လွယ်လွယ်ပြောရရင် Self-Supervised Learning ဆိုတာ AI ကို ဆရာမပါဘဲ ကိုယ့်ဘာသာ သင်ယူခိုင်းတဲ့နည်းပါ။ ပုံတစ်ပုံချင်းစီကို “ဒါက ကြောင်၊ ဒါက ခွေး” လို့ လူက Label ကပ်ပေးစရာမလိုဘူး။ AI ကိုယ်တိုင်က Data ထဲက ပုံစံကို ရှာပြီး သင်ယူသွားတာပါ။
ကျွန်တော် ဒါကို ပထမဆုံး နားလည်သွားတာက စာမေးပွဲကျက်တဲ့ အတွေ့အကြုံနဲ့ ယှဉ်ကြည့်မိတော့မှ ဖြစ်တယ်။ ဆရာက အဖြေတွေ တစ်ခါတည်း ပေးထားရင် ကျောင်းသားက ကျက်ရုံပဲ ကျက်လိုက်တယ်။ ဒါပေမယ့် စာအုပ်ထဲက စာကြောင်းတစ်ကြောင်းမှာ စာလုံးတစ်လုံးကို ဖုံးထားပြီး “ဒီနေရာမှာ ဘာစာလုံးဖြစ်မလဲ ခန့်မှန်းကြည့်” လို့ ခိုင်းရင်၊ ကျောင်းသားက စာကြောင်းတစ်ခုလုံးရဲ့ အဓိပ္ပာယ်ကို တကယ်နားလည်မှ ဖြေနိုင်တယ်။ Self-Supervised Learning က အဲဒီဒုတိယနည်းနဲ့ အတူတူပဲ။
AI က ကိုယ့်ဘာသာ ဘယ်လို သင်ယူတာလဲ?
နည်းလမ်းက ရိုးရိုးလေးပါ။ Data ထဲက အစိတ်အပိုင်းတစ်ခုကို ဖုံးထားပြီး AI ကို ပြန်ခန့်မှန်းခိုင်းတာပါ။
စာသားမှာ စာလုံးတစ်လုံး ဖုံးထားပြီး ခန့်မှန်းခိုင်းတယ် — ဥပမာ “ကျွန်တော်က မနက်တိုင်း ကော်ဖီ ___ သောက်တယ်” ဆိုတဲ့ စာကြောင်းမှာ ကွက်လပ်ထဲ “တစ်ခွက်” လို့ ဖြည့်ရမယ်ဆိုတာ AI က စာကြောင်းရဲ့ အဓိပ္ပာယ်ကနေ သင်ယူသွားတယ်။ ဒါကို Masked Language Modeling လို့ ခေါ်ပြီး BERT တို့လို Model တွေက ဒီနည်းနဲ့ သင်ယူထားတာပါ။
ပုံတစ်ပုံရဲ့ အစိတ်အပိုင်းတစ်ခု ဖုံးထားပြီး ပြန်ဖြည့်ခိုင်းတယ် — ပုံရဲ့ တစ်ဝက်ပဲ မြင်ရပြီး ကျန်တာကို ခန့်မှန်းရတယ်။ ဒီလိုလုပ်ရင်း AI က ပုံထဲက အရာဝတ္ထုတွေရဲ့ ပုံသဏ္ဍာန်၊ အရောင်၊ အနေအထားတွေကို သင်ယူသွားတယ်။
နောက်တစ်ခုက ဘာလဲဆိုတော့ စာကြောင်းနှစ်ခုက ဆက်စပ်လား၊ မဆက်စပ်လား ခွဲခိုင်းတာပါ။ “မိုးရွာနေတယ်” ပြီးရင် “ထီးယူသွားတယ်” လာတာ သဘာဝကျတယ်၊ “ရေခဲမုန့် စားတယ်” လာတာက နည်းနည်း ထူးဆန်းတယ်ဆိုတာမျိုးပေါ့။ ဒါက Next Sentence Prediction လို့ ခေါ်တယ်။
ဒီနည်းတွေရဲ့ အဓိကအချက်က တစ်ခုတည်းပါ — အဖြေက Data ထဲမှာကိုက ရှိနေပြီးသား ဖြစ်တယ်။ လူက အဖြေကို ရိုက်ထည့်ပေးစရာမလိုဘူး။ AI က Data ကိုယ်တိုင်ကနေ အဖြေကို ထုတ်ယူနိုင်တယ်။ ဒါကြောင့် Internet ပေါ်က စာတွေ၊ ပုံတွေ၊ Video တွေ အများကြီးကို Label မကပ်ဘဲ အကုန် သင်ယူလို့ရတာပါ။
Label ကပ်တဲ့နည်းနဲ့ ဘာကွာလဲ?
အရင်က AI သင်ပေးတဲ့နည်း (Supervised Learning) က ဆရာတစ်ယောက်လို အရာရာကို လက်ညှိုးထိုးပြရတယ်။ ပုံ ၁၀၀၀၀ လုံးမှာ “ဒါကြောင်၊ ဒါကခွေး” လို့ တစ်ပုံချင်း Label ကပ်ရတယ်။ ပုံ ၁၀၀၀၀ ဆိုတာ လူတစ်ယောက်ကို ရက်ပေါင်းများစွာ ထိုင်လုပ်ခိုင်းရတဲ့ အလုပ်ပါ။ ကုန်ကျစရိတ်လည်း များတယ်၊ အချိန်လည်း ကြာတယ်။
Self-Supervised Learning ကတော့ အဲဒီအလုပ်ကို လုံးဝ မလိုတော့ဘူး။ Internet ပေါ်မှာ ရှိနေတဲ့ စာတွေ၊ ပုံတွေကို အတိုင်းယူပြီး AI ကိုယ်တိုင် အဖြေရှာခိုင်းလိုက်တယ်။ ဒါကြောင့် GPT, Claude လို Model ကြီးတွေက စာအုပ်သန်းပေါင်းများစွာ၊ Website ဘီလီယံချီနဲ့ သင်ယူနိုင်တာပါ။ Label ကပ်ဖို့ လူသန်းပေါင်းများစွာ လိုမယ်ဆိုရင် ဒီလို Model တွေ ဘယ်တော့မှ ဖြစ်လာမှာ မဟုတ်ဘူး။
ဒါပေမယ့် Self-Supervised Learning က အစပဲ ရှိသေးတယ်။ ဒီနည်းနဲ့ သင်ထားတဲ့ Model က အခြေခံဗဟုသုတတွေ၊ ဘာသာစကား ပုံစံတွေကို နားလည်သွားတယ်။ ပြီးတော့မှ လူက Label ပါတဲ့ Data အနည်းငယ်နဲ့ Fine-tuning လုပ်ပြီး ကိုယ့်အလုပ်အတွက် အသုံးဝင်တဲ့ AI ဖြစ်အောင် ချိန်ပေးရတယ်။ အခြေခံကို ကိုယ့်ဘာသာ သင်ယူပြီး၊ အသေးစိတ်ကိုတော့ ဆရာနဲ့ ချိန်ပေးတယ်လို့ ပြောလို့ရတယ်။
ကိုယ့်အတွက် ဘာအကျိုးရှိလဲ?
ဒါကို သိထားရင် AI က ဘာလို့ ဒီလောက်တော်နေတာလဲ ဆိုတာ ရှင်းသွားမယ်။
AI က စာတွေ အများကြီးဖတ်ထားတယ်ဆိုတာ Label ကပ်ထားလို့ မဟုတ်ဘူး — စာကိုယ်တိုင်ကနေ ပုံစံရှာပြီး သင်ထားလို့ပါ။ ဒါကြောင့် ဘာသာစကားအသစ်တွေ၊ အကြောင်းအရာအသစ်တွေနဲ့လည်း အလုပ်လုပ်နိုင်တယ်။
Myanmar လို Label ပါတဲ့ Data နည်းတဲ့ ဘာသာစကားတွေအတွက်လည်း ဒီနည်းက အရေးကြီးတယ်။ Myanmar စာတွေ အများကြီးကို Label မကပ်ဘဲ သင်ထားတဲ့ Model က Myanmar စာကို နားလည်လာနိုင်တယ်။ ပြီးမှ Label နည်းနည်းနဲ့ ချိန်ပေးရင် အသုံးဝင်လာတယ်။
AI ကို သုံးတဲ့အခါ သူက တကယ် “သိ” နေတာမဟုတ်ဘဲ Data ထဲက ပုံစံတွေကို ခန့်မှန်းနေတာဆိုတာ သတိရပါ။ ဒါကြောင့် တခါတလေ အဖြေက မှားတတ်တယ် — Hallucination ဖြစ်တတ်တာလည်း ဒီကနေပဲ လာတာပါ။
နောက်တစ်ခါ AI Model အသစ်ထွက်လာပြီး “Data အများကြီးနဲ့ သင်ထားတယ်” လို့ ကြားရင်၊ အဲဒီ Data တွေကို လူက တစ်ပုံချင်း Label ကပ်ပေးခဲ့တာ မဟုတ်ဘူးဆိုတာ သိသွားပြီ။ AI က ကိုယ့်ဘာသာ ပုံစံရှာပြီး သင်ယူခဲ့တာပါ။ ကျောင်းသားက စာအုပ်ကို ကိုယ်တိုင် ဖတ်ပြီး နားလည်သွားသလိုပေါ့။ 🙂
