အနာဂတ်စက်မှုလုပ်ငန်းများအတွက် တုံ့ပြန်ရေးမဟာဗျူဟာ ဆွေးနွေးပွဲ - ကိုရီးယားစက်မှုလုပ်ငန်း ဉာဏ်ရည်မြှင့်တင်ရေးအသင်း

ပြီးခဲ့သည့် အောက်တိုဘာလ ၂၄ ရက်နေ့တွင် ကိုရီးယားစက်မှုလုပ်ငန်း ဉာဏ်ရည်မြှင့်တင်ရေးအသင်း (KOIIA) ၏ ဖိတ်ကြားချက်ဖြင့် '၂၀၂၅ ခုနှစ် အလတ်စားနှင့်အကြီးစားလုပ်ငန်းများ၏ အဓိကဝန်ထမ်းများ ဖွံ့ဖြိုးတိုးတက်ရေးအကယ်ဒမီ၊ အနာဂတ်စက်မှုလုပ်ငန်းများအတွက် တုံ့ပြန်ရေးမဟာဗျူဟာ ဆွေးနွေးပွဲ' တွင် ပါဝင်ခဲ့ပြီး CLEVI ၏ CEO ဖြစ်သူ Lee Hwan-ho က အဖွင့်မိန့်ခွန်း ပြောကြားခဲ့ပါသည်။

ကျွန်ုပ်တို့သည် 'AI နည်းပညာအသုံးချမှုဖြစ်ရပ်များနှင့် DX လက်တွေ့လုပ်ငန်းဗျူဟာ' ဆက်ရှင်တွင် 'Physical AI အသုံးချမှုဖြစ်ရပ်များနှင့် RAG Agent မိတ်ဆက်သည့်လုပ်ငန်းစဉ်အတွင်း ကြုံတွေ့ရသော ကျရှုံးမှုအကြောင်းရင်းများနှင့် တိုးတက်ကောင်းမွန်ရေးဗျူဟာများ' ခေါင်းစဉ်ဖြင့် ပါဝင်ခဲ့ပါသည်။

မကြာသေးမီက AI Agent များအပေါ် စိတ်ဝင်စားမှုမြင့်တက်လာသည်နှင့်အမျှ AI ကို မိတ်ဆက်အသုံးပြုရန် စဉ်းစားနေသည့် ကုမ္ပဏီများလည်း တိုးပွားလာနေပါသည်။ အဖွဲ့အစည်းများနှင့် ကုမ္ပဏီများစွာသည် AI ကို စမ်းသပ်မိတ်ဆက်၍ လည်ပတ်အသုံးပြုနေကြသည်ဟု သိရှိရပါသည်။

သို့သော် ဝမ်းနည်းစရာကောင်းသည်မှာ ကုမ္ပဏီများနှင့် အဖွဲ့အစည်းများစွာတွင် မျှော်မှန်းထားသည့် ROI ကို မရရှိကြသည့်အပြင် PoC တွင် လုပ်ဆောင်ခဲ့သော လုပ်ဆောင်ချက်များသည် အဓိကလုပ်ငန်း သို့မဟုတ် လက်တွေ့လုပ်ငန်းခွင်တွင် သင့်လျော်သောအဖြေများ မပေးနိုင်ခြင်း သို့မဟုတ် လုံးဝမလုပ်ဆောင်နိုင်ခြင်းများ အလွန်များပြားကြောင်း စစ်တမ်းများအရ သိရပါသည်။

ဤအချက်အလက်များကြောင့် ကုမ္ပဏီများစွာသည် AI ကို အလျင်စလို မိတ်ဆက်အသုံးပြုရန် တွန့်ဆုတ်နေကြပါသည်။

ယခုဟောပြောပွဲတွင် CLEVI ၏ CEO ဖြစ်သူ Lee Hwan-ho က အလျင်စလို AI မိတ်ဆက်အသုံးပြုခြင်း၏ အဓိကကျရှုံးမှုအကြောင်းရင်းများဖြစ်သည့် RAG စနစ်၏ ကန့်သတ်ချက်များနှင့် open-source model များ သို့မဟုတ် small LLM (SLM) များအကြောင်းကို အသေးစိတ်ရှင်းပြကာ ယခင်မိတ်ဆက်အသုံးပြုမှုများ အဘယ်ကြောင့်ကျရှုံးခဲ့သည်ကို ရှင်းလင်းပြောကြားခဲ့ပါသည်။

အဆုံးတွင် AI ကို အသုံးပြုရသည့်အကြောင်းရင်းမှာ လူသားများ၏အလုပ်ကို အစားထိုးလုပ်ဆောင်စေရန် သို့မဟုတ် လူသားများထက် ပိုမိုကောင်းမွန်သော စွမ်းဆောင်ရည်ကို ပြသနိုင်မည်ဟု မျှော်လင့်သောကြောင့် ဖြစ်ပါသည်။

လက်ရှိ AI ကို မိတ်ဆက်အသုံးပြုထားသည့် ကုမ္ပဏီများ၏ လက်တွေ့လုပ်ငန်းဆောင်ရွက်သူများသည် AI ၏အဖြေများ၏ အရည်အသွေးကို မယုံကြည်နိုင်သဖြင့် AI ၏အဖြေများကို တစ်ခုချင်းစီ စစ်ဆေးနေရကာ အလုပ်တာဝန်များပင် ပိုမိုများပြားလာသည်ဟု မကျေနပ်ချက်များ ထွက်ပေါ်နေပါသည်။

အကြောင်းရင်းမှာ ကုမ္ပဏီအများစုသည် open-source SLM model များကို fine-tuning ပြုလုပ်ပြီး solution အဖြစ် အသုံးပြုနေကြခြင်းကြောင့် ဖြစ်ပါသည်။

အလိုလိုသဘောပေါက်စွာဖြင့် AI သည် အသစ်သောအရာများကို သင်ယူပါက ပိုမိုဉာဏ်ရည်ထက်မြက်လာမည်ဟု ထင်မြင်ကြသော်လည်း AI ကို အသိပညာအသစ်များ သင်ယူစေသောအခါ အတိတ်မှတ်ဉာဏ်များဖြစ်သည့် မတရားသတ်မှတ်ထားသော parameter weight များကိုပင် ဆုံးရှုံးသွားနိုင်ပါသည်။

ပိုမိုဆိုးရွားသော ပြဿနာမှာ မည်သည့်အချက်အလက် သို့မဟုတ် အသိပညာကို ဆုံးရှုံးခဲ့သည်ကို မည်သူမျှ မသိနိုင်တော့ခြင်း ဖြစ်ပါသည်။

AI ကို အသုံးပြုခြင်းသည် အရင်းအမြစ်အနည်းငယ်ဖြင့် ဆောင်ရွက်နိုင်သည့်အရာမဟုတ်သောကြောင့် PoC အဆင့်ကတည်းက စစ်ဆေးအတည်ပြုမှုများစွာ ပြုလုပ်ခဲ့ကြမည်ဟု ထင်ပါသည်။

သို့သော် ထိုအချိန်တွင် အဆိုပါပြဿနာများ အဘယ်ကြောင့် မပေါ်ပေါက်ခဲ့သနည်း။ အကြောင်းရင်းမှာ ပစ်မှတ်ဒေတာများဖြင့် ပြန်လည်လေ့ကျင့်ထားသောကြောင့် ဖြစ်ပါသည်။

ဂဏန်းများကိုသာ သိရှိသော AI ကို အက္ခရာများ သင်ကြားပေးပြီးနောက် အက္ခရာများနှင့်ပတ်သက်သော မေးခွန်းများကိုသာ မေးခဲ့သောကြောင့် အဖြေများကို ကောင်းမွန်စွာ ပေးနိုင်ခြင်းမှာ သဘာဝကျပါသည်။ သို့သော် လုပ်ငန်းခွင်တွင် ထိုကဲ့သို့သော သီးခြားဒိုမိန်းတစ်ခုအတွက် အထူးပြုထားသော မော်ဒယ်များကိုသာ လိုအပ်ပါသလား။

​

ကျွန်ုပ်တို့၏ လုပ်ငန်းခွင်များသည် နေ့စဉ် ပတ်ဝန်းကျင်အသစ်များနှင့် ဒေတာအသစ်များကို ရင်ဆိုင်နေရပါသည်။ သို့သော် ယခင်အသိပညာများကို ကျပန်းဖျက်ဆီးရင်း လေ့ကျင့်ထားသော AI သည် ယေဘုယျအသုံးချနိုင်မှုသာမက တိကျမှုကိုပါ အာမခံနိုင်မည်မဟုတ်ပါ။

ထို့ကြောင့် From-scratch Foundation အဆင့် အလွန်ကြီးမားသော ဘာသာစကားမော်ဒယ်ကို ပိုင်ဆိုင်ထားခြင်း သို့မဟုတ် ထိုမော်ဒယ်ကို ဖန်တီးနိုင်သည့် နည်းပညာရှိခြင်း လိုအပ်ပါသည်။

ထိုမော်ဒယ်များတွင် ကမ္ဘာပေါ်ရှိ အသိပညာအများစုနီးပါး ပါဝင်သောကြောင့် အဖြေများ၏ အရည်အသွေးသာမက တိကျမှုလည်း မြင့်မားပါသည်။

အထူးပြုဒိုမိန်းများအတွက် SFT(Supervised Fine-Tuning) ဟုခေါ်သော နည်းပညာကို အသုံးပြုနိုင်သကဲ့သို့ ဒေတာပမာဏနည်းပါးပါက RAG စနစ် သို့မဟုတ် CLEVI ကိုယ်တိုင် တီထွင်ထားသော ထောက်လှမ်းရေးဒေတာဘေ့စ်စနစ်ဖြစ်သည့် semantic database နည်းပညာကို အသုံးပြုခြင်းဖြင့် fine-tuning ပြုလုပ်ထားသော SLM ၏ အားနည်းချက်များကို ကျော်လွှားနိုင်ပါသည်။

ထိုကဲ့သို့သော foundation model များ၏ အရေးပါမှုကို အစိုးရကလည်း သိရှိသောကြောင့် ပံ့ပိုးကူညီမှုများစွာ ပြုလုပ်ပေးလျက်ရှိပါသည်။

၎င်းမှာ နိုင်ငံကိုယ်စားပြု AI ပရောဂျက် ဖြစ်ပါသည်။ ဤပရောဂျက်၏ အကြီးမားဆုံး ရည်မှန်းချက်မှာ ဒစ်ဂျစ်တယ်အချုပ်အခြာအာဏာကို ရရှိရန် ဖြစ်ပါသည်။

Open-source မော်ဒယ်များကို အသုံးပြုသည့်အခါ ဖြစ်ပေါ်နိုင်သော ဆိုးရွားသည့် အားနည်းချက်များကို CLEVI ကလည်း သိရှိထားသောကြောင့် ဒေတာစုဆောင်းခြင်းမှစ၍ အာကിടെကချာဒီဇိုင်းရေးဆွဲခြင်းအထိ ကိုယ်ပိုင်နည်းလမ်းဖြင့် တီထွင်ကာ CLEVI ၏ မော်ဒယ်များကို လေ့ကျင့်ခဲ့ပါသည်။

လက်ရှိ CLEVI မော်ဒယ်များသည် ကမ္ဘာ့ထိပ်တန်း AI များနှင့် ယှဉ်ပြိုင်လျှင်ပင် လုံးဝနောက်ကျမနေသည့် စွမ်းဆောင်ရည်ကို ပိုင်ဆိုင်ထားပါသည်။

အထူးသဖြင့် ကိုယ်ပိုင်မော်ဒယ်များကို ပိုင်ဆိုင်ထားသောကြောင့် ပြင်ပမော်ဒယ်များကို အသုံးပြုသည့်အခါ ဖြစ်ပေါ်နိုင်သော မှီခိုမှုဆိုင်ရာ ပြဿနာများနှင့် CLEVI သည် သက်ဆိုင်ခြင်းမရှိပါ။

ယခုအခါ AI ကို အသုံးပြုခြင်းသည် ရွေးချယ်စရာမဟုတ်တော့ဘဲ မဖြစ်မနေ လိုအပ်ချက်တစ်ရပ် ဖြစ်လာနေပါသည်။ သို့သော် နောက်ဆုံးပေါ်နည်းပညာကို ရိုးရိုးရှင်းရှင်း အသုံးပြုလိုက်ရုံဖြင့် လိုချင်သော ရလဒ်ကို ရရှိရန် ခက်ခဲပါသည်။

စစ်မှန်သော ဆန်းသစ်တီထွင်မှုသည် နည်းပညာ၏ ကန့်သတ်ချက်များကို တိကျစွာ နားလည်ပြီး ကျွန်ုပ်တို့၏ အဖွဲ့အစည်း၏ ပတ်ဝန်းကျင်နှင့် ရည်မှန်းချက်များနှင့် ကိုက်ညီသော အကောင်းဆုံးမဟာဗျူဟာကို ချမှတ်သည့်အချိန်မှသာ စတင်ပါသည်။

CLEVI သည် ကိုယ်ပိုင်အလွန်ကြီးမားသော ဘာသာစကားမော်ဒယ်နှင့် semantic database အပါအဝင် ကွဲပြားထူးခြားသော နည်းပညာစွမ်းရည်များဖြင့် ကုမ္ပဏီများက AI အသုံးပြုမှုလုပ်ငန်းစဉ်အတွင်း ကြုံတွေ့ရသော စမ်းသပ်မှားယွင်းမှုများနှင့် အန္တရာယ်များကို အနည်းဆုံးဖြစ်အောင် လျှော့ချပေးနေပါသည်။

ရှေ့ဆက်ပြီးလည်း ကျွန်ုပ်တို့သည် လုပ်ငန်းခွင်မှ အသံများကို နားထောင်ကာ ပိုမိုများပြားသော လုပ်ငန်းများအတွက် ယုံကြည်စိတ်ချရသော AI မိတ်ဖက်တစ်ဦး ဖြစ်လာစေရန် အစွမ်းကုန် ကြိုးပမ်းသွားမည်ဖြစ်ပါသည်။ AI အသုံးချမှု၏ စစ်မှန်သောအောင်မြင်မှုကို CLEVI နှင့်အတူ ဖန်တီးလိုက်ပါ။