TikTok က AI ပြိုင်ပွဲသည် Model Scale မှ Production Optimization သို့ ပြောင်းလဲသွားသည်ဟု ဆိုသည်။

ယနေ့ခေတ် AI ပြိုင်ပွဲတွင် အဆုံးအဖြတ်ပေးသည့် အနားသတ်သည် အကြီးမားဆုံး မော်ဒယ်ကို ပိုင်ဆိုင်ခြင်းမဟုတ်ဘဲ လက်တွေ့ကမ္ဘာထုတ်လုပ်မှုအတွက် တင်းတင်းကြပ်ကြပ် လိုက်ဖက်ညီသော AI ကို အသုံးပြုခြင်းဖြစ်သည်—အချိန်ကြာမြင့်မှု၊ ကုန်ကျစရိတ်၊ ဘေးကင်းမှု၊ တိကျမှုတို့ကဲ့သို့ သုံးစွဲသူများ၏ အမူအကျင့်ပြောင်းလဲခြင်းသည် တိကျမှုအရေးကြီးသည်ဟု TikTok မှ ပြောကြားခဲ့သည်။

ကြာသပတေးနေ့ UTC တွင် “Metacon 2026” တွင် ဆိုးလ်တွင် TokenPost မှ ပူးတွဲကျင်းပသော အဓိက AI ကွန်ဖရင့်တွင် TikTok (ByteDance ပိုင်) မှ အင်ဂျင်နီယာမန်နေဂျာ Kanchan Sarkar က 'ယေဘူယျရည်ရွယ်ချက်' မော်ဒယ်များသည် အစမှတ်သာဖြစ်ကြောင်း စောဒကတက်ခဲ့သည်။ “ AI ခေတ်တွင် TikTok စျေးကွက်ကို မည်ကဲ့သို့ ရွေ့လျားမည်နည်း” ဟုခေါင်းစဉ်တပ်ထားသည့် session တစ်ခုတွင် Sarkar က AI ကို ယုံကြည်စိတ်ချရသော အင်တာနက်စကေးတွင် ယုံကြည်စိတ်ချရစေရန် လိုအပ်သော လုပ်ငန်းလည်ပတ်မှုလုပ်ငန်းကို လျှော့တွက်ပြီး လုပ်ငန်းလည်ပတ်မှုပုံစံကို လျှော့တွက်ကာ မော်ဒယ်စကေးကို အလေးပေးပြောဆိုခဲ့သည်။

ဓာတ်ခွဲခန်းစံနှုန်းများကို ထုတ်လုပ်မှုကန့်သတ်ချက်များနှင့် ဆန့်ကျင်လျက် “ တိကျမှုကို အမြင့်ဆုံးရရှိရန် သုတေသနပုံစံတစ်ခုကို တည်ဆောက်ထားသည်” ဟု Sarkar က ပြောကြားခဲ့သည်။ တိုက်ရိုက်ဝန်ဆောင်မှုများတွင် စနစ်များသည် မတူကွဲပြားသော ထည့်သွင်းမှုများကို စုပ်ယူနိုင်ပြီး တစ်စက္ကန့်လျှင် စုံစမ်းမေးမြန်းမှုထောင်ပေါင်းများစွာ (QPS) ကို ကိုင်တွယ်ရန်၊ ရန်ဘက်ပြုကျင့်မှုများကို ခံနိုင်ရည်ရှိရန်၊ အများသူငှာ ဒေတာအတွဲများနှင့် မဆင်တူသည့် ဒိုမိန်းအလိုက် လုပ်ငန်းတာဝန်များကို လုပ်ဆောင်ရမည်ဖြစ်ကြောင်း ၎င်းက မှတ်ချက်ပြုခဲ့သည်။ “ TikTok မှာတောင် ပွင့်လင်းမြင်သာတဲ့ သို့မဟုတ် ယေဘူယျမော်ဒယ်တွေကို အသုံးချတာဟာ ကျွန်တော်တို့လိုအပ်တဲ့ စွမ်းဆောင်ရည်ကို မကြာခဏ မပေးနိုင်ပါဘူး” ဟု ၎င်းက ထပ်လောင်းပြောကြားပြီး လုပ်ငန်းလိုအပ်ချက်များနှင့် ကိုက်ညီရန် မရှိမဖြစ်လိုအပ်သော အဆင့်များအဖြစ် quantization ကဲ့သို့သော နည်းစနစ်များနှင့်အတူ ပိုမိုကောင်းမွန်အောင်လုပ်ဆောင်ခြင်းကို ဖော်ပြပါသည်။

TikTok ၏ချဉ်းကပ်ပုံသည် 'ဆရာ-ကျောင်းသား' ဗိသုကာပညာကို အဓိကထားသည်ဟု Sarkar က ဆိုသည်။ ကြီးမားသော 'ဆရာ' မော်ဒယ်သည် လက်တွေ့ပတ်ဝန်းကျင်၏ ရှုပ်ထွေးမှုကို အကောင်းဆုံး ဖမ်းယူနိုင်သော်လည်း ၎င်းသည် ပုံမှန်အားဖြင့် ဝန်ဆောင်မှုပေးရန် အလွန်နှေးကွေးပြီး ဈေးကြီးသည်။ TikTok သည် 'feature distillation' 'soft learning' နှင့် task-specific fine-tuning တို့အပါအဝင် နည်းလမ်းများဖြင့် ဆရာ၏စွမ်းရည်များကို 'ကျောင်းသား' မော်ဒယ်သို့ လွှဲပြောင်းပေးပါသည်။ Sarkar ၏ အဆိုအရ ထွက်ပေါ်လာသော ကျောင်းသားမော်ဒယ်များသည် ထုတ်လုပ်မှုတွင် လည်ပတ်ရန် အကြမ်းဖျင်း ကုန်ကျစရိတ် 10 မှ 15 ဆအထိ သက်သာသော်လည်း ဆရာအဆင့် စွမ်းဆောင်ရည်ကို ချဉ်းကပ်နိုင်သည်။

၎င်းကို open-source နှင့် closed model များကြား ရွေးချယ်ခြင်းသည် လုံလောက်သည်ဟူသော အယူအဆအတွက် လက်တွေ့ကျသော ငြင်းဆန်မှုတစ်ခုအဖြစ် သူက ဘောင်ခတ်ခဲ့သည်။ “ Open Source နှင့် Closed Model တစ်ခုတည်းသည် စစ်မှန်သောဝန်ဆောင်မှုများတွင် တိုက်ရိုက်အသုံးချရန် ခက်ခဲသည်” ဟု Sarkar မှ ပြောကြားခဲ့ပြီး domain-specific အလုပ်သည် ရှောင်လွှဲ၍မရနိုင်ကြောင်း အလေးပေးပြောကြားခဲ့သည်။ ကောင်းစွာချိန်ညှိခြင်း၊ အားဖြည့်သင်ယူခြင်းနှင့် ပြန်လည်ရယူခြင်း-တိုးမြှင့်မျိုးဆက် (RAG)—သက်ဆိုင်ရာပြင်ပအရင်းအမြစ်များမှ အချက်အလက်များကို ဆွဲယူခြင်းဖြင့် မော်ဒယ်ရလဒ်များကို ခိုင်ခံ့စေသောနည်းလမ်း—ဝန်ဆောင်မှုအဆင့်အရည်အသွေးကိုရရှိရန်နှင့် အမြင်မှားခြင်းကဲ့သို့သော ကျရှုံးမှုများကို လျှော့ချရန် ကိရိယာများအဖြစ် မီးမောင်းထိုးပြထားသည်။

Sarkar က AI ဖြန့်ကျက်မှုသည် အရာအားလုံးကို ဖြေရှင်းရန် မော်ဒယ်တစ်ခုတည်းကို အတင်းအကြပ်ခိုင်းခြင်းထက် မှန်ကန်သောပုံစံကို ရွေးချယ်ခြင်းဖြင့် စတင်သည်ဟုလည်း အလေးပေးပြောကြားခဲ့သည်။ ပြဿနာပေါ် မူတည်၍ ဝန်ဆောင်မှုသည် စာသား၊ အသံ သို့မဟုတ် ရုပ်ပုံမော်ဒယ်များ—သို့မဟုတ် ၎င်းတို့ကို ပေါင်းစပ်ထားသည်—အချိန်တစ်ခုစီတွင် ကြာမြင့်ချိန်ဘတ်ဂျက်များနှင့် တွက်ချက်မှုကုန်ကျစရိတ်ကဲ့သို့သော အခြေခံအဆောက်အအုံဆိုင်ရာ ကန့်သတ်ချက်များဖြင့် ပုံဖော်မှုတစ်ခုစီ လိုအပ်နိုင်သည်။ အခြေခံအဆောက်အအုံဘက်တွင်၊ အဖွဲ့များသည် လွတ်လပ်သော ပိုမိုကောင်းမွန်အောင်လုပ်ဆောင်မှုအဖြစ် ဆက်ဆံခြင်းထက် 'မော်ဒယ်ချုံ့ခြင်း၊' ပေါင်းခံခြင်းနှင့် ဟာ့ဒ်ဝဲအရှိန်မြှင့်ခြင်းကို အတူတကွ ချိန်ဆရမည်ဖြစ်ကြောင်း ၎င်းက ပြောကြားခဲ့သည်။

အရေးကြီးသည်မှာ TikTok သည် အော့ဖ်လိုင်းအကဲဖြတ်ခြင်း မလုံလောက်ဟု ယုံကြည်သည်။ Sarkar သည် စားသုံးသူအတိုင်းအတာဝန်ဆောင်မှုများတွင် “ တစ်ခုတည်းသော” ယုံကြည်စိတ်ချရသော တရားဝင်အတည်ပြုနည်းလမ်းအဖြစ် အွန်လိုင်းစမ်းသပ်မှုကို ဖော်ပြခဲ့သည်။ မော်ဒယ်တစ်ခုသည် အများသူငှာစံနှုန်းများပေါ်တွင် ကောင်းမွန်စွာစွမ်းဆောင်နိုင်သော်လည်း၊ ရလဒ်များသည် အစစ်အမှန်အသွားအလာနှင့် အသုံးပြုသူ၏အပြုအမူအောက်တွင် သိသိသာသာကွဲလွဲနိုင်ပြီး A/B သည် ပိုမိုကျယ်ကျယ်ပြန့်ပြန့်ထွက်ပေါ်မလာမီ မဖြစ်မနေ ဂိတ်တစ်ခုကို စမ်းသပ်ခြင်းပြုလုပ်ခြင်းဖြစ်သည်ဟု ၎င်းက ဆိုသည်။

ရှေ့ကိုမျှော်ကြည့်ရင်း၊ Sarkar သည် နည်းပညာနှင့် အုပ်ချုပ်မှုဆိုင်ရာ စိန်ခေါ်မှုခြောက်ခုကို အကြမ်းဖျင်းဖော်ပြခဲ့သည်- သူသည် စက်မှုလုပ်ငန်းတွင် ဆက်လက်ဖြေရှင်းရမည်ဟု ယုံကြည်ပါသည်- ပြောင်းလဲနေသောပတ်ဝန်းကျင်များကို အမှီလိုက်နိုင်ရန် 'စဉ်ဆက်မပြတ်သင်ယူခြင်း'၊ ရှည်လျားသော ဗီဒီယိုများနှင့် စာရွက်စာတမ်းများအတွက် ရှည်လျားသော ဆက်စပ်နားလည်မှု ပိုမိုအားကောင်းခြင်း၊ 'ယုတ္တိဆင်ခြင်ခြင်း' ကို မြှင့်တင်ပေးသည်။ အရွယ်တင်နိုင်သော အေးဂျင့်အခြေခံ AI စနစ်များ၊ စည်းမျဉ်းစည်းကမ်းသတ်မှတ်ချက်များကို စနစ်များတွင် ထည့်သွင်းရန် 'ဒီဇိုင်းဖြင့်လိုက်နာခြင်း'၊ နှင့် modalities များတစ်လျှောက် spatial နှင့် temporal signals များကိုပေါင်းစပ်ထားသည့် 'ဘက်စုံဆင်ခြင်ခြင်း'။

Metacon 2026 သည် ဇူလိုင် ၃ ရက်မှ ၄ ရက်အထိ ဆိုးလ်တွင် COEX ၏ Grand Ballroom တွင် “AI Makers Rise” ဆောင်ပုဒ်ဖြင့် AI နည်းပညာ၊ လုပ်ငန်းအသွင်ပြောင်းမှု၊ စျေးကွက်ရှာဖွေရေးနှင့် ရင်းနှီးမြှုပ်နှံမှုများတစ်လျှောက် အကောင်အထည်ဖော်မှုအတွေ့အကြုံများကို AI နည်းပညာ၊ လုပ်ငန်းအသွင်ပြောင်းမှု၊ စျေးကွက်ရှာဖွေရေးနှင့် ရင်းနှီးမြှုပ်နှံမှုများတစ်လျှောက် ကုမ္ပဏီများနှင့် တည်ဆောက်သူများ စုစည်းကာ ပေါင်းစပ်လုပ်ဆောင်သည်။ TikTok ၏ မက်ဆေ့ချ်သည် ပိုမိုကျယ်ပြန့်သောစက်မှုလုပ်ငန်းအပြောင်းအရွှေ့ကို မီးမောင်းထိုးပြနေသည်- မော်ဒယ်များ အဆင်ပြေချောမွေ့လာသည်နှင့်အမျှ၊ တာရှည်ခံအားသာချက်များသည် ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ခြင်း၊ စနစ်အင်ဂျင်နီယာနှင့် စည်းကမ်းရှိသော ထုတ်လုပ်မှုစမ်းသပ်ခြင်းတို့မှ တိုးများလာနိုင်သည်။