HN ကိုပြပါ- ဂိမ်း GPU နှစ်ခုတွင် HuggingFace ဖွင့် LLM ဦးဆောင်ဘုတ်ကို ငါဘယ်လိုကျော်ခဲ့လဲ။

HN ကိုပြပါ- ဂိမ်း GPU နှစ်ခုပေါ်ရှိ LLM Leaderboard ကိုဖွင့်ထားသည့် HuggingFace ကို ထိပ်တင်ထားပုံ

ခေတ်မီဆန်းသစ်သော open-source ဘာသာစကားမော်ဒယ်အသစ်အကြောင်း သင်ကြားသောအခါတွင်၊ အဆင့်မြင့် A100 သို့မဟုတ် H100 GPU များပါရှိသော သုတေသနဓာတ်ခွဲခန်းတစ်ခုကို သင်ပုံဖော်နိုင်မည်ဖြစ်သည်။ Cyberpunk 2077 ကစားရာတွင် အသုံးပြုသည့် တူညီသော ဂရပ်ဖစ်ကတ်များဖြင့် အသုံးပြုထားသည့် အိမ်ရုံးခန်းတွင် တပ်ဆင်မှု ဆူညံသွားသည်ကို သင် စိတ်ကူးမယဉ်မိပေ။ သို့သော် ၎င်းသည် မကြာသေးမီက HuggingFace Open LLM Leaderboard ထိပ်သို့ တက်ခဲ့သော မော်ဒယ်ကို လေ့ကျင့်ခဲ့ဖူးသည့် အတိအကျပင်ဖြစ်သည်။ ဤခရီးသည် ကုန်ကြမ်းစွမ်းအင်နှင့်သာမဟုတ်၊ စမတ်အရင်းအမြစ်စီမံခန့်ခွဲမှု၊ မဟာဗျူဟာရွေးချယ်မှုများနှင့် မှန်ကန်သောကိရိယာများကို အသုံးချခြင်းအကြောင်းဖြစ်သည်—အသင်းငယ်များသည် လုပ်ငန်းအဆင့်ရလဒ်များရရှိရန် ကူညီပေးသည့် လုပ်ငန်းအဆင့်ရလဒ်များရရှိစေရန် ဒီဇိုင်းထုတ်ထားသည့် Mewayz တွင် ကျွန်ုပ်တို့၏ထိရောက်မှုနှင့်ပတ်သက်၍ လေးနက်စွာထပ်တူထပ်မျှသောအခြေခံမူများဖြစ်သည်။

နှိမ့်ချသောဟာ့ဒ်ဝဲ- FLOP အရေအတွက်တိုင်းကို ပြုလုပ်ခြင်း

ဤပရောဂျက်၏အခြေခံအုတ်မြစ်သည် ပျော့ပျောင်းသည်- 24GB VRAM တစ်ခုစီပါရှိသော NVIDIA RTX 4090 ဂိမ်း GPU နှစ်ခု။ သုံးစွဲသူများအတွက် အားကောင်းသော်လည်း၊ ၎င်းသည် ကြီးမားသောဘာသာစကားမော်ဒယ်သင်တန်းအတွက် ခွဲဝေပေးလေ့ရှိသော ကွန်ပျူတာ၏အပိုင်းတစ်ပိုင်းဖြစ်သည်။ ချက်ခြင်းစိန်ခေါ်မှုမှာ မှတ်ဉာဏ်ဖြစ်သည်။ ဘီလီယံပေါင်းများစွာသော ဘောင်များပါရှိသော မော်ဒယ်တစ်ခုအား ၎င်း၏ optimizer state နှင့် gradients များနှင့်အတူ တပ်ဆင်ခြင်းဖြင့် စုစုပေါင်း VRAM ၏ 48GB သို့ စံအလေ့အကျင့်များမှ ပါရာဒိုင်းပြောင်းရန် လိုအပ်ပါသည်။ မော်ဒယ်နဲ့ ဒေတာကို တင်ပြီး "run" ကို နှိပ်ရုံနဲ့ မရပါဘူး။ အဲဒီအစား၊ ထိရောက်မှုရှိတဲ့ နည်းပညာအစုံကို ပြောင်းခဲ့တယ်-

• Quantization- မော်ဒယ်ကို 8-bit တိကျမှုဖြင့် လေ့ကျင့်ပေးခြင်းသည် နောက်ဆုံးစွမ်းဆောင်ရည်တွင် သိသိသာသာ ဆုံးရှုံးမှုမရှိဘဲ အလေးများနှင့် လှုပ်ရှားဆောင်ရွက်မှုများ၏ မှတ်ဉာဏ်ခြေရာကို သိသိသာသာ လျော့ကျစေပါသည်။
• Gradient Checkpointing- ဤနည်းပညာသည် ၎င်းတို့အားလုံးကို သိမ်းဆည်းခြင်းထက် နောက်ပြန်သွားသည့်ကာလအတွင်း လုပ်ဆောင်ချက်များကို ပြန်လည်တွက်ချက်ခြင်းဖြင့် မှတ်ဉာဏ်အတွက် တွက်ချက်ခြင်းကို ကုန်သွယ်မှုပြုသည်။
• LoRA (အဆင့်နိမ့်အလိုက် လိုက်လျောညီထွေဖြစ်အောင်): မော်ဒယ်၏ ကန့်သတ်ချက်များအားလုံးကို ကောင်းစွာချိန်ညှိခြင်းအစား မော်ဒယ်ထဲသို့ ထိုးသွင်းလိုက်သော သေးငယ်ပြီး လိုက်လျောညီထွေရှိသော အလွှာများကို လေ့ကျင့်ရန်အတွက် LoRA ကို အသုံးပြုခဲ့သည်။ ၎င်းသည် ပြင်းအားအမှာစာများဖြင့် လေ့ကျင့်နိုင်သော ကန့်သတ်ချက်များ အရေအတွက်ကို လျှော့ချပေးသည်။

အကန့်အသတ်ရှိသော အရင်းအမြစ်များကို အမြင့်ဆုံးချဲ့ထွင်ရန် ဤချဉ်းကပ်မှုသည် Mewayz ဒဿန၏ အဓိက အခြေခံသဘောတရားတစ်ခုဖြစ်သည်။ ထပ်နေသောအလုပ်များကို ဖယ်ရှားရန်နှင့် အလိုအလျောက်လုပ်ဆောင်ရန် လုပ်ငန်းစဉ်များကို လုပ်ဆောင်ရန် ကျွန်ုပ်တို့သည် အလုပ်အသွားအလာများကို ပိုမိုကောင်းမွန်အောင် ပြုလုပ်သကဲ့သို့၊ တွက်ချက်မှုဆိုင်ရာ အရင်းအမြစ်များကို ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ခြင်းသည် ပေါ့ပေါ့ပါးပါး စနစ်ထည့်သွင်းခြင်းဖြင့် ကြီးမားသောရလဒ်များရရှိရန် အဓိကသော့ချက်ဖြစ်သည်။

လျှို့ဝှက်ဆော့စ်- Data Curation နှင့် Mewayz Mindset

ဟာ့ဒ်ဝဲ၏ စွမ်းဆောင်ရည်သည် တိုက်ပွဲ၏ တစ်ဝက်မျှသာ ဖြစ်သည်။ လေ့ကျင့်ရေးဒေတာ၏ အရည်အသွေးသည် ပို၍အရေးကြီးသည်ဟု ယူဆပါသည်။ ဦးဆောင်ဘုတ်အဖွဲ့သည် ကျိုးကြောင်းဆင်ခြင်ခြင်း၊ အမေးအဖြေနှင့် သစ္စာရှိခြင်းကဲ့သို့သော လုပ်ငန်းဆောင်တာများအတွက် မော်ဒယ်များကို အကဲဖြတ်ပါသည်။ ထူးချွန်ရန်၊ စံနမူနာပြ၊ ကွဲပြားပြီး အရည်အသွေးမြင့် ဒေတာအတွဲတစ်ခုမှ သင်ယူရန် လိုအပ်သော မော်ဒယ်ဖြစ်သည်။ မော်ဒယ်ကို အမှန်တကယ် လေ့ကျင့်ခဲ့တာထက် ဒေတာတွေကို ပြုပြင်ပြီး သန့်ရှင်းရေးလုပ်ဖို့ အချိန်ပိုကြာခဲ့တယ်။ ယင်းတွင် ထပ်တူပွားခြင်း၊ အရည်အသွေးအတွက် စစ်ထုတ်ခြင်းနှင့် မတူညီသောလုပ်ငန်းတာဝန်များ၏ မျှတသောကိုယ်စားပြုမှုကို သေချာစေခြင်းတို့ ပါဝင်ပါသည်။

"မော်ဒယ်၏စွမ်းဆောင်ရည်သည် ၎င်းစားသုံးသည့်ဒေတာ၏ တိုက်ရိုက်ရောင်ပြန်ဟပ်မှုဖြစ်သည်။ အမှိုက်ဝင်ခြင်း၊ အမှိုက်ထွက်ခြင်းသည် စက်သင်ယူခြင်း၏ပထမဥပဒေဖြစ်သည်။ သန့်ရှင်းပြီး ကောင်းမွန်စွာဖွဲ့စည်းထားသည့်ဒေတာအတွဲသည် အပို 100 GPU နာရီထက် ပိုတန်ဖိုးရှိသည်။"

ဒေတာခိုင်မာမှုအပေါ် စေ့စေ့စပ်စပ် အာရုံစိုက်ခြင်းသည် Mewayz ပလပ်ဖောင်း၏ သန့်ရှင်းပြီး ဗဟိုချုပ်ကိုင်ထားသော ဒေတာအပေါ် အာရုံစိုက်မှုကို ထင်ဟပ်စေသည်။ မတူညီသောကိရိယာများကို အမှန်တရား၏အရင်းအမြစ်တစ်ခုတည်းသို့ ပေါင်းစည်းခြင်းဖြင့် Mewayz သည် လုပ်ငန်းဆုံးဖြတ်ချက်များကို တိကျပြီး ယုံကြည်စိတ်ချရသောအချက်အလက်များပေါ်တွင် ပြုလုပ်ကြောင်းသေချာစေပါသည်—စွမ်းဆောင်ရည်မြင့်မားသော AI ကိုလေ့ကျင့်ပေးရန်အတွက် တန်းတူညီတူအရေးကြီးသည့် နိယာမတစ်ခုဖြစ်သည်။

လေ့ကျင့်ရေး အစီအစဥ်ကို စုစည်းခြင်း

သတ်မှတ်ထားသော ဟာ့ဒ်ဝဲကန့်သတ်ချက်များနှင့် ဒေတာပြင်ဆင်မှုနှင့်အတူ၊ နောက်တဆင့်မှာ စုစည်းမှုစနစ်ဖြစ်သည်။ ပိုက်လိုင်းကို ချောမွေ့စေရန်အတွက် Hugging Face ၏ ဂေဟစနစ်၊ အထူးသဖြင့် 'ထရန်စဖော်မာများ' နှင့် `ဒေတာအစုံများ' စာကြည့်တိုက်များကို အသုံးပြုခဲ့သည်။ GPU နှစ်ခုလုံးရှိ model နှင့် optimizer ပြည်နယ်များကို ထိထိရောက်ရောက် ချိုးဖျက်နိုင်ရန် လေ့ကျင့်မှုကို နက်ရှိုင်းသောအမြန်နှုန်းဖြင့် စီမံထားပါသည်။ လုပ်ငန်းစဉ်က မမြန်ပါဘူး။ သင်ယူမှုနှုန်းကို ချိန်ညှိရန်နှင့် ဖြစ်ပေါ်လာနိုင်သော မတည်မငြိမ်မှုများကို ဖမ်းဆုပ်ရန် စဉ်ဆက်မပြတ် စောင့်ကြည့်နေရန် လိုအပ်သည်မှာ တစ်ပတ်ကျော်ကြာအောင် လုပ်ဆောင်ခဲ့သည်။ ဤထပ်တလဲလဲလုပ်ငန်းစဉ်—စောင့်ကြည့်ခြင်း၊ ချိန်ညှိခြင်းနှင့် ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ခြင်း—သည် လျင်မြန်သောဖွံ့ဖြိုးတိုးတက်မှုပုံစံတစ်ခုဖြစ်သည်။ သေးငယ်ပြီး စဉ်ဆက်မပြတ် တိုးတက်မှုများသည် အကောင်းဆုံးရေရှည်ရလဒ်များဆီသို့ ဦးတည်စေသည့် လုပ်ငန်းအသစ်များကို အကောင်အထည်ဖော်ရန် အဖွဲ့များအား ကူညီသောအခါတွင် ကျွန်ုပ်တို့သည် Mewayz တွင် ထပ်တလဲလဲ ပြုပြင်မွမ်းမံမှုများနှင့် တူညီပါသည်။

ဒါက အနာဂတ်အတွက် ဘာကိုဆိုလိုလဲ

ဂိမ်းဂရပ်ဖစ် GPU များဖြင့် ဦးဆောင်ဘုတ်ကို ထိပ်တင်ခြင်းသည် ကိုယ်ပိုင်မှတ်တိုင်တစ်ခုမျှသာ မဟုတ်ပါ။ အဲဒါက လူထုကို အချက်ပြတယ်။ နောက်ဆုံးပေါ် AI သုတေသနအတွက် ဝင်ရောက်ရန် အတားအဆီးသည် လူအများထင်သည်ထက် နည်းပါးကြောင်း သက်သေပြနေသည်။ ထိရောက်သော ဆော့ဖ်ဝဲလ်နည်းပညာများနှင့် အစွမ်းထက်၍ သုံးစွဲနိုင်သော ဟာ့ဒ်ဝဲများ ပေါင်းစပ်မှုသည် AI ဖွံ့ဖြိုးတိုးတက်မှုကို ဒီမိုကရေစီအသွင်ကူးပြောင်းစေသည်။ ၎င်းသည် Mewayz ၏ မစ်ရှင်နှင့် ပြီးပြည့်စုံစွာ လိုက်လျောညီထွေ ဖြစ်သည်- အစွမ်းထက်သော လုပ်ငန်းသုံးကိရိယာများကို ဒီမိုကရေစီစနစ်သို့ ပြောင်းလဲစေရန်၊ အရွယ်အားလုံးရှိ အဖွဲ့များအတွက် ခေတ်မီသော လုပ်ငန်းဆောင်ရွက်မှု ထိရောက်မှုကို ရရှိစေပါသည်။ သင် AI ကိုလေ့ကျင့်နေသည်ဖြစ်စေ လုပ်ငန်းတစ်ခုလုပ်ဆောင်သည်ဖြစ်စေ ထိပ်တန်းအဆင့်ရလဒ်များရရှိရန် ကြီးမားသောဘတ်ဂျက်မလိုအပ်ပါ။ သင့်တွင် စမတ်ကျသော ဗျူဟာတစ်ခု၊ မှန်ကန်သော မော်ဂျူလာကိရိယာများနှင့် သင့်တွင်ရှိသောအရာများကို အကောင်းဆုံးအသုံးချရန် စိတ်ပိုင်းဖြတ်မှု လိုအပ်ပါသည်။

အမေးများသောမေးခွန်းများ

HN ကိုပြပါ- ဂိမ်း GPU နှစ်ခုပေါ်ရှိ LLM Leaderboard ကိုဖွင့်ထားသော HuggingFace ကို ထိပ်တင်ထားပုံ

ခေတ်မီဆန်းသစ်သော open-source ဘာသာစကားမော်ဒယ်အသစ်အကြောင်း သင်ကြားသောအခါတွင်၊ အဆင့်မြင့် A100 သို့မဟုတ် H100 GPU များပါရှိသော သုတေသနဓာတ်ခွဲခန်းတစ်ခုကို သင်ပုံဖော်နိုင်မည်ဖြစ်သည်။ Cyberpunk 2077 ကစားရာတွင် အသုံးပြုသည့် တူညီသော ဂရပ်ဖစ်ကတ်များဖြင့် အသုံးပြုထားသည့် အိမ်ရုံးခန်းတွင် တပ်ဆင်မှု ဆူညံသွားသည်ကို သင် စိတ်ကူးမယဉ်မိပေ။ သို့သော် ၎င်းသည် မကြာသေးမီက HuggingFace Open LLM Leaderboard ထိပ်သို့ တက်ခဲ့သော မော်ဒယ်ကို လေ့ကျင့်ခဲ့ဖူးသည့် အတိအကျပင်ဖြစ်သည်။ ဤခရီးသည် ကုန်ကြမ်းစွမ်းအင်နှင့်သာမဟုတ်၊ စမတ်အရင်းအမြစ်စီမံခန့်ခွဲမှု၊ မဟာဗျူဟာရွေးချယ်မှုများနှင့် မှန်ကန်သောကိရိယာများကို အသုံးချခြင်းအကြောင်းဖြစ်သည်—အသင်းငယ်များသည် လုပ်ငန်းအဆင့်ရလဒ်များရရှိစေရန် ကူညီပေးသည့် Mewayz တွင် ထိရောက်မှုရှိကြောင်း ကျွန်ုပ်တို့တွေးတောပုံနှင့် လေးနက်စွာထပ်တူထပ်မျှသော အခြေခံမူများဖြစ်သည်။

နှိမ့်ချသောဟာ့ဒ်ဝဲ- FLOP အရေအတွက်တိုင်းကို ပြုလုပ်ခြင်း

ဤပရောဂျက်၏အခြေခံအုတ်မြစ်သည် ပျော့ပျောင်းသည်- 24GB VRAM တစ်ခုစီပါရှိသော NVIDIA RTX 4090 ဂိမ်း GPU နှစ်ခု။ သုံးစွဲသူများအတွက် အားကောင်းသော်လည်း၊ ၎င်းသည် ကြီးမားသောဘာသာစကားမော်ဒယ်သင်တန်းအတွက် ခွဲဝေပေးလေ့ရှိသော ကွန်ပျူတာ၏အပိုင်းတစ်ပိုင်းဖြစ်သည်။ ချက်ခြင်းစိန်ခေါ်မှုမှာ မှတ်ဉာဏ်ဖြစ်သည်။ ဘီလီယံပေါင်းများစွာသော ဘောင်များပါရှိသော မော်ဒယ်တစ်ခုအား ၎င်း၏ optimizer state နှင့် gradients များနှင့်အတူ တပ်ဆင်ခြင်းဖြင့် စုစုပေါင်း VRAM ၏ 48GB သို့ စံအလေ့အကျင့်များမှ ပါရာဒိုင်းပြောင်းရန် လိုအပ်ပါသည်။ မော်ဒယ်နဲ့ ဒေတာကို တင်ပြီး "run" ကို နှိပ်ရုံနဲ့ မရပါဘူး။ အဲဒီအစား၊ ထိရောက်မှုရှိတဲ့ နည်းပညာအစုံကို ပြောင်းခဲ့တယ်-

လျှို့ဝှက်ဆော့စ်- Data Curation နှင့် Mewayz Mindset

ဟာ့ဒ်ဝဲ၏ စွမ်းဆောင်ရည်သည် တိုက်ပွဲ၏ တစ်ဝက်မျှသာ ဖြစ်သည်။ လေ့ကျင့်ရေးဒေတာ၏ အရည်အသွေးသည် ပို၍အရေးကြီးသည်ဟု ယူဆပါသည်။ ဦးဆောင်ဘုတ်အဖွဲ့သည် ကျိုးကြောင်းဆင်ခြင်ခြင်း၊ အမေးအဖြေနှင့် သစ္စာရှိခြင်းကဲ့သို့သော လုပ်ငန်းဆောင်တာများအတွက် မော်ဒယ်များကို အကဲဖြတ်ပါသည်။ ထူးချွန်ရန်၊ စံနမူနာပြ၊ ကွဲပြားပြီး အရည်အသွေးမြင့် ဒေတာအတွဲတစ်ခုမှ သင်ယူရန် လိုအပ်သော မော်ဒယ်ဖြစ်သည်။ မော်ဒယ်ကို အမှန်တကယ် လေ့ကျင့်ခဲ့တာထက် ဒေတာတွေကို ပြုပြင်ပြီး သန့်ရှင်းရေးလုပ်ဖို့ အချိန်ပိုကြာခဲ့တယ်။ ယင်းတွင် ထပ်တူပွားခြင်း၊ အရည်အသွေးအတွက် စစ်ထုတ်ခြင်းနှင့် မတူညီသောလုပ်ငန်းတာဝန်များ၏ မျှတသောကိုယ်စားပြုမှုကို သေချာစေခြင်းတို့ ပါဝင်ပါသည်။

လေ့ကျင့်ရေး အစီအစဥ်ကို စုစည်းခြင်း

သတ်မှတ်ထားသော ဟာ့ဒ်ဝဲကန့်သတ်ချက်များနှင့် ဒေတာပြင်ဆင်မှုနှင့်အတူ၊ နောက်တဆင့်မှာ စုစည်းမှုစနစ်ဖြစ်သည်။ ပိုက်လိုင်းကို ချောမွေ့စေရန်အတွက် Hugging Face ၏ ဂေဟစနစ်၊ အထူးသဖြင့် 'ထရန်စဖော်မာများ' နှင့် `ဒေတာအစုံများ' စာကြည့်တိုက်များကို အသုံးပြုခဲ့သည်။ GPU နှစ်ခုလုံးရှိ model နှင့် optimizer ပြည်နယ်များကို ထိထိရောက်ရောက် ချိုးဖျက်နိုင်ရန် လေ့ကျင့်မှုကို နက်ရှိုင်းသောအမြန်နှုန်းဖြင့် စီမံထားပါသည်။ လုပ်ငန်းစဉ်က မမြန်ပါဘူး။ သင်ယူမှုနှုန်းကို ချိန်ညှိရန်နှင့် ဖြစ်ပေါ်လာနိုင်သော မတည်မငြိမ်မှုများကို ဖမ်းဆုပ်ရန် စဉ်ဆက်မပြတ် စောင့်ကြည့်နေရန် လိုအပ်သည်မှာ တစ်ပတ်ကျော်ကြာအောင် လုပ်ဆောင်ခဲ့သည်။ ဤထပ်တလဲလဲလုပ်ငန်းစဉ်—စောင့်ကြည့်ခြင်း၊ ချိန်ညှိခြင်းနှင့် ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ခြင်း—သည် လျင်မြန်သောဖွံ့ဖြိုးတိုးတက်မှုပုံစံတစ်ခုဖြစ်သည်။ သေးငယ်ပြီး စဉ်ဆက်မပြတ် တိုးတက်မှုများသည် အကောင်းဆုံးရေရှည်ရလဒ်များဆီသို့ ဦးတည်စေသည့် လုပ်ငန်းအသစ်များကို အကောင်အထည်ဖော်ရန် အဖွဲ့များကို ကူညီသည့်အခါ Mewayz တွင် ထပ်ခါတလဲလဲ ပြုပြင်မွမ်းမံခြင်းမှာ တူညီပါသည်။

ဒါက အနာဂတ်အတွက် ဘာကိုဆိုလိုလဲ

ဂိမ်းဂရပ်ဖစ် GPU များဖြင့် ဦးဆောင်ဘုတ်ကို ထိပ်တင်ခြင်းသည် ကိုယ်ပိုင်မှတ်တိုင်တစ်ခုမျှသာ မဟုတ်ပါ။ အဲဒါက လူထုကို အချက်ပြတယ်။ နောက်ဆုံးပေါ် AI သုတေသနအတွက် ဝင်ရောက်ရန် အတားအဆီးသည် လူအများထင်သည်ထက် နည်းပါးကြောင်း သက်သေပြနေသည်။ ထိရောက်သော ဆော့ဖ်ဝဲလ်နည်းပညာများနှင့် အစွမ်းထက်၍ သုံးစွဲနိုင်သော ဟာ့ဒ်ဝဲများ ပေါင်းစပ်မှုသည် AI ဖွံ့ဖြိုးတိုးတက်မှုကို ဒီမိုကရေစီအသွင်ကူးပြောင်းစေသည်။ ၎င်းသည် Mewayz ၏ မစ်ရှင်နှင့် ပြီးပြည့်စုံစွာ လိုက်လျောညီထွေ ဖြစ်သည်- အစွမ်းထက်သော လုပ်ငန်းကိရိယာများကို ဒီမိုကရေစီစနစ်သို့ ပြောင်းလဲရန်၊ အရွယ်အားလုံး၏ အဖွဲ့များအတွက် ခေတ်မီသော လုပ်ငန်းဆောင်ရွက်မှု ထိရောက်မှုကို ရရှိစေပါသည်။ သင် AI ကိုလေ့ကျင့်နေသည်ဖြစ်စေ လုပ်ငန်းတစ်ခုလုပ်ဆောင်သည်ဖြစ်စေ ထိပ်တန်းအဆင့်ရလဒ်များရရှိရန် ကြီးမားသောဘတ်ဂျက်မလိုအပ်ပါ။ သင့်တွင် စမတ်ကျသော ဗျူဟာတစ်ခု၊ မှန်ကန်သော မော်ဂျူလာကိရိယာများနှင့် သင့်တွင်ရှိသောအရာများကို အကောင်းဆုံးအသုံးချရန် စိတ်ပိုင်းဖြတ်မှု လိုအပ်ပါသည်။