စက်သင်ယူခြင်း၏ အစစ်အမှန်ခံတပ်

ကျွန်ုပ်တို့သည် AI ပြိုင်ဆိုင်မှုအကြောင်းပြောသောအခါ၊ မော်ဒယ်တည်ဆောက်ပုံ၊ ပါရာမီတာအရွယ်အစားနှင့် ကွန်ပျူတာစွမ်းအားအပေါ် အာရုံစိုက်လေ့ရှိသည်။ သို့သော် ဤအရာများသည် အစစ်အမှန်အတားအဆီးများမဟုတ်ပါ။

Algorithm များကို ပုံတူကူးယူနိုင်သည်။ ကွန်ပျူတာစွမ်းအားကို ငှားရမ်းနိုင်သည်။ သို့သော် သီးသန့်ပိုင်ဆိုင်သော လက်တွေ့ကမ္ဘာဒေတာပိုက်လိုင်းများကော။ ၎င်းသည် ခံတပ်ဖြစ်သည်။

ML ပြိုင်ဆိုင်မှု၏ အဆင့်သုံးဆင့်

လွန်ခဲ့သောဆယ်စုနှစ်အတွင်း စက်သင်ယူခြင်း၏ ပြိုင်ဆိုင်မှုအာရုံစိုက်မှုသည် သုံးကြိမ်ပြောင်းရွှေ့ခဲ့သည်။

ပထမအဆင့်- Algorithm ပြိုင်ဆိုင်မှု (2012-2017)

• မည်သူက ပိုကောင်းသော မော်ဒယ်တည်ဆောက်ပုံရှိသနည်း။
• CNN၊ RNN နှင့် Transformer ကို တီထွင်သူများသည် အားသာချက်ရရှိခဲ့သည်။
• သို့သော် စာတမ်းထုတ်ဝေပြီးနောက် မည်သူမဆို အသုံးပြုနိုင်သည်။

ဒုတိယအဆင့်- ကွန်ပျူတာစွမ်းအားပြိုင်ဆိုင်မှု (2017-2022)

• မည်သူက GPU ပိုများသနည်း။
• GPT-3 ကို လေ့ကျင့်ရန် V100 1000+ လိုအပ်သည်။
• သို့သော် cloud ဝန်ဆောင်မှုများသည် ကွန်ပျူတာစွမ်းအားကို ဝယ်ယူနိုင်သော ကုန်ပစ္စည်းတစ်ခုဖြစ်စေသည်။

တတိယအဆင့်- ဒေတာပြိုင်ဆိုင်မှု (2022-ယခု)

• မည်သူက ထူးခြားသော ဒေတာလည်ပတ်မှုရှိသနည်း။
• ပေါင်းစပ်ဒေတာသည် လက်တွေ့ကမ္ဘာဒေတာကို အစားထိုး၍မရပါ။
• ၎င်းသည် ပုံတူကူးယူ၍မရသော အတားအဆီးဖြစ်သည်။

အဘယ်ကြောင့် ဒေတာသည် နောက်ဆုံးခံတပ်ဖြစ်သနည်း။

အကြောင်းရင်းသုံးရပ်-

1. ရှားပါးမှု- အရည်အသွေးမြင့်မားပြီး မှတ်သားထားသော အစစ်အမှန်ဒေတာသည် သဘာဝအားဖြင့် ရှားပါးသည်။
2. ရောင်းဝယ်၍မရနိုင်မှု- ငွေပေးချေရန်ဆန္ဒရှိလျှင်ပင် ပြိုင်ဘက်၏ဒေတာပိုက်လိုင်းကို ဝယ်ယူ၍မရပါ။
3. ဒြပ်ပေါင်းအကျိုးသက်ရောက်မှု- ပိုကောင်းသောဒေတာ → ပိုကောင်းသောထုတ်ကုန် → သုံးစွဲသူပိုများ → ဒေတာပိုများ

ML ကျွမ်းကျင်သူတစ်ဦးသည် X တွင် ရေးသားခဲ့သည်-

"Algorithms can be replicated. Compute can be rented. But proprietary real-world data pipelines? That's a moat."

၎င်းသည် ပြဿနာ၏အနှစ်သာရကို ဖမ်းယူထားသည်။ OpenAI သည် ထုတ်ဝေသူများနှင့် သီးသန့်သဘောတူညီချက်များ လက်မှတ်ရေးထိုးသည်ကို သင်တွေ့သောအခါ၊ Google သည် Reddit ဒေတာဝင်ရောက်ခွင့်ကို ဝယ်ယူရန် ဘီလီယံပေါင်းများစွာ သုံးစွဲသောအခါ၊ ၎င်းတို့ဝယ်ယူနေသည်မှာ အကြောင်းအရာမဟုတ်ပါ - ၎င်းတို့ဝယ်ယူနေသည်မှာ လေ့ကျင့်ရေးဒေတာ၏ ခံတပ်ဖြစ်သည်။

ဘက်လိုက်မှု-ကွဲပြားမှု လဲလှယ်မှု၏ ပြန်လာခြင်း

စိတ်ဝင်စားစရာမှာ ကျွန်ုပ်တို့သည် ဒေတာအရည်အသွေးအကြောင်း ဆွေးနွေးသောအခါ၊ စက်သင်ယူခြင်း၏ ဂန္ထဝင်အယူအဆသည် ပြန်လည်ရောက်ရှိလာသည်- ဘက်လိုက်မှု-ကွဲပြားမှု လဲလှယ်မှု။

"Machine Learning in a nutshell: minimize error to achieve optimal bias-variance tradeoff. Higher the bias, more the error between predictions and ground truth - i.e. underfitting. Higher the variance, more the error from small fluctuations in the training set - i.e. overfitting." — @bindureddy

LLM ခေတ်တွင် ဤအယူအဆသည် ခေတ်နောက်ကျသွားပြီဟု ကျွန်ုပ်တို့တစ်ချိန်က ထင်ခဲ့သည်။ သို့သော် ဒေတာအရည်အသွေးပြဿနာ၏ အနှစ်သာရသည် ဘက်လိုက်မှုနှင့် ကွဲပြားမှု၏ ချိန်ခွင်လျှာဖြစ်နေဆဲဖြစ်ကြောင်း သက်သေပြခဲ့သည်- အမှိုက်ဒေတာသည် ဘက်လိုက်မှုကို ဖြစ်စေပြီး တူညီသောဒေတာသည် ကွဲပြားမှုကို ဖြစ်စေသည်။

သင်္ချာရှုထောင့်၏ ပြောင်းလဲခြင်း

အာရုံစိုက်သင့်သောအခြားလမ်းကြောင်းတစ်ခုမှာ ML သင်္ချာအခြေခံများကို နားလည်မှုသည် နက်ရှိုင်းလာခြင်းဖြစ်သည်။

သုတေသီတစ်ဦးက ဤသို့ထောက်ပြသည်-

"The most powerful tool in your mathematical toolkit isn't a formula, it's a change of perspective... We're taught to see matrices as 'grids of numbers.' But to a machine learning engineer, a matrix is often secretly a graph."

ဤရှုထောင့်ပြောင်းလဲခြင်း - "ဂဏန်းဇယားကွက်" မှ "ဂရပ်ဖွဲ့စည်းပုံ" - သည် ML ကြုံတွေ့နေရသော သိမြင်မှုအဆင့်မြှင့်တင်မှုကို ဖော်ပြသည်။ လူအများအပြားသည် linear algebra၊ probability theory နှင့် optimization theory တို့သည် ဤ "မှော်" ကို မည်သို့ပံ့ပိုးပေးသည်ကို နားလည်သောအခါ၊ လုပ်ငန်းသည် အနက်ရောင်သေတ္တာကိုးကွယ်မှုမှ အဖြူရောင်သေတ္တာနားလည်မှုသို့ ရွေ့လျားသွားမည်ဖြစ်သည်။

ပတ်ဝန်းကျင်ကုန်ကျစရိတ်ပြဿနာ

လျစ်လျူရှု၍မရသောအချက်မှာ ML ၏ ဖွံ့ဖြိုးတိုးတက်မှုသည် အမှန်တကယ်ပတ်ဝန်းကျင်ကုန်ကျစရိတ်နှင့်အတူ လိုက်ပါလာခြင်းဖြစ်သည်။

• နည်းပညာကုမ္ပဏီ ၇၄% ၏ "AI သည် ရာသီဥတုကို အထောက်အကူပြုသည်" ဟူသောအဆိုသည် သက်သေအထောက်အထားမရှိပါ။
• Google ၏ ထုတ်လွှတ်မှုသည် ၂၀၁၉-၂၀၂၃ ခုနှစ်တွင် ၄၈% တိုးလာသည်။
• Microsoft ၏ ထုတ်လွှတ်မှုသည် ၂၀၂၀ ခုနှစ်မှစ၍ ၂၉% တိုးလာသည်။

ဤကိန်းဂဏန်းများသည် ဒေတာစင်တာများ တိုးချဲ့ခြင်းမှ လာပြီး ဒေတာစင်တာများ တိုးချဲ့ခြင်း၏ တွန်းအားသည် ML လေ့ကျင့်ရေးနှင့် အကြောင်းပြချက်ဖြစ်သည်။ ၎င်းသည် အကန့်အသတ်မရှိ တွက်ချက်နိုင်သော မျဉ်းကွေးတစ်ခုမဟုတ်ပါ။

ကျွမ်းကျင်သူများအတွက် ထိုးထွင်းသိမြင်မှု

သင်သည် ML နယ်ပယ်သို့ ဝင်ရောက်နေပါက အာရုံစိုက်သင့်သော လမ်းကြောင်းသုံးခုရှိသည်။

1. ဒေတာအင်ဂျင်နီယာ- မော်ဒယ်တည်ဆောက်ပုံထက် အစားထိုးရန် ပိုခက်ခဲသည်။
2. နယ်ပယ်ဗဟုသုတ- မည်သည့်ဒေတာသည် တန်ဖိုးရှိသည်ကို သိခြင်းသည် လေ့ကျင့်နည်းကို သိခြင်းထက် ပိုအရေးကြီးသည်။
3. စနစ်တွေးခေါ်မှု- ML သည် သီးခြားမော်ဒယ်တစ်ခုမဟုတ်ဘဲ ဒေတာ-မော်ဒယ်-ထုတ်ကုန်-သုံးစွဲသူ၏ ပိတ်ထားသောကွင်းဆက်ဖြစ်သည်။

တစ်စုံတစ်ယောက်ပြောခဲ့သလိုပင်- သင်ယူခြင်းစက်ကိုယ်တိုင်ဖြစ်လာခြင်းသည် ဘဝတွင် အရေးကြီးဆုံးသော meta-skill ဖြစ်သည်။

သို့သော် ပိုမိုတိကျသောအဆိုမှာ- ဒေတာကိုနားလည်သော သင်ယူခြင်းစက်ဖြစ်လာခြင်းသည် ဤခေတ်၏ အမှန်တကယ်ယှဉ်ပြိုင်နိုင်စွမ်းဖြစ်သည်။