JioStar: သုံးစွဲသူ သန်း ၅၀၀ အတွက် AI ရှာဖွေမှု

ကျွန်ုပ်တို့၏ Executive Function အစီအစဉ်တွင် AI ဖြင့် အပြောင်းအလဲဖော်ဆောင်နေသော ခေါင်းဆောင်များ၏ အမြင်များကို တင်ဆက်ထားပါသည်။

JioStar သည် သုံးစွဲသူ သန်း ၅၀၀ ကျော်ရှိသော ဖျော်ဖြေရေးနှင့် အားကစားတိုက်ရိုက်ထုတ်လွှင့်မှု ပလက်ဖောင်းများကို လည်ပတ်လျက်ရှိပြီး အားကစားတိုက်ရိုက်ထုတ်လွှင့်မှုကို တစ်ပြိုင်နက်ကြည့်ရှုသူ ၇၂.၅ သန်းအထိ ဝန်ဆောင်မှုပေးနိုင်ခဲ့သည်။ ထိုမျှများပြားသော သုံးစွဲမှုပမာဏတွင် AI သည် မြန်ဆန်ပြီး ယုံကြည်စိတ်ချရသည့်အပြင် လက်တွေ့ဝန်ဆောင်မှုပေးရန် အဆင်သင့်ဖြစ်နေရပါမည်။

JioStar သည် OpenAI API ကို အသုံးပြု၍ စကားပြောရင်း ဗီဒီယိုများနှင့် ခရစ်ကက်စာရင်းအင်းများ ရှာဖွေနိုင်သည့် လက်ထောက်ကို JioHotstar ထဲတွင် ထည့်သွင်းတည်ဆောက်ခဲ့သည်။ ကြည့်ရှုသူများသည် သဘာဝအတိုင်း စကားပြောကာ ရုပ်ရှင်များ၊ အစီအစဉ်များ၊ ယခင်ပွဲများမှ ထူးခြားသည့်ကွက်များ၊ တိုက်ရိုက်ပွဲစဉ်မှ အခိုက်အတန့်များ သို့မဟုတ် ခရစ်ကက်စာရင်းအင်းများကို ရှာဖွေနိုင်ပြီး အပြန်အလှန်စကားပြောကာ ရလဒ်များကို ရုပ်ပုံများဖြင့် ကြည့်ရှုရွေးချယ်နိုင်သည်။

စင်ကာပူတွင် ကျင်းပခဲ့သော OpenAI ၏ အမှုဆောင်ခေါင်းဆောင်များ ထိပ်သီးဆွေးနွေးပွဲ၌ OpenAI ၏ အာဆီယံဒေသ ဈေးကွက်ဗျူဟာအကြီးအကဲ Sidharth Sharma က JioStar ၏ နည်းပညာဗိသုကာချုပ် Vijay Seshadri နှင့် ဆွေးနွေးခဲ့သည်။ ရှစ်ပတ်ခန့်အတွင်း ဘာသာစကား ၁၅ မျိုးကျော်အတွက် ဤဝန်ဆောင်မှုကို တည်ဆောက်ခဲ့ပုံနှင့် AI ကို သရုပ်ပြအဆင့်မှ လက်တွေ့အသုံးချမှုသို့ ကူးပြောင်းနေသော ခေါင်းဆောင်များအတွက် သင်ခန်းစာများကို ဆွေးနွေးခဲ့ကြသည်။

လွန်ခဲ့တဲ့ ၂၅ နှစ်အတွင်း ကြည့်စရာရှာဖွေတဲ့ပုံစံက အနည်းငယ်ပဲ ပြောင်းလဲခဲ့ပါတယ်။ နောက်ဆုံးအကြီးမားဆုံး အပြောင်းအလဲက ကြည့်သင့်တာတွေ အကြံပြုပေးတဲ့စနစ်ပါ။ အဲဒီနောက်ပိုင်း အများစုကတော့ အဲဒီအယူအဆကိုပဲ အမျိုးမျိုး ပြုပြင်မွမ်းမံခဲ့ကြတာပါ။

ဒါပေမဲ့ ဘာကြည့်မလဲဆိုတာက တစ်ဦးချင်းရဲ့ စိတ်အခြေအနေ၊ အကြိုက်တွေနဲ့ အများကြီး ဆိုင်ပါတယ်။ တစ်ယောက်ယောက်က “စိတ်မကောင်းဖြစ်နေတယ်။ စိတ်ပျော်လာစေမယ့် တစ်ခုခုပြပေးပါ” လို့ ပြောနိုင်ပါတယ်။ ဒီလိုရိုးရှင်းတဲ့ တောင်းဆိုမှုမှာတောင် သိမ်မွေ့တဲ့ အဓိပ္ပာယ်တွေ အများကြီး ပါပါတယ်။ ဘယ်လိုမျိုး စိတ်မကောင်းဖြစ်နေတာလဲ။ ပုံမှန်အားဖြင့် အဲဒီလူကို ဘာက စိတ်ပျော်စေတတ်သလဲ။ ဟာသကြည့်ချင်တာလား၊ စိတ်သက်သာရာရစေမယ့် ဇာတ်လမ်းလား၊ ဒါမှမဟုတ် စိတ်ညစ်စရာတွေ လုံးဝမေ့သွားစေမယ့် တစ်ခုခုလား။

သမားရိုးကျ အကြံပြုစနစ်တစ်ခုအနေနဲ့ အဲဒီအချိန်မှာ ဖြစ်နေတဲ့ စိတ်အခြေအနေကို နားလည်ဖို့ ခက်ခဲနိုင်ပါတယ်။ အပြန်အလှန်စကားပြောနိုင်တော့ ကြည့်ရှုသူက အဲဒါကို ရှင်းပြနိုင်ပါတယ်။ ဒါကို ကျွန်တော်တို့က အသံနဲ့ရုပ်ပုံ တွဲဖက်သုံးတဲ့ အင်တာဖေ့စ်လို့ ခေါ်ပါတယ်။

ဖေဖော်ဝါရီလမှာ အဓိကခရစ်ကက်ပြိုင်ပွဲတစ်ခု ရှိနေတာကြောင့် အောက်တိုဘာနဲ့ နိုဝင်ဘာလတွေမှာ အဲဒီအယူအဆကို စပြီး ပုံဖော်ခဲ့ပါတယ်။ အချိန်က နှစ်လလောက်ပဲရှိပြီး ပရိသတ်ကလည်း လုံးဝကွဲပြားတဲ့ နှစ်အုပ်စုပါ။ ဖျော်ဖြေရေးကြည့်သူတွေနဲ့ ခရစ်ကက်ပရိသတ်တွေပါ။

ဖျော်ဖြေရေးကြည့်သူက “သောကြာနေ့ညနေပဲ၊ မထင်မှတ်ထားတဲ့ ကြည့်စရာတစ်ခု ပေးကြည့်ပါ” လို့ ပြောနိုင်သလို ရုပ်ရှင်ခေါင်းစဉ်ကို မသိဘဲ ဇာတ်လမ်းအကြောင်း ဖော်ပြနိုင်ပါတယ်။ အားကစားကြည့်သူတွေကတော့ ဝစ်ကက်ကျသွားတဲ့အခိုက်အတန့်တွေ၊ ခြောက်မှတ်ရိုက်ချက်အတွဲတွေ၊ ဒါမှမဟုတ် ကစားသမားတစ်ဦးက ပြေးမှတ်အရေအတွက်တစ်ခု ရခဲ့တဲ့ပွဲလို ပိုတိကျတဲ့ အချက်အလက်တွေ သိချင်နိုင်ပါတယ်။ ခရစ်ကက်ကျွမ်းကျင်သူတွေကတော့ ဘောလုံးပစ်ချက်တိုင်းရဲ့ စာရင်းအင်းတွေကို သိချင်နိုင်ပါတယ်။

ဒါတွေက အလွန်ကွဲပြားတဲ့ ရှာဖွေရေးဆိုင်ရာ စိန်ခေါ်မှုတွေပါ။ အချိန်တိုတိုအတွင်းမှာပဲ ဖျော်ဖြေရေး၊ အားကစားပွဲတွေရဲ့ အခိုက်အတန့်တွေနဲ့ အသေးစိတ်ခရစ်ကက်စာရင်းအင်းတွေကို ဘာသာစကားအမျိုးမျိုးနဲ့ တစ်နေရာတည်းမှာ ရယူနိုင်အောင် ကြိုးပမ်းခဲ့ပါတယ်။

အစောပိုင်းကတည်းက တိကျမှု၊ တုံ့ပြန်ချိန်နဲ့ ကုန်ကျစရိတ်ဆိုတဲ့ အချက်သုံးချက်ကို ချိန်ညှိရမယ့် ပြဿနာအဖြစ် သတ်မှတ်ခဲ့ပါတယ်။ အင်ဂျင်နီယာပိုင်း ဆုံးဖြတ်ချက်တိုင်းမှာ အဲဒီသုံးချက်လုံးကို တစ်ပြိုင်နက် ဟန်ချက်ညီအောင် လုပ်ခဲ့ရပါတယ်။

အသံနဲ့ အသုံးပြုတာကြောင့် အဲဒီအချက်က ပိုပြီးအရေးကြီးလာပါတယ်။ ကျွန်တော်တို့ သုံးစွဲသူတွေရဲ့ ၆၀% ကျော်က စာရိုက်မယ့်အစား အသံနဲ့ သုံးကြပါတယ်။ လူတွေက ကိုယ်ကြည့်ချင်တာကို နှုတ်နဲ့ပြောရတာ ပိုသဘောကျကြပါတယ်။ ဒါပေမဲ့ တုံ့ပြန်ချက်က တောင်းဆိုချက်နဲ့ ကိုက်ညီဖို့၊ မြန်ဆန်ဖို့နဲ့ သုံးစွဲမှုများလာတဲ့အခါမှာလည်း ကုန်ကျစရိတ်အရ တွက်ခြေကိုက်ဖို့ လိုနေဆဲပါ။

ကျွန်တော်က ဒါကို အကဲဖြတ်မူဘောင်နဲ့ မှန်ကန်မှုစစ်ဆေးတဲ့အလွှာဆိုပြီး နှစ်ပိုင်းခွဲ စဉ်းစားပါတယ်။ လက်တွေ့အသုံးမပြုခင်မှာ အကဲဖြတ်မူဘောင်က လိုအပ်တဲ့ ပြင်ဆင်ပြောင်းလဲမှုတွေကို ဖော်ထုတ်ပေးနိုင်ရပါမယ်။ လက်တွေ့အသုံးပြုနေချိန်မှာတော့ သုံးစွဲသူတွေရဲ့ အသုံးပြုပုံနဲ့ အလုပ်မဖြစ်တဲ့ ဖြစ်ရပ်တွေကို တုံ့ပြန်အချက်အလက်အဖြစ် ပြန်ယူပြီး အကဲဖြတ်စမ်းသပ်မှုအသစ်တွေ ဖန်တီးသင့်ပါတယ်။

အဲဒီလို စဉ်ဆက်မပြတ် လည်ပတ်ရင်းနဲ့ စနစ်က သူ့ဘာသာသူ ပိုတိုးတက်လာနိုင်ပါတယ်။ ဒါပေမဲ့ အဲဒီလို အလုပ်ဖြစ်အောင်လုပ်ဖို့က အလွန်ခက်ပါတယ်။

သက်ဆိုင်ရာနယ်ပယ် ကျွမ်းကျင်သူတွေက မရှိမဖြစ်လိုပါတယ်။ အားကစားစာရင်းအင်းတွေကို အကဲဖြတ်စမ်းသပ်ဖို့ အားကစားမဂ္ဂဇင်းအယ်ဒီတာတွေလို ပရိသတ်အစစ်အမှန်တွေ ဘာမေးနိုင်သလဲဆိုတာ နားလည်သူတွေနဲ့ အတူ လုပ်ကိုင်ခဲ့ပါတယ်။ တုံ့ပြန်ညွှန်ကြားချက်တစ်ခုတည်းနဲ့ စလို့မရပါဘူး။ စနစ်ရဲ့ အခြေခံအဖြစ် လူတွေရဲ့ နက်နဲတဲ့ ကျွမ်းကျင်အသိပညာကို ထည့်သွင်းပေးဖို့ လိုပါတယ်။

ကျွန်တော်တို့ မှန်မှန်ကန်ကန် လုပ်နိုင်ခဲ့တဲ့အရာတစ်ခုက အဖွဲ့ဖွဲ့စည်းမှုပဲ ဖြစ်ပါတယ်။ ဖြေရှင်းရမယ့် ပြဿနာကို ရှင်းရှင်းလင်းလင်း သတ်မှတ်ပြီး ဒေတာသိပ္ပံပညာရှင်တွေနဲ့ အင်ဂျင်နီယာတွေ ပါဝင်တဲ့ အဖွဲ့ငယ်တစ်ဖွဲ့နဲ့ စခဲ့ပါတယ်။ OpenAI က လက်တွေ့အကောင်အထည်ဖော်ရေးအတွက် စေလွှတ်ထားတဲ့ အင်ဂျင်နီယာတွေက ကျွန်တော်တို့နဲ့ ပူးပေါင်းပြီး လုံးဝအမှားခံလို့မရတဲ့ အဓိကအချက်အနည်းငယ်ကို ပိုတိကျအောင် ဖော်ထုတ်ပေးခဲ့ပါတယ်။

ပထမအချက်က လုပ်ဆောင်မယ့် အတိုင်းအတာပါ။ အသံ ဒါမှမဟုတ် စာသားနဲ့ သုံးရတဲ့ အင်တာဖေ့စ်မှာ သုံးစွဲသူတွေက ဘာမဆိုနီးပါး မေးလို့ရပါတယ်။ ဒါကြောင့် စနစ်က ဘာတွေကို မဖြေသင့်ဘူးလဲဆိုတာ အရင်ဆုံး ဆုံးဖြတ်ခဲ့ပါတယ်။ ဘေးကင်းရေး ကန့်သတ်ချက်တွေကို ဦးစားပေး သတ်မှတ်ခဲ့ပါတယ်။

အကဲဖြတ်စမ်းသပ်ဖို့အတွက် ကနဦးဒေတာအစုတစ်ခုနဲ့ စပြီး မော်ဒယ်တွေကို သုံးကာ ပုံစံပိုစုံလာအောင် ထပ်ချဲ့ခဲ့ပါတယ်။ အခုဆို ဖန်တီးသူနဲ့ စစ်ဆေးသူ တွဲဖက်လုပ်ဆောင်တဲ့ပုံစံလို့ ခေါ်နိုင်မယ့် စနစ်ကို ဖန်တီးခဲ့ပါတယ်။ မော်ဒယ်တစ်ခုက မေးခွန်းကို ဘယ်လိုဖြေရမလဲဆိုတာ ဆုံးဖြတ်ဖို့ ကူညီပြီး နောက်တစ်ခုက ဆန့်ကျင်ဘက်ရည်မှန်းချက်နဲ့ အဖြေရဲ့ မှန်ကန်မှုကို စစ်ဆေးပါတယ်။ တစ်နည်းအားဖြင့် LLM ကို အကဲဖြတ်ဒိုင်အဖြစ် သုံးတာပါ။

အဲဒီမှာ နောက်ထပ်မေးခွန်းတစ်ခု ပေါ်လာပါတယ်။ အကဲဖြတ်ဒိုင်ကို ဘယ်သူက စမ်းသပ်မလဲ။ မှန်ကန်မှုစစ်ဆေးပေးမယ့် စနစ်ကို ဒီဇိုင်းဆွဲတာကိုယ်တိုင်က အကဲဖြတ်စမ်းသပ်မှုဆိုင်ရာ ပြဿနာတစ်ခု ဖြစ်နေပါတယ်။ အကဲဖြတ်စမ်းသပ်မယ့် ဖြစ်ရပ်တွေ ဖန်တီးတာနဲ့ စနစ်ကို မွမ်းမံတာလို အလုပ်တွေ ပိုမြန်အောင် Codex က အဖွဲ့ကို ကူညီပေးခဲ့ပါတယ်။ ဒါပေမဲ့ ပိုမြန်မြန်တည်ဆောက်နိုင်တာကြောင့် ဆင်ခြင်ဆုံးဖြတ်ဖို့နဲ့ မှန်ကန်မှုစစ်ဆေးဖို့ မလိုတော့တာ မဟုတ်ပါဘူး။

လက်တွေ့ဝန်ဆောင်မှုပေးနေချိန်မှာ မော်ဒယ်ရဲ့ ထိရောက်မှုကို စောင့်ကြည့်ဖို့ ပိုစောစော ရင်းနှီးမြှုပ်နှံချင်ပါတယ်။

P99 တုံ့ပြန်ချိန်လို သမားရိုးကျ အခြေခံနည်းပညာစနစ် တိုင်းတာချက်တွေက အရေးကြီးနေဆဲပါ။ ဒါပေမဲ့ ဒါတွေနဲ့တင် မလုံလောက်ပါဘူး။ လက်တွေ့အသုံးပြုနေချိန်မှာ မော်ဒယ်ရဲ့ ထိရောက်မှုကိုလည်း စောင့်ကြည့်ဖို့ လိုပါတယ်။

ပထမဆုံးအချက်က နည်းပညာနဲ့ လုပ်နိုင်တဲ့အရာတွေနဲ့ လုပ်ငန်းတစ်ခုအတွင်းက လက်တွေ့အခြေအနေကြားမှာ ကွာဟချက်ကြီး ရှိနေတာပါ။ စွမ်းဆောင်ရည်အမြင့်ဆုံး မော်ဒယ်အသစ် ကြေညာတိုင်း သင့်ကုမ္ပဏီက အမီလိုက် အသုံးမချနိုင်ခဲ့ဘူးဆိုရင် အဲဒီလိုဖြစ်နေတာ သင်တစ်ဦးတည်း မဟုတ်ပါဘူး။

ဒုတိယအချက်က လုပ်ဆောင်မှုပမာဏထက် ရလဒ်တွေကိုပဲ အမြဲအာရုံစိုက်ထားဖို့ပါ။ အထူးသဖြင့် ကုမ္ပဏီတွေက ထည့်ဝင်အားထုတ်မှုပမာဏကို တိုင်းတာတဲ့ ကိန်းဂဏန်းတွေကို အလေးပေးတဲ့အခါ အပြင်ပန်းမြင်ရတဲ့ လှုပ်ရှားမှုတွေကို အဓိပ္ပာယ်ရှိတဲ့ တိုးတက်မှုလို့ အလွယ်တကူ မှားယူမိနိုင်ပါတယ်။ ဥပမာ ထုတ်ပေးထားတဲ့ ကုဒ်စာကြောင်းအရေအတွက်က တကယ်အသုံးဝင်တဲ့ တန်ဖိုးတစ်ခု ဖန်တီးနိုင်ခဲ့သလားဆိုတာ မပြောပြနိုင်ပါဘူး။

နောက်ဆုံးအချက်က လုပ်ငန်းအများစုဟာ လိုအပ်တဲ့ လူ့ကျွမ်းကျင်မှုနဲ့ ကိုယ်တိုင်ဆုံးဖြတ်လုပ်ဆောင်နိုင်စွမ်းကို လျှော့တွက်ကြပါတယ်။ ယေဘုယျကျွမ်းကျင်မှုသင်တန်းတစ်ခု ပေးရုံနဲ့ မလုံလောက်ပါဘူး။ ဒီကိရိယာတွေကို ဆင်ခြင်ဆုံးဖြတ်ပြီး အသုံးချနိုင်သူတွေ ခေါင်းဆောင်တွေအနေနဲ့ လိုအပ်ပါတယ်။ တော်တဲ့အင်ဂျင်နီယာတစ်ယောက်ကို Codex လို ကိရိယာတစ်ခု ပေးလိုက်ရင် အကျိုးသက်ရောက်မှုက အဆပေါင်းများစွာ တိုးနိုင်ပါတယ်။ ဒါပေမဲ့ လက်တွေ့သုံးစနစ်တွေကို မှန်ကန်မှုစစ်ဆေးနိုင်တဲ့ ဆင်ခြင်ဆုံးဖြတ်နိုင်စွမ်း မရှိရင် အန္တရာယ်လည်း အဆပေါင်းများစွာ တိုးလာပါတယ်။

သင့်လက်ထဲမှာ ဒုံးပျံတစ်စင်း ရထားသလိုပါပဲ။ အထူးသဖြင့် လက်တွေ့သုံးစနစ်တွေမှာ မှန်ကန်မှုစစ်ဆေးခြင်းနဲ့ ဘေးကင်းရေးကန့်သတ်ချက်တွေ လိုအပ်ပြီး ထိန်းချုပ်မောင်းနှင်ခွင့်ကိုလည်း သင့်တော်သူတွေဆီ အပ်ဖို့ လိုပါတယ်။