'ဒေတာ စက်ရုံပြင်ပ မထွက်ရ' သည် မြန်မာ့ထုတ်လုပ်ရေးလုပ်ငန်း AI ကျင့်သုံးရာတွင် ပထမဆုံးအတားအဆီး၊ edge AI က ဤအတားအဆီးကို ဖျက်ဆီးနေပြီ

မန္တလေးရှိ ကားပုံသွင်း (mould) ထုတ်လုပ်သည့် လုပ်ငန်းတစ်ခုသည် မနှစ်က AI ကို အကဲဖြတ်ခဲ့သည်။

လုပ်ငန်းစဉ်က ပုံမှန်ပင်- consultant ရှာ၊ demo ကြည့်၊ ကောင်းသည်ဟု ခံစားရ။ ပိတ်ဆို့သွားသည်မှာ ဥပဒေရေးရာ (legal) က စာချုပ်ကြည့်သည့်အခါဖြစ်သည်။ သူတို့သည် ဂျပန်ကားထုတ်လုပ်သူတစ်ခုအတွက် OEM လုပ်ငန်းလုပ်ကိုင်ပြီး၊ စာချုပ်ထဲတွင် ရှင်းရှင်းလင်းလင်း ရေးထားသည့် စည်းကမ်းချက်တစ်ခုရှိသည်—ဒီဇိုင်းဖိုင်များနှင့် process parameter အားလုံးကို တတိယအဖွဲ့ server သို့ ပေးပို့ခြင်း မပြုရ။

'ဒါဆို ကျွန်တော်တို့ AI သုံး process ဒေတာ ခွဲခြမ်းစိတ်ဖြာတာက တတိယအဖွဲ့ကို ပေးပို့ရာ ရောက်သလား။'

ဥပဒေရေးရာ၏ အဖြေက- 'မရောက်ဘူးလို့ လက်မှတ်ထိုး အာမခံခိုင်းမှာလား။'

ကိစ္စက ထိုနေရာတွင် ရပ်တန့်သွားသည်။ ဤသည် ထူးခြားမှုမဟုတ်၊ မြန်မာ့ထုတ်လုပ်ရေးလုပ်ငန်း AI ကျင့်သုံးရာတွင် အဖြစ်များဆုံး သေဆုံးပုံဖြစ်ပြီး၊ မည်သည့် digital transformation report ထဲတွင်မျှ ဘယ်တော့မှ မပေါ်။

ဤပြဿနာသည် မြန်မာသီးသန့်မဟုတ်၊ စစ်ဘက်က ကြာမြင့်စွာကတည်းက ကြုံခဲ့သည်

စိတ်ဝင်စားဖွယ်မှာ 'ဒေတာ ပြင်ပ မထွက်ရ' ဆိုသည့်ပြဿနာကို အစောဆုံး အလေးအနက်ကိုင်တွယ်သူသည် ထုတ်လုပ်ရေးလုပ်ငန်းမဟုတ်ဘဲ စစ်ဘက်ဖြစ်သည်။

ရှေ့တန်းတွင် network မရှိ။ ရေငုပ်သင်္ဘောတွင် network မရှိ။ ရှိသည်ဆိုလျှင်ပင် electromagnetic ပတ်ဝန်းကျင် မဖော်ရွေသည့်နေရာတွင် သုံးဝံ့မည်မဟုတ်။ စစ်ဘက်၏ AI လိုအပ်ချက်သည် လုပ်ငန်းများထက် မနည်း—ထောက်ပံ့ရေးရှာဖွေမှု၊ ကိရိယာပြုပြင်မှု၊ မူဝါဒဥပဒေ၊ လေ့ကျင့်ရေးသင်ခန်းစာ၊ ဤအားလုံးသည် ပုံမှန်စာရွက်စာတမ်းသိပ်သည်းသည့် အလုပ်များဖြစ်သည်။

EdgeRunner AI သည် ဤအခြေခံအတွက် မွေးဖွားလာသည့် ကုမ္ပဏီဖြစ်သည်။ ၎င်းလုပ်သည်မှာ edge၊ နယ်ပယ်သီးသန့် generative AI assistant ဖြစ်ပြီး၊ local တွင် လုံးဝ အလုပ်လုပ်ကာ network သို့မဟုတ် cloud ချိတ်ဆက်မှု မလို။ ဦးဆောင် case ဖြစ်သည့် EdgeRunner-Camo သည် အမေရိကန်ကြည်းတပ် AI ပေါင်းစည်းရေးဌာနနှင့် ပူးတွဲတီထွင်ခဲ့သည့် စစ်ဘက်သုံး LLM ဖြစ်ပြီး၊ တရားဝင်ဝဘ်ဆိုဒ်တွင် ဝန်ထမ်း၊ ထောက်ပံ့ရေး၊ လေ့ကျင့်ရေး၊ မူဝါဒ၊ လက်နက်နှင့် နည်းဗျူဟာနယ်ပယ်များတွင် error rate ကို ၃၇% လျှော့ချနိုင်သည်ဟု ကြေညာသည်။

သို့သော် မြန်မာစာဖတ်သူများ တကယ်သတိထားသင့်သည်မှာ ၎င်းဖော်ပြထားသည့် ပစ်မှတ်စက်မှုလုပ်ငန်းများဖြစ်သည်- ကာကွယ်ရေးအပြင် ထုတ်လုပ်ရေး၊ သယ်ယူပို့ဆောင်ရေး၊ ရေနံနှင့်သဘာဝဓာတ်ငွေ့၊ ကျန်းမာရေးနှင့် ဘဏ္ဍာရေးဝန်ဆောင်မှုများ။

ဤစက်မှုလုပ်ငန်းများ cloud LLM ကို သုံးဝံ့ခြင်းမရှိသည့်အကြောင်းရင်းသည် စစ်ဘက်နှင့် အတိအကျတူ၊ 'compliance' နှင့် 'ကုန်သွယ်မှုလျှို့ဝှက်ချက်' ဟု အမည်ပြောင်းထားရုံသာ ဖြစ်သည်။

edge AI ယခု ဘယ်အဆင့်အထိ လုပ်နိုင်သနည်း

နိဂုံးကို အရင်ပြောပါမည်- လူအများ ထင်သည်ထက် ကောင်းသည်၊ သို့သော် အစွမ်းထက်လုံးဝ မဟုတ်။

စွမ်းရည်ကွာဟမှုသည် အမှန်ဖြစ်သည်။ edge model ၏ parameter အရွယ်အစားသည် device memory ကြောင့် ကန့်သတ်ခံရ၍ ယေဘုယျစွမ်းရည်သည် cloud frontier model ကို မမီ။ ၎င်းသည် ChatGPT ကဲ့သို့ ဘာမဆို စကားပြောနိုင်မည်ဟု မျှော်လင့်ပါက စိတ်ပျက်ရမည်။

သို့သော် သင့်တော်သည့်နေရာတွင် သုံးပါက ကွာဟမှု များစွာသေးသွားမည်။ သော့ချက်စကားလုံးက domain fine-tuning ဖြစ်သည်—'ဤစက်ရုံ၏ process ချွတ်ယွင်းမှုစုံစမ်းခြင်း' ကဲ့သို့ အလွန်ကျဉ်းသည့်အလုပ်တွင်၊ သီးသန့်လေ့ကျင့်ထားသည့် model ငယ်တစ်ခုသည် ယေဘုယျ model ကြီးထက် ပိုတည်ငြိမ်ကောင်း တည်ငြိမ်နိုင်သည်၊ အကြောင်းမှာ ၎င်းသည် မဆိုင်သည့်အသိပညာဖြင့် အနှောင့်အယှက်မခံရသောကြောင့်ဖြစ်သည်။

လက်တွေ့တွင် ယခုအလတ်စားလုပ်ငန်းများ လျှောက်လှမ်းနိုင်သည့်လမ်းကြောင်းက ဤသို့ဖြစ်သည်-

ပထမအဆင့်၊ local inference environment။ Ollama သို့မဟုတ် LM Studio ကဲ့သို့ ကိရိယာများသည် အတားအဆီးကို အလွန်နိမ့်ချထားပြီး၊ လုံလောက်သည့် display memory ရှိသည့် workstation တစ်လုံးဖြင့် run နိုင်သည်။ ဤအဆင့်သည် နည်းပညာသက်သက်ဖြစ်ပြီး နှစ်ရက်အတွင်း ပြီးနိုင်သည်။

ဒုတိယအဆင့်၊ knowledge base တည်ဆောက်ခြင်း။ ကုမ္ပဏီ၏ လုပ်ငန်းလက်စွဲ၊ specification၊ သမိုင်း work order များကို ရှာဖွေနိုင်သည့် format သို့ စုစည်းပြီး၊ retrieval-augmented generation (RAG၊ RAG ဆိုသည်မှာ ဘာနည်း ကို ရေးဖူးသည်) ဖြင့် model ကို အတွင်းစာရွက်စာတမ်း ကိုးကား၍ ဖြေဆိုစေသည်။ ဤအဆင့်သည် တကယ့်အလုပ်ပမာဏ ရှိရာဖြစ်ပြီး၊ အလွယ်တကူ လျှော့တွက်ခံရဆုံးဖြစ်သည်။

တတိယအဆင့်၊ domain fine-tuning။ မိမိ၏ Q&A pair သို့မဟုတ် work order ဒေတာဖြင့် model ကို ထပ်မံချိန်ညှိသည်။ ဤအဆင့်သည် return rate အမြင့်ဆုံးဖြစ်သော်လည်း၊ လိုအပ်သည့် ဒေတာပမာဏနှင့် နည်းပညာစွမ်းရည်လည်း အမြင့်ဆုံးဖြစ်၍ ကုမ္ပဏီအများစုက ဦးစွာ ကျော်လွှားကြသည်။

ကျွန်တော်တွေ့ဖူးသည့် ကျရှုံးမှု cases ၏ ရှစ်ဆယ်ရာခိုင်နှုန်းသည် ဒုတိယအဆင့်တွင် လက်လျှော့ကြသည်—အကြောင်းမှာ ကုမ္ပဏီ၏ စာရွက်စာတမ်းများ လုံးဝ မစုစည်းရသေးဘဲ၊ ဌာနအသီးသီး၏ folder နှင့် ဝန်ထမ်းဟောင်းအချို့၏ USB ထဲ ကွဲကွာနေသောကြောင့်ဖြစ်သည်။

သုံးဖက်၏ သက်ရောက်မှု

မြန်မာ့ထုတ်လုပ်ရေးလုပ်ငန်းအတွက်- ဤသည် အတိုက်အရိုက် အကျိုးရှိဆုံးအုပ်စုဖြစ်သည်။ semiconductor process parameter၊ mould design၊ formula နှင့် yield ဒေတာ အားလုံးသည် 'သုံးချင်သော်လည်း cloud ပေါ်တင်၍မရ' သည့် ပုံစံဖြစ်သည်။ edge AI က ဤဒေတာများကို စက်ရုံအတွင်း ထားရှိ၍ ခွဲခြမ်းစိတ်ဖြာနိုင်စေသည်။ ကျွန်တော့်အကြံပြုချက်မှာ အနာအကျင်ဆုံးအလုပ်မှ စတင်ပါ—စက်ရုံအများစု၏ အဖြေက 'ဆရာကြီးများ၏ အတွေ့အကြုံကို ရှာမတွေ့နိုင်' ဖြစ်ပြီး၊ ဒါဆို အတွင်း knowledge base ၏ Q&A ကို အရင်လုပ်ပါ။

ကျန်းမာရေးနှင့် ဘဏ္ဍာရေးအတွက်- compliance လိုအပ်ချက် ပိုမာသော်လည်း လိုအပ်ချက်လည်း ပိုရှင်းသည်။ ဆေးရုံ၏ ဆေးမှတ်တမ်းရှာဖွေခြင်း၊ ဘဏ္ဍာရေး compliance Q&A အားလုံးသည် အကြိမ်များ၍ တန်ဖိုးမြင့်သည့်အလုပ်များဖြစ်သည်။ ဤစက်မှုနှစ်ခု၏ ထူးခြားချက်မှာ ဒေတာ local တွင် ကျန်နေသည်ဆိုလျှင်ပင် model ၏ အဖြေကို ခြေရာခံနိုင်ရမည်—ထို့ကြောင့် RAG ၏ ကိုးကားစနစ်သည် အပိုအချက်မဟုတ်ဘဲ မဖြစ်မနေလိုအပ်ချက်ဖြစ်သည်။

developer နှင့် system integrator အတွက်- ဤနေရာတွင် လျှော့တွက်ခံရသည့် ဈေးကွက်တစ်ခုရှိသည်။ မြန်မာတွင် ဤစွမ်းရည်လိုအပ်သည့် အလတ်စား/အသေးစား ထုတ်လုပ်ရေးလုပ်ငန်း အများအပြားရှိသော်လည်း၊ အတွင်းလုပ်သားမရှိ။ 'ကုမ္ပဏီစာရွက်စာတမ်းများကို AI သုံးနိုင်သည့် knowledge base အဖြစ် စုစည်းခြင်း' သည် စီးပွားရေးတစ်ခုဖြစ်ပြီး၊ ၎င်း၏ ခံတပ်မှာ စက်မှုလုပ်ငန်းစဉ်ကို နားလည်မှုဖြစ်၍ နည်းပညာ မဟုတ်။

အနာဂတ်ဖွံ့ဖြိုးမှုလားရာ

Hardware သည် ပြဿနာ ပို၍ပို၍ မဖြစ်တော့။ edge AI သီးသန့် accelerator များ ဆက်လက်တိုးတက်ပြီး၊ Intel၊ AMD၊ Qualcomm အားလုံး AI PC ကို တွန်းအားပေးနေသည်၊ EdgeRunner ကိုယ်တိုင် Intel နှင့်ပူးပေါင်း၍ agent ကို Intel AI PC တွင် ဖြန့်ကျက်ခဲ့သည်။ သုံးနှစ်အတွင်း သုံးနိုင်သည့် local model run နိုင်သည့် device သည် ရုံးခန်းစံ ဖြစ်လာမည်။

Model သည် ပို၍ပို၍ ငယ်ပြီး သီးသန့်လာမည်။ 'model တစ်ခုတည်းက ပြဿနာအားလုံးဖြေရှင်း' လမ်းကြောင်းသည် edge တွင် အလုပ်မဖြစ်၊ 'အလုပ်တစ်ခုလျှင် model ငယ်တစ်ခု' အစုအဝေးက mainstream ဖြစ်လာမည်။ ၎င်းသည် မြန်မာ့ vertical domain model လုပ်သည့်အဖွဲ့များအတွက် အခွင့်အလမ်းဖြစ်သည်။

Hybrid architecture သည် ပုံမှန်ဖြစ်လာမည်။ cloud လုံးဝမတင်သည်က အလွန်အစွန်း၊ cloud လုံးဝတင်သည်ကလည်း legal ကို ကျော်လွှား၍မရ။ လုပ်ငန်းအများစု နောက်ဆုံးတွင် hybrid လမ်းကြောင်းကို လျှောက်မည်- အထိခိုက်မခံသည့်ဒေတာ local တွင်ဆောင်ရွက်၊ ယေဘုယျအလုပ် cloud သို့။ ၎င်းက 'ဒေတာအဆင့်ခွဲခြားခြင်း' သည် AI ကျင့်သုံးရာ ကြိုတင်လုပ်ငန်းဖြစ်လာမည်ကို ဆိုလိုသည်—မြန်မာ့လုပ်ငန်းအများစုသည် ယခုတိုင် ဤအဆင့်ကိုပင် မလုပ်ရသေး။

TheAI Academy အနှစ်ချုပ်နှင့် သုံးသပ်ချက်

မန္တလေးက mould စက်ရုံဆီ ပြန်သွားရအောင်။

သူတို့ နောက်ပိုင်း ဘယ်လိုဖြေရှင်းသနည်း။ နက်နဲသည့်နည်းပညာ မသုံး—workstation တစ်လုံးဝယ်၊ open source model တင်၊ ပြီးခဲ့သည့် ငါးနှစ်စာ engineering change order နှင့် ချွတ်ယွင်းမှုကိုင်တွယ်မှုမှတ်တမ်းများကို knowledge base အဖြစ်စုစည်းကာ၊ အင်ဂျင်နီယာများ 'ဤ material သည် ဤအပူချိန်တွင် ဘာပြဿနာ ကြုံဖူးသနည်း' ကို သဘာဝဘာသာစကားဖြင့် မေးနိုင်စေခဲ့သည်။

သုံးလိုက်ရသည့်ပိုက်ဆံသည် မူလ consultant ဈေးနှုန်း၏ ဆယ်ပုံတစ်ပုံမျှ မရှိ၊ အကျိုးသက်ရောက်မှုသည်လည်း demo ထဲကလို မဆန်း။ သို့သော် ၎င်းသည် legal ကို ကျော်လွှားနိုင်၍ အသက်ရှင်ကျန်ခဲ့သည်။

ဤသည်ပင် ကျွန်တော်ပြောလိုသည့် အဓိကချက်ဖြစ်သည်- compliance ကန့်သတ်ခံရသည့် စက်မှုလုပ်ငန်းများတွင် 'run နိုင်ခြင်း' သည် 'အလွန်တော်ခြင်း' ထက် အဆတစ်ရာ ပိုအရေးကြီးသည်။ local တွင် run ၍ စွမ်းရည်ပုံမှန်ဖြစ်သော်လည်း audit ကို ကျော်လွှားနိုင်သည့် ဖြေရှင်းချက်၏ တန်ဖိုးသည် အလွန်တော်သော်လည်း POC တွင် အမြဲရပ်နေသည့် ဖြေရှင်းချက်ထက် များစွာသာသည်။

မြန်မာ့လုပ်ငန်းများအတွက် တိကျသည့်အကြံပြုချက် သုံးခု-

ဒေတာအဆင့်ခွဲခြားခြင်း အရင်လုပ်ပါ။ ကုမ္ပဏီဒေတာကို 'cloud တင်နိုင်' နှင့် 'cloud မတင်နိုင်' နှစ်ပုံ ခွဲပါ။ ဤအရာသည် နည်းပညာ မလို၊ သို့သော် သင့်နောက်ပိုင်း architecture ရွေးချယ်မှုအားလုံးကို ဆုံးဖြတ်ပေးမည်။ ကုမ္ပဏီအများစုသည် ဤအဆင့်ကို ကျော်ပြီးမှ တစ်ဝက်ရောက်တော့ တံတိုင်းထိကာ ရှာဖွေတွေ့ရှိသည်။

စာရွက်စာတမ်းသိပ်သည်း၍ အဖြေ standard ရှိသည့်အလုပ်မှ စတင်ပါ။ ဥပဒေရှာဖွေခြင်း၊ SOP Q&A၊ ချွတ်ယွင်းမှုစုံစမ်းခြင်း၊ ဤအလုပ်များ၏ မှန်ကန်သည့်အဖြေသည် ရှိပြီးသားစာရွက်စာတမ်းထဲတွင် ရှိပြီး၊ model က ရှာတွေ့၊ မှန်ကန်စွာကိုးကားနိုင်ရုံသာ လိုအပ်ပြီး၊ အလွန်တော်ရန် မလို။

Knowledge base စုစည်းခြင်းကို ရေရှည်ရင်းနှီးမြှုပ်နှံမှုအဖြစ် သဘောထားပါ၊ project မဟုတ်။ ဤအရာတွင် အဆုံးမရှိ၊ သို့သော် ၎င်း၏ compound အကျိုးသက်ရောက်မှုသည် အလွန်ကောင်းသည်—ယနေ့ စုစည်းပြီးသားစာရွက်စာတမ်းကို အနာဂတ်တွင် မည်သည့် model ပြောင်းပြောင်း ဆက်သုံးနိုင်သည်။

ဆက်စပ်ကိရိယာများ ပိုမိုသိရှိလိုပါက ဤ site ရှိ AI developer tool နှင့် AI လုပ်ငန်းသုံး အမျိုးအစားများကို ကြည့်နိုင်သည်။

သုံးသပ်ချက်- မြန်မာ့ထုတ်လုပ်ရေးလုပ်ငန်း AI ကျင့်သုံးရာတွင် အကြီးမားဆုံးအတားအဆီးသည် နည်းပညာစွမ်းရည် မဟုတ်ဘဲ ပြင်ပ မထွက်ရသည့် ထိုစာချုပ်ဖြစ်သည်။ edge AI က အထုံးအထွေးကို တစ်ဝက်ဖြေရှင်းပေးပြီး၊ ကျန်တစ်ဝက်—ကုမ္ပဏီ၏အသိပညာကို စက်ဖတ်နိုင်သည့်ပုံစံအဖြစ် စုစည်းခြင်း—ကို မည်သည့်ကိရိယာမျှ အစားထိုးမပေးနိုင်၊ ကိုယ်တိုင်လုပ်ရုံသာရှိသည်။ ၎င်းသည် compound ဖြစ်၍ စောစော စတင်လေ ကောင်းလေဖြစ်သည်။

ဒေတာအရင်းအမြစ်

• EdgeRunner AI တရားဝင်ဝဘ်ဆိုဒ် (edge generative AI နှင့် EdgeRunner-Camo)
• Ollama တရားဝင်ဝဘ်ဆိုဒ် (local model run environment)
• Distributed Spectrum တရားဝင်ဝဘ်ဆိုဒ် (edge AI ၏ အခြားအသုံးချပုံစံ)

ဤဆောင်းပါးကို ထုတ်လုပ်သူများ၏ တရားဝင်ဝဘ်ဆိုဒ်ပါ အများသိသတင်းအချက်အလက်ကို အခြေခံ၍ စုစည်းထားပြီး၊ ကိုးကားထားသည့် စွမ်းဆောင်ရည်ကိန်းဂဏန်းများ (error rate ၃၇% လျှော့ချ ကဲ့သို့) မှာ ထုတ်လုပ်သူ၏ ကိုယ်ပိုင်ဖော်ပြချက်များဖြစ်ပြီး၊ လွတ်လပ်သော တတိယအဖွဲ့ စိစစ်မှုမဟုတ်။ case ဖော်ပြချက်များမှာ စက်မှုလုပ်ငန်းအင်တာဗျူးများပေါ်း စုစည်းပြန်လည်တည်ဆောက်ထားသည့် အခြေအနေဖြစ်ပြီး၊ သီးခြားကုမ္ပဏီ၏ အမည်ရင်း case မဟုတ်။