បញ្ហា (The Problem)៖ ឯកសារនេះគឺជាកម្រងអត្ថបទស្រាវជ្រាវវិទ្យាសាស្ត្រចម្រុះ ដែលដោះស្រាយបញ្ហាប្រឈមជាច្រើនក្នុងវិស័យផ្សេងៗគ្នា ដូចជាបញ្ហាក្នុងការគណនាកង់ទិច (Quantum Computation) វិសមភាពសេដ្ឋកិច្ចតំបន់ (Spatial Inequality) ក៏ដូចជាការសម្គាល់ផ្ទៃមុខ (Face Recognition) និងការវិភាគម៉ូលេគុលថ្នាំគីមី។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានប្រើប្រាស់វិធីសាស្ត្រចម្រុះទៅតាមមុខជំនាញនីមួយៗរួមមាន ការវិភាគទិន្នន័យ ការប្រើប្រាស់ក្បួនដោះស្រាយ និងការធ្វើតេស្តសម្មតិកម្មសម្រាប់ការស្រាវជ្រាវនីមួយៗ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| PCA, LDA with Artificial Neural Network ការប្រើប្រាស់ PCA និង LDA ជាមួយបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (ANN) |
មានភាពសាមញ្ញក្នុងការទាញយកលក្ខណៈពិសេស (Feature Extraction) និងមានដំណើរការលឿនសម្រាប់ការប្រើប្រាស់ជាទូទៅ។ | ភាពត្រឹមត្រូវមានកម្រិតបើធៀបនឹងបច្ចេកវិទ្យា Deep Learning ជាពិសេសនៅពេលមានការរំខានពីពន្លឺ។ | ទទួលបានភាពត្រឹមត្រូវ ៩៥.៨០% លើសំណុំទិន្នន័យ Dataset of Faces។ |
| DeepFace (Convolutional Neural Network) បណ្តាញសរសៃប្រសាទកាឡៃស៊ីជម្រៅ (CNN) សម្រាប់ការសម្គាល់ផ្ទៃមុខ |
មានសមត្ថភាពខ្ពស់ក្នុងការសម្គាល់មុខមនុស្សក្នុងកម្រិតជិតស្មើនឹងមនុស្សពិតប្រាកដ ដោយប្រើ 3D Alignment។ | ទាមទារទិន្នន័យហ្វឹកហាត់ធំសម្បើម និងកម្លាំងម៉ាស៊ីន (Computational Power) ខ្ពស់ដើម្បីដំណើរការ។ | ទទួលបានភាពត្រឹមត្រូវ ៩៧.៣៥% លើសំណុំទិន្នន័យ SFC, LFW និង YTF។ |
| CG-Face ម៉ូដែលបែងចែកផ្ទៃមុខពិត និងផ្ទៃមុខបង្កើតដោយកុំព្យូទ័រ |
មានប្រសិទ្ធភាពខ្ពស់បំផុតក្នុងការស្វែងរក និងបែងចែករូបភាពពិត និងរូបភាពដែលបង្កើតដោយបញ្ញាសិប្បនិម្មិត (GANs)។ | ត្រូវការបច្ចេកទេសថ្លឹងថ្លែងទិន្នន័យ (Data Balancing) ដើម្បីចៀសវាងភាពលម្អៀងក្នុងការទស្សន៍ទាយ។ | ទទួលបានភាពត្រឹមត្រូវ ៩៨.០០% លើសំណុំទិន្នន័យ PCGAN និង BEGAN។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តវិធីសាស្ត្រ Machine Learning ជាពិសេស CNNs សម្រាប់សម្គាល់ផ្ទៃមុខ ទាមទារនូវធនធានកុំព្យូទ័រ និងសំណុំទិន្នន័យយ៉ាងច្រើនសន្ធឹកសន្ធាប់។
ការសិក្សានៅក្នុងអត្ថបទនេះត្រូវបានធ្វើឡើងដោយប្រើប្រាស់សំណុំទិន្នន័យអន្តរជាតិ (ដូចជា LFW និង AT&T) ដែលភាគច្រើនជារូបភាពផ្ទៃមុខជនជាតិអឺរ៉ុប។ សម្រាប់ប្រទេសកម្ពុជា ការយកម៉ូដែលទាំងនេះមកប្រើប្រាស់ដោយផ្ទាល់អាចបណ្តាលឱ្យមានភាពលម្អៀង (Bias) ពោលគឺភាពត្រឹមត្រូវអាចធ្លាក់ចុះនៅពេលសម្គាល់ផ្ទៃមុខជនជាតិអាស៊ីអាគ្នេយ៍ ឬជនជាតិខ្មែរ ដោយសារលក្ខណៈទម្រង់មុខមានភាពខុសគ្នា។
បច្ចេកវិទ្យាសម្គាល់ផ្ទៃមុខ (Face Recognition) ដែលបានបង្ហាញក្នុងឯកសារនេះ មានសក្តានុពលខ្ពស់ក្នុងការយកមកអនុវត្តដើម្បីអភិវឌ្ឍវិស័យឌីជីថលនៅកម្ពុជា។
ការបណ្តុះបណ្តាលក្បួនដោះស្រាយទាំងនេះដោយប្រើប្រាស់ទិន្នន័យផ្ទៃមុខក្នុងស្រុក នឹងជួយជំរុញនវានុវត្តន៍ និងធានាសុវត្ថិភាពប្រព័ន្ធឌីជីថលនៅកម្ពុជាឱ្យកាន់តែមានប្រសិទ្ធភាព។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Convolutional Neural Network | វាគឺជាប្រភេទនៃបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (AI) ដែលត្រូវបានរចនាឡើងយ៉ាងពិសេសសម្រាប់ដំណើរការទិន្នន័យរូបភាព ដោយវាធ្វើការច្រោះ និងទាញយកលក្ខណៈពិសេសៗនៃរូបភាព (ដូចជាគែម ពណ៌ ទម្រង់) ដើម្បីកំណត់អត្តសញ្ញាណវត្ថុ ឬផ្ទៃមុខដោយស្វ័យប្រវត្តិ។ | ដូចជាភ្នែក និងខួរក្បាលរបស់មនុស្សដែលចេះសង្កេតមើលលក្ខណៈពិសេសតូចៗនៃរូបភាព ដើម្បីដំឡើងជារូបភាពពេញលេញមួយហើយដឹងថាវត្ថុនោះជាអ្វី។ |
| Dutch Disease | ជាបាតុភូតសេដ្ឋកិច្ចអវិជ្ជមានមួយដែលកើតឡើងនៅពេលប្រទេសមួយរកឃើញ ឬពឹងផ្អែកខ្លាំងលើការនាំចេញធនធានធម្មជាតិ (ដូចជាប្រេង) ដែលធ្វើឱ្យរូបិយប័ណ្ណក្នុងស្រុកឡើងថ្លៃ និងបណ្តាលឱ្យវិស័យផលិតកម្មនិងកសិកម្មផ្សេងៗទៀតធ្លាក់ចុះការប្រកួតប្រជែងនិងរងការខូចខាតយ៉ាងធ្ងន់ធ្ងរ។ | ដូចជាសិស្សម្នាក់ដែលពូកែមុខវិជ្ជាមួយខ្លាំងពេក រហូតដល់បោះបង់ចោលការសិក្សាមុខវិជ្ជាផ្សេងៗទៀតធ្វើឱ្យធ្លាក់ថ្នាក់។ |
| Gravitational Waves | ជារលកនៃរំញ័រនៅក្នុងលំហ-ពេលវេលា (Space-time) ដែលបង្កើតឡើងដោយវត្ថុមានម៉ាសធំៗដែលកំពុងផ្លាស់ទីក្នុងល្បឿនលឿន (ដូចជាការបុកទង្គិចគ្នារវាងប្រហោងខ្មៅ) ដែលនាំយកព័ត៌មានអំពីប្រភពដើមរបស់វាឆ្លងកាត់សកលលោក។ | ដូចជារលកទឹកដែលសាយភាយចេញជារង្វង់ នៅពេលដែលយើងបោះដុំថ្មធំមួយចូលទៅក្នុងផ្ទៃទឹកដ៏ស្ងាត់ជ្រងំ។ |
| Support Vector Machines (SVM) | គឺជាក្បួនដោះស្រាយនៃម៉ាស៊ីនរៀន (Machine Learning Algorithm) ដែលមានតួនាទីវិភាគ និងចាត់ថ្នាក់ទិន្នន័យ ដោយស្វែងរកបន្ទាត់ ឬប្លង់ (Hyperplane) មួយដ៏ល្អបំផុតដើម្បីញែកក្រុមទិន្នន័យប្រភេទផ្សេងៗគ្នាឱ្យនៅដាច់ពីគ្នាយ៉ាងច្បាស់លាស់។ | ដូចជាការគូសបន្ទាត់មួយនៅលើតុ ដើម្បីញែកផ្លែប៉ោម និងផ្លែក្រូចឱ្យនៅម្ខាងម្នាក់ដាច់ពីគ្នាយ៉ាងច្បាស់។ |
| Gini Coefficient | ជារង្វាស់ស្ថិតិដែលសេដ្ឋវិទូប្រើសម្រាប់វាស់ស្ទង់កម្រិតនៃវិសមភាពប្រាក់ចំណូល ឬទ្រព្យសម្បត្តិនៅក្នុងសង្គម ដោយតម្លៃ ០ មានន័យថាមនុស្សគ្រប់រូបមានចំណូលស្មើគ្នាទាំងស្រុង ហើយតម្លៃ ១ មានន័យថាមនុស្សម្នាក់ក្តោបក្តាប់ទ្រព្យសម្បត្តិទាំងអស់។ | ដូចជាពិន្ទុសម្រាប់វាស់ថាតើនំខេកមួយដុំត្រូវបានកាត់ចែកឱ្យក្មេងៗស្មើគ្នា ឬមានក្មេងតែម្នាក់លួចយកនំខេកទាំងអស់តែឯង។ |
| Quantum Superposition | គឺជាគោលការណ៍នៃមេកានិចកង់ទិច (Quantum Mechanics) ដែលអនុញ្ញាតឱ្យភាគល្អិតកង់ទិច (ដូចជាទិន្នន័យ Qubit ក្នុងកុំព្យូទ័រ) អាចស្ថិតនៅក្នុងស្ថានភាពតម្លៃ 0 និង 1 ក្នុងពេលតែមួយ រហូតទាល់តែវាត្រូវបានគេវាស់វែងទើបវាបញ្ចេញលទ្ធផលណាមួយពិតប្រាកដ។ | ដូចជាកាក់ដែលកំពុងវិលលើតុ ដែលយើងអាចចាត់ទុកថាវាចេញទាំងក្បាល និងកន្ទុយក្នុងពេលតែមួយ រហូតដល់វាឈប់ទើបយើងដឹងច្បាស់ថាវាចេញមួយណា។ |
| Metalloproteins | ជាប្រភេទប្រូតេអ៊ីនពិសេសនៅក្នុងសរីរាង្គដែលមានភ្ជាប់ជាមួយអ៊ីយ៉ុងលោហៈ (ដូចជាស័ង្កសី ដែក ឬទង់ដែង) ដើម្បីអាចដំណើរការតួនាទីរបស់វាក្នុងការដឹកជញ្ជូនអុកស៊ីសែន ឬជួយជំរុញប្រតិកម្មគីមីនៅក្នុងកោសិកា។ | ដូចជារថយន្តដឹកជញ្ជូនតូចៗនៅក្នុងរាងកាយ ដែលត្រូវការសោរ ឬគ្រឿងបន្លាស់លោហៈតូចមួយដើម្បីអាចបញ្ឆេះម៉ាស៊ីនដំណើរការបាន។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
