AI Engineer လုပ်ကြမလား

ကွန်ပျူတာ အတတ်ကို သင်ယူပြီး အသက်မွေးမှုပြုလာတဲ့ နှစ် ၂၀ လောက်အတွင်းမှာ ခေတ်ရေစီးကြောင်းအရ အိုင်တီ၊ ဆော့ဖ်ဝဲ လမ်းကြောင်းမှာက အရင်က ကွန်ပျူတာ ပရိုဂရမ်မာ ဖြစ်ချင်ကြတယ် ဂျာဗားလား၊ ဒေါ့နတ်လား၊ ဗွီဘီလား၊ စီရှပ်လား စသဖြင့်ကနေ၊ ဝဘ်ဒယ်ဗယ်လိုပါ ခေတ်ရောက်တော့ အားလုံးက ဝဘ်ဒယ်ဗယ်လိုပါ ဖြစ်ချင်ကြပြန်ရော၊​ ဟော မိုဘိုင်းဖုန်းတွေ ကျယ်ကျယ်ပြန့်ပြန့် ဖြစ်လာတော့ မိုဘိုင်းဒယ်ဗယ်လိုပါဖြစ်ချင်ကြပြန်ရော။ အထူးသဖြင့် နောက်တက်လူငယ်တွေမှာ သူတို့ လုပ်ငန်းခွင်ဝင်တဲ့ အချိန်မှာ ဘယ်ဟာရေပန်းစားသလဲ လိုအပ်ချက်ရှိသလဲကို ကြည့်ပြီး သင်တန်းတက်ကြ၊ အလုပ်ရှာကြရတာကိုး။ နောက်တော့ Cloud ခေတ်ရောက်တော့ Cloud Engineer တွေ Architect တွေ ဖြစ်ဖို့ လိုက်ကြပြန်တယ်။ DevOps ဆိုလည်း စိတ်ဝင်စားရင် လိုက်လိုက်ကြတာပဲ။ Data နဲ့ ML တွေ ခေတ်စားပြန်တော့ Data Scientist အလုပ်တွေ၊ Machine Learning engineer အလုပ်တွေနောက် လိုက်ကြပြန်ရော။ အခု AI ခေတ်မှာတော့ နောက်ဆုံး ပေါ် AI နည်းပညာတွေ လုပ်တတ်တဲ့ AI Engineer ဖြစ်ဖို့ လိုက်ကြဦးမှာပေါ့။

ကျွန်တော့်ပညာသင်စ ကာလ ၂၀၀၁ ကစလို့ ၂၀၁၀/၂၀၁၁ လောက်အထိက ခေတ်က အင်တာနက် ကွန်ယက်စတင်ကျယ်ပြန့်လာတဲ့ကာလမို့ Web Site တွေ Web Application အများကြီးလိုအပ်လာနေပြီ။ အဲ့ဒီမတိုင်ခင်ကတော့ Desktop Application တွေခေတ်ပေါ့။ ဒါနဲ့ ကျောင်းမှာ Web Application Development ဆိုပြီး ဘာသာရပ်သီးသန့်သင်ရတယ်။ အဲ့ဒီတုန်းကတော့ .Net သုံးပြီး Framework နဲ့ရေးတာကို သင်ရပါတယ်။ ၂၀၀၃/၄ နောက်ပိုင်းမှာ PHP နဲ့ Javascript Framework တွေအများကြီးပေါ်လာပြီး Opensource စီမံကိန်းတွေ အားကောင်းလာတော့ Web Application အတွက် ပုံစံထုတ်နည်း၊ စီမံနည်း၊ တည်ဆောက်နည်း၊ ထုတ်လုပ်နည်း၊ ဖြန့်ချိ နည်းတွေ အမျိုးမျိုးအစားစား တွေ တီထွင်ကြ ပေါ်လာပြီး လိုက်လေ့လာရတယ်။ အဲ့ဒီတုန်းကဆို အခြေခံအကျဆုံးက HTTP Request/Response က စလို့ Virtual Private Server ထဲကို SSH နဲ့ဝင်နည်းတွေ ကို စိတ်ဝင်တစား တခုတ်တရ ရှင်းပြကြ၊ ဆွေးနွေးကြနဲ့ပေါ့။ Web Developer တွေကလည်း သူတို့ဟာ Programmer အဆင့်မဟုတ်ဘူးပေါ့၊ အခြားသော ဆန်းဆန်းပြားပြား လိုအပ်ချက် လုပ်စရာတွေကို လုပ်တတ်တာကိုး။ ဝဘ်ဆိုက် တစ်ခု၊ ဝဘ်အပလီကေးရှင်း တစ်ခု ဆိုရင်လည်း ပိုက်ဆံ ကောင်းကောင်းရတော့ လစာ လည်းကောင်းကြတယ်လေ။

မိုဘိုင်းခေတ်လည်း အဲ့သလိုပဲ၊ Android ဆင့်ကဲ တိုးတက်မှု နောက်မှာ App တွေ များများလိုတော့ Google ကအစ App ရေးသူများများ​ရှိလာဖို့ အတွက် တော်တော်အကုန်အကျခံပြီး လုပ်ခဲ့တာကနေ App ရေးတဲ့ မိုဘိုင်းဒယ်ဗယ်လိုပါတွေ ပေါ်လာပြီး လစာလည်း ကောင်းကြတယ်။ အဲ့ဒီတုန်းကဆို ဖုန်းစခရင် သေးသေးလေးမှာ စာရင်း အရှည်ကြီး တစ်ခုပေါ်ဖို့ အတွက် Memory လောက်ငအောင်ရယ်၊ လက်နဲ့ ပွတ်လိုက်ရင် အထင်အငေါ့မရှိ ရွေ့သွား အောင် ဘယ်လို နည်းလမ်းနဲ့ ရေးရတယ်ဆိုတာမျိုးကို တခုတ်တရ ရှင်းပြကြ ဆွေးနွေးကြပေါ့။ မိုဘိုင်း ရေးတတ်ရင် မျက်နှာပန်းလှတော့ အားလုံးက အားကျကျပြန်ရော။

၂၀၁၂-၂၀၁၉/၂၀ လောက်အထိက Cloud ခေတ်ပဲ။ ၂၀၀၈ လောက်ကစလို့ Amazon က Amazon Web Services (AWS) ရဲ့ အောင်မြင်မှု နည်းနာတွေကို တွေကို ကြည့်ပြီး အခြား ကုမ္ပဏီ အငယ်တွေက Cloud Service တွေ စပေးကြတယ်။ AWS မပေါ်ခင်ကတည်းက VPS ရောင်းတဲ့ ကုမ္ပဏီတွေ ရှိကြပေမယ့်၊ ကိုယ်တိုင်ဝင်ပြီး စိတ်ကြိုက် စက်တွေကို ဖန်တီးလို့ရတဲ့ ဝန်ဆောင်မှုက Joyent က စတယ်လို့ မှတ်မိတယ်။ သူတို့က ဝယ်ထားတဲ့ ဆာဗာတွေကို လိုသလောက် ပိုင်းဝယ်လို့ ရအောင် စရောင်းတာပဲ။ နောက်တို့ Google တို့ Microsoft တို့ကပါ လုပ်လာကြတယ်။ ဒီမှာ Web Application တွေ Mobile Application တွေ ရေးတတ်တဲ့ လူနဲ့ မလုံလောက်တော့ဘူး၊ ကြိုက်သလို ချယ်လှယ်ပြီးဖန်တီးလို့ရတဲ့ ရုံးခန်းထဲမှာ ရှိတဲ့ကွန်ပျူတာတွေ၊ ကွန်ယက်တွေ ချိတ်ဆက်သလိုမျိုး သူတို့ ဝန်ဆောင်မှုပေးတဲ့ ထဲက စနစ်တွေကို ချိိတ်ဆက်ဖန်တီးနိုင်တဲ့ လူတွေ လိုလာတယ်။ နောက်ပြီး ဝန်ဆောင်မှုပေးတဲ့ ကုမ္ပဏီပေါ်မူတည်ပြီး ခေါ်တဲ့ အခေါ်အဝေါ်တွေ၊ သူတို့ ဝန်ဆောင်မှုတွေရဲ့ အကန့်အသတ်တွေကို နားလည် ရှောင်ရှားပြီး တည်ဆောက်နိုင်တဲ့လူဖြစ်ဖို့အတွက် စာဖတ်ပြီး နားလည်ကြောင်း အသုံးချတတ်ကြောင်း စာမေးပွဲအောင် တဲ့လူတွေ မွေးထုတ်လာကြရာကနေ Cloud Engineer တွေ Cloud Solution Architect ဆိုတာတွေ ပေါ်လာတယ်။ Cloud ထဲမှာ နည်းမျိုးစုံ ဘယ်လို ပုံစံချမယ်၊ တည်ဆောက်မယ်၊ စီမံမယ်၊ စားရိတ်လျှော့ချမယ် တွေက သီးခြား အတတ်ပညာတစ်ခုလိုပဲ တခုတ်တရ ရှင်းပြကြ၊ ဆွေးနွေးကြပေါ့။ သူတို့ကလည်း လစာကောင်းတော့ နောက်တက်လူငယ်တွေ အားကျကျပြန်ရော။

နောက်ပိုင်းမှာ Cloud ဝယ်အားတွေ လျော့ကျလာတယ်၊ အဓိကက တော့ ချဲ့ကားထားတဲ့ အပိုကုန်ကျစားရိတ်ပဲ။ ယခုနက မွေးထုတ်လိုက်တဲ့ Cloud Engineer တွေထဲမှာ အခြေခံကို နားလည်သူထက်၊ စာမေးပွဲအောင်ပြီး ဈေးရောင်းတတ်တဲ့ လူတွေများလာပြီး၊ ကုမ္ပဏီတွေကလည်း များများ သုံးအောင်၊ သူတို့ဆီမှာပဲ စွဲမြဲနေအောင်၊ ပြောင်းရခက်အောင်၊ ယခင် ၅ နှစ်လောက် ရှုံးနေတာကနေ အမြတ်ထွက်အောင် လုပ်ကြရာကနေ၊ ဝယ်သုံးသူတွေမှာ စားရိတ်လျှော့ချင်တဲ့အခါ၊ သူတို့ အခေါ် “ကောင်းမွန်စွာ ပုံစံချထားသော စံစနစ်” အတိုင်းလုပ်ထားတာမှန်သမျှ ရဲ့ စားရိတ်ကယခင် Cloud ခေတ် ကနဦးကလိုမျိုး စားရိတ်နဲ့အကျိုး မကိုက်တော့ဘူး၊ ပြောင်းရင်လည်း ကုန်ကျစားရိတ် များတော့မှာမို့ အောင့်နေရသူတွေလည်း ရှိလာတယ်။ Cloud ကုမ္ပဏီတွေရော နည်းလမ်းအကြံပေးသူတွေကောက လုပ်ငန်းလိုအပ်ချက်အတွက် အနိမ့်ဆုံး စားရိတ်သက်သာနည်းထက်၊ ပိုကုန်ကျတဲ့ အကောင်းဆုံးအပြည့်စုံဆုံး နည်းတွေကိုပဲ သုံးပေးကြတော့၊ သေးသေးလေး လုပ်ဖို့ လိုတဲ့ဟာတွေက အကြီးကြီးတွေ ဖြစ်ပြီး စားရိတ်တွေ ကုန်ကျတော့တာပဲ။

တပြိုင်နက်ထဲမှာပဲ Data is New Oil ဆိုပြီး Data Analytics က ခေတ်စားလာတယ်။ အင်တာနက် လုပ်ငန်းကြီးတွေ လုပ်ကြတဲ့ ကုမ္ပဏီတွေဟာ Data ကိုစုပြီးအဲ့ဒီထဲကနေ မသိသေးတဲ့ စားသုံးသူတွေရဲ့ အပြုအမူတွေ၊ ဝယ်ယူသုံးစွဲမှု ပုံစံတွေကို ထုတ်နှုတ်ပြီးကြီးပွားကြတာကို အားကျကြတော့ ဒေတာမှန်သမျှ အကုန်သိမ်းကြတယ်။ အဲ.. အမှိုက်တွေ သိမ်းရင်တော့ အမှိုက်ကအမှိုက်ပဲပေါ့။ အဲ့ဒီမှာ ဒေတာတွေအများကြီး (Big Data) ကို ပုံစံချနိုင် စီမံနိုင်တဲ့ လူတွေ လိုအပ်လာတယ်။ Cloud ရောင်းတဲ့ ကုမ္ပဏီတွေပဲ Data တွေကို သူတို့ဆီမှာ သိမ်းနိုင်အောင် ဝန်ဆောင်မှုတွေ ရောင်းကြတော့၊ Cloud သုံးတဲ့ လုပ်ငန်းရဲ့ ဒေတာတွေ က Cloud ဆီမှာပဲ စုနေကြတယ်။ အဲ့ဒါတွေက စုချည်းနေပြီး အသုံးမဝင်လေတော့ Cloud ဝန်ဆောင်မှု ပေးတဲ့ ကုမ္ပဏီတွေကပဲ Data Processing၊​ Data Analytics လုပ်တဲ့ ဝန်ဆောင်မှုတွေ ထုတ်ရောင်းကြပြန်ရော။ ဒါမှလည်း Storage သိမ်းဆည်းတာကို ရောင်းရတာအပြင် processing နှင့် analytics တွေအတွက်လည်း ဝန်ဆောင်ခ ထပ်ရတာကိုး။ ဒီအခါမှာလည်း Cloud Engineer ဖြစ်တာချင်းတူတူ Data ကိစ္စတွေ အထူးပြုဆိုပြီး သင်တန်းတွေ ထပ်ဖွင့်၊ အောင်လက်မှတ်တွေ ပေးပြီး၊ သူတို့ ဝန်ဆောင်မှုကို ထပ်ရောင်းနိုင်အောင် သင်ကြပြန်ရော။ အလုပ်လည်းဖြစ်ကြတယ်။ အကျိုးလည်းထိုက်သင့်သလောက် ရှိပါတယ်။ လက်တွေ့မှာက Data နဲ့ Analytics ကို ကြည့်လို့ ရတာက ပထမဆင့် အအဲ့ဒါကို ကြည့်ပြီး လက်တွေ့ ဆုံးဖြတ်ချက်တွေမှာ အသုံးပြုနိုင်ဖို့က လုပ်ငန်းပိုင်းဆိုင်ရာ ကျွမ်းကျင်သူလိုတာပေါ့။

Cloud ရောင်းအားကျလာတာကို Data Analytics ရေးစီးကြောင်းက ကယ်လိုက်တယ်။ Analytics နှင့် Business Intelligence ကလုပ်ငန်းတိုင်းအပြိုင်လုပ်လာကြတော့ Data ကို Analyze လုပ်ရုံနဲ့ ပြိုင်ဖက်ထက်သာလွန်ဖို့ မလုံလောက်တော့ဘူး။ ဒီအခါမှာ Digital စနစ်ပြောင်းလဲပြီးသား လုပ်ငန်းမှန်သမျှက ပုံစံ အသေထုတ်ထားတဲ့ Software တွေကိုကျော်ပြီး ကိုယ့်မှာ ရှိတဲ့ Data ကို အခြေခံပြီး Machine Learning Algorithm တွေကနေ လုပ်သားတွေ ကိုယ်စား ဆုံးဖြတ်ပြီး လုပ်ပေးနိုင်မယ့် ML Model တွေ ထုတ်ကြတယ်။ ဒီအခါမှာ Data ကနေ insight တွေလေ့လာထုတ်ယူတတ်တဲ့၊ ML Model တည်ဆောက်တဲ့ အဆင့်ဆင့်ကို လုပ်တတ်တဲ့ Data Scientist တွေ ML Engineer တွေ ဈေးကွက်မှာ လိုအပ်လာကြတယ်။ Cloud Company တွေကလည်း သူတို့ အသုံးပြုလွယ်မယ့် ဝန်ဆောင်မှုတွေ ထုတ်ရောင်းကြ၊ အထူးပြုဘာသာရပ်သင်တန်းတွေ၊ အောင်လက်မှတ်တွေ ထုတ်ပေးကြပြန်ရော။ ဒီအခါမှာ အရင်ကခက်ခဲ နက်နဲပြီး စွမ်းဆောင်မှုမြင့်တဲ့ကွန်ပျူတာ မရှိရင် မလုပ်နိုင်တဲ့ Machine Learning အတတ်မျိုးကို Cloud ထဲက ကွန်ပျူတာတွေ ငှားသုံးပြီး လူတိုင်းလေ့လာ၊ လက်တွေ့ လုပ်နိုင်လာကြတယ်။ Data Scientist တို့ ML Engineer တို့ အလုပ်တွေက ပျိုတိုင်းကြိုက်တဲ့ နှင်းဆီခိုင်ပေါ့၊ နောက်တက် လူငယ်တွေ မှာ ဒီအလုပ်တွေကို အားကျကြတယ်၊ လုပ်ဖို့ ကြိုးစားကြတယ်။

Data, Analytics နှင့် ML ဝန်ဆောင်မှု တွေ ရှိသိတိုင်အောင် ဒေတာ စုထားတဲ့ လုပ်ငန်းတွေကလည်း ဒေတာတွေကနေ ML ဆောက်တာက ရင်းနှီးမြှုပ်နှံမှု ပမာဏ ကြီးတော့ တွန့်ဆုတ်ကြတယ်။ ရောင်းအားက ထင်သလောက်မပေါက်ဘူး။ အထူးသဖြင့် ရင်းနှီးမြှုပ်နှံနိုင်တဲ့ လုပ်ငန်းကြီးတွေက ဝယ်ယူကြပေမယ့် အဓိက အမြတ်အစွန်း များတဲ့ အလည်အလတ်စား လုပ်ငန်းတွေက တွန့်နေကြတယ်။ Cloud ရဲ့ အဓိက Compute ရောင်းအားတွေ ထင်သလို မဖြစ်လာဘူး။ ဒီကြားထဲမှာ လွှမ်းမိုးမှု ရှိတဲ့ 37Signals လို အဖွဲ့တွေကလည်း Cloud ကဈေးကြီးလို့ ကိုယ့်ဖာသာပဲ Server ဝယ်ပြီး ပြောင်းလဲလိုက်ကြောင်းတွေ လုပ်ကြတော့ ခေတ်ရေးစီးကြောင်း က ပြောင်းပြန်ဘက် ရောက်တော့မလို ဖြစ်လာပြီ။

ဒီအချိန်မှာပဲ ၂၀၂၂ မှာ ChatGPT ပေါ်လာပြီး၊ ML Model တစ်မျိုးဖြစ်တဲ့ Large Language Model ရဲ့ အစွမ်းကို လူတိုင်း လက်တွေ့ ကျကျမြည်းစမ်းကြည့်လို့ ရလာတယ်။ Cloud Company တွေဟာ အဲ့ဒီအခွင့်အရေးကို ရောင်းအားအတွက် အသုံးချဖို့ အခွင့်ရသွားတာပေါ့။ ဒီကိစ္စမှာတော့ Microsoft က လက်အသွက်ဆုံးဖြစ်ပြီး၊ သူ့နောက်မှာ Google နှင့် Meta (Facebook) အဲ့ဒီနောက်မှာမှ AWS ကလိုက်လာနိုင်တော့တယ်။ ဒီမှာ ၂ မျိုး ကွဲသွားတာက၊ AI Model အသစ်တွေ ထုတ်တဲ့ ပြီး ငှားစားတဲ့ အလုပ်နဲ့ ကိုယ့် ဒေတာတွေကိုယ် သုံးပြီး AI Model တွေ ဆောက်ဖို့ နည်းလမ်းတွေ ဝန်ဆောင်မှုတွေ ရောင်းတဲ့အလုပ်ပေါ့။ လက်ရှိ ML Engineer တွေကတော့ ဒီတည်ဆောက်ရေး နည်းတွေကို သိနှင့်ပြီးသားတွေ ပါပဲ။ Cloud လုပ်ငန်းတွေကတော့ ကျဆင်းလာတဲ့ ရောင်းအားတွေ ကို ကယ်တင်မယ့် အရာပေါ်လာတော့ သူတို့ခမျာ ထီပေါက်သလိုပဲ။

ChatGPT ပေါ်ပြီး နောက်မှာ ယခင်က စိတ်မဝင်စားကြတဲ့ လုပ်ငန်းတွေ၊ လုပ်ငန်းရှင်တွေဟာ နောက်ကောက်ကျမှာစိုးရိမ်စိတ်တွေ ပေါ်လာကြတယ်၊ Cloud Company တွေကလည်း AI ခေါင်းစဉ်နဲ့ ဝန်ဆောင်မှု အသစ်တွေ ထုတ်ပြီး မိတ်ဆက်ကြ၊ အခမဲ့ပေးကြနဲ့ Cloud စတင်စ အရင်တုန်းကလိုပဲ ဈေးဗန်းခင်းတဲ့ အကွက်တွေနဲ့ စ နေကြပြီ။ သိပ်မကြာခင်မှာ AI Engineer ဆိုတဲ့ ခေါင်းစဉ်နဲ့ သင်တန်းတွေ၊ အောင်လက်မှတ် တွေ ပေါ်လာတော့မှာပါပဲ။ လူငယ်တွေ အားကျကြ၊ လိုက်လုပ်ကြဦးမှာပေါ့။

အတတ်ပညာ နဲ့ လိုအပ်ချက်တွေဟာ ခေတ်အားဖြင့်ဆိုရင် ၂၀၀၁-၂၀၁၂ ကို Web Application Architecture ခေတ်၊ ၂၀၁၂-၂၀၂၂ ကို Cloud Architecture ခေတ်၊ ၂၀၂၅ နောက်ပိုင်းကိုတော့ AI Architecture ခေတ်လို့ ဆိုရမလားပါပဲ။

Cloud တုန်းကလိုပဲ AI Architecture တွေ၊ Development တွေ၊ Security တွေ၊ Governance တွေ၊ Implementation တွေ စသည်ဖြင့် ခွဲခြားပြီး လုပ်ငန်းဆောင်တာတွေ၊ ရာထူးနာမ တွေ ချဲ့ထွင်ကြဦးမှာပါ။ လက်ရှိမှာတော့ AI Engineering ဆိုတဲ့ လုပ်ငန်းဆောင်တာ အပိုင်းကဏ္ဍက တိတိပပ ပုံမပေါ်သေးဘူး လို့ထင်ပါတယ်။ ဘယ်လိုမျိုးကို AI Engineer လို ခေါ်သလဲ၊ ခေါ်မလဲ ဆိုတာ သတ်မှတ်ချက်တွေက မတူကြသေးဘူး။ လက်ရှိမှာတော့ Model အငှားသုံးပြီး ChatBot ရေးတတ်သူကလည်း ကိုယ့်ကိုယ်ကို AI Engineer နာမည် တပ်မှာဖြစ်သလို၊ Data Science နှင့် ML Field ကလူတွေကလည်း သူတို့သာ AI Engineer ဖြစ်ကြောင်း သတ်မှတ်ကြမှာပါပဲ။ ဟဲဟဲ အလုပ်ခေါ်တဲ့သူတွေကလည်း အရင် ရာထူးအမည်တွေက ရိုးကုန်ပြီဆိုတော့ AI Engineer ဖြစ်ရမယ်၊ အတွေ့အကြုံ ၄ နှစ် ၅ နှစ် ရှိရမယ်တွေ ခေါ်ကုန်ကြပြီကိုး။ အလုပ်လျှောက်ကြမည့်လူတွေကလည်း အဲ့ဒီ ရာထူးနာမ နောက်ကိုလိုက်ကြဦးမယ်။

ဒီအခါမှာ ကွာဟချက်က Programmer တွေ Web/Mobile Application တည်ဆောက် တတ်တဲ့ ကျွမ်းကျင်မှုမျိုးက Cloud ကိုချည်း တိုက်ရိုက် သင်ယူ အောင်လက်မှတ် ရလာသူတွေဆီမှာ မရှိဘူး။ Data Scientist တွေရဲ့ သီးခြားကွဲပြားတဲ့ နားလည်မှု၊ ကျွမ်းကျင်မှုတွေကလည်း Application ရေးတတ်သူတွေဆီမှာ မရှိဘူး။ ML သမားတွေရဲ့ မျိုးစုံသော Algorithm တွေ၊ ကိရိယာနဲ့ လုပ်ငန်းစဉ်တွေကိုလည်း Cloud Engineer တွေ၊ Application Developer တွေဟာ အထူးပြုဘာသာရပ်ကို မလေ့လာထားဘဲ မသိနိုင်ပြန်ဘူး။ AI Engineer ဆိုပြီး ခေါ်တဲ့ အလုပ်တွေကလည်း လစာတွေ စွတ်ကောင်းလာဦးမယ်၊ အလုပ်တွေကလည်း ဘယ်ရာထူးလျှောက်လျှောက် AI သိလားဆိုတာမျိုးတွေ မေးလာရင် ဖြေတတ်အောင်လည်း ကြံဖန်ရဦးမှာဆိုတော့၊ ဟန်ကိုယ့်ဖို့ လုပ်ကြဦးမှာ။ လက်ရှိမှာကို အဲ့ဒီအမည်သုံးတဲ့သင်ခန်းစာတွေ၊ ထုတ်ကုန်တွေ ငြီးငွေ့လောက်အောင် ပွထ လာနေကြပါပြီ။ ဒါတွေထဲကနေပဲ ဈေးကွက်လိုအပ်ချက်နဲ့ လက်တွေ့ကျတဲ့ လုပ်ငန်းဆောင်တာတွေ ပေါ်မူတည်ပြီး​ AI Engineering ဘာလဲဆိုတာ အနာဂတ်မှာ ပုံပေါ်လာမှာပါပဲ။

ယခုချိန်အထိက AI Engineer ဆိုတဲ့ နာမ က နားလည်လွယ်သလိုလိုနဲ့ တိတိပပမ ရှိသေးဘဲ​ ဝေဝါးနေတုန်းပါပဲ။ ၂၀၀၈ လောက်က Cloud ဆိုတာဘာလဲဆိုပြီး လူတိိုင်းကို အင်တာဗျူးတဲ့ Youtube Video တစ်ခုကို မှတ်မိသေးတယ်။ ဖြေတဲ့လူတွေက ယောင်အအ ဖြစ်ပြီး ကိုယ်ထင်တာတွေ လျှောက်ပြောကြတာကို ရယ်စရာလုပ်ထားတာ။ ဆယ်စုနှစ် ၂ ခုလောက် ရှိတော့မယ့် အချိန်မှာတော့ Cloud လို့ပြောရင် ဘာကို ရည်ညွှန်းသလဲ အနည်းနဲ့ အများတော့ နားလည်မှု ထပ်တူ တွေ ရှိနေကြပြီလေ။ အခုလည်း AI Engineer ဆိုပြီး မေးခဲ့ရင် အားလုံးကို ကိုယ့်နဲ့ နီးစပ်ရာ ကိုယ်နားလည်ရာကို ဆွဲဖြေကြဦးမှာပဲ။ ကာလ ရွေ့လျားလာပြီးမှ ပေါ်ထွန်းလာတဲ့ နည်းပညာဆိုင်ရာ လုပ်ငန်းဆောင်တာတွေကို လိုက်ပြီး တိတိပပ ဖြစ်လာမှာပဲ။

လက်ရှိ AI အသုံးချ ဝန်ဆောင်မှု/ထုတ်ကုန် တစ်ခုလုပ်ဖို့ လုပ်ငန်းဆောင်တာတွေကို အုပ်စုခွဲရရင် AI Model တွေကို အသုံးချ Application တွေလုပ်ကြတာ၊ ကိုယ်ပိုင် ဒေတာတွေကို ထည့်သုံးတာ၊ ကိုယ်ပိုင် Model အသစ်တွေတည်ဆောက်ကြတာ ဆိုပြီး Software Application တည်ဆောက်တဲ့ အစွန်းကတစ်ဘက်၊ ML Model တွေကို တည်ဆောက်တဲ့ အစွန်းကတစ်ဘက်နဲ့ကြားထဲမှာ ရောထပ်နေတဲ့ လုပ်စရာတွေ ကိုတွေ့ရမှာပါ။ ၂၀၂၃ ဧပြီလပိုင်းက ကျွန်တော့်အတွေး ဆောင်းပါး (https://medium.com/@kotharthar/rise-of-llm-and-opportunities-e4cb997d661c) ထဲမှာ ဖော်ပြဖူးပါတယ်။

Chip Huyen ရဲ့ ရေးလက်စ AI Engineering (https://www.amazon.com/AI-Engineering-Building-Applications-Foundation/dp/1098166302) စာအုပ်ထဲမှာ တော့တာဝန်ခွဲဝေမှုပေါ် မူတည်ပြီး Application Development, Model Development နှင့် Infrastructure ဆိုပြီး AI Stack အလွှာ (၃) ခုရယ်လို့ ခွဲခြား သတ်မှတ်တယ်။ နောက်ပြီးတော့ AI Engineer နှင့် ML Engineer တို့ ကွာခြားချက်၊ AI Engineer နှင့် Fullstack Engineer ရဲ့ ကွာခြားချက်တွေကို ရှင်းပြထားတယ်။ AI Engineer က ML Engineer လောက် Model တည်ဆောက်ရေး မလုပ်ရဘဲ၊ သူများလုပ်ထားတဲ့ modle ကို အသုံးချရတာ၊ model ကို ဆီလျော်အောင် ပြောင်းလဲယူတာနဲ့ model ရဲ့ အမှန်အမှားဆန်းစစ်ရတာက ပိုများကြောင်း။ AI Engineer က Fullstack Engineer နှင့် နှိုင်းယှဉ်ရင် AI ရဲ့ API တွေကို သုံးလို့ Front-end ရေးရတာကိုပိုလုပ်ရကြောင်း၊ လက်ရှိ Model တွေကို အသုံးပြုနိုင်တဲ့ API တွေကလည်း သူတို့နဲ့ နီးစပ်တဲ့ Javascript တို့ Python တို့နဲ့ဖြစ်နေတာကလည်း အလျဉ်းသင့်နေကြောင်း၊ လုပ်ရိုးလုပ်စဉ် Software Development ရဲ့ Stack ထဲမှာ AI Model တွေထည့်ပြီးသုံးရကြောင်း တွေ ရှင်းပြထားတာဖတ်မိပါတယ်။

ဒါကြောင့် AI Engineer ရယ်လို့ပြောရင် တာဝန်ယူရတဲ့ အလုပ် ခွဲဝေမှုပေါ်မူတည်ပြီး Application Development အလွှာကိုတော့ ယခင် ကတည်းက Application Development လုပ်ဖူးသူတွေကနေပြောင်းလဲ နေရာယူနိုင်မယ်၊ Model Development ဆိုင်ရာအပိုင်းဆိုရင် Data နှင့် ML Engineering အတတ်ရှိသူတွေက ပါဝင်ပြီး၊ Infrastructure ပိုင်းမှာတော့ DevOps လုပ်သူတွေ Cloud Architecture သမားတွေက ဝင်ရောက် နိုင်တယ်လို့ အကျမ်းဖျဉ်းနားလည်နိုင်တယ်။

အလုပ်အတွက် ပြင်ဆင်ဖို့ လေ့လာလိုသူတွေကိုတော့ ဘယ် ကျွမ်းကျင်မှု နောက်ခံကနေပဲ လာလာ၊ AI Model တွေ ထုတ်လုပ်တဲ့ ML လုပ်ငန်းစဉ်တွေအကြောင်း ဂဃဏန သိနိုင်ဖို့ Chip Huyen ပဲ ရေးတဲ့ Designing Machine Learning System (https://www.amazon.com/Designing-Machine-Learning-Systems-Production-Ready/dp/1098107969) ဆိုတဲ့ စာအုပ်ကိုဖတ်ဖို့ အကြံပြုပါတယ်။ လက်ရှိမှာက AI Model တွေနဲ့ အသုံးချ Framework တွေ library တွေက လိုက်မမီလောက်အောင် ပြောင်းလဲနေတာမို့ ခြုံငုံပြီး အခြေခံ တတ်ကျွမ်းဖို့ အတွက်ကိုတော့ Andrew Ng ရဲ့ DeepLearning.ai က အခမဲ့ short course (https://www.deeplearning.ai/courses/) တွေကို လေ့လာဖို့ အကြံပြုပါတယ်။ မန်နေဂျာတွေ ဦးဆောင်သူတွေကတော့ သမားရိုးကျ Software Development စီမံကိန်း စီမံပုံထက် AI Project တွေဟာ ML Project တွေနဲ့ ဆင်တူတာမို့ Simon Thompson ရေးတဲ့ Managing Machine Learning Projects (https://www.manning.com/books/managing-machine-learning-projects) ဆိုတဲ့စာအုပ်ကို ဖတ်ဖို့ အကြံပြုပါတယ်။

ကျွန်တော်လည်း လေ့လာရင်း စုဆောင်းထားတာတွေကို Slide လုပ်ထားတာရှိတယ်။​ စိတ်ဝင်စားရင် ကြည့်ကြည့်ပါ၊ https://bit.ly/3KGFxgh အချိန်ကုန်သက်သာတာပေါ့။ မပြီးပြတ်သေးတဲ့ Video lecture ကတော့ https://youtube.com/playlist?list=PLTEWY5io7wmOL3k5CwlK6HnDasR5zDcBq&si=mSMKAG_xVHZ0pBqf မှာ ကြည့်နိုင်ပါတယ်။