နျူကလီးယားစက်ရုံတွေမှာတောင် AI သုံးနေပါပြီ - စွမ်းအင်လုပ်ငန်းများ AI အသုံးပြုမည့် လမ်းကြောင်းသုံးခုနှင့် မြန်မာနိုင်ငံအတွက် သင်ခန်းစာများ

ကျွနု်ပ်တို့၏ ယူလင် (Yunlin) လူကျွေ (Liuxiou) ရှိ ရေနံချက်စက်ရုံတစ်ခုတွင် အနှစ်နှစ်ဆယ်ကြာ တာဝန်ထမ်းဆောင်ခဲ့ဖူးသော ဖြစ်စဉ် အင်ဂျင်နီယာ (Process Engineer) တစ်ဦးက ကျွနု်ပ်အား ပြောပြဖူးသည့် စကားတစ်ခွန်းရှိပြီး ကျွနု်ပ် အမြဲတမ်း မှတ်သားထားမိပါသည်– "ကျွန်တော်တို့စက်ရုံမှာ ဆင်ဆာ (Sensor) တွေ အလွန်အမင်း ပေါများပါတယ်။ ဒါပေမဲ့ တကယ်တမ်း ဆုံးဖြတ်ချက်ချဖို့ သုံးဖြစ်တာကတော့ အဲဒီဇယားကွက် (Table) အနည်းငယ်ပါပဲ။"

နောက်ပိုင်းတွင် ဤစကားကို ဗြိတိသျှစတပ်ပုစ် (Startup) ကုမ္ပဏီတစ်ခုက ကိန်းဂဏန်းများဖြင့် ရှင်းပြခဲ့သည်။ Applied Computing ၏ အဆိုအရ ရေနံချက်စက်ရုံများနှင့် ရေနံဓာတုဗေဒစက်ရုံများသည် လုပ်ငန်းလည်ပတ်မှုဆိုင်ရာ ဆုံးဖြတ်ချက်များချမှတ်ရာတွင် အသုံးပြုနေသော အချက်အလက်ပမာဏမှာ ရရှိနိုင်သည့် အချက်အလက်အားလုံး၏ ၈% ပင် မပြည့်ပါဟု ဆိုသည်။

ကျန်ရှိနေသော ၉၂% ကရော ဘယ်ရောက်သွားသလဲ။ သမိုင်းဝင် အချက်အလက်ဘဏ်တိုက် (Data History Database) ထဲတွင်သာ လဲလျောင်းနေပြီး မည်သူမျှ ကြည့်ရန် အချိန်မရှိကြပေ။

စွမ်းအင်လုပ်ငန်းကဏ္ဍတွင် အဘယ်ကြောင့် အထူးတလည် ခက်ခဲရသနည်း

စွမ်းအင်နှင့် အများပြည်သူသုံး ဝန်ဆောင်မှုလုပ်ငန်းများတွင် AI ကို အကောင်အထည်ဖော်ရသည့် အခက်အခဲသည် သာမန်စီးပွားရေးလုပ်ငန်းများနှင့် လုံးဝမတူညီသော အဆင့်အတန်းတွင် ရှိနေသည်။ အကြောင်းရင်း သုံးရပ်ရှိပါသည်။

တင်းကြပ်လွန်းသော စည်းမျဉ်းစည်းကမ်းများ။ နျူကလီးယားစက်ရုံတစ်ခု၏ စာရွက်စာတမ်းတိုင်းသည် စာရင်းစစ်ဆေးခြင်း (Audit) ကို ခံရနိုင်ပြီး ဆုံးဖြတ်ချက်တိုင်းသည် ခြေရာခံနိုင်ရပါမည်။ "AI မော်ဒယ်က ပြောလို့ပါ" ဆိုသည့် အကြောင်းပြချက်ကို လက်မခံနိုင်ပါ။

မှားယွင်းမှုအတွက် ပေးဆပ်ရမည့် တန်ဖိုး ကြီးမားလွန်းခြင်း။ အီးကောမတ်စ် (E-commerce) ပလက်ဖောင်းတစ်ခုက ကုန်ပစ္စည်း အကြံပြုချက် မှားသွားလျှင် ဆုံးရှုံးရသည်မှာ အော်ဒါတစ်ခုစာသာ ဖြစ်သည်။ ရေနံချက်စက်ရုံတစ်ခု၏ လည်ပတ်မှုဆိုင်ရာ ပါရာမီတာ (Parameter) တစ်ခု လွဲမှားသွားပါက မီးဖိုရပ်တန့်သွားခြင်း သို့မဟုတ် ဘေးအန္တရာယ်ဆိုင်ရာ မတော်တဆမှုတစ်ခု ဖြစ်သွားနိုင်ပါသည်။

အင်ဂျင်နီယာများက Black Box (အနုမာနစနစ်) ကို မယုံကြည်ခြင်း။ ဤအချက်သည် အရေးအကြီးဆုံးဖြစ်သော်လည်း ဆွေးနွေးမှု အနည်းဆုံးဖြစ်သည်။ အင်ဂျင်နီယာ ကျွမ်းကျင်သူတစ်ဦးအား "အပူချိန်ကို ၅ ဒီဂရီ မြှင့်တင်သင့်ကြောင်း" ဖော်ပြနေသည့် AI ၏ အကြံပြုချက်မျက်နှာပြင်ကို ပြလိုက်ပါက သူ၏ ပထမဆုံး မေးခွန်းမှာ "ဘာကြောင့်လဲ" ဆိုသည် ဖြစ်လိမ့်မည်။ အဖြေမပေးနိုင်ပါက ဤစနစ်သည် အလှဆင်သက်သက်သာ ဖြစ်သွားပါလိမ့်မည်။

ဤမျှတဝက်တဝက် ခက်ခဲနေခြင်းကြောင့်ပင် စွမ်းအင်ကဏ္ဍ၏ AI လက်တွေ့အသုံးချမှု (Use Cases) များကို အထူးတလည် လေ့လာသင့်ပေသည်——ဤနေရာ၏ စစ်ဆေးမှုကို ကျော်ဖြတ်နိုင်ခြင်းသည် အကြမ်းတမ်းဆုံးသော ဖိအားစမ်းသပ်မှု (Stress Test) ကို ကျော်ဖြတ်နိုင်ခြင်းနှင့် အတူတူပင် ဖြစ်ပါသည်။

လမ်းကြောင်း ၁ - စာရွက်စာတမ်းများကိုသာ ဦးစွာလုပ်ဆောင်ပြီး စက်ယန္တရား ထိန်းချုပ်မှုကို မထိတွေ့ခြင်း

လက်တွေ့အကျဆုံးသော စတင်သည့်နေရာမှာ "အရေးကြီးသော်လည်း ပေါက်ကွဲမသွားနိုင်သော" လုပ်ငန်းဆောင်တာများ ဖြစ်ပါသည်။

Nuclearn သည် ဤလမ်းကြောင်းကို ကိုယ်စားပြုပါသည်။ ၎င်းလုပ်ဆောင်နေသည်မှာ နျူကလီးယားစက်ရုံများ၏ စာရွက်စာတမ်းနှင့် လုပ်ငန်းစဉ်အလိုအလျောက်စနစ် (Workflow Automation) ဖြစ်သည်— အခြေအနေဆိုင်ရာ အစီရင်ခံစာများ (Condition Reports) ကို အလိုအလျောက် အမျိုးအစားခွဲခြားခြင်းနှင့် စစ်ထုတ်ခြင်း၊ စက်ကိရိယာနှင့် အစိတ်အပိုင်းဆိုင်ရာ အချက်အလက်များကို ရှာဖွေခြင်း၊ အင်ဂျင်နီယာဆိုင်ရာ စာရွက်စာတမ်းများ ရှာဖွေမေးမြန်းခြင်းတို့ ဖြစ်သည်။ ထုတ်ကုန်လိုင်းများကို လက်တွေ့ဌာနအလိုက် ခွဲခြားထားပါသည် - Equipment AI, Parts AI, Engineering AI, Performance Improvement AI နှင့် AtomAssist ဟုခေါ်သော နျူကလီးယားစွမ်းအင်ဆိုင်ရာ အထူး AI ချတ်ဘော့ (Chatbot) တစ်ခုလည်း ပါဝင်ပါသည်။

၎င်း၏ တောင်းဆိုချက်မှာ ရိုးရှင်းလှသည် - "ပိုမိုမြန်ဆန်သော လုပ်ဆောင်ချက်၊ စုပုံနေမှု နည်းပါးခြင်း၊ အန္တရာယ် ပိုမိုနည်းပါးခြင်း" တို့ ဖြစ်သည်။ အဆိုပါ ကုမ္ပဏီသည် မြောက်အမေရိကနှင့် ဗြိတိန်ရှိ နျူကလီးယားစက်ရုံပေါင်း ၇၀ ကျော်ကို ဝန်ဆောင်မှုပေးနေပြီး တည်ထောင်သူအဖွဲ့မှာ Palo Verde နျူကလီးယားစက်ရုံစသည့် အဖွဲ့အစည်းများမှ လာကြခြင်း ဖြစ်သည်။

၎င်းသည် မည်သည့်အရာများကို တမင်တကာ ရှောင်ရှားသည်ကို သတိပြုပါ - စက်ယန္တရား ထိန်းချုပ်မှုများနှင့် ဘေးကင်းရေးဆိုင်ရာ ဆုံးဖြတ်ချက်များကို လုံးဝ မထိတွေ့ပါ။ AI ၏ ထွက်လာသမျှ ရទ្ធိဒ်များကို လူသားများထံသို့သာ ပေးအပ်ပြီး လူသားများကသာ ဆုံးဖြတ်ချက်ချပါသည်။ ဤကဲ့သို့ မိမိကိုယ်ကို ကန့်သတ်ထားခြင်းမှာ ရှေးရိုးစွဲခြင်းကြောင့် မဟုတ်ဘဲ ၎င်းကို လက်ခံအသုံးပြုနိုင်စေရန်အတွက် တစ်ခုတည်းသော နည်းလမ်းဖြစ်သောကြောင့် ဖြစ်သည်။

နျူကလီးယားစက်ရုံများသည် ကမ္ဘာပေါ်တွင် စာရွက်စာတမ်းအများဆုံးရှိသော လုပ်ငန်းကဏ္ဍများထဲမှ တစ်ခုဖြစ်ပြီး ပုံမှန်မဟုတ်သော အခြေအနေတိုင်းအတွက် အခြေအနေဆိုင်ရာ အစီရင်ခံစာများ ဖွင့်လှစ်ရကာ တစ်စောင်ချင်းစီကို လူကိုယ်တိုင် အမျိုးအစားခွဲခြားပြီး စစ်ထုတ်နေရသည်။ ဤကဲ့သို့သော "ပမာဏများခြင်း၊ စည်းမျဉ်းရှင်းလင်းခြင်း၊ သို့သော် အင်ဂျင်နီယာများ၏ အချိန်များစွာကို ယူဆနေခြင်း" တို့သည် AI အတွက် အကောင်းဆုံး ပစ်မှတ်နေရာ (Sweet Spot) ပင် ဖြစ်ပါသည်။

လမ်းကြောင်း ၂ - ရူပဗေဒကို အစောင့်အကြပ်အဖြစ် အသုံးပြုခြင်း

ဒုတိယလမ်းကြောင်းမှာ ပိုမိုနည်းပညာဆန်ပြီး ပိုမိုထက်မြက်ပါသည်။

Applied Computing ၏ Orbital ထုတ်ကုန်တွင် မော်ဒယ်သုံးခုကို ထပ်ဆင့်ပေါင်းစပ်ထားပါသည်။ အချိန်စီးရင်း မော်ဒယ် (Time-series Model) သည် ထိန်းချုပ်ရေးစနစ်နှင့် သမိုင်းဝင် အချက်အလက်ဘဏ်တိုက်တို့နှင့် ချိတ်ဆက်ကာ လမ်းကြောင်းများကို ခန့်မှန်းပေးပြီး ပုံမှန်မဟုတ်သည့် အခြေအနေများကို ထောက်လှမ်းပေးသည်။ ဘာသာစကား မော်ဒယ် (Language Model) ကိုမူ ဓာတုအင်ဂျင်နီယာဆိုင်ရာ အသိပညာများဖြင့် လေ့ကျင့်ပေးထားပြီး စက်ရုံအတွင်းရှိ စာရွက်စာတမ်းများကို ဘာသာပြန်ဆိုကာ လုပ်ဆောင်ချက်ဆိုင်ရာ အကြံပြုချက်များကို တင်ပြပေးနိုင်ပါသည်။

အလယ်အလွှာကတော့ အဓိကသော့ချက် ဖြစ်ပါသည် - ရူပဗေဒ မော်ဒယ် (Physics Model) က တာဝန်ယူ စစ်ဆေးပေးပြီး ခန့်မှန်းချက်ရလဒ်များသည် ထုထည်လက်ကျန် (Mass Balance)၊ စွမ်းအင်တည်မြဲမှု (Energy Conservation) နှင့် ဓာတ်ပြုမှု ဒိုင်းနမစ် (Reaction Kinetics) တို့နှင့် ကိုက်ညီမှုရှိစေရန် အာမခံပေးပါသည်။

ဤဒီဇိုင်းသည် ယခင်က ဖော်ပြခဲ့သော ယုံကြည်မှုဆိုင်ရာ ပြဿနာကို တိုက်ရိုက် ဖြေရှင်းပေးနိုင်ခဲ့သည်။ သီးသန့် အချက်အလက်အပေါ် အခြေခံသည့် မော်ဒယ်သည် ကိန်းဂဏန်းအရ ကျိုးကြောင်းဆီလျော်ပုံပေါ်သော်လည်း ရူပဗေဒအရ လုံးဝ မဖြစ်နိုင်သော အကြံပြုချက်များကို ပေးအပ်လာနိုင်ပါသည်။ အင်ဂျင်နီယာတစ်ဦးသည် ဤကဲ့သို့သော ရလဒ်မျိုးကို တစ်ကြိမ်မြင်ဖူးရုံဖြင့် ဤစနစ်သည် သူ၏စိတ်ထဲတွင် သေဆုံးသွားပြီ ဖြစ်သည်။

ရူပဗေဒဆိုင်ရာ ကန့်သတ်ချက်များ (Physics Constraints) ကို ထည့်သွင်းလိုက်ခြင်းဖြင့် AI ၏ အကြံပြုချက်များသည် အနည်းဆုံးအားဖြင့် ရူပဗေဒအရ ဖြစ်နိုင်ချေရှိသော နယ်ပယ်အတွင်း၌သာ ကျရောက်နေမည်ဖြစ်ပြီး အင်ဂျင်နီယာများအနေဖြင့် "ဤအကြံပြုချက်သည် ကျိုးကြောင်းဆီလျော်မှု ရှိ မရှိ" ကို ကိုယ်တိုင် စစ်ဆေးအတည်ပြုနိုင်မည် ဖြစ်သည်။ ဤအချက်သည်ပင် လက်ခံအသုံးပြုနိုင်ခြင်း မရှိခြင်းကို ခွဲခြားပေးမည့် နယ်နိမိတ် ဖြစ်ပါသည်။

ကုမ္ပဏီ၏ ရုံးချုပ်သည် လန်ဒန်တွင် တည်ရှိပြီး အဝေးရောက်လုပ်ကိုင်ခြင်း (Remote-first) ကို ဦးစားပေးသည်။ တည်ထောင်သူမှာ Imperial College London ၏ ဘွဲ့ရတစ်ဦးဖြစ်ပြီး Shell ၏ AI ပရောဂျက်ဟောင်း အကြီးအကဲ Dan Jeavons က ဥက္ကဋ္ဌအဖြစ် တာဝန်ယူထားကာ ပေါင် ၉ သန်းဖြင့် မျိုးစေ့ရန်ပုံငွေ (Seed Funding) ကို ရရှိပြီး ဖြစ်သည်။ Shell ၏ လက်တွေ့လုပ်ကိုင်ဖူးသည့် နောက်ခံသမိုင်းရှိခြင်းသည် ဤလုပ်ငန်းကဏ္ဍတွင် ကိုယ်တိုင်ကပင် ဝင်ခွင့်လက်မှတ်တစ်ခု ဖြစ်နေပါတော့သည်။

လမ်းကြောင်း ၃ - "တည်ဆောက်၍မရခြင်း" ပြဿနာကို ဖြေရှင်းခြင်း

တတိယလမ်းကြောင်းကတော့ ပိုမိုဝေးလံသော ခြေလှမ်းကို လှမ်းလိုက်ခြင်း ဖြစ်သည်။

Everstar သည် ရှိပြီးသား ဓာတ်အားပေးစက်ရုံများ၏ လည်ပတ်မှုကို ပစ်မှတ်ထားခြင်း မဟုတ်ဘဲ အသစ်တည်ဆောက်မည့် နျူကလီးယားစက်ရုံများကို တည်ဆောက်၍မရသည့် ပြဿနာကို ပစ်မှတ်ထားခြင်း ဖြစ်ပါသည်။ ၎င်း၏ Gordian သည် နျူကလီးယားလုပ်ငန်းများအတွက် AI ပလက်ဖောင်းတစ်ခုဖြစ်ပြီး အင်ဂျင်နီယာ၊ စည်းမျဉ်းခွင့်ပြုချက်၊ အသိအမှတ်ပြုလက်မှတ်နှင့် ဝန်ထမ်းလေ့ကျင့်ရေးတို့ကို လွှမ်းခြုံထားသည်။ Titan မှာမူ အတိုင်းအတာကြီးမားသော ထုတ်လုပ်မှုစနစ်ဖြစ်ပြီး ကုမ္ပဏီက "၂၀၅၀ ပြည့်နှစ် မတိုင်မီ အမေရိကန်တွင် 400 GW တည်ဆောက်မည်" ဟူသော ရည်မှန်းချက်ကို ချမှတ်ထားသည်။

၎င်း ဝင်ရောက်လုပ်ကိုင်နေသည့် ကွင်းဆက်ခြောက်ခုမှာ - အင်ဂျင်နီယာနှင့် စည်းမျဉ်းခွင့်ပြုချက်၊ ပေးသွင်းသူ အသိအမှတ်ပြုလက်မှတ်၊ လူ့စွမ်းအားအရင်းအမြစ် ပြုစုပျိုးထောင်ရေး၊ ထုတ်လုပ်မှု အရည်အသွေးထိန်းချုပ်မှု၊ တည်ဆောက်ရေး စွမ်းဆောင်ရည်နှင့် စက်ရုံ၏ ကိုယ်ပိုင်လည်ပတ်မှုတို့ ဖြစ်ကြသည်။ တရားဝင် တည်နေရာသတ်မှတ်ချက်မှာ "နျူကလီးယားစွမ်းအင်ကို စာရွက်ပေါ်မှ သံမဏိထံသို့ ရွှေ့ပြောင်းပေးခြင်း" ဖြစ်သည်။

ဤနေရာတွင် ရှင်းလင်းစွာ ပြောပြရမည့် အချက်တစ်ချက် ရှိပါသည် - AI က အမြန်နှုန်းမြှင့်တင်ပေးနိုင်သည်မှာ စာရွက်စာတမ်း ပြင်ဆင်ခြင်း၊ အချက်အလက် ရှာဖွေခြင်းနှင့် ကိုက်ညီမှု ရှိမရှိ စစ်ဆေးခြင်း စသည့် အလုပ်ချိန် အများအပြား ယူဆနေသည့် ကဏ္ဍများတွင်သာ ဖြစ်ပြီး ကြီးကြပ်ကွပ်ကဲရေး အာဏာပိုင်များ၏ စစ်ဆေးမှု ကိုယ်တိုင်ကမူ အချိန်ယူရဆဲ ဖြစ်ပါသည်။ ကျိုးကြောင်းဆီလျော်စွာ နားလည်ရမည်မှာ "တင်ပြရန် စောင့်ဆိုင်းချိန်" ကို လျှော့ချခြင်းသာဖြစ်ပြီး "စည်းမျဉ်းစစ်ဆေးခြင်း" ကို လျှော့ချခြင်း မဟုတ်ပါ။

သို့သော်လည်း ဤကုမ္ပဏီ တည်ရှိနေခြင်း ကိုယ်တိုင်က အချက်တစ်ချက်ကို ဖော်ပြနေပါသည်——နျူကလီးယား ပြန်လည်ရှင်သန်လာမှု၏ စစ်မှန်သော ရပ်တန့်နေသည့်နေရာ (Bottleneck) သည် အကောင်အထည်ဖော်သည့်ဘက်တွင် ရှိနေပြီး နည်းပညာဘက်တွင် မဟုတ်ပါ။ မတည်ဆောက်တတ်၍ မဟုတ်ဘဲ လုပ်ထုံးလုပ်နည်း၊ ထောက်ပံ့ရေးကွင်းဆက် (Supply Chain) နှင့် အရည်အချင်းရှိသူများ ပြတ်တောက်သွားကြသောကြောင့် ဖြစ်သည်။

ပြောရရင် Overstory လည်း ဤအမျိုးအစားကြီးထဲတွင် ပါဝင်ပါသည်— ၎င်းသည် ဂြိုဟ်တုဓာတ်ပုံများကို အသုံးပြု၍ လျှပ်စစ်ဓာတ်အားလိုင်းများအနီးရှိ သစ်ပင်ပန်းမန်များ၏ အန္တရာယ်ကို ပုံဖော်ဆန်းစစ်ပေးပြီး မြောက်အမေရိက၏ ထိပ်တန်းလျှပ်စစ်ဓာတ်အားကုမ္ပဏီ ၁၀ ခုအနက် ၆ ခုကို ဝန်ဆောင်မှုပေးနေကာ လျှပ်စစ်ကုမ္ပဏီများ၏ သစ်ပင်ကိုင်းဖြတ်စရိတ်ကို "သတ်မှတ်ကာလအလိုက်" မှ "အန္တရာယ်အလိုက်" သို့ ပြောင်းလဲပေးခဲ့ပါသည်။

---

ဈေးကွက်အပေါ် သက်ရောက်မှု ဆန်းစစ်ချက်

ထိုင်ဝန် (Taiwan) အသုံးပြုသူများအတွက်

သာမန်လူများအနေဖြင့် ဤတူးလ်များကို တိုက်ရိုက် အသုံးမပြုရသော်လည်း သက်ရောက်မှုမှာ သွယ်ဝိုက်သော်လည်း စစ်မှန်လှပါသည် - မီးပျက်မှု နည်းပါးခြင်း၊ လျှပ်စစ်မီးခ၊ ပိုမိုတည်ငြိမ်ခြင်း၊ လုပ်ငန်းခွင်ဘေးအန္တရာယ် မတော်တဆမှုများ လျော့နည်းခြင်းတို့ ဖြစ်သည်။ Overstory ၏ သစ်ပင်ပန်းမန် အန္တရာယ် စီမံခန့်ခွဲမှုကဲ့သို့ပင် ထိုင်ဝန်၏ နှစ်စဉ် တိုင်ဖွန်းမုန်တိုင်းရာသီ သစ်ပင်လဲကျပြီး မီးပျက်ခြင်း ပြဿနာသည်လည်း တူညီသော ခေါင်းစဉ်တစ်ခုပင် ဖြစ်ပါသည်။

ထိုင်ဝန် စီးပွားရေးလုပ်ငန်းများအတွက်

ဤအပိုင်းသည် အဓိကအချက် ဖြစ်ပါသည်။ ထိုင်ဝန်၏ ရေနံဓာတုဗေဒ (CPC, Formosa Plastics Group စနစ်)၊ လျှပ်စစ်ဓာတ်အား (Taipower)၊ ဆီမီးကွန်ဒတ်စက်ရုံ စက်ရုံဝန်ဆောင်မှု (Fab Facilities) အားလုံးသည် ဤကဲ့သို့သော နည်းပညာများ၏ ပုံစံခွက် စံနမူနာနေရာများ ဖြစ်ကြသည်—— စက်ကိရိယာများ ဟောင်းနွမ်းနေခြင်း၊ အချက်အလက်များ များပြားခြင်း၊ အတွေ့အကြုံ အသိပညာများသည် အကြီးအကဲ အင်ဂျင်နီယာများထံတွင်သာ ချည်နှောင်ခံထားရပြီး ထိုအင်ဂျင်နီယာအုပ်စုမှာလည်း အနားယူတော့မည့်အချိန် ရောက်ရှိနေပြီ ဖြစ်သည်။

သို့သော် ကျွနု်ပ် ရိုးရိုးသားသား ပြောလိုသည်မှာ-- ထိုင်ဝန်ရှိ ထုတ်လုပ်သူအများစုသည် မော်ဒယ်ကြောင့် မဟုတ်ဘဲ အချက်အလက် (Data) ကြောင့်သာ ပိတ်မိနေကြပါလိမ့်မည်။ ထိန်းချုပ်ရေးစနစ်၏ သမိုင်းဝင် အချက်အလက်များသည် အပြည့်အစုံ သိမ်းဆည်းထားပြီးပြီလား။ စက်ရုံအသီးသီးမှ အမှတ်အသား ဖော်မတ်များ (Tag Formats) သည် တစ်သမတ်တည်း ရှိကြပါသလား။ စနစ်အချင်းချင်း ကူးလူးဆက်ဆံနိုင်ပါသလား။ ဤမေးခွန်း သုံးခုကို မဖြေနိုင်ပါက မည်သည့်စနစ်ကို ဝယ်ယူသည်ဖြစ်စေ အလကားပါပဲ။

အကြံပြုလိုသည့် အစီအစဉ်မှာ - အချက်အလက်များကို ဦးစွာ စာရင်းပြုစုပါ (Data Inventory) → စာရွက်စာတမ်း အလိုအလျောက်