လွယ်လွယ်ပြောရရင် Zero-shot Learning ဆိုတာ AI ကို ဥပမာ တစ်ခုမှ မပြဘဲ ညွှန်ကြားချက်တစ်ကြောင်းတည်းနဲ့ အလုပ်ခိုင်းတာပါ။ Few-shot Learning ဆိုတာက ဥပမာ ၂ ခု ၃ ခု ပြပြီးမှ အလုပ်ခိုင်းတာပါ။ နှစ်ခုလုံးက AI ကို ထပ်ပြီး Train လုပ်စရာ မလိုဘဲ၊ Prompt ထဲမှာပဲ သင်ပေးလိုက်တဲ့ နည်းလမ်းတွေပါ။
ကျွန်တော် ဒါကို ကလေးကို အလုပ်ခိုင်းတာနဲ့ ဥပမာပေးချင်တယ်။ ကလေးတစ်ယောက်ကို “ဈေးကနေ ကြက်ဥ ၁၀ လုံး ဝယ်လာခဲ့” လို့ ပြောလိုက်ရင် သူ ဝယ်တတ်တယ်။ ဘာလို့လဲဆိုတော့ သူ ကြက်ဥဆိုတာ ဘာလဲ၊ ဈေးဆိုတာ ဘယ်မှာလဲ အရင်ကတည်းက သိနေလို့ပါ။ ဒါ Zero-shot ပါ။ ညွှန်ကြားချက်တစ်ကြောင်းတည်းနဲ့ လုပ်နိုင်တယ်။
ဒါပေမယ့် “ဒီနေ့ ဈေးကနေ ငါ မှာတဲ့ ပစ္စည်းတွေ ဝယ်လာခဲ့” ဆိုပြီး ပစ္စည်းအသစ် တစ်ခုခု မှာမယ်ဆိုရင် ကလေးက ဘာဝယ်ရမလဲ မသိဘူး။ အဲဒီအခါ “ဟောဒီ ပုံစံလေး ဝယ် — ကြက်ဥလို အလုံးလေး၊ အခွံမာမာ၊ အထဲမှာ အနှစ် ရှိတယ်” လို့ ဥပမာ ပြပေးလိုက်ရင် သူ နားလည်သွားတယ်။ ဒါ Few-shot ပါ။ ဥပမာ နည်းနည်းပြမှ လုပ်တတ်သွားတယ်။
AI မှာလည်း အတူတူပါပဲ။ ChatGPT လို Model တွေက စာအများကြီးနဲ့ အရင်ကတည်းက Train လုပ်ထားပြီးသားမို့ ဘာသာစကား၊ အဓိပ္ပာယ်၊ ပုံစံတွေကို အကြမ်းဖျင်း သိနေပြီးသားပါ။ ဒါကြောင့် ညွှန်ကြားချက်တစ်ကြောင်းတည်းနဲ့ အလုပ်တွေ လုပ်နိုင်တာပါ။
Zero-shot ဆိုတာ ဘာလဲ?
ဥပမာ တစ်ခုမှ မပါဘဲ ညွှန်ကြားချက်ပဲ ပေးတာပါ။ ဥပမာ “ဒီစာကို အပြုသဘော၊ အပျက်သဘော ခွဲပေးပါ” လို့ ရိုက်ထည့်လိုက်တာနဲ့ AI က တန်းပြီး လုပ်ပေးပါတယ်။
သုံးလို့ကောင်းတဲ့ အလုပ်တွေက ဘာသာပြန်တာ၊ အကျဉ်းချုပ်တာ၊ စာအမျိုးအစား ခွဲတာ၊ မေးခွန်းဖြေတာတွေ ဖြစ်ပါတယ်။
အားသာချက်က မြန်တယ်၊ ရိုးရှင်းတယ်၊ ဥပမာ ရှာစရာ မလိုဘူး။ ဒါပေမယ့် AI က ညွှန်ကြားချက်ကို နားလည်မှု လွဲရင် အဖြေ လွဲသွားနိုင်ပါတယ်။
Few-shot ဆိုတာ ဘာလဲ?
Prompt ထဲမှာ ဥပမာ ၂ ခု ၃ ခု ထည့်ပေးတာပါ။ ဥပမာ —
English: Good morning
Myanmar: မင်္ဂလာပါ
English: Thank you
Myanmar: ကျေးဇူးတင်ပါတယ်
English: How are you?
Myanmar: ?
ဒီလို ဥပမာတွေ မြင်ပြီးရင် AI က “အော်၊ English ကို Myanmar လို ပြန်ရမှာ” ဆိုတာ ကိုယ်တိုင် ကောက်ချက်ချပြီး နောက်တစ်ကြောင်းကို ဆက်လုပ်ပေးပါတယ်။
ကိုယ်လိုချင်တဲ့ အဖြေပုံစံက ထူးခြားနေတဲ့အခါ — ဥပမာ JSON ပုံစံနဲ့ ထုတ်ပေးစေချင်တာ၊ အတိုချုပ်ပဲ ဖြေစေချင်တာ — Few-shot က ပိုတိကျပါတယ်။ ဥပမာတွေက AI အတွက် ပုံစံပြစာအုပ် ဖြစ်သွားတာပါ။
ကိုယ်တိုင် သုံးကြည့်မယ်ဆိုရင်
အရင် Zero-shot နဲ့ စမ်းပါ — ညွှန်ကြားချက် ရှင်းရှင်းလေး ပေးကြည့်ပါ။ အဖြေက ကိုယ်လိုချင်တဲ့ ပုံစံ မဟုတ်ရင် Few-shot ပြောင်းပါ။
Few-shot ဥပမာက ၃ ခု ၅ ခု ဆိုရင် လုံလောက်ပါတယ်။ ဥပမာ များလွန်းရင် Token ကုန်ပြီး Prompt ရှည်သွားပါတယ်။
ဥပမာတွေက တစ်ခုနဲ့တစ်ခု ပုံစံတူအောင် ထားပါ။ တစ်ခုက တို၊ တစ်ခုက ရှည်နေရင် AI က ဘယ်ပုံစံ လိုက်ရမလဲ ဝေခွဲရခက်ပါတယ်။
ဥပမာမှာ အမှားပါရင် AI က အမှားကိုပါ အတုယူသွားပါတယ်။ ဥပမာ မှန်မှန်ကန်ကန် ရွေးပါ။
သတိထားရမယ့် အချက်
Zero-shot ရော Few-shot ရော Train လုပ်တာ မဟုတ်ပါဘူး။ Model ကို ဘာမှ အမြဲတမ်း သင်ပေးသွားတာ မဟုတ်ပါဘူး။ Prompt တစ်ခုချင်းစီမှာပဲ ခဏတာ “နားလည်” သွားတာပါ။ Chat အသစ်ဖွင့်လိုက်ရင် အစက ပြန်စရပါတယ်။
နောက်တစ်ချက်က AI က ဥပမာ မပြဘဲ လုပ်နိုင်တယ်ဆိုတာ တကယ် သိနေလို့ မဟုတ်ပါဘူး။ Train လုပ်တုန်းက တွေ့ခဲ့ဖူးတဲ့ ပုံစံတွေနဲ့ ကိုက်ညီလို့ ခန့်မှန်းပြီး ဖြေနေတာပါ။ ဒါကြောင့် တခါတလေ ယုံကြည်မှုအပြည့်နဲ့ မှားတဲ့ အဖြေတွေ ပေးတတ်ပါတယ်။ အရေးကြီးတဲ့ အလုပ်ဆိုရင် အဖြေကို ပြန်စစ်ပါ။
ကျွန်တော်ကိုယ်တိုင် Prompt ရေးတိုင်း Zero-shot နဲ့ အရင်စမ်းပါတယ်။ မရမှ ဥပမာ ၂ ခု ထည့်ပေးလိုက်တယ်။ အဲဒီနည်းက အချိန်လည်း သက်သာတယ်၊ Token လည်း သက်သာတယ်။ သင်လည်း ဒီတစ်ပတ် AI သုံးရင် ဥပမာ မပြဘဲ အရင် မေးကြည့်ပါ။ မရမှ ဥပမာ ပြပေးပါ။ ဘယ်နည်းက ပိုကောင်းလဲ ကိုယ်တိုင် သိသွားပါလိမ့်မယ်။ 🙂
—