လူတိုင်းဖြေနိုင်သင့်တဲ့ AI နဲ့ပတ်သက်တဲ့ မေးခွန်း ၃ခု 

AI နဲ့ပါတ်သက်တဲ့ ဆောင်းပါးတွေက သိပ္ပံဆိုင်ရာ စိတ်ကူးယဉ်ဝတ္ထုတွေ၊ AI ကြောင့် အလုပ်တွေ ပျောက်ဆုံးတော့မယ် ဆိုတဲ့ အချက်အလက်တွေကို ကိုးကားရင်း ဖတ်တဲ့သူတွေကိုအထိတ်တလန့် ဖြစ်စေပါတယ်။ ဒီနေ့ AI က ဘာတွေကို သူလို ငါလို လွယ်လွယ်လေး လုပ်လို့ရမလဲလို့ စတင်စဉ်းစားလို့ ရလာပါတယ်။ လုပ်ငန်းတွင်းမှာ  AI နဲ့ ပါတ်သက်တဲ့ ပညာရှင်တွေရှိမှ ဖြေရှင်းနိုင်မဲ့ အခြေအနေမျိုး မဟုတ်တော့ပါဘူး။ လုပ်ငန်းတွင်းမှာ ပိုပြီး အလုပ်ဖြစ်လာဖို့ လူတိုင်းက AI အသုံးပြု ဖြေရှင်းဖို့ လွယ်ကူတဲ့ ကိစ္စတွေကို မြင်နိုင်လာစေဖို့ပဲ ဖြစ်ပါတယ်။ အဲ့ဒီအတွက်က AI က ဘာတွေ လုပ်ပေးနိုင်လဲ၊ မလုပ်သင့်ဘူးလဲ ဆိုတာမျိုးကို သိဖို့လိုပါတယ်။

ဥပမာ ခရီး ခဏ ခဏ ထွက်ရတဲ့ အဖွဲ့အတွက် finance ဌာနက စီမံရတယ်ဆိုပါစို့။ အသုံးစရိတ် ဆိုင်ရာ software က ဘောင်ချာကနေပြီး merchant နံမည်၊ ကုန်ကျငွေ၊ အခွန် စတဲ့ အသုံးစရိတ် ခေါင်းစဉ် တွေကို machine learning အသုံးပြုပြီး ခန့်မှန်း ထုတ်ယူနိုင်မယ်ဆိုရင် များစွာ အကျိုးရှိမှာ ဖြစ်ပါတယ်။ အဆိုပါကဲ့သို့ အလုပ် တွင်ကျယ်စေမှု၊ အချိန်သက်သာမှု၊ လူသက်သာမှုစတဲ့ အခွင့်အလမ်း တွေကို ရှာဖွေတာက ခေါင်းဆောင်မှု ဆိုင်ရာ စိန်ခေါ်မှု တစ်ခု မဟုတ်တော့ ပါဘူး။ လူတိုင်း လုပ်ဆောင်နိုင်တဲ့ ကိစ္စတစ်ခု ဖြစ်လာပါတယ်။ 

AI မှာ အတိုးတက်ဆုံးက machine learning ဖြစ်ပြီး algorithm တွေ (ကွန်ပျူတာ programming language)ကို အချက်အလက်ပေါ်မှာ အခြေခံကာ ထပ်ကာတလဲလဲ အသုံးပြုပြီး မေးလာတဲ့ မေးခွန်းကို ပိုကောင်းအောင် ဖြေဆိုဖို့ လုပ်ဆောင်ထားတာမျိုးပါ။ သင်္ချာ သဘောတရားကို နားလည်လွယ်တဲ့သူတွေအတွက် သင့်တော်တဲ့ နည်းပညာမျိုးလို့လည်း ဆိုပါတယ်။ တကယ်က အဆိုပါ နည်းပညာကို နိစ္စဒူဝ အသုံးပြုရသူက ကွန်ပျူတာ သိပ္ပံ ပညာမှာ ဘွဲ့လွန် ရှိဖို့ လိုတယ်လို့ ဆိုရ မလိုပါပဲ။ ဒါပေမဲ့ အခုကတော့ တခြားနည်းပညာတွေလို ဖြစ်လာပါပြီ။ လုပ်ငန်းခွင် အဆင့်တိုင်းက နားလည်နိုင်ပြီး အပြည့်အဝ နားမလည်ရင်တောင် အသုံးချနိုင်ပါပြီ။ လေယာဉ်ပျံသန်းဖို့ လမ်းကြောင်း အသစ်ရှာတဲ့သူက လေယာဉ်မောင်းတတ်ဖို့ မလိုသလိုမျိုးပေါ့။ လေယာဥ် ဘယ်လိုပျံလို့ရတယ် ဆိုတာ သိရင်ရပြီလို့ ဆိုလိုတာပါ။ လေယာဉ်ကို ဘာအတွက် သုံးစရာ မလိုဘူး ဆိုတာ သာမန်လူ သိသလောက် သိရင် ရပါပြီ။ 

ကုမ္ပဏီတွေ၊ အဖွဲ့အစည်းတွေနဲ့ အစိုးရ လုပ်ငန်းတွေက ခေါင်းဆောင်တွေ အနေနဲ့ AI အတွက် ရင်းနှီး မြှုပ်နှံမယ်ဆိုရင် Machine Learning ပညာရှင်တွေနဲ့ tools ‌တွေမှာ မြုပ်နှံဖို့ စဉ်းစားကြပါတယ်။ အဆိုပါကိစ္စက အရေးကြီးတဲ့ အခွင့်အလမ်းတွေကနေ လွဲချော်သွား စေပါတယ်။  အဖွဲ့အစည်းအနေနဲ့ AI ကနေ အခွင့်အလမ်းတွေ အများဆုံးရဖို့ဆိုရင် အဖွဲ့အစည်းထဲကသူတွေကို နည်းပညာနဲ့ ရင်းနှီးစေဖို့ အကူအညီ ပေးသင့်ပါတယ်။ machine learning ကိုနားလည်မယ်ဆိုရင် လူတိုင်း သူတို့ အလုပ်မှာ အသုံးချနိုင်မဲ့ နေရာကို ရှာဖွေသွားနိုင်ချေ များလာမှာပါ။ လူကို အသုံးချပြီး ငြီးငွေဖွယ်ရာနေရာတွေမှာ machine learning ကို များသော အားဖြင့် အသုံးချနိုင်မှာ ဖြစ်ပြီး လူတွေရဲ့ အချိန်ကို သက်သာစေမှာပါ။ ပြီးတော့ စက်နဲ့ လုပ်တာထက် ပိုပြီး အရေးတကြီး လုပ်ဆောင်ရမဲ့ နေရာမှာ လူတွေက ပိုပြီး အာရုံစိုက် လာနိုင်မှာပါ။ Executive Assistant တွေလိုမျိုးအတွက် ဆိုရင် သူတို့ အသုံးပြုနေတဲ့ ပြက္ကဒိန်ဆိုင်ရာ ဆော့ဖ်ဝဲ တွေ အသုံးချမှု ပုံစံကို machine learning က လေ့လာပြီး လူကြီးက မတွေ့တာကြာတဲ့ team member တွေရှိနေတာမျိုးကို အကြံပေး လာနိုင်တာမျိုး ဖြစ်လာနိုင်ပါတယ်။ အဆိုပါ အခြေအနေမျိုးမှာ executive assistant က မိမိလူကြီး အတွက် အဖွဲ့ကို စီမံနိုင်ဖို့ လူအကူအညီလိုအပ်တဲ့ နေရာမျိုးမှာ အချိန်ပို ပေးလာနိုင်မှာ ဖြစ်ပါတယ်။

အဲဒီအတွက်ဆိုရင် မိမိလုပ်ငန်းက ဝန်ထမ်းတွေ အတွက်ကော ဘယ်လို AI မျိုး လေ့လာသင့်သလဲ။ ဖော်ပြပါ မေးခွန်း ၃ခုကို မိမိရဲ့ အဖွဲ့ဝင်တွေကို မေးကြည့်ပါ။

အဲ့ဒါက ဘယ်လို အလုပ် လုပ်တာလဲ။ 

AI system ကို အကောင်အထည်ဖော် လုပ်ဆောင်တဲ့ နေရာမှာ မပါဝင်တဲ့ ဝန်ထမ်းတွေအနေနဲ့ အနည်းဆုံး သတင်းအချက်အလက်တွေ ဘယ်လို ရယူ လုပ်ဆောင်ပြီး မေးခွန်းတွေကို ဖြေဆိုတယ် ဆိုတာတော့ သိထားသင့်ပါတယ်။ လူတွေ အနေနဲ့ ဘယ်လို လေ့လာသင်ယူပြီး စက်တွေအနေနဲ့ ဘယ်လို အချက်အလက်တွေ သင်ယူလုပ်ဆောင်တယ်ဆိုတဲ့ ကွာခြားချက်ကို နားလည်ဖို့ လိုပါတယ်။ ဥပမာ လူအနေနဲ့ အချက်အလက် ဒေတာ points ပေါင်း ၁သန်းကို နားလည်ဖို့ ဆိုရင် ပျမ်းမျှတွက်ချက်ခြင်း ဒါမှမဟုတ် chart ရေးဆွဲပြီး နားလည်အောင် လုပ်ဆောင်ပါတယ်။ Machine learning အနေနဲ့က တွက်ချက်တဲ့ နေရာမှာ အချက်အလက် တစ်ခုချင်း ဆီကို ထည့်သွင်း တွက်ချက်တာ မျိုးပါ။ ရှိပြီးသား ဒေတာ အချက်အလက် အဝင်နဲ့ အထွက်ကို အသုံးချပြီး ဖြစ်လာနိုင်တဲ့ ပုံစံကို ခန့်မှန်းဖို့ လေ့ကျင့်သင်ကြား ထားတာမျိုးပါ။ အသုံးဝင်မဲ့ အဖြေရဖို့ စက်ရဲ့စွမ်းဆောင်နိုင်မှုက ဒေတာပေါ်မှာ အခြေခံတဲ့ အတွက် မန်နေးဂျာ တစ်ယောက်အနေနဲ့ မိမိအဖွဲ့ဝင်တိုင်းကို ဒေတာဆိုင်ရာ အခြေခံ အသိ နဲ့ နားလည် နိုင်စွမ်းရှိဖို့ လုပ်ဆောင်ထားရမှာပါ။ ကိန်းဂဏန်းတွေက ဘာတွေ ပြောနေတယ် ဘယ်လို ဘက်လိုက်မှုတွေ အမှားတွေက ပျောက်ကွယ်နေတယ်ဆိုတာ လူတွေကို သိအောင် လုပ်ဆောင်ပေး ရပါမယ်။ ဒေတာကို နားလည်ခြင်းက AI အတွက် အခြေခံ ဖြစ်သလို လူတွေက AI ဘာကောင်းလဲ ဆိုတာ နားလည်ဖို့ အကူအညီပေးတာပဲ ဖြစ်ပါတယ်။

ဘာကောင်းတာလဲ

သတင်းအချက်အလက်တွေ အများကြီးကို အသုံးချပြီး ပြဿနာတွေကို ဖြေရှင်းတဲ့ နေရာ မှာ Machine learning က သမတူအောင်ပါ။ လူတွေ သတ်မှတ်ပေးထားတဲ့ အဝန်းအဝိုင်းအတွင်းကနေ အဖြေထုတ်ပေးတဲ့ နေရာမှာပေါ့။ ဥပမာအနေနဲ့ ပြောရရင် အသုံးစရိတ် ဆိုင်ရာ ဆော့ဖ်ဝဲမျာ လူသန်းပေါင်းများစွာရဲ့ ဘောင်ချာစာရွက်ကနေ ကော်ဖီဆိုင်က ကော်ဖီတစ်ခွက်ရဲ့ ကုန်ကျစရိတ်ကို ခရီးအတွက်လား၊ စာရေးကိရိယာလား၊ ဖျော်ဖြေရေး အသုံးစရိတ်လား စသည်ဖြင့် ခွဲခြားနိုင် သင့်တာမျိုးပေါ့။ Machine learning ကဘာအတွက်ကောင်းတာလဲကို လေ့လာသင်ယူတဲ့သူက machine learning ကို ဘယ်လို နေရာမျိုးမှာ သုံးမရလဲ သိလာမှာပါ။ ရှုပ်ထွေးတဲ့ ပြဿနာမျိုးတွေနဲ့ အချက်အလက်မရနိုင်တဲ့ ကိစ္စမျိုးတွေမှာတော့ လူတွေကိုပဲ အားထားနေရဦးမှာပါ။ လုပ်ငန်းတွင်း သို့မဟုတ် လုပ်ငန်းပြင်ပက AI ကို အသုံးပြုထားတဲ့ နည်းပညာ တွေကို ပြသပြီး ဝန်ထမ်းတွေကို နားလည်ပါစေ။ (ဥပမာ social media ဒါမှမဟုတ် streaming ဆိုင်ရာဝန်ဆောင်မှု အတွက် အကြံပြုမှုများ) အဆိုပါ ဥပမာများက ဝန်ထမ်းများကို AI ရဲ့ အလားအလာနဲ့ အကန့်အသတ်များကို နားလည်ဖို့ အကူအညီ ဖြစ်လာမှာပါ။ 

ဘာမလုပ်သင့်ဘူးလဲ

Machine learning က ပြဿနာကို ဖြေရှင်းပေးနိုင်တယ် ဆိုပေမဲ့ လုပ်သင့်တယ်လို မဆိုလိုပါဘူး။ အချက်အလက်က ဖော်ပြတဲ့ ဘက်လိုက်မှုတွေကို စက်က နားမလည်နိုင်ပါဘူး။ အဲ့အပြင် ပေးလိုက်တဲ့ အဖြေရဲ့ အကျိုးဆက်ကိုလဲ မချိန်ဆ နိုင်ပါဘူး။ လုပ်ငန်းအတွင်းမှာ AI ကို ဖြေရှင်းခိုင်းဖို့ မသင့်တဲ့ ပြဿနာ အချို့ ရှိနေဦးမှာပါ။ ဘယ်သူကို ခန့်ရမလဲ ဆိုတာမျိုးကို AI ကို နောက်ဆုံး ဆုံးဖြတ်ချက် ချခိုင်း တာမျိုးပေါ့။ ဘုတ်အဖွဲ့ အစည်းအဝေးမှာ ဘာတွေ ဆွေးနွေးမလဲ။ စွမ်းဆောင်ရည် ကျဆင်းနေတဲ့ ဝန်ထမ်းကို ဘယ်လို စီမံ မလဲ ဆိုတာမျိုးတို့ပါ။ AI ရဲ့ ကျင့်ဝတ်ဆိုင်ရာ အကန့်အသတ် တွေပေါမှာ လုပ်ဆောင်နိုင်စွမ်းကို ခန့်မှန်းနိုင်ပါက ဝန်ထမ်းအနေနဲ့ AI ကို တလွဲအသုံးချဖို့ မဖြစ်အောင် စီမံနိုင်ပါတယ်။ 

AI ခေတ်မှာ အဖွဲ့အစည်းကောင်း ဆိုတာ AI ကို ဘယ်လိုမျိုး အသုံးချပြီး ဝန်ထမ်းတွေရဲ့ နိစ္စဒူဝ လုပ်ဆောင်မှုတွေမှာ ပိုကောင်းလာအောင် လုပ်ဖို့ အခွင့်အလမ်းတွေရှာပြီး မြန်မြန် အကောင်အထည် ဖော်နိုင်တဲ့ အဖွဲ့အစည်းမျိုးပါ။ ဘယ်လိုနေရာမှာ အသုံးချမယ် မချဘူးဆိုတာ ရှင်းရှင်းလင်းလင်း သိနေတဲ့ သူမျိုးပေါ့။ နည်းပညာမှာ မြုပ်နှံသလို လူတွေရဲ့ အရေးပါ အသုံးဝင်မှုကို မမေ့ပဲ ဝန်ထမ်းတွေကို ပံ့ပိုးပေးတာ၊ အသိပေးဆက်ဆံမှု ပြုလုပ်တာ၊ ကောင်းမွန်တဲ့ အကြံဉာဏ်တွေကို စမ်းသပ်လုပ်ဆောင် တာမျိုးပါ၊ ကျယ်ကျယ် ပြန့်ပြန့် ဖြစ်လာတဲ့ AI အတွက် အသင့်ဖြစ်ဖို့ဆိုရင်၊ အဖွဲ့အစည်း တစ်ခုလုံးက အသင့်ဖြစ်နေဖို့ လိုပါတယ်။ 

ကျော်မင်းဟန် (Kaizen Practitioner)

ရည်ညွှန်း : AI questions every employee should be able to answer by Emma Martinho-Trustwell (HBR guide to AI Basic for Managers)