AI ကျင့်ဝတ်များသည် AI ကျင့်ဝတ်များကို အဆိပ်သင့်စေရန် သို့မဟုတ် ဘက်လိုက်မှုဖြစ်စေရန် လေ့ကျင့်ပေးခြင်းသည် အဆိုပါ ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရ ကိုယ်တိုင်မောင်းနှင်သည့်ကားများအတွက် အကျိုးကျေးဇူးဖြစ်နိုင်သည်

ဒါကတော့ အရင်က ကြားဖူးတဲ့ စာကြောင်းဟောင်းတစ်ပုဒ်ပါ။

တစ်ခုသိဖို့တော့လိုတယ်။

ဤသည်မှာ 1900 ခုနှစ်များအစောပိုင်းတွင် ခြေရာခံနိုင်သည့်အသုံးအနှုန်းဖြစ်ပြီး အမှားကျူးလွန်သူများကိုရည်ညွှန်းသောအခါတွင် မကြာခဏခေါ်ဝေါ်လေ့ရှိသည် (ယင်းစကားပုံ၏အခြားပုံစံများသည် 1600 ခုနှစ်များကဲ့သို့သောနောက်သို့ပြန်သွားသည်) ကို သင်သဘောပေါက်မည်မဟုတ်ပေ။ ဒီစကားကို ဘယ်လိုသုံးရမယ်ဆိုတာ ဥပမာတစ်ခုက သူခိုးဖမ်းချင်ရင် သူခိုးကို သုံးရမယ် ဆိုတဲ့ သဘောတရားကို ပါ၀င်ပါတယ်။ ယင်းက တစ်ဦးကို သိရန် လိုအပ်သည်ဟု အခိုင်အမာ ဖော်ပြသည်။ ရုပ်ရှင်နှင့် တီဗီရှိုးများစွာသည် ဤလက်တွေ့ပညာရှိ ပညာရှိများကို အရင်းအနှီးပြုထားပြီး တစ်ခုတည်းသော အကျုံးဝင်သော လူလိမ်ကို ဖမ်းရန် တစ်ခုတည်းသော နည်းလမ်းမှာ အမှားကျူးလွန်သူကိုလိုက်ရန် တူညီသော အကျင့်ပျက်လူလိမ်ကို ငှားရမ်းခြင်းတွင် ပါဝင်သည်ဟု မကြာခဏ ပုံဖော်ထားသည်။

ဂီယာပြောင်းခြင်း၊ အချို့က တစ်စုံတစ်ဦးသည် မလျော်ကန်သော ဘက်လိုက်မှုနှင့် ခွဲခြားဆက်ဆံမှုဆိုင်ရာ ယုံကြည်ချက်များကို ထည့်သွင်းထားခြင်းရှိမရှိ သင့်လျော်သောနည်းလမ်းကို ပိုင်းခြားရန် သင့်လျော်သောနည်းလမ်းမှာ ထိုကဲ့သို့သော သဘောထားများကို ခိုင်ခံ့နေပြီဖြစ်သော တစ်စုံတစ်ဦးကို ရှာဖွေခြင်းဖြစ်မည်ကို စောဒကတက်ရန် ဂီယာများကို တွန်းလှန်နိုင်သည်။ ဘက်လိုက်မှု နှင့် ပြည့်စုံပြီးသော ပုဂ္ဂိုလ်သည် ဤအခြားလူသားသည် အလားတူ အဆိပ်အတောက် အပြည့်ဖြင့် ပြည့်နှက်နေသည် ကို ပို၍ လွယ်ကူစွာ သဘောပေါက်နိုင်လိမ့်မည် ဟု ယူဆပါသည်။ တစ်ဖန် မြတ်စွာဘုရားသည် ကြည်ညိုသော မန္တန်ကို သိရန် လိုအပ်ပြန်သည်။

အခြားဘက်လိုက်သူအား ပြစ်တင်ရှုံ့ချရန် ဘက်လိုက်သူတစ်ဦးကို အသုံးပြုခြင်း၏ ဖြစ်နိုင်ခြေအပေါ် သင်၏ ကနဦးတုံ့ပြန်မှုသည် သံသယနှင့် မယုံကြည်မှုတို့အနက်မှ ဖြစ်နိုင်သည်။ တစ်စုံတစ်ဦးသည် ၎င်းတို့အား ဆန်းစစ်ရုံမျှဖြင့် သဘာဝနှင့်တူသော အခြားသူတစ်ဦးကို ရှာဖွေရန် အားကိုးအားထားပြုနေစရာမလိုဘဲ တစ်စုံတစ်ယောက်သည် ၎င်းတို့အား ဆန်းစစ်ရုံမျှဖြင့် ဘက်လိုက်မှု စွဲလမ်းခြင်းရှိ၊ အဆိပ်အတောက်ဖြစ်စေသော အခြားသူများကို ဖော်ထုတ်နိုင်ရန် ဘက်လိုက်မှုရှိသော တစ်စုံတစ်ဦးကို ရည်ရွယ်ချက်ရှိရှိ ရှာဖွေတွေ့ရှိခြင်းသည် ထူးဆန်းပုံရသည်။

တစ်စိတ်တစ်ပိုင်းသိဖို့ လိုအပ်တယ်လို့ ယူဆထားတဲ့ ငြင်းဆန်မှုကို လက်ခံဖို့ ဆန္ဒရှိမရှိအပေါ် တစ်စိတ်တစ်ပိုင်းမူတည်တယ်လို့ ကျွန်တော်ထင်ပါတယ်။ သူခိုးကိုဖမ်းဖို့ တစ်ခုတည်းသောနည်းလမ်းက သင်သီးသန့် သူခိုးကို အမြဲအသုံးပြုဖို့ လိုအပ်တယ်ဆိုတာ သတိပြုပါ။ ဤသည်မှာ ထည့်သွင်းစဉ်းစားရမည့်လမ်းကြောင်းတစ်ခုမျှသာဖြစ်သည်ဟု ကျိုးကြောင်းဆီလျော်စွာ စောဒကတက်နိုင်ပုံရသည်။ တစ်ခါတစ်ရံတွင် သင်သည် သူခိုးတစ်ဦးကို ဖမ်းရန် သူခိုးကို ဖမ်းရန် ဖြစ်နိုင်ချေကို ဖျော်ဖြေရန် ဆန္ဒရှိနေသော်လည်း အခြားအခြေအနေများက ၎င်းကို နားမလည်နိုင်သော နည်းဗျူဟာတစ်ခု ဖြစ်လာစေနိုင်သည်။

သူတို့ပြောသလို မှန်ကန်တဲ့ setting အတွက် မှန်ကန်တဲ့ tool ကိုသုံးပါ။

အခု ဒီအခြေခံအချက်တွေကို ကျွန်တော်ချပြပြီးပါပြီ၊ ဒီပုံပြင်ရဲ့ အံသြဖွယ်ကောင်းပြီး သိသိသာသာ တုန်လှုပ်ချောက်ချားဖွယ်ကောင်းတဲ့ အပိုင်းကို ဆက်သွားနိုင်ပါတယ်။

အဆင်သင့်ဖြစ်ပြီလား?

AI နယ်ပယ်သည် တစ်ခါတစ်ရံတွင် တစ်ဦးကိုတစ်ဦး သိရန် လိုအပ်သည်ဟူသော တူညီသော စည်းမျဉ်းကို တက်ကြွစွာ လိုက်လျှောက်နေသည်၊ အထူးသဖြင့် ဘက်လိုက်သော သို့မဟုတ် ခွဲခြားဆက်ဆံမှုပြုသည့် AI ကို တွန်းလှန်ရန် ကြိုးစားသည့် ကိစ္စမျိုးတွင် ဖြစ်သည်။ ဟုတ်တယ်၊ စိတ်ပြောင်းတဲ့ အယူအဆကတော့ အပြည့်အ၀ ဘက်လိုက်မှုကင်းပြီး ခွဲခြားဆက်ဆံတတ်တဲ့ AI ကို ရည်ရွယ်ချက်ရှိရှိနဲ့ တီထွင်ဖန်တီးချင်တာပါ၊ ဒါက အဆိပ်သဏ္ဍာန်တူတဲ့ တခြား AI ကို ရှာဖွေဖော်ထုတ်ပြီး ဖော်ထုတ်ဖို့ နည်းလမ်းတစ်ခုအနေနဲ့ အသုံးပြုနိုင်ဖို့ ရည်ရွယ်ချက်ရှိရှိနဲ့ တီထွင်ဖန်တီးချင်တာပါ။ ခဏတာမြင်ရသလိုပဲ AI ကျင့်ဝတ်ဆိုင်ရာ ပြဿနာတွေရဲ့ အရင်းခံကတော့ အမျိုးမျိုးသော စိတ်အနှောင့်အယှက်ဖြစ်စေပါတယ်။ ကျွန်ုပ်၏ AI Ethics နှင့် Ethical AI ၏ ခြုံငုံပြီး ကျယ်ပြန့်သော လွှမ်းခြုံမှုအတွက် ကြည့်ပါ။ ဒီမှာလင့်ခ် နှင့် ဒီမှာလင့်ခ်ရုံအနည်းငယ်အမည်ကိုရန်။

အခြားအဆိပ်သင့် AI ကို နောက်သို့လိုက်ရန် ဤအဆိပ်သင့် AI ကို အသုံးပြု၍ မီး-မီး သန္ဓေတည်ခြင်း (ကျွန်ုပ်တို့သည် ဤအခြေအနေကို ဖော်ပြရန်အတွက် ယုတ္တိမတန်သော စကားပုံများနှင့် သရုပ်ဖော်ပုံဥပမာများကို ခေါ်ဆိုနိုင်သည်)။ သို့မဟုတ်၊ အလေးပေးထားပြီးဖြစ်သည့်အတိုင်း၊ တစ်ဦးကိုသိရန် လိုအပ်သည်ဟူသော အခိုင်အမာပြောဆိုချက်ကို လေးလေးနက်နက် ရည်ညွှန်းနိုင်သည်။

ယေဘုယျသဘောတရားမှာ AI စနစ်တွင် သမားရိုးကျနည်းလမ်းများကို အသုံးပြု၍ မလျော်မကန်ဘက်လိုက်မှုများပါရှိသည်ကို အဖြေရှာရန်သာ ကြိုးစားခြင်းထက်၊ သမားရိုးကျနည်းများကို အသုံးချရန်လည်း ကြိုးပမ်းသင့်ပါသည်။ သမားရိုးကျမဟုတ်သောနည်းလမ်းတစ်ခုမှာ အဆိုးဆုံးဘက်လိုက်မှုများနှင့် လူ့အဖွဲ့အစည်းအတွင်းလက်မခံနိုင်သောအဆိပ်အတောက်များပါရှိသော AI ကို တီထွင်ပြီးနောက် ထိုကဲ့သို့သောဆိုးကျိုးများရှိသည့် အခြားသော AI များကို ဖယ်ရှားရာတွင် အထောက်အကူဖြစ်စေရန်အတွက် ဤ AI ကိုအသုံးပြုခြင်းပင်ဖြစ်သည်။

ဒါကို အလျင်အမြန် တွေးကြည့်တဲ့အခါ၊ လုံးဝ ဆင်ခြင်ဥာဏ်ရှိပုံပေါ်ပါတယ်။ ကျွန်ုပ်တို့သည် အမြင့်ဆုံးကို အဆိပ်ဖြစ်စေသော AI ကို တည်ဆောက်ရန် ရည်ရွယ်ထားနိုင်သည်။ အဲဒီ့အဆိပ်သင့် AI ကို အဆိပ်သင့်စေတဲ့ တခြား AI ကို တွန်းလှန်ဖို့ သုံးပါတယ်။ ထို့နောက် ထုတ်ဖော်ပြသခဲ့သော “ဆိုးရွားသော” AI အတွက်၊ ကျွန်ုပ်တို့သည် အဆိပ်အတောက်များကို ဖယ်ရှားကာ AI ကို လုံးလုံးလျားလျား စွန့်ပစ်ခြင်းဖြင့် ၎င်းကို ကိုင်တွယ်ဖြေရှင်းနိုင်သည် (ကျွန်ုပ်၏ AI ကွဲလွဲမှု သို့မဟုတ် ပျက်စီးခြင်းအကြောင်း ဖော်ပြချက်ကို ကြည့်ပါ။ ဒီ link ကိုဒီမှာ) သို့မဟုတ် AI ကို အကျဉ်းချခြင်း ( AI ကန့်သတ်ချုပ်နှောင်မှုဆိုင်ရာ ကျွန်ုပ်၏ လွှမ်းခြုံမှုကို ကြည့်ပါ။ ဒီ link ကိုဒီမှာ) သို့မဟုတ် လုပ်သင့်လုပ်ထိုက်သည်များကို လုပ်ပါ။

တန်ပြန်အငြင်းပွားမှုတစ်ခုကတော့ ကျွန်ုပ်တို့ဟာ အဆိပ်သင့်ပြီး ဘက်လိုက်မှုအပြည့်ရှိတဲ့ AI ကို ရည်ရွယ်ချက်ရှိရှိနဲ့ တလိုတလား ကြံစည်နေတယ်ဆိုတာကို ဆန်းစစ်ဖို့ လိုပါတယ်။ ဤအရာသည် ကျွန်ုပ်တို့ စဉ်းစားသင့်သော နောက်ဆုံးအချက်ဖြစ်သည်၊ အချို့က တိုက်တွန်းနှိုးဆော်ထားသည်။ ကောင်းမွန်မှု အပြည့်အ၀ပါဝင်သော AI ကို ဖန်တီးရန် အာရုံစိုက်ပါ။ မလျော်ကန်သော ဘက်လိုက်မှုများပါရှိသော မကောင်းမှုများနှင့် အညစ်အကြေးများပါရှိသော AI ကို အာရုံမစိုက်ပါနှင့်။ ယင်းသို့ လိုက်စားခြင်း၏ အယူအဆသည် အချို့သူများအတွက် ရွံရှာဖွယ်ကောင်းပုံရသည်။

ဤအငြင်းပွားဖွယ်ရှာဖွေမှုနှင့်ပတ်သက်၍ အရည်အချင်းများစွာရှိသည်။

အဆိပ်အတောက်ဖြစ်စေသော AI ကို တီထွင်ကြံဆမှုတစ်ခုသည် လူ့အဖွဲ့အစည်းကို ဖြတ်တောက်နိုင်သည့် AI ကို ဖန်တီးလိုသောသူများကို ခွန်အားဖြစ်စေရုံမျှသာ ဖြစ်နိုင်သည်။ မသင့်လျော်သော နှင့် မနှစ်မြို့ဖွယ် ဘက်လိုက်မှုများပါရှိသော AI ကို ဖန်တီးခြင်းသည် လုံးဝ ကောင်းမွန်သည်ဟု ကျွန်ုပ်တို့ပြောနေသကဲ့သို့ပင်။ စိုးရိမ်စရာမရှိ၊ တုံ့ဆိုင်းမနေပါနဲ့။ သင့်စိတ်နှလုံး၏အကြောင်းအရာအတွက် အဆိပ်သင့်သော AI ကို တီထွင်ဖန်တီးရန် ကျွန်ုပ်တို့သည် ကမ္ဘာတစ်ဝှမ်းရှိ AI တည်ဆောက်သူများထံ ကျယ်လောင်စွာ ထုတ်လွှင့်နေပါသည်။ ကုသိုလ်တရားဟူသမျှသည် (မျက်မှိတ်မှိတ်တုတ်)။

ထို့အပြင်၊ ဤအဆိပ်သင့်သော AI တစ်မျိုးကို ဖမ်းမိသည်ဆိုပါစို့။ AI ကို အခြား AI တည်ဆောက်သူ အများအပြားက အသုံးပြုပြီး ပြန်လည်အသုံးပြုခြင်းကြောင့် ဖြစ်နိုင်သည်။ နောက်ဆုံးတွင်၊ အဆိပ်သင့်သော AI သည် AI စနစ်အမျိုးမျိုးတွင် ပုန်းကွယ်သွားတော့သည်။ အလုံပိတ်ဓာတ်ခွဲခန်းမှ လွတ်မြောက်လာသော လူကို ထိခိုက်စေသော ဗိုင်းရပ်စ်ကို ပုံဖော်ခြင်းအတွက် နှိုင်းယှဥ်မှုတစ်ခု ပြုလုပ်နိုင်သည်။ နောက်တစ်ခုသိတာက ညစ်ပတ်တဲ့အရာက နေရာတိုင်းမှာရှိပြီး ငါတို့ကိုယ်တိုင် သုတ်သင်ပစ်လိုက်ပြီ။

တစ်စက္ကန့်လောက်စောင့်ပါ၊ အဲဒီ ငြင်းခုံမှုရဲ့ တန်ပြန်မှုဟာ ရူးသွပ်ပြီး မထောက်ခံတဲ့ အတွေးမျိုးစုံနဲ့ ပြေးလွှားနေတယ်။ အသက်ပြင်းပြင်းရှူပါ။ စိတ်အေးအေးထားပါ။

ကျွန်ုပ်တို့သည် အဆိပ်ရှိသော AI ကို ဘေးကင်းစွာ ဖန်တီးနိုင်ပြီး ၎င်းကို ချုပ်နှောင်ထားနိုင်သည်။ ကံမကောင်းစွာပဲ ဘက်လိုက်မှုမရှိသော AI ၏အဖြစ်များလာမှုကို လျှော့ချရာတွင် အဆိပ်သင့်သော AI ကိုအသုံးပြု၍ ကူညီပေးနိုင်သည်။ ရိုင်းစိုင်းပြီး သက်သေမပြနိုင်သော ဆီးနှင်းများကျနေသော အာမေဋိတ်များထဲမှ အခြားမည်သည့်အရာမဆို ဒူးတုန်သည့်တုံ့ပြန်မှုသက်သက်ဖြစ်ပြီး ဝမ်းနည်းစရာကောင်းလောက်အောင် မိုက်မဲပြီး လုံးဝမိုက်မဲနေပါသည်။ ကလေးကို ရေချိုးရေနဲ့ စွန့်ပစ်ဖို့ မကြိုးစားပါနဲ့လို့ သတိပေးထားပါတယ်။

ဒီနည်းကို တွေးကြည့်တော့ အတိုက်အခံတွေက ငြင်းတယ်။ အဆိပ်သင့်သော AI ကို သုတေသန၊ အကဲဖြတ်ရန်နှင့် အခြားလူမှုရေးအရ စော်ကားသော AI ကို ဖော်ထုတ်ရန် စုံထောက်တစ်ဦးကဲ့သို့ ပြုမူခြင်းအတွက် သင့်လျော်သော အဆိပ်သင့်သော AI ကို တည်ဆောက်ခြင်းနှင့် အသုံးပြုခြင်းသည် ထိုက်တန်သော ချဉ်းကပ်မှုဖြစ်ပြီး ၎င်း၏တရားမျှတသော လှုပ်ခတ်မှုကို လိုက်လျှောက်သင့်သည်။ သင်၏အဖုအပိမ့်တုံ့ပြန်မှုများကို ဘေးဖယ်ထားပါ။ မြေကြီးပေါ်သို့ ဆင်းလာကာ ဤအရာကို စေ့စေ့ငုငုကြည့်သည်။ ဘက်လိုက်မှုအခြေခံ AI စနစ်များ၏ အစွန်းအထင်းများကို ဖော်ထုတ်ခြင်းနှင့် ဖျက်သိမ်းခြင်းတို့ကို ဖော်ထုတ်ခြင်းနှင့် လူ့အဖွဲ့အစည်းတစ်ခုအနေဖြင့် ကျွန်ုပ်တို့သည် အဆိပ်သင့်သော AI များကို လွှမ်းမိုးချုပ်ကိုင်ခြင်းမပြုရန် ကျွန်ုပ်တို့၏မျက်လုံးများက ဆုပေးခြင်းဖြစ်သည်။

ကာလ။ ပုဒ်မ။

အကျိုးရှိသောရည်ရွယ်ချက်များအတွက် အဆိပ်ဖြစ်စေသော သို့မဟုတ် ဘက်လိုက်မှုရှိသော AI ကိုအသုံးပြုခြင်း၏ ဤသဘောတရားကို အသေးစိပ်လေ့လာရန် သော့ချက်နည်းလမ်းများစွာ ရှိသည်-

• AI လေ့ကျင့်ရေးတွင် အသုံးမပြုရ နှင့်/သို့မဟုတ် စောင့်ကြည့်ရမည့်အရာကို ရည်ရွယ်ချက်ရှိရှိ ဘက်လိုက်မှုနှင့် အလုံးစုံ အဆိပ်သင့်သည့်ဒေတာများပါ၀င်သည့် ဒေတာအတွဲများကို စနစ်ထည့်သွင်းပါ
• ဘက်လိုက်မှုများကို ရှာဖွေခြင်းနှင့် လူမှုအဆိပ်သင့်မှုဖြစ်စေသော တွက်ချက်မှုပုံစံများကို ရှာဖွေခြင်းအတွက် Machine Learning (ML) နှင့် Deep Learning (DL) မော်ဒယ်များကို လေ့ကျင့်ရန် အဆိုပါဒေတာအတွဲများကို အသုံးပြုပါ။
• ပစ်မှတ်ထားသော AI သည် ဘက်လိုက်မှုနှင့် အဆိပ်ဖြစ်နိုင်ချေရှိမရှိကို အတည်ပြုရန် လေ့ကျင့်ထားသော ML/DL အဆိပ်သင့်မှုကို အခြား AI ထံ အသုံးချပါ။
• AI တည်ဆောက်သူများအား သတိထားရမည့်အရာများကို ပြသရန် လေ့ကျင့်ထားသော ML/DL အဆိပ်သင့်မှုကို မော်ဒယ်များကို အလွယ်တကူ စစ်ဆေးနိုင်စေရန် ၎င်းတို့သည် အယ်လဂိုရီသမ်ဖြင့် ဘက်လိုက်မှုများ မည်ကဲ့သို့ ပေါ်ပေါက်လာသည်ကို သိနိုင်စေရန် ပြုလုပ်ပါ။
• AI Ethics နှင့် Ethical AI အသိပညာပေးမှု၏ တစ်စိတ်တစ်ပိုင်းအနေဖြင့် အဆိပ်သင့် AI ၏အန္တရာယ်များကို နမူနာပြပါ
• အခြား

ထိုလမ်းကြောင်းများစွာ၏ အသားထဲသို့ မ၀င်မီ၊ နောက်ထပ် အခြေခံအချက်အချို့ကို ထူထောင်ကြပါစို့။

ယနေ့ခေတ် AI နယ်ပယ်တွင် ကျယ်လောင်ဆုံးသော အသံများထဲမှ တစ်ခုသည် AI နယ်ပယ်၏ အပြင်ဘက်တွင်ပင် Ethical AI ၏ ပုံသဏ္ဍာန်ကို ကျယ်လောင်စွာ အော်ဟစ်ခြင်း ပါ၀င်ကြောင်း နားမလည်နိုင်စွာ သတိပြုမိပေမည်။ AI Ethics နှင့် Ethical AI ကိုရည်ညွှန်းခြင်း၏အဓိပ္ပါယ်ကိုကြည့်ကြပါစို့။ အဲဒါအပြင်၊ Machine Learning နဲ့ Deep Learning အကြောင်းပြောတဲ့အခါ ငါဘာကိုဆိုလိုသလဲဆိုတာကို စူးစမ်းခြင်းအားဖြင့် စင်မြင့်ကို သတ်မှတ်နိုင်ပါတယ်။

မီဒီယာများ၏ အာရုံစိုက်မှုများစွာရရှိနေသည့် AI ကျင့်ဝတ်၏ အစိတ်အပိုင်းတစ်ခု သို့မဟုတ် အစိတ်အပိုင်းတစ်ခုသည် ဘက်လိုက်မှုနှင့် မမျှတမှုများကို ပြသသည့် AI ပါဝင်သည်။ AI ၏နောက်ဆုံးပေါ်ခေတ်စတင်သောအခါတွင် အချို့သောသူများက ယခုခေါ်ဝေါ်သည့်အရာအတွက် စိတ်အားထက်သန်မှု အမြောက်အမြားထွက်ရှိလာသည်ကို သင်သတိပြုမိပေမည်။ AI ကောင်းအတွက်. ကံမကောင်းစွာပဲ၊ ထိုစိတ်လှုပ်ရှားမှုကြောင့် ကျွန်ုပ်တို့ စတင်သက်သေခံလာခဲ့သည်။ AI အတွက် မကောင်းပါ။. ဥပမာအားဖြင့်၊ AI-based facial recognition စနစ်များသည် လူမျိုးရေးအရ ဘက်လိုက်မှုများနှင့် ကျားမရေးရာဘက်လိုက်မှုများပါ၀င်ကြောင်း ထုတ်ဖော်ပြသခဲ့ပြီး၊ ဒီမှာလင့်ခ်.

ပြန်တိုက်ဖို့ အားထုတ်တယ်။ AI အတွက် မကောင်းပါ။ တက်ကြွစွာ ဆောင်ရွက်လျက်ရှိပါသည်။ အပြင်က အသံထွက်တယ်။ ဥပဒေရေးရာ မှားယွင်းမှုကို ထိန်းချုပ်ရန် ကြိုးပမ်းမှုများ၊ AI ၏ ယုတ်ညံ့မှုကို ပြုပြင်ရန် AI ကျင့်ဝတ်များကို လက်ခံကျင့်သုံးရန် ခိုင်မာသော တွန်းအားပေးမှုများလည်း ရှိပါသည်။ အယူအဆမှာ ကျွန်ုပ်တို့သည် AI ၏ ဖွံ့ဖြိုးတိုးတက်မှုနှင့် နယ်ပယ်ချဲ့ထွင်မှုများအတွက် အဓိကကျင့်ဝတ်ဆိုင်ရာ AI စည်းမျဉ်းများကို လက်ခံကျင့်သုံးရန် ထောက်ခံသင့်သည်ဟု အယူအဆဖြစ်သည်။ AI အတွက် မကောင်းပါ။ တစ်ပြိုင်နက်တည်း ဦးစားပေး ကြော်ငြာခြင်း ၊ AI ကောင်းအတွက်.

ဆက်စပ်ယူဆချက်တစ်ခုအရ၊ ကျွန်ုပ်သည် AI ဒုက္ခများကိုဖြေရှင်းချက်၏တစ်စိတ်တစ်ပိုင်းအဖြစ် AI ကိုအသုံးပြုရန် ကြိုးပမ်းနေသူတစ်ဦးဖြစ်ပြီး ထိုအတွေးမျိုးဖြင့် မီးကိုမီးနှင့်တိုက်ပါ။ ဥပမာအားဖြင့် ကျွန်ုပ်တို့သည် Ethical AI အစိတ်အပိုင်းများကို AI စနစ်တွင် မြှုပ်နှံထားနိုင်ပြီး ကျန် AI များ မည်သို့လုပ်ဆောင်နေသည်ကို စောင့်ကြည့်ကာ ခွဲခြားဆက်ဆံမှုဆိုင်ရာ အားထုတ်မှုများကို အချိန်နှင့်တပြေးညီ ဖမ်းဆုပ်နိုင်ချေရှိနိုင်သည်၊ ကျွန်ုပ်၏ ဆွေးနွေးချက်များကို ကြည့်ပါ၊ ဒီမှာလင့်ခ်. ကျွန်ုပ်တို့တွင် AI Ethics monitor အမျိုးအစားတစ်ခုအနေဖြင့် လုပ်ဆောင်သည့် သီးခြား AI စနစ်လည်း ရှိနိုင်သည်။ AI စနစ်သည် အခြား AI သည် သိက္ခာမဲ့သော ချောက်ထဲသို့ ရောက်သွားသည့်အခါ ခြေရာခံရန် ကြီးကြပ်သူအဖြစ် ဆောင်ရွက်သည် (ထိုစွမ်းရည်များကို ကျွန်ုပ်၏ ခွဲခြမ်းစိတ်ဖြာချက်တွင် ကြည့်ပါ။ ဒီမှာလင့်ခ်).

ခဏအကြာတွင် AI Ethics ၏အခြေခံသဘောတရားအချို့ကို မျှဝေပေးပါမည်။ ဒီလိုမျိုး စာရင်းတွေ ဟိုဟိုဒီဒီ လျှောက်လည်နေတာ အများကြီးပဲ။ စကြဝဠာအယူခံဝင်မှုနှင့် ညီညွတ်မှု၏ အနည်းကိန်းစာရင်းတစ်ခုမျှ မရှိသေးကြောင်း သင်ပြောနိုင်သည်။ အဲဒါ စိတ်မကောင်းစရာ သတင်းပဲ။ သတင်းကောင်းမှာ အနည်းဆုံး အလွယ်တကူရနိုင်သော AI Ethics စာရင်းများရှိပြီး ၎င်းတို့သည် အတော်လေး ဆင်တူနေတတ်သည်။ အားလုံးကိုပြောပြသည်၊ ဤသည်မှာ ကျိုးကြောင်းဆီလျော်သော ပေါင်းစပ်မှုပုံစံဖြင့် AI Ethics ပါ၀င်သည့် ယေဘူယျဘုံတူညီချက်ဆီသို့ ကျွန်ုပ်တို့၏နည်းလမ်းကို ရှာဖွေနေကြောင်း ညွှန်ပြနေသည်။

ဦးစွာ၊ AI တီထွင်ဖန်တီးသူ၊ တီထွင်ဖန်တီးသူ သို့မဟုတ် အသုံးပြုသူတိုင်းအတွက် အရေးကြီးသောထည့်သွင်းစဉ်းစားသင့်သည်များကို သရုပ်ပြရန် အလုံးစုံကျင့်ဝတ်ဆိုင်ရာ AI စည်းမျဉ်းအချို့ကို အကျဉ်းချုပ်ဖော်ပြလိုက်ကြပါစို့။

ဥပမာအားဖြင့်၊ Vatican တွင်ဖော်ပြထားသည့်အတိုင်း ရောမမြို့ AI ကျင့်ဝတ်များအတွက် ခေါ်ဆိုမှု နက်နက်နဲနဲ ခြုံငုံမိသလိုပဲ။ ဒီမှာလင့်ခ်၎င်းတို့သည် ၎င်းတို့သတ်မှတ်ထားသော AI ကျင့်ဝတ်ဆိုင်ရာ အခြေခံမူခြောက်ချက်ဖြစ်သည်။

• ပွင့်လင်းမြင်သာမှု: အခြေခံအားဖြင့် AI စနစ်များကို ရှင်းပြနိုင်ရမည်။
• ပါဝင်မှု လူသားအားလုံး၏ လိုအပ်ချက်များကို ထည့်သွင်းစဉ်းစားရန် လိုအပ်ပြီး လူတိုင်းကို အကျိုးပြုနိုင်စေရန်နှင့် လူတစ်ဦးချင်းစီသည် ၎င်းတို့ကိုယ်မိမိ ထုတ်ဖော်ပြောဆိုရန်နှင့် ဖွံ့ဖြိုးတိုးတက်ရန် အကောင်းဆုံးဖြစ်နိုင်သော အခြေအနေများကို ပေးဆောင်နိုင်မည်ဖြစ်သည်။
• တာဝန်ယူမှု: AI ကို ဒီဇိုင်းဆွဲပြီး အသုံးချသူများသည် တာဝန်နှင့် ပွင့်လင်းမြင်သာမှုဖြင့် ဆက်လက်ဆောင်ရွက်ရမည်ဖြစ်သည်။
• ဘက်မလိုက်မှု: တရားမျှတမှုနှင့် လူ့ဂုဏ်သိက္ခာကို အကာအကွယ်ပေးသည့် ဘက်လိုက်မှုအရ ဖန်တီးခြင်း သို့မဟုတ် ပြုမူခြင်း မပြုပါနှင့်
• ယုံကြည်စိတ်ချရ: AI စနစ်များ စိတ်ချယုံကြည်စွာ အလုပ်လုပ်နိုင်ရမည်။
• လုံခြုံရေးနှင့် ကိုယ်ရေးကိုယ်တာ- AI စနစ်များသည် လုံခြုံစွာအလုပ်လုပ်ရပြီး သုံးစွဲသူများ၏ လျှို့ဝှက်ရေးကို လေးစားရမည်ဖြစ်သည်။

US Department of Defence (DoD) မှာဖော်ပြထားတဲ့ အတိုင်းပါပဲ။ Artificial Intelligence ကိုအသုံးပြုခြင်းအတွက် ကျင့်ဝတ်ဆိုင်ရာအခြေခံမူများ နက်နက်နဲနဲ ခြုံငုံမိသလိုပဲ။ ဒီမှာလင့်ခ်၎င်းတို့သည် ၎င်းတို့၏ AI ကျင့်ဝတ်ဆိုင်ရာ အခြေခံမူခြောက်ချက်ဖြစ်သည်။

• တာဝန်ရှိ DoD ဝန်ထမ်းများသည် AI စွမ်းရည်များ ဖွံ့ဖြိုးတိုးတက်မှု၊ အသုံးချမှုနှင့် AI စွမ်းရည်များကို အသုံးပြုမှုအတွက် တာဝန်ရှိနေချိန်တွင် DoD ဝန်ထမ်းများသည် သင့်လျော်သော တရားစီရင်မှုနှင့် ဂရုစိုက်မှုအဆင့်များကို ကျင့်သုံးမည်ဖြစ်သည်။
• မျှမျှတတ- ဌာနသည် AI စွမ်းရည်များတွင် မလိုလားအပ်သော ဘက်လိုက်မှုများကို လျှော့ချရန် တမင်တကာ လုပ်ဆောင်သွားမည်ဖြစ်သည်။
• ခြေရာခံနိုင်သည်- ပွင့်လင်းမြင်သာစွာစစ်ဆေးနိုင်သောနည်းလမ်းများ၊ ဒေတာရင်းမြစ်များနှင့် ဒီဇိုင်းလုပ်ထုံးလုပ်နည်းများနှင့် စာရွက်စာတမ်းပြုစုခြင်းအပါအဝင် AI စွမ်းရည်များအတွက် သင့်လျော်သောနည်းပညာ၊ ဖွံ့ဖြိုးတိုးတက်မှုလုပ်ငန်းစဉ်များနှင့် သက်ဆိုင်သော လုပ်ငန်းဆောင်ရွက်မှုနည်းလမ်းများကို သက်ဆိုင်ရာဝန်ထမ်းများမှ သင့်လျော်သောနားလည်သဘောပေါက်မှုရှိစေရန်အတွက် ဌာန၏ AI စွမ်းရည်များကို တီထွင်ပြီး အသုံးချသွားမည်ဖြစ်သည်။
• ယုံကြည်စိတ်ချရသော: ဌာန၏ AI စွမ်းရည်များတွင် ရှင်းလင်းပြတ်သားစွာ ကောင်းစွာသတ်မှတ်ထားသော အသုံးပြုမှုများရှိမည်ဖြစ်ပြီး ယင်းစွမ်းရည်များ၏ ဘေးကင်းမှု၊ လုံခြုံရေးနှင့် ထိရောက်မှုတို့သည် ၎င်းတို့၏ဘဝစက်ဝန်းတစ်ခုလုံးတွင် သတ်မှတ်ထားသောအသုံးပြုမှုများအတွင်း စမ်းသပ်မှုနှင့် အာမခံမှုတို့အပေါ် မူတည်မည်ဖြစ်သည်။
• အုပ်ချုပ်နိုင်သော- ဌာနသည် ၎င်းတို့၏ ရည်ရွယ်ထားသော လုပ်ဆောင်ချက်များကို ဖြည့်ဆည်းရန် AI စွမ်းရည်များကို ဒီဇိုင်းထုတ်ကာ မရည်ရွယ်ထားသော အကျိုးဆက်များကို ရှာဖွေပြီး ရှောင်ရှားနိုင်သည့် စွမ်းရည်နှင့် မလိုလားအပ်သော အပြုအမူများကို သရုပ်ပြသည့် စနစ်များကို ဖြုတ်ပစ်ခြင်း သို့မဟုတ် ပိတ်ခြင်းတို့ကို လုပ်ဆောင်နိုင်မည်ဖြစ်သည်။

“AI Ethics Guidelines ၏ Global Landscape Of AI Ethics Guidelines” ခေါင်းစဉ်ပါ စာတမ်းတွင် အမျိုးသားနှင့် နိုင်ငံတကာ AI ကျင့်ဝတ်ဆိုင်ရာ လမ်းညွှန်ချက်အများအပြား၏ အနှစ်သာရကို သုတေသနပြုသူများမှ ခွဲခြမ်းစိတ်ဖြာပြီး စုစည်းဖော်ပြခြင်းအပါအဝင် AI ကျင့်ဝတ်မူများကို စုပေါင်းခွဲခြမ်းစိတ်ဖြာမှု အမျိုးမျိုးကိုလည်း ဆွေးနွေးခဲ့ဖူးပါသည်။ ၌ သဘာဝ) နှင့် ကျွန်ုပ်၏ လွှမ်းခြုံမှုကို စူးစမ်းလေ့လာသည်။ ဒီမှာလင့်ခ်ဤသော့ချက်ကျောက်စာရင်းသို့ ဦးတည်စေသော၊

• ပွင့်လင်းမြင်သာမှု
• တရားမျှတမှုနှင့် တရားမျှတမှု
• Maleficence မဟုတ်သော
• တာဝန်
• သီးသန့်လုံခြုံရေး
• အကျိုးကျေးဇူး
• လွတ်လပ်မှုနှင့် ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်
• ယုံကြည်ကိုးစားပါ
• သဘာဝပတ်ဝန်းကျင်အားမပျက်စီး
• ဂုဏ်သိက္ခာ
• ကြံ့ခိုင်ရေးနှင့်

သင် တိုက်ရိုက်မှန်းဆနိုင်သည်အတိုင်း၊ ဤအခြေခံမူများကို တိကျသေချာစွာ မှတ်သားရန်ကြိုးစားခြင်းသည် အလွန်ခက်ခဲပါသည်။ ထို့ထက်မက၊ ထိုကျယ်ပြန့်သောအခြေခံမူများကို AI စနစ်များဖန်တီးရာတွင် အသုံးပြုရလောက်အောင် လုံးလုံးမြင်သာထင်သာရှိပြီး အသေးစိတ်အချက်များအဖြစ်သို့ ပြောင်းလဲရန် အားထုတ်မှုသည် ကွဲထွက်ရန်ခက်ခဲသော အခွံတစ်ခုဖြစ်သည်။ AI ကျင့်ဝတ်သိက္ခာပုဒ်များနှင့် ယေဘူယျအားဖြင့် လိုက်နာသင့်ပုံတို့ကို လက်ဆွဲနှုတ်ဆက်ရန် လွယ်ကူသော်လည်း၊ ၎င်းသည် လမ်းနှင့်ကိုက်ညီသော ရော်ဘာဖြစ်ရန် အမှန်တကယ်လိုအပ်သော AI coding တွင် ပိုမိုရှုပ်ထွေးသောအခြေအနေဖြစ်နေသော်လည်း ၎င်းသည် လွယ်ကူသည်။

AI ကျင့်ဝတ်မူများကို AI developer များ၊ AI ဖွံ့ဖြိုးတိုးတက်ရေးကြိုးပမ်းမှုများကို စီမံခန့်ခွဲသောသူများနှင့် AI စနစ်များကို ပြုစုစောင့်ရှောက်ပေးသည့် နောက်ဆုံးတွင် နယ်ပယ်စုံနှင့် ပြုစုစောင့်ရှောက်ပေးမည့်သူများပင် အသုံးပြုရမည်ဖြစ်သည်။ ဖွံ့ဖြိုးတိုးတက်မှုနှင့် အသုံးပြုမှု၏ AI ဘဝစက်ဝန်းတစ်ခုလုံးတွင် သက်ဆိုင်သူအားလုံးကို Ethical AI ၏ ချမှတ်ထားသော စံနှုန်းများကို လိုက်နာခြင်း၏ နယ်ပယ်အတွင်း ထည့်သွင်းစဉ်းစားထားသည်။ ပုံမှန်ယူဆချက်မှာ “ကုဒ်ဒါများသာ” သို့မဟုတ် AI ပရိုဂရမ်များကို AI ကျင့်ဝတ်ဆိုင်ရာ အယူအဆများကို လိုက်နာရမည်ဖြစ်သောကြောင့် ၎င်းသည် အရေးကြီးသော မီးမောင်းထိုးပြမှုဖြစ်သည်။ အထက်တွင်ဖော်ပြထားသည့်အတိုင်း AI ကို တီထွင်ကြံဆရန် ရွာတစ်ရွာ လိုအပ်ပြီး တစ်ရွာလုံးက AI ကျင့်ဝတ်စည်းကမ်းများကို လိုက်နာရမည်ဖြစ်ပါသည်။

ယနေ့ခေတ် AI ၏ သဘောသဘာဝနှင့် တူညီသော စာမျက်နှာပေါ်တွင် ရှိနေကြောင်း သေချာပါစေ။

ယနေ့ခေတ်တွင် ခံစားချက်ရှိသော AI မရှိပါ။ ကျွန်ုပ်တို့တွင် ဤအရာမရှိပါ။ Senient AI က ဖြစ်နိုင်မလားဆိုတာ ကျွန်တော်တို့ မသိပါဘူး။ ကျွန်ုပ်တို့သည် Senient AI ကိုရရှိမည်လော၊ Senient AI သည် တွက်ချက်မှုဆိုင်ရာ သိမြင်မှုစူပါနိုဗာပုံစံဖြင့် အလိုလိုဖြစ်ပေါ်လာမည်လား (singularity ဟု အများအားဖြင့်ရည်ညွှန်းသည်၊ ကျွန်ုပ်၏ဖော်ပြချက်တွင် ကြည့်ပါ။ ဒီမှာလင့်ခ်).

ကျွန်ုပ်အာရုံစိုက်သော AI အမျိုးအစားသည် ယနေ့ကျွန်ုပ်တို့၌ရှိနေသည့် အာရုံခံမဟုတ်သော AI များပါဝင်သည်။ ချင့်ချင့်ချိန်ချိန် လုပ်ချင်လျှင် ခံစားချက်ရှိသူ AI၊ ဤဆွေးနွေးမှုသည် အလွန်ကွဲပြားသော ဦးတည်ရာသို့ သွားနိုင်သည်။ စိတ်ဓာတ်ကျသော AI သည် လူ့အရည်အသွေးဟု ထင်ရပေမည်။ အာရုံခံ AI သည် လူသားတစ်ဦး၏ သိမြင်နိုင်စွမ်းနှင့် ညီမျှကြောင်း သင်ထည့်သွင်းစဉ်းစားရန် လိုအပ်ပါသည်။ ထို့ထက်ပို၍ အချို့က ကျွန်ုပ်တို့တွင် စူပါဉာဏ်ရည်ဉာဏ်သွေး AI ရှိနိုင်သည်ဟု ထင်မြင်ယူဆသောကြောင့်၊ ထို AI သည် လူသားများထက် ဉာဏ်ရည်ထက်မြက်လာလိမ့်မည်ဟု စိတ်ကူးနိုင်သည် (ကျွန်ုပ်၏ ဉာဏ်ရည်ထက်မြက်သော AI ကို စူးစမ်းရှာဖွေမှုအတွက် ဖြစ်နိုင်ခြေတစ်ခုအနေဖြင့် ကြည့်ပါ။ အကျုံးဝင်သည်။).

အရာများကို ကမ္ဘာမြေကြီးပေါ်တွင် ထားရှိကာ ယနေ့ခေတ် တွက်ချက်မှုဆိုင်ရာ အာရုံမစိုက်နိုင်သော AI ကို စဉ်းစားကြည့်ကြပါစို့။

ယနေ့ခေတ် AI သည် လူသား၏တွေးခေါ်ပုံနှင့်အညီ မည်သည့်ဖက်ရှင်တွင်မဆို “တွေးခေါ်နိုင်” နိုင်သည်ကို သတိပြုပါ။ Alexa သို့မဟုတ် Siri နှင့် အပြန်အလှန် တုံ့ပြန်သောအခါတွင်၊ စကားပြောဆိုနိုင်မှုစွမ်းရည်များသည် လူသားစွမ်းရည်များနှင့် ဆင်တူနေပုံရသော်လည်း လက်တွေ့မှာ ၎င်းသည် တွက်ချက်မှုနှင့် လူသားတို့၏ အသိဉာဏ်ကင်းမဲ့ခြင်းပင်ဖြစ်သည်။ AI ၏နောက်ဆုံးပေါ်ခေတ်တွင် ကွန်ပြူတာပုံစံနှင့်ကိုက်ညီသော ကိန်းဂဏန်းများကို အသုံးချသည့် Machine Learning (ML) နှင့် Deep Learning (DL) တို့ကို ကျယ်ကျယ်ပြန့်ပြန့်အသုံးပြုခဲ့သည်။ ယင်းကြောင့် လူသားနှင့်တူသော အသွင်အပြင်ရှိသော AI စနစ်များ ဖြစ်ပေါ်လာခဲ့သည်။ တစ်ချိန်တည်းမှာပင် ယနေ့ခေတ်တွင် သာမန်အသိတရားနှင့် ပုံသဏ္ဍာန်ရှိသော AI ဟူ၍မရှိသလို ခိုင်မာသောလူသား၏ တွေးခေါ်မှုဆိုင်ရာ သိမြင်နိုင်စွမ်းဆိုင်ရာ အံ့ဩဖွယ်ရာလည်း မရှိပါ။

ML/DL သည် တွက်ချက်မှုပုံစံနှင့် ကိုက်ညီသော ပုံစံတစ်ခုဖြစ်သည်။ ပုံမှန်ချဉ်းကပ်နည်းမှာ ဆုံးဖြတ်ချက်ချခြင်းလုပ်ငန်းတစ်ခုနှင့် ပတ်သက်သည့် အချက်အလက်များကို စုစည်းခြင်းဖြစ်သည်။ သင်သည် ဒေတာကို ML/DL ကွန်ပျူတာ မော်ဒယ်များတွင် ဖြည့်သွင်းသည်။ ထိုမော်ဒယ်များသည် သင်္ချာပုံစံများကို ရှာဖွေကြသည်။ ထိုသို့သောပုံစံများကို ရှာဖွေပြီးနောက်၊ တွေ့ရှိပါက AI စနစ်သည် ဒေတာအသစ်များနှင့် ကြုံတွေ့ရသည့်အခါ အဆိုပါပုံစံများကို အသုံးပြုမည်ဖြစ်သည်။ ဒေတာအသစ်များတင်ပြသောအခါ၊ "အဟောင်း" သို့မဟုတ် သမိုင်းအချက်အလက်ပေါ်အခြေခံထားသော ပုံစံများကို လက်ရှိဆုံးဖြတ်ချက်ကို အကောင်အထည်ဖော်ရန်အတွက် အသုံးပြုပါသည်။

ဒါက ဘယ်ကိုသွားနေလဲဆိုတာ ခန့်မှန်းလို့ရတယ်။ အကယ်၍ ဆုံးဖြတ်ချက်များအပေါ် စံနမူနာပြုထားသော လူသားများသည် ဘက်လိုက်မှု ကင်းမဲ့စွာ ပေါင်းစပ်နေပါက အချက်အလက်များသည် သိမ်မွေ့သော်လည်း သိသာထင်ရှားသော နည်းလမ်းများဖြင့် ရောင်ပြန်ဟပ်နေခြင်းမှာ သာဓကများပင်ဖြစ်သည်။ Machine Learning သို့မဟုတ် Deep Learning ကွန်ပြူတာပုံစံ ကိုက်ညီမှု သည် အချက်အလက်ကို သင်္ချာနည်းအရ အတုယူရန် ရိုးရိုးရှင်းရှင်း ကြိုးစားပါမည်။ AI မှ ဖန်တီးထားသော မော်ဒယ်လ်တစ်ခုချင်းစီ၏ သာမာန်အသိတရား သို့မဟုတ် အခြားခံစားချက်ရှိသော အသွင်အပြင်မျိုး မရှိပါ။

ထို့အပြင် AI developer များသည် ဖြစ်ပျက်နေသည်များကို မသိရှိနိုင်ပေ။ ML/DL ရှိ arcane သင်္ချာသည် ယခု ဝှက်ထားသော ဘက်လိုက်မှုများကို ဖယ်ထုတ်ရန် ခက်ခဲစေနိုင်သည်။ ၎င်းသည် ထင်ထားသည်ထက် ပိုမိုရှုပ်ထွေးသော်လည်း AI developer များသည် မြှုပ်နှံထားသော ဘက်လိုက်မှုများအတွက် စမ်းသပ်နိုင်မည်ဟု မှန်ကန်စွာမျှော်လင့်ပြီး မျှော်လင့်နေမည်ဖြစ်သည်။ ML/DL ၏ စံနမူနာများနှင့် ကိုက်ညီသော မော်ဒယ်များအတွင်း ဘက်လိုက်မှုများ ရှိနေမည်ကို အတော်လေး ကျယ်ပြန့်သော စမ်းသပ်မှုတွင်ပင် ခိုင်မာသော အခွင့်အရေးတစ်ခု ရှိနေပါသည်။

အမှိုက်မှ အမှိုက်ထွက်ခြင်း၏ ကျော်ကြားသော သို့မဟုတ် ကျော်ကြားသော ဆိုရိုးစကား ကို သင် အနည်းငယ် အသုံးပြုနိုင်သည်။ ဆိုလိုသည်မှာ၊ ၎င်းသည် AI အတွင်း၌ နစ်မြုပ်နေသော ဘက်လိုက်မှုများကဲ့သို့ တိုးလျှိုးအနှောက်အယှက်ဖြစ်စေသော ဘက်လိုက်မှုများနှင့် ပို၍တူပါသည်။ AI ၏ အယ်လဂိုရီသမ် ဆုံးဖြတ်ချက်ချခြင်း (ADM) သည် မမျှတမှုများဖြင့် သယ်ဆောင်လာပါသည်။

မကောင်းဘူး။

ဒါတွေအားလုံးအတွက် တခြားဘာတွေလုပ်နိုင်မလဲ။

သမားရိုးကျမဟုတ်သော “တစ်ခုသိရန်လိုသည်” ချဉ်းကပ်နည်းကို အသုံးပြု၍ AI ဘက်လိုက်မှု သို့မဟုတ် အဆိပ်သင့်သော AI ကို မည်သို့ကြိုးစား၍ ရင်ဆိုင်ရမည်နည်း၏ အစောပိုင်းတွင် ဖော်ပြထားသောစာရင်းသို့ ပြန်သွားကြပါစို့။ စာရင်းတွင် ဤအဓိကအချက်များ ပါဝင်ကြောင်း သတိရပါ-

• AI လေ့ကျင့်ရေးတွင် အသုံးမပြုရ နှင့်/သို့မဟုတ် စောင့်ကြည့်ရမည့်အရာကို ရည်ရွယ်ချက်ရှိရှိ ဘက်လိုက်မှုနှင့် အလုံးစုံ အဆိပ်သင့်သည့်ဒေတာများပါ၀င်သည့် ဒေတာအတွဲများကို စနစ်ထည့်သွင်းပါ
• ဘက်လိုက်မှုများကို ရှာဖွေခြင်းနှင့် လူမှုအဆိပ်သင့်မှုဖြစ်စေသော တွက်ချက်မှုပုံစံများကို ရှာဖွေခြင်းအတွက် Machine Learning (ML) နှင့် Deep Learning (DL) မော်ဒယ်များကို လေ့ကျင့်ရန် အဆိုပါဒေတာအတွဲများကို အသုံးပြုပါ။
• ပစ်မှတ်ထားသော AI သည် ဘက်လိုက်မှုနှင့် အဆိပ်ဖြစ်နိုင်ချေရှိမရှိကို အတည်ပြုရန် လေ့ကျင့်ထားသော ML/DL အဆိပ်သင့်မှုကို အခြား AI ထံ အသုံးချပါ။
• AI တည်ဆောက်သူများအား သတိထားရမည့်အရာများကို ပြသရန် လေ့ကျင့်ထားသော ML/DL အဆိပ်သင့်မှုကို မော်ဒယ်များကို အလွယ်တကူ စစ်ဆေးနိုင်စေရန် ၎င်းတို့သည် အယ်လဂိုရီသမ်ဖြင့် ဘက်လိုက်မှုများ မည်ကဲ့သို့ ပေါ်ပေါက်လာသည်ကို သိနိုင်စေရန် ပြုလုပ်ပါ။
• AI ကျင့်ဝတ်နှင့် ကျင့်ဝတ်ဆိုင်ရာ AI အသိပညာပေးမှု၏ တစ်စိတ်တစ်ပိုင်းအနေဖြင့် အဆိပ်သင့် AI ၏အန္တရာယ်များကို နမူနာပြပါ
• အခြား

ထင်ရှားသောအချက်များထဲမှ ပထမအချက်ကို အနီးကပ်ကြည့်ပါမည်။

အဆိပ်သင့်ဒေတာ၏ ဒေတာအစုများကို သတ်မှတ်ခြင်း။

လူမှုရေးဘက်လိုက်မှုများပါရှိသော အချက်အလက်အစုံများကို တည်ထောင်ရန် ကြိုးစားခြင်း၏ ထိုးထွင်းသိမြင်နိုင်သော ဥပမာတစ်ခုမှာ WILDS မှ စုစည်းထားသော စုစည်းမှု၏ CivilComments ဒေတာအတွဲဖြစ်သည်။

ပထမဦးစွာ အချို့သော အမြန်နောက်ခံ။

WILDS သည် လေ့ကျင့်ရေး ML/DL အတွက် အသုံးပြုနိုင်သည့် ဒေတာအစုံအလင်၏ အရင်းအမြစ် စုစည်းမှုတစ်ခုဖြစ်သည်။ WILDS အတွက် အဓိကဖော်ပြထားသော ရည်ရွယ်ချက်မှာ AI developer များအား ကိုယ်စားပြုသော ဒေတာများကို အဆင်သင့်ဝင်ရောက်ခွင့်ရှိစေခြင်းဖြစ်ပါသည်။ ဖြန့်ဖြူးမှု အပြောင်းအလဲများ နယ်ပယ်အသီးသီးတွင် လက်ရှိရရှိနိုင်သော ဒိုမိန်းအချို့သည် တိရစ္ဆာန်မျိုးစိတ်များ၊ သက်ရှိတစ်ရှူးများတွင် အကျိတ်များ၊ ဂျုံခေါင်းသိပ်သည်းဆနှင့် ခဏတာဖော်ပြမည့် Civil Comments ကဲ့သို့သော နယ်ပယ်များ လွှမ်းခြုံထားသည်။

ဖြန့်ဖြူးမှုအပြောင်းအရွှေ့များကို ကိုင်တွယ်ဖြေရှင်းခြင်းသည် AI ML/DL စနစ်များကို မှန်ကန်စွာဖန်တီးခြင်း၏ အရေးကြီးသော အစိတ်အပိုင်းတစ်ခုဖြစ်သည်။ ဒါကတော့ သဘောတူညီချက်ပါ။ တစ်ခါတစ်ရံတွင် လေ့ကျင့်မှုအတွက် သင်အသုံးပြုသည့်ဒေတာသည် စမ်းသပ်ခြင်း သို့မဟုတ် "တောရိုင်း" ဒေတာနှင့် အတော်လေးကွာခြားသွားကာ သင်လေ့ကျင့်သင်ကြားထားသည့် ML/DL သည် လက်တွေ့ကမ္ဘာနှင့် မည်သို့မည်ပုံဖြစ်မည်နည်း။ Astute AI တည်ဆောက်သူများသည် ထိုသို့သော ဖြန့်ဖြူးမှုအပြောင်းအရွှေ့များကို ရင်ဆိုင်ရန်အတွက် ၎င်းတို့၏ ML/DL ကို လေ့ကျင့်ပေးသင့်သည်။ ၎င်းသည် ရှေ့တွင်လုပ်ဆောင်သင့်ပြီး နောက်ပိုင်းတွင် ML/DL ကို ပြန်လည်မွမ်းမံပြင်ဆင်ရန် လိုအပ်သည့်အတွက် အံ့သြစရာမဟုတ်ပါ။

WILDS ကို မိတ်ဆက်သည့် စာတမ်းတွင် ရှင်းပြထားသည့်အတိုင်း - "လေ့ကျင့်ရေး ဖြန့်ဖြူးမှု ဖြန့်ဖြူးမှုသည် စမ်းသပ်ဖြန့်ဖြူးမှုနှင့် မတူသည့် ဖြန့်ဝေမှုအရွေ့များသည် - တောရိုင်းတွင် အသုံးပြုနေသော machine learning (ML) စနစ်များ၏ တိကျမှုကို သိသိသာသာ ကျဆင်းသွားစေနိုင်သည်။ လက်တွေ့ကမ္ဘာ ဖြန့်ကျက်မှုများတွင် ၎င်းတို့၏ နေရာအနှံ့တွင် ရှိနေသော်လည်း၊ ဤဖြန့်ဖြူးမှု အပြောင်းအရွှေ့များသည် ယနေ့ ML အသိုင်းအဝိုင်းတွင် အသုံးများသော ဒေတာအတွဲများတွင် ကိုယ်စားပြုမှု နည်းပါးနေပါသည်။ ဤကွာဟချက်ကိုဖြေရှင်းရန်၊ ကျွန်ုပ်တို့သည် အကျိတ်သတ်မှတ်ခြင်းအတွက် ဆေးရုံများအနှံ့အပြားတွင် အကျိတ်သတ်မှတ်ခြင်းဆိုင်ရာ အဆိုင်းများကဲ့သို့သော လက်တွေ့ကမ္ဘာအသုံးအဆောင်များတွင် သဘာဝအလျောက်ပေါ်ပေါက်လာသော ကွဲပြားသောဖြန့်ဖြူးမှုအပြောင်းအရွှေ့များကို ရောင်ပြန်ဟပ်သည့် ဒေတာအတွဲ 10 ခု၏အခြေခံစံနှုန်းဖြစ်သော WILDS ကိုတင်ပြပါသည်။ တောရိုင်းတိရိစ္ဆာန်စောင့်ကြည့်ခြင်းအတွက် ကင်မရာထောင်ချောက်များ၊ အချိန်နှင့်တည်နေရာကို ဂြိုလ်တုပုံရိပ်ဖော်ခြင်းနှင့် ဆင်းရဲနွမ်းပါးမှုမြေပုံထုတ်ခြင်း” (Pang Wei Koh၊ Shiori Sagawa၊ Henrik Marklund၊ Sang Xie၊ Marvin Zhang၊ Ashay Balsubramani ၏ “WILDS: A Benchmark of in-the-Wild Distribution Shifts” စာတမ်းပါ Weihua Hu နှင့် အခြားသူများ)။

ထိုကဲ့သို့သော WILDS ဒေတာအတွဲများ၏ အရေအတွက်သည် ဆက်လက်တိုးလာနေပြီး ML/DL လေ့ကျင့်ရေးအတွက် ဒေတာအသုံးပြုခြင်း၏တန်ဖိုးကို မြှင့်တင်ရန်အတွက် ဒေတာအတွဲများ၏ သဘောသဘာဝကို ယေဘုယျအားဖြင့် မြှင့်တင်ထားပါသည်။

CivilComments ဒေတာအတွဲကို ဤနည်းဖြင့် ဖော်ပြသည်- “အသုံးပြုသူမှထုတ်လုပ်ထားသော စာသားများကို အလိုအလျောက်ပြန်လည်သုံးသပ်ခြင်း—ဥပမာ- အဆိပ်သင့်သောမှတ်ချက်များကို ရှာဖွေခြင်း—သည် အင်တာနက်ပေါ်တွင် ရေးသားထားသော စာသားပမာဏကို ထိန်းညှိရန်အတွက် အရေးကြီးသောကိရိယာတစ်ခုဖြစ်သည်။ ကံမကောင်းစွာပဲ၊ ထိုသို့သော အဆိပ်သင့်မှုအမျိုးအစားခွဲထွက်သူများသည် လေ့ကျင့်ရေးဒေတာတွင် ဘက်လိုက်မှုအပေါ် ကောက်ချက်ချကာ အချို့သော လူဦးရေစာရင်းဖော်ပြခြင်းနှင့် အဆိပ်သင့်မှုကို ပြင်းပြင်းထန်ထန် ဆက်စပ်နေကြောင်း၊ အဆိုပါ spurious ဆက်စပ်ဆက်နွယ်မှုအမျိုးအစားများသည် သီးခြားလူဦးရေများပေါ်တွင် မော်ဒယ်စွမ်းဆောင်ရည်ကို သိသိသာသာ ကျဆင်းသွားစေနိုင်သည်။ CivilComments dataset ၏ မွမ်းမံထားသော မူကွဲတစ်ခုမှတဆင့် ဤပြဿနာကို လေ့လာသည်" (WILDS ဝဘ်ဆိုက်တွင် တင်ထားသည့်အတိုင်း)။

အွန်လိုင်းပေါ်တင်ခြင်း၏ ကွဲပြားချက်များကို သုံးသပ်ကြည့်ပါ။

ဆိုရှယ်မီဒီယာ အမျိုးအစားတိုင်းနီးပါးကို အသုံးပြုတဲ့အခါ အဆိပ်သင့်စေတဲ့ မှတ်ချက်တွေကို သင် သံသယဖြစ်ဖွယ် ကြုံတွေ့ခဲ့ရပါတယ်။ ယနေ့ခေတ်တွင် ပျံ့နှံ့နေပုံရသော စူးစူးရှရှနှင့် အမိုက်စားအကြောင်းအရာများကို ရှောင်လွှဲရန် သင့်အတွက် မဖြစ်နိုင်လောက်သည့်ပုံရသည်။ တစ်ခါတစ်ရံတွင် အောက်တန်းကျသော အကြောင်းအရာသည် သိမ်မွေ့ပြီး ဘက်လိုက်သော သို့မဟုတ် ခွဲခြားဆက်ဆံသည့် လေသံ သို့မဟုတ် အဓိပ္ပာယ်ကို ရရှိရန် စာကြောင်းများကြားတွင် ဖတ်ရှုရပေမည်။ အခြားဥပမာများတွင်၊ စကားလုံးများသည် ပြောင်ပြောင်တင်းတင်း အဆိပ်သင့်ပြီး ကျမ်းပိုဒ်များတွင် ပါ၀င်သည်များကို သိရှိနိုင်ရန် အဏုကြည့်မှန်ပြောင်း သို့မဟုတ် အထူးဒီကုဒ်ဒါလက်စွပ် မလိုအပ်ပါ။

CivilComments သည် အဆိပ်အတောက်ပါဝင်မှုကို တွက်ချက်သိရှိနိုင်သည့် AI ML/DL ကို ကြိုးပမ်းဖန်တီးရန် စုစည်းထားသည့် ဒေတာအတွဲတစ်ခုဖြစ်သည်။ ဤနေရာတွင် သုတေသီများ၏ ကြိုးပမ်းအားထုတ်မှုကို အခြေခံထားသည့်အချက်မှာ- " Machine Learning တွင် မရည်ရွယ်ဘဲ ဘက်လိုက်မှုများသည် မတူညီသော လူဦးရေစာရင်းအုပ်စုများအတွက် စနစ်ကျသော ကွဲပြားမှုများအဖြစ် ထင်ရှားစေပြီး၊ လူ့အဖွဲ့အစည်းကြီးတွင် တရားမျှတမှုအတွက် လက်ရှိစိန်ခေါ်မှုများကို ပေါင်းစည်းနိုင်စေပါသည်။ ဤစာတမ်းတွင်၊ အမျိုးအစားခွဲခွဲခြားသူ၏ရမှတ်ခွဲဝေမှုသည် သတ်မှတ်ထားသောအုပ်စုများတစ်လျှောက်တွင် ကွဲပြားနိုင်သည့် နည်းလမ်းအမျိုးမျိုးကို ထည့်သွင်းစဉ်းစားခြင်းဖြင့် ဤမလိုလားအပ်သော ဘက်လိုက်မှုအပေါ် ကွဲပြားသောအမြင်ကို ပေးဆောင်သည့် threshold-agnostic metrics အစုံကို မိတ်ဆက်ပေးပါသည်။ ကျွန်ုပ်တို့သည် မည်သူမည်ဝါဖြစ်ကြောင်း ရည်ညွှန်းချက်များအတွက် လူစုလူဝေးမှရင်းမြစ်မှတ်စာများပါသည့် အွန်လိုင်းမှတ်ချက်များ၏ စမ်းသပ်မှုအစုအသစ်တစ်ခုကိုလည်း မိတ်ဆက်ပေးပါသည်။ လက်ရှိ အများသူငှာ မော်ဒယ်များတွင် မလိုလားအပ်သော သိမ်မွေ့သော ဘက်လိုက်မှု အသစ်များနှင့် ဖြစ်နိုင်ချေရှိသော သိမ်မွေ့ဖွယ် မက်ထရစ်များကို ရှာဖွေရန် ကျွန်ုပ်တို့၏ မက်ထရစ်များကို မည်သို့ အသုံးပြုနိုင်ကြောင်း ပြသရန် ၎င်းကို ကျွန်ုပ်တို့ အသုံးပြုသည် (Daniel Borkan၊ Lucas Dixon မှ စစ်ဆေးမှုအတွက် ဒေတာအစစ်အမှန်ဖြင့် ခွဲခြားခြင်းအတွက် ရည်ရွယ်ချက်မရှိသော ဘက်လိုက်မှုကို တိုင်းတာခြင်းအတွက် "Nuanced Metrics For Measuring Metrics" ခေါင်းစဉ်ဖြင့်၊ Jeffrey Sorensen၊ Nithum Thain၊ Lucy Vasserman)။

ဤအကြောင်းအရာကို ကျယ်ကျယ်ပြန့်ပြန့် တွေးတောဆင်ခြင်မိပါက၊ အဆိပ်သင့်သောမှတ်ချက်သည် အဘယ်အရာနှင့် အဆိပ်သင့်သောမှတ်ချက်မဟုတ်သည့်အရာကို ခွဲခြားသိမြင်နိုင်ပုံ လောကကြီးတွင် သင်မည်သို့ ပိုင်းခြားနိုင်မည်နည်း။ လူသားများသည် လုံးလုံးလျားလျား အဆိပ်အတောက်ဖြစ်စေသော အသုံးအနှုန်းအဖြစ် အဓိပ္ပာယ်ဖွင့်ဆိုခြင်းနှင့် ပတ်သက်၍ လွန်စွာကွဲပြားနိုင်သည်။ လူတစ်ဦးသည် လူမှုကွန်ရက်ပေါ်တွင် တင်ထားသော အွန်လိုင်း မှတ်ချက် သို့မဟုတ် မှတ်ချက်တစ်ခုအတွက် ဒေါသထွက်နိုင်ပြီး အခြားသူတစ်ဦးဦးကို လုံးဝ နှိုးဆော်ခြင်းမပြုနိုင်ပေ။ အဆိပ်အတောက်ဖြစ်စေသော မှတ်ချက်ပေးခြင်း၏ သဘောတရားသည် လုံး၀ မရေမတွက်နိုင်သော သဘောတရားတစ်ခုဖြစ်ကြောင်း မကြာခဏ အငြင်းအခုံဖြစ်လေ့ရှိသည်။ အနုပညာနှင့်တူသည်၊ ယင်းမှာ အနုပညာကို ကြည့်ရှုသူ၏မျက်စိ၌သာ နားလည်သည်ဟု ဆိုကြသည်၊ ထိုနည်းအတူပင်၊ ဘက်လိုက်သော သို့မဟုတ် အဆိပ်အတောက်ဖြစ်စေသော မှတ်ချက်များသည် ကြည့်ရှုသူ၏မျက်စိ၌သာ ရှိသည်။

Balderdash၊ အချို့က တုံ့ပြန်သည်။ ကျိုးကြောင်းဆီလျော်သောစိတ်ရှိသူတိုင်းသည် အွန်လိုင်း မှတ်ချက်သည် အဆိပ်သင့်သည်ဖြစ်စေ မဟုတျဟု မဆိုနိုင်ပါ။ အချို့သော အစွန်းရောက်စော်ကားမှုများသည် ဘက်လိုက်မှုနှင့် မုန်းတီးမှုများ ပြည့်နှက်နေသောအခါတွင် သင်သဘောပေါက်ရန် ဒုံးပျံပညာရှင်ဖြစ်ရန် မလိုအပ်ပါ။

ဟုတ်ပါတယ်၊ လူမှုအသိုင်းအဝိုင်းက အချိန်ကာလတစ်ခုနဲ့တစ်ခု ပြောင်းပြီး ပြောင်းလဲနေတယ်။ လွန်ခဲ့ သော အနှောက်အယှက်ဟု ထင်မြင်ခြင်း မရှိသော အရာကို ယနေ့ ဆိုးရွားစွာ မှားယွင်းစွာ ရှုမြင်နိုင်သည်။ ထို့အပြင်၊ တစ်ချိန်က ဘက်လိုက်မှုလွန်ကဲစွာ ရှုမြင်ခဲ့ကြသည့် လွန်ခဲ့သည့်နှစ်များက ပြောခဲ့သည့်အရာများကို အဓိပ္ပါယ်များ အပြောင်းအလဲကြောင့် ပြန်လည်အဓိပ္ပာယ်ပြန်ဆိုနိုင်သည်။ တစ်ချိန်တည်းတွင်၊ အခြားသူများက အဆိပ်အတောက်ဖြစ်စေသော မှတ်ချက်စကားသည် အစပိုင်းတွင် ထုတ်ပြန်သည့်အချိန်ကပင် အမြဲအဆိပ်သင့်သည်ဟု ဆိုကြသည်။ အဆိပ်အတောက်သည် ဆက်စပ်မှုမရှိသော်လည်း လုံးဝဖြစ်နိုင်သည်ဟု စောဒကတက်နိုင်သည်။

အဆိပ်ဖြစ်စေသောအရာကို ဖော်ထုတ်ရန်ကြိုးစားခြင်းသည် ခက်ခဲသောပဟေဠိတစ်ခုဖြစ်သည်။ မည်သည့်အရာဖြစ်သည်ကို အတည်ပြုနိုင်သည့် algorithms သို့မဟုတ် AI ကို တီထွင်ရန် ကြိုးစားခြင်းနှင့်ပတ်သက်၍ ဤအခက်အခဲပြဿနာကို နှစ်ဆလျှော့ချနိုင်သည်။ အကယ်၍ လူသားများသည် ထိုသို့သော အကဲဖြတ်မှုများ ပြုလုပ်ရန် ခက်ခဲပါက၊ ကွန်ပျူတာ ပရိုဂရမ်တစ်ခု လုပ်ဆောင်ခြင်းသည် တန်းတူရည်တူ သို့မဟုတ် ပို၍ ပြဿနာဖြစ်နိုင်သည်ဟု အချို့က ဆိုကြသည်။

အဆိပ်အတောက်ဖြစ်စေသော အကြောင်းအရာများပါရှိသော ဒေတာအတွဲများကို သတ်မှတ်ခြင်းနည်းလမ်းတစ်ခုတွင် အကြောင်းအရာများကို အဆင့်သတ်မှတ်ရန် သို့မဟုတ် အကဲဖြတ်ရန် လူစုလူဝေးမှ အရင်းအမြစ်ရှာဖွေခြင်းနည်းလမ်းကို အသုံးပြုခြင်းတွင် ပါဝင်သည်၊ ergo သည် မည်သည့်အရာအား ဆန့်ကျင်သည်ဟု ရှုမြင်သည်ကို ဆုံးဖြတ်ရန်နှင့် ဒေတာအတွဲအတွင်း အညွှန်းတပ်ခြင်းအပါအဝင် လူသားအခြေပြုနည်းလမ်းကို ပံ့ပိုးပေးပါသည်။ ထို့နောက် AI ML/DL သည် လူသားအဆင့်သတ်မှတ်သူများမှညွှန်ပြထားသော ဒေတာနှင့် ဆက်စပ်တံဆိပ်တပ်ခြင်းကို စစ်ဆေးနိုင်သည်။ ၎င်းသည် အရင်းခံသင်္ချာပုံစံများကို ကွန်ပြူတာဖြင့် ရှာဖွေခြင်းနည်းလမ်းတစ်ခုအဖြစ် လုပ်ဆောင်နိုင်မည်ဖြစ်သည်။ ဒါဆိုရင် ML/DL သည် ပေးထားသောမှတ်ချက်သည် အဆိပ်ဖြစ်ဖွယ်ရှိ၊ မရှိကို ကြိုတင်ခန့်မှန်းနိုင် သို့မဟုတ် တွက်ချက်ကာ အကဲဖြတ်နိုင်မည်ဖြစ်ပါသည်။

ကွဲပြားသောတိုင်းတာမှုများအပေါ် ကိုးကားထားသောစာတမ်းတွင် ဖော်ပြထားသည့်အတိုင်း- "ဤတံဆိပ်ကပ်ခြင်းသည် မှတ်ချက်၏အဆိပ်သင့်မှုကို အဆင့်သတ်မှတ်ရန် အဆင့်သတ်မှတ်ခိုင်းသည်၊ 'အလွန်အဆိပ်သင့်ခြင်း'၊ 'အဆိပ်'၊ 'ပြောရခက်' နှင့် 'အဆိပ်မရှိ' တို့မှ ရွေးချယ်ခိုင်းသည်။ ဤအလုပ်တွင် ခွဲခြမ်းစိတ်ဖြာမှုအတွက် ဤတံဆိပ်များကို အသုံးမပြုသော်လည်း အဆိပ်အမျိုးအစားခွဲများစွာကို အကဲဖြတ်သူများကိုလည်း မေးမြန်းခဲ့ပါသည်။ ဤအဆင့်သတ်မှတ်နည်းစနစ်များကို အသုံးပြု၍ ကျွန်ုပ်တို့သည် အဆိပ်သင့်မှုနှင့် အထောက်အထားအညွှန်းများပါရှိသော အွန်လိုင်းမှတ်ချက်ဖိုရမ်များမှ ရင်းမြစ်ဖြစ်သော မှတ်ချက်ပေါင်း 1.8 သန်း၏ ဒေတာအတွဲကို ဖန်တီးခဲ့သည်။ မှတ်ချက်များအားလုံးကို အဆိပ်သင့်စေသည်ဟု တံဆိပ်ကပ်ထားသော်လည်း မှတ်ချက်ပေါင်း 450,000 ၏ အခွဲတစ်ခုကို မည်သူမည်ဝါဖြစ်ကြောင်း တံဆိပ်တပ်ထားသည်။ အထောက်အထားအတွက် တံဆိပ်တပ်ထားသော မှတ်ချက်အချို့ကို လူစုလူဝေး အဆင့်သတ်မှတ်သူများသည် အထောက်အထားအကြောင်းအရာများကို မကြာခဏမြင်ရကြောင်း သေချာစေရန်အတွက် ယခင်ပုံစံများကို အညွှန်းတပ်ခြင်းပုံစံများကို အသုံးပြု၍ ကြိုတင်ရွေးချယ်ထားပါသည်" (Daniel Borkan၊ Lucas Dixon၊ Jeffrey Sorensen၊ Nithum Thain၊ Lucy Vasserman) မှ ကိုးကားထားသောစာတမ်း။

သရုပ်ဖော်အဆိပ်အတောက်ဖြစ်စေသော အကြောင်းအရာများပါရှိသော ဒေတာအတွဲများထားရှိရန် ရည်မှန်းခြင်း၏နောက်ထပ်ဥပမာတွင် AI-based Natural Language Processing (NLP) စကားဝိုင်းအပြန်အလှန်တုံ့ပြန်မှုစနစ်များကို လေ့ကျင့်သင်ကြားပေးရန် ကြိုးပမ်းမှုများပါဝင်သည်။ Alexa နှင့် Siri ကဲ့သို့သော NLP စနစ်များနှင့် သင် အပြန်အလှန် အကျိုးပြုနိုင်ဖွယ်ရှိသည်။ Alexa သည် ကလေးများအတွက် မသင့်လျော်၍ အန္တရာယ်ရှိသော အကြံဉာဏ်တစ်ခုပေးသောအခါတွင် ဖြစ်ပွားခဲ့သော အထူးစိတ်အနှောက်အယှက်ဖြစ်စေသော ဥပမာတစ်ခုအပါအဝင် ယနေ့ NLP ၏ အခက်အခဲနှင့် ကန့်သတ်ချက်အချို့ကို ကျွန်ုပ် ခြုံငုံမိပါသည်။ ဒီမှာလင့်ခ်.

မကြာသေးမီက လေ့လာမှုတစ်ခုသည် EEOC (Equal Employment Opportunities Commission) တွင် ယေဘုယျအားဖြင့် အသက်၊ ကျား၊ မ၊ နိုင်ငံသား၊ ရုပ်ပိုင်းဆိုင်ရာအသွင်အပြင်၊ လူမျိုး သို့မဟုတ် လူမျိုး၊ ဘာသာ၊ မသန်စွမ်းမှုအခြေအနေ၊ လိင်ပိုင်းဆိုင်ရာ လက္ခဏာများအပါအဝင် အကာအကွယ်ပေးထားသော လူဦးရေစာရင်းကို အခြေခံသည့် လူမှုရေးဘက်လိုက်မှု အမျိုးအစားကိုးခုကို အသုံးပြုရန် ကြိုးပမ်းခဲ့သည်။ တိမ်းညွှတ်မှုနှင့် လူမှုစီးပွားအခြေအနေ။ သုတေသီများအဆိုအရ- “NLP မော်ဒယ်များသည် လူမှုရေးဘက်လိုက်မှုများကို လေ့လာသင်ယူကြောင်း ကောင်းစွာမှတ်တမ်းတင်ထားသော်လည်း မေးခွန်းဖြေဆိုခြင်း (QA) ကဲ့သို့သော အသုံးချအလုပ်များအတွက် စံပြရလဒ်များတွင် အဆိုပါ ဘက်လိုက်မှုများအား ထင်ရှားပေါ်လွင်စေသည့် အလုပ်အနည်းငယ်သာ လုပ်ဆောင်နိုင်ခဲ့သည်။ ကျွန်ုပ်တို့သည် US English- Speaking contexts နှင့် သက်ဆိုင်သော လူမှုရှုထောင့်ကိုးခုတွင် အကာအကွယ်ပေးထားသော အတန်းများနှင့် သက်ဆိုင်သော လူမှုရေးဆိုင်ရာ ဘက်လိုက်မှုများကို မီးမောင်းထိုးပြသော စာရေးဆရာများမှ တည်ဆောက်ထားသော မေးခွန်းအစုံ၏ ဒေတာအတွဲဖြစ်သည့် QA (BBQ) အတွက် Bias Benchmark ကို မိတ်ဆက်ပေးသည် (“BBQ စာတမ်းပါ” Alicia Parrish၊ Angelica Chen၊ Nikita Nangia၊ Vishakh Padmakumar၊ Jason Phang၊ Jana Thompson၊ Phu Mon Htut၊ Samuel R. Bowman) တို့၏ လက်ဖြင့်တည်ဆောက်ထားသော စံသတ်မှတ်ချက်တစ်ခု။

ဘက်လိုက်၍ အဆိပ်အတောက်ဖြစ်စေသော ဒေတာများကို ရည်ရွယ်ချက်ရှိရှိ တပ်ဆင်ခြင်းသည် AI တွင် မြင့်တက်လာသည့် လမ်းကြောင်းတစ်ခုဖြစ်ပြီး AI ကျင့်ဝတ်များ ထွန်းကားလာမှုနှင့် Ethical AI တို့ကို ထုတ်လုပ်လိုသော ဆန္ဒကြောင့် အထူးသဖြင့် အာရုံစူးစိုက်မှုခံနေရသည်။ ဘက်လိုက်မှုများကို ဖော်ထုတ်ရန်နှင့် လူမှုအဆိပ်သင့်မှုဖြစ်စေသည့် တွက်ချက်မှုပုံစံများကို ရှာဖွေရန်အတွက် Machine Learning (ML) နှင့် Deep Learning (DL) မော်ဒယ်များကို လေ့ကျင့်ရန် အဆိုပါဒေတာအတွဲများကို အသုံးပြုနိုင်သည်။ တစ်ဖန်၊ လေ့ကျင့်သင်ကြားထားသော ML/DL အဆိပ်သင့်မှုသည် ပစ်မှတ်ထားသော AI သည် ဘက်လိုက်မှုနှင့် အဆိပ်ဖြစ်နိုင်ချေရှိမရှိကို အတည်ပြုရန် အခြား AI ကို တရားမျှတစွာ ရည်ရွယ်နိုင်သည်။

ထို့အပြင်၊ ရရှိနိုင်သော အဆိပ်သင့်မှု-လေ့ကျင့်ထားသော ML/DL စနစ်များကို AI တည်ဆောက်သူများ သတိထားရမည့်အချက်ကို ပြသရန်အတွက် ၎င်းတို့သည် algorithmically imbued ဘက်လိုက်မှုများ မည်ကဲ့သို့ပေါ်ပေါက်လာသည်ကို သိရှိနိုင်ရန် မော်ဒယ်များကို အလွယ်တကူစစ်ဆေးနိုင်မည်ဖြစ်သည်။ ယေဘုယျအားဖြင့်၊ ဤကြိုးပမ်းမှုများသည် AI Ethics နှင့် Ethical AI အသိပညာပေးမှု၏ တစ်စိတ်တစ်ပိုင်းအနေဖြင့် အဆိပ်သင့်သော AI ၏အန္တရာယ်များကို နမူနာပြနိုင်မည်ဖြစ်သည်။

လေးလေးနက်နက် ဆွေးနွေးမှု၏ ယခုအချိန်အခါတွင်၊ သင်သည် ဤအကြောင်းအရာကို ပြသနိုင်သည့် နောက်ထပ် သရုပ်ဖော်ပုံဥပမာအချို့ကို လိုချင်နေမည်ဟု လောင်းကြေးထပ်ပါသည်။ ကျွန်ုပ်၏ နှလုံးသားနှင့် နီးစပ်သော အထူးနှင့် သေချာပေါက် ရေပန်းစားသော ဥပမာများ ရှိပါသည်။ ကျင့်ဝတ်နှင့် ဥပဒေဆိုင်ရာ သက်ရောက်မှုများ အပါအဝင် AI ဆိုင်ရာ ကျွမ်းကျင်သူတစ်ဦးအနေဖြင့် ကျွန်ုပ်၏ စွမ်းရည်ဖြင့် AI Ethics အကျပ်အတည်းများကို ပြသသည့် လက်တွေ့ကျသော ဥပမာများကို ဖော်ထုတ်ရန် မကြာခဏ တောင်းဆိုခံရပြီး ခေါင်းစဉ်၏ အနည်းငယ်သော သီအိုရီသဘောသဘာဝကို ပိုမိုလွယ်ကူစွာ ဆုပ်ကိုင်နိုင်စေရန် သင်တွေ့မြင်ရသည်။ ဤကျင့်ဝတ်ဆိုင်ရာ AI အနှောက်အယှက်ကို ထင်ရှားစွာပြသနိုင်သည့် အာရုံခံစားမှုအရှိဆုံး နယ်ပယ်တစ်ခုမှာ AI အခြေခံ စစ်မှန်သော ကိုယ်တိုင်မောင်းသူမဲ့ကားများ ပေါ်ထွန်းလာခြင်းဖြစ်သည်။ ၎င်းသည် ခေါင်းစဉ်နှင့်ပတ်သက်၍ ကျယ်ကျယ်ပြန့်ပြန့် ဆွေးနွေးမှုအတွက် အသုံးဝင်သော ဖြစ်ရပ်တစ်ခု သို့မဟုတ် စံနမူနာတစ်ခုအဖြစ် ဆောင်ရွက်မည်ဖြစ်သည်။

ဤသည်မှာ ဆင်ခြင်ထိုက်သော မှတ်သားဖွယ်မေးခွန်းတစ်ခုဖြစ်သည်။ AI အခြေခံ စစ်မှန်သော ကိုယ်တိုင်မောင်းသူမဲ့ကားများ ပေါ်ထွန်းလာခြင်းသည် အဆိပ်သင့်သော AI ကို ဖန်တီးရန် ဒေတာအစုံရှိခြင်း၏ အသုံးဝင်ပုံကို တောက်ပစေသလား၊ သို့ဆိုလျှင် ဤအရာက အဘယ်အရာကို ပြသသနည်း။

မေးခွန်းထုတ်ဖို့ ခဏလောက်ခွင့်ပြုပါ။

ဦးစွာ၊ စစ်မှန်သော အလိုအလျောက်မောင်းနှင်သည့်ကားတွင် လူသားယာဉ်မောင်းတစ်ဦးမျှ မပါဝင်ကြောင်း သတိပြုပါ။ စစ်မှန်သော အလိုအလျောက်မောင်းနှင်သည့်ကားများကို AI မောင်းနှင်မှုစနစ်ဖြင့် မောင်းနှင်ကြောင်း မှတ်သားထားပါ။ ဘီးမှာ လူသားယာဉ်မောင်းအတွက် မလိုအပ်သလို လူတစ်ဦးကို ယာဉ်မောင်းနှင်ရန် ပြဋ္ဌာန်းချက်လည်း မရှိပါ။ ကျွန်ုပ်၏ ကျယ်ပြောလှသော လက်ရှိ လွှမ်းခြုံထားသော ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ် (AVs) နှင့် အထူးသဖြင့် အလိုအလျောက်မောင်းနှင်သည့် ကားများကို ကြည့်ပါ၊ ဒီမှာလင့်ခ်.

မောင်းသူမဲ့ကားအစစ်တွေကို ရည်ညွှန်းတဲ့အခါ ဘာကိုဆိုလိုသလဲဆိုတာ ထပ်ရှင်းချင်ပါတယ်။

ကိုယ်ပိုင်ကားမောင်းခြင်းအဆင့်များကိုနားလည်ခြင်း

ရှင်းလင်းချက်အနေဖြင့်၊ စစ်မှန်သော အလိုအလျောက်မောင်းနှင်သည့်ကားများသည် AI သည် ကားကို သူ့ဘာသာသူ အပြည့်အဝမောင်းနှင်ပေးသည့် အမျိုးအစားဖြစ်ပြီး မောင်းနှင်သည့်အလုပ်တွင် လူသားအကူအညီတစ်စုံတစ်ရာမရှိပါ။

ဤမောင်းသူမဲ့ကားများကို Level 4 နှင့် Level 5 အဖြစ် သတ်မှတ်သည် (ကျွန်ုပ်၏ ရှင်းလင်းချက်တွင် ကြည့်ပါ။ ဒီ link ကိုဒီမှာ) မောင်းနှင်မှုအား မျှဝေရန်အတွက် လူသားယာဉ်မောင်းတစ်ဦး လိုအပ်သောကားကို အဆင့် 2 သို့မဟုတ် အဆင့် 3 တွင် ထည့်သွင်းစဉ်းစားလေ့ရှိသည်။ မောင်းနှင်ခြင်းလုပ်ငန်းကို ပူးတွဲမျှဝေသည့်ကားများကို Semi-autonomous ဟုဖော်ပြထားပြီး ပုံမှန်အားဖြင့် အမျိုးမျိုးပါဝင်ပါသည်။ ADAS (Advanced Driver-Assistance Systems) အဖြစ် ရည်ညွှန်းထားသော အလိုအလျောက် အပိုပရိုဂရမ်များ။

အဆင့် 5 တွင် အမှန်တကယ် မောင်းသူမဲ့ကားတစ်စီး မရှိသေးပါ၊ ၎င်းသည် အောင်မြင်ရန် ဖြစ်နိုင်ချေ ရှိ၊ သို့မဟုတ် ထိုနေရာသို့ ရောက်ရန် အချိန်မည်မျှ ကြာမည်ကိုပင် မသိရသေးပါ။

ဤအတောအတွင်း Level 4 အားထုတ်မှုများသည်အလွန်ကျဉ်းမြောင်း။ ရွေးချယ်ထားသောအများပြည်သူသုံးလမ်းပြစမ်းသပ်မှုများကို ပြုလုပ်၍ တဖြည်းဖြည်းကြိုးစားမှုအချို့ကိုရရှိရန်ကြိုးစားနေသည်။ သို့သော်ဤစမ်းသပ်မှုကိုခွင့်ပြုသင့်ခြင်းရှိမရှိနှင့် ပတ်သက်၍ အငြင်းပွားဖွယ်ရာများရှိနေသည် (ကျွန်ုပ်တို့အားလုံးသည်စမ်းသပ်မှုတစ်ခုတွင်ပါ ၀ င်သည့်သေခြင်းတူဂီနီဝက်များဖြစ်ကြသည်။ ကျွန်တော်တို့ရဲ့အဝေးပြေးလမ်းမကြီးနဲ့အဝေးပြေးလမ်းမှာဖြစ်ပျက်နေတာကိုအချို့ကအခိုင်အမာပြောတယ်၊ ဒီ link ကိုဒီမှာ).

Semi- ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရကားများတွင်လူ့ယာဉ်မောင်းလိုအပ်သောကြောင့်ထိုအမျိုးအစားများကိုမွေးစားခြင်းသည်သမားရိုးကျယာဉ်များထက်သိသိသာသာကွဲပြားလိမ့်မည်မဟုတ်ပါ။ ခဏအတွက်လာမယ့်လုပ်အချက်များယေဘုယျအားဖြင့်သက်ဆိုင်ဖြစ်ကြသည်။

Semi- ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရကားများအတွက်လတ်တလောတွင်ပေါ်ပေါက်လာသောစိတ်အနှောက်အယှက်ဖြစ်ဖွယ်ရာများအကြောင်းအများပြည်သူအားကြိုတင်သတိပေးရန်လိုအပ်သည်။ ၎င်းတို့သည်ဗီဒီယိုများအားမိမိတို။ ၏ဗွီဒီယိုများအားဒုတိယအကြိမ် (သို့) အဆင့် ၃ ကားဘီးတွင်အိပ်ပျော်နေအောင်ကြိုတင်သတိပေးရန်လိုသည်။ , ငါတို့ရှိသမျှသည်ကားမောင်းသူတစ်ဝက်ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရကားမောင်းနေစဉ်ကားမောင်းခြင်းလုပ်ငန်းကနေသူတို့ရဲ့အာရုံကိုဖယ်ရှားပစ်နိုင်သည်ကိုယုံကြည်သို့လှည့်ဖြားခြင်းမှရှောင်ရှားရန်လိုအပ်သည်။

သင်သည်အဆင့် (၂) သို့မဟုတ်အဆင့် (၃) သို့အလိုအလျောက်မည်မျှတင်ပို့သည်ဖြစ်စေ၊ သင်သည်ယာဉ်၏မောင်းနှင်မှုအတွက်တာဝန်ရှိသည်။

ကိုယ်တိုင်မောင်းနှင်သောကားများနှင့် အဆိပ်သင့် AI ကို ရှင်းရှင်းလင်းလင်း မောင်းနှင်ပါ။

အဆင့် 4 နှင့်အဆင့် ၅ တွင်စစ်မှန်သောမိမိကိုယ်ကိုမောင်းနှင်သည့်ယာဉ်များအတွက်ယာဉ်မောင်းသူတွင်လူသားမောင်းသူမရှိနိုင်ပါ။

နေထိုင်သူများအားလုံးသည်ခရီးသည်များဖြစ်သည်။

အဆိုပါ AI အကားမောင်းလုပ်နေတာဖြစ်ပါတယ်။

ချက်ချင်းဆွေးနွေးရန်အချက်တစ်ချက်မှာယနေ့ခေတ် AI မောင်းနှင်မှုစနစ်တွင်ပါ ၀ င်သော AI သည်စိတ်ကျေနပ်မှုမရှိပါ။ တနည်းအားဖြင့် AI သည်ကွန်ပျူတာအခြေခံပရိုဂရမ်နှင့် algorithms စုပေါင်းမှုတစ်ခုဖြစ်ပြီးလူသားများတတ်နိုင်သည့်အတိုင်းအတာနှင့်ကျိုးကြောင်းဆင်ခြင်မှုလုံးဝမရှိပါ။

AI သည်အာရုံခံစားမှုမရှိခြင်းကိုအဘယ့်ကြောင့်ဤသို့အလေးပေးဖော်ပြသနည်း။

ငါ AI မောင်းနှင်မှုစနစ်၏အခန်းကဏ္discussကိုဆွေးနွေးတဲ့အခါငါ AI မှလူ့အရည်အသွေးတွေကိုဖော်ပြခြင်းမဟုတ်ကြောင်းအလေးပေးချင်သောကြောင့် AI ကိုမနုropဗေဒအဖြစ်ပြောင်းလဲရန်ယခုခေတ်တွင်အန္တရာယ်ရှိသောအလေ့အကျင့်ရှိသည်ကိုသတိပြုပါ။ အဓိကအားဖြင့်လူများသည်ယနေ့ခေတ် AI သို့လူသားနှင့်သက်ဆိုင်သည့်စိတ်ကျေနပ်မှုကိုပေးနေကြသော်လည်းထိုသို့သော AI မရှိသေးဟုမငြင်းနိုင်သော၊

ထိုရှင်းလင်းချက်ဖြင့် AI မောင်းနှင်မှုစနစ်သည်ကား၏ရှုထောင့်များကိုတစ်နည်းနည်းဖြင့်“ မသိ” ဟုသင်ထင်မြင်နိုင်သည်။ မောင်းနှင်မှုနှင့်ပါ ၀ င်မှုအားလုံးသည်မိမိကိုယ်ကိုမောင်းနှင်သည့်ကား၏ဟာ့ဒ်ဝဲနှင့်ဆော့ (ဖ်) ဝဲ၏အစိတ်အပိုင်းတစ်ခုအနေဖြင့်စီစဉ်ရန်လိုအပ်သည်။

ဒီခေါင်းစဉ်အပေါ်ကစားရန်လာသည်ဟုများပြားလှသောရှုထောင့်သို့လေ့လာကြပါစို့။

ဦးစွာ၊ AI မောင်းသူမဲ့ကားအားလုံးသည် တူညီကြသည်မဟုတ်ကြောင်း သိရှိထားရန် အရေးကြီးပါသည်။ ကားထုတ်လုပ်သူနှင့် မောင်းသူမဲ့ကားနည်းပညာကုမ္ပဏီတစ်ခုစီသည် မောင်းသူမဲ့ကားများကို တီထွင်ဖန်တီးရန် ချဉ်းကပ်လုပ်ဆောင်နေကြသည်။ ထို့ကြောင့် AI မောင်းနှင်မှုစနစ်များ လုပ်ဆောင်မည် သို့မဟုတ် မလုပ်သင့်သည်နှင့် ပတ်သက်၍ ကျယ်ကျယ်ပြန့်ပြန့် ထုတ်ပြန်ချက်ထုတ်ရန် ခက်ခဲသည်။

ထို့ပြင် AI မောင်းနှင်မှုစနစ်သည်တစ်စုံတစ်ရာကိုအထူးလုပ်ဆောင်ခြင်းမရှိကြောင်းဖော်ပြသည့်အခါတိုင်း၎င်းသည်အမှန်တကယ်အားကွန်ပျူတာကိုပရိုဂရမ်ရေးသားသော developer များထက်ကျော်လွန်နိုင်သည်။ တစ်ဆင့်ပြီးတစ်ဆင့် AI မောင်းနှင်မှုစနစ်များကိုတဖြည်းဖြည်းတိုးတက်လာသည်နှင့်တိုးချဲ့လာသည်။ ယနေ့တည်ရှိနေသောကန့်သတ်ချက်သည်အနာဂတ်စနစ်သို့မဟုတ်ဗားရှင်းစနစ်တွင်မရှိတော့ပါ။

ငါဆက်နွှယ်မည့်အကြောင်းအရာကို နားလည်သဘောပေါက်စေရန်အတွက် လုံလောက်သောသတိပေးချက်များပေးမည်ဟု မျှော်လင့်ပါသည်။

အလားအလာများစွာရှိပြီး တစ်နေ့နေ့တွင် အလိုအလျောက်မောင်းနှင်နိုင်သောယာဉ်များနှင့် အလိုအလျောက်မောင်းနှင်သည့်ကားများ ပေါ်ပေါက်လာမှုကို ထိပ်တိုက်ရင်ဆိုင်ရမည့် AI-ထည့်သွင်းထားသော ဘက်လိုက်မှုများကို ရိပ်မိနိုင်ဖွယ်ရှိကြောင်း ဥပမာအားဖြင့် ကျွန်ုပ်၏ဆွေးနွေးချက်ကို ကြည့်ပါ။ ဒီမှာလင့်ခ် နှင့် ဒီမှာလင့်ခ်. ကျွန်ုပ်တို့သည် မောင်းသူမဲ့ကား စတင်ရောင်းချခြင်း၏ အစောပိုင်းအဆင့်တွင် ရှိနေသေးသည်။ မွေးစားခြင်းသည် လုံလောက်သောအတိုင်းအတာနှင့် မြင်နိုင်စွမ်းကို မရောက်ရှိမီအထိ၊ နောက်ဆုံးတွင် ကျွန်ုပ်ခန့်မှန်းထားသည့် အဆိပ်သင့်သော AI အသွင်အပြင်များ အများစုမှာ အလွယ်တကူ ထင်ထင်ရှားရှား မပေါ်လွင်သေးဘဲ လူအများ၏ အာရုံစူးစိုက်မှုကို ကျယ်ကျယ်ပြန့်ပြန့် မရရှိကြသေးပါ။

အစပိုင်းတွင် လုံးဝအပြစ်ကင်းသည်ဟု ထင်ရသော ရိုးရိုးရှင်းရှင်း မောင်းနှင်မှုဆိုင်ရာ ကိစ္စရပ်ကို သုံးသပ်ကြည့်ပါ။ အထူးသဖြင့်၊ လမ်းဖြတ်ကူးရန် လမ်းကြောင်းမှန်မရှိသော လမ်းဖြတ်ကူးရန် စောင့်နေသော လမ်းသွားလမ်းလာများကို စောင့်မျှော်နေသော လမ်းသွားလမ်းလာများကို ရပ်တန့်ရန် မည်သို့ ဆုံးဖြတ်ရမည်ကို အတိအကျ ဆန်းစစ်ကြည့်ကြပါစို့။

သင်ကားမောင်းပြီး လမ်းဖြတ်ကူးရန် စောင့်ဆိုင်းနေသော လမ်းသွားလမ်းလာများနှင့် ကြုံတွေ့ခဲ့ရသည်မှာ သံသယဖြစ်ဖွယ်မရှိသော်လည်း ၎င်းတို့တွင် ထိုသို့ပြုလုပ်ရန် လမ်းကြောင်းမှန်မရှိပေ။ ဆိုလိုတာက ရပ်တန့်ပြီး သူတို့ကို ဖြတ်ကျော်ခွင့် ပေးဖို့ သင့်မှာ ဆုံးဖြတ်ချက် ရှိတယ်လို့ ဆိုလိုတာပါ။ ၎င်းတို့ကို ဖြတ်ကျော်ခွင့်မပြုဘဲ ဆက်လက်လုပ်ဆောင်နိုင်ပြီး တရားဝင်မောင်းနှင်မှုစည်းမျဉ်းများအတွင်း အပြည့်အဝရှိနေပါသေးသည်။

ယင်းသို့ လမ်းသွားလမ်းလာများအတွက် ရပ်ရန် သို့မဟုတ် မရပ်ရန် လူသားယာဉ်မောင်းများက ဆုံးဖြတ်ပုံအား လေ့လာချက်များအရ တစ်ခါတစ်ရံတွင် လူသားယာဉ်မောင်းများသည် ဘက်လိုက်မှုအပေါ် အခြေခံ၍ ရွေးချယ်မှုပြုလုပ်ကြောင်း အကြံပြုထားသည်။ လူသားယာဉ်မောင်းတစ်ဦးသည် လမ်းသွားလမ်းလာကို မျက်စိကျကာ မရပ်တန့်ရန် ရွေးချယ်နိုင်သော်လည်း လမ်းသွားလမ်းလာတွင် လူမျိုး သို့မဟုတ် ကျားမအပေါ်အခြေခံ၍ ကွဲပြားသောအသွင်အပြင်မျိုး ရှိနေပါက ရပ်သွားမည်ဖြစ်သည်။ ဒါကို ကျနော် စစ်ဆေးပြီးပြီ။ ဒီမှာလင့်ခ်.

အလားတူ ရပ်တန့်ခြင်း သို့မဟုတ် သွားခြင်းဆိုင်ရာ ဆုံးဖြတ်ချက်ကို ချမှတ်ရန် AI မောင်းနှင်မှုစနစ်များကို မည်သို့ အစီအစဉ်ဆွဲမည်နည်း။

စောင့်ဆိုင်းနေသော လမ်းသွားလမ်းလာများအတွက် အမြဲရပ်တန့်ရန် AI မောင်းနှင်မှုစနစ်များအားလုံးကို အစီအစဉ်ချသင့်သည်ဟု ကြွေးကြော်နိုင်သည်။ ဤအရာသည် ကိစ္စရပ်ကို များစွာရိုးရှင်းစေသည်။ တကယ်ကို ပြတ်ပြတ်သားသား ဆုံးဖြတ်ချက်ချဖို့ မရှိပါဘူး။ လမ်းသွားလမ်းလာရှိသည်ဖြစ်စေ မရှိသည်ဖြစ်စေ လမ်းဖြတ်ကူးရန် စောင့်ဆိုင်းနေပါက AI မောင်းသူမဲ့ကားသည် လမ်းဖြတ်ကူးရန် ရပ်တန့်သွားစေရန် သေချာစေပါ။

လွယ်ကူသော peasy ။

ဘဝဆိုတာ ဘယ်တော့မှ မလွယ်ဘူးထင်တာပဲ။ မောင်းသူမဲ့ကားအားလုံးသည် ဤစည်းမျဉ်းကို လိုက်နာသည်ဟု မြင်ယောင်ကြည့်ပါ။ လမ်းသွားလမ်းလာများသည် AI မောင်းနှင်မှုစနစ်များသည် တွန်းလှန်မှုများဖြစ်သည်ကို မလွဲမသွေ သဘောပေါက်ကြမည်ဖြစ်သည်။ လမ်းဖြတ်ကူးလိုသူတိုင်း လမ်းသွားလမ်းလာတိုင်း ဆန္ဒရှိသည့်အခါတိုင်း၊

သတ်မှတ်ထားသော အမြန်နှုန်းဖြင့် တစ်နာရီလျှင် ၄၅ မိုင်နှုန်းဖြင့် မောင်းသူမဲ့ကားတစ်စီးသည် အမြန်လမ်းပေါ်မှ ဆင်းလာသည်ဆိုပါစို့။ AI သည် အလိုအလျောက်မောင်းနှင်သည့်ကားကို ရပ်တန့်သွားစေမည်ကို လမ်းသွားလမ်းလာတစ်ဦးက “သိ” သည်။ ဒီတော့ လမ်းသွားလမ်းလာတွေက လမ်းပေါ်ကို ခုန်ဆင်းသွားတယ်။ ကံမကောင်းစွာဖြင့်၊ ရူပဗေဒသည် AI ထက်သာလွန်သည်။ AI မောင်းနှင်မှုစနစ်သည် အလိုအလျောက်မောင်းနှင်သည့်ကားကို ရပ်တန့်ရန် ကြိုးစားသော်လည်း၊ အလိုအလျောက်မောင်းနှင်သည့်ယာဉ်၏ အရှိန်အဟုန်သည် တန်ချိန်များစွာသော contraption ကို ရှေ့သို့သယ်ဆောင်သွားကာ လမ်းသွားလမ်းလာလူသွားလမ်းကြားသို့ မောင်းနှင်သွားမည်ဖြစ်သည်။ ရလဒ်သည် ဒဏ်ရာဖြစ်စေ သို့မဟုတ် သေဆုံးသည်အထိ ဖြစ်စေသည်။

လမ်းသွားလမ်းလာများသည် ဘီးပေါ်တွင် လူသားယာဉ်မောင်းတစ်ဦးရှိသည့်အခါ ဤအပြုအမူမျိုးကို မကြိုးစားကြပါ။ ဟုတ်ပါတယ်၊ အချို့သောဒေသတွေမှာ မျက်ကွင်းစစ်ပွဲတစ်ခု ဖြစ်ပွားနေပါတယ်။ လမ်းသွားလမ်းလာတစ်ဦးက ယာဉ်မောင်းကို မျက်စောင်းထိုးသည်။ ကားသမားက လမ်းသွားလမ်းလာကို မျက်စောင်းထိုးသည်။ အခြေအနေအပေါ်မူတည်၍ ယာဉ်မောင်းသည် ရပ်တန့်သွားခြင်း သို့မဟုတ် ယာဉ်မောင်းက လမ်းကို အခိုင်အမာတောင်းဆိုနိုင်ပြီး လမ်းသွားလမ်းလာများကို နှောင့်ယှက်ရန် ကြိုးစားရန် သတ္တိရှိပေမည်။

လူတစ်ဦး သို့မဟုတ် စက်ရုပ်မရှိသောကြောင့် AI သည် ဆင်တူသော မျက်လုံးစစ်ပွဲသို့ မ၀င်ရောက်စေလိုပါ (ကျွန်တော်သည် စက်ရုပ်များ၏ အနာဂတ်ဖြစ်နိုင်ချေကို ဆွေးနွေးပြီးပြီဖြစ်သည်။ အဲဒီကားကို ကြည့်တယ်။ ဒီမှာလင့်ခ်) ဒါပေမယ့် လမ်းသွားလမ်းလာတွေကို အမြဲတမ်း ရိုက်ချက်ခေါ်ဖို့လည်း ခွင့်မပြုနိုင်ပါဘူး။ ရလဒ်သည် သက်ဆိုင်ရာအားလုံးအတွက် ဆိုးရွားစေနိုင်သည်။

ထို့နောက် သင်သည် ဤအကြွေစေ့၏ တစ်ဖက်သို့ လှန်ရန် သွေးဆောင်ခံရပြီး AI မောင်းနှင်မှုစနစ်သည် ထိုအခြေအနေမျိုးတွင် ဘယ်တော့မှ ရပ်တန့်မနေသင့်ကြောင်း ကြေငြာနိုင်သည်။ တစ်နည်းဆိုရသော် လမ်းသွားလမ်းလာတစ်ဦးသည် လမ်းဖြတ်ကူးရန် သင့်လျော်သောလမ်းမရှိပါက၊ AI သည် အလိုအလျောက်မောင်းနှင်သည့်ကားကို အရှိန်အဟုန်မပျက် ဆက်လက်လုပ်ဆောင်သင့်သည်ဟု AI မှ အမြဲတမ်းယူဆထားသင့်သည်။ ဒီလမ်းသွားလမ်းလာတွေအတွက် ကံကောင်းတယ်။

ဤကဲ့သို့ တင်းကျပ်ပြီး ရိုးရှင်းသော စည်းမျဉ်းသည် အများသူငှာ ကောင်းစွာ လက်ခံနိုင်လိမ့်မည် မဟုတ်ပေ။ လူများသည် လူများဖြစ်ကြပြီး အမျိုးမျိုးသော နေရာများတွင် ထိုသို့ပြုလုပ်ရန် တရားဝင်လမ်းမရှိသော်လည်း လမ်းဖြတ်ကူးနိုင်ခြင်းကို လုံးလုံးလျားလျား ပိတ်ဆို့နေခြင်းကို မကြိုက်ကြပေ။ အများသူငှာ အကြီးအကျယ် ရုတ်ရုတ်သဲသဲဖြစ်မှုကို သင် အလွယ်တကူ ခန့်မှန်းနိုင်ပြီး မောင်းသူမဲ့ကားများ ဆက်လက်မွေးစားခြင်းကို ဆန့်ကျင်သည့် တုံ့ပြန်မှုများ ပေါ်ပေါက်လာနိုင်သည်။

ငါတို့လုပ်ရင် ငေါက်မယ်၊ မလုပ်ရင် ငေါက်မယ်။

၎င်းသည် သင့်အား AI ကို ဤမောင်းနှင်မှုပြဿနာကို မည်သို့ကိုင်တွယ်ဖြေရှင်းရမည်ကို ဆုံးဖြတ်ချက်ချသည့်ပုံသဏ္ဍာန်ဖြင့် ပရိုဂရမ်ပြုလုပ်ရန် လိုအပ်သည့် ကျိုးကြောင်းဆင်ခြင်သည့်ရွေးချယ်မှုဆီသို့ ပို့ဆောင်ပေးမည်ဟု မျှော်လင့်ပါသည်။ ဘယ်တော့မှ မရပ်ဖို့ ခက်ပြီး မြန်တဲ့ စည်းမျဉ်းက ပြင်လို့ မရသလို၊ အမြဲတမ်း ရပ်တန့်ဖို့ ခက်ခဲပြီး လျင်မြန်တဲ့ စည်းမျဉ်းကလည်း ပြင်လို့ မရပါဘူး။ ဒီကိစ္စကိုကိုင်တွယ်ဖြေရှင်းရန် AI ကို အချို့သော algorithm ဆုံးဖြတ်ချက်ချခြင်း သို့မဟုတ် ADM ဖြင့် ပုံဖော်ရမည်ဖြစ်ပါသည်။

ML/DL ချဉ်းကပ်မှုနှင့်အတူ ဒေတာအတွဲကို သုံးကြည့်ပါ။

ဒါကတော့ AI developer တွေက ဒီလုပ်ငန်းကို ပရိုဂရမ်လုပ်ဖို့ ဘယ်လိုဆုံးဖြတ်နိုင်မလဲ။ ၎င်းတို့သည် မောင်းသူမဲ့ကားကို အသုံးပြုမည့် မြို့တစ်မြို့တစ်ဝိုက်တွင် ထားရှိထားသည့် ဗီဒီယိုကင်မရာများမှ အချက်အလက်များကို စုဆောင်းပါသည်။ လမ်းကြောင်းမှန်မရှိသော လမ်းသွားလမ်းလာများကို လူသားယာဉ်မောင်းများက ရပ်တန့်ရန် ရွေးချယ်သည့်အခါ အချက်အလက်ကို ဖော်ပြသည်။ အားလုံးကို dataset တစ်ခုအဖြစ် စုစည်းထားပါသည်။ Machine Learning နှင့် Deep Learning ကိုအသုံးပြုခြင်းဖြင့် ဒေတာများကို တွက်ချက်မှုပုံစံဖြင့် ပုံဖော်ထားသည်။ AI မောင်းနှင်မှုစနစ်သည် မည်သည့်အချိန်တွင် ရပ်ရမည် သို့မဟုတ် မရပ်ရန် ဆုံးဖြတ်ရန် ဤမော်ဒယ်ကို အသုံးပြုသည်။

ယေဘူယျအားဖြင့် အယူအဆမှာ ဒေသတွင်း ဓလေ့ထုံးစံများ ပါ၀င်သည်ဖြစ်စေ AI သည် အလိုအလျောက် မောင်းနှင်သည့် ကားကို ညွှန်ပြနေပုံဖြစ်သည်။ ပြဿနာဖြေရှင်းပြီးပြီ။

သို့သော် အမှန်တကယ် ဖြေရှင်းနိုင်ပါသလား။

လူသားယာဉ်မောင်းများသည် လမ်းသွားလမ်းလာများအတွက် ရပ်တန့်ရမည့်အချိန်ရွေးချယ်မှုတွင် လူသားယာဉ်မောင်းများကို ဘက်လိုက်နိုင်သည်ဟု ဖော်ပြထားသည့် သုတေသနလေ့လာမှုများ ရှိကြောင်း ကျွန်ုပ်ထောက်ပြခဲ့ပြီးဖြစ်ကြောင်း သတိရပါ။ မြို့တော်တစ်ခု၏ စုဆောင်းထားသော အချက်အလက်များတွင် ထိုဘက်လိုက်မှုများ ပါဝင်နေမည်ဟု ယူဆရသည်။ ထိုဒေတာအပေါ်အခြေခံသည့် AI ML/DL သည် စံနမူနာပြပြီး ထိုတူညီသောဘက်လိုက်မှုများကို ထင်ဟပ်စေမည်ဖြစ်သည်။ AI မောင်းနှင်မှုစနစ်သည် တူညီသော ဘက်လိုက်မှုများကို လုပ်ဆောင်ပေးမည်ဖြစ်သည်။

ပြဿနာကို စမ်းကြည့်ရန်၊ အမှန်တကယ်တွင် ထိုသို့သော ဘက်လိုက်မှုများပါရှိသည့် ဒေတာအတွဲတစ်ခုကို စုစည်းနိုင်သည်။ ထိုသို့သော ဒေတာအတွဲကို ကျွန်ုပ်တို့ရှာတွေ့ပြီးနောက် ဘက်လိုက်မှုများကို တံဆိပ်တပ်ခြင်း သို့မဟုတ် ကိစ္စရပ်ကို သရုပ်ဖော်ရာတွင် အထောက်အကူဖြစ်စေရန် ဒေတာအတွဲတစ်ခုကို ပေါင်းစပ်ဖန်တီးထားသည်။

အစောပိုင်းသတ်မှတ်ထားသော အဆင့်များအားလုံးကို အောက်ပါတို့အပါအဝင် ဆောင်ရွက်သွားမည်ဖြစ်ပါသည်။

• ဤအထူးသဖြင့် ဘက်လိုက်မှုပါ၀င်သော ဒေတာအစုံကို စနစ်ထည့်သွင်းပါ။
• ဤတိကျသော ဘက်လိုက်မှုများကို သိရှိနိုင်ရန် Machine Learning (ML) နှင့် Deep Learning (DL) မော်ဒယ်များကို လေ့ကျင့်ရန် ဒေတာအတွဲကို အသုံးပြုပါ။
• ပစ်မှတ်ထားသော AI သည် အလားတူပုံစံဖြင့် ဘက်လိုက်နိုင်ချေရှိမရှိကို အတည်ပြုရန် ဘက်လိုက်မှု-လေ့ကျင့်ထားသော ML/DL ကို အခြား AI ထံ အသုံးချပါ။
• ဘက်လိုက်မှု-လေ့ကျင့်ထားသော ML/DL ကို AI တည်ဆောက်သူများ သတိထားရမည့်အချက်ကို ပြသရန် ၎င်းတို့သည် ၎င်းတို့၏ မော်ဒယ်များကို အလွယ်တကူ စစ်ဆေးနိုင်စေရန် အယ်လဂိုရီသမ်အရ ဘက်လိုက်မှု ဖြစ်ပေါ်လာပုံကို ကြည့်ရန်
• AI Ethics နှင့် Ethical AI အသိပညာပေးမှု၏ တစ်စိတ်တစ်ပိုင်းအနေဖြင့် ဘက်လိုက်သော AI ၏အန္တရာယ်များကို နမူနာယူပါ
• အခြား

ကောက်ချက်

အဖွင့်လိုင်းကို ပြန်ကြည့်ရအောင်။

တစ်ခုသိဖို့တော့လိုတယ်။

အဆိပ်သင့်သော AI များကို ဖောက်ထုတ်ရာတွင် ကျွန်ုပ်တို့သည် အဆိပ်သင့်သော AI ကို တည်ဆောက်ကာ အခြားအဆိပ်သင့်သော AI များကို ရှာဖွေတွေ့ရှိခြင်းနှင့် ကိုင်တွယ်ဖြေရှင်းခြင်းအတွက် ယုံကြည်ချက်ပေးသင့်သည်ဟု အချို့က ယူဆကြသည်။ အောက်ခြေလိုင်း- တစ်ခါတစ်ရံ အခြားသူခိုးကို ဖမ်းရန် သူခိုးတစ်ဦး လိုအပ်သည်။

ထင်ရှားသောစိုးရိမ်မှုတစ်ခုမှာ သူခိုးလုပ်ရန် ကျွန်ုပ်တို့၏လမ်းမှ ထွက်သွားခြင်းဖြစ်နိုင်သည်။ ကျွန်ုပ်တို့သည် အဆိပ်ရှိသော AI ကို တီထွင်လိုပါသလား။ ဒါဟာ ရူးသွပ်တဲ့ အကြံအစည်တစ်ခုလို မဟုတ်ဘူးလား။ သူရဲကောင်းဆန်သော သို့မဟုတ် သတ္တိရှိရှိဟု ယူဆလျှင်ပင် သိသိကြီးဖြင့် တည်ဆောက်ထားသည့် AI အပါအဝင် အဆိပ်သင့်သော AI အားလုံးကို တားမြစ်သင့်သည်ဟု အချို့က ပြင်းပြင်းထန်ထန် ငြင်းခုံကြသည်။ AI ကောင်းအတွက် ရည်ရွယ်ချက်။

ဖြစ်ပေါ်လာနိုင်သည့် မည်သည့် လိမ္မာပါးနပ်သော သို့မဟုတ် ဆိုးသွမ်းသော အရိပ်အယောင်တွင်မဆို အဆိပ်သင့် AI ကို သုတ်လိမ်းပါ။

ဤအကြောင်းအရာနှင့် ပတ်သက်၍ နောက်ဆုံးလှည့်ကွက်တစ်ခု။ ယေဘူယျအားဖြင့် ဤနာမည်ကြီးလိုင်းသည် လူများ သို့မဟုတ် မကောင်းမှု သို့မဟုတ် ယုတ်ညံ့သော အကျင့်ဆိုးများနှင့် သက်ဆိုင်သည်ဟု ကျွန်ုပ်တို့ ယူဆပါသည်။ သူခိုးကို ဖမ်းဖို့ သူခိုးယူတယ် ဆိုတဲ့ သဘောတရားကို တွေးကြည့်မိတော့၊ ဒီစကားလေးကို ခေါင်းထဲဖွင့်ပြီး ဝမ်းနည်းတဲ့မျက်နှာထက် ပျော်ရွှင်တဲ့မျက်နှာဖြစ်အောင် လုပ်သင့်တယ်။

ဒီဟာကဘယ်လိုလဲ

အကယ်၍ ကျွန်ုပ်တို့သည် ဘက်မလိုက်ဘဲ အဆိပ်အတောက်ကင်းသော AI ကို လိုချင်ပါက၊ တစ်ဦးကို တစ်ဦး သိရန် လိုအပ်သည်ဟု ယူဆနိုင်သည်။ နောက်ထပ် ကြီးမြတ်မှုနှင့် ကောင်းမြတ်မှုကို အသိအမှတ်ပြုရန် အကြီးမြတ်ဆုံးနှင့် အကောင်းဆုံးဖြစ်နိုင်သည် ။ ဤပညာရှိ ဉာဏ်ပညာမျိုးကွဲတွင် ကျွန်ုပ်တို့သည် ပျော်ရွှင်သောမျက်နှာကို စိုက်ကြည့်ကာ အကြံဉာဏ်ကို အာရုံပြုရန် ရည်မှန်းထားသည်။ AI ကောင်းအတွက်။

အဲဒါက ပိုပြီး တက်ကြွပြီး ကျေနပ်စရာကောင်းတဲ့ ရွှင်လန်းတဲ့ ရှုထောင့်တစ်ခု ဖြစ်လာလိမ့်မယ်၊ ငါဘာကိုဆိုလိုတယ်ဆိုတာ သိရင် တစ်ခုသိဖို့ လိုတယ်။