- ဝေါဟာရပညာ (A မှ D)
- AI စွမ်းရည်ထိန်းချုပ်မှု
- AI Ops
- အယ်လ်ဘမ်များ
- ပိုင်ဆိုင်မှု စွမ်းဆောင်ရည်
- အော်တိုကုဒ်ဒါ
- နောက်ကြောင်းပြန်ထွက်လာပါတယ်။
- Bayes သီအိုရီ
- Big Data
- Chatbot- စတင်သူလမ်းညွှန်
- ကွန်ပျူတာစဉ်းစားတွေးခေါ်
- ကွန်ပျူတာ Vision ၏
- ရှုပ်ထွေးမှု Matrix
- Convolutional အာရုံကြောကွန်ယက်များ
- ဆိုက်ဘာလုံခြုံရေး
- Data Fabric
- ဒေတာပုံပြင်ပြောခြင်း။
- ဒေတာကိုသိပ္ပံ
- ဒေတာသိုလှောင်ခြင်း
- ဆုံးဖြတ်ချက်ပင်
- Deepfakes
- နက်ရှိုင်းသောသင်ယူခြင်း
- နက်ရှိုင်းသောအားဖြည့်သင်ယူမှု
- Devops
- DevSecOps
- ပျံ့နှံ့မှုပုံစံများ
- ဒစ်ဂျစ်တယ်အမွှာ
- Dimensionality လျှော့ချရေး
- အသုံးအနှုန်း (E to K)
- အနားသတ် AI
- စိတ်ခံစားမှု AI
- စုစည်းသင်ယူမှု
- ကျင့်ဝတ်ဆိုင်ရာ Hacking
- ETL
- ရှင်းပြနိုင်သော AI
- ဖက်ဒရယ်သင်ယူမှု
- FinOps
- Generative AI ဖြစ်သည်
- မျိုးရိုးဗီဇဆန့်ကျင်ကွန်ယက်
- Generative vs. ခွဲခြားဆက်ဆံမှု
- Gradient မြှင့်တင်ခြင်း။
- Gradient အဆင်း
- ရိုက်ချက်အနည်းငယ်သာ သင်ယူပါ။
- Image ကိုအမျိုးအစားခွဲခြား
- အိုင်တီလုပ်ငန်းများ (ITOPs)
- Incident Automation
- အင်ဂျင်နီယာသြဇာ
- K-Means Clustering
- K-အနီးဆုံးအိမ်နီးချင်းများ
- ဝေါဟာရ (L မှ Q)
- အသုံးအနှုန်း (R မှ Z)
- အားဖြည့်သင်ယူခြင်း
- တာဝန်ရှိ AI
- RLHF
- စက်ရုပ်လုပ်ငန်းစဉ်အလိုအလျောက်
- Structured vs Unstructured
- စိတ်ဓါတ်ခွဲခြမ်းစိတ်ဖြာ
- ကြီးကြပ်သူနှင့် ကြီးကြပ်မထားသော
- ပံ့ပိုးမှု Vector Machines
- Synthetic Data များ
- Synthetic Media
- စာသားခွဲခြား
- TinyML
- လွှဲပြောင်းသင်ယူခြင်း။
- Transformer Neural Networks များ
- Turing စမ်းသပ်မှု
- Vector Similarity ရှာဖွေမှု
AI ၅၀
Data Fabric ဆိုတာ ဘာလဲ။
မာတိကာ
မကြာခဏဆိုသလို ဥာဏ်ရည်တု (AI) နှင့် စက်သင်ယူမှု (ML) တို့နှင့် ဆက်စပ်လျက်ရှိပြီး ဒေတာအထည်သည် ဒေတာကုန်ကြမ်းများကို လုပ်ငန်းဉာဏ်ရည်ဉာဏ်သွေးအဖြစ်သို့ ပြောင်းလဲရန်အတွက် အဓိကကိရိယာများထဲမှတစ်ခုဖြစ်သည်။
ဒါပေမယ့် အတိအကျ data fabric ဆိုတာ ဘာလဲ။
ဒေတာထည်သည် လုပ်ငန်းတစ်ခုအတွင်း ဒေတာပိုင်ဆိုင်မှုများ၊ ဒေတာဘေ့စ်များနှင့် ဒေတာဘေ့စ်ဗိသုကာများကို တစ်စုတစ်စည်းတည်း စုစည်းပေးသည့် ဗိသုကာနှင့် ဆော့ဖ်ဝဲတစ်ခုဖြစ်သည်။ ၎င်းသည် အသိဉာဏ်နှင့် အလိုအလျောက်စနစ်များကို အသုံးပြုခြင်းဖြင့် အမျိုးမျိုးသော ဒေတာပိုက်လိုင်းများနှင့် cloud ပတ်ဝန်းကျင်များ၏ အဆုံးမှအဆုံး ပေါင်းစပ်မှုကို လွယ်ကူချောမွေ့စေသည်။
hybrid cloud၊ internet of things (IoT)၊ AI နှင့် edge computing တို့နှင့်အတူ ကြီးကြီးမားမားတိုးတက်မှုများ ဆက်လက်ဖြစ်ပေါ်နေသဖြင့် ဒေတာအထည်များသည် ပိုအရေးကြီးလာသည်။ ဤအရာက ကြီးမားသောဒေတာကို ကြီးမားစွာ တိုးလာစေခဲ့ပြီး၊ ဆိုလိုသည်မှာ အဖွဲ့အစည်းများသည် စီမံခန့်ခွဲရန် ပို၍ပင် လိုအပ်နေပါသည်။
ဤကြီးမားသောဒေတာကိုကိုင်တွယ်ဖြေရှင်းရန်၊ ကုမ္ပဏီများသည် data silos၊ လုံခြုံရေးအန္တရာယ်များနှင့် ဆုံးဖြတ်ချက်ချရာတွင် ပိတ်ဆို့မှုများကဲ့သို့သော စိန်ခေါ်မှုများစွာကို ဖြစ်ပေါ်စေသည့် ဒေတာပတ်၀န်းကျင်များ၏ စုစည်းမှုနှင့် အုပ်ချုပ်မှုအပေါ် အာရုံစိုက်ရမည်ဖြစ်သည်။ ဤစိန်ခေါ်မှုများသည် ဒေတာစနစ်များကို ပေါင်းစည်းရန်၊ ကိုယ်ရေးကိုယ်တာနှင့် လုံခြုံရေးကို အားကောင်းစေကာ၊ အုပ်ချုပ်မှုတိုးတက်စေရန်နှင့် အလုပ်သမားများအတွက် ဒေတာပိုမိုသုံးစွဲနိုင်မှုကို ပံ့ပိုးပေးသည့် data fabric solutions များလက်ခံကျင့်သုံးသည့် ဒေတာစီမံခန့်ခွဲမှုအဖွဲ့များဆီသို့ ဦးတည်သွားစေသည်။
ဒေတာပေါင်းစည်းမှုသည် ဒေတာမောင်းနှင်သော ဆုံးဖြတ်ချက်ချခြင်းကို ပိုမိုဖြစ်ပေါ်စေပြီး လုပ်ငန်းများသည် လုပ်ငန်း၏ သီးခြားကဏ္ဍများအတွက် မတူညီသောဒေတာပလပ်ဖောင်းများကို သမိုင်းတွင်အသုံးပြုခဲ့သော်လည်း၊ ဒေတာပိတ်ထည်များသည် ဒေတာများကို ပိုမိုစည်းလုံးစွာကြည့်ရှုနိုင်စေပါသည်။ ဤအရာအားလုံးသည် ဖောက်သည်ဘဝစက်ဝန်းကို ပိုမိုကောင်းမွန်စွာ နားလည်လာစေပြီး ဒေတာများကြား ချိတ်ဆက်မှုများကို ထူထောင်ရန် ကူညီပေးသည်။
Data Fabric ရဲ့ ရည်ရွယ်ချက်က ဘာလဲ။
ဒေတာအထည်များကို ၎င်း၏တည်နေရာ၊ ဒေတာဘေ့စ်အသင်းအဖွဲ့ သို့မဟုတ် ဖွဲ့စည်းပုံမခွဲခြားဘဲ သတင်းအချက်အလက်ရယူရန် လွယ်ကူချောမွေ့စေသည့် ဆက်စပ်ဒေတာကို တစ်စုတစ်စည်းတည်းကြည့်ရှုနိုင်ရန် ဒေတာကိုအသုံးပြုသည်။ Data fabrics များသည် AI နှင့် machine learning ဖြင့် ခွဲခြမ်းစိတ်ဖြာမှုကို ရိုးရှင်းစေသည်။
ဒေတာအထည်၏နောက်ထပ်ရည်ရွယ်ချက်မှာ သမားရိုးကျ အပလီကေးရှင်းနှင့် ဒေတာဘေ့စ် silos တို့မှ ခွဲထွက်သော သတင်းအချက်အလက်ရယူခြင်းအတွက် ဘုံစံနမူနာတစ်ခု ဖန်တီးထားသောကြောင့် အက်ပလီကေးရှင်းဖွံ့ဖြိုးတိုးတက်မှုကို လွယ်ကူချောမွေ့စေရန်ဖြစ်သည်။ ဤမော်ဒယ်များသည် ပိုမိုကောင်းမွန်သော အချက်အလက်ဝင်ရောက်ခွင့်ကို ပေးစွမ်းသော်လည်း ၎င်းတို့သည် အရင်းအမြစ်အားလုံးတွင် ဒေတာဝင်ရောက်မှုကို စီမံခန့်ခွဲနိုင်သည့် အလွှာတစ်ခုတည်းကို တည်ထောင်ခြင်းဖြင့်လည်း စွမ်းဆောင်ရည်ကို မြှင့်တင်ပေးပါသည်။
ဒေတာထည်တစ်ခုအတွက် ဒေတာဗိသုကာတစ်ခုမျှမရှိသော်လည်း၊ ဤဒေတာဘောင်အမျိုးအစားအတွက် အခြေခံအစိတ်အပိုင်းခြောက်ခုရှိကြောင်း မကြာခဏပြောလေ့ရှိသည်-
ဒေတာများကိုစီမံခန့်ခွဲမှု: ဒေတာစီမံခန့်ခွဲမှုနှင့် ဒေတာလုံခြုံရေးအတွက် တာဝန်ရှိသည်။
ဒေတာထည့်သွင်းမှု- cloud ဒေတာကို အတူတကွ ယူဆောင်လာပြီး ဖွဲ့စည်းတည်ဆောက်ပုံနှင့် ဖွဲ့စည်းပုံမထားသော ဒေတာများကြား ချိတ်ဆက်မှုများကို ခွဲခြားသတ်မှတ်သည်။
ဒေတာများကိုထုတ်ယူခြင်း: ဒေတာထုတ်ယူရန်အတွက် သက်ဆိုင်ရာဒေတာများသာ ပေါ်လာကြောင်း သေချာစေရန် ဒေတာကို ပြန်လည်ပြင်ဆင်သည်။
Data Orchestration- ဒေတာကို အသွင်ပြောင်း၊ ပေါင်းစည်းခြင်းနှင့် သန့်စင်ခြင်းအတွက် တာဝန်ရှိသော မူဘောင်၏ အမှန်တကယ် အရေးကြီးသော အလွှာတစ်ခုဖြစ်ပြီး ၎င်းကို လုပ်ငန်းတစ်ခုလုံးတွင် အသုံးပြုနိုင်စေရန်။
ဒေတာရှာဖွေမှု: ဒေတာရင်းမြစ်များကို ပေါင်းစည်းရန် နည်းလမ်းအသစ်များကို ပေါ်လွင်စေသည်။
ဒေတာအသုံးပြုခွင့်- ဒေတာသုံးစွဲမှုကို ဖွင့်ပေးသည်၊ စည်းမျဉ်းစည်းကမ်းများကို လိုက်နာရန် အချို့သောအဖွဲ့များအတွက် မှန်ကန်သောခွင့်ပြုချက်များကို သေချာစေပြီး၊ ဒက်ရှ်ဘုတ်များနှင့် အခြားဒေတာကို ပုံဖော်ခြင်းကိရိယာများကို အသုံးပြုခြင်းဖြင့် သက်ဆိုင်ရာဒေတာများကို ပေါ်လွင်စေရန် ကူညီပေးပါသည်။
Data Fabric ၏ အကျိုးကျေးဇူးများ
ဒေတာအထည်များ၏ လုပ်ငန်းနှင့် နည်းပညာဆိုင်ရာ အကျိုးကျေးဇူးများစွာရှိသည်၊
ဒေတာ Silos ကို ဖြတ်ပါ။− ခေတ်မီဒေတာဘေ့စ်များသည် အပလီကေးရှင်းအုပ်စုများနှင့် ဆက်စပ်နေပြီး လုပ်ငန်းအသစ်များကို ထည့်သွင်းထားသောကြောင့် မကြာခဏဆိုသလို ကြီးထွားလာသောကြောင့် ခေတ်မီစီးပွားရေးလုပ်ငန်းများသည် ဒေတာ silos ဒဏ်ကို ခံရလေ့ရှိသည်။ ဒေတာ silo များသည် မတူညီသော ဖွဲ့စည်းတည်ဆောက်ပုံနှင့် ဖော်မတ်များ၏ ဒေတာကို ကိုင်ဆောင်ထားသော်လည်း ဒေတာပိတ်ထည်များသည် လုပ်ငန်းဆိုင်ရာ အချက်အလက်များကို ပိုမိုကောင်းမွန်စွာ ဝင်ရောက်နိုင်စေပြီး လုပ်ငန်းလည်ပတ်မှုစွမ်းဆောင်ရည်ကို မြှင့်တင်ရန် စုဆောင်းထားသောဒေတာကို အသုံးပြုနိုင်သည်။
ဒေတာဘေ့စ်များ စုစည်းပါ။: ဒေတာပိတ်ထည်များသည် ကုမ္ပဏီများကို ဧရိယာကျယ်ဝန်းသော ဒေတာဘေ့စ်များကို စုစည်းရာတွင်လည်း ကူညီပေးပါသည်။ တည်နေရာကွဲပြားမှုများသည် ဝင်ရောက်ရန် အတားအဆီးများ မဖြစ်စေကြောင်း ၎င်းတို့က သေချာစေသည်။ ဒေတာပိတ်ထည်များသည် အပလီကေးရှင်းဖွံ့ဖြိုးတိုးတက်မှုကို ရိုးရှင်းစေပြီး အခြားအက်ပ်လီကေးရှင်းများထံ ဒေတာဝင်ရောက်မှုနည်းပါးစေခြင်းမရှိဘဲ သီးခြားအက်ပ်ဒေတာအသုံးပြုမှုကို အကောင်းဆုံးဖြစ်အောင် အသုံးပြုနိုင်မည်ဖြစ်သည်။ Silos ထဲသို့ ရွှေ့ပြောင်းပြီးသော ဒေတာများကိုလည်း ပေါင်းစည်းနိုင်သည်။
သတင်းအချက်အလက်ရယူရန် တစ်ခုတည်းသောနည်းလမ်း: ဒေတာပိတ်ထည်များသည် အက်ပ်လီကေးရှင်းကို သယ်ဆောင်ရလွယ်ကူစေပြီး cloud နှင့် ဒေတာစင်တာနှစ်ခုစလုံးတွင် အချက်အလက်ရယူရန် တစ်ခုတည်းသောနည်းလမ်းအဖြစ် လုပ်ဆောင်သည်။
အရှိန်အဟုန်ဖြင့် ထိုးထွင်းသိမြင်မှုများကို ဖန်တီးပါ- ဒေတာအထည်ဖြေရှင်းနည်းများသည် ရှုပ်ထွေးသောဒေတာအတွဲများကို လွယ်ကူစွာကိုင်တွယ်နိုင်ပြီး ထိုးထွင်းသိမြင်ရန်အချိန်ကို မြန်ဆန်စေသည်။ ၎င်းတို့၏ ဗိသုကာလက်ရာများသည် ကြိုတင်တည်ဆောက်ထားသော ခွဲခြမ်းစိတ်ဖြာမှုပုံစံများနှင့် သိမြင်မှုဆိုင်ရာ အယ်လဂိုရီသမ်များကို အတိုင်းအတာနှင့် အရှိန်အဟုန်ဖြင့် လုပ်ဆောင်နိုင်စေပါသည်။
နည်းပညာနှင့် နည်းပညာမဟုတ်သော အသုံးပြုသူများ အသုံးပြုသည်- ဒေတာအထည်များသည် နည်းပညာအသုံးပြုသူများအတွက်သာ ရည်ရွယ်သည်မဟုတ်ပါ။ ဗိသုကာလက်ရာသည် ပြောင်းလွယ်ပြင်လွယ်ဖြစ်ပြီး ကျယ်ပြန့်သော user interface များဖြင့် အသုံးပြုနိုင်သည်။ ၎င်းတို့သည် လုပ်ငန်းအမှုဆောင်များ နားလည်နိုင်သော ဒက်ရှ်ဘုတ်များကို တည်ဆောက်ရာတွင် ကူညီနိုင်သည် သို့မဟုတ် ၎င်းတို့၏ ခေတ်မီဆန်းပြားသောကိရိယာများကို ဒေတာသိပ္ပံပညာရှင်များက ဒေတာရှာဖွေရေးတွင် အသုံးပြုနိုင်သည်။
ဒေတာအထည်များကို အကောင်အထည်ဖော်ရန်အတွက် အကောင်းဆုံးအလေ့အကျင့်များ
ကမ္ဘာလုံးဆိုင်ရာ ဒေတာဈေးကွက်သည် အဆက်မပြတ် ချဲ့ထွင်နေပြီး အာကာသထဲတွင် ဝယ်လိုအား အားကောင်းနေပါသည်။ ကုမ္ပဏီများစွာသည် ၎င်းတို့၏ လုပ်ငန်းဒေတာများကို အကောင်းဆုံးဖြစ်အောင် ဒေတာဗိသုကာတစ်ခုကို အကောင်အထည်ဖော်ရန် ကြိုးပမ်းကြပြီး အများအားဖြင့် အကောင်းဆုံးအလေ့အကျင့်အချို့ကို လိုက်နာကြသည်။
ယင်းအလေ့အကျင့်တစ်ခုသည် DataOps လုပ်ငန်းစဉ်ပုံစံကို လက်ခံကျင့်သုံးရန်ဖြစ်သည်။ ဒေတာထည်နှင့် DataOps တို့သည် ထပ်တူမကျသော်လည်း DataOps မော်ဒယ်တစ်ခုအရ၊ ဒေတာလုပ်ငန်းစဉ်များ၊ ကိရိယာများနှင့် အသုံးပြုသူများအကြား နီးကပ်စွာချိတ်ဆက်မှုရှိပါသည်။ အသုံးပြုသူများကို ဒေတာအားကိုးရန် ချိန်ညှိခြင်းဖြင့်၊ ၎င်းတို့သည် ကိရိယာများကို လွှမ်းမိုးပြီး ထိုးထွင်းသိမြင်မှုများကို အသုံးချနိုင်သည်။ DataOps မော်ဒယ်မရှိဘဲ၊ အသုံးပြုသူများသည် ဒေတာထည်မှ လုံလောက်စွာထုတ်ယူရန် ရုန်းကန်ရနိုင်သည်။
အခြားအကောင်းဆုံးအလေ့အကျင့်မှာ ဒေတာထည်ကို အခြားဒေတာအိုင်အဖြစ်သို့ ပြောင်းလဲခြင်းမှ ရှောင်ကြဉ်ရန်ဖြစ်ပြီး၊ အဖြစ်များသည့် ဖြစ်ရပ်တစ်ခုဖြစ်သည်။ ဥပမာအားဖြင့်၊ သင့်တွင် ဒေတာရင်းမြစ်များနှင့် ခွဲခြမ်းစိတ်ဖြာမှုကဲ့သို့သော ဗိသုကာဆိုင်ရာ အစိတ်အပိုင်းများ အားလုံးရှိသော်လည်း API နှင့် SDK များ တစ်ခုမှ မပါရှိပါက စစ်မှန်သောဒေတာထည်ကို မရနိုင်ပါ။ Data fabric သည် နည်းပညာတစ်ခုတည်းမဟုတ်ဘဲ ဗိသုကာဒီဇိုင်းကို ရည်ညွှန်းသည်။ ဗိသုကာပညာ၏ အဓိပ္ပါယ်ဖွင့်ဆိုချက်အချို့မှာ အစိတ်အပိုင်းများအကြား အပြန်အလှန်လုပ်ဆောင်နိုင်မှုနှင့် ပေါင်းစပ်ပြင်ဆင်မှုတို့ဖြစ်သည်။
အဖွဲ့အစည်းသည် ၎င်း၏လိုက်နာမှုနှင့် စည်းကမ်းသတ်မှတ်ချက်များကို နားလည်ရန်လည်း အရေးကြီးပါသည်။ ဒေတာထည်ဗိသုကာတစ်ခုသည် လုံခြုံရေး၊ အုပ်ချုပ်မှုနှင့် စည်းကမ်းလိုက်နာမှုကို တိုးတက်စေနိုင်သည်။
ဒေတာများသည် စနစ်များပေါ်တွင် ပြန့်ကျဲမနေသောကြောင့်၊ ထိခိုက်လွယ်သော ဒေတာထိတွေ့မှု၏ ခြိမ်းခြောက်မှုမှာ သေးငယ်သည်။ ထိုသို့ပြောခြင်းဖြင့်၊ ဒေတာအထည်ကို အကောင်အထည်မဖော်မီ လိုက်နာမှုနှင့် စည်းကမ်းသတ်မှတ်ချက်များကို နားလည်ရန် အရေးကြီးပါသည်။ မတူညီသော ဒေတာအမျိုးအစားများသည် မတူညီသော စည်းကမ်းစီရင်ပိုင်ခွင့်များအောက်တွင် ရှိနေနိုင်သည်။ ဖြေရှင်းချက်တစ်ခုမှာ ဒေတာအသွင်ပြောင်းခြင်း ဥပဒေများနှင့် ကိုက်ညီကြောင်း သေချာစေရန် အလိုအလျောက် လိုက်နာမှုမူဝါဒများကို အသုံးပြုရန်ဖြစ်သည်။
ဒေတာအထည်အလိပ်အသုံးပြုမှုကိစ္စများ
ဒေတာထည်တစ်ခုအတွက် မတူညီသောအသုံးပြုမှုများစွာရှိသော်လည်း အချို့မှာ အလွန်အသုံးများသည်။ ထိုကဲ့သို့သော သာမာန်ဥပမာတစ်ခုမှာ ဝင်ရောက်ကြည့်ရှုခြင်းနှင့် ခွဲခြမ်းစိတ်ဖြာမှုကို လွယ်ကူချောမွေ့စေရန်အတွက် ပထဝီဝင်ဆိုင်ရာ ကွဲပြားသောဒေတာပိုင်ဆိုင်မှုများ၏ အတု/ယုတ္တိ စုဆောင်းမှုဖြစ်သည်။ ဤကိစ္စရပ်တွင် ဗဟိုချုပ်ကိုင်မှုရှိသော စီးပွားရေးစီမံခန့်ခွဲမှုအတွက် ဒေတာအထည်ကို အများအားဖြင့် အသုံးပြုကြသည်။ ဒေတာစုဆောင်းအသုံးပြုသည့် ဖြန့်ဝေထားသော လိုင်းလုပ်ငန်းဆောင်ရွက်မှုများကို သမားရိုးကျ အပလီကေးရှင်းများနှင့် ဒေတာဝင်ရောက်ခွင့်/မေးမြန်းမှု အင်တာဖေ့စ်များမှတစ်ဆင့် ပံ့ပိုးပေးသောကြောင့် ၎င်းတို့၏ လှုပ်ရှားမှုများကို ဒေသဆိုင်ရာ သို့မဟုတ် နိုင်ငံအလိုက် အပိုင်းခွဲထားသော အဖွဲ့အစည်းများမှ ရရှိစရာများစွာ ရှိပါသည်။ ဤအဖွဲ့အစည်းများသည် ဗဟိုစီမံခန့်ခွဲမှုနှင့် ပေါင်းစပ်ညှိနှိုင်းမှုများ လိုအပ်လေ့ရှိသည်။
ဒေတာအထည်များအတွက် နောက်ထပ်အဓိကအသုံးပြုမှုကိစ္စမှာ ပေါင်းစည်းခြင်း သို့မဟုတ် ရယူပြီးနောက် စုစည်းထားသော ဒေတာပုံစံတစ်ခုကို ထူထောင်ခြင်းပင်ဖြစ်သည်။ ဤအရာများ ဖြစ်ပေါ်လာသောအခါ၊ ယခင်က သီးခြားလွတ်လပ်သော အဖွဲ့အစည်း၏ ဒေတာဘေ့စ်နှင့် ဒေတာစီမံခန့်ခွဲမှု မူဝါဒများသည် မကြာခဏ ပြောင်းလဲသွားသောကြောင့် အဖွဲ့အစည်းနယ်နမိတ်များတစ်လျှောက် အချက်အလက်များ စုဆောင်းရန် ပိုမိုခက်ခဲလာပါသည်။ ဒေတာထည်တစ်ခုသည် ဒေတာမော်ဒယ်တစ်ခုတည်းတွင် ပေါင်းစပ်ပါဝင်သည့်အရာအား သဟဇာတဖြစ်စေမည့် ဒေတာများကို စုစည်းထားသည့်အမြင်ကို ဖန်တီးခြင်းဖြင့် ၎င်းကို ကျော်လွှားနိုင်သည်။
Alex McFarland သည် AI ဂျာနယ်လစ်တစ်ဦးဖြစ်ပြီး ဉာဏ်ရည်တုဆိုင်ရာ နောက်ဆုံးပေါ်တိုးတက်မှုများကို ရှာဖွေနေသော စာရေးဆရာဖြစ်သည်။ သူသည် ကမ္ဘာတစ်ဝှမ်းရှိ AI startup များနှင့် ထုတ်ဝေမှုများ အများအပြားနှင့် ပူးပေါင်းဆောင်ရွက်ခဲ့သည်။