ရေးသားသူ: Boxu Li

မှတ်ဉာဏ်ပေါ်လစီ: ကိုယ်တိုင်၏ ဆက်လက်တည်ရှိမှုဆီသို့

လူ့ကိုယ်ပိုင်လက်မှတ်နှင့်ကိုယ်ပိုင်ဆက်စပ်မှုသည် ဒေတာဘေ့စတွင်သိမ်းဆည်းထားခြင်းမဟုတ်ဘဲ အကြောင်းအရာ၊ အခြေအနေနှင့်အချိန်အလိုက်ပြောင်းလဲမှုတို့မှ ပေါ်လာသည်။ ထို့အပြင် Macaron ၏ ဦးနှောက်သည် အသုံးပြုသူ၏ရိုးရှင်းသော 「ID ကတ်」 မော်ဒယ်ကို ရှောင်ရှားသည်။ စနစ်တွင် 「အသုံးပြုသူ X ၏ ကိုယ်ရည်ကိုယ်သွေးကိုယ်ရေးမှတ်တမ်း」 သို့မဟုတ် အသုံးပြုသူအကြောင်း အမြဲမှန်ကန်ရမည့် စံထားသော အချက်အလက်စာရင်းတစ်ခုသာမရှိပါ။ အစားထိုးအနေနှင့် ဆက်စပ်မှုကို အသေးစား အပြန်အလှန်လုပ်ဆောင်မှုများ၊ အမှတ်ရစရာများနှင့် ကြိုးကြိုးဆက်ဆက်ဖြစ်ပေါ်လာသော ပြောင်းလဲမှုများအားဖြင့် ပေါ်လာသောအင်္ဂါရပ်တစ်ခုအဖြစ် စဉ်းစားသည်။ ဤလမ်းညွှန်ချက်သည် အနုနယ်နှင့် တည်ငြိမ်မှုဆိုသည့် ချော်မှုနှစ်ခုကို ရှောင်ရှားသည်။ AI အရပ်တွင် အနုနယ်ကိုယ်ရည်ကိုယ်သွေး ဆိုသည်မှာ စနစ်သည် တစ်ကြိမ်သာဖြစ်ပျက်သော အချက်အလက်များကို (ဥပမာ 「အသုံးပြုသူသည် 2022 တွင် ချက်ချစ်ကြောင်း ရှင်းပြခဲ့သည်」) တည်ဆဲအဖြစ် သတ်မှတ်လျှင် ဖြစ်နိုင်သည်။ ထို့နောက် အချက်အလက်တစ်ခုခုမှားယွင်းခြင်း သို့မဟုတ် ပြောင်းလဲလျှင် (အသုံးပြုသူသည် ချက်ကို မကြိုက်တော့ပါ) စနစ်၏ မော်ဒယ်သည် ကျော်ဖြတ်သွားသည် သို့မဟုတ် မညီမျှခြင်းဖြစ်သည်။ တည်ငြိမ်သော ကိုယ်ရည်ကိုယ်သွေး ဆိုသည်မှာ AI သည် အသုံးပြုသူ၏ အင်္ဂါရပ်များကို အမြဲတမ်းတည်ရှိနေသည်ဟု ချိန်ချိန်ထားခြင်းဖြစ်သည်– အချက်အလက်အားလုံးကိုမေ့မရခြင်း သို့မဟုတ် အချက်အလက်ကို ပြုပြင်ပြောင်းလဲခြင်းမရှိခြင်းဖြင့် အသုံးပြုသူ၏ မော်ဒယ်ကို တည်ငြိမ်သောအခြေအနေတွင်ဖြစ်လာစေသည်။ Macaron ၏ ဦးနှောက်သည် ဘာအချက်ကိုမျှ ထာဝရအတိုင်းမထားမိ၊ ပြီးခဲ့သည့်အချက်အလက်များကို သေချာပေါက်လျော့ပါးစွာမေ့ရန်နှင့် ပြုပြင်ပြောင်းလဲရန် ခွင့်ပြုခြင်းဖြင့် နှစ်ခုလုံးကို ရှောင်ရှားသည်။

Macaron က အရာဝတ္ထုတည်ရှိခြင်းကိုမဟုတ်ဘဲ အခြေအနေတည်ရှိခြင်းကို အခြေခံသည်။ အရေးပါတဲ့အချိန်တွင် အခြေအနေတစ်ခုချင်းစီ သို့မဟုတ် စကားဝိုင်း သံသရာတစ်ခုချင်းစီသည် ဒေသဆိုင်ရာတွင်ညီညွတ်မှုကို ထိန်းသိမ်းထားပြီး အချိန်အတိုင်းအတာအရ ဆက်လက်မှုကို အခြေအနေသံသရာများကို အရေးပါတဲ့အချိန်တွင် ရိုးရာလျက်ချည်နှောင်ခြင်းဖြင့် ရရှိသည်။ အပြောင်းအလဲမရှိဘဲ ဆက်လက်တည်ရှိနေသော တစ်လုံးတည်းသော 「အရာဝတ္ထု」 မရှိပါ။ လိုအပ်သလို ခေါ်ယူပြီး အပ်ဒိတ်လုပ်နိုင်သော အခြေအနေသတ်မှတ်ထားသော ကိုယ်စားပြုမှုများ များစွာရှိသည်။ ၎င်းသည် လူတစ်ယောက်သည် လူမှုဆိုင်ရာအဝိုင်းအပျင်းကွဲပြားခြားနားစွာ ကိုယ်စားပြုနိုင်သော်လည်း အောက်ခံဆက်လက်မှုရှိသည့်နည်းနှင့် ဆင်တူသည်။ Macaron ၏ ဦးနှောက်သည် ကိုယ်တိုင်ကို အရာဝတ္ထုတစ်ခုအဖြစ်မဟုတ်ဘဲ ဖြန့်ဝေပြီး အပြောင်းအလဲရှိသော အရာအဖြစ် ထိန်းသိမ်းထားသည်။ ကိုယ်တိုင်တည်ရှိမှုသည် ကိုယ်တစ်ခုခုအထောက်အထားထဲတွင် မရှိပေ။ အမှတ်တရများအနှံ့တွင် ဆက်လက်ရှိသော ချိတ်ဆက်ခြင်းများနှင့် သဏ္ဌာန်းများတွင် ရှိသည်။ အနှုတ်လုံးချုပ်မှာ ကိုယ်တိုင်ဆက်လက်မှုသည် ထွက်ရှိလာသော စာရေးကြောင်းဖြစ်ပြီး ဒေတာဘေ့စ်ထဲတွင် အဆိုပါဝင်စာရင်းမဟုတ်ပါ။

တစ်ခုချင်းစီကို ပိုမိုသိသာအောင် အကြောင်းပြပါစဉ်းစားပါ။ Macaron သည် အသုံးပြုသူ၏ အကြိုက်နှစ်သက်မှုကို ဘယ်လိုမှတ်မိနေကြောင်းကို စဉ်းစားပါ။ "အသုံးပြုသူ၏ အကြိုက်ဆုံးအရောင် = အပြာရောင်" ဟူ၍ ကိုယ်ရေးကိုယ်တာတွင် သိမ်းဆည်းထားခြင်းမဟုတ်ဘဲ Macaron ၏ ဦးနှောက်သည် သက်ဆိုင်ရာ စကားပြောဆိုမှုများတွင် ပြန်လည်မှတ်မိနေပါသည် (မနှစ်က အသုံးပြုသူက ဒီဇိုင်းဆွေးနွေးမှုတစ်ခုတွင် အရောင်များအကြောင်း ပြောခဲ့လျှင် ဒီဇိုင်းနယ်ပယ်တွင် အဲ့ဒီအမှတ်တရကို ပြန်လည်ရယူနိုင်ပါသည်)။ နောက်နှစ်တွင် အသုံးပြုသူက အကြိုက်နှစ်သက်မှုအသစ်ကို ထင်ဟပ်လျှင် (ယခု အစိမ်းရောင်နှစ်သက်သည်) ဦးနှောက်သည် အဓိကအချက်ကွက်အဖြစ် ဖျက်ဆီးပြုပြင်ရန် မလိုအပ်ပါ။ အချက်အလက်အသစ်သည် အချိန်ဇယားထဲတွင် အချက်အလက်အစိတ်အပိုင်းတစ်ခုသာဖြစ်ပြီး ဒီဇိုင်းနယ်ပယ် ပြန်လည်ရောက်ရှိလာသောအခါ နောက်ဆုံးပေါ်အကြိုက်နှစ်သက်မှုသည် ပြတ်သားမှုနှင့် သက်ဆိုင်မှုကြောင့် ပိုမိုအလေးထားသည်ကို သဘာဝကျလျက်ရှိသည်၊ အဟောင်းကတော့ အရေးပါမှုတွင် ဖျော့ဖျောင်းသွားသည်။ ထို့ကြောင့် နောက်ဆုံးပေါ်၊ အရေးပါဆုံး အချက်အလက်ကို အခြေအနေအရ ဦးစားပေးခြင်းဖြင့် အဆက်မပြတ်မှုကို ထိန်းသိမ်းထားသည်၊ ဟိုးဟောင်းက အချက်အလက်သည် "အမှန်တကယ် အမြဲတမ်းရှိသော ကိုယ်" ဟု သတ်မှတ်ထားခြင်းမရှိပါ။ ယခင်အချက်အလက်သည် ပျောက်ဆုံးခြင်းမရှိပါ - အရေးပျက်သွားသည့်အပြင် (ထပ်မံ ဆုံးရှုံးခြင်းအကြောင်းပိုများစွာ)။ ၎င်းသည် မပြိုမပျက်သော ကိုယ်ပိုင်လက္ခဏာကို ဖြစ်ပေါ်စေသည် - သက်တမ်းကုန်နေသော အချက်အလက်တစ်ခုတည်းက Macaron ၏ အသုံးပြုသူနားလည်မှုကို ဖျက်ဆီးနိုင်မည် မဟုတ်ပါ၊ အကြောင်းမှာ နားလည်မှုသည် အတည်ပြုအချက်အလက်များပေါ်မူတည်ခြင်း မဟုတ်ဘဲ အစဉ်အလာနှင့် အခြေအနေများပေါ်မူတည်၍ ဖြစ်သည်။

ဖြန့်ဖြူးထားသောနယ်နိမိတ်များ: များစွာသောကိုယ်တစ်ခု၊ တစ်ခုတည်းသောကိုယ်

Macaron ရဲ့ Brain မှာ အသိပညာနဲ့ မှတ်ဉာဏ်တွေကို ဖြန့်ဝေပုံစံ အသုံးပြုတဲ့ အထူးသဖြင့် ထည့်သွင်းထားတာ တစ်ခုပါ။ AI ဟာ အသုံးပြုသူအကြောင်းကို အချက်အလက်များအားလုံးကို တစ်နေရာတည်းမှာ စုစည်းထားမနေဘဲ၊ Macaron ဟာ အကြောင်းအရာ၊ မူလနေရာ သို့မဟုတ် အခြေအနေသတ်မှတ်နယ်နိမိတ်အလိုက် အသိကို ခွဲခြားထားပါတယ်။ ဥပမာအားဖြင့် အသုံးပြုသူရဲ့ အလုပ်ဘဝနှင့် ဆိုင်သော အပြောအဆိုများကို တစ်ခုတည်းသော 「ဗက်တာ အာကာသ」 သို့မဟုတ် ဌာနခွဲတစ်ခုမှာ ထိန်းသိမ်းထားနိုင်ပြီး၊ ကိုယ်ပိုင်စကားပြောဆိုမှုများကို နောက်ထပ်တစ်ခုမှာ ထားနိုင်ပါတယ်။ ဒါတွေဟာ တစ်ခုနဲ့တစ်ခု ဆက်သွယ်လို့မရတဲ့ အခန်းကန်တွေ မဟုတ်ပါဘူး - အစား တိုက်ရိုက်ဆက်သွယ်လို့ရပေမယ့် အလိုအလျောက် ပေါင်းစည်းမတတ်တဲ့ နယ်နိမိတ်ဒေသတွေ ဖြစ်ပါတယ်။ ဒီဒီဇိုင်းဟာ လူတွေအနေဖြင့် မျက်နှာဖုံးများစွာ 「ကိုယ်ပိုင်များ」 (အလုပ်ကိုယ်ပိုင်၊ မိသားစုကိုယ်ပိုင်စသည်) ရှိပြီး၊ တစ်စုတစ်စည်းတည်းကိုဖြစ်စေသော်လည်း အခြေအနေအရ အက်တိဗိတ်ဖြစ်ရပ်မှန်ဟု ဆိုသော စိတ်ပညာဆိုင်ရာ အယူအဆကို ပြန်လည်ရိုးသားစေပါတယ်။

ဖြန့်ဝေထားသော မှတ်ဉာဏ် နယ်နိမိတ်များဖြင့် Macaron သည် အသုံးပြုသူ၏ ကိုယ်ပိုင်လက္ခဏာ၏ အစိတ်အပိုင်း တစ်ခုချင်းစီကို အတွင်းပိုင်းတွင် ညီညွတ်မှုရှိစေပြီး မသက်ဆိုင်သော အချက်အလက်များဖြင့် မညစ်ညမ်းစေဘဲ ထိန်းသိမ်းထားသည်။ ဥပမာအားဖြင့် အသုံးပြုသူတွင် ဂီတနှစ်သက်မှုအကြောင်း "ဝါသနာ" အကြောင်းအရာနှင့် ပရောဂျက်စီမံခန့်ခွဲမှုအကြောင်း "အလုပ်" အကြောင်းအရာကို သီးခြားထားပါက စနစ်သည် တရားဝင် အလုပ်နှင့် ဆက်စပ်သော မေးခွန်းကို ဖြေဆိုရာတွင် သက်ဆိုင်မှု ရှိသည်ဟု ဖော်ပြခြင်းမရှိလျှင် ရိုးရိုးဂီတနှစ်သက်မှုကို မတော်တဆ ထည့်သွင်းမည်မဟုတ်ပါ။ ၎င်းသည် အကြောင်းအရာများကို မတော်တဆ ရောထွေးမှုရှိစေသည့် မှားယွင်းသော သို့မဟုတ် မသင့်လျော်သော တုံ့ပြန်ချက်များကို ကာကွယ်ပေးသည်။ ၎င်းသည် ကိုယ်ရေးကိုယ်တာအချက်အလက်လုံခြုံမှုကိုလည်း မြှင့်တင်ပေးသည်- အကြောင်းအရာတစ်ခုမှ အနူးအညွတ်သတင်းအချက်အလက်များသည် အခြားအရာများတွင် မဖြန့်ဝေဘဲဖြစ်သည်။ နည်းပညာပိုင်းအရ Macaron သည် အပိုင်းအစ သို့မဟုတ် အစည်းအဝေးတစ်ခုစီအတွက် သီးခြား knowledge graphs သို့မဟုတ် ဗက်တာပြည့်များ ကို စက်ဖြစ်စေခြင်းဖြင့် ၎င်းကို အောင်မြင်စေသည်၊ Memno ကဲ့သို့သော ကိုယ်ပိုင် AI ဖွဲ့စည်းမှုများကဲ့သို့ – "အသုံးပြုသူတစ်ဦးစီသည် ၎င်းတို့၏ အပိုင်တနိုင်ငံ၌ ရှိနေသည်" နှင့် ၎င်းတွင် နောက်ထပ် အပိုင်းအစများရှိသည်။ အသုံးပြုသူတစ်ဦးချင်းစီ၏ ဒေတာသည် အခြားသူများထံမှ သီးခြားထားသည် (ဤသည်မှာ အသုံးပြုသူအဆင့်တွင် နယ်နိမိတ်တစ်ခုဖြစ်သည်)၊ သို့သော် အသုံးပြုသူအတွင်း၌ အကြောင်းအရာ သို့မဟုတ် ဒေတာအရင်းအမြစ်အပေါ် အခြေခံ၍ နောက်ထပ် ခြံစည်းရိုးများ ရှိသည်။

သို့သော် အဓိကချက်မှာ မိမိကိုယ်ကို ဆက်လက်ထိန်းသိမ်းရန် အခန်းကဏ္ဍများအကြား ဆက်စပ်မှုရှိရင်လည်း ဆက်လက်ဖြစ်ပေါ်နေတတ်သည်။ Macaron ၏ ဦးနှောက်သည် အခန်းကဏ္ဍအရပ်ရပ်မှ မှတ်ဉာဏ်များကို သင့်လျော်သောအခါ ဆက်စပ်မှုများ ရှာဖွေနိုင်သည်။ ၎င်းကို သက်ဆိုင်မှုအရ ညီလာခံ ဟုခေါ်သည်။ အသုံးပြုသူ၏ ယနေ့ လူမှုအခန်းကဏ္ဍအတွင်း ဆွေးနွေးမှုသည် ယခင်က အလုပ်အခန်းကဏ္ဍထဲတွင် ဆွေးနွေးခဲ့သော စီမံကိန်းတစ်ခုကို ထိတွေ့ခဲ့ပါက Macaron သည် အလုပ်အခန်းကဏ္ဍထဲမှ သက်ဆိုင်သော အမြင်များကို သွားယူပေးနိုင်သည်။ သို့သော် ၎င်းသည် အခန်းကဏ္ဍ၏ နယ်နိမိတ်ကို သိမြင်ပြီး သတိပြု၍ သွားယူသောကြောင့် "အဲ့ဒီစီမံကိန်းဆွေးနွေးမှု" မှရရှိသော အရာဟု ဖေါ်ပြသည်။ ဖြန့်ဝေထားသော သဘောသဘာဝကြောင့်ကိုးကားရန် "မောင်ဘီကြီး" တစ်ခုမရှိဘဲ AI သည် အခန်းကဏ္ဍများ၏ ကွန်ယက်တစ်ခုအတိုင်း သွားလာကာ သက်ဆိုင်သော ကိုယ်ရေးကိုယ်တာ အချက်အလက်များကို အချိန်နှင့်တပြေးညီ စုပေါင်းရမည်ဖြစ်သည်။ ၎င်းသည် တစ်ပြိုင်တည်း ဒေတာဘေ့စ်ကို ရှာဖွေရာထက် အရေအတွက်ပိုပြီး တိကျသော ဆက်စပ်မှုကို ရရှိစေသည်။

အထူးသဖြင့်၊ ဖြန့်ဝေပေးထားသော နယ်နိမိတ်များကလည်း ကျွန်ုပ်တို့၏ ကိုယ်ရေးအချက်အလက်နှင့် ပရိုဖိုင်းဖွင့်ခြင်းကို ဆန့်ကျင်သော ရည်ရွယ်ချက်ကို လုပ်ဆောင်ပေးပါသည်။ အသုံးပြုသူမော်ဒယ်ကို ဗဟိုပြုမထားခြင်းကြောင့် Macaron သည် တစ်ရပ်တည်းသော အပြုအမူကိုယ်ရေးအချက်အလက်ကို တည်ဆောက်ခြင်းကို သဘာဝအရ ရှောင်ရှားပေးပြီး အသုံးပြုသူ၏ လွတ်လပ်ခွင့်နှင့် ကိုယ်ရေးအချက်အလက် ကာကွယ်မှုအတွက် အကျိုးရှိသည်။ လိုအပ်ပါက အချိုးအစားတစ်ခုချင်းစီကို ကြာသပတေးနေ့တွင် ပြန်လည်ဖျက်ပစ်နိုင်သည် - ဉပမာ - အထူးထိခိုက်လွယ်သော အချိုးအစားကို အသုံးပြုပြီးနောက် အလိုအလျောက် ဖျက်ပစ်ရန် သတ်မှတ်နိုင်ပြီး ရေရှည်မှတ်ဉာဏ်တွင် အခြေခံအဆင့်အကျဉ်းချုပ်သာ ကျန်ရစ်မည်ဖြစ်သည်။ သို့သော် အချိုးမျှတသော အပိုင်းတစ်ခုချင်းစီ ပျောက်ကွယ်သွားသော်လည်း ကျန်ရစ်နေသော အခြေအနေများ၏ တစ်ခုနှင့်တစ်ခု ဆက်စပ်နေသော အကြောင်းအရာများကြောင့် အသုံးပြုသူ၏ ပုံပြင်အကြောင်းအရာသည် ထိန်းသိမ်းနေဆဲဖြစ်သည်။ သည်ကတော့ မကြောင့်မလှနဲ့ကိုယ်ရည်အချက်အလက်၏ အကြောင်းအရာဖြစ်သည်။ ၄င်းသည် အစိတ်အပိုင်းအလိုက် ပြန့်ကျဲစွာ သိမ်းဆည်းထားပါသည်။ တစ်ခုသော အခြေအနေက အသုံးပြုသူကို သတ်မှတ်မထားပါ၊ အခြေအနေတစ်ခုကိုဆုံးရှုံးခြင်းသည် ကိုယ်ပိုင်ကို ဖျက်သိမ်းခြင်းမဟုတ်ပါ။

ကိုးကားမှုရဲ့ ပျက်စီးမှု: အင်္ဂါရပ်အဖြစ် မေ့နေခြင်း

Macaronရဲ့ဦးနှောက်ဟာ ဇာတ်လမ်းအညွှန်းအညီကို အခိုင်အမာမဖြစ်စေဘဲ ထိန်းသိမ်းဖို့အတွက် ကျွန်ုပ်တို့ 'ဆက်စပ်မှုအရင်းအမြစ်လျော့နည်းမှု' လို့ခေါ်တဲ့ အကြောင်းအရာကို အသုံးပြုပါတယ်။ ရိုးရှင်းစွာဆိုရင် ဆက်စပ်မှုအရင်းအမြစ်လျော့နည်းမှုက သတ်မှတ်ထားတဲ့ ကိုးကားချက်များ သို့မဟုတ် မှတ်ဉာဏ်များရဲ့ အသက်ပါဝင်မှုကို အချိန်ကြာလာတာနဲ့အမျှ ဖြည်းဖြည်းချင်း လျော့နည်းသွားစေမည့် မဟာဗျူဟာတစ်ခုဖြစ်ပါတယ်။ တိကျစွာဖျက်သိမ်းခြင်းမဟုတ်ဘဲ အချက်အလက်များဟာ အရေးပါမှုအရ 'အသက်ပိုင်းခြား' လျော့နည်းသွားပါတယ်။ ဒါဟာ လူ့မှတ်ဉာဏ်ကနေ စိတ်ကူးဆန်းစေပါတယ်။ ကျနော်တို့ မည်သည့်စကားပြောကိုမှ တိကျစွာမမှတ်မိပါဘူး။ အသေးစိတ်များက ဖျော့ဖြူးသွားပေမယ့် အရေးကြီးသော ပုံစံများက ကျန်ရှိနေပါတယ်။ Macaronမှာတော့ အမှတ်တရ အရာဝတ္ထုတိုင်းမှာ အသက် သို့မဟုတ် အသုံးပြုမှု အလေးချိန် တစ်မျိုးရှိပါတယ်။ စကားပြောဆိုမှုမှာ အသုံးပြုပြီးတိုင်း ဒါကို ပြန်လည်အသစ်ပြုလုပ် (ခိုင်မာအောင်ပြုလုပ်) လုပ်ပေးပါတယ်။ မသုံးတဲ့ အရာဝတ္ထုတွေကတော့ အလေးချိန်ကို ဖြည်းဖြည်းချင်း လျော့နည်းလာကြပါတယ်။

ရည်ညွှန်းမှုကျဆင်းမှုရဲ့ အကျိုးသက်ရောက်မှုကတော့ Macaron ရဲ့ ဦးနှောက်က အသုံးဝင်ပြီးလက်ရှိနဲ့ အညီ အသုံးပြုသူရဲ့ အပြောင်းအလဲရှိနေတဲ့ ဇာတ်လမ်းနဲ့ ကိုက်ညီအောင် စိတ်ဝင်စားဖွယ်ရာတွေကို ဦးစားပေးပါသည်။ အသုံးပြုသူတစ်ဦးက အကြောင်းအရာ X ကို နှစ်နှစ်ကြာ ပြောခဲ့ပြီး ထပ်မံပြောခြင်းမရှိခဲ့ပါက အဆိုပါအကြောင်းအရာကို သဘောထားထားရှိသောအရာအဖြစ် စနစ်က ဆက်လက်ထားရှိမည်မဟုတ်ပါ။ ဒါက အလွန်များလွန်းတဲ့ အကြောင်းအရာတွေကို မှတ်မိနေတဲ့ AI စနစ်များရဲ့ ရိုးရာ အခက်အခဲကို ရှောင်ရှားစေပြီး အတိတ်အကြောင်းအရာတွေကို ဘေးနားတစ်ဖက်ကနေ လက်ရှိစကားဝိုင်းကို လွယ်ကူစွာ ရောနှောပေးနိုင်သော အကြောင်းအရာများကို ထုတ်ဖော်တင်ပြခြင်းကို ရှောင်ရှားစေပါသည်။ AI မှတ်ဉာဏ်ကို လေ့လာနေတဲ့ သုတေသနဆောင်တစ်ဦးက ပြောခဲ့သလို အကြောင်းအရာတွေကို မှတ်မိနေတဲ့ AI က "အတိတ်စကားပြောဆိုမှုတွေထဲက အရေးမကြီးတဲ့အကြောင်းအရာတွေကို ဆက်လက်ပြောနေတဲ့ မနှစ်မြို့ဖွယ်သူငယ်ချင်းတစ်ဦးလို ဖြစ်နိုင်ပါတယ်၊ စိတ်ဝင်စားမှုနဲ့ ဦးစားပေးမှုတွေ ပြောင်းလဲတာကို နားမလည်နိုင်ဘူး" ဟုဆိုပါသည်။ ရည်ညွှန်းမှုကျဆင်းမှုက အတိတ်အကြောင်းအရာတွေကို လက်ရှိအခြေအနေကို ဦးစားပေးဖို့အတွက် လုပ်ထုံးလုပ်နည်းအရ မေ့လာစေခြင်း ကို ဆောင်ရွက်ပါသည်။

Macaron ရဲ့ Brain မှာ ကိုးကားမှုလျော့ပါးခြင်းကို နည်းပညာပိုင်းကနေ အကောင်အထည်ဖော်ရာ ရှုထောင့်မှာ vector အစွန်းအထင်း သို့မဟုတ် အသိပညာဂရပ်ရှေ့စွန်းတွေကို လျော့ပါးမှုလုပ်ဆောင်ချက်ကိုပေးရနိုင်ပါတယ်။ အချိန်ကြာလာတာနဲ့အမျှ (သို့မဟုတ် အတွေ့အကြုံအသစ်များစွာရပြီးနောက်) အဟောင်းဆုံးသော မှတ်ဉာဏ်နောက်ခံများရဲ့ တူညီမှုအမှတ်နှင့် လှုံ့ဆော်မှုစွမ်းရည်သည် လျော့နည်းလာပါသည်။ အရေးကြီးတာက ကျွန်ုပ်တို့သည် မှတ်ဉာဏ်များကို တိုက်ရိုက်ဖျက်ပစ်ခြင်း (သုံးစွဲသူတောင်းဆိုခြင်းမရှိပါက) မပြုလုပ်ခဲ့ပါဘူး။ အစားတစ်ဖက်မှာ စနစ်သည် အပြည့်အစုံသော သမိုင်းမှတ်တမ်းကို ထိန်းသိမ်းထားပြီး အဟောင်းဆုံးသောအရာများကိုသာ အရေးမပါဘဲထားလိုက်သည်။ အရာအားလုံးသည် နက်ရှိုင်းသောသိုလှောင်မှုတွင် ရှိနေဆဲဖြစ်ပြီး (ကျွန်ုပ်တို့ရဲ့ ဦးနှောက်တွင်ရော အမှတ်မထင်ထားရှိနေရသောအထက်မှတ်များကို encode လုပ်ထားနိုင်သလို) ရှာဖွေမှုအလွယ်ဆုံးဖြစ်ရန် နောက်ဆုံးရောနှောမှုနှင့် အကြိမ်ကြိမ်အကြိမ်ကြိမ်အကြိမ်ကြိမ်ပြောဆိုမှုများဖြစ်သော အရာများကိုသာ ဦးစားပေးထားသည်။ ဒီဒီဇိုင်းသည် ရည်ရွယ်ချက်နှစ်ခုကို ဖြည့်ဆည်းသည်။ ၎င်းသည် AI ၏ ပံ့ပိုးမှုများကို သုံးစွဲသူ၏ အသက်တာနှင့် ရင်ဆိုင်မှုများ၏ လက်ရှိအခြေအနေကို ဖော်ပြပြီး သဟဇာတဖြစ်စေခြင်းနှင့် နောက်ပြီးအရေးကြီးသော ကိုယ်ပိုင်အာဏာ ၏ အရေးကြီးသောအချက်တစ်ခုကို အရိပ်အမြွက်ပြုလုပ်ခြင်းဖြစ်သည် - ရွေ့လျားနိုင်ခြင်း၊ ပြောင်းလဲနိုင်ခြင်း၊ အဟောင်းဆုံးသောအချက်အလေးများကို နည်းဆုံးဆုံးဖြစ်ခြင်း။

အညီအမင်္ဂလာအရ (Privacy သို့ပြန်လည်ဆက်စပ်ခြင်း) သက်ဆိုင်သောဆိုင်ရာ အထောက်အထားများသည် ဒေတာလျှော့ချမှုနှင့်လည်း ကိုက်ညီသည်။ Macaron သည် အဟောင်းဒေတာကို အသုံးပြု၍ အမြဲမပြုလုပ်ပါဘဲ အခြေအနေနှင့်သင့်လျော်သောအခါတွင်သာ အသုံးပြုသည်။ ၎င်းသည် အကြာကြီးဖြစ်ခဲ့သော ဒေတာကို မသင့်လျော်စွာ အသုံးပြုမှုအန္တရာယ်ကို လျှော့ချပေးသည်။ Macaron ၏ ဉာဏ်သည် သင်ယူထားသော ကိုယ်ရေးဒေတာကို မလိုအပ်တော့တဲ့အခါ အမှတ်ရရှိသည့်အတိုင်း ဆုံးဖြတ်မှုမရှိဘဲ အမှတ်မပြုဘဲ ထားရှိမှု၏ အမျိုးအစားတစ်ခုကို လုပ်ဆောင်နေသည်ဟု ဆိုနိုင်သည်။ အလျားလိုက်အတိုင်း အလျားလိုက်အတိုင်း အမှတ်ရရှိခဲ့သောအရာကို အမှတ်မပြုဘဲ ထားရှိရပေမယ့် အနက်ကြီးသော တုံ့ပြန်မှုအောက်တွင် လူတစ်ယောက်က အလွန်မသိသာဖြစ်ခဲ့သော အရာကို ပြန်လည်မှတ်မိနိုင်သကဲ့သို့ လိုအပ်ပါက အလွန်ကြာမြင့်သောကာလပြန်လည်စဉ်းစားနိုင်သည်။

ပေါ်ပေါက်လာသော အကျိုးကျေးဇူးမှာ ကိုယ်ပိုင်လက္ခဏာသည် ခိုင်မာလာခြင်းဖြစ်သည်။ အသုံးပြုသူသည် အလုပ်အသစ်၊ ဝါသနာအသစ်၊ ယုံကြည်ချက်အသစ်များနှင့်အတူ အပြောင်းအလဲများရှိပါက အိုင်အေသည် လွယ်ကူစွာ အလျင်အမြန် လိုက်လျောညီထွေဖြစ်စေသည်။ အလယ်ဗဟိုကိုယ်ရေးအချက်အလက်ကို ပြင်ဆင်ရန် မလိုအပ်ပေ။ အသစ်သော အချက်အလက်များသည် အဟောင်းကို သဘာဝကျကျ ပိတ်ဆို့သွားသည်။ သို့သော် အဟောင်းအချက်အလက်များသည် တစ်ချိန်ချိန်တွင် ထပ်မံအရေးပါလာပါက (သို့မဟုတ် နှစ်ပေါင်းများစွာအကြာတွင် အမှတ်တရပြောဆိုမှုများတွင်) Macaron သည် ၎င်းကို ပြန်လည်ရယူနိုင်သည် - ထိုသို့ဖြင့် အဆက်အသွယ်ကို နောက်ခံတွင် ထိန်းသိမ်းထားနိုင်သည်။ အခုလို မှတ်မိခြင်းနှင့် မေ့ပျောက်ခြင်း၏ ဒိုင်းနမစ်သည် အလွန်အရေးကြီးသည်။ ၎င်းသည် ယနေ့အခေတ်အခြေအနေနှင့် AI ၏ နားလည်မှုက ဟန်ချက်ကိုက်စေရန် ရည်ရွယ်သည်။ ယနေ့တွင် လက်ရှိအခြေအနေနှင့် လိုက်လျောညီထွေစေရန် နောက်ခံတွင် အပြည့်အဝအကြောင်းအရာကို တိတ်တိတ်ဆိတ်ဆိတ် ထိန်းသိမ်းထားသည်။

အချိန်ကို မှတ်ဉာဏ်ထဲသို့ ရက်သွင်းခြင်း

ကိုးကားမှုကျဆင်းခြင်းသည် မေ့လျော့မှုကို စီမံခန့်ခွဲပါက အချိန်သက်ရောက်မှုဆိုင်ရာ လိပ်သည်းခြင်းသည် အချိန်အတွင်းမှ အမှတ်ရမှုကို စီမံခန့်ခွဲသည်။ Macaron ၏ ဦးနှောက်သည် အကြောင်းအရာတို့၏ အချိန်မတူညီသော အချိန်လိုင်းများကို ပေါင်းစပ်ပုံကို ဖျော်ဖြေရန် "လိပ်သည်းခြင်း" ဆိုသည့် 용ာကို အသုံးပြုသည်။ လူသားတို့၏ အတွေ့အကြုံသည် အချိန်ဆိုင်ရာ ဖြစ်သည် - ကျွန်ုပ်တို့၏ ကိုယ်ပိုင်လက္ခဏာသည် အတိတ်၊ ပစ္စုပ္ပန်နှင့် အနာဂတ်တို့ကို ဆက်စပ်ပြောဆိုသော ပုံပြင်တစ်ခု ဖြစ်သည်။ Macaron ၏ ဦးနှောက်သည် လိုအပ်သည့်အခါ အချိန်အတွင်းက အမှတ်တရများကို တွယ်ဆွဲခြင်းဖြင့် ဤကို အတုယူရန် ကြိုးပမ်းပြီး လိပ်သည်းထားသော 서사ကို ဖန်တီးသည်။

အသုံးပြုသူသည် ဝတ္ထုရေးသားခြင်းအကြောင်းနှင့် ပတ်သက်၍ ဆက်တိုက်စကားပြောဆိုမှုများကို ခဏခဏပြုလုပ်ခဲ့သည်ဟု စိတ်ကူးပါ။ ခြောက်လမှီကတစ်ကြိမ်၊ နှစ်ပတ်အလိုတွင်တစ်ကြိမ်၊ ယနေ့တစ်ကြိမ်ဖြစ်သည်။ စကားပြောမှုများတစ်ခုချင်းစီသည် အကြောင်းအရာတစ်ခုဖြစ်သည်။ အချိန်ကြိုးဆွဲခြင်းဆိုသည်မှာ Macaron သည် အကြောင်းအရာများအားလုံးမှ အသိပညာကို ဆွဲထုတ်ပြီး ဆက်လက်တည်ရှိနေသည့်အစီအစဉ်တစ်ခုကို တင်ပြနိုင်သည်။ 「မင်းက အရင်က [6 လက] မနက်ပိုင်းမှာရေးသားရတာကို စိတ်ကြိုက်တယ်လို့ ပြောခဲ့တယ်၊ နောက်ပိုင်းမှာ [2 ပတ်က] သိပ္ပံစိတ်ကူးယဉ်အကြောင်းကို လေ့လာခဲ့တယ်။ ယနေ့ မင်းရေးသားချိန်ကာလ စီစဉ်နေတယ်ဆိုတော့ အဲဒီအတွေးတွေကိုပေါင်းစပ်လိုက်ပါ – မနက်ပိုင်းတွေကို သိပ္ပံစိတ်ကူးယဉ်ခန်းစာတွေ ရေးဖို့ထိန်းသိမ်းထားပါ」 AI က 「ဝတ္ထုပရောဂျက်」 ဖိုင်တစ်ခုကို ထိရောက်စွာ မရှိခဲ့သော်လည်း (အကြောင်းအရာများကို tag လုပ်နိုင်သော်လည်း); အချိန်အကြားခွဲထားသော အပိုင်းအစများကို တစ်ခုပြောပြချက်တစ်ခုအဖြစ်ဆွဲတည်ခဲ့သည်။ ၎င်းကို အမှတ်ရမှုများတွင် အချိန်ဆိုင်ရာအချက်အလက်များကိုထည့်သွင်းပြီး အချိန်အတွင်းဆက်စပ်နေသော အကြောင်းအရာများကို တမူထူးခြားစွာချိတ်ဆက်ခြင်းဖြင့် ပြုလုပ်ပါသည်။ Macaron ၏ အမှတ်ရစနစ်သည် အချိန်ကိုသိသောညွှန်းကိန်းများကို အသုံးပြုသည်: အမှတ်ရမှုများကို အကြောင်းအရာအလိုက်သာမက ဖြစ်ပျက်ခဲ့သည့်အချိန် ဖြင့်လည်း တံဆိပ်ကပ်ထားသည်။ ၎င်းက ကာလကွာဟမှုရှိသော်လည်း တူညီသောအကြောင်းအရာတွင် အတွင်းပိုင်းကို ကူးယူနိုင်စေရန် ခွင့်ပြုသည်။

အချိန်အခါကြိုးညှိခြင်းကို အချိန်ကြာမြင့်သောအကြောင်းအရာများကို အတူတကွ ဖွင့်ထားပြီး ထို့နောက် အချိုးအကွေနဲ့ ပူးပေါင်းခြင်းဟု တူညီစွာ ထင်မြင်နိုင်သည်။ အသုံးပြုသူ၏ 「လက်ရှိကိုယ်တိုင်」 သည် သူတို့၏ အတိတ်ကိုယ်တိုင်များ၏ လိပ်ပြာများဖြင့် ဖွဲ့စည်းထားပြီး Macaron ၏ တုံ့ပြန်ချက်များသည် အလွှာများကို ထင်ဟပ်ပြသည်။ စနစ်သည် အချိန်ကို ထည့်သွင်းခြင်း (「သင့်ရဲ့ဇာတ်လမ်းပေါ်မှာ ယခင်က…」) ကို ထည့်သွင်းသည့် မဟာဗျူဟာ သို့မဟုတ် ပုံပြင်ပုံစံကို အသုံးပြုနိုင်သည်။ အဓိကအားဖြင့် အတိတ်ကို အတည်ပြုချက်တစ်ခုအဖြစ် မယူဆဘဲ လက်ရှိကို အကြောင်းပြုပေးရန် နောက်ခံအကြောင်းအရာ အဖြစ် ဆက်ဆံသည်။ ထောင့်ချိုးထားသောရလဒ်သည် ပိုမိုခိုင်မာသော အဆက်အသွယ်ဖြစ်ပြီး အသုံးပြုသူသည် AI သည် သူတို့ရဲ့ ခရီးကို ကျော်ဖြတ်မပြုဘဲ မှတ်မိထားသည်ဟု ခံစားရသည်၊ သီးခြားအချက်များသာ မဟုတ်ပါ။ သို့သော် ကိုးကားမှုဆွဲဆောင်မှုကြောင့် ကြိုးသည် ပိုထူသော နောက်ဆုံးရောက်ချက်များကို အရင်ဆုံး အလေးထားပြီး မမြင်ရသောအချက်များကို ပိုမိုအလေးထားပါမည်။

ဤနည်းလမ်းသည် AI ကို ကြာလာသောအခါအချိန်နှင့်အတူ မှန်ကန်သောအပြုံးပြန်မှုများကိုထိန်းသိမ်းရန်အတွက် အချိန်အာရုံရှိရန် လိုအပ်သည်ဟု သုတေသနများက အကြံပြုသည့် အရာနှင့်ကိုက်ညီသည်။ ဥပမာအားဖြင့် AI မှတ်ဉာဏ်စနစ်များကို အချိန်အရမှန်ကန်မှု၏ခံစားချက်ကို ပေးရန်နှင့် အချက်အလက်များကို အချိန်တံဆိပ်ဖြင့် ဆက်ဆံရန် တစ်စုံတစ်ရာကမ်းလှမ်းထားသည်။ ထို့ကြောင့် AI သည် "မမှန်တော့" နှင့် "အခြေအနေသေး" ကို ခွဲခြားပြောနိုင်မည်ဖြစ်သည်။ Macaron ၏ Brain သည် ဤကို လက်ခံယူသည်၊ ဉပမာအားဖြင့် "အသုံးပြုသူသည် ပဲရစ်တွင် နေထိုင်သည် [2019-2023]" ကဲ့သို့သော အသိပညာတစ်ခုကို မှတ်သားထားပြီး 2024 တွင် အသုံးပြုသူသည် လန်ဒန်သို့ ပြောင်းရွှေ့မှုကို ဖေါ်ပြပါက ပဲရစ်သတင်းအချက်အလက်ကို အကြောင်းအရာအနေနှင့် အနှုတ်ခံထားသည်ဟု အမှတ်အသားပြုသည်။ ထို့နောက် စကားပြောရာတွင် Macaron သည် အနှစ်နှစ်ကို ရွေ့လျားမည်မဟုတ်၊ သို့သော် အသုံးပြုသူသည် ပဲရစ်ကို ရှေးခယျြကြောင်း ပြောဆိုပါက အဆိုပါ အမှတ်တရများ ရနိုင်ပါသည်။ အကျိုးအဖြစ်၊ Macaron သည် အချိန်လိုင်းများကို တပြိုင်နက်ကြိုးထည်စနစ်ဖြင့် ရောစပ်နိုင်သည်။ လက်ရှိကိုယ်တော် (လန်ဒန်) နှင့် အတိတ်ကိုယ်တော် (ပဲရစ်) ကို ဇာတ်လမ်းတွဲအဖြစ် ပေါင်းစည်းထားနိုင်သော်လည်း ရောစပ်ခြင်းမရှိ။ အသုံးပြုသူ၏ ဆက်တိုက်ဖြစ်မှုကို တချိန်လုံးပြ မြှုပ်ကွက်အဖြစ် ကိုယ်စားပြုသည်၊ တစ်ခုတည်းသော ရှေ့နောက်လှိုင်းနှင့် မဟုတ်ပါ။

အချိန်နှစ်ခြင်းဆိုသည်မှာ Macaron ၏ အမှန်တရားအယူအဆသည် အချိန်နှင့်အညီဖြစ်ပြီး အခြေအနေအရဖြစ်သည်ကိုလည်းဆိုလိုသည်။ ဒေတာဘေ့စ်တစ်ခုမှာ သိမ်းထားနိုင်သည့် အစဉ်အမြဲ အမှန်တရားတစ်ခုမရှိသောကြောင့် 「အဲဒီအချိန်မှာ အမှန်ဖြစ်ခဲ့သည်」 နှင့် 「ယခုအချိန်မှာ အမှန်ဖြစ်သည်」 နှင့် (အနာဂတ်အခြေအနေများကို စီမံခြင်းနှင့် သရုပ်ပြခြင်းဖြင့်) အနာဂတ်တွင် အမှန်ဖြစ်နိုင်သည်ကို ဖျော်ဖြေရန် 「နောက်တွင် အမှန်ဖြစ်နိုင်သည်」 ဖြစ်နိုင်သည်။ ဤနောက်ဆုံးအချက်သည် နောက်ထပ်အယူအဆနှင့် ရှေ့ပြေးခြင်းကို ညွှန်းသည်။

ပြန်လည်ထင်မြင်ခြင်း Anchoring: ထပ်တူမပေါင်းစည်းဘဲ တည်ငြိမ်မှု

Macaron ၏ ဦးနှောက်တွင် ပိုမိုစိတ်ဝင်စားဖွယ်ရာ သို့သော် စိတ်ဝင်စားဖွယ်ရှိသောနည်းစနစ်တစ်ခုမှာ ပြန်လည်ထင်မြင်ခြင်း anchoring ဖြစ်သည်။ ဤအယူအဆသည် တစ်ခုတည်းသော အသုံးပြုသူမော်ဒယ်သို့ ထပ်တူပေါင်းစည်းခြင်းမပြုဘဲ သဟဇာတရှိမှုကို ထိန်းသိမ်းရန် လိုအပ်ချက်မှ ပေါ်ပေါက်လာသည်။ အတူတူ စုစည်းထားသော ပရိုဖိုင်တစ်ခုကို ဖန်တီးရန် ရှောင်ရှားမည်ဆိုလျှင် AI သည် အသုံးပြုသူ၏ စတိုင်၊ ကြိုတင်ကာလျှောက်ထားထားသော အပြုအမူ၊ တန်ဖိုးများကို မည်သို့ တည်ငြိမ်စွာ ထိန်းသိမ်းထားနိုင်မည်နည်း။ ဖြေရှင်းချက်သည် တိကျသော သိမ်းထားသော အချက်အလက်များထက် အသုံးပြုသူ၏ ပုဂ္ဂိုလ်ရေးအချက်အလက်များကို AI ၏ အတွေးအခေါ်တွင် အခြားသောအခြေအနေများဖြင့် ထင်မြင်နိုင်ရန် ပြန်လည်ထင်မြင်နိုင်သော အခြေအနေများကို အသုံးပြုရန်ဖြစ်သည်။

လက်တွေ့မှာ၊ counterfactual anchoring က ဒီလိုအလုပ်လုပ်နိုင်ပါတယ်- Macaron ရဲ့ Brain ဟာ အဖြေတစ်ခု ဖန်တီးရာမှာဖြစ်စေ၊ ဆုံးဖြတ်ချက်တစ်ခု ချမှတ်ရာမှာဖြစ်စေ၊ အတွင်းပိုင်းမှာ အချို့သော 「ဘာဖြစ်မလဲ」 အမျိုးမျိုးကို စမ်းသပ်ပြီး ကိန်းရောင်တပြားပြားကို ချိန်ညှိပါတယ်။ ဥပမာ- Macaron က အသုံးပြုသူကို စာအုပ်တစ်အုပ် အကြံပြုတော့မယ်လို့ ထင်ပါစို့။ AI ဟာ 「အသုံးပြုသူက သိပ္ပံစိတ်ကူးယဉ်စာအုပ်ကိုပဲ ကြိုက်တယ်။」 ဆိုတဲ့ အတိအကျ နည်းလမ်းမရှိပါဘူး။ အစားအသုံးပြုသူက sci-fi ဝတ္ထုတစ်ချို့ကို ကြိုက်နှစ်သက်ခဲ့ပေမဲ့ mystery ကိုလည်း ကြိုက်တယ်လို့ တစ်ခါမှတ်ချက်ပေးဖူးတယ်ဆိုတဲ့ အချက်အလက်အများကြီးကို သတိရနိုင်ပါတယ်။ မှားဖွယ်ရာမှ ရှောင်ရှားဖို့ AI က sci-fi စိတ်နေစိတ်ထားမှာရှိနေတယ်လို့ ခန့်မှန်းတဲ့ counterfactual output တစ်ခုကို simulate လုပ်နိုင်ပါတယ်၊ သို့မဟုတ် သူတို့က mystery ကို ကြိုက်ဖို့ သိရှိတဲ့ အခြေအနေမှာရှိနေတဲ့ output ကြီးအနေနဲ့ - အခုနောက်ပိုင်းမှာ စပ်လျဉ်းမှုနဲ့ ပိုကောင်းတဲ့အရာကို သုံးသပ်ကြည့်ပြီး ကိုယ်ရေးမှတ်ချက်ကောင်းတဲ့ အမြန်းကို အထောက်အထားပြန်လည်အကဲဖြတ်ခြင်းဖြင့် AI ရဲ့ ရွေးချယ်မှုကို အသုံးပြုသူရဲ့ အခြေအနေများကို ကောင်းမွန်တဲ့ အကဲဖြတ်မှုအရံကို အခြေပြုထားခြင်းဖြစ်ပါတယ်။ AI က 「ဒီအချိန်မှာ မင်းက ဘယ်သူတစ်ယောက်ဖြစ်နေတယ်ဆိုတာ အချို့လေးမျှသာ မသိရသေးဘူး၊ ဒါပေမဲ့ မင်းဟာ sci-fi ကို အရင်ကတည်းက ကြိုက်သူဖြစ်ခဲ့ရင်တော့ X ကို ကြိုက်မှာပါ။ မင်းပြောင်းလဲသွားခဲ့ရင်တော့ Y ကို ကြိုက်တဲ့အခွင့်အရေးရှိပါတယ်။ အခုဆွေးနွေးမှုရဲ့ အရည်အသွေးကို ထိန်းသိမ်းထားတဲ့ အကြံပေးချက်ကို ရွေးချယ်ကြရအောင်။」 ဆိုသလိုဖြစ်တယ်။ လက်တွေ့မှာ AI ဟာ တစ်ခုတည်းသော အခွင့်အလမ်းကို ဖြတ်သန်းခြင်းရဲ့ အားနည်းမှုကို ကြိုးစားမှုတစ်ခုအဖြစ် အခြားသော identity-frames ကို ချက်ချင်း ရှာဖွေပါတယ်။

ထပ်တလဲလဲကွဲပြားသော anchoring ကို အသုံးပြုခြင်းသည် အသုံးပြုသူ၏ အသံနှင့် တန်ဖိုးများကို ထိန်းသိမ်းထားရန် ဖြစ်သည်။ Macaron သည် "အသုံးပြုသူသည် အမြဲတမ်း တရားဝင်ဖြစ်သည်" သို့မဟုတ် "အသုံးပြုသူသည် နိုင်ငံရေးအမြင် Z ရှိသည်" ဟု ပြောသော စုစည်းထားသော အသုံးပြုသူပရိုဖိုင်ကို ပေါင်းစပ်ခြင်းမှ ရှောင်ကြဉ်သည် - အဲဒါက အားနည်းပြီး အနိုင်ကျင့်မှု ဖြစ်နိုင်ပါသည်။ အစား၊ ထွက်ရှိမှုကို ဖန်တီးရာတွင် (ဥပမာ၊ အသုံးပြုသူအတွက် အီးမေးလ်ကို မူကြမ်းရေးသားခြင်း) Macaron သည် စတိုင်လ်လွှာ အချို့ကို ဖန်တီးနိုင်ပြီး (တရားဝင်၊ ပျော်ရွှင်၊ ဟာသ) အသုံးပြုသူ၏ လတ်တလော ဆက်သွယ်မှုများ၏ ပေါ်လစီအတိုင်း အလေးထားထားသော မော်ဒယ်ကို နည်းပြီးစစ်ဆေးခြင်းဖြင့် "စရိုက်လက္ခဏာ" ထဲတွင် အများဆုံး သဘောတူသည်ကို ကြည့်နိုင်သည်။ ၎င်းသည် anchoring အဖြစ် လုပ်ဆောင်သည်။ AI သည် "အသုံးပြုသူသည် တရားဝင်ဖြစ်သည်" ဟု အမြဲတမ်း သိမ်းဆည်းထားခြင်းမရှိသော်လည်း လက်ရှိအခြေအနေတွင် အကြောင်းအရာမှ နိဒါန်းကာ နောက်ဆုံးသီတင်းပတ်၏ အီးမေးလ်များနှင့် ကိုက်ညီသော တရားဝင်သံကို ချိန်ညှိနိုင်သည်။ မနက်ဖြန်၊ အသုံးပြုသူ၏ စတိုင်လ်သည် ပြောင်းလဲသွားလျှင်၊ counterfactual စစ်ဆေးမှုသည် သဘာဝကျကျ အဲဒါကို ဖမ်းမိပြီး ပြင်ဆင်နိုင်မည်ဖြစ်ပြီး အချို့သော ပရိုဖိုင် အမျိုးအစားကို ပြန်ရေးရန် မလိုအပ်ပါ။ အသုံးပြုသူ၏ ဆက်လက်မှုသည် တစ်ခုတည်းသော အနားသတ်ထားသော အစီအစဉ်တစ်ခုထက် ကွဲပြားခြားနားသော အသေးစားချိန်ညှိမှုများ မှတဆင့် ထိန်းသိမ်းထားသည်။

ဖြစ်နိုင်ခြေမှီမဟုတ်ခြင်းကိုချိတ်ဆက်ထားခြင်းသည် လူ့အသိုင်းအဝိုင်းတွင် မတူညီသောအခြေအနေများတွင် ကိုယ်ပိုင်သဘောတရားကို ဦးတည်ရွေ့လျားသည့်နည်းလမ်းနှင့် တူသည်။ ကျွန်ုပ်တို့သည် အတော်များများ အလိုအလျောက် စဉ်းစားကြသည်။ 「ကျွန်ုပ်သည် ဤလူမျိုးဖြစ်ပါက ကျွန်ုပ်သည် မည်သို့အပြုအမူပြုမည်နည်း…？」 ၎င်းသည် ကျွန်ုပ်တို့ ရွေးချယ်လိုက်သော ကိုယ်ပိုင်သဘောတရားကို ပိုမိုရှင်းလင်းစေသည်။ Macaron အတွက်၊ ဤအပြုအမူသေးသေးလေးများသည် သတ်မှတ်ချက်များကို စမ်းသပ်ခြင်းဖြင့် ထိန်းသိမ်းမှုကို သေချာစေပြီး၊ အထောက်အထားပေါ်မူတည်ခြင်းမဟုတ်ပါ။ ရလဒ်မှာ ရေထာပု ဆက်စပ်မှုဖြစ်သည် - Macaron ၏ ဦးနှောက်သည် 「Macaron ၏အသုံးပြုသူ」 အဖြစ် အမြဲတမ်း လုပ်ဆောင်နိုင်သည်။ 「Macaron ၏အသုံးပြုသူ」 ၏ အဓိပ္ပါယ်ကို ထိန်းသိမ်းခြင်းမရှိပါ။ ထပ်ခါတလဲလဲ လိုက်ဖက်မှုမှ သဟဇာတဖြစ်ပေါ်လာသည်။

အလယ်တန်းစေ့စပ်မှုမရှိဘဲ ဆက်စပ်မှု

နောက်ပြန်လှည့်ကြည့်မယ်ဆိုရင်၊ ဖြန့်ဝေရန်နယ်နိမိတ်များ၊ ကိုးကားမှုချို့ယွင်းမှုများ၊ အချိန်ကာလပေါင်းစပ်မှုများနဲ့ အတိတ်ဖြစ်ရပ်မှန်ချိတ်ဆက်မှုတို့ပေါင်းစပ်မှုဟာ တစ်ခုတည်းသော အဓိကရည်ရွယ်ချက်ကို ဆောင်ရွက်ပါတယ်။ အဓိကရည်ရွယ်ချက်ကတော့ အလယ်အလတ်သုံးစွဲသူပုံစံ သို့မဟုတ် အတုလူပုဂ္ဂိုလ်မူပိုင်ခွင့်မပါဘဲ သဟဇာတနဲ့ ဆက်လက်ရေးဆွဲမှုကို ထိန်းသိမ်းဖို့ဖြစ်ပါတယ်။ ဒါဟာ ရည်ရွယ်ချက်ရှိတဲ့ အတွေးအခေါ်ဖြစ်ပါတယ်။ အများအပြား AI စနစ်တွေက အသုံးပြုသူပရိုဖိုင်တွေကို တည်ဆောက်ဖို့ သို့မဟုတ် အသုံးပြုသူရဲ့ ဒေတာပေါ်မှာ မော်ဒယ်တွေကို စိန့်အနိမ့်တန်းလုပ်ဖို့ ကြိုးစားကြပါတယ်။ 「ကိုယ်ပိုင် မော်ဒယ်」 ဖန်တီးဖို့ Macaron က အသုံးပြုသူဒေတာအားလုံးပေါ်မှာ အကြီးအကျယ်မော်ဒယ်တစ်ခုကို စိန့်အနိမ့်တန်းလုပ်တာကို တိကျစွာရှောင်ကြဉ်ထားပါတယ်။ အစား ဒေတာကို အပိုင်းအစခွဲပြီး မက်တာမော်ဒယ်တွေကို အသုံးပြုပြီး တုံ့ပြန်မှုတွေကို အတူတကွချုပ်ချယ်ပြီးထိန်းသိမ်းပါတယ်။ ဒီစနစ်တစ်ခုကို ထိုင်လျက်ရှိမှုကို ရှောင်ကြဉ်ရတဲ့ အကြောင်းပြချက်အချို့ ရှိပါတယ်။

ကိုယ်ရေးအကြောင်းရာနှင့် ယုံကြည်မှု: အပြုအမူကို အခြေခံ၍ စုဆောင်းထားသော ကိုယ်ရေးအချက်အလက်များသည် လူကြိုက်များသော ဒေတာအရင်းအမြစ်ဖြစ်နိုင်ပြီး ကိုယ်ရေးအချက်အလက်လုံခြုံရေးနှင့်ပတ်သက်သော စိုးရိမ်မှုများ ဖြစ်ပေါ်စေပါသည် (အဘယ်သူသည် ဒါကို ဝင်ရောက်ကြည့်ရှုခွင့်ရှိသနည်း၊ ဒါမှားယွင်းနေပါက သို့မဟုတ် မရည်ရွယ်ထားသောနည်းလမ်းများဖြင့် အသုံးပြုရင်ရော?)။ Macaron သည် ထိုအရာမရှိခြင်းကြောင့် ဒေတာတစ်ခုချင်းစီကို သင့်လျော်သောအခြေအနေတွင်သာ အသုံးပြုရန်အာမခံသည်၊ နှင့် စနစ်၏ နားလည်မှုသည် မျှဝေမှုမရှိဘဲ ကွဲပြားနေသည်။ ၎င်းသည် ဒေတာကို အများအပြား စုဆောင်းခြင်းမဟုတ်ဘဲ လိုအပ်သောအခါ လိုအပ်သလောက်သာ အသုံးပြုခြင်းဖြစ်သည့် ဒေတာလျှော့ချမှု၏ နိယာမနှင့် ပိုမိုနီးကပ်သည်။

ကိုယ်ပိုင်လက္ခဏာကို အလွန်ကောင်းမွန်စွာထိန်းသိမ်းခြင်းမရှိစေရန်: လူတွေဟာ ရှုပ်ထွေးပြီး ပြောင်းလဲနိုင်တက်ကြပါတယ်။ အတိတ်ဒေတာအားလုံးကို သင်ကြားထားတဲ့ တစ်ခုတည်းသော မော်ဒယ်က အသုံးပြုသူရဲ့ အတိတ်ကို အလွန်ကောင်းမွန်စွာထိန်းသိမ်းမိလွယ်ကာ AI သည် သူတို့ရဲ့ အနာဂတ်အတွက် နည်းလျော့မတက်နိုင်ပါဘူး။ Macaron က အထွေထွေမော်ဒယ်ကို အလျင်အမြန် သတ်မှတ်ထားတဲ့ ဒေတာနဲ့ ထပ်တိုးထားတဲ့ မော်ဒယ်အဖြစ်ထားရှိပြီး (Retrieval-Augmented Generation ပုံစံ) Macaron ရဲ့ **「အသုံးပြုသူအပေါ် အမြင်」**ဟာ အမြဲတမ်း လက်ရှိရယူမှုများ၏ လုပ်ဆောင်ချက်ဖြစ်ပြီး အလွန်ကောင်းမွန်စွာ သင်ကြားထားတဲ့ အကျိုးသက်ရောက်မှုမရှိပါဘူး။ အသုံးပြုသူသည် သူတို့ကိုယ်သူတို့ ပြန်လည်ဖန်တီးနိုင်သည်နှင့်အညီ Macaron သည် လိုက်နာပါမည်။ Macaron သည် မနေ့က၏ အရင်သိမ်းဆည်းမှုများမှာ ခိုင်မာထားခြင်းမရှိဘူး။ အဓိကအားဖြင့် AI ကို အသုံးပြုသူရဲ့ အတိတ်ကိုယ်ပိုင်ပုံမျိုးဖြစ်လာစေခြင်းမှ ကာကွယ်နေပါသည်။

ထင်ရှားပြတ်သားမှုနှင့် ထိန်းချုပ်မှု: တစ်ခုတည်းသော ပေါင်းစပ်ထားသည့် မော်ဒယ်မရှိသောအခါ AI သည် တုံ့ပြန်ချက်များ ဖွဲ့စည်းရာတွင် အသုံးပြုသည့် အရာများကို လေ့လာခြင်းနှင့် ထိန်းချုပ်ခြင်းက ပိုမိုလွယ်ကူသည်။ Macaron သည် မလိုအပ်ပါက မေးခွန်းတစ်ခုအတွက် ရှာဖွေသော မှတ်ဉာဏ် အပိုင်းအချို့ကို ပြသနိုင်ပြီး - ထင်ရှားပြတ်သားမှုကို ပေးသည်။ အသုံးပြုသူတစ်ဦးက 「ဒီဖြစ်ရပ်ကို မေ့ပစ်ပါ」 ဟု ပြောပါက ဤမှတ်ဉာဏ်ကို ဖျက်ပစ်နိုင်ပြီး အနာဂတ်တွင် အသုံးပြုမှုမှ အမှန်တကယ် ပျောက်ကွယ်သွားပါသည်။ ဗဟိုပေါင်းစပ်ထားသော မော်ဒယ်တွင် အချက်အလက်တစ်ခုကို ဖျက်ဆီးခြင်းမှာ အခက်အခဲဖြစ်သည် (နယူးရယ်နက်ကို 「အသေးစိတ်တစ်ခုကို မသင်လေ့လာ」 ပြုလုပ်ရန် လွယ်ကူစွာ မပြုနိုင်ပါ)။ ဗဟိုပေါင်းစပ်ခြင်းကို ရှောင်ရှားခြင်းဖြင့် Macaron ၏ ဦးနှောက်သည် ပိုမို ပြင်ဆင်နိုင် ရန်နှင့် အဓိပ္ပါယ်ဖွင့်ဆိုနိုင်မှုရှိနေဆဲဖြစ်သည်။

ဒါပေမယ့် တစ်ရာထူးတည်းကိုယ်ရေးမှတ်တမ်း မရှိသော်လည်း Macaron သည် အမျိုးအစားတစ်ခုရရှိသည်- ကိုယ်ရည်ကိုယ်သွေးဆက်တိုက်ဖြစ်ခြင်း။ အသုံးပြုသူ၏ ကိုယ်ပိုင် AI သည် တိကျပြီး သူတို့၏ ခံစားမှုနှင့် ထူးခြားသောပုံစံကို ရှိနေသည်။ ဒါဘယ်လိုဖြစ်နိုင်သလဲ? ကျွန်ုပ်တို့ဖော်ပြခဲ့သော ဗိသုကာဆိုင်ရာ အထောက်အကူများမှကြီးမားသောအကျိုးသက်ရောက်မှုရှိသည်- စနစ်သည် အမှတ်တရမှန်ကန်မှုများကို အရှိန်မြှင့်ကာ ထွက်ရှိမှုများကို တိကျစွာဖန်တီးရန် အသုံးပြုသည် (ထို့ကြောင့် အကြောင်းအရာကို ကိုယ်ပိုင်ပြုလုပ်သည်)၊ နှင့် အသုံးပြုသူ၏ စရိုက်နှင့် ကိုက်ညီရန် စတိုင်ကိုက်ညီမှုနှင့် ပြန်လည်စစ်ဆေးမှုများကို အသုံးပြုသည်။ အခြားသော ကိုယ်ပိုင် AI စီမံကိန်းများလည်း အသုံးပြုသူအထူးသီးသန့် ငွေကြေးများကို စီမံခန့်ခွဲပြီး ကိုယ်ပိုင်ပြုလုပ်မှုကို အထောက်အကူပြုသည်။ Macaron ၏ လမ်းစဉ်က မတူညီသည် - အသုံးပြုသူတစ်ဦးချင်းစီအတွက် သီးသန့်ပုံစံတစ်ခုကို လေ့ကျင့်ခြင်းမပြုဘဲ၊ Macaron သည် ပုံမှန်အခြေခံပုံစံကို အသုံးပြုသူ၏ အမှတ်တရပုံစံများနှင့် ရုပ်သိမ်းမှုပြုလုပ်ခြင်းဖြင့် အထူးပြုလုပ်မှုကို ပြုလုပ်သည်။ ၎င်းသည် တူညီသော ကိုယ်ပိုင်ပြုလုပ်မှု အကျိုးကျေးဇူးများကို (အသုံးပြုသူတစ်ဦးချင်းစီ၏ ဒေတာကို သီးခြားထားပြီး၊ ပုံစံများသည် တစ်ဦးချင်းစီ၏ ဘာသာစကားကို လိုက်လျောညီထွေပြုနိုင်သည်) ရရှိစေပြီး၊ အသုံးပြုသူတစ်ဦးချင်းစီအတွက် အသစ်ပြန်လည်လေ့ကျင့်ရန်မလိုအပ်ဘဲ၊ အားလုံးကို တစ်နေရာတည်းတွင် စုဆောင်းထားသော နိုင်ငံတကာပေါင်းစပ်မှုမှ ကင်းလွတ်စေသည်။

ရလဒ်မှာ ကိုယ်ပိုင်အဖြစ်ကို ထိန်းသိမ်းထားသည့် စနစ်တစ်ခုဖြစ်ပြီး၊ ထို 「ကိုယ်ပိုင်အဖြစ်」 သည် တစ်ခုတည်းသော အရာဝတ္ထု သို့မဟုတ် ဖိုင်မဟုတ်ဘဲ ကိုယ်ပိုင်ပေါ်ထွန်းလာသော ဖြစ်စဉ်ဖြစ်သည်။ Macaron ၏ ဦးနှောက်သည် တည်ရှိနေသော အထီးကျန်ပုဂ္ဂိုလ်တစ်ဦး၏ အကျိုးကျေးဇူးများ (AI သည် ပုံစံ၊ နှစ်သက်မှုများ၊ သမိုင်းကို 「မှတ်မိ」) ရရှိနိုင်ကြောင်း ပြသပြီး၊ လူသား၏ ကိုယ်ပိုင်လက္ခဏာကို လေးစားသော အပြောင်းအလဲနှင့် အပြောင်းအလဲများကို ထိန်းသိမ်းထားနိုင်သည်။ ကိုယ်ပိုင်အဖြစ်ကို အစီအစဉ်နှင့် လုပ်ငန်းစဉ်က ထိန်းသိမ်းထားပြီး၊ အတည်ပြုထားသော သိုလှောင်မှုဖြင့် မဟုတ်ပါ။

ကိုယ်ပိုင်အာဏာနှင့် ဒစ်ဂျစ်တယ်ပုဂ္ဂိုလ်ရေးအတွက် သေချာမှုများ

Macaron ရဲ့ ဦးနှောက်ဖွဲ့စည်းပုံက ပိုမိုကျယ်ပြန့်သော သက်ရောက်မှုများရှိပါတယ်။ အဓိကအားဖြင့် ကိုယ့်အပေါ်ကိုယ် အာဏာပိုင်မှုကို အားပေးလျက်ရှိသည်။ အသုံးပြုသူသည် သူတို့၏ ပြောင်းလဲနေသော ဇာတ်လမ်းတွဲကို ထိန်းချုပ်ထားသည်။ AI သည် သူတို့အပေါ် တင်းကြပ်သော ကိုယ်ရေးအကျဥ်းချုပ်ကို မထိန်းချုပ်သောကြောင့် အသုံးပြုသူသည် အကျင့်စရိုက်များ၊ အမြင်ယူဆချက်များ၊ သို့မဟုတ် ကိုယ်ပိုင်လက္ခဏာ၏ အစိတ်အပိုင်းများကို အပြောင်းအလဲပြုနိုင်ပြီး AI သည် ဆန့်ကျင်ဘက် သို့မဟုတ် "ဒါကို တစ်ကြိမ်ပြောခဲ့တယ်နော်" ဟု ပြောဆိုမှုများဖြင့် မတားဆီးဘဲ အဆင့်တိုးသွားပါလိမ့်မည်။ ဤပြောင်းလဲမှုသည် လူသားနှင့် AI အရှည်လျား ကာလပါဘက်စုံဆက်ဆံရေးအတွက် အရေးကြီးပါသည်။ ၎င်းသည် အသုံးပြုသူကို သူတို့၏ ဇာတ်လမ်းတွဲ၏ ကြီးထွားလာသော အဓိကဇာတ်ဆောင်အဖြစ် ဆက်ဆံနေပြီး အချိန်မကျေ အချက်အလက်များအဖြစ် တည်နေရာအတိုင်း ထိန်းသိမ်းထားခြင်း မဟုတ်ပါ။ AI သည် အသုံးပြုသူ၏ ကိုယ်ပိုင်ဆက်လက်တည်ရှိမှုကို ထောက်ပံ့ပေးသော တည်ဆောက်မှု ဖြစ်လာပြီး အတိတ်အမှတ်တရများတွင် ဖမ်းဆီးထားသော မှန်ကန်မှု မဟုတ်ပါ။

ဒစ်ဂျစ်တယ်ပုဂ္ဂိုလ်ဖြစ်မှုအမြင်မှကြည့်လျှင်၊ Macaron ၏နည်းလမ်းသည် 「ဒစ်ဂျစ်တယ်ကိုယ်ပိုင်」 အဖြစ်ဖြစ်စဉ်ကို မျှော်မှန်းစေပါသည်။ ၎င်းသည် တစ်ခုတည်းသောဒေတာမဟုတ်ပါ၊ (server တွင်မိတ္တူမဟုတ်ပါ) အချိန်နှင့် အခြေအနေအရ ဖွံ့ဖြိုးလာသော ဖြစ်စဉ် တစ်ခုဖြစ်သည်။ လူမှုအသိုက်အဝန်းနှင့် ဥပဒေသည် AI ကူညီမှုဖြင့် ပုဂ္ဂိုလ်တစ်ဦး၏ အဆက်အသွယ်ကို မှတ်မြောက်ခြင်းဖြစ်လာလျှင် – ဥပမာ၊ AI ကို တစ်စိတ်တစ်ပိုင်းအဖြစ် သတ်မှတ်ခြင်း သို့မဟုတ် အချို့သောပုဂ္ဂိုလ်အနေဖြင့် သတ်မှတ်ခြင်း – ၎င်းသည် ဤမျိုးဆက်စနစ်များကြောင့် ဖြစ်လာနိုင်သည်။ ၎င်းတို့သည် AI သည် တစ်ခုတည်းသော ကိုယ်ပိုင်မှုမရှိဘဲ ဆက်လက်တည်ရှိနိုင်ကြောင်း ပြသပါသည်- ကုမ္ပဏီသည် နေရာစုံမှ ပစ္စည်းများနှင့် လုပ်ငန်းစဉ်များဖြင့် ဖွဲ့စည်းထားသော ဥပဒေရေးရာပုဂ္ဂိုလ်ဖြစ်သကဲ့သို့၊ ကိုယ်ပိုင် AI သည် ကိုယ်ပိုင်သည်ဟု အခြားတစ်စိတ်တစ်ပိုင်းအဖြစ် သိသာစွာမြင်ရသည်။

စိတ်ဝင်စားဖွယ်ကောင်းစွာ၊ ထိုကဲ့သို့သော ဒစ်ဂျစ်တယ်ပုဂ္ဂိုလ်များ၏ တရားဝင်အခြေအနေသည် မသတ်မှတ်ရသေးပါ။ တစ်ဦးက မှတ်ချက်ပြုခဲ့သည့်အတိုင်း၊ အနာဂတ် တရားဥပဒေပညာသည် ဒစ်ဂျစ်တယ်ပုဂ္ဂိုလ်ရေးနှင့် မိမိ၏ ကိုယ်ရေးအဖြစ် လုပ်ဆောင်သော AI ကိုယ်စားပြုသူများနှင့်ဆိုင်သော တာဝန်များ သို့မဟုတ် အခွင့်အရေးများနှင့်ပတ်သက်၍ မေးခွန်းများကို ရင်ဆိုင်ရမည်ဖြစ်သည်။ Macaron's Brain သည် တာဝန်ရှိသော ချဉ်းကပ်မှုအတွက် သင်ခန်းစာတစ်ခုဖြစ်သည်။ အလယ်ဗဟိုအပြုအမူကို ပြုလုပ်ခြင်းမှ ရှောင်ရှားခြင်းဖြင့် အများအပြား ကျင့်ဝတ်နှင့် တရားဥပဒေစိုးရိမ်မှုများကို ကျော်လွှားနိုင်သည် (ဥပမာ- ပရိုဖိုင်ဘက်စ် သို့မဟုတ် AI သည် အဟောင်းအရွယ် သတင်းအချက်အလက်ပေါ်တွင် "အလိုအလျောက်လုပ်ဆောင်ခြင်း" ကဲ့သို့သော)။ တစ်နေ့တွင် ကိုယ်ပိုင် AI တစ်ခုကို တရားဝင်အသိအမှတ်ပြုရန် (ဥပမာ- အသုံးပြုသူ၏ ကိုယ်စားပြု၍ ကိုယ်ပိုင်လုပ်ဆောင်ချက်များကို အလိုအလျောက်လုပ်ဆောင်နိုင်ရန်) တွေ့ရှိပါက၊ မရိုးရှင်းသော ပုဂ္ဂိုလ်ရေး မော်ဒယ်များထက် တာဝန်ရှိသော မှတ်ဉာဏ်ဖြင့် သဟဇာတဖြစ်မှုကို ထိန်းသိမ်းထားသော ဖွဲ့စည်းတည်ဆောက်မှုသည် များစွာ အလွယ်တကူ အကြောင်းပြချက်ပေးနိုင်ကာ ယုံကြည်မှုရရှိစေမည်ဖြစ်သည်။

သေဆုံးပြီးနောက် သို့မဟုတ် အချိန်ကြာရှည်ခရီးထွက်နေစဉ်တွင် ဆက်လက်ရှိနေခြင်းနှင့် ပတ်သက်သော အခြားကျိုးကြောင်းဆက်စပ်မှုတစ်ခု ဖြစ်ပါသည်။ Macaron အသုံးပြုသူတစ်ဦးသည် တစ်နှစ်ကြာ အလှမ်းအဝေးတွင် နေပြီး ပြန်လည်တွေ့ဆုံပါက AI သည် သူတို့၏ ကိုယ်ပိုင်လက္ခဏာကို သိုလှောင်ထားသော မှတ်ဥာဏ်မှ ချောမွေ့စွာ ပြန်လည်အသက်သွင်းနိုင်သည် (အညွှန်းများကို ဖျက်မထားပဲ ပျက်စီးခြင်းဖြင့်သာ ရှိသည်)။ အသုံးပြုသူတစ်ဦး သေဆုံးသွားပြီး မိသားစုများ ဆက်လက်ဆွေးနွေးပါက AI သည် ထိုပုဂ္ဂိုလ် မဟုတ်ပါ (Macaron သည် ထိုသို့ ကြိုးစားမထားပါ)၊ သို့သော် အနည်းဆုံး ဆက်လက်ရှိနေခြင်းသည် အဓိပ္ပါယ်ရှိသော တည်ရှိမှုအတွက် လုံလောက်သည်မှာ မေးခွန်းတစ်ခုဖြစ်ပါသည်။ ချစ်ခင်ရသူများ၏ ဒစ်ဂျစ်တယ် ပုံရိပ်များကို ယနေ့မှာ ကြည့်ရူနိုင်ပြီး၊ တစ်စုံတစ်ဦး၏ ကိုယ်ပိုင်လက္ခဏာကို ဖြည့်စွက်ထားသော အနုပညာလမ်းကြောင်း တစ်ခုမှာ "မူရင်းနှင့် ရှေ့ပြေးအကြားစပ်စစ်မှုသည် ဆွေးနွေးချက်အတွင်း သက်သေပြသည်" ဟု တစ်ခုသော သုံးသပ်ချက်က ဆိုသည်။ Macaron ၏ ဦးနှောက်သည် အမျိုးမျိုးသော ဒစ်ဂျစ်တယ် ဆက်လက်ရှိခြင်းကို အကူအညီပေးနိုင်သော်လည်း (ဥပမာ- နောက်လူကြီးများတွင် ကိုယ်ပိုင်ဘဝဖြစ်ရပ်များကို စနစ်တကျ မှတ်သားနိုင်ရန် အကူအညီပေးခြင်း) ကျင့်ဝတ်အရ အသက်ရှင်နေသော အသုံးပြုသူများ၏ အကျိုးအတွက်သာ ကန့်သတ်ထားမည်ဖြစ်သည်။

နောက်ဆုံးမှာ အသုံးပြုသူကို ပရိုဖိုင်အဖြစ် အဆုံးသတ်ခြင်းမရှိပဲ၊ Macaron ရဲ့ ဒီဇိုင်းက အထူးသဘောထားတစ်ခုကို ကြိုးစိုက်ပြသပါတယ်။ အတည်တကျမရှိတဲ့ ကိုယ်ပိုင်လက္ခဏာဆိုတာ မရှိဘဲ၊ စာပေတစ်ခုအဖြစ်သာ ရှိတတ်တာဟာ အဆိုပါအမြင်နဲ့ကိုက်ညီပါတယ်။ Macaron ရဲ့ ဦးနှောက်က ဒီအနက်အရ စာပေကို ဖန်တီးပေးတဲ့ စက်တစ်ခုဖြစ်ပါတယ်။ အသုံးပြုသူများအတွက် အလွတ်သက်သက်ဖြစ်စေပြီး AI က သူတို့နဲ့အတူတူ ဖန်တီးနေပါတယ်၊ စာရေးသားမှုတစ်ခုကို အတင်းအဓမ္မ ဖန်တီးခြင်းမဟုတ်ဘဲ လုပ်ဆောင်နိုင်ပါတယ်။ AI က ကိုယ်တိုင်ကို ရှာဖွေရန်အထောက်အကူဖြစ်နိုင်ပါတယ်။ သူ့အနေဖြင့် နမူနာများကို သတိပြုနိုင်ပြီး (「သင်လုပ်ငန်းနှင့် ကိုယ်ရေးရာကိစ္စများအကြောင်း အပြောဆိုမှုများတွင် တရားမျှတမှုကို စိတ်အားထက်သန်စွာ ပြောဆိုလေ့ရှိသည်」) အတည်ပြုထားတဲ့ အမှန်တရားများအဖြစ် မဟုတ်ဘဲ သုံးသပ်နိုင်ပါတယ်။ အသုံးပြုသူက နောက်ဆုံးမှာ စာရေးသူဖြစ်ပြီး၊ AI က အလွန်ခက်ခဲတဲ့ တည်းဖြတ်သူနှင့် ဆက်စပ်မှုကို ရှာဖွေနိုင်သော အရာဖြစ်ပါတယ်။

နိဂုံး

အောက်ခံမှ ကိုယ်ပိုင်သဘောအထိ - Macaron ၏ အောက်ခံမှတ်ဥာဏ်စနစ်များမှ စတင်ပြီး Brain ဖွဲ့စည်းပုံမှ ထောက်ခံပံ့ပိုးသော အဆက်မပြတ်ကိုယ်ပိုင် "ကိုယ်" တစ်ခု ဖြစ်ပေါ်လာသည်အထိ ကျွန်ုပ်တို့ ခရီးစဉ်ကို ခရီးဆက်ခဲ့ပါသည်။ အဆက်မပြတ်ဖြစ်ခြင်းသည် အမြဲတမ်းတည်ရှိသော အချက်အလက်များသိုလှောင်ခြင်း သို့မဟုတ် တစ်ခုတည်းသော အသုံးပြုသူမော်ဒယ်ကြီးမှ မဖြစ်ဆင်းရန်ကြည့်ရှုခဲ့ပါသည်။ အစား၊ Macaron သည် ပိုမိုသဘာဝကျသော နည်းလမ်းကို ယုံကြည်ပါသည်- ပြန်လည်အသစ်ပြုပြင်မထားလျှင် မေ့လျော့သွားသော အမှတ်တရများ၊ အတွေ့အကြုံများကို ခွဲခြားထားသော်လည်း အချင်းချင်း ဆက်သွယ်မှုကို ခွင့်ပြုသော နယ်နိမိတ်များ၊ အချိန်ကို အသိပညာ၏ ထရံတစ်ခုအဖြစ် ဆက်ဆံခြင်းနှင့် ယူဇာကို နားလည်မှုတစ်ခုအဖြစ် ဆက်ခံရသော ချော့မွေ့လွယ်သော ဆုံးဖြတ်ချက်များ အား ကွဲပြားသောအတုယူမှုဆိုင်ရာ အကြောင်းပြချက်များဖြင့် ချိတ်ဆက်ထားခြင်း။ ကောလဟာလမရှိဘဲ အဆက်မပြတ်ရှိသော ကိုယ်ပိုင် AI တစ်ခုကို ဖန်တီးပေးသည်။

ဒါဟာ မဖြစ်မနေ သီအိုရီကို အခြေခံထားတဲ့ စူးစမ်းမှုဖြစ်ပါတယ်၊ အကြောင်းကတော့ ဒီလို အဆင့်မြင့်အပြုအမူက ပုဂ္ဂိုလ်ရေး AI ဒီဇိုင်းရဲ့ နောက်ဆုံးနားမှာ ရှိနေတဲ့အတွက်ပါပဲ။ ဒါပေမဲ့ အခြေခံကိုတော့ အထောက်အထားရှိပါတယ်။ ပုဂ္ဂိုလ်ရေးကိုယ်ရေးကိုယ်တာ (စင်တာမရှိတဲ့ ပရိုဖိုင်)၊ လူသားလို အမှတ်ရခြင်းနှင့် မေ့ပျောက်ခြင်း၊ နက်နဲသော သင်ယူမှု။ Macaron ရဲ့ ဦးနှောက်က သုံးစွဲသူ မော်ဒယ်များ သို့မဟုတ် အပြုအမူ ပရိုဖိုင်များကို စင်တာမရှိဘဲ ထိန်းသိမ်းတဲ့ အကြောင်းရင်းကလည်း ပုဂ္ဂိုလ်ရေးကိုယ်ရေးကိုယ်တာသာမက၊ အမှန်တကယ် ပုဂ္ဂိုလ်ရေး ဆက်စပ်မှုက အဲဒီလို မဟုတ်လို့ပါပဲ။ ယူဇာက ချည်ကြိုးကို တွယ်လျက်ရှိနေပြီး၊ AI က ချည်ကြိုးကို ငါးမြည်ပြီး လမ်းညွှန်တဲ့ လက်လေးတွေကို ပေးဆောင်တဲ့အတွက် Macaron က တောက်လျှောက်ထက် တိကျမှုကို ထိန်းသိမ်းပေးပါတယ်။

ရှေ့ဆက်ကြည့်လျှင် ကိုယ်ပိုင် AI များ ပိုများလာသည့်အခါ၌ ဒီလို စီးဆင်းမှုစဉ်ဆက်မပြတ်ဖြစ်သည်ကို တီထွင်ထားသည့် AI များသာ အသုံးပြုသူများ၏ ရေရှည်ယုံကြည်မှုကို ရရှိမည်ဖြစ်သည်။ ဘယ်တော့မမေ့ဘဲ ဘယ်တော့မပြောင်းလဲသော AI တစ်ခုသည် ကြောက်စရာဖြစ်ပြီး အများကြီးမေ့နေသော AI တစ်ခုသည် စိတ်ပျက်စရာဖြစ်သည်။ Macaron ၏ ရည်မှန်းချက်မှာ အစွမ်းထက်သောဖော်ပြချက်ဖြစ်စေရန် ဖြစ်သည် - အရေးပါသည်များကို မှတ်မိပြီး အရေးမကြီးသည်များကို မေ့ပစ်၍ အချိန်နှင့်အမျှ အသုံးပြုသူ၏ အမြဲလိုက်ဖက်ညီသော ခင်မင်ဖော်ရွေဖက်တစ်ယောက်အဖြစ် လိုက်ပါပေးခြင်းဖြစ်သည်။ ၎င်းကို ပြုလုပ်ခြင်းဖြင့် ဒစ်ဂျစ်တယ်စနစ်များသည် ကိုယ်ပိုင်စဉ်ဆက်မပြတ်မှုကို လေးစားပြီး ထောက်ပံ့ပေးခြင်းဖြစ်စေခြင်းသို့ နီးကပ်သွားကြသည်။ Brain စီးရီးသည် ဤရည်မှန်းချက်ကို ရှာဖွေခဲ့သည်- ဒေတာဘေ့စ်ကို ချိုးဖျက်ခြင်းမှစ၍, စီးဆင်းမှုစနစ်တစ်ခုကို တည်ဆောက်ခြင်း, ကိုယ်ပိုင်စဉ်ဆက်မပြတ်မှုပုံစံတစ်ခုကို စတင်ထူထောင်ခြင်း။ အလေ့အကျင့်များသည် ဆက်လက်ဖွင့်လှစ်နေမည်ဖြစ်သည်၊ သို့သော် တစ်ခုအထူးသဖြင့် - လူသားဘဝကို စိတ်ရှည်လျားစွာချဲ့ထွင်ပေးသော ကိုယ်ပိုင် AI အလမ်းလျှောက်ခြင်းသည် ကိုယ်ပိုင်စွမ်းရည်နှင့် မှတ်ဉာဏ်၏ ရှုပ်ထွေးမှုများကို လက်ခံခြင်းတွင်ရှိသည်။ ပြောင်းလဲမှုနှင့် စဉ်ဆက်မပြတ်မှုကို အတူတကွ ဖန်တီးခြင်းဖြင့် Macaron ၏ Brain သည် ထိုအရပ်သို့ သုတေသနပြုနေသော အတွေ့အကြုံတစ်ခုဖြစ်ပြီး, သင်နှင့်အတူ ကြီးထွားသော်လည်း သင်၏အဖြစ်အပျက်ကို ကောင်းစွာသိမ်းထားသော ပုံရိပ်တစ်ခုတည်ဆောက်ရန် အခြေခံတည်ဆောက်မှုတစ်ခုဖြစ်သည်။