បញ្ហា (The Problem)៖ ជំងឺស្លឹកចេកបង្កការគំរាមកំហែងយ៉ាងធ្ងន់ធ្ងរដល់ផលិតភាពកសិកម្ម និងសន្តិសុខស្បៀង ខណៈការតាមដានរកមើលជំងឺដោយផ្ទាល់ដៃលើចម្ការធំៗចំណាយពេលយូរ និងគ្មានប្រសិទ្ធភាពខ្ពស់។ ឯកសារនេះដោះស្រាយតម្រូវការក្នុងការប្រើប្រាស់ដំណោះស្រាយដោយបញ្ញាសិប្បនិម្មិត (AI) ដើម្បីរកមើល និងចាត់ថ្នាក់ជំងឺទាំងនេះដោយស្វ័យប្រវត្តិ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះអនុវត្តការពិនិត្យឡើងវិញជាប្រព័ន្ធទៅលើឯកសារស្រាវជ្រាវ (Systematic Literature Review) ដោយផ្អែកលើគោលការណ៍ PRISMA ដើម្បីជ្រើសរើស និងវិភាគអត្ថបទចំនួន ១៣៤ ពីមូលដ្ឋានទិន្នន័យ (Databases) ដូចជា Scopus និង IEEE ចន្លោះឆ្នាំ ២០១៩ ដល់ ២០២៥។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Image Processing (IP) ការកែច្នៃរូបភាព (Image Processing) |
ងាយស្រួលអនុវត្ត និងមិនទាមទារថាមពលកុំព្យូទ័រខ្ពស់។ ល្អសម្រាប់ការកែលម្អរូបភាពបឋម (Preprocessing) និងកាត់បំបែកផ្ទៃដែលមានជំងឺ (Segmentation)។ | ពឹងផ្អែកខ្លាំងលើការទាញយកលក្ខណៈពិសេសដោយផ្ទាល់ដៃ (Manual feature extraction) និងធ្លាក់ចុះភាពត្រឹមត្រូវនៅពេលរូបភាពមានផ្ទៃខាងក្រោយស្មុគស្មាញ ឬពន្លឺមិនល្អ។ | អាចសម្រេចបានភាពត្រឹមត្រូវចន្លោះពី ៨០% ទៅ ៩៧% ប៉ុន្តែភាគច្រើនស្ថិតក្នុងបរិស្ថានដែលត្រូវបានគ្រប់គ្រងពន្លឺ និងផ្ទៃខាងក្រោយបានល្អប៉ុណ្ណោះ។ |
| Traditional Machine Learning (SVM, KNN, RF) ការរៀនដោយម៉ាស៊ីនប្រពៃណី (SVM, KNN, Random Forest) |
មានប្រសិទ្ធភាពខ្ពស់សម្រាប់ទិន្នន័យដែលមានទំហំតូចទៅមធ្យម និងប្រើប្រាស់ពេលវេលាហ្វឹកហាត់ (Training time) តិចជាងម៉ូដែល Deep Learning។ | ត្រូវការសក្ដានុពលក្នុងការរៀបចំទិន្នន័យខ្ពស់ ហើយភាពត្រឹមត្រូវធ្លាក់ចុះនៅពេលទិន្នន័យមានទំហំធំ និងមានភាពស្មុគស្មាញខ្លាំងនៅលើរូបភាពពិត។ | ម៉ូដែល SVM និង KNN ជាទូទៅផ្តល់នូវភាពត្រឹមត្រូវចន្លោះពី ៧៦% ទៅ ៩៦% ដោយផ្អែកលើគុណភាពនៃការទាញយកលក្ខណៈពិសេស (Feature extraction)។ |
| Deep Learning (CNNs, ResNet, MobileNet) ការរៀនស៊ីជម្រៅ (Deep Learning - បណ្ដាញ CNNs) |
អាចរៀនពីលក្ខណៈពិសេសនៃរូបភាពដោយស្វ័យប្រវត្តិ (Automatic feature extraction) និងមានភាពធន់ខ្ពស់ទៅនឹងការប្រែប្រួលនៃពន្លឺ ឬទម្រង់ស្លឹកសក្ដានុពល។ ម៉ូដែលធុនស្រាល (Lightweight) អាចដើរលើទូរស័ព្ទដៃបាន។ | ទាមទារទិន្នន័យរូបភាពចំនួនច្រើនសន្ធឹកសន្ធាប់ និងថាមពលកុំព្យូទ័រខ្លាំង (GPUs) សម្រាប់ហ្វឹកហាត់។ វាមានលក្ខណៈជា "ប្រអប់ខ្មៅ" (Black box) ដែលពិបាកបកស្រាយមូលហេតុនៃការសម្រេចចិត្ត។ | ជាវិធីសាស្ត្រដែលជោគជ័យបំផុត ដោយជារឿយៗផ្តល់ភាពត្រឹមត្រូវលើសពី ៩៥% រហូតដល់ ៩៩% ក្នុងការចាត់ថ្នាក់ជំងឺផ្សេងៗ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ទោះបីជាឯកសារមិនបានបញ្ជាក់លម្អិតពីតម្លៃជាទឹកប្រាក់ក៏ដោយ ការអនុវត្តប្រព័ន្ធទាំងនេះទាមទារការវិនិយោគលើឧបករណ៍ប្រមូលទិន្នន័យ និងកម្លាំងម៉ាស៊ីនសម្រាប់ហ្វឹកហាត់ម៉ូដែល AI។
ការសិក្សាភាគច្រើនត្រូវបានធ្វើឡើងដោយប្រើប្រាស់ទិន្នន័យមកពីប្រទេសឥណ្ឌា ចិន បង់ក្លាដែស និងបណ្តាប្រទេសនៅអាហ្វ្រិក (ឧ. តង់ហ្សានី) ដោយខ្វះខាតទិន្នន័យចម្រុះពីតំបន់អាស៊ីអាគ្នេយ៍ផ្សេងទៀត។ ចំណុចនេះមានសារៈសំខាន់សម្រាប់ប្រទេសកម្ពុជា ព្រោះពូជចេកក្នុងស្រុក (ឧ. ចេកណាំវ៉ា ចេកអំបូង) និងលក្ខខណ្ឌអាកាសធាតុអាចធ្វើឱ្យរោគសញ្ញាជំងឺមានភាពខុសប្លែកគ្នា ដែលអាចបណ្តាលឱ្យម៉ូដែលបរទេសទាំងនេះធ្លាក់ចុះភាពត្រឹមត្រូវនៅពេលយកមកអនុវត្តផ្ទាល់នៅកម្ពុជា។
បច្ចេកទេស AI ដែលបានលើកឡើងនៅក្នុងឯកសារនេះ មានសក្តានុពលខ្ពស់ណាស់ក្នុងការជួយលើកស្ទួយវិស័យកសិកម្មនៅកម្ពុជា ជាពិសេសក្នុងការដោះស្រាយបញ្ហាជំងឺរុក្ខជាតិទាន់ពេលវេលា។
ការរួមបញ្ចូលគ្នារវាងម៉ូដែល AI ធុនស្រាលលើទូរស័ព្ទដៃ និងការប្រើប្រាស់ដ្រូនតាមចម្ការខ្នាតធំ នឹងក្លាយជាដំណោះស្រាយដ៏មុតស្រួចមួយដើម្បីធានាសន្តិសុខស្បៀង និងប្រាក់ចំណូលជូនកសិករកម្ពុជាពីការគំរាមកំហែងនៃជំងឺរុក្ខជាតិ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Convolutional Neural Network (CNN) | វាជាបណ្ដាញប្រសៃប្រសាទសិប្បនិម្មិតមួយប្រភេទដែលត្រូវបានរចនាឡើងជាពិសេសសម្រាប់វិភាគទិន្នន័យជារូបភាព។ វាយកផ្ទាំងរូបភាពមកច្រោះកាត់ស្រទាប់តម្រងជាច្រើន ដើម្បីរៀនចំណាំទម្រង់ ពណ៌ និងស្នាមអុចៗនៃជំងឺនៅលើស្លឹកចេកដោយស្វ័យប្រវត្តិ។ | វាប្រៀបដូចជាកែវយឹតពង្រីកដែលសម្លឹងមើលពីរូបភាពធំ រួចពង្រីកមើលចំណុចតូចៗម្តងមួយៗ ដើម្បីរកមើលសញ្ញាសម្គាល់ជាក់លាក់ណាមួយដោយមិនរំលង។ |
| Transfer Learning | វាជាបច្ចេកទេសដែលយកម៉ូដែល AI មួយដែលធ្លាប់បានហ្វឹកហាត់លើរូបភាពទូទៅរាប់លានសន្លឹករួចហើយ (មានចំណេះដឹងស្រាប់) យកមកបង្វឹកបន្តបន្តិចបន្តួចបន្ថែមទៀតលើរូបភាពជំងឺស្លឹកចេក ដើម្បីចំណេញពេល និងដំណើរការបានល្អទោះមានទិន្នន័យតិចក៏ដោយ។ | វាដូចជាការយកចុងភៅដែលចេះធ្វើម្ហូបអឺរ៉ុបរួចហើយ មកបង្រៀនបន្ថែមពីរបៀបស្លម្ជូរគ្រឿងខ្មែរ ដែលវាលឿនជាងការបង្រៀនអ្នកដែលមិនចេះកាន់កាំបិតសោះ។ |
| Image segmentation | គឺជាដំណើរការនៃការកាត់បំបែក ឬញែករូបភាពមួយទៅជាផ្នែកតូចៗជាច្រើន ដើម្បីទាញយកតែផ្នែកដែលសំខាន់។ ក្នុងកសិកម្ម វាជួយញែកផ្ទៃស្លឹកចេកដែលមានរោគសញ្ញាជំងឺ ចេញពីផ្ទៃស្លឹកដែលល្អ និងផ្ទៃខាងក្រោយ។ | វាប្រៀបដូចជាការប្រើកន្ត្រៃកាត់យកតែរូបភាពមនុស្សចេញពីទស្សនាវដ្តី ដោយបោះចោលផ្ទៃទេសភាពខាងក្រោយចោល។ |
| Explainable AI (XAI) | ជាបច្ចេកទេសដែលជួយបកស្រាយពីមូលហេតុ ឬរបៀបដែលម៉ូដែល AI មួយឈានដល់ការសម្រេចចិត្តរបស់វា។ ឧទាហរណ៍ វាបង្កើតជាផែនទីកម្តៅ (Heatmap) ដើម្បីបង្ហាញថា AI កំពុងសម្លឹងមើលចំណុចណាខ្លះលើស្លឹកចេក ទើបវាទាយថាជាជំងឺ Sigatoka។ | វាដូចជាគ្រូបង្រៀនគណិតវិទ្យាដែលតម្រូវឱ្យសិស្សសរសេរលម្អិតពីរបៀបដោះស្រាយលំហាត់ មិនមែនគ្រាន់តែទារចម្លើយចុងក្រោយនោះទេ។ |
| Data augmentation | ជាវិធីសាស្ត្រក្នុងការបង្កើតទិន្នន័យថ្មីៗបន្ថែមពីទិន្នន័យចាស់ដែលមានស្រាប់ តាមរយៈការកែច្នៃរូបភាពចាស់ៗដូចជា បង្វិល ត្រឡប់ បង្រួម ពង្រីក ឬកែពន្លឺ ដើម្បីធ្វើឱ្យម៉ូដែល AI រៀនបានកាន់តែឆ្លាត និងមិនងាយភាន់ច្រឡំ។ | វាដូចជាការឱ្យសិស្សមើលវត្ថុមួយពីមុំ និងពន្លឺខុសៗគ្នា ដើម្បីឱ្យសិស្សនោះនៅតែអាចចំណាំវត្ថុនោះបាន ទោះជាស្ថិតក្នុងស្ថានភាពបែបណាក៏ដោយ។ |
| Hyperspectral imaging | ជាបច្ចេកវិទ្យាថតរូបដែលអាចចាប់យកព័ត៌មានពន្លឺបានរាប់រយស្រទាប់ពណ៌ ដែលភ្នែកមនុស្សមិនអាចមើលឃើញ។ វាត្រូវបានប្រើដើម្បីតាមដានការផ្លាស់ប្តូរជីវគីមីនៅក្នុងស្លឹកចេក ដែលអនុញ្ញាតឱ្យយើងដឹងថាវាមានជំងឺមុនពេលមានរោគសញ្ញាលេចចេញមកក្រៅ។ | វាដូចជាការពាក់វ៉ែនតាវេទមន្តដែលអាចមើលធ្លុះដល់ស្បែក ដើម្បីឃើញពីចរន្តឈាមខាងក្នុង មុនពេលដែលស្បែកនោះឡើងជាំក្រហម។ |
| Federated Learning | វាជាប្រព័ន្ធហ្វឹកហាត់ AI ដែលអនុញ្ញាតឱ្យឧបករណ៍ ឬកុំព្យូទ័រនៅតាមតំបន់ផ្សេងៗគ្នារៀនពីទិន្នន័យរបស់ពួកគេរៀងៗខ្លួន រួចបញ្ជូនតែ 'ចំណេះដឹង' ទៅកាន់កុំព្យូទ័រកណ្តាល ដោយមិនចាំបាច់បញ្ជូនទិន្នន័យរូបភាពឯកជននោះទេ។ | វាដូចជាសិស្សនៅតាមសាលាផ្សេងៗគ្នារៀនពីសៀវភៅរៀងៗខ្លួន រួចផ្ញើតែសេចក្តីសង្ខេបមេរៀនទៅឱ្យប្រធានថ្នាក់ ជំនួសឱ្យការយកសៀវភៅទាំងអស់ទៅគរទុកនៅកន្លែងតែមួយ។ |
| Feature extraction | គឺជាដំណើរការនៃការទាញយកព័ត៌មានដែលសំខាន់ៗ និងមានលក្ខណៈពិសេសពីរូបភាពដើម (ដូចជា ពណ៌ វាយនភាព ឬទម្រង់គែម) ដើម្បីបំប្លែងទៅជាទិន្នន័យលេខ ដែលម៉ាស៊ីនងាយស្រួលនឹងយល់ និងធ្វើការចាត់ថ្នាក់បាន។ | វាប្រៀបដូចជាការពណ៌នាភិនភាគរបស់ចោរប្រាប់ប៉ូលិស ដោយប្រាប់តែចំណុចសំខាន់ៗដូចជា កម្ពស់ខ្ពស់ សក់រួញ និងមានប្រជ្រុយ ជាជាងរៀបរាប់គ្រប់ចំណុចទាំងអស់នៅលើខ្លួន។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
