Top News

 ကွန်ပျူတာ သိပ္ပံနှင့် နည်းပညာ (Computer Science and Technology)၊ သတင်းသုတ သိပ္ပံနှင့် နည်းပညာ (Information Science and Technology) နယ်ပယ်များနှင့် ဆက်စပ်နေသော အလုပ်အကိုင်အခွင့်အလမ်းများအတွင်း ယနေ့ခေတ် ၂၁ ရာစု၏ စီးပွားရေးလုပ်ငန်းများနှင့် စီမံခန့်ခွဲရေးလုပ်ငန်းများအတွက် အလုပ်အကိုင်အခွင့်အလမ်းအသစ်များစွာ အထူးအားကောင်းစွာဖိတ်ခေါ်နေသော အသစ်ပေါ်ထွက်လာသည့် အထူးပြုပညာရပ်နယ်ပယ်အသစ်မှာ “အချက်အလက် သိပ္ပံ “ (Data Science) ဖြစ်သည်။

အချက်အလက်သိပ္ပံ (Data Science) ကို သတင်းသုတသိပ္ပံ (Information Science) နှင့် မရောထွေးမိစေရန် လိုအပ်သည် ။ 

''သတင်းသုတသိပ္ပံ (Information Science)''

 သတင်းသုတသိပ္ပံ (Information Science) ဆိုသည်မှာ  “သတင်းသုတများ “ (Information) ကို 

(၁) ပိုင်းခြားစိတ်ဖြာ သရုပ်ခွဲဆန်းစစ်ခြင်း (Analysis) ၊ 

(၂) စုဆောင်းစုစည်းခြင်း (Collection)၊ 

(၃) အမျိုးအစားခွဲခြားခြင်း (Collection)၊

(၄) ကိုင်တွယ်စီမံခြင်း (Manipulation)၊

(၅) သိုလှောင်ခြင်း (Storage)၊ 

(၆) ပြန်လည်ထုတ်ယူခြင်း (Retrieval)၊

(၇) ရွေ့လျားလုပ်ဆောင်ခြင်း (Movement)၊

(၈) ဖြန့်ဝေခြင်း (Dissemination) နှင့်

(၉) ထိန်းသိမ်းစောင့်ရှောက်ခြင်း (Protection) လုပ်ငန်းများအပေါ်တွင် ပင်မအားဖြင့် အခြေပြုထားသော ပညာရပ်ဆိုင်ရာနယ်ပယ်ဖြစ်သည် ။

''အချက်အလက်သိပ္ပံ (Data Science)''

     အချက်အလက်သိပ္ပံ (Data Science) ဆိုသည်မှာ အချက်အလက်များ (Data) ထံမှ သုတမယသိမှုညာဏ (Knowledge) နှင့် ထိုးထွင်းသိညာဏများ (Insights) ကို သိပ္ပံနည်းကျစွာ ထုတ်ယူရသော၊ မတူညီသော ပညာရပ်များ၏ စည်းမျဉ်းဥပဒေသများကို ပေါင်းစပ်ကာ လေ့လာမှု ပြုလုပ်ရသော နယ်ပယ် (Interdisciplinary Field) ဖြစ်သည်။ 

    အချက်အလက်သိပ္ပံ (Data Science) သည် ကွန်ပျူတာသိပ္ပံ (Computer Science) နှင့် သတင်းသုတသိပ္ပံ (Information Science) များ နှင့် မတူညီ ကွဲပြားခြားနားသည်။

   အချက်အလက်သိပ္ပံ (Data Science) သည်  ကွန်ပျူတာနည်းပညာ (Computer Technology) နှင့် သတင်းနည်းပညာ (Information Technology) ကို အသုံးပြု၍ -

(၁) သချင်္ာပညာ (Mathematics)၊ 

(၂) စာရင်းအင်းဗေဒ (Statistics)၊ 

(၃) ကွန်ပျူတာ သိပ္ပံ (Computer Science)၊

(၄) သတင်းသုတသိပ္ပံ (Information Science) နှင့် 

(၅) သက်ဆိုင်ရာ လုပ်ငန်းနယ်ပယ်အလိုက် “ အထူးပြုကျွမ်းကျင်မှု သုတမယညာဏ “ (Domain Knowledge) –

      များ၏ ဆက်စပ်နေသော နယ်ပယ်များထံမှ ဆွဲထုတ်ယူထားသော နည်းနိဿယစနစ်များ (Techniques) နှင့် သီအိုရီများ (Theories) ကို ပေါင်းစပ် 

အသုံးပြုရသည်။ 

    Data Science သည် အချက်အလက်များ၏ ပကတိ အသွင်လက္ခဏာများ (Actual Phenomenon of Data) ကို နားလည်သိမြင်နိုင်ရန်နှင့် ပိုင်းခြားစိတ်ဖြာ သရုပ်ခွဲဆန်းစစ်နိုင်ရန် ရည်ရွယ်ချက်ဖြင့် 

(၁) စာရင်းအင်းဗေဒ (Statistics)၊ 

(၂) သတင်းသုတဗေဒ (Informatics)၊

(၃) အချက်အလက်များ သရုပ်ခွဲဆန်းစစ်ခြင်း (Data Analysis) များနှင့် ဆက်နွှယ်နေသော နည်းစနစ်များ (Methods) ကို တစ်ခုတည်းအဖြစ် ပေါင်းစပ်ထားသော 

ဆင်ခြင်သိနယ်ပယ်ဖြစ်သည် ။

''အလုပ်လုပ်မှုပုံစံ''

      Data Science သည် 

(၁) ရှုပ်ထွေးနေသော အချက်အလက်များ (Noisy Data)၊ 

(၂) ဖွဲ့စည်းတည်ဆောက်ထားသော အချက်အလက်များ (Structured Data) နှင့် 

(၃) ဖွဲ့စည်းတည်ဆောက်မထားသော အချက်အလက်များ (Unstructured Data) ထံမှ သုတမယသိမှုညာဏများနှင့် ထိုးထွင်းသိမှုညာဏများကို ရယူရန် 

သို့မဟုတ် ဖော်ထုတ်ရန် သိပ္ပံနည်းကျ ဖြစ်သော 

(၁) နည်းစနစ်များ (Methods)၊

(၂) လုပ်ငန်းစဉ်များ (Processes)၊ 

(၃) စံတွက်ထုတ်နည်းစဉ်များ (Algorithms) နှင့် 

(၄) ဖွဲ့စည်းစံနစ်အိမ်များ (Systems) ကို ပေါင်းစပ် အသုံးပြုရသော၊ ပေါင်းစပ်ပညာရပ်နယ်ပယ်ဖြစ်သည်။ 

     Data Science သည် လက်တွေ့အသုံးချ အထူးပြုကျွမ်းကျင်မှုများ၏ ကျယ်ပြန့်သောနယ်ပယ်များ အတိုင်းအတာထံမှရရှိလာသော အချက်အလက်များ (Data) ထံမှ ထုတ်ဖော်ရယူသော သုတမယသိမှုညာဏများ (Knowledge) ကို သက်ဆိုင်ရာ အထူးပြုစီးပွားရေးလုပ်ငန်းအတွက် ပြန်လည်အသုံးပြုရသည်။

''ဆက်နွှယ်နေသော လုပ်ငန်းများ''

     Data Science သည် 

(၁) အချက်အလက်များ တူးဖော်ခြင်း (Data Mining)၊

(၂) စက်ယန္တရား လေ့လာသင်ယူမှု (Machine Learning)၊ 

(၃)  ကြီးမားအချက်အလက် (Big Data)၊

(၄) တွက်ချက်ရေး စာရင်းအင်းဗေဒ (Computational Statistics) နှင့် 

(၅) သရုပ်ခွဲဆန်းစစ်မှုပညာ (Analytics) ကျွမ်းကျင်မှု နယ်ပယ်များ နှင့် တိုက်ရိုက် ဆက်နွှယ်နေသည်။

''အခြေခံ လုပ်ငန်းစဉ်များ''

     ပုံမှန်အားဖြင့် ကြီးမားနေသော အချက်အလက်များ၏ အစုအဝေးများ (Large Data Sets) ထံမှ သုတမယသိမှုညာဏများကို အထက်ပါ ပေါင်းစပ် နည်းနိဿယျစနစ်များဖြင့် ဖော်ထုတ်ရယူရသည် ။ 

    ယင်းအချက်အလက်များမှ ရရှိလာသော သုတမယသိမှုညာဏများနှင့် ထိုးထွင်းသိညာဏများအား ပြဿနာများကို ဖြေရှင်းရန် ပြန်လည်အသုံးပြုရသည်။  

(၁) သရုပ်ခွဲဆန်းစစ်မှုအတွက် အချက်အလက်များကို ကြိုတင်ပြင်ဆင်ပေးခြင်း (Preparing Data for Analysis)၊

(၂) ပြဿနာများဖြေရှင်းရေးအတွက် တွက်ချက်ရေးစံလမ်းကြောင်းများကို တည်ဆောက်ပေးခြင်း (Formulating for Problem Solutions)၊ 

(၃) အချက်အလက်များကို သရုပ်ခွဲဆန်းစစ်ခြင်း (Analyzing Data)၊  

(၄) အချက်အလက် ခုတ်မောင်းသောဖြေရှင်းချက်များ (Data Driven Solutions) ကို ရေးဆွဲတည်ဆောက်ပေးခြင်းနှင့် 

(၅) တွေ့ရှိချက်များကို တင်ပြပေးခြင်း (Presenting Findings) လုပ်ငန်းများကို ကျယ်ပြန့်သော အထူးပြု ကျွမ်းကျင်မှုနယ်ပယ်များအတွက် ဆောင်ရွက်ပေးရသည်။  

''ပေါင်းစပ်ကျွမ်းကျင်မှုများ''

    အချက်အလက်သိပ္ပံပညာရှင် (Data Scientist) တစ်ယောက်အတွက် လိုအပ်နေသော လုပ်ငန်းခွင်သုံး ပေါင်းစပ်ကျွမ်းကျင်မှုများတွင် အောက်ဖော်ပြပါ ကျွမ်းကျင်မှုများ ပါဝင်သည် ။ ယင်းတို့မှာ 

(၁) ကွန်ပျူတာ သိပ္ပံ (Computer Science)၊

(၂) သတင်းသုတသိပ္ပံ (Information Science)၊

(၃) သချင်္ာပညာ (Mathematics)၊

(၄) စာရင်းအင်းဗေဒ (Statistics)၊

(၅) အချက်အလက်များ အမြင်အာရုံ ဖွဲ့စည်းပေးခြင်း (Data Visualization)၊

(၆) သတင်းသုတများ အမြင်အာရုံ ဖွဲ့စည်းပေးခြင်း (Information Visualization)၊

(၇) အချက်အလက်များ အသံအာရုံ ဖွဲ့စည်းပေးခြင်း (Data Sonification)၊

(၈) အချက်အလက်များ ပေါင်းစပ်ဖွဲ့စည်းခြင်း (Data Integration)၊

(၉) ဇယားပြု စံပုံစံတည်ဆောက်ခြင်း (Graphic Design)၊

(၁၀) ပေါင်းစပ်ဖွဲ့စည်းစံနစ်အိမ်များ (Systems)၊

(၁၁) ဆက်သွယ်မှု (Communication)၊

(၁၂) သက်ဆိုင်ရာ အထူးပြု လက်တွေ့ လုပ်ငန်းပိုင်းအသိပညာများ ( ဥပမာ အလုပ်အပ်နှံထားသောဘဏ် သို့မဟုတ် စက်မှုလုပ်ငန်းဆိုင်ရာ အထူးပြုသိမှုများ) 

     ဖြစ်ကြသည်။

''သိပ္ပံပညာ၏ စတုတ္ထမြောက် ပယ်ရယ်ဒိုင်း''

     အချက်အလက်သိပ္ပံ (Data Science) သည် သိပ္ပံပညာ၏ စတုတ္ထမြောက် စံတရားပယ်ရယ်ဒိုင်း (Fourth Paradigm of Science) ဖြစ်လာသည်ဟု Turing Award ဆုရှင် Jim Gray က ပြောဆိုခဲ့သည်။

    ယခင်က သိပ္ပံပညာတွင် “စံတရား “ (ဝါ) ပယ်ရယ်ဒိုင်း (Paradigms) သုံးခုသာ ရှိခဲ့သည် ။ ယင်းတို့မှာ 

(၁) လက်တွေ့မျက်မြင် ပြသနိုင်ခြင်း (Empirical)၊

(၂) သဘောတရား ဖွဲ့စည်းနိုင်ခြင်း (Theoretical)၊

(၃) တွက်ချက်နိုင်ခြင်း (Computational) တို့ ဖြစ်သည် ။

    ယခုအချိန်တွင် အချက်အလက် သိပ္ပံ (Data Science) ကြောင့် သိပ္ပံပညာ၏ စတုတ္ထမြောက် စံတရား (Paradigm) အသစ် ဖြစ်ပေါ်လာစေသည် ။ ယင်းမှာ “ အချက်အလက် ခုတ်မောင်းနိုင်ခြင်း “ (Data Driven) ပင် ဖြစ်သည်။

''လူနှင့် ကွန်ပျူတာ အပြန်အလှန် သက်ရောက်လုပ်ဆောင်မှု''

    စာရင်းအင်းဗေဒ ပညာရှင် (Nathan Yau) က Data Science ကို လူနှင့် ကွန်ပျူတာ အပြန်အလှန်သက်ရောက်လုပ်ဆောင်မှုအတွက် ချိတ်ဆက်ရာတွင် အသုံးပြုသူများသည် ဒေတာအချက်အလက်များကို 

(၁) ထိုးထွင်းသိမှုရှိစွာ ထိန်းချုပ်ခြင်း (Intuitively Control) နှင့် 

(၂) ထိုးထွင်းသိမှုရှိစွာ ရှာဖွေစူးစမ်းဖော်ထုတ်ခြင်း (Intuitively Explore) နှစ်ရပ်ကို လုပ်ဆောင်နိုင်သော စွမ်းဆောင်ရည်များရှိနေရန်လိုအပ်ကြောင်း 

ထောက်ပြခဲ့သည်။

''အလုပ်အကိုင် အခွင့်အလမ်းများ''

    ၂၀၁၂ ခုနှစ်တွင် နည်းပညာရှင်များ ဖြစ်သော Thomas H. Davenport နှင့် DJ Patil တို့က Data Science သည် ၂၁ ရာစုအတွက် ဆွဲဆောင်မှုအရှိဆုံး အလုပ်အကိုင် အမျိုးအစားအသစ်ဖြစ်ကြောင်း ကြေညာခဲ့သည်။ ယင်းပြောဆိုချက်ကို New York Times နှင့် Boston Globe ကဲ့သို့သော အဓိက အမေရိကန် မြို့တော်များမှ နေ့စဉ်သတင်းစာများက ပြန်လည် ဖော်ပြခဲ့ကြသည် ။

    နောင် ၁၀ နှစ်အကြာ ၂၀၂၂ ခုနှစ်တွင် သူတို့အားလုံးက Data Science ဆိုင်ရာ အလုပ်အကိုင်သည် အလုပ်ရှင်များအတွက် ယခင်မည်သည်အခါမျှနှင့် မတူအောင် ဝန်ထမ်းများလိုအပ်နေကြကြောင်း ထပ်မံအတည်ပြု ကြေညာခဲ့ကြသည်။

    ၂၀၁၅ ခုနှစ်တွင် အမေရိကန် စာရင်းအင်းဗေဒ အသင်း (American Statistical Association) က 

(၁)  Database Management,

(၂) Statistics and Machine Learning နှင့်

(၃)  Distributed and Parallel Systems သုံးရပ်ကို အသစ်ပေါ်ထွက်ကြီးမားလာသော အသက်မွေးဝမ်းကျောင်းကျွမ်းကျင်မှု နယ်ပယ်သုံးရပ်အဖြစ် ဖော်ပြထား

ခဲ့ကြသည်။

    နှိုးဆော်သူအချို့က ပြီးခဲ့သော ၂၀၂၁ ခုနှစ်အတွင်း အမေရိကန်ပြည်ထောင်စုတွင် Data Science ဖြင့် မဟာဘွဲ့(Master Degree) ရရှိထားသူများကို အလုပ်ရှင်များက အရေအတွက် လုံလောက်စွာမရရှိခဲ့သဖြင့် B.Sc (Data Science) ဘွဲ့သာ ရရှိထားသူများကိုပင် အလုပ်ရှင်များက အမေရိကန်ဒေါ်လာ တစ်သောင်းနှင့်အထက်ရှိသော လစာနှုန်းထားဖြင့် အလုပ်ခန့်နေခဲ့ကြရသည်ဟု ဆိုထားသည်။

    အသက် ၄၀ အထက်နှင့် အသက် ၅၀ အထက် ကျွမ်းကျင်သူများကို Data Science နယ်ပယ်အတွက် အမေရိကန်ပြည်ထောင်စုတွင် အလုပ်ရှင်များက အထူးဖိတ်ခေါ်နေကြသည်။ 

    လူငယ်အိုင်တီသမားများအတွက် အထူးသင့်လျော်သော အခြားသောကွန်ပျူတာနှင့် သတင်းသုတသိပ္ပံများနှင့် နည်းပညာများမှ အလုပ်အကိုင်များနှင့် ယခု Data Science က မတူညီဘဲ သီးခြားကွဲပြားခြားနားနေသည်။

     ထူးခြားချက်မှာ Data Scientist တစ်ယောက်အဖြစ် အောင်မြင်စွာအလုပ်လုပ်နိုင်ရန်အတွက် ကွန်ပျူတာမှလွဲ၍ တခြားဘာမှမသိသော အိုင်တီ နည်းပညာ 

ကျွမ်းကျင်မှုတစ်မျိုးတည်း ဖြင့် အလုပ်လုပ်၍ မရနိုင်ဘဲ ကျယ်ပြန့်လှသော -

(၁) လူမှုသိပ္ပံများ (Social Sciences)၊

(၂) စီးပွားရေးပညာ (Economics)၊

(၃) ဒဿနဗေဒ (Philosophy)၊

(၄) ယုတ္တိဗေဒ (Logics) နှင့်

(၅) တွေးခေါ်မှုသိပ္ပံ (Thinking Science) နယ်ပယ်များတွင် ထိုးထွင်းသိမှုစွမ်းအား (Intuitive Power) အားကောင်းမြင့်မားပြီး စာရင်းအင်းဗေဒ (Statistics) နယ်ပယ်တွင် လက်တွေ့လုပ်ငန်းအတွေ့အကြုံများရှိနေသော အသက်အရွယ် ကြီးရင့်နေသည့် ဝါရင့်ကျွမ်းကျင်သူများကို ယခု အချက်အလက်သိပ္ပံ (Data Science) နယ်ပယ်ဆိုင်ရာ အလုပ်အကိုင်များသို့ လုပ်ငန်းရှင်များက အထူးပင် ဖိတ်ခေါ်နေကြသည် ။