បញ្ហា (The Problem)៖ ការកាត់បន្ថយការប្រើប្រាស់ថាមពលនៅក្នុងបរិស្ថានកសិកម្មគឺជារឿងដ៏ចាំបាច់ ប៉ុន្តែប្រព័ន្ធផ្ទះកញ្ចក់មានភាពស្មុគស្មាញ និងទាមទារការគ្រប់គ្រងអថេរអាកាសធាតុបានល្អដើម្បីលើកកម្ពស់ផលិតភាពរុក្ខជាតិ។ ការសិក្សានេះបង្កើតឡើងដើម្បីវាយតម្លៃប្រសិទ្ធភាពកម្ដៅ និងថាមពលរបស់ផ្ទះកញ្ចក់នៅប្រទេសថៃតាមរយៈគំរូ AI ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានប្រើប្រាស់ប្រព័ន្ធប្រមូលទិន្នន័យជាក់ស្តែង រួមជាមួយនឹងបច្ចេកទេសបញ្ញាសិប្បនិម្មិត (AI) ដើម្បីព្យាករណ៍តម្រូវការថាមពលនិងកម្ដៅ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Long Short-Term Memory (LSTM) បណ្ដាញសរសៃប្រសាទប្រភេទ LSTM |
មានសមត្ថភាពខ្ពស់ក្នុងការចងចាំលំនាំទិន្នន័យរយៈពេលវែង ស័ក្តិសមបំផុតសម្រាប់ទិន្នន័យអាកាសធាតុនិងថាមពលដែលប្រែប្រួលតាមពេលវេលា។ | ទាមទារថាមពលកុំព្យូទ័រក្នុងការគណនាខ្ពស់ និងមានភាពស្មុគស្មាញក្នុងការកំណត់រចនាសម្ព័ន្ធ (Hyperparameters) ជាងគំរូផ្សេងៗ។ | ទទួលបានភាពត្រឹមត្រូវខ្ពស់បំផុត (កំហុសឆ្គង RMSE ទាបបំផុត) និងអាចទស្សន៍ទាយតម្លៃដែលមានការប្រែប្រួលខ្លាំងបានយ៉ាងល្អប្រសើរធៀបនឹងម៉ូដែលដទៃ។ |
| Simple Recurrent Neural Network (RNN) បណ្ដាញសរសៃប្រសាទកើតឡើងវិញធម្មតា |
មានភាពសាមញ្ញក្នុងការរៀបចំជាង LSTM និងអាចដំណើរការបានល្អសម្រាប់ការវិភាគទិន្នន័យជាលំដាប់លំដោយកម្រិតស្រាល។ | ជួបការលំបាកក្នុងការរៀនសូត្រពីទិន្នន័យដែលមានតម្លៃប្រែប្រួលខ្លាំង និងងាយបាត់បង់ការចងចាំទិន្នន័យដែលនៅឆ្ងាយ (Vanishing Gradient)។ | ដំណើរការបានល្អលើទិន្នន័យដែលមានតម្លៃទាប ឬថេរ ប៉ុន្តែមិនសូវច្បាស់លាស់ក្នុងការទស្សន៍ទាយទិន្នន័យដែលមានការប្រែប្រួលខ្ពស់ខ្លាំង (High values) នោះទេ។ |
| Artificial Neural Network (ANN) / Multi-Layered Perceptron (MLP) បណ្ដាញសរសៃប្រសាទសិប្បនិម្មិត និងពហុស្រទាប់ |
មានសមត្ថភាពអាចរៀនពីទំនាក់ទំនងទិន្នន័យស្មុគស្មាញដែលមិនមែនជាបន្ទាត់ត្រង់ (non-linear relationships) បានយ៉ាងល្អ។ | មិនមានរចនាសម្ព័ន្ធសម្រាប់ចងចាំទិន្នន័យតាមលំដាប់ពេលវេលា (temporal sequence) ទេ ដែលធ្វើឱ្យវាខ្វះភាពបត់បែនលើទិន្នន័យអាកាសធាតុប្រចាំម៉ោង។ | អាចទស្សន៍ទាយតម្រូវការកម្ដៅបាន ប៉ុន្តែមានកម្រិតភាពត្រឹមត្រូវទាបជាង LSTM សម្រាប់ការវិភាគទិន្នន័យដែលពឹងផ្អែកលើពេលវេលា។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តគំរូនេះទាមទារនូវប្រព័ន្ធប្រមូលទិន្នន័យអាកាសធាតុជាក់ស្តែង និងកុំព្យូទ័រដែលមានសមត្ថភាពខ្ពស់សម្រាប់ការបង្វឹកគំរូ AI កម្រិតជ្រៅ (Deep Learning)។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅសាកលវិទ្យាល័យ Pibulsongkram Rajabhat ក្នុងប្រទេសថៃ ដោយប្រើប្រាស់ទិន្នន័យអាកាសធាតុពីស្ថានីយដែលស្ថិតនៅកម្ពស់ ៨០០ ម៉ែត្រធៀបនឹងនីវ៉ូទឹកសមុទ្រ (តំបន់ខ្ពង់រាប)។ ដោយសារប្រទេសថៃនិងកម្ពុជាមានអាកាសធាតុត្រូពិចស្រដៀងគ្នា គំរូនេះមានសក្តានុពលខ្ពស់សម្រាប់កម្ពុជា ប៉ុន្តែចាំបាច់ត្រូវកែតម្រូវទិន្នន័យ (Fine-tuning) ឱ្យស្របតាមអាកាសធាតុវាលទំនាប ឬតំបន់ខ្ពង់រាបជាក់ស្តែងនៅកម្ពុជា។
ការស្រាវជ្រាវនេះមានអត្ថប្រយោជន៍យ៉ាងខ្លាំងសម្រាប់ជំរុញវិស័យកសិកម្មឆ្លាតវៃ (Smart Agriculture) នៅក្នុងប្រទេសកម្ពុជា ដែលកំពុងប្រឈមនឹងការប្រែប្រួលអាកាសធាតុ។
ការរួមបញ្ចូលប្រព័ន្ធ AI ជាមួយផ្ទះកញ្ចក់ នឹងជួយផ្លាស់ប្តូរកសិកម្មកម្ពុជាពីការដាំដុះបែបប្រពៃណីទៅជាកសិកម្មដែលសន្សំសំចៃថាមពល និងធានាបាននូវទិន្នផលខ្ពស់ទោះក្នុងលក្ខខណ្ឌអាកាសធាតុប្រែប្រួលក៏ដោយ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Long short-term memory (LSTM) | វាគឺជាប្រភេទកម្រិតខ្ពស់នៃបណ្ដាញសរសៃប្រសាទសិប្បនិម្មិត (RNN) ដែលមានសមត្ថភាពពិសេសក្នុងការចងចាំទិន្នន័យរយៈពេលវែង និងរៀនពីលំនាំអាកាសធាតុ ឬការប្រើប្រាស់ថាមពលជាបន្តបន្ទាប់ ដោយអាចសម្រេចចិត្តថាព័ត៌មានចាស់ណាគួរបោះបង់ ឬគួររក្សាទុកដើម្បីធ្វើការទស្សន៍ទាយឱ្យបានច្បាស់លាស់។ | ដូចជាសិស្សពូកែម្នាក់ដែលអានសៀវភៅហើយអាចចងចាំមេរៀនតាំងពីជំពូកទីមួយរហូតដល់ជំពូកចុងក្រោយ ដោយដឹងច្បាស់ថាចំណុចណាជារឿងសំខាន់សម្រាប់ប្រឡង និងចំណុចណាមិនសំខាន់។ |
| Recurrent Neural Network | ជាប្រព័ន្ធបញ្ញាសិប្បនិម្មិតដែលដំណើរការទិន្នន័យជាលំដាប់លំដោយ (sequence) តាមពេលវេលា ដោយយកលទ្ធផលពីជំហានមុនមកធ្វើជាធាតុចូលសម្រាប់ជំហានបន្ទាប់ ដែលស័ក្តិសមបំផុតសម្រាប់ការវិភាគទិន្នន័យដែលមានការប្រែប្រួលតាមពេលវេលាដូចជាអាកាសធាតុ។ | ដូចជាការអានប្រយោគមួយ ដែលអ្នកអាចយល់អត្ថន័យនៃពាក្យចុងក្រោយបាន លុះត្រាតែអ្នកចងចាំពាក្យដែលនៅខាងមុខវាសិន។ |
| Artificial Neural Network | ជាគំរូកុំព្យូទ័រដែលត្រូវបានរចនាឡើងដោយត្រាប់តាមទម្រង់និងមុខងារនៃបណ្ដាញកោសិកាសរសៃប្រសាទក្នុងខួរក្បាលរបស់មនុស្ស ដើម្បីស្វែងយល់ពីទំនាក់ទំនងដ៏ស្មុគស្មាញរវាងទិន្នន័យបញ្ចូល (ដូចជាកម្ដៅ ពន្លឺ) និងលទ្ធផលបញ្ចេញ (ដូចជាការប្រើប្រាស់ថាមពល)។ | ដូចជាក្រុមមនុស្សដែលធ្វើការរួមគ្នាដោយចែករំលែកព័ត៌មានពីម្នាក់ទៅម្នាក់ទៀត ដើម្បីរកដំណោះស្រាយរួមមួយចំពោះបញ្ហាដ៏ស្មុគស្មាញ។ |
| Multi-Layered Perceptron | ជាប្រភេទនៃបណ្ដាញសរសៃប្រសាទសិប្បនិម្មិតដែលមានស្រទាប់កោសិកាច្រើនជាន់តម្រៀបគ្នា (ស្រទាប់បញ្ចូល ស្រទាប់លាក់ និងស្រទាប់លទ្ធផល) ដែលអនុញ្ញាតឱ្យកុំព្យូទ័រអាចដោះស្រាយនិងរៀនពីបញ្ហាស្មុគស្មាញដែលមិនអាចបំបែកជាបន្ទាត់ត្រង់បាន។ | ដូចជារោងចក្រដែលមានខ្សែសង្វាក់ផលិតកម្មច្រើនដំណាក់កាល ដោយទំនិញត្រូវឆ្លងកាត់ការត្រួតពិនិត្យនិងកែច្នៃពីផ្នែកមួយទៅផ្នែកមួយរហូតទទួលបានផលិតផលសម្រេច។ |
| Thermal performance | សំដៅលើសមត្ថភាពរបស់ផ្ទះកញ្ចក់ក្នុងការរក្សា កាត់បន្ថយ ឬគ្រប់គ្រងកម្ដៅ (សីតុណ្ហភាព) នៅខាងក្នុង ធៀបនឹងការប្រែប្រួលនៃអាកាសធាតុនៅខាងក្រៅ ថាតើវាប្រើប្រាស់ថាមពលអស់កម្រិតណាដើម្បីរក្សាសីតុណ្ហភាពឱ្យនៅថេរ។ | ដូចជាកែវទឹកក្តៅ (Thermos) ដែលមានសមត្ថភាពរក្សាទឹកឱ្យនៅក្តៅបានយូរទោះបីជាអាកាសធាតុខាងក្រៅត្រជាក់ខ្លាំងក៏ដោយ។ |
| Root Mean Square Error | ជារង្វាស់គណិតវិទ្យាដែលប្រើសម្រាប់វាយតម្លៃកម្រិតនៃភាពត្រឹមត្រូវរបស់គំរូទស្សន៍ទាយ (AI Models) ដោយគណនាគម្លាតសរុបរវាងតម្លៃដែល AI បានទស្សន៍ទាយធៀបនឹងតម្លៃពិតប្រាកដដែលបានកើតឡើង។ | ដូចជាការបាញ់ស៊ីប ប្រសិនបើអ្នកបាញ់ខុសគោលដៅកាន់តែឆ្ងាយ ពិន្ទុនៃការខុសឆ្គង (RMSE) នឹងកាន់តែធំ ដែលបង្ហាញថាគំរូទស្សន៍ទាយនោះមិនសូវច្បាស់លាស់ទេ។ |
| Data Acquisition System | ជាប្រព័ន្ធបណ្តុំនៃឧបករណ៍ចាប់សញ្ញា (sensors) និងកុំព្យូទ័រដែលធ្វើការប្រមូល តាមដាន និងកត់ត្រាទិន្នន័យរូបវិទ្យា (ដូចជាសីតុណ្ហភាព កម្រិតពន្លឺ និងថាមពល) ពីបរិស្ថាននៃផ្ទះកញ្ចក់ដោយស្វ័យប្រវត្តិទាន់ពេលវេលាជាក់ស្តែង (real-time)។ | ដូចជាកាមេរ៉ាសុវត្ថិភាពនិងប្រព័ន្ធកត់ត្រា ដែលប្រមូលព័ត៌មាននិងថតសកម្មភាពទាំងអស់ពេញ ២៤ ម៉ោងដោយស្វ័យប្រវត្តិ ដើម្បីទុកជាទិន្នន័យសម្រាប់ប្រើប្រាស់នៅពេលក្រោយ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
