နှစ်စဥ်နှစ်တိုင်း ဘောလုံးရာသီတွေ ၊ Tournament တွေတိုင်းမှာ AI တွေ စူပါကွန်ပျူတာတွေရဲ့ ခန့်မှန်းချက်တွေ အကြောင်းကို အမြဲကြားရပြီး ခန့်မှန်းမှုအမှားတွေလုပ်တတ်လို့ ဘောလုံးပရိသတ်အများစုက စူပါကွန်ပျူတာတွေကို မယုံကြည်ကြပါဘူး။ ဘောလုံးပွဲတွေ အကြောင်းကို Analyst လုပ်မယ်ဆိုရင် Tactical အရကော၊ Statistical data တွေကိုကော ထည့်သွင်းစဥ်းစားဖို့ လိုအပ်လိမ့်မယ်။ ဒီ Supercomputer တွေနဲ့ AI တွေရဲ့ ဘောလုံးပွဲ ခန့်မှန်းမှုတွေ အကြောင်းပြောမယ်ဆို ဒါတွေ နောက်ကွယ်က Machine Learning အကြောင်းကို သိထားဖို့ လိုအပ်ပါတယ်။
Machine Learning ဆိုတာက Statistics, Probability, Data Science တို့အချိုးကျ ပါဝင်တဲ့ sector တစ်ခု ဖြစ်ပါတယ်။ Artificial Intelligence ရဲ့ Sub Field အနေနဲ့လည်း လူသိများပါတယ်။
Machine Learning Algorithm တွေနဲ့ ဘောလုံးပွဲ Prediction လုပ်တာ သဟဇာတ မဖြစ်ကြတာ ဘာကြောင့်လဲ ဆိုတော့ ဘောလုံးပွဲ တစ်ပွဲ ပြီးရင် အနိုင်၊ အရှုံး၊ သရေ ဆိုပြီး ရလာတဲ့ ရမှတ်တွေ အတွက် လိုအပ်တဲ့ Statistical data က Goal ဆိုတဲ့ data တစ်ခုထဲကြောင့်သာ ဖြစ်တယ်။ ပွဲပြီးမိနစ်ကိုးဆယ်ပြည့်ချိန် Statistics board မှာ ဂိုးပိုသွင်းနိုင်တဲ့ အသင်းကသာ နိုင်တယ်။ Short on Target, Possession အစရှိတဲ့ data ကိန်းဂဏန်းတွေ ပိုများတာ၊ ပိုနည်းတာယယ်ဆိုတာက အနိုင်ရရေးအတွက် အရမ်း decisive မဖြစ်ပါဘူး။ ဒါပေမဲ့ ဂိုး ဆိုတဲ့ ကိန်းဂဏန်းနေရာမှာ သုညကနေ ၁ ဖြစ်သွားဖို့ Short on Target ဆိုတဲ့ ကိန်းဂဏန်းက သုညအထက် ကြိုက်တဲ့ ဂဏန်းဖြစ်နိုင်သလို၊ Possession ရာခိုင်နှုန်းကလည်း အကုန်ဖြစ်နိုင်ပါတယ်။
Machine Learning Model တွေလုပ်တဲ့နေရာမှာ အကြမ်းအားဖြင့် သင်္ချာဆိုင်ရာ ကိန်းဂဏန်းတွေ ၊ Tabular Data တွေ အပေါ် အခြေခံပြီး ပြုလုပ်ရတဲ့ Supervised Learning နဲ့ ကိုယ်သုတေသန ပြုလုပ်မဲ့ အကြောင်းအရာတွေ Data တွေရဲ့ ဂုဏ်ရည်ပြနာမဝိသေသနတွေကို အခြေခံပြီး ပြုလုပ်တဲ့ Supervised Learning ဆိုပြီး နှစ်မျိုး ရှိပြီး အဲ့နှစ်မျိုးလုံးကို ရောသုံးရတဲ့ Semi Supervised Learningဆိုတာမျိုးလည်း ရှိပါတယ်။ ဘောလုံးပွဲ Prediction Model တွေက Supervised Learning တွေများပါတယ်။
ဘောလုံးလောကအနေနဲ့ ယှဥ်ပြောရရင် နည်းစနစ် ပိုင်းကစားပုံ ကောင်းမွန်တာ၊ ညံတာကို (Tactical ပိုင်း) Qualitative အနေနဲ့ ယှဥ်နိုင်ပြီး၊ သွင်းဂိုးတွေ၊ ကစားသမားတွေရဲ့ တန်ကြေးတွေ အသင်းရဲ့ ရမှတ်ပိုင်းဆိုင်ရာတွေ အစရှိတဲ့ စာရွက်ပေါ်က သင်္ချာကိန်းဂဏန်းတွေ (Statistical ပိုင်း) ကို Quantitative အနေနဲ့ မြင်နိုင်ပါတယ်။
Supercomputer ရဲ့ ခန့်မှန်းချက်တွေမှာ EPL နဲ့ UCL မှာဆို မန်စီးတီး၊ လီဂူးနဲ့ UCL ဆို PSG တို့လို စာရွက်ပေါ်က လူစာရင်း တောင့်တဲ့ အသင်းတွေ၊ နိုင်ငံတကာ ပွဲဆို ပြင်သစ်လို နဲ့ ဘရာဇီး တို့လို အသင်းတွေက ဖလားရနိုင်ချေက ရာခိုင်နှုန်းအများဆုံး ဖြစ်နေတတ်ပါတယ်။
ဒါက ဘာကြောင့်လဲ ဆိုတော့ Machine Learning Model တွေအတွက် Data တွေ က Transfermarkt တို့လို Market ထဲက Online Platform တွေရဲ့ Statistical data တွေနဲ့ အဓိက sampling လုပ်ထားလို့ပါ။ နောက်ပြီး အဓိကက ကစားသမားတွေရဲ့ injury ရတဲ့ case တွေ၊ နည်းပြ အပြောင်းအလဲ တွေ စသလို ရလဒ်ပိုင်းအပြောင်းအလဲ သက်ရောက်မှုတွေကြီးမားနိုင်တဲ့ ကိစ္စတွေကလည်း Machine Learning နဲ့ ဘောလုံးခန့်မှန်းတာမျိုးမှာ Practically အားနည်းချက်ရှိတာတွေကို သိသာစေပါတယ်။
ဘောလုံးပွဲတွေအနိုင်အရှုံးအတွက် Guessing Game လုပ်ဖို့က Tactical ပိုင်းအရ လိုအပ်သလို မော်ရင်ဟိုလို Goal ဆိုတဲ့ Statistical data ပိုများရေး ကိုသာ ပဓာန ဆိုတဲ့ အချက်မျိုးတွေကို သတိထားမိဖို့လိုပါတယ်။ လက်ရှိ အချိန်ထိ Chat GPT , Gemini တို့လို Gen Ai တွေ တိုးတက်လာပေမဲ့ Prediction တွေက Accurate သိပ်ဖြစ်မနေသေးပါဘူး။ အနာဂတ်မှာ နည်းပညာတွေ တိုးတက်လာတာနဲ့အမျှ Supercomputer တွေရဲ့ ဘောလုံးလောကက Sampling တွေမှာ Practically ပိုကောင်းမဲ့ program တွေ develop လာနိုင်မလားဆိုတာတော့ စောင့်ကြည့်ရပါမယ်။