MST Engine

လူတယောက်ရဲ့ ကိုယ်အလေးအချိန်အတိုင်းအတာနှင့် သွေးဖောက်စစ်တဲ့ရလာဒ်တွေကို ကြည့်ရင်သူက ဆေးလိပ်သောက်လား၊ မသောက်လား သိနိုင်လားပေါ့။

တနည်းပြောရရင် သူ့ရဲ့ biosignals တွေကို ကြည့်ပြီး Smoker ဖြစ်နိုင်ချေဘယ်လောက်ရှိလဲ? တွက်မယ်ပေါ့။

ဒီနေရာမှာ တကယ်တိုင်းထားတဲ့အချက်အလက်ထက် ပိုအရေးပါတဲ့အချက်အလက်တွေရှိတယ်။

ကိုယ်အလေးချိန်နှင့်အရပ်ကို လက်တွေ့တိုင်းလို့ရတယ်။
ဒါပေမဲ့ BMI(Body Mass Index) က တကယ်တွက်ချက်တဲ့အခါမှာ ပိုအရေးကြီးတယ်။ ဒါ့ကြောင့်မို့ တိုင်းတာတဲ့ရလာဒ်ထဲမှာ မပါပေမဲ့ BMI ကလည်း အရေးပါတဲ့ အချက်အလက်တခုဖြစ်လာတယ်။

လူ့ခန္ဓာကိုယ်ထဲမှာ အဆီမျိုးစုံရှိတယ်။
Triglycerides, HDL, LDL စသည်ဖြင့်ပေါ့။ တခုချင်းစီတန်ဖိုးက ဆေးလိပ်သောက်မသောက် ခန့်မှန်းတဲ့နေရာမှာအရေးမကြီးဘူးထင်ရပေမဲ့ HDL-Triglycerides, HDL-LDL, အချိုးတွေသည် ပိုအရေးပါတဲ့ ဂဏန်းတွေဖြစ်တယ်။

နောက်တခုက ဆေးလိပ်သောက်တဲ့လူဟုတ်၊မဟုတ် ဆုံးဖြတ်တဲ့နေရာမှာ triglycerides သည်အရေးပါတဲ့အချက်အလက်ဖြစ်တယ်။ triglycerides ဆိုတဲ့ သွေးတွင်းအဆီဓာတ်တမျိုးသည် ဆေးလိပ်သောက်တဲ့လူမှာပိုတတ်တယ်။ ဒါကကျ သက်သေပြပြီးသား ဆေးပညာအချက်အလက်တခုဖြစ်တယ်။

နောက် အသည်းကထွက်တဲ့ အင်ဇိုင်း၂ခုကလည်း စကားပြောတယ်။ AST, ALT အင်ဇိုင်းပမာဏအချိုးသည် ဆေးလိပ်သောက်မသောက်ဆုံးဖြတ်တဲ့နေရာမှာ အရေးပါတယ်။ ဘာလို့ဆို non alcoholic liver diseases တွေသည် ဆေးလိပ်ကြောင့်ဖြစ်တာမျိုး ဖြစ်ဖို့များတယ်။

နောက် GTP လို့ခေါ်တဲ့ Gamma Glutamyl Transferase သည် ဆေးလိပ်သောက်တဲ့သူမှာတတ်တယ်။ ဒါပေမဲ့ ဆေးလိပ်သောက်တဲ့သူတွေမှာ ဆီးထဲကို ပရိုတိန်းဓာတ်ပါတယ်ဆိုတာ သိပ်တော့မဆိုင်ဘူးလို့ယူဆလို့ရတယ်။

နောက်တခုက ဟင်မိုဂလိုဘင်ပမာဏသည် ဆေးလိပ်သောက်တဲ့သူမှာ အများကြီးပိုတက်တယ်။ ဒါသည်လည်း proven fact တခုဖြစ်တယ်။

ဒီနေရာဆိုရင် proven fact တွေနဲ့ကို ဆေးလိပ်သောက်မသောက် ခွဲခြားသိနိုင်တယ်လို့ ရှုမြင်လို့ရတယ်။ နောက်တခုက သွေးစစ်လို့ရလာတဲ့ရလာဒ်ကနေ ထပ်ဆင့်တွက်ချက်ထားတဲ့ အညွှန်းကိန်းတွေကလည်း အရေးကြီးတယ်။ ဒါပေမဲ့ လက်တွေ့ဘဝမှာ ဆေးလိပ်မသောက်ပဲနဲ့ကို အဲ့ biosignals တွေတက်နေတဲ့လူတွေလည်းရှိတယ်။ ဒါတွေကိုကျ မှားပြီးတော့ ဆေးလိပ်သောက်တယ်လို့ ကောက်ချက်ချထုတ်မိသွားနိုင်တယ်။ အဲ့လိုထုတ်မိတာကိုကျ False postive လို့ခေါ်တယ်။ အဲ့တာကြောင့်မို့လို့ အရေးမပါဘူးလို့ထင်ရတဲ့၊ မသက်ဆိုင်ဘူးလို့ထင်ရတဲ့အချက်အလက်တွေသည်လည်း ဖြုတ်ချင်တိုင်းဖြုတ်ချထားခဲ့လို့မရဘူး။

Machine learning မှာ Domain Knowledge သည် အရေးပါတယ်။ ကိုယ်က dataset တခုကို ကိုင်တွယ်မယ်ဆိုရင် model တွေကိုင်တွယ်ဖို့ထက် data understanding ဖြစ်အောင် အရင်လုပ်ရတယ်။

Data understanding ဆိုတာဘာလဲဆိုရင် dataset ထဲမှာ ပါဝင်တဲ့အညွှန်းကိန်းတခုက ဘာကိုရည်ညွှန်းလဲဆိုတာ သေချာသိခြင်းဖြစ်ပါတယ်။ ဒီတိုင်း data ကို ကိုင်တွယ်ဖြေရှင်းမယ်၊ model ထဲတန်းထည့်မယ်ဆိုရင် accuracy ကောင်းဖို့သိပ်မသေချာဘူး။ model ကို hyperparameter တွေပြင်လိုက်သည့်တိုင်အောင် 1% လောက်ပဲ accuracy တက်လာတာဖြစ်နိုင်တယ်။ ကိုယ့်ကိုပေးထားတဲ့ data တွေကို ပိုပြီးအရေးပါတဲ့ feature တွေအဖြစ်ပြောင်းပေးတာကို feature engineering လို့ခေါ်တယ်။

တနည်းပြောရရင်တော့ feature engineering လုပ်ဖို့အတွက် domain Knowledge နဲ့ data understanding အများကြီးလိုအပ်တယ်။

Google Bard ကို Search Engine Optimization လုပ်ဖို့ plan ရေးခိုင်းတာတော်တော်အဆင်ပြေတယ်။

တကယ်ဆိုရင် တနေ့ကို ကိုယ်မသိတဲ့မေးခွန်းတခုကို တခါရှင်းပြခိုင်းပြီးတော့ knowledge building လုပ်လို့ရတယ်။ အထူးတလည်ရှာဖတ်စရာတောင် မလိုဘူး။

မှန်၊မမှန် ဘယ်လိုဆုံးဖြတ်မလဲဆိုရင် နည်းပညာနဲ့သတ်မှတ်တာတွေက မှန်တာများတယ်။ သူ့ကို မေးလို့ကောင်းတယ်။ သူက မြန်မြန်ဖြေပေးနိုင်တယ်။

ဆေးပညာတို့ သမိုင်းတို့ကျ မမေးတာကောင်းတယ်။
အဲ့လိုလေးတွေတော့ ခွဲခြားသုံးတာအဆင်ပြေတယ်။