បញ្ហា (The Problem)៖ ការស្រាវជ្រាវនេះដោះស្រាយបញ្ហាប្រឈមនៃការពឹងផ្អែកលើប្រព័ន្ធ Cloud តែមួយមុខ ដែលបណ្តាលឱ្យមានភាពយឺតយ៉ាវ (Latency) ខ្ពស់ និងការប្រើប្រាស់ Bandwidth ច្រើនពេក សម្រាប់កម្មវិធីដែលត្រូវការការឆ្លើយតបភ្លាមៗដូចជា យានយន្តស្វ័យប្រវត្តិ និងការតាមដានសុខភាព។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់វិធីសាស្ត្រវិភាគ និងរៀបរាប់អំពីស្ថាបត្យកម្មនៃឧបករណ៍ Edge និងការប្រើប្រាស់គំរូ AI ដែលត្រូវបានកែសម្រួលសម្រាប់ការប្រើប្រាស់ជាក់ស្តែង។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Edge Processing ការដំណើរការនៅគែមបណ្តាញ (Edge Processing) |
កាត់បន្ថយភាពយឺតយ៉ាវ (Latency) បានយ៉ាងល្អ និងបង្កើនសុវត្ថិភាពទិន្នន័យដោយរក្សាទុកទិន្នន័យនៅនឹងកន្លែង។ កាត់បន្ថយការចំណាយលើ Bandwidth អ៊ីនធឺណិត។ | មានដែនកំណត់លើថាមពលកុំព្យូទ័រ (Computational Power) និងការផ្ទុកទិន្នន័យ បើធៀបនឹង Cloud។ ការគ្រប់គ្រងឧបករណ៍ច្រើនអាចមានភាពស្មុគស្មាញ។ | អនុញ្ញាតឱ្យធ្វើការសម្រេចចិត្តភ្លាមៗ (Real-time decision making) សម្រាប់យានយន្តស្វ័យប្រវត្តិ និង IoT ឧស្សាហកម្ម។ |
| Cloud Processing ការដំណើរការលើក្លក (Cloud Processing) |
មានធនធានកុំព្យូទ័រ និងការផ្ទុកទិន្នន័យមិនកំណត់ ងាយស្រួលសម្រាប់បង្ហាត់ម៉ូដែល AI ធំៗ។ | ពឹងផ្អែកខ្លាំងលើការតភ្ជាប់អ៊ីនធឺណិត បង្កឱ្យមានភាពយឺតយ៉ាវខ្ពស់ និងហានិភ័យសុវត្ថិភាពនៅពេលបញ្ជូនទិន្នន័យ។ | ស័ក្តិសមសម្រាប់ការងារដែលមិនត្រូវការល្បឿនបន្ទាន់ ប៉ុន្តែត្រូវការការវិភាគទិន្នន័យធំៗ (Big Data)។ |
| Federated Learning ការរៀនបែបសហព័ន្ធ (Federated Learning) |
ការពារឯកជនភាពដោយមិនបញ្ជូនទិន្នន័យដើមទៅ Server គឺបញ្ជូនតែការអាប់ដេតនៃម៉ូដែលប៉ុណ្ណោះ។ | ទាមទារការគ្រប់គ្រងការធ្វើសមកាលកម្ម (Synchronization) ស្មុគស្មាញ និងពឹងផ្អែកលើស្ថេរភាពនៃឧបករណ៍នីមួយៗ។ | បង្កើនសុវត្ថិភាពនិងឯកជនភាពសម្រាប់កម្មវិធីដូចជា ការថែទាំសុខភាព និងហិរញ្ញវត្ថុ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្ត Edge AI ទាមទារការវិនិយោគលើផ្នែករឹងពិសេស និងជំនាញក្នុងការបង្កើនប្រសិទ្ធភាពកម្មវិធី ដើម្បីឱ្យដំណើរការបានរលូនលើឧបករណ៍ដែលមានធនធានកំណត់។
ការសិក្សានេះគឺជាការវិភាគឯកសារ (Review Paper) ដែលប្រមូលផ្តុំទ្រឹស្តី និងករណីសិក្សាពីបរទេស ដោយមិនបានផ្អែកលើទិន្នន័យជាក់លាក់ពីប្រទេសកម្ពុជាទេ។ នេះមានន័យថា បញ្ហាប្រឈមនៃហេដ្ឋារចនាសម្ព័ន្ធអ៊ីនធឺណិត និងអាកាសធាតុនៅកម្ពុជា មិនត្រូវបានយកមកពិចារណាលម្អិតនោះទេ។
បច្ចេកវិទ្យានេះមានសារៈសំខាន់ខ្លាំងសម្រាប់កម្ពុជា ជាពិសេសក្នុងតំបន់ដែលការតភ្ជាប់អ៊ីនធឺណិតនៅមានកម្រិត និងមិនមានស្ថេរភាព។
ការដាក់ឱ្យប្រើប្រាស់ Edge AI នឹងជួយកម្ពុជាកាត់បន្ថយការ ពឹងផ្អែកលើហេដ្ឋារចនាសម្ព័ន្ធ Cloud បរទេស និងបង្កើនប្រសិទ្ធភាពសេវាសាធារណៈ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Edge Processing | ជាដំណើរការនៃការវិភាគទិន្នន័យនៅជិតប្រភពដែលបង្កើតទិន្នន័យនោះ (ដូចជាលើកាមេរ៉ា ឬឧបករណ៍ចាប់សញ្ញាផ្ទាល់) ដោយមិនចាំបាច់បញ្ជូនទិន្នន័យទាំងអស់ទៅកាន់កុំព្យូទ័រមេ (Cloud) នោះទេ។ នេះជួយកាត់បន្ថយពេលវេលា និងចំណាយលើអ៊ីនធឺណិត។ | ប្រៀបដូចជាការដែលអ្នកធ្វើម្ហូបញ៉ាំនៅផ្ទះភ្លាមៗ ជាជាងការកុម្ម៉ង់អាហារពីហាងឆ្ងាយដែលត្រូវរង់ចាំអ្នកដឹកជញ្ជូនយូរ។ |
| Latency | ជាកំឡុងពេល ឬភាពយឺតយ៉ាវនៃការឆ្លើយតបរបស់ប្រព័ន្ធ ចាប់ពីពេលដែលទិន្នន័យត្រូវបានបញ្ជូន រហូតដល់ពេលដែលទទួលបានលទ្ធផលត្រឡប់មកវិញ។ នៅក្នុងប្រព័ន្ធ AI ការមាន Latency ទាបគឺសំខាន់ណាស់សម្រាប់ការសម្រេចចិត្តបន្ទាន់។ | ដូចជាពេលអ្នកលេងហ្គេមអនឡាញ ហើយឃើញរូបភាពទាក់ៗ ឬយឺតជាងការបញ្ជា (Lag) នោះហើយជា Latency។ |
| Federated Learning | ជាបច្ចេកទេសបង្រៀនម៉ូដែល AI ដោយឱ្យឧបករណ៍នីមួយៗរៀនពីទិន្នន័យរៀងៗខ្លួន ហើយចែករំលែកតែ "ចំណេះដឹង" (ការអាប់ដេតម៉ូដែល) ទៅកាន់មជ្ឈមណ្ឌល ដោយមិនចែករំលែកទិន្នន័យឯកជន (ដូចជារូបថត ឬសារ) នោះទេ។ | ប្រៀបដូចជាចុងភៅច្រើននាក់រៀនធ្វើម្ហូបនៅផ្ទះរៀងខ្លួន ហើយចែករំលែកតែរូបមន្តធ្វើម្ហូបឱ្យគ្នាទៅវិញទៅមក ប៉ុន្តែមិនផ្ញើម្ហូបដែលធ្វើរួច ឬគ្រឿងផ្សំឱ្យគ្នាទេ។ |
| Quantization | ជាវិធីសាស្ត្រកាត់បន្ថយភាពជាក់លាក់នៃតួលេខនៅក្នុងម៉ូដែល AI (ឧទាហរណ៍ បម្លែងពីលេខទសភាគវែងៗ មកជាលេខគត់តូចៗ) ដើម្បីឱ្យម៉ូដែលនោះមានទំហំតូច និងដំណើរការលឿនលើឧបករណ៍ដែលមានកម្លាំងខ្សោយ ដោយមិនធ្វើឱ្យខូចគុណភាពខ្លាំងពេក។ | ដូចជាការបង្រួមរូបភាព (Compress) ឱ្យមានទំហំតូចដើម្បីផ្ញើតាម Telegram បានលឿន ទោះបីជារូបភាពបាត់បង់ភាពច្បាស់បន្តិចបន្តួចក៏ដោយ។ |
| Pruning | ជាការកាត់ចោលនូវផ្នែកខ្លះនៃបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (Neural Network) ដែលមិនសូវមានប្រយោជន៍ ឬមិនសូវជះឥទ្ធិពលដល់លទ្ធផល ដើម្បីធ្វើឱ្យម៉ូដែល AI ស្រាលជាងមុន និងដំណើរការបានលឿនជាងមុន។ | ប្រៀបដូចជាការកាត់មែកឈើដែលងាប់ ឬស្លឹកដែលមិនចាំបាច់ចេញពីដើមឈើ ដើម្បីឱ្យដើមឈើលូតលាស់ល្អ និងមានរាងស្អាត។ |
| Neuromorphic Computing | ជាបច្ចេកវិទ្យាបង្កើតកុំព្យូទ័រ ឬបន្ទះឈីប ដែលមានរចនាសម្ព័ន្ធធ្វើត្រាប់តាមរបៀបដែលខួរក្បាលមនុស្សដំណើរការ (មានសរសៃប្រសាទ និងស៊ីណាប់) ដើម្បីសន្សំសំចៃថាមពល និងមានប្រសិទ្ធភាពខ្ពស់ក្នុងការរៀន។ | ដូចជាការបង្កើតយន្តហោះដោយយកគំរូតាមរបៀបហោះហើររបស់សត្វស្លាប ជាជាងប្រើម៉ាស៊ីនរ៉ុក្កែត។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
