MIT သုတေသနပြုသူများသည် ပုံစံအတိုင်းအတာဇယားတစ်ခုကို တည်ဆောက်ခဲ့ပြီး 20 ကျော်သော ရိုးရာ များစွာသော စက်ရုပ်-လေ့လာမှု ကွန်မြူနီကေးရှင်းအသုံးအနှုန်းများအကြား ချိတ်ဆက်မှုများကို ပုံဖော်ပြထားသည်။ ဒီဇယားကနေတဆင့် မျှဝေနိုင်မှုများကို ပိုမိုကောင်းမွန်စေပြီး မျက်နှာအနှစ်သစ်များကို စိတ်ကူးစိတ်သန်းနိုင်စေသော မျှတသော မျက်နှာကြည့်ခြင်းနဲ့ အခြားမူလတန်း AI မော်ဒယ်များကို တိုးတက်စေနိုင်တဲ့ နည်းလမ်းများကိုလည်း လေ့လာဖော်ထုတ်နိုင်ပါတယ်။ ဒီအတိုင်းအတာဗဟုသုတပုံစံကို အသုံးပြု၍ သူတို့က ပုံသွန်းအမျိုးအစားမှတ်ပုံတင်နိုင်သော အာရုံခံဖွဲ့စည်းခြင်းအယ်လ်ဂိုရစ်မကိုဖန်တီးပြီး ယခုအချိန်အကြမ်းဖျင်းကောင့်ပိုင်းနည်းလမ်းများထက် 8 ရာခိုင်နှုန်းမြှင့်တင်နိုင်ခဲ့သည်။ ဒီဇယား၏ ရှုမြင်ကတော့ ဒီအယ်လ်ဂိုရစ်မများ အချင်းချင်း တစ်ချို့က လေ့လာနိုင်သော ဆက်နွယ်မှုများကို သင်ယူကြသည်ဟုဆိုနိုင်ပါသည်။ သူတို့ရှိခဲ့တဲ့ အဓိကသင်္ချာအယူအဆများကို မျိုးစုံအသုံးပြုမှုများအရ မတူညီသော်လည်း တစ်နေရာညီဖြစ်စေသည်များကိုအခြေခံထားသည်။ ထိုအတိုင်းအတာအောက်မှာလည်း ရှာဖွေရန် အခွင့်အလမ်းများရှိပြီး မဖန်တီးရသေးသော အယ်လ်ဂိုရစ်မများ ရှိနိုင်ခြေများကို ပြနေပါတယ်။ ဒီကိရိယာက သုတေသနပညာရှင်များကို ယေဘုယျအယူအဆများကို ပြန်လည်ရှာဖွေနိုင်ခြင်း မလိုအပ်ပဲ၊ အေမည့္အကြံအဖြစ်အသစ်များ ဖန်တီးနိုင်စေပါတယ်။ MIT ဂုဏ်သတင်းမှာပါမည့် မူလစာရေးသူ Shaden Alshammari ဟုဆိုလိုက်သည်။ သူမကစိတ်ဝင်စားဖွယ်ကောင်းလို့ ဆိုပါတယ်။ ဒီစာတမ္းကိုေရးသူအဖွဲ့တွင် John Hershey (Google AI Perception), Axel Feldmann (MIT ကျမ်းမာသုတေသနအတွေ့အကြုံ), William Freeman (MIT ပါမောက္ခနှင့် CSAIL အဖွဲ့ဝင်) နှင့် Mark Hamilton (MIT ကျမ်းမာသုတေသနအကြီးအကျယ်နှင့် Microsoft ဘဏ္ဍာရေးအုပ်ချုပ်သူ) တို့ပါဝင်ကြသည်။ သူတို့၏ စက်တင်ကြီးကို ဂျပန်နိုင်ငံအကြည့်အာရုံမြှင့်တင်ပွဲတွင် မိတ္တူပြသသွားမှာဖြစ်သည်။ အဆိုပါအကြောင်းအရာကို မှတ်သားဖို့ အဆင်ပြေစေဖို့အတွက် အသစ်အဆန်းနဲ့ အစွမ်းထက်သောအကြံဥာဏ်များကို ပေါင်းစည်းဖော်ထုတ်နိုင်ရန်အတွက် ရှာဖွေရေးအနာဂတ်ကို ဖော်ပြနေသည်။ Alshammari မူလတန်းကျောင်းအထောက်အထားမှာ တစ်ပုံစံအကြောင်းအရာကို ဗဟုသုတအနေနဲ့ လေ့လာပြီး မှတ်သားခဲ့တယ်။ သူမကအဲ့ဒီအကြောင်းအရာနဲ့ ပုံနှိပ်ထားတဲ့ မျိုးစုံသောကွန်ရှလင်းများကို ကြည့်လိုက်ဖို့ စိတ်ဝင်စားခဲ့တယ်။ သူမစိတ်ကူးအောင်လေးတွေကို လေးသပ်ကြည့်လိုက်တဲ့အခါ တူညီကြောင်းကို တွေ့မိခဲ့တယ်။ Hamilton ရဲ့မှတ်ချက်အရ ဒီဆက်နွယ်မှုကို ရှာဖွေပြီးနောက်၊ သူတို့စမ်းသပ်ခဲ့တဲ့ ရိုးရာမူလနည်းလမ်းများကို ဒီအစုအဝေးအကြံအမြင်အတွဲအပြားမှာ ထည့်သွင်းနိုင်ခဲ့ကြောင်းပြောခဲ့သည်။ "အိုင်-ကွန်" (Information Contrastive Learning) ဟူသော ဒီအထဲမှာ မျိုးစုံသော algorithm များ၊ spam detection classifiers မှ စပြီး ကျောနောက်Deep Learning မော်ဒယ်များအထိ ဒစ်ဂျစ်တယ်ဘာသာစကားမော်ဒယ်များအသုံးပြုနေသောတွေကို သေချာဖော်ပြနိုင်သည်။ ဒီအကြံအကိုင်းက algorithm များအကြား ဆက်နွယ်မှုကို အနီးကပ် လေ့လာခြင်းဖြင့်၊ အမှန်တကယ်ရှိနေသောဒေတာများအကြား ဆက်နွယ်မှုကို ခန့်မှန်းနိုင်အောင် လုပ်ဆောင်မယ်လို့ ပြသည်။ အဆိုပါအကြောင်းအရာက သဲညအမျိုးအစားအကြား ပုံစံအဆင့်အတန်းများအတွက် မူလအကြားအာဏာပြုသောအကြောင်းအရာကို လက်ခံသည်။ ဒီ algorithm များကို အုပ်စုချက်လုပ်ရန်အတွက် သုတေသနပညာရှင်များက "အိုင်-ကွန်" ကို ဗဟုသုတပုံစံအတိုင်း ကဏ္ဍအချို့ဂဏန်းများအဖြစ်စီစဉ်ထားသည်။ Alshammari ဟုဆိုပြီး ဒီပုံစံလွယ်ကူစေပြီး နည်းလမ်းအသစ်များပဲ ထည့်စရာများလည်း ပိုမိုလွယ်ကူစေသည်ဟု ပြောကြားခဲ့သည်။ တစ်ခါတစ်ရံ ဒီဇယားကို တည်ဆောက်နေစဉ်မှာ သစ်သော algorithm များ ဖန်တီးနိုင်ရန်အတွက် ဥပမာအခန်းကဏ္ဍများကို ရှာဖွေတွေ့ရှိခဲ့ကြသည်။ သူတို့အောင်မြင်ခဲ့သည်မှာ contrastive learning နဲ့ ပုံများ ခွဲခြားသည့်အကြံအမြင်တို့ကို ပေါင်းစည်းပြီး မော်ဒယ်အသစ်တစ်ခု ဖြစ်လာခဲ့။ ဤအမည်က "contrastive learning" (debiasing technique) ဟုခေါ်လေ့ရှိပြီး လူမိုက်များအတွက် Classification တွေကို ပိုမိုမှန်ကတိစေခဲ့ပါသည်။ ဒီဇယား၏ ဒီဇိုင်းနည်းမှာ အလွယ်တကူ အသစ်ထည့်နိုင်တဲ့အတွက် ဖြည့်စွက်လို့ရပြီး၊ မျိုးအမျိုးစားအနေနဲ့ Data Relationship များအတွက်အသစ်ထပ်တိုးနိုင်ပါတယ်။ Hamilton က အကြံပြုပေးကြောင်းတွေမှာ ဒီအခြေခံအကြံအမြင်ကို တိုးချဲ့သည်မှာ မျိုးစုံသောဇယားမှာ အသစ်တွေ ထည့်ခြင်းအတွက် လျှတ်နိုင်ပါတယ်။ အတွက်ယုတ်ယုတ်လားမေးမှုအတွက် ဒီဇယားက ရှယေးဝါးမလေးလမ်းပေးနိုင်လို့၊ ပုံစံအသစ်တွေကို ဖန်တီးလုပ်ငန်းစဉ်ကို အသုံးချနိုင်ကြောင်း၊ ငယ်အချိန်အတွင်း ထူးခြားတဲ့အကြံဥာဏ်အသစ်များဖော်ထုတ်နိုင်ခြဲအောင် ပံ့ပိုးပေးနိုင်ပါသည်။ Hamilton ဟာ I-Con ကို ရည်ညွှန်းပြီး "စိတ်ကူးအသစ်များကို ဖန်တီးနိုင်စေတဲ့ ဖန်တီးမှုကို လမ်းခွဲပေးတယ်" လို့ဆိုခဲ့သည်။ ယူကြည့်ရင် ထူးခြားပြီး တစ်သမားတည်း မျှဝေရေးအမျိုးအစားမဟုတ်ဘဲ၊ သူကြောင့် မျိုးစုံသော မှတ်ချက်တွေကို စဉ်ဆက်မပြတ်မီးဆူစေပြီး လုပ်ငန်းဖွံ့ဖြိုးမှုကို မြှင့်တင်နိုင်မယ့် လမ်းကြောင်းလမ်းညွှန်တစ်စောင်ဆိုနိုင်ပါသည်။ Yair Weiss (ဂျရူးရဲ့ အားထားမှုအဖွဲ့အစည်း) ဟုဆိုသူကအဖော်ပြခဲ့သည်မှာ I-Con က တစ်ခုတည်းသော ဥပမာအနေနဲ့ များလေးသောအောင် ယုံကြည်စိတ်ချစရာကောင်းပြီး များစွာသော သူတစ်ပါး တစ်စုံတစ်ယောက်အနေနဲ့မူကွဲခြားသော အကြံပေးနိုင်မှုကိန်းများကို ပိုင်ဆိုင်စေဘဲပဲ၊ အသစ်စက်စက်သော သုတေသနစာတမ်းများမှာလည်း များပြားနေသည့်ရှုထောင့်များစွာပါ၍၊ ဆိုနိုင်သည်။ ဒီအလုအယက်ကို ထောက်ပံ့ပေးထားတဲ့အဖြစ်အပျက်မှာ Air Force Artificial Intelligence Accelerator, လုပ်ငန်းမြင့်မားမည့် National Science Foundation AI Institute for Artificial Intelligence and Fundamental Interactions, Quanta Computerတို့၏ ပံ့ပိုးမှုပါဝင်ခဲ့ကြသည်။