បញ្ហា (The Problem)៖ ការអនុវត្តការរៀនរបស់ម៉ាស៊ីន (ML) ក្នុងកសិកម្មប្រកបដោយនិរន្តរភាពកំពុងជួបប្រទះបញ្ហាប្រឈមនានា ដូចជាការគ្រប់គ្រងទិន្នន័យដែលមានបរិមាណច្រើន កង្វះហេដ្ឋារចនាសម្ព័ន្ធ និងតម្រូវការក្នុងការកែសម្រួលគំរូឱ្យសមស្របទៅនឹងលក្ខខណ្ឌក្នុងតំបន់ជាក់ស្តែង។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានធ្វើឡើងតាមរយៈការពិនិត្យឡើងវិញជាប្រព័ន្ធ និងការវិភាគគន្ថនិទ្ទេសនៃអត្ថបទស្រាវជ្រាវចំនួន ១២៤ ដែលបានបោះពុម្ពចន្លោះឆ្នាំ ២០០៧ ដល់ ២០២៥។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Deep Learning (CNNs) ការរៀនស៊ីជម្រៅ និងបណ្តាញសរសៃប្រសាទ (CNNs) |
មានភាពជាក់លាក់ខ្ពស់ក្នុងការវិភាគរូបភាពសម្រាប់ការរកឃើញជំងឺដំណាំ និងការប៉ាន់ប្រមាណទិន្នផល ជាពិសេសនៅពេលមានទិន្នន័យធំ (Big Data)។ | ត្រូវការថាមពលកុំព្យូទ័រខ្លាំង និងទិន្នន័យបណ្តុះបណ្តាលច្រើន ហើយដំណើរការសម្រេចចិត្តមានលក្ខណៈស្មុគស្មាញមើលមិនឃើញ (Black-box)។ | ប្រើប្រាស់យ៉ាងទូលំទូលាយសម្រាប់ការគ្រប់គ្រងដំណាំ និងការរកឃើញជំងឺដោយស្វ័យប្រវត្តិ។ |
| Internet of Things (IoT) បច្ចេកវិទ្យាអ៊ីនធឺណិតនៃវត្ថុ (IoT) |
អនុញ្ញាតឱ្យមានការតាមដានស្ថានភាពដី និងអាកាសធាតុតាមពេលវេលាជាក់ស្តែង (Real-time) និងការគ្រប់គ្រងធនធានទឹកដោយស្វ័យប្រវត្តិ។ | ជួបប្រទះបញ្ហាប្រឈមផ្នែកការតភ្ជាប់អ៊ីនធឺណិតនៅតំបន់ដាច់ស្រយាល និងថ្លៃដើមឧបករណ៍ចាប់សញ្ញា (Sensors)។ | ជួយកែលម្អប្រព័ន្ធស្រោចស្រព និងកាត់បន្ថយការប្រើប្រាស់ធនធានទឹកនិងជី។ |
| Remote Sensing (UAVs/Satellite) ការចាប់យកទិន្នន័យពីចម្ងាយ (តាមរយៈយន្តហោះគ្មានមនុស្សបើក ឬផ្កាយរណប) |
គ្របដណ្តប់ផ្ទៃដីធំទូលាយ និងអាចបង្កើតផែនទីប្រភេទដំណាំបានយ៉ាងមានប្រសិទ្ធភាព។ | គុណភាពទិន្នន័យអាចអាស្រ័យលើលក្ខខណ្ឌអាកាសធាតុ ហើយត្រូវការជំនាញបច្ចេកទេសដើម្បីវិភាគរូបភាព។ | ប្រើប្រាស់ទិន្នន័យ Sentinel-2 ដើម្បីព្យាករណ៍ទិន្នផលដំណាំ និងតាមដានសុខភាពរុក្ខជាតិ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តបច្ចេកវិទ្យានេះទាមទារការវិនិយោគលើហេដ្ឋារចនាសម្ព័ន្ធឌីជីថល និងសមត្ថភាពគណនា៖
ការសិក្សានេះបង្ហាញថាការស្រាវជ្រាវភាគច្រើនធ្វើឡើងនៅប្រទេសចិន ឥណ្ឌា និងសហរដ្ឋអាមេរិក។ សម្រាប់កម្ពុជា នេះជាចំណុចគួរឱ្យកត់សម្គាល់ព្រោះគំរូ ML ដែលបណ្តុះបណ្តាលក្នុងបរិបទបរទេសអាចនឹងមិនមានប្រសិទ្ធភាពពេញលេញចំពោះលក្ខខណ្ឌដី និងអាកាសធាតុក្នុងស្រុកឡើយ។
វិធីសាស្ត្រដែលបានលើកឡើងមានសារៈសំខាន់ខ្លាំងសម្រាប់កម្ពុជាក្នុងការផ្លាស់ប្តូរទៅរកកសិកម្មទំនើប៖
ទោះបីជាមានសក្តានុពលខ្ពស់ ប៉ុន្តែបញ្ហាហេដ្ឋារចនាសម្ព័ន្ធ និងចំណេះដឹងបច្ចេកទេសរបស់កសិករនៅតែជាឧបសគ្គចម្បងដែលត្រូវការការយកចិត្តទុកដាក់។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Precision Agriculture | ជាវិធីសាស្ត្រគ្រប់គ្រងកសិកម្មដោយប្រើបច្ចេកវិទ្យាដើម្បីផ្តល់ធាតុចូល (ដូចជាទឹក ជី ឬថ្នាំ) ក្នុងបរិមាណត្រឹមត្រូវ និងនៅទីតាំងជាក់លាក់ដែលត្រូវការប៉ុណ្ណោះ ដើម្បីបង្កើនទិន្នផល និងកាត់បន្ថយការចំណាយ។ | ដូចជាគ្រូពេទ្យព្យាបាលអ្នកជំងឺម្នាក់ៗតាមរោគសញ្ញាជាក់លាក់ មិនមែនឱ្យថ្នាំដូចគ្នាដល់អ្នកជំងឺទាំងអស់នោះទេ។ |
| Convolutional Neural Networks (CNNs) | ជាប្រភេទនៃបច្ចេកវិទ្យាបញ្ញាសិប្បនិម្មិត (AI) ដែលមានឯកទេសក្នុងការវិភាគរូបភាព។ នៅក្នុងឯកសារនេះ វាត្រូវបានប្រើដើម្បីស្កេនរូបភាពស្លឹកដំណាំដើម្បីកំណត់អត្តសញ្ញាណជំងឺ ឬសត្វល្អិតដោយស្វ័យប្រវត្តិ។ | ដូចជាភ្នែកកុំព្យូទ័រដែលអាចមើលរូបថតស្លឹកឈើ ហើយប្រាប់ភ្លាមៗថាវាមានជំងឺអ្វី ដោយមិនចាំបាច់មានអ្នកជំនាញមកពិនិត្យផ្ទាល់។ |
| Internet of Things (IoT) | បណ្តាញនៃឧបករណ៍រូបវន្ត (ដូចជាឧបករណ៍ចាប់សញ្ញាសំណើមដី កាមេរ៉ា ឬដ្រូន) ដែលភ្ជាប់គ្នាទៅវិញទៅមកតាមប្រព័ន្ធអ៊ីនធឺណិត ដើម្បីប្រមូល និងផ្លាស់ប្តូរទិន្នន័យពីវាលស្រែទៅកសិករដោយស្វ័យប្រវត្តិ។ | ដូចជាប្រព័ន្ធសរសៃប្រសាទរបស់ចម្ការ ដែលឧបករណ៍នីមួយៗចេះ 'និយាយ' គ្នា និងផ្ញើដំណឹងប្រាប់ម្ចាស់ចម្ការភ្លាមៗ។ |
| Remote Sensing | បច្ចេកវិទ្យាប្រមូលទិន្នន័យអំពីសុខភាពដំណាំ ឬស្ថានភាពដីពីចម្ងាយ ដោយប្រើផ្កាយរណប ឬយន្តហោះគ្មានមនុស្សបើក (UAVs) ដោយមិនចាំបាច់ចុះទៅប៉ះពាល់ដំណាំផ្ទាល់។ | ដូចជាការថតរូបពីលើអាកាស (X-ray) ដើម្បីពិនិត្យមើលថាតើដំណាំកន្លែងណាខ្លះកំពុងស្រេកទឹក ឬមានបញ្ហា។ |
| TinyML | ការអនុវត្តម៉ូដែល Machine Learning នៅលើឧបករណ៍តូចៗដែលមានថាមពលទាប (ដូចជា Microcontrollers) ដើម្បីធ្វើការវិភាគទិន្នន័យនៅនឹងកន្លែង ដោយមិនពឹងផ្អែកលើការតភ្ជាប់ទៅកាន់កុំព្យូទ័រធំ (Cloud)។ | ដូចជាមានខួរក្បាលឆ្លាតវៃនៅក្នុងឧបករណ៍តូចមួយ ដែលអាចធ្វើការវិភាគបានដោយខ្លួនឯង ទោះបីជាគ្មានអ៊ីនធឺណិតក៏ដោយ។ |
| Random Forest | ជាក្បួនដោះស្រាយ (Algorithm) ដែលបង្កើត 'ដើមឈើសម្រេចចិត្ត' (Decision Trees) ជាច្រើនដើម្បីធ្វើការទស្សន៍ទាយ។ វាត្រូវបានប្រើដើម្បីប៉ាន់ប្រមាណទិន្នផលដំណាំ ឬបែងចែកប្រភេទដី។ | ដូចជាការសួរយោបល់ពីអ្នកជំនាញ ១០០នាក់ ហើយយកចម្លើយណាដែលមានគេឆ្លើយច្រើនជាងគេ ដើម្បីធានាថាត្រឹមត្រូវ។ |
| Hyperspectral Imaging | បច្ចេកវិទ្យាថតរូបភាពដែលចាប់យកពន្លឺជាច្រើនពណ៌ (លើសពីអ្វីដែលភ្នែកមនុស្សមើលឃើញ) ដើម្បីវិភាគលក្ខណៈជីវសាស្រ្ត និងគីមីរបស់រុក្ខជាតិយ៉ាងលម្អិត។ | ដូចជាកាមេរ៉ាពិសេសដែលអាចមើលធ្លុះឃើញសារធាតុនៅក្នុងស្លឹកឈើ ដែលភ្នែកធម្មតាមើលមិនឃើញ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
