Deep Learning နဲ့ Machine Learning ဘာကွာလဲ

“Machine learning” နဲ့ “deep learning” ကို တလှည့်စီအစားထိုးပြောနေကြပေမယ့် တကယ်တော့ deep learning ဟာ machine learning ရဲ့ subset တစ်ခုပါ — machine learning အုပ်စုကြီးထဲက method တစ်မျိုးသာ ဖြစ်ပါတယ်။ Machine learning ဆိုတာ data ကနေ pattern သင်ယူပြီး prediction ချနိုင်တဲ့ algorithm အားလုံးကို ခေါ်တာဖြစ်ပြီး၊ deep learning ကတော့ ဒီထဲက layer အများကြီးရှိတဲ့ neural network တွေကိုပဲ သီးသန့်ရည်ညွှန်းပါတယ်။

ကွာခြားချက်ကို တကယ်သိထားရင် project တစ်ခုအတွက် ဘယ် approach က ပိုသင့်တော်မလဲ ဆုံးဖြတ်ရာမှာ အထောက်အကူဖြစ်ပါတယ် — deep learning က အမြဲ 'ပိုကောင်းတဲ့' ရွေးချယ်မှု မဟုတ်ပါဘူး။

Feature Engineering — အဓိက ကွာခြားချက်

Traditional machine learning algorithm တွေ (linear regression, decision tree, random forest, SVM) က feature ကို လူက ကိုယ်တိုင် ရွေးချယ်၊ တွက်ချက်ပေးထားရပါတယ်။ House price ခန့်မှန်းမယ်ဆိုရင် 'အခန်းအရေအတွက်'၊ 'area (sq ft)'၊ 'တည်နေရာ' စတဲ့ feature တွေကို data scientist က ကြိုတင်ရွေးချယ်ပြီးမှ model ကို ကျွေးရပါတယ်။

Deep learning ကတော့ ဒီအဆင့်ကို ကျော်လွှားပါတယ် — raw data (ဓာတ်ပုံ pixel, စာသား, audio waveform) ကို တိုက်ရိုက်ကျွေးလိုက်ပြီး layer တစ်ခုပြီးတစ်ခု feature ကို ကိုယ်တိုင် သင်ယူသွားစေတယ်။ Image classification တစ်ခုမှာ layer ရှေ့ဆုံးတွေက edge တွေကို၊ အလယ်ပိုင်းက shape တွေကို၊ နောက်ဆုံးပိုင်းက object တွေကို ကိုယ်တိုင် ရှာဖွေတွေ့ရှိသွားပါတယ်။

Data နဲ့ Compute — Deep Learning က ဘာကြောင့် အခုမှ လက်တွေ့ကျလာသလဲ

Neural network ရဲ့ core math (layered network, backpropagation) က ဆယ်စုနှစ်ချီ ရှိနှင့်ပြီးသားပါ။ Deep learning အခုမှ အကျယ်ပြန့်လာတာက math အသစ်ရှာတွေ့လို့ မဟုတ်ဘဲ labeled data ကြီးမားစွာ ရရှိလာခြင်းနဲ့ parallel matrix math အတွက် အထူးဒီဇိုင်းလုပ်ထားတဲ့ GPU compute power တွေ တွက်ခြေကိုက်လာလို့ပါ။

Data နည်းနည်းနဲ့ feature တွေ သိသာထင်ရှားတဲ့ tabular dataset (ဥပမာ - customer churn, credit scoring) အတွက်ဆိုရင် logistic regression ဒါမှမဟုတ် gradient-boosted trees (XGBoost) လိုမျိုး traditional ML model တွေက deep learning ထက် ပိုမြန်ပြီး ကောင်းကောင်း အလုပ်လုပ်တတ်ပါတယ်။

• Data ရဲ့ အရွယ်အစား — ထောင်ချီ/သိန်းချီ label ရှိလား
• Data အမျိုးအစား — tabular ပါလား၊ image/text/audio ပါလား
• Interpretability လိုအပ်ချက် — ဆုံးဖြတ်ချက်ကို ရှင်းပြရမလား
• Compute budget — GPU training/serving ကုန်ကျစရိတ် ခံနိုင်ရဲ့လား
• Latency requirement — inference က ချက်ချင်းလိုအပ်လား

Deep Learning ဘယ်အခါ ရွေးသင့်လဲ

Image recognition, speech recognition, machine translation, generative AI (LLM, image generation) စတဲ့ raw unstructured data ကနေ complex pattern ရှာဖွေရမယ့် task တွေမှာတော့ deep learning က traditional ML ကို ကျော်လွန်ကောင်းလွန်နိုင်ပါတယ် — ဒီလို task တွေမှာ လူက feature ကို hand-craft လုပ်ဖို့ လက်တွေ့မဖြစ်နိုင်လောက်အောင် data က ရှုပ်ထွေးလွန်းလို့ပါ။

Startup တစ်ခု (သို့) team သေးသေးလေးအနေနဲ့ dataset သေးငယ်ပြီး result ကို လျင်မြန်စွာ လိုအပ်တယ်ဆိုရင် traditional ML ကနေ စတင်ပြီး deep learning လိုအပ်မှသာ ကူးပြောင်းသင့်ပါတယ် — deep learning model တစ်ခု train လုပ်ဖို့ label ထောင်ချီစုဆောင်းရတာ ရုတ်တရက် အလုပ်မဖြစ်တတ်ပါဘူး။

အနှစ်ချုပ်

Deep learning က machine learning ရဲ့ subset တစ်ခုဖြစ်ပြီး layer အများကြီးပါတဲ့ neural network တွေကို သီးသန့်ရည်ညွှန်းပါတယ်။ အဓိက ကွာခြားချက်ကတော့ feature engineering ပါ — traditional ML က လူ hand-craft လုပ်ရပြီး deep learning က data ကနေ ကိုယ်တိုင် သင်ယူတယ်၊ ဒါ့အတွက် data နဲ့ compute ပိုများများ လိုအပ်ပါတယ်။ Project တစ်ခုချင်းစီရဲ့ data အရွယ်အစား၊ data အမျိုးအစား၊ interpretability လိုအပ်ချက်ကို ကြည့်ပြီးမှ ရွေးချယ်သင့်ပါတယ်။