ဖြစ်ပါတယ်။ ဒေတာဘေ့စ်ထဲက မှတ်တမ်းတစ်ခုစီတိုင်းဟာ တခြားသော မှတ်တမ်းအနည်းဆုံး k-1 ခုနဲ့ ခွဲခြားရခက်နေမယ် (indistinguishable) ဆိုရင်၊ အဲဒီ ဒေတာဘေ့စ်ကို k-အမည်မသိပြုလုပ်ထားသည် (k-anonymized) လို့ ခေါ်ပါတယ်။ (ဆိုလိုတာက လူတစ်ယောက်ကို ရှာရင် အနည်းဆုံး တူညီနေတဲ့ နောက်ထပ်လူ k-1 ယောက် ရှိနေလို့ တိတိကျကျ ဆွဲထုတ်လို့ မရတော့တာပါ။) အကယ်လို့ ဒေတာတွေထဲမှာ ဒီထက်ပိုပြီး ထူးထူးခြားခြား တစ်ဦးတည်းဖြစ်နေတဲ့ (more unique) မှတ်တမ်းတွေ ရှိနေမယ်ဆိုရင်တော့၊ အဲဒီမှတ်တမ်းတွေကို နောက်ထပ် ထပ်ပြီး ယေဘုယျပြုလုပ်ဖို့ (further generalized) လိုအပ်ပါလိမ့်မယ်။

မည်သူမည်ဝါမှန်းမသိအောင် ဖယ်ရှားထားတဲ့ မှတ်တမ်းတွေကို မျှဝေမယ့်အစား နောက်ထပ် ရွေးချယ်စရာ နည်းလမ်းတစ်ခု (alternative) ကတော့၊ မှတ်တမ်းအားလုံးကို လျှို့ဝှက် (private) သိမ်းဆည်းထားပြီး၊ "စုစုပေါင်းကို မေးမြန်းရှာဖွေခြင်း" ("aggregate querying") ကိုသာ ခွင့်ပြုပေးခြင်း ဖြစ်ပါတယ်။ ဒေတာဘေ့စ်ကို မေးမြန်းရှာဖွေမှုတွေ (queries) ပြုလုပ်ဖို့အတွက် API တစ်ခုကို ပံ့ပိုးပေးထားပြီး၊ မှန်ကန်တဲ့ မေးမြန်းမှုတွေ (valid queries) အတွက်ဆိုရင် ဒေတာတွေကို အရေအတွက် (count) ဒါမှမဟုတ် ပျမ်းမျှတန်ဖိုး (average) နဲ့ အကျဉ်းချုံးဖော်ပြထားတဲ့ တုံ့ပြန်မှု (response) တစ်ခု ရရှိပါလိမ့်မယ်။ ဒါပေမဲ့ အဲဒီတုံ့ပြန်မှုက ကိုယ်ရေးကိုယ်တာလုံခြုံမှုဆိုင်ရာ အာမခံချက်တွေကို ချိုးဖောက်နေမယ် (violate certain guarantees of privacy) ဆိုရင်တော့ ဘယ်လိုတုံ့ပြန်မှုကိုမှ ပေးမှာမဟုတ်ပါဘူး။ ဥပမာအနေနဲ့၊ ကူးစက်ရောဂါဗေဒပညာရှင် (epidemiologist) တစ်ယောက်ကို zip code တစ်ခုစီမှာရှိတဲ့ ကင်ဆာရောဂါသည် ရာခိုင်နှုန်းကို မေးမြန်းခွင့်ပြုနိုင်ပါတယ်။ လူအရေအတွက် အနည်းဆုံး n ယောက်ရှိတဲ့ zip code တွေအတွက် ရာခိုင်နှုန်းတစ်ခုကို ပေးပါလိမ့်မယ် (ကိန်းဂဏန်း အတိအကျမဖြစ်စေဖို့ ကျပန်းဆူညံသံ - random noise - လို့ခေါ်တဲ့ အပြောင်းအလဲ နည်းနည်း ထည့်ပေးထားပါလိမ့်မယ်)။ ဒါပေမဲ့ လူအရေအတွက် n ယောက်ထက်နည်းတဲ့ zip code တွေအတွက်ကတော့ ဘယ်လိုအဖြေမှ ပေးမှာမဟုတ်ပါဘူး။

မေးမြန်းမှု အများအပြား (multiple queries) ကို အသုံးပြုပြီး မည်သူမည်ဝါဖြစ်ကြောင်း ဖုံးကွယ်ထားမှုကို ချိုးဖောက်ဖော်ထုတ်ခြင်းကနေ ကာကွယ်ဖို့အတွက် ဂရုစိုက်ရပါမယ်။ ဥပမာ - “အသက် ၃၀-၄၀ ကြား XYZ ကုမ္ပဏီ ဝန်ထမ်းများ၏ ပျမ်းမျှလစာနှင့် အရေအတွက်” ဆိုတဲ့ မေးမြန်းချက်က [$81,234, 12] ဆိုတဲ့ အဖြေကိုပေးပြီး၊ “အသက် ၃၀-၄၁ ကြား XYZ ကုမ္ပဏီ ဝန်ထမ်းများ၏ ပျမ်းမျှလစာနှင့် အရေအတွက်” ဆိုတဲ့ မေးမြန်းချက်က [$81,199, 13] ဆိုတဲ့ အဖြေကို ပေးတယ်ဆိုပါစို့။ အကယ်လို့ ကျွန်တော်တို့က LinkedIn ကိုသုံးပြီး XYZ ကုမ္ပဏီမှာရှိတဲ့ အသက် ၄၁ နှစ်အရွယ် ဝန်ထမ်းတစ်ယောက်တည်းကို ရှာတွေ့သွားမယ်ဆိုရင်၊ သူဟာ ဘယ်သူလဲဆိုတာကို ကျွန်တော်တို့ အောင်မြင်စွာ ဖော်ထုတ်နိုင်သွားပြီဖြစ်ပြီး၊ အဖြေတွေအားလုံးဟာ လူ ၁၂ ယောက်နဲ့အထက် ပါဝင်နေပေမယ့်လည်း သူ့ရဲ့လစာ အတိအကျကို ကျွန်တော်တို့ တွက်ချက်နိုင်သွားပါပြီ။ ဒီလိုမျိုး မဖြစ်အောင် ကာကွယ်ဖို့အတွက် စနစ်ကို ဂရုတစိုက် ဒီဇိုင်းဆွဲရပါမယ်။ မေးမြန်းနိုင်တဲ့ မေးခွန်းတွေအပေါ် ကန့်သတ်ချက် (limits on the queries) (ဥပမာ - တစ်ခုနဲ့တစ်ခု မထပ်နေတဲ့ ကြိုတင်သတ်မှတ်ထားသော အသက်အပိုင်းအခြားတွေကိုသာ မေးခွင့်ပြုတာမျိုး) နဲ့ ရလဒ်တွေရဲ့ တိကျမှု (precision of the results) (ဥပမာ - အပေါ်က မေးခွန်းနှစ်ခုစလုံးအတွက် အဖြေကို “$81,000 ဝန်းကျင်” လို့ပဲ ပေးလိုက်တာမျိုး) တွေကို ပေါင်းစပ်အသုံးပြုရပါမယ်။

ပိုမိုခိုင်မာတဲ့ အာမခံချက်တစ်ခုကတော့ "ကွဲပြားခြားနားသော ကိုယ်ရေးကိုယ်တာလုံခြုံမှု" ("differential privacy") ပဲ ဖြစ်ပါတယ်။ ၎င်းက တိုက်ခိုက်သူအနေနဲ့ queries အများကြီးလုပ်နိုင်ပြီး တခြားဆက်စပ်နေတဲ့ ဒေတာဘေ့စ်တွေ (linking databases) ကို ဝင်ရောက်ကြည့်ရှုခွင့် ရနေရင်တောင်မှ၊ ဒေတာဘေ့စ်ထဲက ဘယ်လူတစ်ဦးတစ်ယောက်ကိုမှ ပြန်လည်ဖော်ထုတ်လို့ မရနိုင်ဘူးဆိုတာကို သေချာစေပါတယ်။ ဒီ query တွေရဲ့ တုံ့ပြန်မှုဟာ ရလဒ်ထဲကို ဆူညံသံ အနည်းငယ် ပေါင်းထည့်ပေးတဲ့ ကျပန်း အယ်လ်ဂိုရစ်သမ် (randomized algorithm) တစ်ခုကို အသုံးပြုထားပါတယ်။ ဒေတာဘေ့စ်တစ်ခု D၊ အဲဒီဒေတာဘေ့စ်ထဲက မှတ်တမ်းတစ်ခု r၊ မေးမြန်းမှု Q နဲ့ အဲဒီမေးမြန်းမှုအတွက် ဖြစ်နိုင်ခြေရှိတဲ့ အဖြေ y တို့ကို ပေးထားတယ်ဆိုပါစို့။ အကယ်လို့ ကျွန်တော်တို့က မှတ်တမ်း r ကို ထည့်လိုက်တဲ့အခါ တုံ့ပြန်မှု y ဖြစ်ပေါ်လာနိုင်ခြေရဲ့ လော့ဂ်တန်ဖိုး (log probability) ဟာ ε (အက်ပစီလွန် - epsilon) ထက် ပိုပြီး ပြောင်းလဲသွားခြင်းမရှိဘူးဆိုရင်၊ အဲဒီဒေတာဘေ့စ် D မှာ ε–differential privacy ရှိတယ်လို့ ကျွန်တော်တို့ ပြောနိုင်ပါတယ်။

| log P(Q(D)=y) - log P(Q(D+r)=y)| ≤ ε.

တစ်နည်းအားဖြင့် ပြောရရင်၊ လူတစ်ယောက်ဟာ ဒေတာဘေ့စ်ထဲမှာ ပါဝင်ဖို့ ဆုံးဖြတ်သည်ဖြစ်စေ၊ မဆုံးဖြတ်သည်ဖြစ်စေ သူများတွေ ရရှိနိုင်တဲ့ အဖြေတွေအပေါ် သိသိသာသာ ကွဲပြားမှု (appreciable difference) မဖြစ်စေပါဘူး။ ဒါကြောင့်မို့လို့ ပါဝင်ဖို့အတွက် ကိုယ်ရေးကိုယ်တာလုံခြုံမှုအရ တွန့်ဆုတ်စရာ (privacy disincentive) မရှိတော့ပါဘူး။ ဒေတာဘေ့စ် အများအပြားကို ဒီ differential privacy ရရှိအောင် အာမခံနိုင်ဖို့ ဒီဇိုင်းဆွဲထားကြပါတယ်။

အခုအချိန်အထိ ဗဟိုဒေတာဘေ့စ် (central database) တစ်ခုကနေ de-identified လုပ်ထားတဲ့ ဒေတာတွေကို မျှဝေတဲ့ ကိစ္စကို ကျွန်တော်တို့ စဉ်းစားသုံးသပ်ခဲ့ပါတယ်။ "ပူးပေါင်းသင်ယူခြင်း" ("federated learning") (Konečný et al., 2016) လို့ခေါ်တဲ့ ချဉ်းကပ်နည်းမှာတော့ ဗဟိုဒေတာဘေ့စ် မရှိပါဘူး။ အဲဒီအစား သုံးစွဲသူတွေဟာ ကိုယ်ပိုင်ဒေတာတွေကို လျှို့ဝှက်ထားနိုင်တဲ့ ကိုယ်ပိုင် နေရာခံဒေတာဘေ့စ်တွေ (local databases) ကိုပဲ ထိန်းသိမ်းထားကြပါတယ်။ ဒါပေမဲ့ သူတို့ဟာ သူတို့ရဲ့ ဒေတာတွေနဲ့ ပိုကောင်းအောင် လုပ်ထားတဲ့ machine learning မော်ဒယ်တစ်ခုရဲ့ ကန့်သတ်ချက်တန်ဖိုးတွေ (parameters) ကိုတော့ ကိုယ်ရေးကိုယ်တာ ဒေတာတွေ ပေါက်ကြားနိုင်တဲ့ အန္တရာယ် (risk of revealing) မရှိဘဲ မျှဝေနိုင်ကြပါတယ်။ ဥပမာအနေနဲ့ သုံးစွဲသူတွေ သူတို့ဖုန်းထဲမှာပဲ အလုပ်လုပ်နိုင်တဲ့ အသံနားလည်မှု အက်ပ်လီကေးရှင်း (speech understanding application) တစ်ခုကို မြင်ယောင်ကြည့်ပါ။ အဲဒီအက်ပ်ထဲမှာ အခြေခံ အာရုံကြောကွန်ရက် (baseline neural network) တစ်ခု ပါဝင်ပြီး၊ သုံးစွဲသူရဲ့ဖုန်းကနေ ကြားရတဲ့ စကားလုံးတွေကို သုံးပြီး ဖုန်းထဲမှာတင် နေရာခံ လေ့ကျင့်မှု (local training) လုပ်ခြင်းအားဖြင့် အဲဒီကွန်ရက်ကို ပိုကောင်းအောင် လုပ်ပါတယ်။ အက်ပ်ပိုင်ရှင်တွေက သုံးစွဲသူတချို့ (a subset of the users) ဆီကနေ သူတို့ဆီမှာ ပိုကောင်းလာတဲ့ နေရာခံ ကွန်ရက်ရဲ့ parameter တန်ဖိုးတွေကို အချိန်အပိုင်းအခြားအလိုက် တောင်းယူ (poll) ပါလိမ့်မယ်၊ ဒါပေမဲ့ သူတို့ရဲ့ ကုန်ကြမ်းဒေတာ (raw data - ဥပမာ အသံဖိုင်တွေ) ကို လုံးဝ မတောင်းပါဘူး။ အဲဒီ parameter တန်ဖိုးတွေကို ပေါင်းစပ်လိုက်တဲ့အခါ ပိုမိုကောင်းမွန်တဲ့ မော်ဒယ်အသစ်တစ်ခုကို ရရှိလာပြီး၊ အဲဒီမော်ဒယ်ကို သုံးစွဲသူအားလုံးဆီကို ပြန်ဖြန့်ဝေပေးပါတယ်။ ဒါကြောင့် သုံးစွဲသူအားလုံးဟာ တခြားသူတွေရဲ့ ဖုန်းတွေမှာ လေ့ကျင့်ထားတဲ့ အကျိုးကျေးဇူး (benefit of the training) တွေကို ရရှိသွားကြပါတယ်။ (ဆိုလိုတာက ဒေတာတွေက ဖုန်းထဲက မထွက်သွားဘဲ၊ သင်ယူထားတဲ့ အသိဉာဏ်လေးတွေကိုပဲ စုပေါင်းပြီး မော်ဒယ်အသစ်ကို ပိုတော်အောင် လုပ်လိုက်တာပါ။)

ဒီစနစ်က ကိုယ်ရေးကိုယ်တာလုံခြုံမှုကို ထိန်းသိမ်းထား (preserve privacy) နိုင်ဖို့အတွက်၊ သုံးစွဲသူတစ်ဦးစီက မျှဝေလိုက်တဲ့ မော်ဒယ် parameter တွေကို နောက်ကြောင်းပြန် ပြုပြင်ဖန်တီးခြင်း (reverse-engineered - ရလဒ်မှတစ်ဆင့် မူလဒေတာကို ပြန်လည်ဖော်ထုတ်ခြင်း) မလုပ်နိုင်ဘူးဆိုတာကို ကျွန်တော်တို့ အာမခံနိုင်ဖို့ လိုပါတယ်။ အကယ်လို့ ကျွန်တော်တို့က parameter အကြမ်း (raw parameters) တွေကို ဒီအတိုင်း ပို့လိုက်မယ်ဆိုရင်၊ ၎င်းတို့ကို စစ်ဆေးနေတဲ့ တိုက်ခိုက်သူ (adversary) တစ်ယောက်က၊ ဥပမာ- သုံးစွဲသူရဲ့ဖုန်းမှာ ဘယ်လို စကားလုံးမျိုးကို ကြားခဲ့ရတယ် ဆိုတာကို ကောက်ချက်ချ (deduce) သွားနိုင်တဲ့ အခွင့်အရေး ရှိနေပါတယ်။ ဒီအန္တရာယ်ကို ဖယ်ရှားပစ်နိုင်တဲ့ နည်းလမ်းတစ်ခုကတော့ "လုံခြုံစွာ စုစည်းပေါင်းစပ်ခြင်း" ("secure aggregation") ပါပဲ (Bonawitz et al., 2017)။ အခြေခံသဘောတရားကတော့ ဗဟိုဆာဗာအနေနဲ့ နေရာအနှံ့က သုံးစွဲသူ (distributed user) တစ်ဦးစီဆီကနေ parameter တန်ဖိုး အတိအကျကို သိစရာမလိုပါဘူး။ မေးမြန်းထားတဲ့ သုံးစွဲသူအားလုံးဆီကနေ parameter တစ်ခုချင်းစီအတွက် ပျမ်းမျှတန်ဖိုး (average value) ကိုသာ သိဖို့ လိုပါတယ်။ ဒါကြောင့် သုံးစွဲသူတစ်ဦးစီက သူတို့ရဲ့ parameter တန်ဖိုးတွေကို အတုအယောင် ကိန်းဂဏန်းတစ်ခု (unique mask) ပေါင်းထည့်ခြင်းဖြင့် ဖုံးကွယ် (disguise) ထားနိုင်ပါတယ်။ အဲဒီပေါင်းထည့်လိုက်တဲ့ mask တွေအားလုံးရဲ့ စုစုပေါင်း ပေါင်းလဒ်က သုည ဖြစ်နေသရွေ့၊ ဗဟိုဆာဗာအနေနဲ့ မှန်ကန်တဲ့ ပျမ်းမျှတန်ဖိုးကို တွက်ချက်နိုင်ပါလိမ့်မယ်။ (ဥပမာ - လူ ၃ ယောက်က လစာ ၅၀၊ ၆၀၊ ၇၀ ရတယ်ဆိုပါစို့။ သူတို့က +၁၀၊ -၅၊ -၅ ဆိုတဲ့ mask တွေ ထည့်ပြီး ၆၀၊ ၅၅၊ ၆၅ လို့ ပို့လိုက်မယ်။ ဗဟိုဆာဗာက ပေါင်းလိုက်ရင် ၁၈၀ ရပြီး ပျမ်းမျှ ၆၀ ဆိုတာ မှန်ကန်စွာ သိပေမယ့် တစ်ယောက်ချင်းစီရဲ့ လစာအမှန်ကိုတော့ မသိတော့ပါဘူး။) လုပ်ထုံးလုပ်နည်း (protocol) ရဲ့ အသေးစိတ်အချက်အလက်တွေက ဒါဟာ ဆက်သွယ်ရေးပိုင်းအရ ထိရောက်မှု (efficient in terms of communication) ရှိစေဖို့ (ပေးပို့လိုက်တဲ့ ဘစ် - bits တွေရဲ့ ထက်ဝက်တောင်မကတာက masking နဲ့ဆိုင်နေပါတယ်)၊ သုံးစွဲသူတချို့ ပြန်လည်မတုံ့ပြန်နိုင်တဲ့အခါ (failing to respond) မှာလည်း ခိုင်ခံ့စွာ ဆက်လက်အလုပ်လုပ်နိုင်ဖို့ (robust) နဲ့၊ ရန်သူ သုံးစွဲသူတွေ၊ ခိုးနားထောင်သူတွေ (eavesdroppers) သို့မဟုတ် ရန်သူ ဗဟိုဆာဗာကို ရင်ဆိုင်ရရင်တောင် လုံခြုံစိတ်ချမှု (secure) ရှိစေဖို့ သေချာအောင် လုပ်ဆောင်ပေးပါတယ်။

REF:

Stuart Russell နဲ့ Peter Norvig 

“Artificial Intelligence: A Modern Approach, Fourth Edition”

Chapter 28 Philosophy, Ethics, and Safety of AI

28.3.2 Surveillance, security, and privacy, pp.1041-1043

တိရစ္ဆာန်စားကျက်မြေကို ကျူးကျော်ခြင်းနှင့်ပတ်သက်၍

မောင်သာအေး(အယူခံတရားလို) နှင့် ဘုရင်ဧကရာဇ် (တရားပြိုင်) [The Burma Law Journal, Volume 5 – 1926, pp.177-178]

++++++++++++++++++++++++++

အောက်မြန်မာပြည် မြေယာနှင့် အခွန်တော် အက်ဥပဒေ (၁၈၇၆ ခုနှစ်၊ မြန်မာနိုင်ငံ အက်ဥပဒေ အမှတ် ၂) နည်းဥပဒေ ၆၉ - တိရစ္ဆာန်စားကျက်မြေကို စားကျက်မြေအဖြစ်အသုံးပြုခြင်းမှအပ အခြားကိစ္စများအတွက် ခွင့်ပြုချက်မရှိဘဲ အသုံးပြုခြင်း။ အဆိုပါမြေနေရာကို နယ်နိမိတ်သတ်မှတ်ပြီး အခိုင်အမာတိုင်များစိုက်ထူထားကြောင်း တိကျခိုင်လုံသော သက်သေအထောက်အထား လိုအပ်သည်။

အောက်မြန်မာပြည် မြေယာနှင့် အခွန်တော် အက်ဥပဒေအရ ပြဋ္ဌာန်းထားသော နည်းဥပဒေ ၆၉ (ခ) အရ တရားစွဲဆိုမှုအားလုံးတွင်၊ တိရစ္ဆာန်စားကျက်မြေကို သတ်မှတ်ချထားပေးရုံသာမက အပြီးသတ် နယ်နိမိတ်သတ်မှတ်ပြီးဖြစ်ကြောင်း၊ ဆိုလိုသည်မှာ နယ်နိမိတ်များကို အမြဲတမ်းစိုက်ထူထားသော တိုင်များ သို့မဟုတ် ထင်ရှားသော အမှတ်အသား တစ်ခုခုဖြင့် ရှင်းလင်းစွာ မှတ်သားထားကြောင်း သက်သေအထောက်အထား ရှိရမည်။

ဤကဲ့သို့သော အမှုများတွင် ကျင့်သုံးရမည့် မှန်ကန်သော လုပ်ထုံးလုပ်နည်းမှာ မြေစာရင်းအရာရှိအနေဖြင့် ၎င်း၏ တိုင်ကြားချက် သို့မဟုတ် အစီရင်ခံစာနှင့်အတူ အမှုတစ်ခုချင်းစီတွင် သက်ဆိုင်ရာ တိရစ္ဆာန်စားကျက်မြေ၏ နယ်နိမိတ်များ၊ နယ်နိမိတ် အမှတ်အသားများနှင့် စွပ်စွဲခံရသူ ကျူးကျော်ဝင်ရောက်သည်ဟုဆိုသော စားကျက်မြေအတွင်းရှိ ဧရိယာတို့ကို ဖော်ပြထားသည့် မြေပုံကို တင်ပြရမည်ဖြစ်ပြီး၊ စားကျက်မြေကို သတ်မှတ်ချထားပေးကာ နယ်နိမိတ်သတ်မှတ်ပြီးဖြစ်ကြောင်းနှင့် စွပ်စွဲထားသော ကျူးကျော်မှုကို ကျူးလွန်ခဲ့ကြောင်း တရားရုံးက သက်သေခံချက် ရယူရန် ဖြစ်သည်။ ဤအချက်များအားလုံးနှင့်စပ်လျဉ်း၍ မြေစာရင်းအရာရှိနှင့် ကျေးရွာလူကြီးတို့၏ ထွက်ဆိုချက်များသည် အရေးပါမည်ဖြစ်သည်။

အမိန့်ဒီကရီ

၁၉၂၆ ခုနှစ်၊ ဇူလိုင်လ ၁၈ ရက်

လူအများအပြားဖြစ်သည့် ရွှေငယ်၊ သာအေး၊ သာရွေး၊ မောင်ဖေ၊ ဖိုးဘ နှင့် စံမင်း တို့အား မြေစာရင်းမြေတိုင်းစာရေး စိန်ငွေက တိရစ္ဆာန်စားကျက်မြေ၏ တစ်စိတ်တစ်ပိုင်းကို စားကျက်မြေအဖြစ်အသုံးပြုခြင်းမှအပ အခြားကိစ္စများအတွက် အသုံးပြုမှုဖြင့် တရားစွဲဆိုခဲ့ပြီး၊ ၎င်းတို့အား အောက်မြန်မာပြည် မြေယာနှင့် အခွန်တော် အက်ဥပဒေအရ ပြဋ္ဌာန်းထားသော နည်းဥပဒေ ၆၉ အရ ပြစ်မှုကျူးလွန်ကြောင်း စီရင်ချက်ချကာ ငွေဒဏ် မြင့်မားစွာ ချမှတ်ခဲ့သည်။ အမှုတစ်ခုစီရှိ ထုချေချက်မှာ ၎င်းတို့ ဝင်ရောက်နေထိုင်သောမြေသည် စားကျက်မြေဖြစ်ကြောင်း မသိရှိခဲ့ဟု ဆိုသည်။

နည်းဥပဒေ ၆၉ အရ တရားစွဲဆိုမှုအားလုံးတွင်၊ စားကျက်မြေကို သတ်မှတ်ချထားပေးရုံသာမက အပြီးသတ် နယ်နိမိတ်သတ်မှတ်ပြီးဖြစ်ကြောင်း၊ ဆိုလိုသည်မှာ စားကျက်မြေ၏ နယ်နိမိတ်များနှင့်ပတ်သက်၍ မှားယွင်းရန် အကြောင်းမရှိစေရေးအတွက် နယ်နိမိတ်များကို အမြဲတမ်းစိုက်ထူထားသော တိုင်များ သို့မဟုတ် ထင်ရှားသော အမှတ်အသား တစ်ခုခုဖြင့် ရှင်းလင်းစွာ မှတ်သားထားကြောင်း သက်သေအထောက်အထားရှိရန် မရှိမဖြစ် လိုအပ်သည်။

ယခုဖြစ်ပေါ်နေသော အမှုတွဲများတွင် စားကျက်မြေကို စနစ်တကျ နယ်နိမိတ်သတ်မှတ်ထားကြောင်း ပြသရန် သက်သေအထောက်အထားမရှိဘဲ၊ စက်ရှင်တရားသူကြီးက အဆိုပါ အမှုများကို ဤတရားရုံးသို့ အစီရင်ခံစာတင်ပြခဲ့ပြီး ပြစ်ဒဏ်ချမှတ်မှုများနှင့် ပြစ်ဒဏ်များကို ပယ်ဖျက်ကာ အမှုသစ်ပြန်လည်စစ်ဆေးရန် အကြံပြုထားသည်။

အထက်ဖော်ပြပါ ချို့ယွင်းချက်၊ အမှုအရေအတွက်နှင့် ချမှတ်ထားသော ငွေဒဏ်များ၏ ပြင်းထန်မှုတို့ကြောင့် ဤလမ်းကြောင်း [ပြစ်ဒဏ်ချမှတ်မှုများနှင့် ပြစ်ဒဏ်များကို ပယ်ဖျက်ကာ အမှုသစ်ပြန်လည်စစ်ဆေးရန် အကြံပြုခြင်း] သည် တရားမျှတမှုရှိသည်ဟု ကျွန်ုပ် ယူဆသည်။

ကျပ် ၅၀ မှ ကျပ် ၂၀၀ အထိ ရှိသော ပြင်းထန်သည့် ငွေဒဏ်များကို မည်သည့်အချက်အပေါ် အခြေခံထားကြောင်း ပြသရန် မှတ်တမ်းတွင် ဘာမျှမရှိပါ။ အကယ်၍ ဝင်ရောက်နေထိုင်သော ဧရိယာအပေါ် အခြေခံခဲ့ပါက၊ ပြစ်မှုကျူးလွန်သူများအား အဆိုပါအခြေခံဖြင့် အခွန်ကောက်ခံပြီးဖြစ်မည်ဟု ယူဆရသဖြင့် ၎င်းတို့ ဝင်ရောက်နေထိုင်ခဲ့သော မြေဧရိယာအတွက် နှစ်ကြိမ်ပေးဆောင်ရခြင်းသည် မတရားရာကျမည်ဟု ကျွန်ုပ် ထင်မြင်သောကြောင့် ထိုအခြေခံကို ကျင့်သုံးခြင်းသည် တရားမျှတမှုမရှိဟု ကျွန်ုပ် ယူဆသည်။

ဤကဲ့သို့သော အမှုများတွင် ကျင့်သုံးရမည့် မှန်ကန်သော လုပ်ထုံးလုပ်နည်းမှာ မြေစာရင်းအရာရှိအနေဖြင့် ၎င်း၏ တိုင်ကြားချက် သို့မဟုတ် အစီရင်ခံစာနှင့်အတူ အမှုတစ်ခုချင်းစီတွင် သက်ဆိုင်ရာ စားကျက်မြေ၏ နယ်နိမိတ်များ၊ နယ်နိမိတ် အမှတ်အသားများနှင့် စွပ်စွဲခံရသူ ကျူးကျော်ဝင်ရောက်သည်ဟုဆိုသော စားကျက်မြေတွင်းရှိ ဧရိယာတို့ကို ဖော်ပြထားသည့် မြေပုံကို တင်ပြရမည်ဖြစ်ပြီး၊ စားကျက်မြေကို သတ်မှတ်ချထားပေးကာ နယ်နိမိတ်သတ်မှတ်ပြီးဖြစ်ကြောင်းနှင့် စွပ်စွဲထားသော ကျူးကျော်မှုကို ကျူးလွန်ခဲ့ကြောင်း တရားရုံးက သက်သေခံချက် ရယူရန် ဖြစ်သည်။ ဤအချက်များအားလုံးနှင့်စပ်လျဉ်း၍ မြေစာရင်းအရာရှိ၏ ထွက်ဆိုချက်သည် အရေးကြီးသကဲ့သို့ ကျေးရွာလူကြီး၏ ထွက်ဆိုချက်သည်လည်း အရေးပါမည်ဖြစ်သည်။

ဤအမှုများ၏ အခြေအနေအရ၊ ပြစ်ဒဏ်ချမှတ်မှုများနှင့် ပြစ်ဒဏ်များကို ကျွန်ုပ် ပယ်ဖျက်ပြီး စွပ်စွဲခံရသူများကို အမှုသစ်ပြန်လည်စစ်ဆေးရန် အမိန့်ချမှတ်သည်။ မည်သည့်ငွေဒဏ်ကိုမျှ ကောက်ခံထားခြင်းမရှိဘဲ၊ စွပ်စွဲခံရသူ မည်သူမျှ ငွေဒဏ်မဆောင်နိုင်၍ အကျဉ်းထောင်သို့ ပို့ဆောင်ခံရခြင်း မရှိသဖြင့် ငွေဒဏ်များ ပြန်လည်ပေးအပ်ရန် သို့မဟုတ် အကျဉ်းထောင်မှ လွှတ်ပေးရန် အမိန့်များ လိုအပ်မည်မဟုတ်ဟု ယူဆသော်လည်း၊ အကယ်၍ ငွေဒဏ်တစ်စုံတစ်ရာ ပေးဆောင်ခဲ့ပါက ၎င်းတို့ကို ပြန်လည်ပေးအပ်မည်ဖြစ်ပြီး စွပ်စွဲခံရသူ တစ်ဦးဦးကို အကျဉ်းထောင်သို့ ပို့ဆောင်ထားပါက ၎င်းတို့အား ဤအမှုများနှင့် သက်ဆိုင်သရွေ့ ချက်ချင်းလွှတ်ပေးမည်ဖြစ်သည်။

စွပ်စွဲခံရသူများ ချုပ်ဆိုထားသော ခံဝန်ကတိများကို ပယ်ဖျက်မည်ဖြစ်သည်။

ဥပဒေစည်းမျဉ်းများဖြင့် ပိတ်မိခြင်း၊ တရားမျှတမှုကို မျက်ကွယ်ပြုခြင်း နှင့် ‘မဟာဘာရတ ဇာတ်တော်ကြီး’ က ပေးတဲ့သင်္ခန်းစာများ

နိဒါန်း

*******

လူ့အဖွဲ့အစည်း တစ်ရပ်မှာ တရားဥပဒေရဲ့ အဓိက ရည်ရွယ်ချက်က အားနည်းသူတွေကို ကာကွယ်ပေးဖို့နဲ့ တရားမျှတမှုကို ဖော်ဆောင်ပေးရန် ဖြစ်တယ်။ အဲ့ဒီလို ဥပဒေရဲ့ တကယ့် အနှစ်သာရကို လျစ်လျူရှု၊ မျက်စိမှိတ် နားပိတ် နှလုံးသားအမှောင်ချပြီး၊ ဥပဒေရဲ့ အစဉ်အလာလုပ်ထုံးလုပ်နည်းတွေ နဲ့ ဥပဒေစာသားတွေနောက်ကိုပဲလိုက်နေမယ်ဆိုရင်၊ နိုင်ငံရဲ့ယန္တရားတစ်ခုလုံး ပြိုလဲသွားပြီး၊ သွေးချောင်းစီးစစ်ပွဲကြီးတွေ ဖြစ်လာနိုင်တဲ့အကြောင်းကို အိန္ဒိယ ဟိန္ဒူယဉ်ကျေးမှုမှာ၊ အလွန်ထင်ရှားကျော်ကြားတဲ့ "မဟာ ဘရတ The Mahābhārata" ဇာတ်တော်ကြီးက သတိပေးထားတယ်။ "မဟာဘာရတ္တဇာတ်တော်ကြီး" မှာ တွေ့မြင်ရတဲ့၊ ကုရုမင်းဆက် ပျက်သုဉ်းခဲ့ရတဲ့ သွေးချောင်းစီး မဟာစစ်ပွဲကြီးဟာ ရုတ်တရက် ပေါ်ပေါက်လာတာမျိုး မဟုတ်ဘဲ၊ တရားမျှတမှု ဆိတ်သုဉ်းခြင်း၊ ကတိသစ္စာဖေါက်ဖျက်ခြင်း နဲ့အတူ၊ လူမှုနိုင်ငံရေး ပဋိပက္ခများရဲ့ အကျိုးဆက်အဖြစ် ရှောင်လွှဲမရတော့တဲ့ အခြေအနေမှာ ပေါ်ပေါက်လာခဲ့ရခြင်း ဖြစ်တယ်။

၁။ ဥပဒေလုပ်ထုံးလုပ်နည်း စာသားများကို ဗဟိုပြုလွန်းခြင်းသည် တရားမျှတမှုကို မျက်ကွယ်ပြုရာရောက်ခြင်း

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

မဟာဘာရတဇာတ်တော်ရဲ့ အဆိုးရွားဆုံးနဲ့ အထွတ်အထိပ်ပြဿနာက၊ ကြွေအန်ကစားပွဲအပြီး လူပုံအလယ်မှာ ဒရုပ်ပါဒီအမျိုးသမီး အဝတ်ချွတ်စော်ကားခံရတဲ့ (Vastraharan) ဖြစ်ရပ်ပင် ဖြစ်တယ်။ ဒီဖြစ်ရပ်မှာ တကယ့်တရားမျှတမှု (Substantive Justice) ကို မျက်ကွယ်ပြုပြီး ဥပဒေရဲ့ သီအိုရီနဲ့ လုပ်ထုံးလုပ်နည်း ဟာကွက်တွေ (Procedural Technicalities) နောက်သို့သာ လူအများက လိုက်ခဲ့ကြခြင်းက၊ မဟာစစ်ပွဲကြီး ဖြစ်ပေါ်လာရန် အဓိက အကြောင်းရင်း ဖြစ်လာခဲ့ပုံကို မီးမောင်းထိုးပြထားတယ်။

• ယုဓိသတိရ ဟာ၊ လောင်းကစားပွဲမှာ မိမိကိုယ်ကိုရော ဇနီးဖြစ်သူ(ဒရုပ်ပါဒီ)ကိုပါ အလောင်းအစားလုပ်ပြီး ရှုံးနိမ့်ခဲ့တဲ့နောက်၊ ကောရဝညီနောင် ‘ဒုရှာသန’ က ဒရုပ်ပါဒီကို နန်းတော်ညီလာခံအလယ်ကို ဆံပင်ကနေဆွဲပြီး အကြမ်းဖက် ခေါ်ဆောင်ခဲ့တယ်။

• ဒီအခြေအနေ အချိန်အခါမှာ ဒရုပ်ပါဒီက၊ ပညာရှင်ဆန်ဆန် ဝေဘန်ထောက်ပြ ငြင်းချက်ထုတ် စိန်ခေါ်ခဲ့တဲ့ ဥပဒေရေးရာ ပြဿနာတစ်ခုဖြစ်တဲ့ "ယုဓိသတိရသည် မိမိကိုယ်ကို အရင်ရှုံးနိမ့်ခဲ့သလား၊ ကျွန်မကို အရင်ရှုံးနိမ့်ခဲ့သလား။ (ယုဓိသတိရသည် မိမိကိုယ်ကို အရင်ရှုံးနိမ့်ခဲ့သည်ဖြစ်၍) မိမိကိုယ်တိုင် ကျွန်ဖြစ်သွားသူ တစ်ယောက်တွင် သူတစ်ပါးကို (ဇနီးဖြစ်စေကာမူ) ထပ်မံ အလောင်းအစားလုပ်ပိုင်ခွင့် (Legal Right) ရှိသလား" ဆိုတဲ့ သူမရဲ့ ချေပချက်ဟာ ထိုခေတ်ကာလ တရားစီရင်ရေးနှင့် ကျင့်ဝတ်ဆိုင်ရာ အခြေခံမူတွေကို အကြီးအကျယ် တုန်လှုပ်စေခဲ့တယ်။ ဒါပေမဲ့လဲ ဒီငြင်းချက်ကို ဘယ်ဥပဒေပညာရှင်ဟု အဆိုရှိသူကမှ အလေးအနက် စဉ်းစားဆင်ခြင် ဝေဖန်သုံးသပ်မှု မပြုခဲ့ကြဘူး။

• ဒါ့အပြင် ညီလာခံမှာရှိတဲ့ မင်းကြီး၊ ပညာရှိအမတ်ကြီးတွေ၊ ဆရာသမားနဲ့ ခင်ပွန်းဖြစ်သူ စစ်သည်တော်ကြီး ငါးဦးစလုံးဟာ၊ တရားမျှတမှု အမျိုးသမီးအခွင့်အရေး လူ့ဂုဏ်သိက္ခာ စတဲ့ ဥပဒေရဲ့ အနှစ်သာရ နဲ့ အစစ်အမှန်ဓမ္မတရားတွေကို ကာကွယ်စောင့်ရှောက်ကြရမဲ့အစား၊ သူတို့နည်း သူတို့ဟန်နဲ့ လက်ခံထားတဲ့၊ ဥပဒေ စည်းမျဉ်း အစဉ်အလာ စကားလုံးတွေရဲ့ဟာကွက်တွေထဲမှာ ပိတ်မိနေပြီး ခေါင်းငုံ့တိတ်ဆိတ်နေခဲ့ကြတယ်။

၂။ တာဝန်ရှိသူတို့၏ မျက်ကွယ်ပြုမှုသည် မကောင်းမှု အဓမ္မ(Adharma) ကို တရားဝင်ခွင့်ပြုရာရောက်ခြင်း

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

ဥပဒေပြုသူတွေ၊ တရားသူကြီးတွေနဲ့ ဥပဒေကို လိုက်နာစေရန်လုပ်ဆောင်သူတွေက၊ ဥပဒေကို တရားနဲ့အညီအဓိပ္ပာယ်ကောက်ယူရန် ပျက်ကွက်တဲ့အခါမှာ၊ မတရားမှုဟာ တရားဝင် အသွင်ဆောင်လာတော့တယ်။

• အဲ့ဒီနေ့က ကောရဝတို့ရဲ့ လုပ်ရပ်ကို သက်ဆိုင်သူ လူအများက မတားဆီးခဲ့ခြင်းဟာ၊ မတရားမှုကို အသံတိတ် အသိအမှတ်ပြုလိုက်ခြင်းပင် ဖြစ်တယ်။

• ဒီလို ယုတ်ရင်းဆိုးသွမ်းမှုမျိုးကို တရားဝင်ခွင့်ပြုလိုက်သကဲ့သို့ ဖြစ်သွားခြင်းက ‘ဒူးရယောဓန’ ကို ပိုမို မောက်မာလာစေပြီး၊ နောက်ပိုင်း ငြိမ်းချမ်းရေး ဆွေးနွေးမှုအားလုံးကို ပျက်ပြားစေခဲ့တယ်။

• ဒါ့အပြင် ကောရဝတို့၏ ဖခင် ဘုရင်ကြီး ‘ဓရီတရဋ္ဌ’ (Dhritarashtra) ဟာ၊ မျက်စိကန်းနေရုံသာမက သားဖြစ်သူအပေါ် မျက်စိစုံမှိတ် အလွန်အမင်း တွယ်တာချစ်ခင်မှု (Blind Attachment) ကြောင့် အသိဉာဏ်ပါ ကန်းသွားခဲ့တယ်။ သားဖြစ်သူရဲ့ အမှားကို သိလျက်နဲ့ မတားဆီးဘဲ အလိုလိုက်ခဲ့ခြင်းဟာ တိုင်းပြည်ကို ချောက်ကမ်းပါးသို့ တွန်းပို့ခဲ့ခြင်းပင် ဖြစ်တယ်။

• ညီလာခံရှေ့မျောက်မှာ ရှိနေကြသူတွေဟာ "တရားမျှတမှု (Justice)" ဆိုတဲ့ ဓမ္မဥပဒေရဲ့ အနှစ်သာရကို ကာကွယ်ရမဲ့အစား၊ လောင်းကစားစည်းမျဉ်း၊ သစ္စာဆိုထားမှု၊ ပိုင်ဆိုင်မှု ဆိုင်ရာစည်းမျဉ်း၊ ညီအစ်ကိုကျင့်ဝတ် … အစရှိတဲ့ အပေါ်ယံ "ဥပဒေ စာသားများ” အတွင်းမှာပဲ ပိတ်မိနေခဲ့ကြတယ်။

၃။ မှားယွင်းသော သစ္စာတရားများ

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

တရားမျှတမှုရှိစေရေးကိစ္စမှာ၊ ပုဂ္ဂိုလ်ရေးခံစားချက်နဲ့ တာဝန်ဝတ္တရား လွန်ဆွဲမှုဖြစ်လာရင် စနစ်အပေါ် ယုံကြည်မှု (Public Trust) ပျက်ပြားတတ်တယ်။

• ဘိုးတော် ဘီရှမ နဲ့ ဆရာကြီးဒရိုဏ (Drona) တို့ဟာ၊ ဟက်စတီနာပူရ ထီးနန်းကို ‘မည်သည့်အခြေအနေတွင်မဆို ကာကွယ်စောင့်ရှောက်မည်’ လို့ သစ္စာဆိုထားသူများ ဖြစ်တယ်။ ဒီညီလာခံမှာ ရှင်ဘုရင်ဖြစ်သူ ဓရီတရဋ္ဌ (Dhritarashtra) ကိုယ်တိုင်က ဒီ ကြွေအံကစားပွဲကို တားဆီးခြင်း မရှိဘူး။ ဒါ့ကြောင့် ၎င်းတို့လို သစ္စာခံအမတ်တွေအနေနဲ့ ဘုရင်ရဲ့ အဆုံးအဖြတ်ကို ကျော်လွန်ပြီး ဝင်ရောက်စွက်ဖက်ခြင်းဟာ နိုင်ငံတော်သစ္စာဖောက်ဖျက်ရာရောက်မယ် ဆိုတဲ့ မိမိဘာသာ အကြောင်းပြချက်နဲ့ ဥပဒေဘောင်အတွင်းမှ နှုတ်ဆိတ်နေခဲ့ကြတယ်။ “ဆိုရေးရှိက ဆိုအပ်လှ၏” ဆိုတာကို မကျင့်သုံးခဲ့ဘူး။

• အမြင့်ဆုံး တရားစီရင်ရေး အာဏာပိုင်တွေဖြစ်တဲ့ … ဘုရင်၊ ဘိရှမ၊ ဒရိုဏ တို့ အားလုံးဟာ ဥပဒေစာသားနဲ့ ဥပဒေအကောင်အထည်ဖေါ်ရေးနည်းလမ်းပိုင်းဆိုင်ရာ ဟာကွက်တွေ (Procedural Technicalities) ကို ဆုပ်ကိုင်ပြီး၊ အမျိုးသမီးတစ်ဦး အကြမ်းဖက်ခံရမှုကို နှုတ်ဆိတ် လက်ပိုက် ကြည့်နေခဲ့ကြတယ်။

• ပါဏ္ဍဝညီနောင်ငါးဦးထဲက၊ ဘီးမ နဲ့ အာရ်ဂျူန တို့လို ခွန်အားကြီးမားတဲ့ ညီအစ်ကိုတွေကလည်း၊ ‘ဒရုပ်ပါဒီ’ အကြမ်းဖက်ခံရချိန်မှာ ဒေါသထွက်ခဲ့ကြပေမဲ့၊ ၎င်းတို့ရဲ့ အစ်ကိုကြီး ‘ယုဓိသတိရ’ ကိုယ်တိုင်က ရှုံးမဲမဲပြီး၊ ခေါင်းငုံ့နေတဲ့အတွက် ဝင်ပါခွင့် မရခဲ့ဘူး။ အစ်ကိုကြီးရဲ့ လုပ်ရပ်ကို ဆန့်ကျင်ခြင်းဟာ ညီအစ်ကိုကျင့်ဝတ် (Bhratri Dharma) ကို ဖောက်ဖျက်ရာရောက်တယ်ဆိုတဲ့၊ နည်းဥပဒေစကားလုံးတွေအပေါ်မှာ သောင်တင်ရင်း၊ မတရားမှုကို လက်ပိုက်ကြည့်နေခဲ့ရတယ်။

• ဒါ့အပြင်၊ စစ်ပွဲကြီးဖြစ်လာတဲ့အခါမှာလည်း ဘိုးတော်ဘိရှမ နဲ့ ဆရာဒရိုဏ တို့က အမှားအမှန်ကို သိပေမဲ့၊ ‘ထီးနန်းအပေါ် သစ္စာစောင့်သိရမယ်’ ဆိုတဲ့၊ တာဝန်ကို အကြောင်းပြုပြီး မတရားသော ကောရဝတို့ဘက်က ပါဝင်တိုက်ခိုက်ခဲ့တယ်။ သစ္စာ တရားဆိုတာ၊ ဆိုးယုတ်သူတွေအပေါ်ထားမိနေရင်၊ ဘာတန်ဖိုးမှ မရှိတဲ့အပြင် ပျက်သုဉ်းခြင်းကိုသာ ဖြစ်စေတယ်… ဆိုတာ မြင်နိုင်တယ်။

• ဒီလို လူတော်လူကောင်းတွေက၊ ၎င်းတို့ထားတဲ့ မှားယွင်းတဲ့ တစ်ကြောင်းဆွဲ သစ္စာတရားကြောင့် အဓမ္မဘက်က ရပ်တည်ခဲ့ခြင်းဟာ စစ်ပွဲကို ပိုမို ကြီးမားသွားစေခဲ့တယ်။

၄။ မတရားမှုခံစားခဲ့ရသူတို့၏ လက်စားချေလိုစိတ်

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

ဥပဒေရဲ့ အကာအကွယ်မရရှိတဲ့ ထိခိုက်နစ်နာသူတွေဟာ ကိုယ်ပိုင် တရားမျှတမှု ရှာဖွေရေး (Vigilante Justice) ဆီ, ဦးတည်သွားတတ်တယ်။

• လူ့အဖွဲ့အစည်းတစ်ခုလုံးရဲ့ အကာအကွယ်ကို မရခဲ့တဲ့အတွက် ဒရုပ်ပါဒီက ‘ဒုရှာသန၏ နှလုံးသွေးဖြင့် မိမိဆံပင်ကို မလျှော်ရသရွေ့ ဆံပင်ချည်နှောင်ထုံးဖွဲ့မည်မဟုတ်’ လို့ သစ္စာဆိုခဲ့တယ်။

• ဘီးမ ကလည်း ဒုရှာသနရဲ့ လက်မောင်းတွေကို ချိုးပြီး ရင်ဘတ်ကိုခွဲမယ်၊ ဒူးရယောဓနရဲ့ ပေါင်ကို ရိုက်ချိုးမယ်လို့ ကျိန်ဆိုခဲ့တယ်။

• နစ်နာခံစားရသူတွေရဲ့ အမုန်းတရားက ထွက်ပေါ်လာတဲ့ ဒီလိုကြောက်မက်ဖွယ် ကျိန်ဆိုချက်တွေဟာ၊ ငြိမ်းချမ်းရေး လမ်းစအားလုံးကို ပိတ်ပစ်ခဲ့သလို ဖြစ်သွားခဲ့တယ်။

၅။ အစွန်းရောက် လောဘနှင့် မနာလိုမှု

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

နိုင်ငံရေးနဲ့ အုပ်ချုပ်ရေးနယ်ပယ်မှာ အာဏာကို လက်ဝါးကြီးအုပ်လိုမှုဟာ အကြမ်းဖက်မှုများအားလုံးရဲ့ အဓိက မြစ်ဖျားခံရာ ဖြစ်တယ်။

• ကောရဝညီနောင်တွေရဲ့ စိတ်ဆိုးစိတ်ယုတ်ရှိသူ ဦးလေးဖြစ်တဲ့ ရှကုနိ (Shakuni) ဟာ ကုရုမင်းဆက်ကို ဖျက်ဆီးဖို့ ငယ်စဉ်ကတည်းက ကြံစည်ခဲ့သူ ဖြစ်တယ်။ ၎င်းက, ဒူးရယောဓနရဲ့ ရင်ထဲမှာ ပါဏ္ဍဝတို့အပေါ် မုန်းတီးမှု မျိုးစေ့ချပေးခဲ့တယ်။ ၎င်းကိုယ်တိုင် ကြွေအန်ကစားပွဲကိုလည်း လှည့်ဖျား စီစဉ်ခဲ့တယ်။ ၎င်းရဲ့ သွေးထိုးလှုံ့ဆော်မှုတွေက နှစ်ဖက် ပဋိပက္ခကို ပိုမို ကြီးထွားစေခဲ့တယ်။

• ပါဏ္ဍဝတို့ဟာ စုစုပေါင်း ၁၃ နှစ်ကြာ နန်းကိုစွန့်ခွာတောလည်ပြီးတဲ့နောက်၊ သဘောတူညီချက်အရ တိုင်းပြည်တစ်ဝက် ပြန်တောင်းချိန်မှာ ဒူးရယောဓနက ငြင်းဆန်ခဲ့တယ်။ ‘မဟာ ကရိရှဏ’ ကိုယ်တိုင်လာရောက်ပြီး၊ ရွာ ၅ ရွာသာ ပေးဖို့ တောင်းဆိုတာကိုတောင်၊ ‘အပ်တစ်ချောင်းစာ စိုက်လောက်သည့် မြေကိုမျှ မပေးနိုင်’ လို့ မောက်မာစွာ တုံ့ပြန်ခဲ့တယ်။ ကောရဝတွေရဲ့ ကတိပျက်မှု နဲ့ သစ္စာမဲ့ခြင်းက စစ်မက်ဖြစ်ပွားဖို့ အကြောင်းရင်းတစ်ခုဖြစ်တယ်။

• ပါဏ္ဍဝတို့ဖက်က ကြည့်ရင်၊ မိမိတို့က ငြိမ်းချမ်းရေးကို လိုလားပါသော်လည်း၊ တဖက်က စစ်မက်ကိုပဲ လိုလားတဲ့အခါ၊ ဥပဒေစနစ် နဲ့ သစ္စာတရားက အမှန်တရားကို မကာကွယ်နိုင်တော့တဲ့အခါမှာ၊ တရားမျှတမှုကို လက်နက်ဖြင့်ပြန်လည်ရှာဖွေရန်သာ ကျန်တော့တဲ့ အခြေအနေ ဆိုက်ရောက်သွားခဲ့တယ်။

နိဂုံး

*******

နိုင်ငံတကာ ဥပဒေတွေရဲ့ ဆင့်ကဲပြောင်းလဲလာမှု သမိုင်းကြောင်းကို လေ့လာကြည့်ရင်၊ အုပ်ချုပ်သူ အာဏာပိုင်တွေရဲ့ လောဘ ဒေါသ မောဟ မာန်မာန အာဃာတ၊ လူအများအတွက် တရားမျှတမှု ဆုံးရှုံးခြင်း နဲ့ လူကောင်းတွေက မတရားမှုအပေါ် နှုတ်ဆိတ်နေမှုတွေဟာ၊ အဆုံးစွန်သော ပဋိပက္ခများဆီသို့ အမြဲတစေ ဦးတည်သွားလေ့ရှိတယ်ဆိုတာကို တွေ့ရမှာဖြစ်တယ်။ ‘မဟာဘာရတ’ ဇာတ်တော်ကြီးဟာ ခေတ်အဆက်ဆက်မှာရှိတဲ့၊ ဥပဒေပညာရှင်တွေနဲ့ အုပ်စိုးသူတွေအတွက် အလွန် အဖိုးတန်တဲ့ လမ်းညွှန်မှုအမွေအနှစ်ကို ပေးအပ်ခဲ့တယ်။ ဥပဒေပြုသူတွေနဲ့ တရားမျှတမှုကို ဖေါ်ဆောင်ပေးဖို့ တာဝန်ရှိသူတွေဟာ ဥပဒေပြဌာန်ချက်စာသား (Letter of the Law) ကိုပဲ အသေဆုပ်ကိုင်ထားပြီး၊ ဥပဒေရဲ့ အသက်သွေးကြော ဝိညာဉ်ဖြစ်တဲ့ တရားမျှတမှု (Spirit of the Law) ကို မျက်ကွယ်ပြုလိုက်ရင်၊ လူအပေါင်းတို့ရဲ့ ကိုးစားယုံကြည်မှု ပျက်သုဉ်းသွားပြီး၊ လူ့အဖွဲ့အစည်း တစ်ခုလုံး သွေးချောင်းစီး စစ်ပွဲတွေအတွင်း မလွဲမသွေ ကျရောက်သွားနိုင်တယ်ဆိုတာကို ‘မဟာဘာရတ’ ဇာတ်တော်ကြီး က သက်သေပြနေတယ်။  

အေအိုင်၊ သင်္ချာပညာ ပျက်စီးခြင်း၏အစလော?

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

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

တစ်ချိန်တည်းမှာပဲ…

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

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

 

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

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

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

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

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

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

 

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

Doctrinal and Non-doctrinal Legal Research

စာပေအခြေပြု ဥပဒေသုတေသန (Doctrinal legal research) နှင့်

စာပေ-အခြေမပြု ဥပဒေသုတေသန (Non-doctrinal legal research)

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

၁။ သဘောတရား၊ အဓိပ္ပာယ်ဖွင့်ဆိုချက်နှင့် ပင်မဦးတည်ရည်ရွယ်ချက်

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

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

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

၂။ သုတေသနဝန်းကျင်နှင့် စုံစမ်းစစ်ဆေးမှုကိရိယာများ

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

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

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

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

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

၃။ ပင်မသုတေသနနည်းလမ်းများနှင့် အကြောင်းပြချက်ထုတ်ယူမှု

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

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

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

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

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

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

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

နည်းလမ်းနှစ်ခုအကြား အပြန်အလှန် ဆက်စပ်မှု

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

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