បញ្ហា (The Problem)៖ ការធានានូវការផ្គត់ផ្គង់ផលិតផលកសិកម្មឱ្យមានស្ថិរភាពកំពុងជួបការលំបាកដោយសារកំណើនប្រជាជន និងការប្រែប្រួលអាកាសធាតុ ខណៈដែលការអនុវត្តបច្ចេកវិទ្យា IoT និង AI នៅមានភាពបែកខ្ញែកគ្នា និងខ្វះការសំយោគជាប្រព័ន្ធស្តីពីនិន្នាការបច្ចេកវិទ្យា និងគម្លាតនៃការអនុវត្តជាក់ស្តែង។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់វិធីសាស្ត្រត្រួតពិនិត្យផែនទីជាប្រព័ន្ធ (Systematic Mapping Review) ដោយអនុវត្តតាមគោលការណ៍ណែនាំ PRISMA ដើម្បីវិភាគលើការបោះពុម្ពផ្សាយចំនួន ១៦០ ដែលស្រង់ចេញពីមូលដ្ឋានទិន្នន័យ Web of Science ចាប់ពីឆ្នាំ ២០១៤ ដល់ ២០២៤។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Classic Machine Learning (e.g., SVM, Random Forest) ការរៀនម៉ាស៊ីនបែបបុរាណ (ប្រើសម្រាប់ទិន្នន័យរចនាសម្ព័ន្ធ) |
មានប្រសិទ្ធភាពខ្ពស់សម្រាប់ទិន្នន័យជាលេខ (ដូចជាសំណើមដី សីតុណ្ហភាព) និងមិនត្រូវការថាមពលកុំព្យូទ័រខ្លាំង។ | មិនសូវមានប្រសិទ្ធភាពក្នុងការវិភាគរូបភាព ឬទិន្នន័យដែលមានភាពស្មុគស្មាញខ្ពស់ដូច Deep Learning ទេ។ | ត្រូវបានប្រើប្រាស់ច្រើនជាងគេ (SVM ៣៣ ដង) សម្រាប់ការទស្សន៍ទាយនិងចំណាត់ថ្នាក់ទិន្នន័យបរិស្ថាន។ |
| Deep Learning (e.g., CNN) ការរៀនស៊ីជម្រៅ (ប្រើសម្រាប់ការមើលឃើញកុំព្យូទ័រ) |
មានសមត្ថភាពខ្ពស់បំផុតក្នុងការសម្គាល់ជំងឺដំណាំតាមរយៈរូបភាពស្លឹក ឬផ្លែឈើ។ | ទាមទារទិន្នន័យបណ្តុះបណ្តាលច្រើន និងធនធានកុំព្យូទ័រខ្លាំង (GPU) ដែលពិបាកអនុវត្តលើឧបករណ៍ Edge តូចៗ។ | ជាបច្ចេកទេសពេញនិយមទីពីរ (CNN ២៣ ដង) ដោយផ្តោតសំខាន់លើការត្រួតពិនិត្យសុខភាពដំណាំ។ |
| Low-cost Prototyping (Arduino/Raspberry Pi) ការប្រើប្រាស់ឧបករណ៍បង្កើតគំរូតម្លៃទាប |
ងាយស្រួលរក មានតម្លៃថោក និងមានសហគមន៍គាំទ្រច្រើន ដែលស័ក្តិសមសម្រាប់ការស្រាវជ្រាវ និងការសិក្សា។ | ខ្វះភាពធន់សម្រាប់លក្ខខណ្ឌកសិកម្មជាក់ស្តែង (កំដៅ ភ្លៀង) និងបញ្ហាថាមពលសម្រាប់ការប្រើប្រាស់រយៈពេលវែង។ | Raspberry Pi (៥៩ ដង) និង Arduino (៥៥ ដង) គ្របដណ្តប់លើការសិក្សាភាគច្រើន ប៉ុន្តែមិនមែនជាដំណោះស្រាយឧស្សាហកម្មទេ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សាបង្ហាញថាការចំណាយមានកម្រិតទាបសម្រាប់ការចាប់ផ្តើមដំបូង ដោយសារការប្រើប្រាស់ផ្នែករឹងតម្លៃសមរម្យ ប៉ុន្តែការចំណាយអាចកើនឡើងនៅពេលធ្វើមាត្រដ្ឋានធំ។
ការសិក្សានេះវិភាគលើឯកសារសកល ប៉ុន្តែមានការចូលរួមចំណែកច្រើនពីតំបន់អាស៊ី (១១៧ ការសិក្សា) ដែលឆ្លុះបញ្ចាំងពីបរិបទកសិកម្មស្រដៀងគ្នានឹងកម្ពុជា។ ទោះជាយ៉ាងណាក៏ដោយ មានការផ្តោតខ្លាំងពេកទៅលើដំណាំប៉េងប៉ោះ (Tomato) និងដំណាំសាកវប្បកម្ម (Horticulture) ដោយមិនសូវមានការសិក្សាលម្អិតលើដំណាំស្រូវដែលជាដំណាំគោលរបស់កម្ពុជា។ ភាគច្រើននៃប្រព័ន្ធគឺជា "គំរូសាកល្បង" (Prototypes) ជាជាងផលិតផលសម្រេច។
វិធីសាស្ត្រដែលបានលើកឡើងគឺមានប្រយោជន៍ខ្លាំងសម្រាប់កម្ពុជា ជាពិសេសសម្រាប់ការអប់រំ និងការចាប់ផ្តើមទំនើបកម្មកសិកម្មឌីជីថល។
លទ្ធផលនៃការសិក្សានេះអាចយកមកអនុវត្តបានភ្លាមៗសម្រាប់ការបណ្តុះបណ្តាល និងកសិដ្ឋានខ្នាតតូច ប៉ុន្តែត្រូវការការអភិវឌ្ឍបន្ថែមលើភាពធន់នៃឧបករណ៍សម្រាប់កសិកម្មពាណិជ្ជកម្ម។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Edge Computing | ជាបច្ចេកវិទ្យាដែលអនុញ្ញាតឱ្យការគណនានិងវិភាគទិន្នន័យធ្វើឡើងនៅជិតប្រភពទិន្នន័យ (ដូចជាឧបករណ៍សេនស័រនៅកសិដ្ឋាន) ជំនួសឱ្យការបញ្ជូនទិន្នន័យទាំងអស់ទៅកាន់ Cloud។ វាជួយកាត់បន្ថយការពន្យារពេល (Latency) និងចំណាយលើអ៊ីនធឺណិត។ | ដូចជាអ្នកគ្រប់គ្រងរោងចក្រដែលអាចសម្រេចចិត្តដោះស្រាយបញ្ហាតូចតាចភ្លាមៗនៅកន្លែងធ្វើការ ដោយមិនចាំបាច់រាយការណ៍សុំការអនុញ្ញាតពីនាយកធំនៅទីស្នាក់ការកណ្តាលរាល់ដង។ |
| Convolutional Neural Network (CNN) | ជាប្រភេទនៃក្បួនដោះស្រាយបញ្ញាសិប្បនិម្មិត (AI) ដែលមានជំនាញពិសេសក្នុងការវិភាគរូបភាព។ ក្នុងកសិកម្ម វាត្រូវបានប្រើដើម្បីឱ្យកុំព្យូទ័រអាច "មើលឃើញ" និងសម្គាល់ជំងឺដំណាំ ឬសត្វល្អិតតាមរយៈរូបភាពដែលថតបាន។ | ដូចជាភ្នែករបស់កសិករជំនាញម្នាក់ ដែលគ្រាន់តែក្រឡេកមើលស្លឹកដំណាំ ក៏អាចដឹងភ្លាមថាវាមានជំងឺអ្វីដែរ។ |
| Support Vector Machine (SVM) | ជាក្បួនដោះស្រាយ Machine Learning ដែលប្រើសម្រាប់បែងចែកទិន្នន័យជាក្រុមៗ។ វាមានប្រសិទ្ធភាពខ្ពស់ក្នុងការវិភាគទិន្នន័យពីសេនស័រ (ដូចជាកំដៅ និងសំណើម) ដើម្បីសម្រេចថាគួរស្រោចទឹក ឬមិនគួរស្រោច។ | ប្រៀបដូចជាការគូសបន្ទាត់ព្រំដែនច្បាស់លាស់មួយនៅលើដី ដើម្បីបែងចែកថាកន្លែងណាជាដីស្ងួត និងកន្លែងណាជាដីសើម។ |
| Message Queuing Telemetry Transport (MQTT) | ជាពិធីការទំនាក់ទំនង (Protocol) សម្រាប់ឧបករណ៍ IoT ដែលមានទម្ងន់ស្រាលបំផុត។ វាត្រូវបានរចនាឡើងដើម្បីបញ្ជូនទិន្នន័យក្នុងស្ថានភាពអ៊ីនធឺណិតខ្សោយ និងប្រើប្រាស់ថាមពលថ្មតិចបំផុត។ | ដូចជាការផ្ញើសារខ្លីៗ (SMS) ដែលទៅដល់លឿននិងមិនចំណាយលុយច្រើន ជំនួសឱ្យការផ្ញើសំបុត្រធំៗដែលត្រូវការពេលយូរ។ |
| Wireless Sensor Network (WSN) | គឺជាបណ្តាញនៃឧបករណ៍ចាប់សញ្ញាខ្នាតតូចជាច្រើនដែលដាក់ពង្រាយពាសពេញវាលស្រែ ដើម្បីប្រមូលព័ត៌មានបរិស្ថាន (សីតុណ្ហភាព សំណើម ពន្លឺ) ហើយបញ្ជូនទិន្នន័យនោះទៅកាន់កន្លែងប្រមូលផ្តុំតែមួយ។ | ដូចជាមានភ្នាក់ងារឃ្លាំមើលជាច្រើននាក់ឈរនៅគ្រប់ជ្រុងនៃចំការ ហើយរាយការណ៍ព័ត៌មានមកកាន់មេបញ្ជាការតែមួយ។ |
| Actuator | ជាឧបករណ៍មេកានិចដែលទទួលបញ្ជាពីប្រព័ន្ធកុំព្យូទ័រដើម្បីធ្វើចលនា ឬគ្រប់គ្រងយន្តការអ្វីមួយ ដូចជាការបើកវ៉ានទឹក បើកកង្ហារ ឬបិទដំបូលផ្ទះកញ្ចក់ជាដើម។ | ប្រសិនបើសេនស័រគឺជា "ភ្នែកនិងច្រមុះ" នោះ Actuator គឺជា "ដៃនិងជើង" របស់ប្រព័ន្ធដែលធ្វើការងារជាក់ស្តែង។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
