AI နည်းပညာ မွေးမြူရေးခြံနဲ့ သစ်တောများဆီသို့ - အတွေ့အကြုံပေါ်တင် ရပ်တည်နေတဲ့ လုပ်ငန်းတွေ ဒေတာနဲ့ စတင်စကားပြောတဲ့အခါ

နော်ဝေနိုင်ငံ ထရွန်ဟိုင်းမ် (Trondheim) ပင်လယ်ပြင်အပြင်ဘက်၊ ဆယ်လ်မွန်ငါး မွေးမြူရေး בכלင်တစ်ခုရဲ့ အောက်ခြေမှာ ကင်မရာတစ်လုံး ရေနစ်မြုပ်နေပါတယ်။ အဲဒါ စောင့်ကြည့်ကင်မရာ မဟုတ်ပါဘူး— သူက ငါးတွေ ဘယ်လောက်များပြီလဲဆိုတာ ရေတွက်နေတာဖြစ်ပြီး ငါးတစ်ကောင်ချင်းစီရဲ့ အလေးချိန်ကိုလည်း တစ်ခါတည်း တိုင်းတာနေတာ ဖြစ်ပါတယ်။

အဲဒီအချိန်မှာပဲ ဖင်လန်နိုင်ငံက လื่อยစက်ရုံတစ်ရုံဟာ သစ်တောစာရင်းဇယား အစီရင်ခံစာတစ်စောင်ကို ကြည့်ရှုနေပါတယ်။ အဲဒီအစီရင်ခံစာအတွက် ဘယ်သူမှ တောထဲကို လမ်းလျှောက်ဝင်သွားခဲ့ရတာ မဟုတ်ဘဲ အချက်အလက်အားလုံးဟာ ဂြိုလ်တုနဲ့ LiDAR (အလင်းတန်းအကွာအဝေးတိုင်းတာရေး) တို့ကနေ လာတာဖြစ်ပါတယ်။

အာဂျင်တီးနားမှာကျတော့ စနစ်တစ်ခုက သစ်တောဧရိယာတစ်ခုအတွက် သတိပေးချက်ကို အခုလေးတင် ထုတ်လွှင့်လိုက်ပါပြီ။ အဲဒီနေရာက မီးလောင်မှုဟာ လူတွေ မမြင်နိုင်သေးလောက်အောင်ကိုသေးငယ်ပါသေးတယ်။

ဒီအဖြစ်အပျက် သုံးခုဟာ တစ်ခုနဲ့တစ်ခု ဘာမှမဆိုင်သလို ထင်ရပေမယ့် တစ်ခုတည်းသော အချက်ကို ဖော်ပြနေပါတယ်- AI ဟာ "နည်းပညာဆန်ဆန်" အဖြစ်ဆုံးမဟုတ်တဲ့ လုပ်ငန်းနယ်ပယ်တွေထဲကို ဝင်ရောက်လာနေပြီဖြစ်ပြီး၊ လူတွေ တွေးထူထားတာထက် ပိုပြီး လက်တွေ့ကျတဲ့ ပုံစံနဲ့ ရောက်ရှိနေပါတယ်။

ဘာကြောင့် ဒီလုပ်ငန်းနယ်ပယ်တွေ ဖြစ်နေရတာလဲ

လွန်ခဲ့တဲ့ နှစ်နှစ်အတွင်း AI နဲ့ပတ်သက်တဲ့ ဆွေးနွေးချက်တွေဟာ ချတ်ဘော့၊ ပုံဖန်တီးတဲ့ AI နဲ့ ကုဒ်ရေးတဲ့ AI တွေနဲ့ပဲ လုံးဝ လွှမ်းမိုးခံထားရပါတယ်။ ဒါကလည်း ကျိုးကြောင်းဆီလျော်ပါတယ်— အဲဒီနယ်ပယ်တွေက ရုံးခန်းနဲ့ အနီးစပ်ဆုံးဖြစ်ပြီး လူတွေရှေ့မှာ ပြသရတာ အကောင်းဆုံးဖြစ်လို့ပါ။

ဒါပေမဲ့ တကယ်စိတ်ဝင်စားစရာကောင်းတဲ့ အပြောင်းအလဲကတော့ တခြားနေရာတွေမှာ ဖြစ်ပျက်နေတာပါ။ ငါးမွေးတာ၊ သစ်ပင်စိုက်တာ၊ မီးရှာတာ စတဲ့ ဒီလုပ်ငန်းတွေမှာ ဘုံလက္ခဏာအချို့ ရှိနေပါတယ်- အချက်အလက် စုဆောင်းရခက်ခဲခြင်း၊ ဆုံးဖြတ်ချက်ချရာတွင် ဝါရင့်ပညာရှင်တွေရဲ့ အတွေ့အကြုံအပေါ် မှီခိုရခြင်း၊ တစ်ကြိမ်မှားယောင်မိရုံနဲ့ ဆုံးရှုံးမှုကြီးမားခြင်း တို့ပဲ ဖြစ်ပါတယ်။ ဒါဟာ ကွန်ပျူတာ အမြင်အာရုံ (Computer Vision) နဲ့ အဝေးမှအချက်အလက်ရယူရေး (Telemetry) နည်းပညာတွေ အကောင်းဆုံး စွမ်းဆောင်ပြနိုင်တဲ့ ပေါင်းစပ်မှုတစ်ခု ဖြစ်လာပါတယ်။

ကျွန်တော့်အမြင်အရတော့ ဒီတစ်ကြိမ်လှိုင်းလုံးက AI လက်တွေ့အသုံးချမှုတွေရဲ့ ပင်မဇာတ်လမ်း ဖြစ်လာပါလိမ့်မယ်။

ငါးမွေးမြူရေး - "ရေပေါ်တင်ပြီး ချိန်တွက်ခြင်း" မှသည် "စဉ်ဆက်မပြတ် ကြည့်ရှုခြင်း" ဆီသို့

ရေနေသတ္တဝါ မွေးမြူရေးရဲ့ ရှေးအကျဆုံး ခက်ခဲတဲ့ ပြဿနာကတော့ - ကင်းလွတ်ကွက် (သို့) ကွန်တိန်နာထဲမှာ ငါး ဘယ်လောက်ရှိလဲ၊ တစ်ကောင်ချင်းစီက ဘယ်လောက်လေးလဲ ဆိုတာပါပဲ။

ရိုးရာနည်းလမ်းကတော့ နမူနာကောက်ယူခြင်းဖြစ်ပါတယ် - ငါးအချို့ကို ဖမ်းပြီး ချိန်ခွင်ပေါ်တင်ကာ ခန့်မှန်းခြေ ကောင်ရေနဲ့ မြှောက်ပါတယ်။ ဒီလုပ်နည်းက ငါးကိုလည်း ထိခိုက်စေပြီး (ဖမ်းဆီးမှုက စိတ်ဖိစီးမှုဖြစ်စေပါတယ်)၊ မတိကျပါဘူး (နမူနာကောက်ယူမှုမှာ သွေဖည်မှုအများကြီးရှိပါတယ်)၊ ပြီးတော့ မကြာခဏလည်း မလုပ်နိုင်ပါဘူး။ ဒါပေမဲ့ ဒီကိန်းဂဏန်းကနေပဲ အစာဘယ်လောက်ကျွေးရမယ်၊ ဘယ်အချိန်မှာ ရိတ်သိမ်းရမယ်၊ စာချုပ်ဘယ်လောက် ချုပ်ရမယ်ဆိုတာကို ဆုံးဖြတ်ပေးပါတယ်။

အခုတော့ နည်းလမ်းတွေ ပြောင်းလဲသွားပါပြီ။ နော်ဝေနိုင်ငံက OptoScale ဟာ ရေထဲကို ကင်မရာနှစ်မြှုပ်ပြီး ရုပ်ပုံတွေကနေတစ်ဆင့် တစ်ကောင်ချင်းရဲ့ အလေးချိန်နဲ့ တစ်ကွက်လုံးရဲ့ ဇီဝထုထည်ကို တိုက်ရိုက်ခန့်မှန်းပေးပါတယ်။ ဒါ့အပြင် ငါးသန်းကောင်ရေ၊ ရေကူးလှုပ်ရှားမှုနှုန်း၊ အသက်ရှူနှုန်းနဲ့ အစာစားတုံ့ပြန်မှုတွေကိုပါ တစ်ခါတည်း လိုက်လံစောင့်ကြည့်ပေးပါတယ်။ အချက်အလက်အားလုံးဟာ API ကနေတစ်ဆင့် ရှိပြီးသား မွေးမြူရေးဖาร์မ စီမံခန့်ခွဲမှုစနစ်ထဲကို ဝင်ရောက်သွားတာကြောင့် သီးသန့်စနစ်တစ်ခု ထပ်ဖွင့်စရာ မလိုပါဘူး။

ကနေဒါနိုင်ငံက ReelData ကတော့ ပိုပြီး အသေးစိတ်ကျကျ လုပ်ဆောင်ပြီး ကုန်းတွပိုင်း အပိတ်စနစ်ပါ ရေလှည့်မွေးမြူရေးကို အဓိက လုပ်ဆောင်ပါတယ်။ သူ့ရဲ့ AI Smart Feeding က ငါးအုပ်ရဲ့ အစာစားချင်စိတ်ကို ခွဲခြမ်းစိတ်ဖြာပေးပါတယ် - အစာကို အားတက်သရော စားနေရင် ပိုပေးပြီး နှေးသွားရင် ရပ်လိုက်ပါမယ်။ ဒါကြောင့် အစာကျွေးတာကို သတ်မှတ်ချိန်အပြည့်လုပ်ရတာကနေ တုံ့ပြန်မှုကိုကြည့်ပြီး ချက်ချင်း ဆုံးဖြတ်ချက်ချတဲ့ ပုံစံ ဖြစ်လာပါတယ်။ ထို့အပြင် ရောဂါကို စောစီးစွာသိရှိနိုင်ဖို့ ReelHealth နဲ့ စိတ်ဖိစီးမှုအရင်းအမြစ်ကို ရှာဖွေဖို့ အစာကျွေးခြင်းနဲ့ ရေအရည်အသွေး အချက်အလက်တွေကို ချိတ်ဆက်ပေးတဲ့ ReelStress တို့လည်း ရှိပါတယ်။

TidalX ကတော့ ပိုပြီး ထူးခြားတဲ့ နောက်ခံရှိပါတယ် - သူဟာ Alphabet ရဲ့ X Development ဓာတ်ခွဲခန်းရဲ့ အစပျိုးစီမံကိန်းကနေ ဆင်းသက်လာပြီး နောက်ပိုင်းမှာ သီးခြားကုမ္ပဏီတစ်ခု ဖြစ်လာခဲ့ပါတယ်။ မွေးမြူရေးကွက်လပ်တွေထဲမှာ ကိုယ်ပိုင် ရွေ့လျားနိုင်တဲ့ ရေအောက် ရိုဘော့ကင်မရာတွေနဲ့ လှည့်လည်စောင့်ကြည့်ပါတယ်။ ပုံသေကင်မရာက နေရာငယ်လေးကိုပဲ မြင်ရပေမယ့် ရွေ့လျားနိုင်တဲ့ကင်မရာက တစ်ကွက်လုံးကို လွှမ်းခြုံနိုင်တာကြောင့် နမူနာရဲ့ ကိုယ်စားပြုနိုင်စွမ်း အများကြီး ကွာခြားသွားပါတယ်။

ဒါ့အပြင် XpertSea ကလည်း ပိုပြီး သေးငယ်တဲ့ နာကျင်စရာအချက်တစ်ခုကနေ စတင်ခဲ့ပါတယ် - ပုဇွန်ဥ/ပုဇွန်ထုပ် ကလေးတွေကို ဘယ်လိုရေတွက်မလဲ ဆိုတာပါပဲ။ ရုပ်ပုံအခြေခံ ရေတွက်စနစ်က မွေးမြူရေးခြံတွေရဲ့ စာရင်းစစ်ဆေးမှုကို လူကိုယ်တိုင် နမူနာကောက်ယူခြင်းကနေ စစ်ဆေးအတည်ပြုနိုင်တဲ့ ကိန်းဂဏန်းတွေအဖြစ် ပြောင်းလဲပေးပါတယ်။

ဒီကဏ္ဍမှာ ထိုင်ဝမ်အတွက် အကြည့်သင့်ဆုံးကတော့ တကယ်တမ်းမှာ XpertSea ပါပဲ။

ထိုင်ဝမ်ရဲ့ ပုဇွန်ဖြူမွေးမြူရေးက စကေးအရ ကြီးမားလှတာ မဟုတ်ပေမဲ့ နည်းပညာပိုင်းမှာ အလွန်သိပ်သည်းပါတယ်။ မွေးမြူရေးခြံတွေမှာ "ပုဇွန်ကောင်ရေ တိကျရဲ့လား" ဆိုတဲ့ အငြင်းပွားမှုတွေ မကြာခဏ ဖြစ်ပွားတတ်ပါတယ်။ ဒီလိုကိရိယာမျိုးရဲ့ ပထမဆုံး တန်ဖိုးဟာ ထိရောက်မှုထက်ကို ဝယ်သူနဲ့ ရောင်းသူကြားက သံသယဖြစ်ဖွယ်ရာတွေကို နှစ်ဖက်စလုံး လက်ခံနိုင်တဲ့ ကိန်းဂဏန်းတစ်ခုအဖြစ် ပြောင်းလဲပေးနိုင်တာ ဖြစ်ပါတယ်။ ပြောရရင် ဒါဟာ ထုတ်လုပ်မှုထိရောက်မှုကိုတင်မကဘဲ လုပ်ငန်းရဲ့ ယုံကြည်မှုတည်ဆောက်ပုံကိုပါ ပြောင်းလဲပစ်တာ ဖြစ်ပါတယ်။

သစ်ပင်စိုက်ပျိုးခြင်း - တောထဲကို လမ်းလျှောက်ဝင်စရာ မလိုတော့သော သစ်တောစာရင်းဇယား

သစ်တောစာရင်းဇယားကောက်ယူခြင်းဆိုတာ သမားရိုးကျအရ လူတွေကို တောထဲလွှတ်ပြီး အပိုင်းလိုက် နမူနာကောက်ခိုင်းတာဖြစ်ပြီး ခရီးစဉ်တစ်ခုကို အနည်းဆုံး ပတ်ပေါင်းများစွာ ကြာမြင့်တတ်ပါတယ်။ တစ်နိုင်ငံလုံး အတိုင်းအတာနဲ့ စစ်တမ်းကောက်ယူမှုဆိုရင် နှစ်ပေါင်းများစွာ ကြာမှ တစ်ပတ်ပြီးမြောက်ပါတယ်။

ဖင်လန်နိုင်ငံက CollectiveCrunch ဟာ ဂြိုလ်တုနဲ့ LiDAR အချက်အလက်တွေကို AI နဲ့ ပေါင်းစပ်ပြီး ဒီလုပ်ငန်းစဉ်ကို နှစ်စဉ် အပ်ဒိတ်လုပ်နိုင်တဲ့ ပုံမှန်လုပ်ငန်းစဉ်တစ်ခုအဖြစ် ပြောင်းလဲလိုက်ပါတယ်။ သူ့ရဲ့ LINDA စီးရီးတွေဟာ အလွန် အသေးစိတ်ကွဲပြားပါတယ် - Inventory က ဧရိယာအကျယ်အဝန်းအတွက် သစ်သိုလှောင်မှုစာရင်းကောက်ယူခြင်း၊ Bark Beetle က ပိုးမွှားအန္တရာယ်ကို ထောက်လှမ်းခြင်း၊ Biodiversity က ဇီဝမျိုးစုံမျိုးကွဲအဆင့်ဆင့်ကို အကဲဖြတ်ခြင်း၊ Scout က သစ်တောမြေ ဝယ်ယူရာတွင် ပစ်မှတ်ကို အကဲဖြတ်ရန်၊ Storm Damage က ရုပ်ပုံတွေကနေ မုန်တိုင်းကြောင့် လဲကျသွားတဲ့ သစ်ပင်တွေကို ခွဲခြားသိရှိနိုင်ခြင်းတို့ ဖြစ်ပါတယ်။ တရားဝင် ထုတ်ပြန်ချက်အရ ခန့်မှန်းချက် တိကျမှုနှုန်းက 90% ခန့်ရှိပြီး ကွင်းဆင်းပြီး နမူနာကောက်ယူစရာ မလိုပါဘူး။ ဖောက်သည်တွေအနေနဲ့ ဖင်လန်ရဲ့ Metsä Group, Metsähallitus နဲ့ ဆွီဒင်ရဲ့ Sveaskog တို့ ပါဝင်ပါတယ်။

နောက်ထပ်ကုမ္ပဏီတစ်ခုဖြစ်တဲ့ Overstory ကတော့ လုံးဝ ကွဲပြားတဲ့ ရှုထောင့်ကနေ ဝင်ရောက်လာပါတယ် - သူက သစ်တောလုပ်ငန်းကို ဝန်ဆောင်မှုပေးတာ မဟုတ်ဘဲ လျှပ်စစ်ဓာတ်အားပေး ကုမ္ပဏီတွေကို ဝန်ဆောင်မှုပေးတာ ဖြစ်ပါတယ်။ လျှပ်စစ်ဝါယာကြိုးတွေအနီးက သစ်ပင်သစ်တောတွေကို ဂြိုလ်တုနဲ့ လေကြောင်းဓာတ်ပုံတွေ သုံးပြီး ခွဲခြမ်းစိတ်ဖြာကာ လျှပ်စစ်ကုမ္ပဏီတွေကို ဘယ်လိုင်းတန်းက အန္တရာယ်အရှိဆုံးလဲ၊ ဘယ်နေရာကို အရင်ပြုပြင်ရမလဲဆိုတာကို ညွှန်ပြပေးပါတယ်။ "သတ်မှတ်ရက်အလိုက် တစ်လိုင်းလုံးကို အကုန်ရှင်းလင်းခြင်း" ဆိုတာကို "အန္တရာယ်အဆင့်လိုက် အစီစဉ်ချခြင်း" နဲ့ အစားထိုးလိုက်ပါတယ်။ သူဟာ မြောက်အမေရိကရဲ့ ထိပ်တန်းလျှပ်စစ်ကုမ္ပဏီ ၁၀ ခုထဲက ၆ ခုကို ဝန်ဆောင်မှုပေးနေပြီး SAIDI မီးပျက်နှုန်း အညွှန်းကိန်းအပေါ် သက်ရောက်မှု ခွဲခြမ်းစိတ်ဖြာမှုကိုပါ ပံ့ပိုးပေးတာကြောင့် သစ်ပင်ကိုင်းခုတ်ထွင်မှု ဆုံးဖြတ်ချက်တွေကို မီးပျက်ချိန်နာရီတွေနဲ့ တိုက်ရိုက် ချိတ်ဆက်ပေးပါတယ်။

ထိုင်ဝမ်မှာ ကယ်လီဖိုးနီးယားလို တောမီးကြီးမျိုး မရှိပေမဲ့ နှစ်စဉ် မုန်တိုင်းနဲ့ မိုးသည်းထန်စွာရွာသွန်းမှုကြောင့် သစ်ပင်လဲကျပြီး မီးပျက်တာမျိုးကတော့ တကယ်ကို ခံစားနေရတဲ့ နာကျင်စရာ အချက်တစ်ခု ဖြစ်ပါတယ်။ လိုင်းတစ်လိုင်းလုံး အကုန်ရှင်းတာက အမျှတဆုံးဖြစ်သလို အဖြုန်းဆုံးလည်း ဖြစ်ပါတယ် - အကန့်အသတ်ရှိတဲ့ အလုပ်သမားအဖွဲ့တွေကို တကယ်အန္တရာယ်ရှိတဲ့ ကီလိုမီတာအနည်းငယ်ဆီကို စေလွှတ်ခြင်းကသာ အချက်အလက်တွေ လုပ်ဆောင်သင့်တဲ့ အရာဖြစ်ပါတယ်။

မီးရှာဖွေခြင်း - လူတွေ မတိုင်ကြားမီကတည်းက ကြိုတင်သိရှိခြင်း

တောမီးရဲ့ အကုန်အကျအများဆုံး ကုန်ကျစရိတ်က မီးငြှိမ်းသတ်ရတာ မဟုတ်ဘဲ အလွန်နောက်ကျမှ သိရှိရတာ ဖြစ်ပါတယ်။

အာဂျင်တီးနားနိုင်ငံက Satellites On Fire ဟာ ဂြိုလ်တုရဲ့ အပူချိန် မူမမှန်တဲ့ အချက်ပြမှုတွေကို အသုံးပြုပြီး အချိန်နှင့်တပြေးညီ မီးလောင်ရာနေရာကို ထောက်လှမ်းပေးပါတယ်။ အသုံးပြုသူတွေကိုယ်တိုင် မိမိတို့ စိတ်ဝင်စားတဲ့ ဒေသနယ်နိမိတ်ကို သတ်မှတ်ပြီး သတိပေးချက် လက်ခံရရှိစေနိုင်ပါတယ်။ ကုမ္ပဏီဟာ ၂၀၂၆ ခုနှစ် ဧပြီလမှာ အစဦးရန်ပုံငွေ (Seed Round) အမေရိကန်ဒေါ်လာ ၂.၇ သန်းကို အောင်မြင်စွာ ရရှိခဲ့ပြီး တရားဝင် ထုတ်ပြန်ချက်အရ နိုင်ငံပေါင်း ၂၁ နိုင်ငံ၊ အသုံးပြုသူ ၅၅,၀၀၀ ကျော်အထိ ဝန်ဆောင်မှုပေးနေပြီ ဖြစ်ပါတယ်။

ဒီကိစ္စက ထိုင်ဝမ်မှာ ဆွေးနွေးမှု အလွန်နည်းပါးပေမဲ့ တကယ်တမ်းမှာတော့ ဝင်ရောက်ဖို့ လွယ်ကူတဲ့ လမ်းကြောင်းရှိပါတယ်။ NASA ရဲ့ FIRMS စနစ်ကနေ နှစ်ပေါင်းများစွာတိုင်အောင် အခမဲ့ ဂြိုလ်တုမီးလောင်ရာ အချက်အလက်တွေကို ပံ့ပိုးပေးနေပြီး ဘယ်သူမဆို ဒေါင်းလုဒ်လုပ်နိုင်ပါတယ်။ ပြဿနာကတော့ - အဲဒါတွေက မပြုပြင်ရသေးတဲ့ မူလအချက်အလက်တွေ (Raw Data) ဖြစ်တာကြောင့် သင်ကိုယ်တိုင် စစ်ထုတ်ခြင်း၊ ဖတ်ရှုခြင်းနဲ့ အတိုင်းအတာ သတ်မှတ်ခြင်းတွေ လုပ်ရပါမယ်။ ဒီလို စီးပွားဖြစ် ဝန်ဆောင်မှုတွေ ရောင်းချပေးနေတာက ထောက်လှမ်းရေးနည်းပညာကို မဟုတ်ဘဲ "အချက်ပြမှုကို တစ်စုံတစ်ယောက် တကယ်မြင်ပြီး လက်တွေ့လုပ်ဆောင်လာစေမယ့် သတိပေးချက်အဖြစ် ပြောင်းလဲပေးခြင်း" ဖြစ်ပါတယ်။

ထိုင်ဝမ်ရဲ့ သင်္ချိုင်းကုန်း မီးလောင်မှု၊ အရှေ့ပိုင်း သစ်တောဧရိယာ မီးလောင်မှု၊ တောင်ပေါ်မီးလောင်မှုတွေမှာ သတင်းပေးပို့ခြင်းဟာ မျက်မြင်သက်သေတွေကို အဓိက မှီခိုနေဆဲ ဖြစ်ပါတယ်။ ဒီကြားထဲက ကွာဟချက်ကို နည်းပညာအရ ကြိုတင်ဖြည့်ဆည်းပြီးသား ဖြစ်ပါတယ်။

ထိုင်ဝမ်တွင် စတင်အသုံးပြုရာ၌ ကြုံတွေ့ရသည့် အဓိကအခက်အခဲ သုံးရပ်

ပထမအချက်၊ မျိုးစိတ်နဲ့ သစ်တောအမျိုးအစား မကိုက်ညီခြင်း။ ဒါက အခက်ခဲဆုံး အတားအဆီး ဖြစ်ပါတယ်။ ဒီစနစ်တွေအားလုံးရဲ့ မော်ဒယ်တွေကို နော်ဝေ ဆယ်လ်မွန်ငါးတွေ၊ အပ်ဖူးသစ်တောတွေနဲ့ လေ့ကျင့်သင်ကြားထားတာ ဖြစ်ပါတယ်။ ထိုင်ဝမ်ရဲ့ ကျောက်ငါး၊ ပုဇွန်ဖြူ၊ အပူပိုင်း/အပူပိုင်းဒေသ သစ်တောတွေနဲ့ အချက်အလက် ဖြန့်ဝေမှု လုံးဝ ကွာခြားနေပါတယ်။ ဒီအတိုင်း ယူလာပြီး သုံးလို့ မရပါဘူး။ ပါရာမီတာတွေကို ချိန်ညှိရုံနဲ့ မပြီးဘဲ ဒေသန္တရ အချက်အလက်တွေကို အစကနေ ပြန်လည် စုဆောင်းရမှာ ဖြစ်ပါတယ်။

ဒုတိယအချက်၊ စဉ်ဆက်မပြတ် အချက်အလက် စုဆောင်းမှသာ တန်ဖိုးရှိလာခြင်း။ ထိုင်ဝမ်ရဲ့ ဉာဏ်ရည်ထက်မြက်တဲ့ စိုက်ပျိုးရေး/ငါးမွေးမြူရေး စီမံကိန်းအများအပြားမှာ အာရုံခံကိရိယာတွေ တပ်ဆင်တာ၊ တစ်နှစ်ကြာ လည်ပတ်တာ၊ စီမံကိန်းပြီးဆုံးတာနဲ့ အချက်အလက်တွေ ပျံ့နှံ့သွားတာတွေကို ကျွန်တော် အများကြီး မြင်ဖူးပါတယ်။ ဒီလို နိုင်ငံတကာ စံနမူနာတွေရဲ့ တကယ့် ကျုံးမြောင်း လုံခြုံရေးက အယ်လဂိုရီသမ် မဟုတ်ဘဲ ဆယ်နှစ်စာ စဉ်ဆက်မပြတ် အချက်အလက်တွေ ဖြစ်ပါတယ်။ ထိုင်ဝမ်မှာ လိုအပ်နေတာ နည်းပညာ မဟုတ်ပါဘူး၊ အချက်အလက်တွေကို သုံးနှစ်ဆက်တိုက် စုဆောင်းလိုတဲ့ စိတ်ရှည်မှုနဲ့ စနစ် ဖြစ်ပါတယ်။

တတိယအချက်၊ စကေးက အမြတ်အစွန်းကို ဆုံးဖြတ်ခြင်း။ ဒီလိုစနစ်တွေရဲ့ အကျိုးအမြတ်က စကေးနဲ့ တိုက်ရိုက် ဆက်စပ်နေပါတယ်။ ငါးကန်ငယ်လေး တစ်ကန်က သက်သာသွားမယ့် အစာ