အာရုံကြောပုံတူကွန်ရက်

အာရုံကြောပုံတူ ကွန်ရက် ဆိုသည်မှာ ဦးနှောက်အတွင်းရှိ အာရုံကြောဆဲလ် (neurons) များ၏ ရိုးရှင်းသော ပုံစံတူအဖြစ် စိတ်ကူးရယူ တည်ဆောက်ထားသည့် အချင်းချင်း ချိတ်ဆက်နေသော လမ်းဆုံအမှတ် (nodes) များ အစုအဖွဲ့ ဖြစ်သည်။ ဤနေရာတွင် လျှို့ဝှက်အလွှာ (hidden layer) နှင့် ရလဒ်ထွက်အလွှာ (output layer) ထဲရှိ အပြာ/အစိမ်းရောင် စက်ဝိုင်းပုံ လမ်းဆုံအမှတ်တစ်ခုချင်းစီသည် တုပအာရုံကြောဆဲလ် (artificial neuron) တစ်ခုကို ကိုယ်စားပြုပြီး၊ ဘယ်ဘက်အစွန်းဆုံးအလွှာရှိ အနီရောင်စက်ဝိုင်းပုံ လမ်းဆုံအမှတ်တစ်ခုချင်းစီသည် ထည့်သွင်းအချက်အလက်တန်ဖိုး (input data value) တစ်ခုကို ကိုယ်စားပြုသည်။ မြှားသင်္ကေတသည် အာရုံကြောဆဲလ်တစ်ခု (သို့မဟုတ် ဒေတာလမ်းဆုံအမှတ်တစ်ခု) ၏ ရလဒ်မှ အခြားတစ်ခု၏ အဝင်ထံသို့ ချိတ်ဆက်ထားခြင်းကို ပြသသည်။

ဒေတာအခြေပြုသင်ယူမှုစနစ် (အင်္ဂလိပ်: Machine Learning) နယ်ပယ်တွင် အာရုံကြောပုံတူကွန်ရက် (အင်္ဂလိပ်: Neural Network - NN ) သို့မဟုတ် နျူရယ်နက် (အင်္ဂလိပ်: Neural Net - NN) ဆိုသည်မှာ ဇီဝဗေဒဆိုင်ရာ အာရုံကြောကွန်ရက်များ၏ တည်ဆောက်ပုံနှင့် လုပ်ဆောင်ချက်များကို စိတ်ကူးရယူ တည်ဆောက်ထားသည့် ကွန်ပျူတာတွက်ချက်မှုစနစ်သုံး မော်ဒယ်တစ်ခု ဖြစ်သည်။

အာရုံကြောပုံတူ ကွန်ရက်တစ်ခုကို ဦးနှောက်အတွင်းရှိ အာရုံကြောဆဲလ် (neurons) များ၏ သဘောတရားအတိုင်း အနီးစပ်ဆုံး ပုံတူကူးထားသည့် လူလုပ်အာရုံကြောဆဲလ် (သို့မဟုတ်) တုပအာရုံကြောဆဲလ် (artificial neurons) ဟုခေါ်သော ချိတ်ဆက်နေသည့် ယူနစ်များ သို့မဟုတ် လမ်းဆုံအမှတ် (nodes) များဖြင့် ဖွဲ့စည်းထားသည်။ မကြာသေးမီက ဇီဝဗေဒဆိုင်ရာ အာရုံကြောဆဲလ်များနှင့် ပိုမိုနီးစပ်အောင် အနုစိတ်တုပထားသည့် တုပအာရုံကြောဆဲလ် မော်ဒယ်များကို သုတေသနပြု စမ်းသပ်ခဲ့ကြပြီး၊ ၎င်းတို့သည် စွမ်းဆောင်ရည်ကို သိသာထင်ရှားစွာ မြင့်တက်စေကြောင်း တွေ့ရှိခဲ့ရသည်။ ဤအာရုံကြောဆဲလ်များကို ဦးနှောက်အတွင်းရှိ အာရုံကြောချင်းဆက်မှတ် (synapses) များအတိုင်း ပုံတူကူးထားသည့် ချိတ်ဆက်မှုမျဉ်းများ (edges) ဖြင့် ချိတ်ဆက်ပေးထားသည်။ တုပအာရုံကြောဆဲလ်တစ်ခုချင်းစီသည် မိမိနှင့်ချိတ်ဆက်ထားသော အခြားအာရုံကြောဆဲလ်များထံမှ အချက်ပြလှိုင်းများကို လက်ခံရယူပြီးနောက် ၎င်းတို့ကို စိစစ်တွက်ချက်ကာ အခြားချိတ်ဆက်ထားသည့် အာရုံကြောဆဲလ်များထံသို့ အချက်ပြလှိုင်း ပြန်လည်ပေးပို့သည်။ ဤနေရာတွင် "အချက်ပြလှိုင်း" ဆိုသည်မှာ ကိန်းစစ် (real number) တစ်ခုဖြစ်ပြီး၊ အာရုံကြောဆဲလ်တစ်ခုချင်းစီ၏ ရလဒ်ကို ၎င်းလက်ခံရရှိသမျှသော အဝင်ဒေတာအားလုံးအပေါ် အက်တစ်ဗေးရှင်းလုပ်ဆောင်ချက် (activation function) ဟုခေါ်သည့် ရိုးရှင်းမဟုတ်သော မျဉ်းကွေးတွက်ချက်မှုစနစ် (non-linear function) ဖြင့် တွက်ချက်ယူသည်။ ချိတ်ဆက်မှုတစ်ခုချင်းစီ၏ အချက်ပြလှိုင်းပြင်းအားကို အလေးသာချက်တန်ဖိုး (weight) ဖြင့် သတ်မှတ်ပြီး၊ ၎င်းတန်ဖုံကို မော်ဒယ်အား လေ့ကျင့်သင်ကြားပေးသည့် ဖြစ်စဉ် (training process) ၏ အစိတ်အပိုင်းတစ်ခုအနေဖြင့် အလိုအလျောက် ညှိနှိုင်းပြင်ဆင်သွားသည်။

ပညာရှင်များသည် အာရုံကြောဆဲလ်အုပ်စုများကို အလွှာများ (layers) အဖြစ် စုစည်းထားကြသည်။ အလွှာတစ်ခုချင်းစီသည် မိမိထံသို့ ဝင်ရောက်လာသော ဒေတာများအပေါ် ပြောင်းလဲမှုပုံစံတစ်မျိုးစီ လုပ်ဆောင်ပေးသည်။ အချက်ပြလှိုင်းများသည် ပထမဆုံးအလွှာ (အဝင်အလွှာ - input layer) မှသည် နောက်ဆုံးအလွှာ (ရလဒ်ထွက်အလွှာ - output layer) ထံသို့ စီးဆင်းသွားကြပြီး၊ ပုံမှန်အားဖြင့် ကြားခံအလွှာပေါင်းများစွာ (လျှို့ဝှက်အလွှာများ - hidden layers) ကို ဖြတ်သန်းသွားရသည်။ ကွန်ရက်တစ်ခုတွင် အနည်းဆုံး လျှို့ဝှက်အလွှာ ၂ ခုနှင့်အထက် ပါဝင်နေပါက ၎င်းကို ပုံမှန်အားဖြင့် နက်နဲသောအာရုံကြောကွန်ရက် (deep neural network) ဟု ခေါ်ဆိုသည်။ ဤနက်နဲသောအာရုံကြောကွန်ရက်များသည် ရှုပ်ထွေးနက်နဲသည့် ဒေတာအဆောက်အအုံဆိုင်ရာ ကိုယ်စားပြုပုံစံများ (hierarchical representations) ကို အဆင့်ဆင့် သင်ယူမှတ်သားနိုင်စွမ်း ရှိကြသည်။

ပညာရှင်များသည် အာရုံကြောပုံတူ ကွန်ရက်များကို လေ့ကျင့်သင်ကြားပေးရန်အတွက် ကြီးမားလှသော ဒေတာအစုများနှင့် ဂရပ်ဖစ်ကတ် (GPUs) များကို အသုံးပြု၍ တွက်ချက်မှုစွမ်းရည် အလွန်မြင့်မားသော လုပ်ငန်းစဉ်ကြီးတစ်ခုအဖြစ် အရှိန်မြှင့်လုပ်ဆောင်ကြသည်။

ကွန်ဗိုလူးရှင်းနယ် အာရုံကြောပုံတူကွန်ရက် (Convolutional Neural Networks - CNNs) ကဲ့သို့သော တည်ဆောက်ပုံစနစ်သစ်များသည် ကွန်ပျူတာအမြင်အာရုံစနစ် (computer vision) ဆိုင်ရာ လုပ်ငန်းစဉ်များတွင် စွမ်းဆောင်ရည်ကို သိသာထင်ရှားစွာ မြင့်တက်စေခဲ့သည်။ ထို့အတူ ပြန်လည်ပတ်အာရုံကြောပုံတူကွန်ရက် (Recurrent Neural Networks - RNNs) များသည်လည်း လူသားတို့၏ စကားပြောအသံနှင့် အချိန်အပိုင်းအခြားအလိုက် အချက်အလက် (time-series information) ကဲ့သို့သော စဉ်ဆက်မပြတ်ဒေတာများကို ပုံဖော်တွက်ချက်နိုင်စွမ်းကို ပေးစွမ်းနိုင်ခဲ့သည်။ ထို့နောက် ပေါ်ပေါက်လာသည့် Transformer တည်ဆောက်ပုံစနစ်များသည် အာရုံစိုက်မှုဗျူဟာ (attention mechanisms) များကို မိတ်ဆက်ပေးခဲ့ပြီး၊ ၎င်းဗျူဟာသည် အာရုံကြောပုံတူကွန်ရက်များအား အချက်အလက်များအတွင်းရှိ အလှမ်းကွာဝေးသော ဆက်နွှယ်မှုများကိုပါ ပုံဖော်တွက်ချက်နိုင်စွမ်း ရှိစေခဲ့သည့်အပြင် လက်ရှိအဆင့်မြင့် ဘာသာစကားမော်ဒယ်ကြီးများ (LLMs) ၏ အခြေခံအုတ်မြစ်လည်း ဖြစ်လာခဲ့သည်။

လူလုပ် တုပအာရုံကြောကွန်ရက်များကို ချက်ဘော့ (chatbots) များ ဖန်တီးခြင်း၊ အတိုင်းအတာကြီးမားသော စာသားများ၊ ရုပ်ပုံများနှင့် ဗီဒီယိုများ ထုတ်လုပ်ခြင်းနှင့် စက်ရုပ်နည်းပညာ (robotics) အပါအဝင် လုပ်ငန်းကဏ္ဍပေါင်းစုံတွင် ကျယ်ပြန့်စွာ အသုံးချကြသည်။

ပညာရှင်များသည် ၎င်းကွန်ရက်ကို ကြယ်ငါး နှင့် သံပခြုပ် များ ပါဝင်ကြောင်း သေချာသည့် ရုပ်ပုံအမြောက်အမြား အသုံးပြု၍ လေ့ကျင့်ပေးကြသည်။ ၎င်းရုပ်ပုံများသည် မြင်ကွင်းဆိုင်ရာ ထူးခြားချက်ဂုဏ်သတ္တိများ ကို ကိုယ်စားပြုသည့် "လမ်းဆုံအမှတ်များ" နှင့် ဆက်စပ်နေသည်။ ကြယ်ငါးများသည် ကွင်းပုံစံအသွင်အပြင် (ringed texture) နှင့် ကြယ်ပုံသဏ္ဌာန် အပြင်လိုင်းတို့နှင့် ကိုက်ညီပြီး၊ ပင်လယ်သံပခြုပ် အများစုမှာမူ အစင်းကြောင်းအသွင်အပြင် (striped texture) နှင့် ဘဲဥပုံသဏ္ဌာန်တို့နှင့် ကိုက်ညီကြသည်။ သို့သော် ကွင်းပုံစံအသွင်အပြင်ရှိသော ပင်လယ်သံပခြုပ် နမူနာတစ်ခုကြောင့် ၎င်းတို့အကြားတွင် အားနည်းသော အလေးသာချက် ဆက်နွှယ်မှု (weakly weighted association) တစ်ခု ဖြစ်ပေါ်လာသည်။

ထည့်သွင်းရုပ်ပုံတစ်ခုပေါ်တွင် ကွန်ရက်ကို နောက်ဆက်တွဲ စမ်းသပ်မောင်းနှင်ခြင်း - ကွန်ရက်သည် ကြယ်ငါးကို မှန်ကန်စွာ ရှာဖွေဖော်ထုတ်ပေးနိုင်သည်။ သို့သော် ကွင်းပုံစံအသွင်အပြင်နှင့် ပင်လယ်သံပခြုပ်အကြားရှိ အားနည်းသော အလေးသာချက် ဆက်နွှယ်မှုကြောင့် ကြားခံလမ်းဆုံအမှတ် (intermediate nodes) နှစ်ခုအနက် တစ်ခုထံမှ ပင်လယ်သံပခြုပ်ရလဒ်ထံသို့ အားနည်းသော အချက်ပြလှိုင်း (weak signal) တစ်ခုကိုလည်း ပေးပို့စေသည်။ ထို့အပြင် ကနဦးလေ့ကျင့်မှုတွင် မပါဝင်ခဲ့သော ခရုကမာခွံတစ်ခုသည် ဘဲဥပုံသဏ္ဌာန်အတွက် အားနည်းသော အချက်ပြလှိုင်းတစ်ခုကို ပေးသဖြင့် ပင်လယ်ကမ္ဗည်း ရလဒ်ထွက်ရာတွင်လည်း အားနည်းသော အချက်ပြလှိုင်းတစ်ခု ဖြစ်ပေါ်လာစေသည်။ ဤကဲ့သို့သော အားနည်းသည့် အချက်ပြလှိုင်းများသည် ပင်လယ်သံပခြုပ်အတွက် မှားယွင်းသော အပြုသဘောရလဒ် (false positive) ကို ထွက်ပေါ်လာစေနိုင်သည်။ (မှတ်ချက် - လက်တွေ့မြေပြင်တွင် အသွင်အပြင်များနှင့် အပြင်လိုင်းပုံသဏ္ဌာန်များကို လမ်းဆုံအမှတ်တစ်ခုတည်းဖြင့် ဖော်ပြခြင်းမဟုတ်ဘဲ လမ်းဆုံအမှတ်အများအပြား၏ ဆက်စပ်နေသော အလေးသာချက်ပုံစံများဖြင့်သာ ဖော်ပြခြင်း ဖြစ်သည်)