AI ကုမ္ပဏီများက အတုအယောင် လူ့ဆဲလ်ကို တည်ဆောက်ရန် ဘာကြောင့် အပြိုင်အဆိုင် ကြိုးပမ်းနေကြသလဲ။

(SeaPRwire) –   လူ့ဆဲလ်သည် အသက်ရှင်သန်မှုနှင့် သေဆုံးမှုအကြား ကွာခြားချက်ကို ဖန်တီးပေးသည့် ဇီဝဆိုင်ရာ ဆင့်ကဲတုံ့ပြန်မှုများ ပြည့်နှက်နေသော အခြားစက်များနှင့်မတူသည့် ရှုပ်ထွေးသောစနစ်တစ်ခုဖြစ်သည်။ ဤနူးညံ့သိမ်မွေ့သော ဆက်နွှယ်မှုများနှင့် ရောဂါများတွင် မည်သို့မှားယွင်းသွားသည်ကို နားလည်ခြင်းသည် ဇီဝဗေဒ၏ အဓိက စိတ်ဝင်စားဖွယ်ရာများထဲမှ တစ်ခုဖြစ်သည်။ မျိုးဗီဇတစ်ခုတွင် မှားယွင်းမှုတစ်ခုသည် ၎င်းထုတ်လုပ်သော ပရိုတင်းကို ပုံမှန်မဟုတ်သော ပုံစံသို့ ကွေးညွှတ်စေနိုင်သည်။ ပုံပျက်ပရိုတင်းသည် ၎င်း၏ အလုပ်ကို လုပ်ဆောင်နိုင်မည်မဟုတ်။ ထိုပရိုတင်းမရှိခြင်းကြောင့် သက်ရှိ (သင်) သည် ပျက်စီးယိုယွင်းလာနိုင်ပါသည်။

သို့သော် ဆဲလ်များသည် အလွန်ရှုပ်ထွေးသောကြောင့် ပရိုတင်းတစ်ခု ပျက်စီးခြင်းသည် စနစ်တစ်ခုလုံးတွင် မည်သို့ပျံ့နှံ့သွားသည်ကို နားလည်ရန် ခက်ခဲသည်။ Allen Institute for Cell Science မှ ကွန်ပျူတာဇီဝဗေဒပညာရှင်နှင့် သိပ္ပံပုံဆွဲပညာရှင် ဂရေဟမ် ဂျွန်ဆင်က လွန်ခဲ့သော ၁၅ နှစ်ကျော်က နေ့လယ်စာစားပွဲတွင် ဆဲလ်တစ်ခု၏ ကွန်ပျူတာမော်ဒယ်တစ်ခုကို အလွန်အသေးစိတ်ကျပြီး ပြည့်စုံစွာ ဖန်တီးကာ သိပ္ပံပညာရှင်များသည် ထိုဖြစ်စဉ်များ ဖြစ်ပေါ်နေသည်ကို ကြည့်ရှုနိုင်မည်ဟု စိတ်ကူးယဉ်ခဲ့သည်ကို ပြန်အမှတ်ရမိသည်။ ထိုအချိန်က “လူတိုင်း ရယ်မောခဲ့ကြသည်” ဟု ၎င်းကပြောသည်။ “၎င်းသည် လက်တွေ့မကျလွန်းသည်” ဟုဆိုသည်။

သို့သော် ယခုအခါ အချို့သုတေသီများသည် “အတုအယောင် ဆဲလ်” တစ်ခု၏ ပန်းတိုင်ဆီသို့ ခြေလှမ်းသစ်များ လှမ်းရန် AI ကို အသုံးပြုနေကြသည်။ Google’s DeepMind သည် ဖြစ်ပြီး Chan Zuckerberg Initiative (CZI) သည် ၎င်းတို့၏ Biohub သုတေသနကွန်ရက်တွင် အတုအယောင် ဆဲလ်များကို အဓိက အာရုံစိုက်ထားသည်ဟု CZI မှ AI ၏ အကြီးတန်းဒါရိုက်တာ သီယို ကာရာလက်ဆိုစ် ကပြောသည်။ Arc Institute မှ တည်ထောင်ထားသော အတုအယောင်ဆဲလ်ပုံစံ မော်ဒယ်များအတွက် ပင် ရှိသည်။ ဤကြိုးပမ်းမှုအားလုံး၏ ရည်မှန်းချက်မှာ ကျန်းမာသောနှင့် ရောဂါရှိသောဆဲလ်များ မည်သို့အလုပ်လုပ်သည်ကို အသေးစိတ်ကျကျ ခန့်မှန်းရန်ဖြစ်ပြီး ဆေးဝါးများ တီထွင်ထုတ်လုပ်မှုကို အရှိန်မြှင့်တင်ရန်နှင့် သိပ္ပံနည်းကျ ရှာဖွေတွေ့ရှိမှုများကို မြန်ဆန်စေရန်ဖြစ်သည်။ အတုအယောင် ဆဲလ်များသည် အခြေခံသုတေသနကိုပင် ချောမွေ့လွယ်ကူစေနိုင်သည်ဟု အချို့ကယူဆကြပြီး ဇီဝဗေဒပညာရှင်များကို ဓာတ်ခွဲခန်းမှ ကီးဘုတ်ဆီသို့ ပြောင်းရွှေ့စေနိုင်သည်။

အတုအယောင် ဆဲလ်ဆိုသည်မှာ အဘယ်နည်း။

အတုအယောင် ဆဲလ်၏ တိကျသော အဓိပ္ပာယ်ဖွင့်ဆိုချက်သည် သင်ပြောဆိုသူပေါ် မူတည်၍ ကွဲပြားသည်။ ဂျွန်ဆင်ကဲ့သို့ အချို့သိပ္ပံပညာရှင်များသည် အတုအယောင် ဆဲလ်တစ်ခုတွင် သင်ကလစ်နှိပ်ကာ လေ့လာနိုင်သည့် ရုပ်ပုံဖြင့် ကိုယ်စားပြုမှုတစ်ခု ပါဝင်မည်ဟု မျှော်လင့်ကြသည်။ အခြားသူများကမူ ၎င်းကို မေးခွန်းများဖြေဆိုနိုင်ပြီး ဖြစ်လာမည့်အရာများကို ခန့်မှန်းနိုင်သည့် ကွန်ပျူတာပရိုဂရမ်များ အစုံအလင်အဖြစ် အဓိက မှတ်ယူကြသည်။ သို့သော် ဤအယူအဆသည် အသစ်အဆန်းမဟုတ်ပါ။ ဆယ်စုနှစ်များစွာကြာအောင် ဇီဝဗေဒပညာရှင်များသည် ဆဲလ်လုပ်ငန်းစဉ်များ၏ သင်္ချာမော်ဒယ်များကို တည်ဆောက်ခဲ့ကြသည်။ ၎င်းတို့ကို ဖန်တီးရန် သုတေသီများသည် အမှန်တကယ်ဆဲလ်များဖြင့် စမ်းသပ်မှုများမှ ဒေတာများကို အခြေခံ၍ ဖြစ်ပျက်နေသည့်အရာများကို ဖော်ပြသည့် ညီမျှခြင်းများ ရေးဆွဲကြသည်။

သိပ္ပံပညာရှင်များအား တစ်ဦးချင်းဆဲလ်များ၏ လုပ်ဆောင်ချက်များကို စောင့်ကြည့်နိုင်စေသည့် နည်းပညာကြောင့် လူ့ဆဲလ်နှင့်ပတ်သက်သော ဒေတာသည် ယခင်ကထက် ပိုမိုများပြားလာခဲ့သည်။ သို့သော် လုပ်ငန်းစဉ်တိုင်းအတွက် ညီမျှခြင်းများရှာဖွေပြီး ၎င်းတို့ကို ပေါင်းစပ်ခြင်းသည် ကြီးမားသော လုပ်ငန်းတာဝန်တစ်ခုဖြစ်သည်။ “၎င်းကိုလုပ်ဆောင်သည့် အဟောင်းနည်းလမ်း”—လက်ဖြင့်လုပ်ဆောင်ခြင်း—သည် “အောင်မြင်မှုအလွန်နည်းပါးသည်ဟု ကျွန်ုပ်ပြောလိုသည်” ဟု စတန်းဖို့ဒ် တက္ကသိုလ်မှ ပါမောက္ခနှင့် CZI ၏ ယခင်သိပ္ပံဌာနမှူး စတီဗင် ကွက် ကပြောသည်။ ပြီးခဲ့သည့်နှစ်တွင် ၎င်းနှင့် အခြားသုတေသီများ သည် ဆဲလ်များနှင့်ပတ်သက်သော ဒေတာများကို အထူးပြု AI များသို့ တိုက်ရိုက်ထည့်သွင်းသည့် အခြားနည်းလမ်းတစ်ခုအတွက် ရည်မှန်းချက်ချပြခဲ့သည်။ “သင်သည် ညီမျှခြင်းများရေးရန် ကြိုးစားခြင်းထက် ဒေတာမှ တိုက်ရိုက်သင်ယူသော မော်ဒယ်များကို တည်ဆောက်သည်” ဟု ၎င်းကပြောသည်။

ကွက်နှင့် ၎င်း၏လုပ်ဖော်ကိုင်ဖက်များသည် ရှိခဲ့သည်။ ၎င်းတို့သည် မျိုးစိတ် ၁၂ မျိုးမှ ဆဲလ်များ၏ ဒေတာများကို AI တစ်ခုကို လေ့ကျင့်ပေးရန် အသုံးပြုခဲ့သည်။ ထိုအခါ AI သည် ၎င်းမမြင်ဖူးသေးသော မျိုးစိတ်များ၏ ဆဲလ်များနှင့်ပတ်သက်၍ တိကျသောခန့်မှန်းချက်များ ပြုလုပ်နိုင်ခဲ့သည်ဟု ကွက်ကပြောသည်။ ၎င်းသည် မျိုးစိတ်တစ်ခုတည်းရှိ ဆဲလ်အမျိုးအစားအမျိုးမျိုးကြား ဆက်နွှယ်မှုများကို ခန့်မှန်းနိုင်ခဲ့သည်၊ ထိုဆက်နွှယ်မှုများနှင့်ပတ်သက်သော အချက်အလက်များ မပေးထားသော်လည်းဖြစ်သည်။ “ထိုအရာက ကျွန်တော့်ကို ဤချဉ်းကပ်မှုအပေါ် အလွန်စိတ်လှုပ်ရှားစေခဲ့သည်” ဟု ကွက်ကပြောသည်။

Google DeepMind မှ သုတေသီများ အပါအဝင် အခြားသုတေသီအဖွဲ့တစ်ဖွဲ့သည် ဖြစ်သည်။ ၎င်းတို့သည် ဆဲလ်များနှင့်ပတ်သက်သော အချက်အလက်များ၏ ကြီးမားသော ဒေတာအစုံများကို AI များအား လေ့ကျင့်ပေးခဲ့ပြီး အသုံးပြုသူများအား “ဤဆဲလ်သည် ဤဆေးဝါးကို မည်သို့တုံ့ပြန်မည်နည်း” ကဲ့သို့သော မေးခွန်းများ မေးမြန်းနိုင်စေခဲ့ကာ ဆဲလ်၏ မည်သည့်အပိုင်းများ ထိခိုက်နိုင်သည်ကို အဖြေများ ရရှိစေခဲ့သည်။

ဤအရာများသည် အတုအယောင်ဆဲလ်များ ဖန်တီးရန် သိပ္ပံပညာရှင်များ အသုံးပြုနေသည့် ချဉ်းကပ်မှုအချို့မျှသာဖြစ်သည်။ နောက်ဆုံးတွင် မတူညီသော သုတေသီအမျိုးအစားများ အသုံးပြုရန်အတွက် ဒီဇိုင်းထုတ်ထားသော အတုအယောင်ဆဲလ် အမျိုးအစားများစွာ ပေါ်ပေါက်လာဖွယ်ရှိသည်။ ဥပမာအားဖြင့် ကင်ဆာဇီဝဗေဒပညာရှင်တစ်ဦး အသုံးပြုသည့် အတုအယောင်ဆဲလ်သည် သတ်မှတ်ထားသော ဖွဲ့စည်းပုံတစ်ခု မည်သို့ဆင့်ကဲဖြစ်ပေါ်လာသည်ကို မေးခွန်းများဖြေရန် ကြိုးပမ်းနေသော ဆဲလ်ဇီဝဗေဒပညာရှင်တစ်ဦး အသုံးပြုသည့် အရာနှင့် ကွဲပြားနိုင်ပေသည်။ ၎င်းတို့သည် ရိုးရာမော်ဒယ်လ်ချဉ်းကပ်မှုများနှင့် AI နှစ်မျိုးလုံးကို အသုံးပြုနိုင်ဖွယ်ရှိသည်။

အတုအယောင် ဆဲလ်များက ကျွန်ုပ်တို့အား မည်သည့်အရာများ လုပ်ဆောင်နိုင်စေမည်နည်း

အတုအယောင် ဆဲလ်များသည် ဆေးဝါးအသစ်များ ရှာဖွေတွေ့ရှိရန် ပိုမိုမြန်ဆန်လွယ်ကူစေနိုင်သည်။ ၎င်းတို့သည် ကင်ဆာဆဲလ်များက ခုခံအားစနစ်ကို မည်သို့ရှောင်ရှားကြောင်း သို့မဟုတ် လူနာတစ်ဦးချင်းစီသည် သတ်မှတ်ထားသော ကုထုံးကို မည်သို့တုံ့ပြန်နိုင်သည်ကို ထိုးထွင်းသိမြင်မှုပေးနိုင်သည်။ ၎င်းတို့သည် အခြေခံသိပ္ပံပညာရှင်များအား ဆဲလ်များမည်သို့အလုပ်လုပ်ပုံနှင့်ပတ်သက်၍ ယူဆချက်များ တီထွင်ရာတွင် ကူညီပေးနိုင်ပြီး အမှန်တကယ်ဆဲလ်များဖြင့် မည်သည့်စမ်းသပ်မှုများ ပြုလုပ်ရမည်ကို လမ်းညွှန်ပေးနိုင်သည်။ “ဤနေရာရှိ အလုံးစုံသော ရည်မှန်းချက်မှာ” ဟု ကွက်ကပြောသည်၊ “ဆဲလ်ဇီဝဗေဒကို ၉၀% စမ်းသပ်မှုနှင့် ၁၀% ကွန်ပျူတာဖြင့် လုပ်ဆောင်သည့် နယ်ပယ်မှ ပြောင်းပြန်ဖြစ်အောင် ကြိုးပမ်းရန်ဖြစ်သည်”။

AI က ၎င်းတို့အတွက် ရှင်းပြချက်မပေးနိုင်လျှင် AI မှ ပြုလုပ်သော ခန့်မှန်းချက်များ မည်မျှအသုံးဝင်မည်ကို အချို့သိပ္ပံပညာရှင်များက မေးခွန်းထုတ်ကြသည်။ “AI မော်ဒယ်များသည် ပုံမှန်အားဖြင့် black box များဖြစ်သည်” ဟု U.K. ရှိ Wellcome Sanger Institute မှ စနစ်များဇီဝဗေဒပညာရှင်နှင့် ပါရဂူဘွဲ့လွန် သုတေသီ အဲရစ်ခ် အာမင်ဂို ကပြောသည်။ အခြားနည်းဖြင့်ဆိုသော် ၎င်းတို့က သင့်ကို အဖြေပေးသော်လည်း ထိုအဖြေကို အဘယ်ကြောင့်ပေးသည်ကို မပြောနိုင်ပါ။

“ပုဂ္ဂိုလ်ရေးအရ ကျွန်ုပ်သည် ဤနယ်ပယ်သို့ ရောက်ရှိလာရခြင်းမှာ လူ့ခန္ဓာကိုယ်တစ်ခုလုံးနှင့် ဆဲလ်များ အချင်းချင်း မည်သို့ချိတ်ဆက်ပြီး အပြန်အလှန်တုံ့ပြန်ပုံကို ပုံဖော်လိုသောကြောင့်ဖြစ်သည်။ ထို့ကြောင့် ၎င်းသည် အိပ်မက်ဖြစ်သည်” ဟု ၎င်းကပြောသည်။ Black-box အဖြေများသည် ဆေးဝါးတီထွင်မှုကို လမ်းညွှန်ရာတွင် အထောက်အကူဖြစ်နိုင်သော်လည်း အခြေခံသိပ္ပံပညာရှင်များအတွက်မူ အသုံးဝင်မည်မဟုတ်ပါ—အနည်းဆုံး AI များစွာကို လက်ရှိတပ်ဆင်ထားသည့်ပုံစံအတိုင်းတော့မဟုတ်ပါ။ (CZI မှ Karaletsos က ၎င်းတို့၏ AI အချို့သည် ၎င်းတို့၏ ဆင်ခြင်တုံတရားအတွက် ရှင်းပြချက်များ ပေးဆောင်ရန် တပ်ဆင်ထားသည်ဟု ဆိုသည်။ “ကျွန်ုပ်တို့က ခန့်မှန်းရုံသက်သက်မဟုတ်ဘဲ နားလည်ချင်သည်” ဟု ၎င်းကပြောသည်)။

အတုအယောင်ဆဲလ်များ တည်ဆောက်ခြင်း၏ အရေးပါပုံနှင့်ပတ်သက်၍ တစ်ခုရေးသားခဲ့သူ ဂျွန်ဆင်က သိပ္ပံပညာရှင်များ တည်ဆောက်မည့်အရာများသည် မြင်သာအောင် ပြုလုပ်နိုင်မည်ဟု မျှော်လင့်သည်။ ၎င်း၏ စံပြမှာ “ရှုပ်ထွေးသောအရာတစ်ခု၏ မြင်သာသော၊ အပြန်အလှန်တုံ့ပြန်နိုင်သော၊ အလိုလိုသိနိုင်သော ဗားရှင်းတစ်ခု” ဖြစ်သည်ဟု ၎င်းကပြောသည်။ “ဤအရာအားလုံးကို အကောင်အထည်ဖော်ရန် AI သည် အလွန်အရေးကြီးသည်ဟု ကျွန်ုပ်ထင်သည်။ ကျွန်ုပ်သည် အဓိကရလဒ်အနေဖြင့် black-box ခန့်မှန်းချက်များကို စိတ်မဝင်စားပါ”။

၎င်းတို့ကို မည်သို့တည်ဆောက်သည်ဖြစ်စေ အတုအယောင်ဆဲလ်များ အလုပ်လုပ်ရန် အချိန်ယူရဦးမည်ဖြစ်သည်။ “၎င်းသည် နောက်နှစ်တွင် ပြီးစီးမည့်အရာမဟုတ်ပါ” ဟု ကွက်ကပြောသည်။ “၎င်း၏ အလားအလာကို အကောင်အထည်ဖော်ရန် ဆယ်စုနှစ်တစ်ခုခန့် အချိန်ယူရမည်ဟု ကျွန်ုပ်ထင်သည်”။

သို့သော် ထိုလွန်ခဲ့သော နေ့လယ်စာစားပွဲစကားဝိုင်းမှစ၍ ဆဲလ်ဇီဝဗေဒနှင့် ကွန်ပျူတာသိပ္ပံတို့တွင် တိုးတက်မှုများသည် တစ်နေ့နေ့တွင် အတုအယောင်ဆဲလ်တစ်ခု ပိုင်ဆိုင်နိုင်မည့် အလားအလာများကို အခြေခံကျကျ ပြောင်းလဲစေခဲ့သည်ဟု ဂျွန်ဆင်ကပြောသည်။ “ကျွန်တော်သည် ဤအကြောင်းကို ဟန်ချက်မညီဘဲ ပြောနေသော ရူးသွပ်သူတစ်ဦးလို မခံစားရတော့ပါ” ဟု ၎င်းကပြောသည်။ “ယခုအခါ ၎င်းသည် ဖြစ်နိုင်ချေရှိသည်ဟု ခံစားရသည်”။