បញ្ហា (The Problem)៖ ម៉ូដែលសេដ្ឋកិច្ចមាត្របែបប្រពៃណីដូចជាតម្រែតម្រង់ឡូជីស្ទីក (Logistic Regression) ពឹងផ្អែកលើការសន្មតលីនេអ៊ែរ ដែលធ្វើឱ្យពួកវាពិបាកក្នុងការចាប់យកលំនាំទិន្នន័យហិរញ្ញវត្ថុស្មុគស្មាញ និងមិនមែនលីនេអ៊ែរ ដែលជាហេតុនាំឱ្យមានការវាយតម្លៃហានិភ័យឥណទានមិនសូវច្បាស់លាស់។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានប្រើប្រាស់ក្របខណ្ឌវិភាគប្រៀបធៀប ដើម្បីវាយតម្លៃដំណើរការនៃម៉ូដែលសេដ្ឋកិច្ចមាត្រ និងម៉ូដែលរៀនដោយម៉ាស៊ីន (Machine Learning) សម្រាប់ការព្យាករណ៍ពីការខកខានសងឥណទាន។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Logistic Regression (LR) តម្រែតម្រង់ឡូជីស្ទីក (វិធីសាស្ត្រសេដ្ឋកិច្ចមាត្រ) |
ងាយស្រួលក្នុងការបកស្រាយលទ្ធផល និងជានីតិវិធីស្តង់ដារដែលប្រើប្រាស់យ៉ាងទូលំទូលាយក្នុងប្រព័ន្ធវាយតម្លៃឥណទានប្រពៃណី។ ដំណើរការលឿននិងមិនទាមទារធនធានកុំព្យូទ័រច្រើន។ | កំណត់ដោយការសន្មតទំនាក់ទំនងលីនេអ៊ែររវាងអថេរ មិនអាចចាប់យកលំនាំស្មុគស្មាញ និងមានភាពទន់ខ្សោយខ្លាំងក្នុងការកំណត់អត្តសញ្ញាណអតិថិជនដែលខកខានសងពិតប្រាកដ។ | ROC-AUC ត្រឹមតែ ៧៥.៣៤% និងមានអត្រាចាប់បានអ្នកខកខានសង (Recall for default class) ទាបខ្លាំងត្រឹមតែ ០.១៦ ប៉ុណ្ណោះ។ |
| Random Forest (RF) ម៉ូដែលព្រៃចៃដន្យ (ចំណាត់ថ្នាក់រៀនដោយម៉ាស៊ីន) |
មានសមត្ថភាពទប់ទល់នឹង Overfitting បានល្អ ចាប់យកទំនាក់ទំនងមិនមែនលីនេអ៊ែរស្មុគស្មាញ និងមានភាពធន់ទៅនឹងទិន្នន័យខុសប្រក្រតី (Outliers)។ | ទាមទារការកំណត់ប៉ារ៉ាម៉ែត្រ (Hyperparameter tuning) ដើម្បីទទួលបានលទ្ធផលល្អឥតខ្ចោះ និងមានដែនកំណត់ក្នុងការបកស្រាយលទ្ធផល (Black-box model)។ | ROC-AUC កើនដល់ ៩៩.៦៨% និងភាពត្រឹមត្រូវទូទៅ (Accuracy) ៩៩% (បន្ទាប់ពីការធ្វើឱ្យប្រសើរ Hyperparameter)។ |
| eXtreme Gradient Boosting (XGBoost) ការជំរុញហ្គ្រេដ្យង់កម្រិតខ្ពស់ (ម៉ូដែលរៀនដោយម៉ាស៊ីន) |
ផ្តល់ថាមពលរើសអើង (Discriminatory power) ខ្ពស់បំផុត មានប្រសិទ្ធភាពក្នុងការគណនាលឿនដោយប្រើដេរីវេទី២ និងរក្សាតុល្យភាពល្អរវាងសមត្ថភាពរៀននិងភាពច្បាស់លាស់។ | មានភាពស្មុគស្មាញក្នុងការគណនា ទាមទារការកែសម្រួលប៉ារ៉ាម៉ែត្រយ៉ាងប្រុងប្រយ័ត្ន និងនៅតែប្រឈមនឹងបញ្ហាភាពលំបាកក្នុងការបកស្រាយប្រាប់អ្នកគ្រប់គ្រង។ | ផ្តល់លទ្ធផលល្អបំផុតជាមួយនឹង ROC-AUC ៩៩.៧៣% អត្រាភាពត្រឹមត្រូវ ៩៩% និងអត្រាចាប់បានអ្នកខកខានសងបានល្អប្រសើរបំផុត។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ឯកសារនេះបានបញ្ជាក់ថាការអនុវត្តម៉ូដែលរៀនដោយម៉ាស៊ីនកម្រិតខ្ពស់នៅក្នុងស្ថាប័នហិរញ្ញវត្ថុជួបប្រទះបញ្ហាប្រឈមនៃភាពស្មុគស្មាញក្នុងការគណនាសម្រាប់ការធ្វើឱ្យប្រសើរអថេរ (Hyperparameter optimization)។
ការសិក្សានេះត្រូវបានធ្វើឡើងដោយប្រើប្រាស់ទិន្នន័យឥណទានជាក់ស្តែងពីសាខាភាគខាងជើងនៃធនាគារ Melli ប្រទេសអ៊ីរ៉ង់ ចន្លោះឆ្នាំ ២០១៩ ដល់ ២០២៤។ ទិន្នន័យនេះឆ្លុះបញ្ចាំងពីលក្ខណៈប្រជាសាស្ត្រ អាកប្បកិរិយាហិរញ្ញវត្ថុ និងក្របខណ្ឌច្បាប់របស់ប្រទេសអ៊ីរ៉ង់តែប៉ុណ្ណោះ។ សម្រាប់ប្រទេសកម្ពុជា វាជារឿងចាំបាច់ក្នុងការប្រុងប្រយ័ត្ន ដោយសារពលរដ្ឋកម្ពុជាមានទម្លាប់សន្សំ ចំណូល និងបរិបទហិរញ្ញវត្ថុខុសគ្នា ដូច្នេះម៉ូដែលចាំបាច់ត្រូវតែបង្វឹក (Train) ឡើងវិញជាមួយទិន្នន័យឥណទានក្នុងស្រុក។
ទោះបីជាមានភាពខុសគ្នានៃប្រភពទិន្នន័យក៏ដោយ វិធីសាស្ត្ររៀនដោយម៉ាស៊ីន (Machine Learning) នេះមានសក្តានុពលខ្លាំងក្នុងការយកមកប្រើប្រាស់នៅប្រទេសកម្ពុជា ដើម្បីកាត់បន្ថយហានិភ័យប្រាក់កម្ចីមិនដំណើរការ (NPLs)។
ជារួម ការផ្លាស់ប្តូរពីការប្រើប្រាស់គំរូស្ថិតិប្រពៃណី ទៅកាន់ក្របខណ្ឌកូនកាត់ដែលប្រើប្រាស់បញ្ញាសិប្បនិម្មិត (AI/ML) នឹងជួយស្ថាប័នហិរញ្ញវត្ថុកម្ពុជាបង្កើនប្រសិទ្ធភាពគ្រប់គ្រងហានិភ័យ និងរក្សាបាននូវស្ថិរភាពសេដ្ឋកិច្ច។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| eXtreme Gradient Boosting (XGBoost) | ក្បួនដោះស្រាយរៀនដោយម៉ាស៊ីនដ៏មានអានុភាព ដែលបង្កើតមែកធាងសម្រេចចិត្តជាបន្តបន្ទាប់ ដោយមែកធាងថ្មីនីមួយៗផ្តោតលើការកែតម្រូវកំហុសដែលបន្សល់ទុកដោយមែកធាងមុនៗ ដើម្បីបង្រួមគម្លាតកំហុស និងធ្វើឱ្យការទស្សន៍ទាយចុងក្រោយមានភាពសុក្រឹតបំផុត។ | ដូចជាសិស្សមួយក្រុមធ្វើតេស្តបន្តបន្ទាប់គ្នា អ្នកទី២កែតម្រូវកំហុសអ្នកទី១ ហើយអ្នកទី៣កែតម្រូវកំហុសអ្នកទី២ រហូតដល់បានចម្លើយរួមមួយដែលត្រឹមត្រូវបំផុត។ |
| Random Forest | វិធីសាស្ត្ររៀនដោយម៉ាស៊ីនដែលបង្កើត "មែកធាងសម្រេចចិត្ត" (Decision Trees) ច្រើនដាច់ដោយឡែកពីគ្នា ដោយប្រើទិន្នន័យចៃដន្យ រួចយកលទ្ធផលរបស់មែកធាងទាំងអស់នោះមកបោះឆ្នោត ឬស្វែងរកមធ្យមភាគ ដើម្បីធ្វើការសម្រេចចិត្តចុងក្រោយជៀសវាងការលម្អៀង។ | ដូចជាការសួរយោបល់ពីវេជ្ជបណ្ឌិត១០០នាក់ផ្សេងៗគ្នា រួចយកចម្លើយដែលវេជ្ជបណ្ឌិតភាគច្រើនយល់ស្រប ជៀសជាងជឿលើការធ្វើរោគវិនិច្ឆ័យរបស់គ្រូពេទ្យតែម្នាក់។ |
| Hyperparameter Tuning | ដំណើរការនៃការស្វែងរក និងកែតម្រូវការកំណត់ (Settings) ខាងក្រៅដ៏ល្អបំផុតសម្រាប់ម៉ូដែលរៀនដោយម៉ាស៊ីន (ដែលម៉ូដែលមិនអាចរៀនដោយខ្លួនឯងបាន) ដើម្បីជួយឱ្យវាមានសមត្ថភាពវិភាគ និងទស្សន៍ទាយទិន្នន័យថ្មីៗបានច្បាស់លាស់បំផុត។ | ដូចជាការកាច់តម្រូវប៉ុស្តិ៍វិទ្យុ (Tuning) សាឆ្វេងសាស្ដាំ ដើម្បីរកមើលរលកសញ្ញាដែលច្បាស់បំផុត និងមិនឱ្យមានសំឡេងរំខាន។ |
| ROC-AUC | សូចនាករស្ថិតិសម្រាប់វាស់ស្ទង់សមត្ថភាពរបស់ម៉ូដែលក្នុងការបែងចែករវាងក្រុមពីរផ្សេងគ្នា (ឧទាហរណ៍៖ អតិថិជនបង់ប្រាក់ទៀងទាត់ និងអតិថិជនខកខានសង) ដោយពិន្ទុកាន់តែខិតជិត ១ (ឬ១០០%) មានន័យថាម៉ូដែលកាន់តែមានថាមពលក្នុងការរើសអើងភាពខុសគ្នាបានត្រឹមត្រូវ។ | ដូចជាពិន្ទុប្រឡងរបស់ឧបករណ៍ចាប់សញ្ញាផ្សែង បើពិន្ទុខ្ពស់ វាអាចបែងចែកដាច់ស្រឡះរវាងផ្សែងភ្លើងពិតប្រាកដ និងចំហាយទឹក បានយ៉ាងល្អឥតខ្ចោះ។ |
| Confusion Matrix | តារាងម៉ាទ្រីសដែលត្រូវបានប្រើដើម្បីវាយតម្លៃ និងបង្ហាញពីកម្រិតភាពត្រឹមត្រូវព្រមទាំងកំហុសរបស់ម៉ូដែល ដោយបំបែកលទ្ធផលជា៤ផ្នែក៖ ទាយត្រូវថាវិជ្ជមាន, ទាយត្រូវថាអវិជ្ជមាន, ទាយខុសថាវិជ្ជមាន, និងទាយខុសថាអវិជ្ជមាន។ | ដូចជាតារាងត្រួតពិនិត្យការងាររបស់ឆ្មាំយាមទ្វារ ដែលកត់ត្រាថាគាត់ចាប់ចោរបានពិតប្រាកដប៉ុន្មាននាក់ ចាប់ខុសមនុស្សល្អប៉ុន្មាននាក់ និងឱ្យចោររួចខ្លួនប៉ុន្មាននាក់។ |
| Overfitting | បញ្ហាដែលកើតឡើងនៅពេលម៉ូដែលរៀនទន្ទេញចាំទិន្នន័យចាស់ៗដែលប្រើសម្រាប់បង្វឹកខ្លាំងពេក រហូតដល់ចងចាំទាំងចំណុចខុសឆ្គង (Noise) នៅក្នុងនោះ ដែលធ្វើឱ្យវាមិនអាចបត់បែនដើម្បីទស្សន៍ទាយទិន្នន័យថ្មីៗបានត្រឹមត្រូវ។ | ដូចជាសិស្សដែលទន្ទេញចាំវិញ្ញាសាចាស់ៗគ្រប់អក្សរដើម្បីប្រឡងជាប់ តែនៅពេលគ្រូចេញលំហាត់ថ្មីខុសពីមុនបន្តិច គាត់បែរជាគិតមិនចេញនិងធ្វើមិនបានសោះ។ |
| Information Asymmetry | ស្ថានភាពនៅក្នុងប្រតិបត្តិការសេដ្ឋកិច្ច ដែលភាគីម្ខាងមានព័ត៌មានច្រើនជាង ឬច្បាស់ជាងភាគីម្ខាងទៀត (ឧទាហរណ៍៖ អ្នកខ្ចីដឹងពីហានិភ័យខ្លួនឯងច្បាស់ជាងធនាគារ) ដែលបណ្តាលឱ្យមានភាពអយុត្តិធម៌ និងហានិភ័យក្នុងការសម្រេចចិត្ត។ | ដូចជាការទិញឡានមួយទឹក ដែលអ្នកលក់ដឹងច្បាស់ពីប្រវត្តិខូចខាតនិងបុកប៉ះរបស់រថយន្ត តែអ្នកទិញមិនបានដឹង ដែលធ្វើឱ្យអ្នកទិញប្រឈមនឹងការចាញ់បោក។ |
| Logistic Regression | ម៉ូដែលស្ថិតិ និងសេដ្ឋកិច្ចមាត្របែបប្រពៃណីដែលប្រើសម្រាប់ទស្សន៍ទាយលទ្ធផលប្រូបាប៊ីលីតេដែលមានជម្រើសតែ២ (ឧទាហរណ៍៖ សង ឬ មិនសង) ដោយប្រើរូបមន្តគណិតវិទ្យាលីនេអ៊ែរ ដើម្បីគណនាភាគរយចន្លោះពី ០ ទៅ ១។ | ដូចជាជញ្ជីងថ្លឹងទម្ងន់ដែលបូកសរុបពិន្ទុវិជ្ជមាននិងអវិជ្ជមានរបស់មនុស្សម្នាក់ រួចសម្រេចកាត់ក្តីថា "ឱ្យខ្ចី" ឬ "មិនឱ្យខ្ចី" ដោយផ្អែកលើបន្ទាត់ព្រំដែនកំណត់ណាមួយ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
