How does artificial intelligence learn? - Briana Brownell

Translator: Sanntint Tint Reviewer: Myo Aung

Today, artificial intelligence helps doctors diagnose patients,

ယနေ့ ဉာဏ်ရည်တုက ဆရာဝန်တွေ လူနာတွေရဲ့ ရောဂါရှာဖွေဖို့၊ လေယာဉ်မှူးတွေ

pilots fly commercial aircraft, and city planners predict traffic.

လေယာဉ်တွေ မောင်းဖို့၊မြို့ပြစီမံကိန်း ဆွဲသူတွေ ယာဉ်ကြောကို ကြိုတွက်ဖို့ ကူညီတယ်။

But no matter what these AIs are doing, the computer scientists who designed them

ဒါပေမဲ့ AI တွေ လုပ်နေတာက ဘာဖြစ်ဖြစ် ပုံစံထုတ်တဲ့ ကွန်ပြူတာ သိပ္ပံပညာရှင်တွေဟာ

likely don’t know exactly how they’re doing it.

သူတို့ ဘယ်လို ပြန်လုပ်နေတာကို အတိအကျ မသိနိုင်လောက်ပါ။

This is because artificial intelligence is often self-taught,

AI တွေဟာ မကြာခဏတော့ ကိုယ်တိုင် သင်ကြားတာကြောင့်ပါ။

working off a simple set of instructions

စည်းမျဉ်းတွေနဲ့ နည်းဗျူဟာတွေ ထူခြားတဲ့

to create a unique array of rules and strategies.

တည်ဆောက်မှုတစ်ခု ဖန်တီးဖို့ ရိုးရိုး လမ်းညွှန်ချက်တစ်စုံကို တွက်ချက်ရင်းပါ။

So how exactly does a machine learn?

ဒီတော့ စက်တစ်ခုက ဘယ်လို အတိအကျ သင်ယူလဲ။

There are many different ways to build self-teaching programs.

ကိုယ်တိုင် သင် အစီအစဉ်တွေ ဆောက်ဖို့ မတူတဲ့ နည်းများစွာရှိတယ်၊

But they all rely on the three basic types of machine learning:

ဒါပေမဲ့ အားလုံးဟာ အခြေခံ စက် သင်ယူရေး အမျိုးအစား သုံးခုအပေါ် အမှီပြုတယ်။

unsupervised learning, supervised learning, and reinforcement learning.

မကြီးကြပ်တဲ့ သင်ယူခြင်း၊ ကြီးကြပ်တဲ့ သင်ယူခြင်းနဲ့ အားပေး သင်ယူခြင်းပါ။

To see these in action,

ဒါတွေကို လုပ်ဆောင်ချက်မှာ မြင်ဖို့

let’s imagine researchers are trying to pull information

ထောင်ချီတဲ့ လူနာ မှတ်တမ်းတွေပါဝင်တဲ့ ဆေးဘက်ဆိုင်ရာ ဒေတာတစ်စုကနေ

from a set of medical data containing thousands of patient profiles.

သတင်းအချက်အလက်ကို ဆွဲထုတ်ဖို့ ကြိုးစားနေတဲ့ သုတေသီတွေကို စိတ်ကူးကြည့်ပါ။

First up, unsupervised learning.

ပထမဆုံး မကြီးကြပ်တဲ့ သင်ယူခြင်း။

This approach would be ideal for analyzing all the profiles

ဒီနည်းလမ်းက ယေဘုယျ တူညီတာတွေနဲ့ အသုံးဝင်တဲ့ ပုံစံတွေ ရှာတွေ့ဖို့

to find general similarities and useful patterns.

မှတ်တမ်းအားလုံးကို သရုပ်ခွဲတာအတွက် အကောင်းဆုံးဖြစ်လိမ့်မယ်။

Maybe certain patients have similar disease presentations,

တချို့လူနာတွေကမှာ တူညီတဲ့ ရောဂါ တင်ပြချက်တွေ ရှိနိုင်လောက်တယ်။

or perhaps a treatment produces specific sets of side effects.

(သို့)ဖြစ်နိုင်တာက ကုသမှုတစ်ခုက ထွက်တဲ့ တိကျတဲ့ ဘေးထွက်ဆိုးကျိုး အစုတွေပေါ့။

This broad pattern-seeking approach can be used to identify similarities

ဒီကျယ်ပြန့်တဲ့ ပုံစံရှာတဲ့ နည်းလမ်းက လူနာ မှတ်တမ်းတွေကြားက တူညီမှုတွေကို

between patient profiles and find emerging patterns,

ဖော်ထုတ်ဖို့နဲ့ ပေါ်လာနေတဲ့ ပုံစံတွေကို ရှာဖို့ အသုံးပြုနိုင်တယ်။

all without human guidance.

အားလုံး လူသား လမ်းညွှန်ချက်မပါဘူး။

But let's imagine doctors are looking for something more specific.

ဒါပေမဲ့ ပိုတိကျတာကို ရှာနေတဲ့ ဆရာဝန်တွေကို စိတ်ကူးကြည့်ရအောင်။

These physicians want to create an algorithm

ဒီသမားတော်တွေက ထူးခြားတဲ့ အခြေအနေတစ်ခုကို

for diagnosing a particular condition.

ရောဂါရှာဖို့ အယ်လ်ဂိုရစ်သမ်တစ်ခုကို ဖန်တီးချင်တယ်။

They begin by collecting two sets of data—

ဒေတာ နှစ်စုံကို ကောက်ယူရင်း စတင်လိုက်တယ်။

medical images and test results from both healthy patients

ကျန်းမာတဲ့ လူနာတွေနဲ့ ဒီအခြေအနေမှာ ရောဂါပေါ်နေတဲ့ သူတွေဆီကရတဲ့

and those diagnosed with the condition.

ဆေးဘက်ဆိုင်ရာ ပုံရိပ်တွေနဲ့ စစ်ဆေးတဲ့ ရလဒ်တွေပါ။

Then, they input this data into a program

ဒီနောက်မှာ ဒေတာကို ဖျားနာနေတဲ့ လူနာတွေမှာ တူညီနေတဲ့

designed to identify features shared by the sick patients

အင်္ဂါရပ်ကို ရှာဖွေဖို့ ပုံစံထုတ်ထားတဲ့ ပရိုဂရမ်တစ်ခုထဲ ထည့်တယ်။

but not the healthy patients.

ဒါပေမဲ့ ကျန်းမာတဲ့ လူနာတွေ မဟုတ်ဘူး။

Based on how frequently it sees certain features,

အင်္ဂါရပ်တွေကို မကြာခဏ တွေမြင်ပုံကို အခြေခံထားတဲ့

the program will assign values to those features’ diagnostic significance,

ပရိုဂရမ်က ဒီအင်္ဂါရပ်တွေရဲ့ရောဂါရှာဖွေမှု ထူးခြားမှုအလိုက် တန်ဖိုးသတ်မှတ်မယ်။

generating an algorithm for diagnosing future patients.

နောင်လာမည့် လူနာတွေကို ရောဂါရှာဖွေရေးအတွက် အယ်ဂိုရစ်သမ်တစ်ခု ထုတ်ပေးတာပါ။

However, unlike unsupervised learning,

ဒါပေမဲ့ မကြီးကြပ်တဲ့ သင်ယူခြင်းနဲ့ မတူတာက

doctors and computer scientists have an active role in what happens next.

ဆရာဝန်တွေနဲ့ ကွန်ပြူတာ သိပ္ပံပညာရှင်တွေမှာ နောက်ဖြစ်မယ့်အရာမှာ နိုးကြားတဲ့ကဏ္ဍရှိတယ်။

Doctors will make the final diagnosis

ဆရာဝန်တွေဟာ နောက်ဆုံး ရောဂါရှာဖွေမှု လုပ်ကာ

and check the accuracy of the algorithm’s prediction.

အယ်ဂိုရစ်သမ် ခန့်မှန်းချက်ရဲ့ တိကျမှုကို စစ်ဆေးမယ်။

Then computer scientists can use the updated datasets

နောက် ကွန်ပြူတာ သိပ္ပံပညာရှင်တွေက ပရိုဂရမ် ကန့်သတ်ဘောင်တွေကို

to adjust the program’s parameters and improve its accuracy.

ညှိဖို့၊တိကျမှု တိုးတက်ဖို့ မွမ်းမံထားတဲ့ ဒေတာစုတွေကို သုံးနိုင်တယ်။

This hands-on approach is called supervised learning.

ဒီလက်တွေ့ နည်းလမ်းကို ကြီးကြပ်တဲ့ သင်ယူခြင်းလို့ခေါ်တယ်။

Now, let’s say these doctors want to design another algorithm

ကဲ ဒီဆရာဝန်တွေက ကုသမှု အစီအစဉ်တွေကို အကြံပြုဖို့ နောက်ထပ်

to recommend treatment plans.

အယ်ဂိုရစ်သမ် ဖန်တီးချင်တယ်ဆိုပါစို့။

Since these plans will be implemented in stages,

ဒီအစီအစဉ်တွေဟာ အဆင့်တွေနဲ့ အကောင်အထည်ဖော်မှာဖြစ်ပြီး

and they may change depending on each individual's response to treatments,

ကုသမှုတွေကို တစ်ဦချင်းရဲ့ တုံ့ပြန်မှုအပေါ် မူတည်ပြီး ပြောင်းလဲနိုင်တာကြောင့်

the doctors decide to use reinforcement learning.

ဆရာဝန်တွေဟာ အားပေး သင်ယူခြင်းကို သုံးဖို့ ဆုံးဖြတ်လိုက်တယ်။

This program uses an iterative approach to gather feedback

ဒီပရိုဂရမ်က ဆေးဝါးတွေ၊ သောက်သုံးမှုခပမာဏနဲ့ ထိရောက်တဲ့

about which medications, dosages and treatments are most effective.

ကုသမှုတွေအကြောင်း တုံပြန်မှုတွေကို ကောက်ယူ ဖို့ လှုံ့ဆော်တဲ့ နည်းလမ်းကို သုံးတယ်။

Then, it compares that data against each patient’s profile

ဒီနောက် ထူးခြားတဲ့ အကောင်းဆုံး ကုသမှု အစီအစဉ်ကို ဖန်တီးဖို့

to create their unique, optimal treatment plan.

ဒီဒေတာကို လူနာတစ်ဦးစီရဲ့ မှတ်တမ်းနဲ့ နှိုင်းယှဉ်တယ်။

As the treatments progress and the program receives more feedback,

ကုသမှုတွေ တိုးတက်ပြီး ပရိုဂရမ်က ပိုများတဲ့ တုံ့ပြန်မှု ရရှိတာကြောင့်

it can constantly update the plan for each patient.

လူနာတစ်ဦးစီအတွက် အစီအစဉ်ကို အမြဲမပြတ် မွမ်းမံနိုင်တယ်။

None of these three techniques are inherently smarter than any other.

ဒီနည်းစနစ် သုံးခုအနက် တစ်ခုကမှ အခြားတစ်ခုထက် ပင်ကိုအားဖြင့် ပိုမသာဘူး။

While some require more or less human intervention,

တချို့က လူသား ပါဝင်ပတ်သက်မှု လိုအပ်သလောက်နီးပါးဆိုပေမဲ့

they all have their own strengths and weaknesses

အားလုံးမှာ တချို့လုပ်ဆောင်ချက်တွေ အတွက် အသင့်ဆုံး

which makes them best suited for certain tasks.

ဖြစ်စေတဲ့ အားသာချက်တွေနဲ့ အားနည်းချက်တွေ ရှိတယ်။

However, by using them together,

ဒါပေမဲ့ ဒါတွေကို အတူတူ သုံးခြင်းအားဖြင့်

researchers can build complex AI systems,

သုတေသီတွေဟာ သီးခြားပရိုဂရမ်တွေ အချင်းချင်း

where individual programs can supervise and teach each other.

ကြီးကြပ်၊ သင်ပေးနိုင်တဲ့ ရှုပ်ထွေးတဲ့ AI စနစ်တွေ တည်ဆောက်နိုင်တယ်။

For example, when our unsupervised learning program

ဥပမာ မကြီးကြပ်တဲ့ သင်ယူရေး ပရိုဂရမ်က

finds groups of patients that are similar,

တူညီတဲ့ လူနာတွေရဲ့ အဖွဲ့တွေကို ရှာတွေ့တဲ့အခါ

it could send that data to a connected supervised learning program.

ဒီဒေတာကို ဆက်သွယ်နေတဲ့ ကြီးကြပ် သင်ယူရေး ပရိုဂရမ်တစ်ခုဆီ ပို့နိုင်တယ်။

That program could then incorporate this information into its predictions.

ပရိုဂရမ်က သတင်းအချက်အလက်ကို ခန့်မှန်းချက်တွေထဲမှာ ထည့်သွင်းနိုင်တယ်။

Or perhaps dozens of reinforcement learning programs

(သို့) ဒါဇင်ချီတဲ့ အားပေး သင်ယူရေး ပရိုဂရမ်တွေက

might simulate potential patient outcomes

မတူတဲ့ ကုသရေး အစီအစဉ်တွေအကြောင်း

to collect feedback about different treatment plans.

တုံ့ပြန်မှုကောက်ဖို့ လူနာ ရလဒ်တွေကို လှုံ့ဆော်နိုင်တယ်။

There are numerous ways to create these machine-learning systems,

ဒီစက် သင်ယူရေး စနစ်တွေကို ဖန်တီးဖို့ နည်းလမ်းများစွာရှိပြီး

and perhaps the most promising models

ဖြစ်လောက်တာက အလားအလာ အကောင်းဆုံး

are those that mimic the relationship between neurons in the brain.

ပုံစံငယ်တွေက ဦးနှောက်ထဲက နူရွန်းတွေကြားက ဆက်စပ်မှုကို အသွင်တုတာတွေပါ။

These artificial neural networks can use millions of connections

ဒီအာရုံကြော ကွန်ရက်အတုတွေက ရုပ်ပုံ မှတ်မိမှု၊ စကားသံ မှတ်မိမှုနဲ့

to tackle difficult tasks like image recognition, speech recognition,

ဘာသာစကား ဘာသာပြန်မှုလိုတောင် ခက်ခဲတဲ့ လုပ်ဆောင်မှုတွေကို ဖြေရှင်းဖို့

and even language translation.

သန်းချီတဲ့ ဆက်သွယ်မှုတွေကို သုံးနိုင်တယ်။

However, the more self-directed these models become,

ဒါပေမဲ့ ဒီပုံစံငယ်တွေက ပိုပြီး ၎င်းတို့ဘာသာ ညွှန်ကြားလာလေလေ၊

the harder it is for computer scientists

ကွန်ပြူတာ သိပ္ပံပညာရှင်တွေအတွက်

to determine how these self-taught algorithms arrive at their solution.

ကိုယ်တိုင် သင်ကြားမှု အယ်လ်ဂိုရစ်သမ်တွေ အဖြေတစ်ခုရပုံကို ဆုံးဖြတ်ဖို့ ခက်လေလေပါ။

Researchers are already looking at ways to make machine learning more transparent.

သုတေသီတွေဟာ စက် သင်ယူခြင်းကို ပို မြင်သာစေဖို့ နည်းလမ်းတွေကိုကြည့်နေပါပြီ။

But as AI becomes more involved in our everyday lives,

ဒါပေမဲ့ AI က နေ့စဉ်ဘဝတွေမှာ ပိုပြီး ပါဝင်ပတ်သက်လာတာကြောင့်

these enigmatic decisions have increasingly large impacts

ပဟေဠိဆန်တဲ့ ဆုံးဖြတ်ချက်တွေက အလုပ်၊ကျန်းမာရေးနဲ့

on our work, health, and safety.

လုံခြုံမှုအပေါ် တိုးလာနေတဲ့ ပိုကြီးတဲ့ သက်ရောက်မှုတွေရှိတယ်။

So as machines continue learning to investigate, negotiate and communicate,

ဒီတော့ စက်တွေက စုံးစမ်း ၊ညှိနှိုင်း၊ ဆက်သွယ်ဖို့ ဆက်လက် သင်ယူသလို

we must also consider how to teach them to teach each other to operate ethically.

စက်အချင်းချင်း ကျင့်ဝတ်နဲ့အညီ လုပ်ဆောင် ဖို့ သင်နည်းကို သင်ပေးရမှာပါ။