បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយពីបញ្ហានៃការធ្វើរោគវិនិច្ឆ័យជំងឺរុក្ខជាតិតាមបែបប្រពៃណីដែលចំណាយពេលយូរនិងត្រូវការកម្លាំងពលកម្មច្រើន ដោយស្នើឡើងនូវការប្រើប្រាស់បច្ចេកវិទ្យាម៉ាស៊ីនរៀន (Machine Learning) ដើម្បីបង្កើនភាពត្រឹមត្រូវ ទាន់ពេលវេលា និងងាយស្រួលក្នុងវិស័យកសិកម្ម។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះធ្វើការត្រួតពិនិត្យអក្សរសិល្ប៍និងវាយតម្លៃលើវិធីសាស្ត្រក្បួនដោះស្រាយម៉ាស៊ីនរៀនផ្សេងៗ ដែលត្រូវបានប្រើប្រាស់សម្រាប់ការរកឃើញជំងឺរុក្ខជាតិ ដោយរួមបញ្ចូលការវិភាគរូបភាព ការទាញយកទិន្នន័យពីចម្ងាយ និងបច្ចេកវិទ្យាទូរស័ព្ទដៃ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Traditional Manual Inspection ការត្រួតពិនិត្យដោយភ្នែកនិងអ្នកជំនាញ (វិធីសាស្ត្រប្រពៃណី) |
ពឹងផ្អែកលើចំណេះដឹងនិងបទពិសោធន៍ផ្ទាល់របស់អ្នកជំនាញដែលអាចវិភាគបានស៊ីជម្រៅក្នុងករណីស្មុគស្មាញ។ | ចំណាយពេលយូរ ត្រូវការកម្លាំងពលកម្មច្រើន និងមិនមានប្រសិទ្ធភាពសម្រាប់ទំហំដីកសិកម្មធំៗ។ | មិនអាចឆ្លើយតបបានទាន់ពេលវេលានិងគ្មានសមត្ថភាពពង្រីកទំហំការងារបានរហ័ស (Not scalable)។ |
| Convolutional Neural Networks (CNNs) បណ្តាញសរសៃប្រសាទប្រភេទខនវ៉ូលូសិន |
មានសមត្ថភាពខ្ពស់ក្នុងការទាញយកលក្ខណៈពិសេសពីរូបភាព និងអាចរកឃើញរោគសញ្ញាជំងឺតូចៗដែលភ្នែកមនុស្សមើលរំលង។ | ត្រូវការទិន្នន័យរូបភាពគុណភាពខ្ពស់ និងកម្លាំងម៉ាស៊ីនកុំព្យូទ័រខ្លាំង (Computational power) សម្រាប់ហ្វឹកហាត់។ | ផ្តល់នូវភាពត្រឹមត្រូវខ្ពស់ក្នុងការធ្វើចំណាត់ថ្នាក់ជំងឺរុក្ខជាតិតាមរយៈរូបភាពស្លឹកនិងដើម។ |
| Transfer Learning ការរៀនតាមរយៈការផ្ទេរចំណេះ (ផ្អែកលើម៉ូដែលដែលមានស្រាប់) |
ជួយសន្សំសំចៃពេលវេលាហ្វឹកហាត់ម៉ូដែល និងមានប្រសិទ្ធភាពទោះបីជាមានទិន្នន័យថ្មីតិចតួចក៏ដោយ។ | ភាពត្រឹមត្រូវនៅតែពឹងផ្អែកមួយផ្នែកទៅលើភាពស្រដៀងគ្នានៃទិន្នន័យដើមដែលម៉ូដែលបានរៀនពីមុន។ | បង្កើនសមត្ថភាពក្នុងការរកឃើញរោគសញ្ញាជំងឺថ្មីៗប្លែកៗបានយ៉ាងមានប្រសិទ្ធភាព។ |
| Ensemble Methods វិធីសាស្ត្រប្រមូលផ្តុំម៉ូដែល (ប្រើក្បួនដោះស្រាយច្រើនបញ្ចូលគ្នា) |
កាត់បន្ថយកំហុសឆ្គងដោយយកចំណុចខ្លាំងនៃម៉ូដែលនីមួយៗមកបំពេញបន្ថែមគ្នា បង្កើតបានជាលទ្ធផលដែលរឹងមាំជាងមុន។ | បង្កើនភាពស្មុគស្មាញនៃប្រព័ន្ធ និងត្រូវការធនធានកុំព្យូទ័រច្រើនជាងការប្រើម៉ូដែលតែមួយ។ | បង្កើនភាពជឿជាក់ និងភាពត្រឹមត្រូវជារួមក្នុងការវិភាគរកជំងឺរុក្ខជាតិ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ឯកសារនេះបានបញ្ជាក់ពីបញ្ហាប្រឈមនៃកង្វះខាតធនធានកុំព្យូទ័រនៅតំបន់ជនបទ ដោយសង្កត់ធ្ងន់លើតម្រូវការក្នុងការបង្កើតម៉ូដែល ML ដែលស្រាលនិងមានប្រសិទ្ធភាព រួមជាមួយនឹងការប្រើប្រាស់បច្ចេកវិទ្យា Cloud និង Smartphone ។
ឯកសារនេះជាការសិក្សារំលឹកឡើងវិញ (Literature Review) ដែលពឹងផ្អែកលើការស្រាវជ្រាវផ្សេងៗដែលប្រើប្រាស់សំណុំទិន្នន័យសាធារណៈ។ សម្រាប់ប្រទេសកម្ពុជា ការប្រើប្រាស់ម៉ូដែលទាំងនេះអាចប្រឈមនឹងបញ្ហាប្រសិនបើទិន្នន័យហ្វឹកហាត់មិនមានផ្ទុករូបភាពដំណាំក្នុងស្រុក (ដូចជា ស្រូវ ដំឡូងមី ម្រេច) និងមិនឆ្លុះបញ្ចាំងពីលក្ខខណ្ឌពន្លឺ អាកាសធាតុ ឬប្រភេទដីជាក់លាក់នៅកម្ពុជា។
បច្ចេកវិទ្យានេះមានសក្តានុពលខ្លាំងក្នុងការផ្លាស់ប្តូរមុខមាត់វិស័យកសិកម្មនៅកម្ពុជា តាមរយៈការផ្តល់លទ្ធភាពឱ្យកសិករទប់ស្កាត់ការខូចខាតដំណាំបានទាន់ពេល។
ការអភិវឌ្ឍកម្មវិធីទូរស័ព្ទដៃដែលដំណើរការដោយ ML និងអាចប្រើប្រាស់បានដោយមិនប្រើអ៊ីនធឺណិត (Offline) គឺជាគន្លឹះដ៏សំខាន់សម្រាប់ការអនុវត្តប្រកបដោយជោគជ័យនៅក្នុងបរិបទកសិករខ្មែរ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Convolutional Neural Networks (CNNs) | វាគឺជាប្រភេទបណ្តាញសរសៃប្រសាទសិប្បនិម្មិតក្នុងវិស័យ Deep Learning ដែលត្រូវបានរចនាឡើងយ៉ាងពិសេសសម្រាប់វិភាគ និងទាញយកលក្ខណៈលម្អិតពីរូបភាព ដូចជាទម្រង់ ពណ៌ និងស្នាមអុចៗ ដើម្បីកំណត់អត្តសញ្ញាណជំងឺលើស្លឹករុក្ខជាតិ។ | ដូចជាភ្នែករបស់ពេទ្យកសិកម្មដ៏ពូកែម្នាក់ ដែលអាចពិនិត្យមើលរូបថតស្លឹកឈើ និងប្រាប់បានភ្លាមៗថាវាមានជំងឺអ្វី ដោយគ្រាន់តែមើលស្នាមតូចៗនៅលើនោះ។ |
| Transfer Learning | ជាបច្ចេកទេសមួយក្នុងម៉ាស៊ីនរៀន ដែលគេយកម៉ូដែលកុំព្យូទ័រដែលបានហ្វឹកហាត់រួចជាស្រេចលើសំណុំទិន្នន័យធំៗ (ឧទាហរណ៍៖ រូបភាពទូទៅ) មកបង្រៀនបន្តបន្ថែមបន្តិចបន្តួច ដើម្បីឱ្យវាអាចស្គាល់ពីរូបភាពថ្មីៗ (ដូចជាជំងឺរុក្ខជាតិ) ដោយមិនបាច់ចាប់ផ្តើមរៀនពីសូន្យ។ | ដូចជាការយកចុងភៅដែលចេះធ្វើម្ហូបអឺរ៉ុបរួចហើយ មកបង្រៀនបន្ថែមឱ្យចេះធ្វើម្ហូបខ្មែរ ដោយប្រើពេលតិចជាងការបង្រៀនមនុស្សដែលមិនចេះធ្វើម្ហូបសោះ។ |
| Ensemble Methods | គឺជាវិធីសាស្ត្រក្នុងការប្រមូលផ្តុំ ឬរួមបញ្ចូលគ្នានូវក្បួនដោះស្រាយ (Algorithms) ច្រើនខុសៗគ្នា ដើម្បីធ្វើការសម្រេចចិត្តរួមមួយ ដែលផ្តល់លទ្ធផលត្រឹមត្រូវ និងរឹងមាំជាងការប្រើប្រាស់ម៉ូដែលតែមួយឯកឯងក្នុងការទស្សន៍ទាយជំងឺ។ | ដូចជាការសួរយោបល់ពីគ្រូពេទ្យ៣នាក់ផ្សេងគ្នា រួចយកចម្លើយទាំង៣នោះមកថ្លឹងថ្លែងរកមើលជំងឺពិតប្រាកដ ជាជាងជឿលើគ្រូពេទ្យតែម្នាក់។ |
| Remote Sensing | ជាបច្ចេកវិទ្យាក្នុងការប្រមូលទិន្នន័យពីចម្ងាយ (ឧទាហរណ៍៖ តាមរយៈផ្កាយរណប ឬដ្រូន) ដើម្បីថតយករូបភាព និងតាមដានស្ថានភាពសុខភាពដំណាំ កម្រិតសំណើមដី និងកត្តាបរិស្ថានផ្សេងៗក្នុងតំបន់កសិកម្មដ៏ធំទូលាយដោយមិនបាច់ចុះផ្ទាល់។ | ដូចជាការប្រើកែវយឹតស៊ើបការណ៍មើលពីលើអាកាស ដើម្បីដឹងថាតើស្រែចម្ការកន្លែងណាខ្វះទឹក ឬមានសត្វល្អិតបំផ្លាញ ដោយមិនបាច់ដើរមើលគ្រប់ច្រកល្ហក។ |
| Dimensionality Reduction | វាគឺជាដំណើរការ (ដូចជាការប្រើប្រាស់ PCA ឬ t-SNE) ក្នុងការកាត់បន្ថយចំនួនអថេរ ឬភាពស្មុគស្មាញនៃទិន្នន័យដ៏ច្រើនសន្ធឹកសន្ធាប់ ដោយរក្សាទុកតែលក្ខណៈសំខាន់ៗបំផុត ដើម្បីឱ្យកុំព្យូទ័រអាចដំណើរការវិភាគបានលឿន និងច្បាស់លាស់ជាងមុន។ | ដូចជាការសង្ខេបសៀវភៅក្រាស់១០០ទំព័រ ឱ្យមកនៅត្រឹម៣ទំព័រ ដោយរក្សាទុកតែអត្ថន័យស្នូលសំខាន់ៗ ដើម្បីឱ្យងាយស្រួលអាននិងឆាប់យល់។ |
| Edge computing | ជាការដំណើរការ និងវិភាគទិន្នន័យដោយផ្ទាល់នៅលើឧបករណ៍ផ្ទាល់ខ្លួន (ដូចជាទូរស័ព្ទដៃស្មាតហ្វូន ឬឧបករណ៍ IoT) នៅកន្លែងដែលទិន្នន័យនោះត្រូវបានបង្កើតឡើង ជាជាងការបញ្ជូនទិន្នន័យទាំងអស់ទៅកាន់ម៉ាស៊ីនមេ (Cloud) ដែលជួយសន្សំសំចៃការប្រើប្រាស់អ៊ីនធឺណិត និងឆ្លើយតបបានលឿនក្នុងតំបន់ដាច់ស្រយាល។ | ដូចជាការគិតលេខក្នុងខួរក្បាលខ្លួនឯងភ្លាមៗនៅកន្លែងទិញឥវ៉ាន់ ជាជាងត្រូវរត់ត្រលប់ទៅផ្ទះដើម្បីប្រើម៉ាស៊ីនគិតលេខ។ |
| Precision Agriculture | ជាវិធីសាស្ត្រធ្វើកសិកម្មបែបទំនើប ដែលប្រើប្រាស់បច្ចេកវិទ្យាចម្រុះ (ដូចជា AI, IoT, ការវិភាគទិន្នន័យ) ដើម្បីគ្រប់គ្រង និងថែទាំដំណាំឱ្យបានច្បាស់លាស់តាមតម្រូវការជាក់ស្តែងក្នុងចំណុចនីមួយៗ (ទឹក ជី ថ្នាំ) ក្នុងគោលបំណងបង្កើនទិន្នផល និងកាត់បន្ថយការខ្ជះខ្ជាយ។ | ដូចជាការផ្តោតលើការផ្តល់ថ្នាំ និងការព្យាបាលត្រូវចំរោគសញ្ញាអ្នកជំងឺម្នាក់ៗយ៉ាងច្បាស់លាស់ ជាជាងការចែកថ្នាំតែមួយមុខទៅឱ្យមនុស្សគ្រប់គ្នាក្នុងភូមិ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
