လွယ်လွယ်ပြောရရင် Multimodal AI ဆိုတာ စာတစ်မျိုးတည်း မဟုတ်ဘဲ ပုံ၊ အသံ၊ ဗီဒီယိုပါ နားလည်နိုင်တဲ့ AI ပါ။ ရိုးရိုး ChatGPT က စာပဲ ဖတ်တတ်တယ်။ Multimodal Model က ပုံကို ကြည့်ပြီး “ဒီပုံမှာ ဘာပါလဲ” ဆိုတာ ဖြေနိုင်တယ်၊ အသံဖိုင်ကို နားထောင်ပြီး စာပြန်ရေးပေးနိုင်တယ်။

စာပဲ ဖတ်တတ်တဲ့ ကလေးတစ်ယောက် ဓာတ်ပုံကြည့်တတ်သွားသလိုပဲ စဉ်းစားကြည့်ပါ။

ကျွန်တော့် သူငယ်ချင်းတစ်ယောက် ရှိတယ်။ စာတော်‌ပေမယ့် မျက်စိမကောင်းဘူး — ဓာတ်ပုံပြရင် “ဘာပုံလဲ” လို့ မေးနေရတယ်။ တစ်နေ့ကျတော့ သူ မျက်မှန်တပ်သွားတယ်။ အခုဆို ဓာတ်ပုံပြရုံနဲ့ “ဒါက မင်းတို့ အိမ်က ကြောင်၊ ဆိုဖာပေါ် အိပ်နေတာ” လို့ ချက်ချင်း ပြောနိုင်ပြီ။ Multimodal AI လည်း ဒီလိုပဲ။ အရင်က စာနဲ့ပဲ ဆက်သွယ်ရတဲ့ AI က အခု မျက်စိရသွားတယ်၊ နားရသွားတယ်။ Gemini, GPT-4o, Claude တို့လို Model အသစ်တွေက ဒီနည်းနဲ့ အလုပ်လုပ်တယ်။

ဘယ်လို အလုပ်လုပ်တာလဲ ဆိုတော့ ရိုးရိုးရှင်းရှင်း ပြောရရင် —

Model ထဲမှာ input အမျိုးအစားအလိုက် “ဘာသာပြန်သူ” (encoder) တွေ ရှိတယ်။ ပုံအတွက် တစ်ခု၊ အသံအတွက် တစ်ခု၊ စာအတွက် တစ်ခု
သူတို့က ပုံ၊ အသံ၊ စာ အားလုံးကို AI နားလည်တဲ့ ကိန်းဂဏန်း (token) အဖြစ်ပြောင်းပေးတယ်
ပြီးရင် အဓိက Model က ဒီ token တွေကို ပေါင်းစပ်ပြီး စဉ်းစားတယ် — “ပုံထဲက ဒီအရာနဲ့ စာထဲက ဒီမေးခွန်း ဆက်စပ်နေတယ်” ဆိုတာ သူ့ဘာသာ သိတယ်
နောက်ဆုံး စာနဲ့ ဖြေတာပဲ ဖြစ်ဖြစ်၊ ပုံထုတ်ပေးတာပဲ ဖြစ်ဖြစ်၊ output ထုတ်ပေးတယ်

လက်တွေ့မှာ ဘာတွေ လုပ်လို့ ရလဲ —

ဖုန်းနဲ့ ဓာတ်ပုံရိုက်ပြီး “ဒီ error message က ဘာပြောတာလဲ” လို့ မေးလို့ ရတယ်
လက်ရေး စာရွက်ဓာတ်ပုံကို စာသားအဖြစ် ပြောင်းခိုင်းလို့ ရတယ် (OCR ထက် အများကြီး တိကျတယ်)
အသံဖိုင်ကို “ဒီအစည်းအဝေးမှာ ဘာတွေ ဆုံးဖြတ်ခဲ့လဲ အကျဉ်းချုပ်ပေး” လို့ ခိုင်းလို့ ရတယ်
Screenshot တစ်ခုပို့ပြီး “ဒီ button ကို ဘယ်လို နှိပ်ရမလဲ” လို့ မေးလို့ ရတယ်

ဒါပေမယ့် အားနည်းချက်တွေ ရှိတယ်၊ သိထားသင့်တယ် —

ပုံကို တစ်ခါတစ်လေ မှားမြင်တယ်။ မရှိတဲ့အရာကို “ရှိတယ်” လို့ ပြောတတ်တယ်။ ဥပမာ ပုံထဲမှာ ကြောင်မပါဘဲ “ကြောင်တစ်ကောင် ရှိတယ်” လို့ ဖြေတတ်တယ်။ ဒါကို hallucination လို့ ခေါ်တယ်
အသေးစိတ် အချက်အလက် မှားတတ်တယ်။ ဓာတ်ပုံထဲက စာလုံး နည်းနည်းလေး မှားဖတ်တာ၊ ဈေးနှုန်း မှားပြောတာမျိုး
ပုံကြီးရင် token ပိုကုန်တယ်။ စာတစ်ကြောင်းထက် ပုံတစ်ပုံက ပိုဈေးကြီးတယ် — API သုံးရင် ငွေပိုကုန်တယ်

ကိုယ်တိုင် သုံးတဲ့အခါ ဒီလို သုံးပါ —

ပုံနဲ့ မေးတဲ့အခါ မေးခွန်းကို တိတိကျကျ ရေးပါ။ “ဒီပုံ ရှင်းပြပါ” ထက် “ဒီပုံထဲက အနီရောင် စာသားကို ဖတ်ပြပါ” ဆိုတာ ပိုတိကျတယ်
အရေးကြီးတဲ့ အချက်အလက် (ဈေးနှုန်း၊ လိပ်စာ၊ ဆေးညွှန်း) ဆို AI ဖြေတာကို တစ်ခါ ပြန်စစ်ပါ
စာပဲ မေးလို့ ရတဲ့အရာကို ပုံပို့ပြီး မမေးနဲ့ — ငွေကုန်သက်သာအောင်

စိတ်ဝင်စားစရာကောင်းတာက လူ့ဦးနှောက်လည်း multimodal ပဲ။ ကိုယ်တို့က စာဖတ်ရင်း ပုံကြည့်ရင်း အသံနားထောင်ရင်း တစ်ပြိုင်နက် သင်ယူကြတယ်။ AI လည်း အခု လူတွေလို အာရုံငါးပါးနဲ့ သင်ယူတဲ့ လမ်းကို လျှောက်နေပြီ။ နောက်ထပ် နှစ်အနည်းငယ်အတွင်း “စာပဲ ဖတ်တတ်တဲ့ AI” ဆိုတာ ရှေးဟောင်းပစ္စည်း ဖြစ်သွားတော့မယ်။ 🙂