Minerva Intelligence
ဘူမိဗေဒပညာရှင်များ၏ ကျွမ်းကျင်မှုကို AI ၏ သိမြင်မှုဆိုင်ရာ အကြောင်းပြချက်စနစ် (Cognitive Reasoning) အတွင်းသို့ ထည့်သွင်းပေးထားပြီး သတ္တုရှာဖွေခြင်းနှင့် သဘာဝဘေးအန္တရာယ် စွန့်စားရမှုဆန်းစစ်ခြင်းများအတွ
Minerva Intelligence သည် ကနေဒါနိုင်ငံ ဗန်ကူးဗားမြို့ အခြေစိုက် ကုမ္ပဏီတစ်ခုဖြစ်ပြီး (ဂျာမနီနိုင်ငံ Darmstadt တွင်လည်း ရုံးရှိသည်)၊ သန့်သန့်ဒေတာကိုသာ အဓိကအသုံးပြုသော AI ကုမ္ပဏီအများစုနှင့် မတူဘဲ ကွဲပြားသောလမ်းကြောင်းကို လျှောက်လှမ်းနေပါသည်။ ၎င်းတို့သည် လူသားဘူမိဗေဒပညာရှင်များ စုဆောင်းရရှိထားသည့် အသိပညာများကို စနစ်တကျပုံစံချကာ စနစ်အတွင်းသို့ တိုက်ရိုက်ထည့်သွင်းပေးသည့် “သိမြင်မှုဆိုင်ရာ AI (Cognitive AI)” ကို အဓိကထား လုပ်ဆောင်ခြင်းဖြစ်ပြီး မော်ဒယ်ကို ကိုယ်တိုင်သင်ယူရန် ဒေတာသက်သက်ကို အမြောက်အမြား ကျွေးခြင်းမဟုတ်ပေ။
လုပ်ဆောင်ချက်များနှင့် အသုံးချနိုင်သည့် နယ်ပယ်များ
ဤကုမ္ပဏီတွင် အဓိက ထုတ်ကုန်လိုင်း နှစ်ခုရှိသည်။ TERRA သည် သတ္တုတူးဖော်ရေး ရှာဖွေရေးအတွက်ဖြစ်ပြီး ဘူမိဗေဒမြေပုံများ၊ တူးဖော်မှုမှတ်တမ်းများ၊ භူ ရူပဗေဒဒေတာစသည့် အမျိုးမျိုးသော ဒေတာရင်းမြစ်များကို ပေါင်းစပ်ကာ သတ္တုရိုင်းအမျိုးအစား နှိုင်းယှဉ်ခြင်းနှင့် ရှာဖွေရေးပစ်မှတ်များကို အဆင့်သတ်မှတ်ခြင်းတို့ လုပ်ဆောင်ပေးပါသည်။ ၎င်း၏ အဓိကအချက်မှာ ဖွဲ့စည်းပုံပါရှိသော ဘူမိဗေဒဆိုင်ရာ အသိပညာ Ontology ကို အသုံးပြုထားခြင်းဖြစ်ရာ စနစ်အနေဖြင့် ဖြစ်နိုင်ခြေအမှတ်ပေးရုံသာမက “ဒီမြေနေရာက ဘာကြောင့် ပရဖိုင်းကြေးနီသတ္တုရိုင်း (Porphyry copper deposit) နဲ့ တူနေရတာလဲ” ဆိုသည်ကို ရှင်းပြနိုင်စွမ်း ရှိစေပါသည်။
GAIA လိုင်းကမူ ထိုနည်းပညာကိုပင် သဘာဝဘေးအန္တရာယ် စွန့်စားရမှုများအတွက် အသုံးပြုထားပြီး ရေကြီးခြင်း၊ မြေပြိုခြင်းနှင့် တောမီးလောင်ကျွမ်းခြင်း စသည့် ဘေးအန္တရာယ် ဆန်းစစ်မှုများနှင့် မြေယာအသုံးချမှု စီမံကိန်းရေးဆွဲခြင်းများကို လုပ်ဆောင်ပေးပါသည်။ ဤကဲ့သို့ “အသိပညာ + ဒေတာ” ရောစပ်ထားသော လမ်းကြောင်းသည် ပညာရပ်ဆိုင်ရာ နယ်ပယ်များတွင် ကျိုးကြောင်းဆီလျော်မှု ရှိပါသည်။ ဘူမိဗေဒဒေတာဆိုသည်မှာ မူလကတည်းက နည်းပါးပြီး ကုန်ကျစရိတ် ကြီးမားသောကြောင့် ဒေတာပမာဏသက်သက်ဖြင့် တည်ဆောက်ထားသော မော်ဒယ်များသည် ဤနေရာတွင် အလုပ်မဖြစ်နိုင်ပေ။
၎င်းသည် သတ္တုရှာဖွေရေးအဖွဲ့များ၊ ဘူမိဗေဒဆိုင်ရာ အတိုင်ပင်ခံကုမ္ပဏီများအပြင် သဘာဝဘေးအန္တရာယ် စွန့်စားရမှုဆန်းစစ်ချက် လုပ်ဆောင်နေသည့် အာမခံလုပ်ငန်းများနှင့် အစိုးရဌာနဆိုင်ရာများအတွက် သင့်လျော်ပါသည်။
အဓိက အင်္ဂါရပ်များ
- TERRA သတ္တုတူးဖော်ရေး AI ဆော့ဖ်ဝဲအစုံအလင် - သတ္တုရိုင်းအမျိုးအစား နှိုင်းယှဉ်ခြင်း၊ ရှာဖွေရေးပစ်မှတ် အဆင့်သတ်မှတ်ခြင်းနှင့် ဘူမိဗေဒမြေပုံဒေတာ ပေါင်းစပ်ခြင်း
- GAIA ရာသီဥတုအန္တရာယ် AI - ရေကြီးခြင်း၊ မြေပြိုခြင်း၊ တောမီးကဲ့သို့သော သဘာဝဘေးအန္တရာယ် စွန့်စားရမှုဆန်းစစ်ခြင်း
- ဖွဲ့စည်းပုံပါရှိသော ဘူမိဗေဒ အသိပညာ Ontology ဖြင့် မောင်းနှင်ထားပြီး အကြောင်းပြချက်ပြနိုင်ခြင်းနှင့် ပြန်လည်ခြေရာခံနိုင်ခြင်း
- ဘူမိဗေဒမြေပုံများ၊ တူးဖော်မှုဒေတာ၊ ဘူရူပဗေဒနှင့် အဝေးမှအာရုံခံစားမှု (Remote sensing) စသည့် အမျိုးမျိုးသော ဒေတာရင်းမြစ်များကို ပေါင်းစပ်ပေးခြင်း
- စက်မှုလုပ်ငန်းပေါင်းစုံတွင် အသုံးချနိုင်ခြင်း - မြေယာအသုံးချမှု စီမံကိန်းရေးဆွဲခြင်း၊ ပတ်ဝန်းကျင်ဆန်းစစ်ခြင်း၊ အာမခံပေါ်လစီ ထုတ်ပေးခြင်း
- စည်းမျဉ်းစည်းကမ်း သို့မဟုတ် ရင်းနှီးမြှုပ်နှံသူများအား အကြောင်းပြချက် ရှင်းပြရန်လိုအပ်သည့် ကိစ္စရပ်များအတွက် သင့်လျော်သော ရှင်းပြနိုင်သည့် အخرအထွက်များ (Explainable outputs)
အားသာချက်များ
- "ရှင်းပြနိုင်စွမ်းရှိခြင်း" သည် စျေးကွက်ရှာဖွေရေးစကားသက်သက်မဟုတ်ဘဲ အမှန်တကယ် အသုံးဝင်သည် - ဘူမိဗေဒနှင့် အာမခံ ဆုံးဖြတ်ချက်နှစ်ခုစလုံးတွင် အကြောင်းပြချက် ခိုင်လုံရန် လိုအပ်သည်
- အသိပညာကို အခြေခံသည့် လမ်းကြောင်းကြောင့် ဒေတာရှားပါးသော ပညာရပ်ဆိုင်ရာ နယ်ပယ်များတွင် သက်သက်စာရင်းအင်းဆိုင်ရာ မော်ဒယ်များထက် ပိုမိုရပ်တည်နိုင်စွမ်းရှိသည်
- သတ္တုတူးဖော်ရေးနှင့် ဘေးအန္တရာယ်စွန့်စားရမှု လိုင်းနှစ်ခုစလုံးသည် အခြေခံနည်းပညာကို မျှဝေအသုံးပြုကြသဖြင့် နည်းပညာ ပြန်လည်အသုံးချနိုင်မှု မြင့်မားသည်
- GAIA ၏ အသုံးချနိုင်သည့် နယ်ပယ်များ (ရေကြီးခြင်း၊ မြေပြိုခြင်း) သည် လက်တွေ့လိုအပ်ချက်များနှင့် မြင့်မားစွာ ကိုက်ညီမှုရှိသည်
အားနည်းချက်များ
- အထူးပြုကျွမ်းကျင်မှု လိုအပ်သော ကိရိယာဖြစ်ပြီး ဘူမိဗေဒ သို့မဟုတ် စွန့်စားရမှုဆန်းစစ်ခြင်း နောက်ခံမရှိပါက အသုံးပြုရန် ခက်ခဲမည်
- စျေးနှုန်းကို လူသိရှင်ကြား ထုတ်ပြန်ထားခြင်းမရှိဘဲ ဆွေးနွေးညှိနှိုင်းရန် လိုအပ်သည်
- "Cognitive AI" ဆိုသည့် စကားလုံးသည် လုပ်ငန်းခွင်အတွင်း အဓိပ္ပာယ်သတ်မှတ်ချက် မသေချာလှဘဲ လက်တွေ့စွမ်းဆောင်ရည်မှာ အသိပညာ Ontology ၏ အရည်အသွေးအပေါ် များစွာမူတည်နေသည်
- ကုမ္ပဏီအရွယ်အစား ကြီးမားလှသည်မဟုတ်သဖြင့် အသုံးမပြုမီ ရေရှည်ပံ့ပိုးကူညီနိုင်စွမ်းကို ထည့်သွင်းစဉ်းစားရန် လိုအပ်သည်
အသုံးပြုမှုများ
- အစောပိုင်း သတ္တုရှာဖွေရေးအတွက် ပစ်မှတ်နယ်မြေများကို စစ်ထုတ်ခြင်းနှင့် အဆင့်သတ်မှတ်ခြင်း
- သတ္တုရိုင်းအမျိုးအစား ဆင်တူမှုကို နှိုင်းယှဉ်ရန် သမိုင်းဆိုင်ရာ ဘူမိဗေဒမြေပုံဒေတာများကို ပေါင်းစပ်ခြင်း
- ဒေသဆိုင်ရာ ရေကြီးခြင်း၊ မြေပြိုခြင်းနှင့် တောမီးအန္တရာယ် မြေပုံအလွှာများ ဖန်တီးခြင်း
- အာမခံလုပ်ငန်းများအတွက် သဘာဝဘေးအန္တရာယ် ထိတွေ့ခံရနိုင်ခြေဆန်းစစ်ခြင်းနှင့် မြေယာအသုံးချမှု စီမံကိန်းရေးဆွဲခြင်း
အယ်ဒီတာမှတ်ချက်
အယ်ဒီတာ့အမှာ - "Cognitive AI" ဆိုတဲ့ အသုံးအနှုန်းအပေါ် ကျွန်တော် အမြဲတမ်း သံသယအနည်းငယ် ရှိခဲ့ပါတယ်။ စျေးကွက်ရှာဖွေရေး အရေခြုံစကားတစ်ခုလို ဖြစ်သွားနိုင်လို့ပါ။ ဒါပေမဲ့ Minerva ကို ဘူမိဗေဒနယ်ပယ်နဲ့ ယှဉ်ကြည့်လိုက်တဲ့အခါမှာတော့ သူတို့ဘာကြောင့် ဒီလိုလုပ်တယ်ဆိုတာကို ကျွန်တော် နားလည်လာပါတယ်။ ဘူမိဗေဒဒေတာ ရယူစရိတ်က အလွန်တရာ ကြီးမားပါတယ်။ တူးဖော်မှုတစ်ခုကို ဒေါ်လာသောင်းချီ ကုန်ကျတဲ့အခါ သင်ယူဖို့အတွက် လေ့ကျင့်ရေးဒေတာ သန်းနဲ့ချီပြီး ကျွေးဖို့ မဖြစ်နိုင်ပါဘူး။ အဲဒီလို အခြေအနေမျိုးမှာ လူသားတွေရဲ့ အသိပညာကို စနစ်ထဲ ထည့်သွင်းပေးတာက ဒေတာသက်သက်ကို အတင်းပုံထည့်တာထက် ပိုပြီး ကျိုးကြောင်းဆီလျော်ပါတယ်။
မေးလေ့ရှိသောမေးခွန်းများ
"Cognitive AI" နှင့် သာမန်စက်သင်ယူမှု (Machine Learning) ဘာကွာခြားပါသလဲ။
အသိပညာ ဘယ်ကလာသလဲဆိုတဲ့အပေါ်မှာ ကွာခြားပါတယ်။ သာမန် စက်သင်ယူမှုက ဒေတာတွေထဲကနေ ပုံစံတွေကို လေ့လာပါတယ်။ Minerva ရဲ့ လုပ်ဆောင်ပုံကတော့ ဘူမိဗေဒပညာရှင်တွေရဲ့ ကျွမ်းကျင်မှုကို တည်ဆောက်ပုံပါရှိတဲ့ Ontology အဖြစ် ဦးစွာရေးသားပြီးမှ အဲဒါကို အသုံးပြုပြီး အကြောင်းပြချက်ပေးပါတယ်။ အားသာချက်ကတော့ ဒေတာနည်းလည်း သုံးလို့ရပြီး အကြောင်းပြချက်ကိုပါ ရှင်းပြနိုင်ပါတယ်။ အားနည်းချက်ကတော့ Ontology တည်ဆောက်ဖို့ လူအအားအမြား လိုအပ်ပါတယ်။
TERRA နှင့် GAIA ကို သီးခြားစီ ဝယ်ယူရပါသလား။
၎င်းတို့သည် ကွဲပြားသော ထုတ်ကုန်လိုင်းနှစ်ခုဖြစ်ပြီး ပစ်မှတ်ထားသော ဖောက်သည်များလည်း မတူကြပါ။ TERRA သည် သတ္တုရှာဖွေရေးအတွက်ဖြစ်ပြီး GAIA သည် ဘေးအန္တရာယ်စွန့်စားရမှုနှင့် မြေယာစီမံကိန်းအတွက် ဖြစ်သည်။ တရားဝင် လိုင်စင်ရယူသည့် ပုံစံကို ၎င်းတို့နှင့် တိုက်ရိုက်ဆွေးနွေးရန် လိုအပ်ပါသည်။
ဒေသတွင်း ဘေးအန္တရာယ် ကာကွယ်ရေး ဌာနများအတွက် အသုံးဝင်ပါသလား။
နည်းပညာပိုင်းဆိုင်ရာ منطق (Logic) အရ ကိုက်ညီမှုရှိသော်လည်း လက်တွေ့တွင် အသုံးပြုနိုင်ရန်မှာ ဒေသတွင်း မြေပုံဒေတာ ဖော်မတ်များနှင့် ဘူမိဗေဒ အမျိုးအစားခွဲခြားမှု စနစ်များကို ၎င်းလက်ခံနိုင်ခြင်း ရှိမရှိပေါ်တွင် မူတည်ပါသည်။ ဤကဲ့သို့သော ကိရိယာများ၏ ဒေသန္တရဖြစ်စေရန် ကုန်ကျစရိတ်သည် များလေ့ရှိသဖြင့် အတိုင်းအတာငယ်ဖြင့် ဦးစွာ စမ်းသပ်တွက်ချက်ကြည့်ရန် အကြံပြုလိုပါသည်။
သက်ဆိုင်ရာ AI ကိရိယာများ
Motobook
တိုင်ဝမ်နိုင်ငံ၏ ပထမဆုံးသော တစ်ပတ်ရစ်ဆိုင်ကယ် တန်ဖိုးမှန်လမ်းညွှန် ဝက်ဘ်ဆိုက်ဖြစ်ပြီး ရောင်းချရန်ရှိသည့် ဆိုင်ကယ် ၃.၇ သောင်းကျော်နှင့် မော်ဒယ် ၈၁၂ မျိုး၏ ဈေးနှုန်းပေါက်စေးများကို ဖော်ပြပေးနေပါသည်။
Carbook
ထိုင်ဝမ် ဒုတိယလက်စွန်း ကားဈေးနှုန်း မှတ်တမ်းစနစ် - တကယ့်ဈေးကွက်ပေါက်ဈေး၊ အရေအတွက်နှင့် တန်ဖိုးထိန်းသိမ်းနိုင်မှုကို တစ်မျက်နှာတည်းဖြင့် ကြည့်ရှုနိုင်သည်
實價雷達 HouseTW
A free Taiwanese real estate platform overlaying 3.49 million official transaction records with soil liquefaction, fault lines, and flood risk maps.
Perplexity
ကိုးကားချက်ရင်းမြစ်များနှင့်အတူ ဖြေကြားပေးသော AI ရှာဖွေရေးနှင့် မေးခွန်းဖြေဆိုသည့် ကိရိယာ။
Incentivio
ဆိုင်ခွဲများစွာရှိသော စားသောက်ဆိုင်များအတွက် ဖောက်သည်စီမံခန့်ခွဲမှု ပလပ်ဖောင်း၊ AI ဖြင့် ဖောက်သည်လက်လွတ်ဆုံးရှုံးတော့မည့်အချိန်ကို ကြိုတင်ခန့်မှန်းပေးသည်
HeyDonto
ကျန်းမာရေးစောင့်ရှောက်မှု အချက်အလက်များအတွက် အနက်အဓိပ္ပာယ် (Semantics) ပေါင်းစပ်ပေးသည့် အလွှာဖြစ်ပြီး၊ သွားနှင့်ခံတွင်းနှင့် ကင်ဆာရောဂါဗေဒဆိုင်ရာ ကွဲပြားခြားနားသော အချက်အလက်များကို အသုံးချနိုင်သည့် အခ