machine learning bubble ကွဲသွားပြီလား ဒါမှမဟုတ် အရုဏ်သစ်တစ်ခုရဲ့အစလား။

မကြာသေးမီက ထွက်ရှိခဲ့သည်။ ဆောင်းပါးမကြာသေးမီနှစ်များအတွင်း စက်သင်ယူမှုတွင် ကောင်းမွန်သောလမ်းကြောင်းကိုပြသသည့်၊ တိုတိုပြောရရင်- ပြီးခဲ့သောနှစ်နှစ်အတွင်း စက်သင်ယူမှုစတင်မှုအရေအတွက် ကျဆင်းသွားပါသည်။

ကောင်းပြီ။ "ပူဖောင်းကွဲသွားသလား"၊ "ဘယ်လိုဆက်လက်နေထိုင်ရမလဲဆိုတာ" ကြည့်ပြီး ဒီငတုံးလေးဟာ အရင်နေရာက ဘယ်ကလာလဲဆိုတာကို ကြည့်ကြရအောင်။

ပထမဦးစွာ၊ ဤမျဉ်းကွေး၏ အားကောင်းစေသည့်အချက်အကြောင်း ဆွေးနွေးကြပါစို့။ သူမဘယ်ကလာတာလဲ။ အားလုံးမှတ်မိကြလိမ့်မယ်။ အောင်ပွဲ ImageNet ပြိုင်ပွဲမှာ 2012 မှာ machine learning နောက်ဆုံးတော့၊ ဒါက ပထမဆုံး ကမ္ဘာလုံးဆိုင်ရာ အဖြစ်အပျက်ပါ။ ဒါပေမယ့် လက်တွေ့မှာတော့ ဒီလိုမဟုတ်ပါဘူး။ မျဉ်းကွေး၏ ကြီးထွားမှုသည် အနည်းငယ်စောပါသည်။ အချက်ပေါင်းများစွာကို ခွဲထုတ်မယ်။

1. ၂၀၀၈ ခုနှစ်တွင် “ဒေတာကြီး” ဟူသော ဝေါဟာရ ပေါ်ပေါက်လာခဲ့သည်။ စစ်မှန်သောထုတ်ကုန်များစတင်ခဲ့သည်။ ပေါ်လာ 2010 ခုနှစ်ကတည်းက ဒေတာကြီးသည် စက်သင်ယူခြင်းနှင့် တိုက်ရိုက်သက်ဆိုင်သည်။ ဒေတာကြီးကြီးမားမားမရှိဘဲ၊ ထိုအချိန်ကရှိခဲ့သော algorithms ၏တည်ငြိမ်သောလုပ်ဆောင်မှုသည်မဖြစ်နိုင်ပါ။ ပြီးတော့ ဒါတွေက မသေခင် ကွန်ရက်တွေ မဟုတ်ဘူး။ 2012 ခုနှစ်မတိုင်မီအထိ၊ အာရုံကြောကွန်ရက်များသည် သေးငယ်သောလူနည်းစု၏ ထိန်းသိမ်းစောင့်ရှောက်မှုများဖြစ်သည်။ ဒါပေမယ့် နောက်ပိုင်းမှာ လုံးဝကွဲပြားတဲ့ algorithms တွေဟာ နှစ်ပေါင်းများစွာ တည်ရှိခဲ့တဲ့၊ ဒါမှမဟုတ် ဆယ်စုနှစ်တွေတောင်မှ အလုပ်ဖြစ်ခဲ့ပါတယ်။ SVM(၁၉၆၃၊၁၉၉၃)၊ ကျပန်းသစ်တော (1995), AdaBoost (2003)၊... ထိုနှစ်များ၏ startups များသည် ဖွဲ့စည်းပုံဒေတာ၏ အလိုအလျောက်လုပ်ဆောင်ခြင်းများနှင့် အဓိကအားဖြင့် ဆက်စပ်နေသည်- ငွေသားစာရင်းများ၊ သုံးစွဲသူများ၊ ကြော်ငြာများ၊

   ဤပထမလှိုင်း၏ ဆင်းသက်လာခြင်းမှာ XGBoost၊ CatBoost၊ LightGBM စသည်ဖြင့် ဘောင်အစုံဖြစ်သည်။

2. 2011-2012 မှာ convolutional အာရုံကြောကွန်ရက်များ ပုံရိပ်အသိအမှတ်ပြုပြိုင်ပွဲများစွာကို ရရှိခဲ့သည်။ ၎င်းတို့၏ အမှန်တကယ် အသုံးပြုမှုမှာ အနည်းငယ် နှောင့်နှေးခဲ့သည်။ ပြောရမယ်ဆိုရင် ကြီးမားတဲ့ အဓိပ္ပါယ်ရှိတဲ့ startups တွေနဲ့ solutions တွေက 2014 မှာ ပေါ်လာတော့တယ်။ နျူရွန်များ အလုပ်လုပ်ဆဲဖြစ်သည်ကို ချေဖျက်ရန်၊ သင့်လျော်သောအချိန်အတွင်း ထည့်သွင်းနိုင်သည့် အဆင်ပြေသောဘောင်များကို ဖန်တီးရန်၊ ပေါင်းစည်းချိန်ကို တည်ငြိမ်စေပြီး အရှိန်မြှင့်မည့် နည်းလမ်းများကို ဖော်ထုတ်ရန် နှစ်နှစ်ကြာခဲ့သည်။

   Convolutional networks များသည် ကွန်ပျူတာ အမြင်ဆိုင်ရာ ပြဿနာများကို ဖြေရှင်းနိုင်စေသည်- ရုပ်ပုံရှိ ရုပ်ပုံများနှင့် အရာဝတ္တုများကို အမျိုးအစားခွဲခြင်း၊ အရာဝတ္တုများကို သိရှိခြင်း၊ အရာဝတ္တုများနှင့် လူများကို အသိအမှတ်ပြုခြင်း၊ ရုပ်ပုံမြှင့်တင်ပေးခြင်း စသည်ဖြင့်၊

3. 2015-2017 ။ ထပ်တလဲလဲကွန်ရက်များ သို့မဟုတ် ၎င်းတို့၏ analogues (LSTM၊ GRU၊ TransformerNet စသည်ဖြင့်) အပေါ်အခြေခံသည့် algorithms နှင့် ပရောဂျက်များ၏ အရှိန်အဟုန်သည် ကောင်းမွန်စွာလုပ်ဆောင်နိုင်သော စကားပြောမှစာသားဆိုင်ရာ အယ်လဂိုရီသမ်များနှင့် စက်ဘာသာပြန်စနစ်များ ပေါ်လာသည်။ ၎င်းတို့သည် အခြေခံအင်္ဂါရပ်များကို ထုတ်ယူရန် convolutional networks များအပေါ် တစ်စိတ်တစ်ပိုင်းအခြေခံထားသည်။ တစ်စိတ်တစ်ပိုင်းအားဖြင့် ကျွန်ုပ်တို့သည် အမှန်တကယ် ကြီးမားပြီး ကောင်းမွန်သော ဒေတာအတွဲများကို စုဆောင်းတတ်လာသောကြောင့် ဖြစ်သည်။

"ပူဖောင်းပေါက်သွားပြီလား ဖောင်းပွနေသလား။ သူတို့ဟာ blockchain တစ်ခုအနေနဲ့ သေဆုံးခဲ့တာလား။
မဟုတ်ရင်! မနက်ဖြန် Siri သည် သင့်ဖုန်းတွင် အလုပ်မလုပ်တော့ဘဲ သန်ဘက်ခါ Tesla သည် အလှည့်နှင့် သားပိုက်ကောင်ကြား ခြားနားချက်ကို မသိနိုင်ပါ။

မသေခင် ကွန်ရက်တွေ အလုပ်လုပ်နေပြီ။ ၎င်းတို့သည် စက်ပစ္စည်းများစွာတွင် ရှိနေသည်။ ၎င်းတို့သည် သင့်အား ငွေရှာရန်၊ စျေးကွက်နှင့် သင့်ပတ်ဝန်းကျင်ကမ္ဘာကို ပြောင်းလဲရန် အမှန်တကယ် ခွင့်ပြုပေးသည်။ Hype သည် အနည်းငယ်ကွဲပြားပုံပေါ်သည်-

အာရုံကြောကွန်ရက်များသည် အသစ်အဆန်းမဟုတ်တော့ပါ။ ဟုတ်တယ်၊ လူတော်တော်များများက မျှော်လင့်ချက်ကြီးကြီးထားကြတယ်။ သို့သော် ကုမ္ပဏီအများအပြားသည် နျူရွန်များကို အသုံးပြုရန်နှင့် ၎င်းတို့အပေါ်အခြေခံ၍ ထုတ်ကုန်များပြုလုပ်ရန် သင်ယူခဲ့ကြသည်။ နျူရွန်များသည် လုပ်ဆောင်ချက်အသစ်များကို ပံ့ပိုးပေးကာ အလုပ်များကို ဖြတ်တောက်ရန်နှင့် ဝန်ဆောင်မှုများ၏ စျေးနှုန်းကို လျှော့ချနိုင်စေသည်-

• ထုတ်လုပ်ရေးကုမ္ပဏီများသည် ထုတ်လုပ်မှုလိုင်းပေါ်ရှိ ချို့ယွင်းချက်များကို ခွဲခြမ်းစိတ်ဖြာရန် algorithms များကို ပေါင်းစပ်ထားသည်။
• မွေးမြူရေးခြံများသည် နွားများကို ထိန်းချုပ်ရန် စနစ်များကို ဝယ်ယူကြသည်။
• အလိုအလျောက်ပေါင်းစပ်။
• အလိုအလျောက်ခေါ်ဆိုမှုစင်တာများ။
• SnapChat ရှိ စစ်ထုတ်မှုများ။ (ကောင်းပြီ၊ အနည်းဆုံးတော့ အသုံးဝင်တဲ့အရာတစ်ခုပါ။)

သို့သော် အဓိကအချက်မှာ အထင်ရှားဆုံးမဟုတ်ပါ- "စိတ်ကူးသစ်များမရှိတော့ပါ၊ သို့မဟုတ် ၎င်းတို့သည် ချက်ချင်းအရင်းအနှီးကို ယူဆောင်လာမည်မဟုတ်ပါ။" အာရုံကြောကွန်ရက်များသည် ပြဿနာများစွာကို ဖြေရှင်းပေးခဲ့သည်။ ပြီးတော့ သူတို့က ပိုလို့တောင် ဆုံးဖြတ်လိမ့်မယ်။ ရှိပြီးသား ထင်ရှားတဲ့ စိတ်ကူးတွေ အားလုံးက startup တော်တော်များများကို ဖြစ်ပေါ်စေတယ်။ ဒါပေမယ့် အပေါ်ယံမှာ ရှိသမျှကို စုဆောင်းပြီးသွားပြီ။ လွန်ခဲ့သည့် နှစ်နှစ်အတွင်းတွင်၊ အာရုံကြောကွန်ရက်များအသုံးပြုခြင်းအတွက် စိတ်ကူးအသစ်တစ်ခုမျှ မတွေ့ခဲ့ရပါ။ ချဉ်းကပ်မှုအသစ်တစ်ခုမဟုတ်ပါ (ကောင်းပြီ၊ GAN နှင့် ပြဿနာအနည်းငယ်ရှိပါသည်)။

ပြီးတော့ နောက်ဆက်တွဲ startup တစ်ခုစီက ပိုပိုပြီး ရှုပ်ထွေးပါတယ်။ ၎င်းသည် open data ကို အသုံးပြု၍ နျူရွန်ကို လေ့ကျင့်ပေးသူ နှစ်ဦး မလိုအပ်တော့ပါ။ ၎င်းသည် ပရိုဂရမ်မာများ၊ ဆာဗာတစ်ခု၊ အမှတ်အသားအဖွဲ့တစ်ခု၊ ရှုပ်ထွေးသောပံ့ပိုးကူညီမှုစသည်ဖြင့် လိုအပ်သည်။

ရလဒ်အနေနဲ့ကတော့ startup တွေ နည်းပါးလာပါတယ်။ ဒါပေမယ့် ထုတ်လုပ်မှုက ပိုရှိတယ်။ လိုင်စင်နံပါတ်ပြားကို အသိအမှတ်ပြုထည့်ရန် လိုအပ်ပါသလား။ စျေးကွက်တွင် သက်ဆိုင်ရာ အတွေ့အကြုံရှိသော ကျွမ်းကျင်သူ ရာနှင့်ချီရှိပါသည်။ သင်သည် တစ်စုံတစ်ဦးကို ငှားရမ်းနိုင်ပြီး လအနည်းငယ်အကြာတွင် သင့်ဝန်ထမ်းသည် စနစ်ကို ပြုလုပ်နိုင်မည်ဖြစ်သည်။ ဒါမှမဟုတ် အဆင်သင့်ဝယ်ပါ။ ဒါပေမယ့် startup အသစ်လုပ်နေတာလား.. အရူး။

3-4 လအတွင်း သင့်ကိုယ်ပိုင်လုပ်ငန်းကို ပြုလုပ်နိုင်ပြီး သင့်လုပ်ငန်းအတွက် ထက်မြက်လာသောအခါတွင် ဧည့်သည်ခြေရာခံခြင်းစနစ်ကို သင်ဖန်တီးရန် လိုအပ်သည်- လိုင်စင်များစွာအတွက် အဘယ်ကြောင့် ပေးရသနည်း။

ယခုအခါ အာရုံကြောကွန်ရက်များသည် အခြားနည်းပညာများစွာကို ဖြတ်သန်းခဲ့သည့် လမ်းကြောင်းအတိုင်း ဖြတ်သန်းနေကြပြီဖြစ်သည်။

1995 ခုနှစ်ကတည်းက "website developer" ၏ သဘောတရားသည် မည်သို့ပြောင်းလဲခဲ့သည်ကို မှတ်မိပါသလား။ စျေးကွက်သည် ကျွမ်းကျင်သူများနှင့် မပြည့်သေးပါ။ ပရော်ဖက်ရှင်နယ် အလွန်နည်းပါတယ်။ ဒါပေမယ့် 5-10 နှစ်အတွင်းမှာ Java programmer နဲ့ neural network developer ကြားမှာ ကွာခြားချက်အများကြီးရှိမှာမဟုတ်ဘူးလို့ လောင်းကြေးထပ်ရပါတယ်။ စျေးကွက်တွင် အထူးကျွမ်းကျင်သူ နှစ်ဦးစလုံး လုံလောက်စွာ ရှိလိမ့်မည်။

နျူရွန်များဖြင့် ဖြေရှင်းနိုင်သော ပြဿနာများ ရိုးရှင်းစွာ ရှိပါမည်။ အလုပ်တစ်ခု ပေါ်လာပါပြီ - ကျွမ်းကျင်သူကို ငှားရမ်းပါ။

"နောက်တစ်ခုကဘာလဲ? ကတိပြုထားတဲ့ ဉာဏ်ရည်တုက ဘယ်မှာလဲ”

ဒါပေမယ့် စိတ်ဝင်စားစရာကောင်းတဲ့ နားလည်မှုလွဲတာလေးတစ်ခုတော့ ရှိတာပေါ့ :)

ယနေ့ခေတ်တွင်ရှိသော နည်းပညာအစုအဝေးသည် ကျွန်ုပ်တို့အား ဉာဏ်ရည်တုသို့ပို့ဆောင်မည်မဟုတ်ပါ။ စိတ်ကူးစိတ်သန်းတွေနဲ့ သူတို့ရဲ့ အသစ်အဆန်းတွေဟာ သူတို့ကိုယ်သူတို့ ကုန်ဆုံးသွားပါပြီ။ လက်ရှိ ဖွံ့ဖြိုးတိုးတက်မှု အဆင့်မှာ ဘာတွေ ရှိနေလဲ ဆိုတာ ဆွေးနွေးကြည့်ရအောင်။

ကန့်သတ်

မောင်းသူမဲ့ကားတွေနဲ့ စလိုက်ရအောင်။ ယနေ့ခေတ် နည်းပညာဖြင့် အပြည့်အဝ အလိုအလျောက် မောင်းနှင်နိုင်သော ကားများကို ဖန်တီးနိုင်သည်မှာ ရှင်းနေပုံရသည်။ ဒါပေမယ့် ဘယ်နှစ်နှစ်အတွင်းမှာ ဒီလိုဖြစ်လာမယ်ဆိုတာ ရှင်းရှင်းလင်းလင်းမသိရသေးပါဘူး။ Tesla က ၎င်းသည် နှစ်အနည်းငယ်အတွင်း ဖြစ်လာမည်ဟု ယုံကြည်သည် -

တခြားသူတွေလည်း အများကြီးရှိတယ်။ အထူးကု5-10 နှစ်လောက်ရှိမယ်ထင်တယ်။

ကျွန်တော့်အမြင်အရတော့ 15 နှစ်အတွင်း မြို့တွေရဲ့ အခြေခံအဆောက်အအုံဟာ သူ့အလိုလို ပြောင်းလဲသွားသလို ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရကားတွေ ပေါ်ထွန်းလာမှုက မလွဲမသွေဖြစ်လာပြီး ဆက်တိုက်ဖြစ်လာမှာပါ။ ဒါပေမယ့် ဒါကို ဉာဏ်ပညာလို့ ယူဆလို့ မရပါဘူး။ ခေတ်သစ် Tesla သည် ဒေတာစစ်ထုတ်ခြင်း၊ ရှာဖွေခြင်းနှင့် ပြန်လည်လေ့ကျင့်ခြင်းအတွက် အလွန်ရှုပ်ထွေးသောပိုက်လိုင်းတစ်ခုဖြစ်သည်။ ၎င်းတို့သည် စည်းမျဉ်း-စည်းကမ်း-စည်းမျဉ်းများ၊ ဒေတာစုဆောင်းခြင်းနှင့် ၎င်းတို့အပေါ်မှ စစ်ထုတ်ခြင်းများဖြစ်သည် (ဤနေရာတွင် ဒီမှာ ကျွန်တော် ဒီအကြောင်း နည်းနည်းထပ်ရေးလိုက်၊ ဒါမှမဟုတ် စောင့်ကြည့်နေပါဦး ဤ အမှတ်များ)။

ပထမပြသနာ

ပြီးတော့ ဒါက ကျွန်တော်တို့ မြင်တဲ့ နေရာပါ။ ပထမအခြေခံပြဿနာ. ဒေတာအကြီးကြီး။ ၎င်းသည် လက်ရှိ အာရုံကြောကွန်ရက်များနှင့် စက်သင်ယူမှုလှိုင်းတို့ကို မွေးဖွားပေးခဲ့သည့် အတိအကျဖြစ်သည်။ ယနေ့ခေတ်တွင် ရှုပ်ထွေးပြီး အလိုအလျောက်လုပ်ဆောင်ရန် ဒေတာများစွာ လိုအပ်ပါသည်။ အများကြီးတင်မကဘူး၊ အရမ်းလည်းအများကြီး။ ၎င်းတို့၏ စုဆောင်းမှု၊ အမှတ်အသားပြုခြင်းနှင့် အသုံးပြုခြင်းအတွက် ကျွန်ုပ်တို့သည် အလိုအလျောက် အယ်လဂိုရီသမ်များ လိုအပ်ပါသည်။ ကျွန်ုပ်တို့သည် ကားကို နေရောင်နှင့် ရင်ဆိုင်နေရသော ကုန်တင်ကားများကို မြင်စေလိုသည် - ၎င်းတို့ကို လုံလောက်သော အရေအတွက်ကို ဦးစွာ စုဆောင်းရပါမည်။ ကျွန်ုပ်တို့သည် ကားကို နှာမောင်းတွင် တုံးထားသော စက်ဘီးဖြင့် ရူးသွပ်မသွားစေလိုပါ - နောက်ထပ်နမူနာများ။

ထို့အပြင် ဥပမာတစ်ခုနှင့် မလုံလောက်ပါ။ ရာချီ? ထောင်?

ဒုတိယပြဿနာ

ဒုတိယပြဿနာ - ကျွန်ုပ်တို့၏ အာရုံကြောကွန်ရက် နားလည်သဘောပေါက်မှုကို ပုံဖော်ခြင်း။ ဤသည်မှာ အလွန်အသေးအဖွဲမဟုတ်သော အလုပ်ဖြစ်သည်။ ယခုအချိန်အထိ ဤအရာကို မြင်ယောင်ပုံကို နားလည်သူ အနည်းငယ်သာရှိသည်။ ဤဆောင်းပါးများသည် အလွန်မကြာသေးမီ၊ ဤအရာများသည် ဝေးနေသော်လည်း၊ ဥပမာ အနည်းငယ်မျှသာဖြစ်သည်။
မြင်ကွင်း အသွင်အပြင်များကို စွဲလမ်းခြင်း။ ၎င်းသည် နျူရွန်မှ စတင်သည့် သတင်းအချက်အလက်အဖြစ် ရှုမြင်သောအရာအပေါ် အာရုံစူးစိုက်မှုအား ကောင်းစွာပြသသည်။

မြင်ကွင်း Attention မှာ ဘာသာပြန်များ. တကယ်တော့၊ ကွန်ရက်တုံ့ပြန်မှုဖြစ်စေသည့်အရာကိုပြသရန် ဆွဲဆောင်မှုကို မကြာခဏအသုံးပြုနိုင်သည်။ အမှားရှာပြင်ခြင်း နှင့် ထုတ်ကုန်ဖြေရှင်းချက်များအတွက် ထိုသို့သောအရာများကို ကျွန်ုပ်မြင်ဖူးပါသည်။ ဤအကြောင်းအရာနှင့် ပတ်သက်၍ ဆောင်းပါးများစွာ ရှိပါသည်။ ဒါပေမယ့် အချက်အလက်တွေ ပိုရှုပ်ထွေးလေလေ၊ ခိုင်မာတဲ့ စိတ်ကူးပုံဖော်နိုင်စွမ်းကို နားလည်ဖို့ ပိုခက်လေပါပဲ။

အင်း၊ ဟုတ်တယ်၊ ကောင်းတဲ့ အဟောင်းအစုံက “အကွက်ထဲမှာ ဘာရှိလဲ ကြည့်စမ်း စစ်ထုတ်မှုများ“ ဒီပုံတွေဟာ လွန်ခဲ့တဲ့ ၃-၄ နှစ်လောက်က လူကြိုက်များခဲ့ပေမယ့် ပုံတွေက လှတယ်ဆိုတာ လူတိုင်းသိလိုက်ကြပေမယ့် အဓိပ္ပါယ်အများကြီးမရှိပါဘူး။

အခြား gadgetများ၊ နည်းလမ်းများ၊ ဟက်ကာများ၊ ကွန်ရက်အတွင်းပိုင်းကိုပြသနည်းကို သုတေသနပြုခြင်းများစွာကို ကျွန်ုပ်ဖော်ပြခဲ့ခြင်းမရှိပါ။ ဤကိရိယာများ အလုပ်လုပ်ပါသလား။ ပြဿနာက ဘာလဲဆိုတာ မြန်မြန်နားလည်ပြီး ကွန်ရက်ကို အမှားရှာဖို့ ကူညီပေးသလား။ ။ နောက်ဆုံး ရာခိုင်နှုန်းကို ရယူပါ။ ကောင်းပြီ၊ အတူတူပါပဲ:

Kaggle တွင် မည်သည့်ပြိုင်ပွဲကိုမဆို ကြည့်ရှုနိုင်ပါသည်။ ပြီးတော့ လူတွေက နောက်ဆုံး ဆုံးဖြတ်ချက်တွေ ချပုံအကြောင်း ဖော်ပြချက်။ ကျွန်ုပ်တို့သည် မော်ဒယ်များ၏ 100-500-800 ယူနစ်များကို စုစည်းပြီး အလုပ်လုပ်ပါသည်။

ချဲ့ကားပြောနေတာတော့ ဟုတ်ပါတယ်။ ဒါပေမယ့် ဒီနည်းလမ်းတွေက မြန်မြန်ဆန်ဆန်နဲ့ တိုက်ရိုက်အဖြေကို မပေးပါဘူး။

အတွေ့အကြုံ လုံလုံလောက်လောက်ရှိခြင်း၊ မတူညီသော ရွေးချယ်မှုများကို လှည့်ပတ်ကြည့်ခြင်းဖြင့် သင့်စနစ်က အဘယ်ကြောင့် ထိုသို့သော ဆုံးဖြတ်ချက်ကို ချမှတ်ရခြင်းနှင့်ပတ်သက်၍ စီရင်ချက်ချနိုင်ပါသည်။ ဒါပေမယ့် စနစ်ရဲ့ အပြုအမူကို ပြုပြင်ဖို့ ခက်ခဲပါလိမ့်မယ်။ ချိုင်းထောက်တစ်ခုတပ်ဆင်ပါ၊ တံခါးခုံကိုရွှေ့ပါ၊ ဒေတာအတွဲတစ်ခုထည့်ပါ၊ အခြားနောက်ခံကွန်ရက်ကိုယူပါ။

တတိယပြဿနာ

တတိယအခြေခံပြဿနာ - ဇယားကွက်များသည် စာရင်းဇယားများကို ယုတ္တိဗေဒမဟုတ်၊ စာရင်းအင်းအရ ဒီလိုပါ။ လူ:

ယုတ္တိဗေဒအရ၊ ၎င်းသည် အလွန်ဆင်တူသည်။ Neural Network များသည် အတင်းအကြပ်မခိုင်းပါက ရှုပ်ထွေးသောအရာကို မသင်ယူနိုင်ပါ။ ဖြစ်နိုင်ချေ အရိုးရှင်းဆုံး လက္ခဏာတွေကို အမြဲသင်ပေးတယ်။ မျက်လုံး၊ နှာခေါင်း၊ ခေါင်း ရှိပါသလား။ ဒါဆို ဒါက မျက်နှာ။ ဒါမှမဟုတ် မျက်လုံးက မျက်နှာကို ဆိုလိုတာမဟုတ်တဲ့ ဥပမာတစ်ခုပေးပါ။ ဥပမာ- သန်းပေါင်းများစွာသော ဥပမာများ။

အောက်ခြေတွင် အခန်းများစွာရှိသည်။

ပြောရမယ်ဆိုရင် ဒါဟာ အာရုံကြောကွန်ရက်တွေ ဖွံ့ဖြိုးတိုးတက်မှုနဲ့ စက်သင်ယူမှုကို ကန့်သတ်ထားတဲ့ ဒီကမ္ဘာလုံးဆိုင်ရာ ပြဿနာသုံးခုပါပဲ။ ၎င်းပြဿနာများကို ကန့်သတ်မထားပါက ၎င်းကို တက်ကြွစွာ အသုံးပြုနေပြီဖြစ်သည်။

ဒီဟာကအဆုံးဘဲ? အာရုံကြောကွန်ရက်များ ထူထောင်နေပါသလား။

မသိ။ ဒါပေမယ့် လူတိုင်းက မမျှော်လင့်ပါဘူး။

အထက်တွင်ဖော်ပြခဲ့သော အခြေခံပြဿနာများကို ဖြေရှင်းရန် ချဉ်းကပ်နည်းများနှင့် လမ်းညွှန်ချက်များစွာရှိသည်။ သို့သော် ယခုအချိန်အထိ ဤနည်းလမ်းများထဲမှ တစ်ခုမှ မဖြေရှင်းရသေးသော အရာတစ်ခုကို ဖြေရှင်းရန် အခြေခံကျကျ အသစ်တစ်ခုခုကို လုပ်ရန် မဖြစ်နိုင်သေးပါ။ ယခုအချိန်အထိ၊ အခြေခံပရောဂျက်များအားလုံးကို တည်ငြိမ်သောချဉ်းကပ်မှုများ (Tesla) ပေါ်တွင် အခြေခံ၍ လုပ်ဆောင်နေပါသည် သို့မဟုတ် အဖွဲ့အစည်း သို့မဟုတ် ကော်ပိုရေးရှင်းများ၏ စမ်းသပ်မှုပရောဂျက်များ (Google Brain၊ OpenAI) ကို ဆက်လက်လုပ်ဆောင်နေပါသည်။

အကြမ်းဖျင်းအားဖြင့်ပြောရလျှင် အဓိကဦးတည်ချက်မှာ input data ၏အဆင့်မြင့်ကိုယ်စားပြုမှုအချို့ကိုဖန်တီးရန်ဖြစ်သည်။ တစ်နည်းအားဖြင့် "မှတ်ဉာဏ်"။ မှတ်ဉာဏ်၏ အရိုးရှင်းဆုံး ဥပမာမှာ အမျိုးမျိုးသော "မြှပ်နှံခြင်း" - ရုပ်ပုံများကို ကိုယ်စားပြုသည်။ ဥပမာ၊ မျက်နှာမှတ်သားမှုစနစ်အားလုံး။ ကွန်ရက်သည် လည်ပတ်မှု၊ အလင်းရောင် သို့မဟုတ် ကြည်လင်ပြတ်သားမှုအပေါ်မမူတည်သော တည်ငြိမ်သောကိုယ်စားပြုမှုအချို့ကို မျက်နှာတစ်ခုမှရယူရန် သင်ယူသည်။ အခြေခံအားဖြင့်၊ ကွန်ရက်သည် မက်ထရစ် “ကွဲပြားသောမျက်နှာများ ဝေးသည်” နှင့် “တူညီသောမျက်နှာများ နီးကပ်သည်” တို့ကို လျှော့ချပေးသည်။

ထိုသို့သောလေ့ကျင့်မှုအတွက်၊ သောင်းနှင့်ချီသော ဥပမာများ လိုအပ်ပါသည်။ သို့သော် ရလဒ်သည် “One-shot Learning” ၏ အစိတ်အပိုင်းအချို့ကို ဆောင်သည်။ ယခု ကျွန်ုပ်တို့သည် လူတစ်ဦးကို မှတ်မိရန် ရာနှင့်ချီသော မျက်နှာများ မလိုအပ်တော့ပါ။ မျက်နှာတစ်ခုတည်းနဲ့ ဒီလောက်ပါပဲ။ ရှာကြစို့!
ပြဿနာတစ်ခုပဲ ရှိတယ်... ဇယားကွက်က အတော်လေးရိုးရှင်းတဲ့ အရာတွေကိုပဲ လေ့လာနိုင်ပါတယ်။ မျက်နှာများကို မခွဲခြားရန် ကြိုးစားသောအခါ၊ ဥပမာ၊ “အဝတ်အစားဖြင့် လူများ” (တာဝန် ပြန်လည်သတ်မှတ်ခြင်း။) - အရည်အသွေးသည် အတိုင်းအတာများစွာဖြင့် ကျဆင်းသည်။ ကွန်ရက်သည် ရှုထောင့်များရှိ သိသာထင်ရှားသောပြောင်းလဲမှုများကို လေ့လာနိုင်တော့မည်မဟုတ်ပါ။

သန်းပေါင်းများစွာသော ဥပမာများမှ သင်ယူခြင်းသည်လည်း ပျော်စရာတစ်မျိုးဖြစ်သည်။

ရွေးကောက်ပွဲကို သိသိသာသာ လျှော့ချဖို့ လုပ်ဆောင်သွားဖို့ ရှိပါတယ်။ ဥပမာအားဖြင့်၊ ပထမဦးဆုံး လုပ်ဆောင်ခဲ့သော အလုပ်များထဲမှ တစ်ခုကို ချက်ချင်း ပြန်သတိရနိုင်သည်။ OneShot သင်ယူခြင်း။ Google မှ:

ဥပမာ- ဒီလိုမျိုး အလုပ်တွေ အများကြီးရှိတယ်။ 1 သို့မဟုတ် 2 သို့မဟုတ် 3.

အနုတ်လက္ခဏာတစ်ခုရှိသည် - ပုံမှန်အားဖြင့် ရိုးရှင်းသော "MNIST" ဥပမာအချို့တွင် လေ့ကျင့်ရေးသည် ကောင်းစွာအလုပ်လုပ်သည်။ ပြီးတော့ ရှုပ်ထွေးတဲ့အလုပ်တွေကို ဆက်သွားတဲ့အခါ၊ ကြီးမားတဲ့ဒေတာဘေ့စ်တစ်ခု၊ အရာဝတ္ထုပုံစံတစ်ခု ဒါမှမဟုတ် မှော်ပညာတစ်ခုခုကို သင်လိုအပ်ပါတယ်။
ယေဘူယျအားဖြင့်၊ One-Shot Training တွင် အလုပ်လုပ်ခြင်းသည် အလွန်စိတ်ဝင်စားစရာကောင်းသော အကြောင်းအရာတစ်ခုဖြစ်သည်။ စိတ်ကူးတွေ အများကြီးတွေ့တယ်။ ဒါပေမယ့် အများစုအတွက်၊ ကျွန်တော်ဖော်ပြထားတဲ့ ပြဿနာနှစ်ခုက (ကြီးမားတဲ့ dataset တစ်ခုပေါ်မှာ ကြိုတင်လေ့ကျင့်ခြင်း/ရှုပ်ထွေးတဲ့ data တွေအပေါ် မတည်မငြိမ်ဖြစ်မှု) ဟာ သင်ယူမှုကို အလွန်အနှောင့်အယှက်ဖြစ်စေပါတယ်။

အခြားတစ်ဖက်တွင်၊ GAN များ—မျိုးဆက်ပွားဆန့်ကျင်ဘက်ကွန်ရက်များ—တသားတည်းဖြစ်သောအကြောင်းအရာကို ချဉ်းကပ်သည်။ ဤအကြောင်းအရာနှင့်ပတ်သက်၍ Habré ဆိုင်ရာ ဆောင်းပါးများစွာကို သင်ဖတ်ဖူးပေမည်။ (1, 2,3)
GAN ၏ အင်္ဂါရပ်မှာ ပုံတစ်ပုံကို ရေးဆွဲနိုင်စေသည့် အတွင်းပိုင်းအခြေအနေအချို့ (အဓိကအားဖြင့် တူညီသော မြှုပ်နှံမှု) ကို ဖွဲ့စည်းခြင်းဖြစ်သည်။ ဖြစ်နိုင်ပါသည်။ လူဖြစ်နိုင်ပါတယ်။ လုပ်ရပ်များ.

GAN ၏ပြဿနာမှာ ထုတ်လုပ်ထားသော အရာဝတ္တုကို ပိုမိုရှုပ်ထွေးလေလေ၊ ၎င်းကို "generator-discriminator" logic ဖြင့် ဖော်ပြရန် ပိုမိုခက်ခဲလေဖြစ်သည်။ ရလဒ်အနေဖြင့်၊ GAN ၏တစ်ခုတည်းသောအစစ်အမှန်အသုံးချပရိုဂရမ်များမှာ DeepFake ဖြစ်ပြီး၊ တစ်ဖန်မျက်နှာပုံသဏ္ဍာန်များ (ကြီးမားသောအခြေခံရှိသည့်အတွက်) ကိုခြယ်လှယ်သည်။

အခြားအသုံးဝင်သော အသုံးအဆောင်များကို ကျွန်ုပ်တွေ့ဖူးသည်။ အများအားဖြင့် ပုံများ ရေးဆွဲပြီးစီးခြင်း နှင့် ပတ်သက်သည့် လှည့်စားမှုမျိုး ရှိသည်။

နောက်တဖန်။ ဤအရာက ကျွန်ုပ်တို့အား ပိုမိုတောက်ပသော အနာဂတ်သို့ မည်သို့ရွေ့ပြောင်းနိုင်စေမည်ကို မည်သူမျှ စိတ်ကူးမရှိပါ။ neural network တွင် logic/space ကို ကိုယ်စားပြုခြင်းသည် ကောင်းမွန်ပါသည်။ သို့သော် ကျွန်ုပ်တို့သည် များပြားလှသော ဥပမာများကို လိုအပ်သည်၊ ကျွန်ုပ်တို့သည် ၎င်းကို နျူရွန်က မည်သို့ကိုယ်စားပြုသည်ကို ကျွန်ုပ်တို့ နားမလည်ပါ၊ ကျွန်ုပ်တို့သည် အမှန်တကယ် ရှုပ်ထွေးသော အယူအဆအချို့ကို အာရုံကြောကို မည်သို့မှတ်မိစေရမည်ကို ကျွန်ုပ်တို့ နားမလည်ပါ။

အားဖြည့်သင်ယူမှု - ဒါက လုံးဝခြားနားတဲ့ ဦးတည်ချက်ကနေ ချဉ်းကပ်မှုပါ။ Go တွင်လူတိုင်းကို Google ကမည်သို့အနိုင်ယူခဲ့သည်ကို သေချာပေါက်မှတ်မိပါသည်။ Starcraft နှင့် Dota တို့တွင် မကြာသေးမီက အောင်ပွဲများ။ သို့သော် ဤတွင် အရာအားလုံးသည် နှင်းဆီပန်းပွင့်နှင့် ကတိများနှင့် ဝေးကွာနေပါသည်။ သူသည် RL နှင့် ၎င်း၏ရှုပ်ထွေးမှုများအကြောင်း အကောင်းဆုံးပြောပြသည်။ ဤဆောင်းပါးတွင်.

စာရေးဆရာ ရေးထားသည်ကို အတိုချုံးချုပ်ရန်။

• ဘောက်စ်ထဲက မော်ဒယ်များသည် အများစုအတွက် အဆင်မပြေပါ/ အလုပ်မကောင်းပါ။
• လက်တွေ့ကျတဲ့ ပြဿနာတွေကို တခြားနည်းလမ်းတွေနဲ့ ဖြေရှင်းဖို့ ပိုလွယ်ပါတယ်။ Boston Dynamics သည် ၎င်း၏ ရှုပ်ထွေးမှု/ ကြိုတင်ခန့်မှန်းနိုင်မှု/ တွက်ချက်မှုဆိုင်ရာ ရှုပ်ထွေးမှုကြောင့် RL ကို အသုံးမပြုပါ
• RL အလုပ်လုပ်ရန်အတွက် သင်သည် ရှုပ်ထွေးသောလုပ်ဆောင်ချက်တစ်ခု လိုအပ်သည်။ ဖန်တီး/ရေးရန် ခက်ခဲတတ်သည်။
• မော်ဒယ်များကို လေ့ကျင့်ရန် ခက်ခဲသည်။ စုပ်ထုတ်ပြီး local optima ထဲက ထွက်ဖို့ အချိန်အများကြီး ပေးရမယ်။
• ရလဒ်အနေဖြင့်၊ မော်ဒယ်ကိုပြန်လုပ်ရန်ခက်ခဲသည်၊ မော်ဒယ်သည်အနည်းငယ်ပြောင်းလဲမှုနှင့်အတူမတည်ငြိမ်ပါ။
• ကျပန်းနံပါတ် ဂျင်နရေတာတောင်မှ အချို့သော ကျပန်းပုံစံများကို မကြာခဏ လွန်လွန်ကဲကဲ လုပ်သည်။

အဓိကအချက်မှာ RL သည် ထုတ်လုပ်မှုတွင် အလုပ်မဖြစ်သေးပါ။ Google တွင် အချို့သော စမ်းသပ်မှုများ ရှိသည် ( 1, 2 ) ဒါပေမယ့် ထုတ်ကုန်စနစ်တစ်ခုတည်းကို မတွေ့ခဲ့ရပါဘူး။

မှတ်ဉာဏ်. အထက်ဖော်ပြပါအရာအားလုံး၏ အားနည်းချက်မှာ ဖွဲ့စည်းပုံမရှိခြင်းပင်ဖြစ်သည်။ ဤအရာအားလုံးကို သပ်ရပ်အောင်ကြိုးစားရန် ချဉ်းကပ်နည်းများထဲမှတစ်ခုမှာ အာရုံကြောကွန်ရက်အား သီးခြားမှတ်ဉာဏ်သို့ ဝင်ရောက်ခွင့်ပေးရန်ဖြစ်သည်။ ဒါမှ သူ့ခြေလှမ်းတွေရဲ့ ရလဒ်တွေကို မှတ်တမ်းတင်ပြီး ပြန်ရေးနိုင်မှာပါ။ ထို့နောက် neural network ကို လက်ရှိ memory state ဖြင့် ဆုံးဖြတ်နိုင်သည်။ ၎င်းသည် ဂန္တဝင် ပရိုဆက်ဆာများနှင့် ကွန်ပျူတာများနှင့် အလွန်ဆင်တူသည်။

အကျော်ကြားဆုံးနှင့် လူကြိုက်အများဆုံး ဆောင်းပါး — DeepMind မှ

ဒါဟာ ဉာဏ်ရည်ဥာဏ်သွေးကို နားလည်ဖို့ သော့ချက်လို့ ထင်ပါသလား။ ဒါပေမယ့် ဖြစ်နိုင်တယ်။ စနစ်သည် လေ့ကျင့်မှုအတွက် ဒေတာပမာဏများစွာ လိုအပ်နေသေးသည်။ ၎င်းသည် ဖွဲ့စည်းတည်ဆောက်ထားသော ဇယားဒေတာနှင့် အဓိကအားဖြင့် အလုပ်လုပ်သည်။ ဒါ့ထက် ဖေ့စ်ဘုတ်ကို ရောက်သွားတာ။ ဆုံးဖြတ်ခဲ့သည်။ အလားတူပြဿနာတစ်ခု၊ ထို့နောက် ၎င်းတို့သည် "ဝက်အူမှတ်ဉာဏ်၊ နျူရွန်ကို ပိုမိုရှုပ်ထွေးအောင်လုပ်ပြီး ဥပမာများ များများယူပါ - ၎င်းသည် သူ့ဘာသာသူ သင်ယူလိမ့်မည်"

စိတ်ဝမ်းကွဲခြင်း။. အဓိပ္ပါယ်ရှိသော မှတ်ဉာဏ်တစ်ခုကို ဖန်တီးရန် အခြားနည်းလမ်းမှာ တူညီသော မြှပ်နှံမှုများကို ပြုလုပ်ရန်ဖြစ်သည်၊ သို့သော် လေ့ကျင့်နေစဉ်တွင် ၎င်းတို့တွင် "အဓိပ္ပါယ်များ" ကို မီးမောင်းထိုးပြနိုင်စေမည့် နောက်ထပ်စံနှုန်းများကို မိတ်ဆက်ပေးပါ။ ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့သည် စတိုးဆိုင်တစ်ခုရှိ လူသားများ၏အပြုအမူကို ခွဲခြားသိမြင်နိုင်စေရန် အာရုံကြောကွန်ရက်တစ်ခုကို လေ့ကျင့်ပေးလိုပါသည်။ အကယ်၍ ကျွန်ုပ်တို့သည် စံလမ်းကြောင်းအတိုင်း လိုက်နာပါက၊ ကျွန်ုပ်တို့သည် ကွန်ရက်ပေါင်း ဒါဇင်တစ်ခု ပြုလုပ်ရပေမည်။ တစ်ယောက်က လူကိုရှာတယ်၊ ဒုတိယက သူဘာလုပ်နေတယ်ဆိုတာ ဆုံးဖြတ်တယ်၊ တတိယက သူ့အသက်၊ စတုတ္ထက သူ့ကျား။ သီးခြားယုတ္တိဗေဒသည် ၎င်းကိုပြုလုပ်ရန် လေ့ကျင့်ထားသည့် စတိုးဆိုင်၏အစိတ်အပိုင်းကို ကြည့်ရှုသည်။ တတိယသည် ၎င်း၏ လမ်းကြောင်းကို ဆုံးဖြတ်သည်။

သို့မဟုတ် အကန့်အသတ်မရှိ ဒေတာပမာဏတစ်ခုရှိလျှင် ဖြစ်နိုင်သည့်ရလဒ်များအားလုံးအတွက် ကွန်ရက်တစ်ခုအား လေ့ကျင့်ပေးနိုင်သည် (သိသာထင်ရှားသည်မှာ၊ ထိုကဲ့သို့သော ဒေတာခင်းကျင်းမှုကို စုဆောင်း၍မရပါ)။

သဘောထားကွဲလွဲမှုနည်းလမ်းက ကျွန်ုပ်တို့ကိုပြောပြသည် - သဘောတရားများကြားတွင် ၎င်းကိုယ်တိုင်ခွဲခြားနိုင်စေရန် ကွန်ရက်ကိုလေ့ကျင့်ကြပါစို့။ ဧရိယာတစ်ခုက လုပ်ဆောင်ချက်ကို ဆုံးဖြတ်ပေးမည့် ဗီဒီယိုကို အခြေခံ၍ မြှုပ်နှံထားသည့် ပုံစံဖြစ်လာစေရန်၊ ကြမ်းပြင်ပေါ်ရှိ အနေအထားကို အချိန်မီ ဆုံးဖြတ်မည်၊ လူ၏ အရပ်အမြင့်ကို ဆုံးဖြတ်မည်ဖြစ်ပြီး၊ တစ်ဦးသည် လူ၏ လိင်အမျိုးအစားကို ဆုံးဖြတ်မည်ဖြစ်သည်။ တစ်ချိန်တည်းမှာပင်၊ လေ့ကျင့်သင်ကြားသည့်အခါတွင်၊ ဤကဲ့သို့သောသော့ချက်အယူအဆများဖြင့် ကွန်ရက်ကို လှုံ့ဆော်မှုမပြုလုပ်လိုသော်လည်း ၎င်းကို မီးမောင်းထိုးပြရန်နှင့် အုပ်စုဖွဲ့ရန်အတွက်သာဖြစ်သည်။ ထိုကဲ့သို့သော ဆောင်းပါးအချို့ ရှိပါသည်။ 1, 2, 3) ယေဘူယျအားဖြင့် ၎င်းတို့သည် သီအိုရီအရ တော်ပါသည်။

သို့သော် ဤဦးတည်ချက်သည် အနည်းဆုံး သီအိုရီအရ၊ အစပိုင်းတွင် ဖော်ပြထားသော ပြဿနာများကို ဖုံးအုပ်ထားသင့်သည်။

ကန့်သတ်ချက်များအရ "နံရံအရောင်/ ကြမ်းပြင်အရောင်/ အရာဝတ္ထုပုံသဏ္ဍာန်/ အရာဝတ္ထုအရောင်/ စသည်" အရ ရုပ်ပုံပြိုကွဲခြင်း

ကန့်သတ်ချက်များအရ "အရွယ်အစား၊ မျက်ခုံး၊ တိမ်းညွှတ်မှု၊ အသားအရောင်၊ စသည်ဖြင့်" အရ မျက်နှာတစ်ခု ပျက်စီးခြင်း

Прочее

ဒေတာဘေ့စ်ကို တစ်နည်းနည်းနဲ့ လျှော့ချဖို့၊ ကွဲလွဲကွဲပြားတဲ့ ဒေတာတွေနဲ့ အလုပ်တွဲလုပ်နိုင်တဲ့ တခြား၊ ကမ္ဘာလုံးဆိုင်ရာမဟုတ်တဲ့ နယ်ပယ်တွေ အများကြီးရှိပါတယ်။

အာရုံစူးစိုက်မှု. ဤအရာကို သီးခြားနည်းလမ်းတစ်ခုအဖြစ် ခွဲထုတ်ခြင်းသည် အဓိပ္ပာယ်မရှိပေ။ အခြားသူများကို တိုးတက်စေမည့် ချဉ်းကပ်မှုတစ်ခုသာဖြစ်သည်။ ဆောင်းပါးများစွာသည် သူ့အတွက် ရည်စူးပါသည်။1,2,3) အာရုံစူးစိုက်မှု၏အချက်မှာ လေ့ကျင့်နေစဉ်အတွင်း သိသာထင်ရှားသည့်အရာများကို ကွန်ရက်၏တုံ့ပြန်မှုကို မြှင့်တင်ရန်ဖြစ်သည်။ ပြင်ပပစ်မှတ်သတ်မှတ်ခြင်း သို့မဟုတ် သေးငယ်သော ပြင်ပကွန်ရက်တစ်ခုဖြင့် မကြာခဏ ပြုလုပ်လေ့ရှိသည်။

3D သရုပ်ဖော်မှု. အကယ်၍ သင်သည် 3D အင်ဂျင်ကို ကောင်းကောင်းလုပ်ပါက၊ လေ့ကျင့်ရေးဒေတာ၏ 90% ကို ၎င်းနှင့် မကြာခဏ ဖုံးအုပ်နိုင်သည် (ဥပမာတစ်ခုတွင် ဒေတာ၏ 99% နီးပါးကို အင်ဂျင်ကောင်းကောင်းဖြင့် ဖုံးအုပ်ထားသည်ကို ကျွန်တော်တွေ့ခဲ့ရသည်)။ ဒေတာအစစ်အမှန်ကို အသုံးပြု၍ 3D အင်ဂျင်အလုပ်တွင် လေ့ကျင့်သင်ကြားထားသော ကွန်ရက်တစ်ခုပြုလုပ်ပုံနှင့် ပတ်သက်၍ အကြံဉာဏ်များစွာ ရှိပြီး ဟက်ကာများ ရှိပါသည်။ သို့သော် အင်ဂျင်ကောင်းတစ်ခု ဖန်တီးခြင်းသည် ဒေတာစုဆောင်းခြင်းထက် ပြင်းအားအမြောက်အများ အများအပြားပြုလုပ်ရန် ခက်ခဲသည်။ အင်ဂျင်များပြုလုပ်သောအခါ ဥပမာများ-
စက်ရုပ်သင်တန်း (google, ဦးနှောက်ဥယျာဉ်)
လေ့ကျင့်ရေး အသိအမှတ်ပြုမှု စတိုးဆိုင်ရှိ ကုန်ပစ္စည်းများ (သို့သော် ကျွန်ုပ်တို့လုပ်ခဲ့သော ပရောဂျက်နှစ်ခုတွင်၊ ၎င်းမပါဘဲ အလွယ်တကူ ပြုလုပ်နိုင်သည်)။
Tesla တွင်လေ့ကျင့်ရေး (နောက်တဖန်၊ အပေါ်ကဗီဒီယို) ။

တွေ့ရှိချက်များ

ဆောင်းပါးတစ်ခုလုံးသည် တစ်နည်းအားဖြင့် ကောက်ချက်ချသည်။ ကျွန်တော်ပြောချင်တာက "အလကားတွေကုန်ပြီ၊ အာရုံကြောတွေက ရိုးရှင်းတဲ့ဖြေရှင်းချက်တွေကို မပေးတော့ဘူး။" ယခု ကျွန်ုပ်တို့သည် ရှုပ်ထွေးသော ဆုံးဖြတ်ချက်များချရန် ကြိုးစားအားထုတ်ရန် လိုအပ်ပါသည်။ သို့မဟုတ် ရှုပ်ထွေးသော သိပ္ပံနည်းကျ သုတေသနလုပ်ရန် ကြိုးစားပါ။

ယေဘုယျအားဖြင့်တော့ ခေါင်းစဉ်က ငြင်းခုံစရာပါ။ စာဖတ်သူတွေမှာ ပိုစိတ်ဝင်စားစရာကောင်းတဲ့ ဥပမာတွေ ရှိကောင်းရှိနိုင်မလား။

source: www.habr.com