ကောင်းမွန်တဲ့ AI Tool တစ်ခု ဘယ်လိုဖန်တီးရမလဲ

ဒီနေ့ခေတ်မှာ AI (Artificial Intelligence)  တွေက အရမ်းခေတ်စားလာပြီ။ AI ဆိုတာ နည်းပညာတွေထဲမှာ အရမ်း Hot ဖြစ်နေတဲ့အရာဖြစ်ပါတယ်။ Chatbot တွေ၊ Voice Assistant တွေ၊ Data Analysis Tools တွေအပါအဝင် မနည်းအရာတွေကို AI နဲ့ ဖန်တီးလို့ရနေပြီ။ ဒါပေမယ့် AI tool တစ်ခုကို “ကောင်းတဲ့ tool” ဖြစ်အောင်လုပ်ဖို့က အလွယ်တကူ မဖြစ်သေးပါဘူး။ စဉ်းစားထားတဲ့ စီမံချက်၊ အသုံးပြုသူအတွက် သင့်တင့်မှု၊ နည်းပညာနဲ့ ညီထွေမှုတို့လိုအပ်ပါတယ်။  AI Tool တိုင်းက အောင်မြင်ပြီး အသုံးဝင်နေတာတော့ မဟုတ်ပါဘူး။ တချို့ Tool တွေက အတော်လေး ရှုပ်ထွေးပြီး သုံးရခက်ပါတယ်။ ဒါဆိုရင် တကယ့်ကို ကောင်းမွန်တဲ့၊ လူတွေရဲ့ပြဿနာကို ဖြေရှင်းပေးနိုင်တဲ့ AI Tool တစ်ခုကို ဘယ်လိုများ ဖန်တီးနိုင်မလဲ?

အဆင့် ၁ အနေနဲ့ အရင်ဆုံး "ဘာအတွက်လဲ" ဆိုတာကို အရင်ဆုံးသိအောင်လုပ်ဖို့လိုအပ်ပါတယ်။AI ဆိုတာက နည်းပညာသက်သက် မဟုတ်ဘူး။ သူက ပြဿနာတစ်ခုကို ဖြေရှင်းဖို့အတွက် ကိရိယာ တစ်ခုပဲ။ဘယ်ပြဿနာကို ဖြေရှင်းမလဲ? အရင်ဆုံး "ဘာကို ဖြေရှင်းချင်သလဲ" ဆိုတာ သေချာအောင် သတ်မှတ်ပေးဖို့လိုပါတယ်။

• ဘယ်သူတွေ အသုံးပြုမလဲ?
• ဘာကို အဆင်ပြေစေချင်တာလဲ?

ဥပမာ  အနေနဲ့ ပြောရရင် Grammar အပြစ်ကို စစ်ပေးမယ့် AI tool တစ်ခုဆိုရင်  အသုံးပြုသူအတွက် စာရေးဖို့ လွယ်အောင်၊ စိတ်အနှောက်အယှက်မဖြစ်အောင် အရေးကြီးပါတယ်။ကိုယ်ဖန်တီးမယ့် Tool က လူတွေရဲ့ အချိန်ကုန်‌အောင် ၊ အမှားတွေများနေတာတွေ  ဒါမှမဟုတ် ဆုံးဖြတ်ရခက်တဲ့ အလုပ်တွေကို လွယ်ကူအောင် ဘယ်လို လုပ်ပေးမလဲဆိုတာကို အတိအကျ သတ်မှတ်ဖို့လိုအပ်ပါတယ်။ဥပမာ ပြောရမယ်ဆိုရင်တော့ Customer တွေရဲ့ မေးခွန်းတွေကို အမြန်ဖြေဖို့လား၊ ဒါမှမဟုတ် စာရင်းအင်းတွေထဲက ပုံမှန်မဟုတ်တဲ့အရာတွေကို ရှာဖွေဖို့လား? ဆို တာမျိုး တွေပဲဖြစ်ပါတယ်။

            ဒါတင်မကပဲ tool အတွက် အောင်မြင်မှု တိုင်းတာချက်ကို သတ်မှတ်ဖို့လိုအပ်ပါတယ်။ဒီ Tool အောင်မြင်တယ်လို့ ဘယ်လိုပြောနိုင်မလဲ? 'Customer ကို စောင့်ဆိုင်းချိန်ကို ၂၀% လျှော့ချနိုင်ရမယ်' လိုမျိုး တိကျတဲ့ ပန်းတိုင် ထားဖို့လိုအပ်ပါတယ်။ ဒါမှ ကိုယ့်ရဲ့ AI က တကယ်တန်ဖိုးရှိမရှိ သိနိုင်မှာဖြစ်ပါတယ်။

                ဒါ့အပြင် ဘယ်သူတွေသုံးမှာလဲဆိုတာ နားလည်ဖို့လိုအပ်ပါတယ်။ကိုယ့်ရဲ့ အသုံးပြုသူ (User) တွေက ဘယ်လိုလူမျိုးတွေလဲ၊ သူတို့ရဲ့ လုပ်ငန်းပုံစံက ဘယ်လိုလဲဆိုတာ လေ့လာဖို့လိုအပ်ပါတယ်။ Tool က သူတို့ရဲ့အလုပ်ကို ပိုကောင်းအောင် လုပ်ပေးရမှာ၊ ရှုပ်ထွေးအောင် လုပ်မိလို့ မရဘူးဆိုတာ ကလည်း အရေးကြီးပါတယ်။

အဆင့် ၂  အနေနဲ့ ကတော့  "အချက်အလက် (Data)" ကောင်းကောင်းရအောင် ပြင်ဆင်ဖို့လိုအပ်ပါတယ်။ အရည် အသွေးကောင်းတဲ့ Data ရှိဖို့ လိုအပ်ပါတယ်။ ဘာလို့လဲ ဆိုတော့ AI ဆိုတာ Data ကနေ သင်ယူတာမျိုး ဖြစ်တာ ကြောင့် မကောင်းတဲ့ Data ထည့်ရင် အဖြေလည်း မမှန်နိုင်ပါဘူး။ဒါကြောင့်

• အမျိုးမျိုးထဲက တိကျတဲ့ Data ရှာဖို့။
• အမှားအယွင်း၊ မလိုအပ်တဲ့အရာတွေ ဖယ်ရှားပေးဖို့။
• နောက်ပိုင်းမှာလည်း အချိန်နဲ့အမျှ Update လုပ်ပေးဖို့။

 ဆိုတဲ့ အချက်တွေကို လိုက်နာဖို့လိုပါတယ်။  Data ကောင်းမှ AI tool က အာနိသင်ရှိလာမှာဖြစ်ပါတယ်။AI Tool ရဲ့ အသက် ဟာ Data ပဲ။ Data မကောင်းရင် AI က ဘယ်တော့မှ မကောင်းနိုင်ဘူး။ ဒါကြောင့်Data အရည်အသွေး စစ်ဆေးပါ။ ကိုယ်သုံးမယ့် Data တွေဟာ ပြည့်စုံမှုရှိလား၊ မှန်ကန်လား၊ နောက်ဆုံးပေါ်လား၊ လုံလောက်လား ဆိုတာ သေချာစစ်ပါ။ Data မှာ အမှားတွေ ပါနေရင်၊ AI ရဲ့ ရလဒ်တွေကလည်း အမှားတွေပဲ ဖြစ်နေမှာဖြစ်ပါတယ်။

            ဒါတင်မကပဲ Data မျှတမှု (Bias) ကို သတိထားပါ။Data ထဲမှာ တချို့အုပ်စုတွေကို ဦးစားပေးတာမျိုး၊ ဒါမှမဟုတ် ချန်လှပ်ထားတာမျိုး ဖြစ်နေရင် AI က ခွဲခြားဆက်ဆံတဲ့ ဆုံးဖြတ်ချက် တွေ ပေးမိနိုင်တယ်။ ဒါကြောင့် Data ကို မျှတအောင် စီစဉ်ဖို့လိုအပ်ပါတယ်။ AI tool က ကျိုးကြောင်းနဲ့ သဘာဝကျ ဖို့လိုပါတယ်။

• Data မှာ ညွတ်တာ၊ မညီမျှတာ မဖြစ်အောင် စောင့်ကြည့်ဖို့။
• Tool ရဲ့ အားသာချက်နဲ့ အားနည်းချက်ကို အမှန်အတိုင်း ပြောဖို့။
• အသုံးပြုသူ Privacy ကို ကာကွယ်ဖို့ ဆိုတဲ့ အချက်တွေက ကလည်း အရေးကြီးပါတယ်။

            လုံခြုံရေးနဲ့ ကိုယ်ရေးကိုယ်တာ (Privacy) ဆိုတာကို မေ့ပစ်လို့မရပါဘူး။Data တွေ ဘယ်လို သိမ်းဆည်းမလဲ၊  ဘယ်သူတွေ ဝင်ကြည့်ခွင့်ရှိမလဲဆိုတာ စည်းမျဉ်းတွေ သတ်မှတ်ဖို့လိုအပ်ပါတယ်။ ဥပဒေနဲ့အညီ လိုက်နာဖို့ ကလည်း အရမ်းကိုအရေးကြီးပါတယ်။

အဆင့် ၃ ကတော့  နည်းပညာပိုင်း အကောင်အထည်ဖော်ခြင်းနှင့် ကျင့်ဝတ် (Ethics) နဲ့ ဆိုင်တာပဲ ဖြစ်ပါတယ်။ဒီအဆင့်ရောက်ရင်တော့ AI Model ကို စတင်တည်ဆောက်ပြီး အသုံးပြုသူလက်ထဲကို ဘယ်လိုရောက်အောင် ပို့မလဲဆိုတာ စဉ်းစားရမှာ ဖြစ်ပါတယ်။

နောက်ထပ်ကမှန်ကန်တဲ့ နည်းပညာကို ရွေးချယ်ခြင်းဖြစ်ပါတယ်။ AI မှာ နည်းပညာအမျိုးမျိုးရှိပါတယ်။

• စာအခြေပြု အလုပ်တွေကို NLP (Natural Language Processing) နဲ့ လုပ်လို့ ရပါတယ်။
• ဓာတ်ပုံ၊ ဗီဒီယိုနဲ့ ပတ်သက်ရင် Computer Vision လိုအပ်ပါတယ်။
• အနာဂတ်ခန့်မှန်းမှု၊ Pattern တွေ သုံးချင်ရင် Machine Learning နဲ့ Deep Learning သုံးပါတယ်။

တိကျမှု၊ မြန်ဆန်မှု၊ တိုးချဲ့နိုင်မှုကို ညီမျှစွာ စဉ်းစားပြီး ရွေးဖို့ အရေးကြီးပါတယ်။ ကိုယ့်ပြဿနာနဲ့ အသင့်တော်ဆုံး AI အမျိုးအစား (ဥပမာ- Deep Learning, NLP, Computer Vision) ကိုရွေးပြီး Python လို ဘာသာစကား၊ TensorFlow ဒါမှမဟုတ် PyTorch လို Framework တွေကို အသုံးပြုဖို့လိုအပ်ပါတယ်။

                Model ကို လေ့ကျင့်ပြီး တော့ နောက်တဆင့်အနေနင့် စမ်းသပ်ကြည့်ဖို့လိုအပ်ပါတယ်။ကိုယ့်ရဲ့ Data တွေကို လေ့ကျင့်ရန် (Training)၊ အတည်ပြုရန် (Validation) နဲ့ စမ်းသပ်ရန် (Testing) ဆိုပြီး သုံးပိုင်းခွဲပါ။ ယုံကြည်စိတ်ချရမယ့် AI tool များပဲ အောင်မြင်လေ့ရှိပါတယ်။Model ကို Data တွေနဲ့ ထပ်ခါတလဲလဲ လေ့ကျင့်ပြီး စမ်းသပ် Data အသစ်တွေပေါ်မှာ မှန်ကန်စွာ အလုပ်လုပ်နိုင်မလားဆိုတာ စစ်ဆေးပါ။ ဒီလိုမှ Overfitting လိုမျိုး ပြဿနာတွေကို ရှောင်ရှားနိုင်မှာဖြစ်ပါတယ်။

                လူသား ကြီးကြပ်မှု (Human Oversight) ထည့်သွင်းစဥ◌်းစားပါ။AI က ထုတ်ပေးတဲ့ ရလဒ်တိုင်းကို လူက ပြန်စစ်ဆေးနိုင်မယ့် စနစ်တစ်ခု ထည့်သွင်းပါ။ အထူးသဖြင့် ဆုံးဖြတ်ချက်ကြီးတွေ ပေးရတဲ့အခါမျိုးမှာပေါ့။ AI ဟာ အကူအညီပေးတဲ့ ကိရိယာ သာ ဖြစ်သင့်ပြီး လူကို လုံးဝအစားထိုးတာမျိုး မဖြစ်သင့်ဘူး။

                ပွင့်လင်းမြင်သာမှု (Transparency) ဆိုတာလည်း ရှိဖို့လိုအပ်ပါတယ်။သင့် AI က ဘာကြောင့် ဒီလို ဆုံးဖြတ်ချက်မျိုး ပေးခဲ့တာလဲဆိုတာကို User တွေ နားလည်နိုင်အောင် ကြိုးစားပါ။ Model ရဲ့ လုပ်ဆောင်ပုံကို ရှင်းပြနိုင်လေ၊ လူတွေက ပိုပြီး ယုံကြည်စိတ်ချစွာ သုံးစွဲကြလေ ဖြစ်မှာပါ။

အဆင့် ၄ ကတော့ ဖြန့်ချိခြင်းနှင့် အမြဲမပြတ်တိုးတက်အောင် လုပ်ဆောင်ခြင်းဖြစ်ပါတယ်။ AI Tool ကို စတင်အသုံးပြုပြီးတဲ့နောက်မှာ အလုပ်ပြီးသွားပြီလို့ မယူဆပါနဲ့။ တကယ်တော့ အဲဒီအချိန်ကမှ အစပဲ ရှိပါသေးတယ်။လက်ရှိစနစ်ထဲ အလွယ်တကူ ထည့်သွင်းဖို့လိုအပ်ပါတယ်။Tool ကို User တွေရဲ့ လက်ရှိအလုပ်လုပ်ပုံ (Workflow) ထဲကို အလွယ်တကူ ပေါင်းစပ်နိုင်အောင် လုပ်ပါ။ သုံးရတာ ရှုပ်ထွေးနေရင် ဘယ်သူမှ သုံးမှာမဟုတ်ဘူး။ အသုံးပြုသူအတွက် လွယ်ကူစေဖို့ က အရေးကြီးပါတယ် ။ AI tool က သုံးရတာ အဆင်ပြေရမယ်။

• Interface လွယ်ကူဖို့။
• အဖြေ ဘာကြောင့် အဲဒီလို ထွက်လာသလဲဆိုတာ ရှင်းပြပေးနိုင်ဖို့။
• အသုံးပြုသူလိုအပ်ချက်အလိုက် ပြင်ဆင်နိုင်ဖို့။

အသုံးပြုသူကို အထောက်အကူမဖြစ်ဘဲ အနှောက်အယှက် ဖြစ်သွားရင် Tool ကောင်းမဟုတ်ပါ။အမြဲတမ်း စောင့်ကြည့်ပါ။AI Model ရဲ့ စွမ်းဆောင်ရည် (Performance) ကို အချိန်နဲ့အမျှ စောင့်ကြည့်ပါ။ တကယ့်လက်တွေ့ကမ္ဘာမှာ Data တွေက ပြောင်းလဲနေတာမို့ Model ရဲ့ စွမ်းဆောင်ရည်ကလည်း ကျဆင်း (Drift) သွားနိုင်တယ်။ အသုံးပြုသူအတွက် Support ပေးဖို့

အောင်မြင်တဲ့ Tool တစ်ခုမှာ သိထားရမယ့်အချက်တွေ ရှင်းပြထားတဲ့ Guide နဲ့ Customer Support လည်း အရေးကြီးပါတယ်။AI tool က ကျိုးကြောင်းနဲ့ သဘာဝကျ ဖို့လိုပါတယ်။

• Data မှာ ညွတ်တာ၊ မညီမျှတာ မဖြစ်အောင် စောင့်ကြည့်ဖို့။
• Tool ရဲ့ အားသာချက်နဲ့ အားနည်းချက်ကို အမှန်အတိုင်း ပြောဖို့။
• အသုံးပြုသူ Privacy ကို ကာကွယ်ဖို့။

ယုံကြည်စိတ်ချရမယ့် AI tool များပဲ အောင်မြင်လေ့ရှိပါတယ်။

                ဒါကြောင့် အသုံးပြုသူဆီကနေပြီး အမြဲတမ်း Feedback ယူဖို့လိုအပ်ပါတယ်။User တွေရဲ့ အကြံဉာဏ်တွေကို တန်ဖိုးထားပြီး စုဆောင်းပါ။ သူတို့ရဲ့ ပြောစကားတွေက Model ကို ဘယ်လို ပြန်လည်လေ့ကျင့်ရမယ်၊ ဘယ်အပိုင်းတွေကို ပိုကောင်းအောင် လုပ်ရမယ်ဆိုတာကို လမ်းညွှန်ပေးပါလိမ့်မယ်။ဒီအဆင့်တွေကို သေသေချာချာ လိုက်နာပြီး ဖန်တီးမယ်ဆိုရင် သုံးရတာလည်း လွယ်ကူ၊ အကျိုးလည်းရှိတဲ့ AI Tool ကောင်းကောင်းတစ်ခုကို အောင်မြင်စွာ ဖန်တီးနိုင်မှာ သေချာပါတယ်!

AI tool ကောင်းတစ်ခု ဖန်တီးဖို့ အဓိကလိုအပ်တာတွေက ပြဿနာကို သေချာသတ်မှတ်ထားခြင်း၊ အရည်အသွေးကောင်းတဲ့ Data သုံးခြင်း၊ အသုံးပြုသူအတွက် လွယ်ကူအောင် တည်ဆောက်ခြင်း၊ တာဝန်ရှိပြီး ယုံကြည်စိတ်ချရခြင်း တို့ပါ။ ဒီအချက်တွေကို သေချာလိုက်နာသွားရင် လူနဲ့ အဖွဲ့အစည်းတွေကို တကယ့်အကျိုးကျေးဇူး ရှိစေမယ့် AI tool ကို ဖန်တီးနိုင်မယ်လို့ ယုံကြည်ပါတယ်။

Dr La Wynn Sandi
Associate Professor, Strategy First Int'l College
B.C.Sc, B.C.Sc. (Hons), M.C.Sc., Ph.D (IT)