បញ្ហា (The Problem)៖ តំបន់ទីក្រុងកំពុងប្រឈមមុខនឹងការកើនឡើងនៃតម្រូវការថាមពល និងបញ្ហានិរន្តរភាព ដែលទាមទារឱ្យមានដំណោះស្រាយកម្រិតខ្ពស់ដើម្បីគ្រប់គ្រងការប្រើប្រាស់ថាមពលឱ្យមានប្រសិទ្ធភាពសម្រាប់ទាំងបុគ្គល និងហេដ្ឋារចនាសម្ព័ន្ធទីក្រុងទាំងមូល។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកនិពន្ធបានប្រើប្រាស់វិធីសាស្ត្រពិនិត្យឡើងវិញលើឯកសារស្រាវជ្រាវ (Literature Review) ដោយធ្វើការវិភាគលើការបោះពុម្ពផ្សាយវិទ្យាសាស្ត្រចន្លោះឆ្នាំ ២០១៩ ដល់ ២០២៣។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| AI in Smart Homes (Residential) ការប្រើប្រាស់ AI ក្នុងលំនៅដ្ឋានឆ្លាតវៃ (គ្រប់គ្រងម៉ាស៊ីនត្រជាក់ ពន្លឺ និងឧបករណ៍ប្រើប្រាស់) |
បង្កើនផាសុកភាពដល់អ្នកស្នាក់នៅ និងកាត់បន្ថយការចំណាយលើអគ្គិសនីដោយស្វ័យប្រវត្តិ តាមរយៈការវិភាគទម្លាប់អ្នកប្រើប្រាស់។ | មានហានិភ័យទាក់ទងនឹងឯកជនភាពទិន្នន័យ (Data Privacy) និងបញ្ហាអន្តរប្រតិបត្តិការរវាងឧបករណ៍មកពីក្រុមហ៊ុនផ្សេងគ្នា។ | AI អាចកាត់បន្ថយការប្រើប្រាស់ថាមពលដោយមិនប៉ះពាល់ដល់ផាសុកភាព តាមរយៈប្រព័ន្ធគ្រប់គ្រងថាមពលក្នុងផ្ទះ (HEMS)។ |
| AI in Smart Grids (Infrastructure) ការប្រើប្រាស់ AI ក្នុងបណ្តាញអគ្គិសនីឆ្លាតវៃ (ការព្យាករណ៍តម្រូវការ និងការរកឃើញកំហុស) |
ជួយរក្សារេស្ថេរភាពបណ្តាញអគ្គិសនីនៅពេលបញ្ចូលថាមពលកកើតឡើងវិញ (ដូចជាសូឡា) និងកាត់បន្ថយការដាច់ភ្លើង។ | ត្រូវការការវិនិយោគខ្ពស់លើហេដ្ឋារចនាសម្ព័ន្ធ និងប្រឈមមុខនឹងហានិភ័យនៃការវាយប្រហារតាមអ៊ីនធឺណិត (Cyberattacks)។ | AI ជួយធ្វើឱ្យប្រសើរឡើងនូវប្រសិទ្ធភាពបណ្តាញ ការពារការដាច់ភ្លើង និងសម្រួលដល់ការធ្វើពាណិជ្ជកម្មថាមពលរវាងអ្នកប្រើប្រាស់។ |
| AI for Electric Vehicles (EVs) AI សម្រាប់ហេដ្ឋារចនាសម្ព័ន្ធសាករថយន្តអគ្គិសនី និងការកាត់បន្ថយការបំភាយឧស្ម័ន |
អាចកំណត់ពេលវេលាសាកថ្មនៅម៉ោងដែលមានតម្រូវការទាប (Off-peak) ដើម្បីកាត់បន្ថយសម្ពាធលើបណ្តាញអគ្គិសនី។ | ការពឹងផ្អែកខ្លាំងលើប្រព័ន្ធ AI អាចបង្កបញ្ហាប្រសិនបើប្រព័ន្ធមានកំហុស ឬជួបការរំខាន។ | ការប្រើប្រាស់ Deep Learning (LSTM/GRU) ជួយព្យាករណ៍តម្រូវការសាកថ្ម និងគាំទ្រដល់បច្ចេកវិទ្យា V2G (Vehicle-to-Grid)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តដំណោះស្រាយទាំងនេះតម្រូវឱ្យមានការវិនិយោគខ្ពស់ជាដំបូងទាំងផ្នែករឹង និងផ្នែកទន់ រួមទាំងតម្រូវការធនធានគណនាខ្លាំង (Computational Resources)។
ការសិក្សានេះប្រមូលឯកសារស្រាវជ្រាវពីឆ្នាំ ២០១៩-២០២៣ ដែលភាគច្រើនផ្តោតលើប្រទេសអភិវឌ្ឍន៍ដែលមានហេដ្ឋារចនាសម្ព័ន្ធ Smart Grid និង EV រឹងមាំស្រាប់។ សម្រាប់កម្ពុជា ទិន្នន័យមូលដ្ឋានអំពីគំរូនៃការប្រើប្រាស់ថាមពលក្នុងលំនៅដ្ឋាន និងបណ្តាញចែកចាយនៅមានកម្រិត ដែលអាចធ្វើឱ្យការអនុវត្តម៉ូដែល AI មួយចំនួនត្រូវការការកែតម្រូវ។
ទោះបីជាបច្ចេកវិទ្យាមួយចំនួនមានតម្លៃខ្ពស់ក៏ដោយ គោលគំនិតនៃការគ្រប់គ្រងថាមពលដោយ AI មានសារៈសំខាន់ខ្លាំងសម្រាប់អនាគតថាមពលរបស់កម្ពុជា។
ការដាក់បញ្ចូល AI ទៅក្នុងវិស័យថាមពលនៅកម្ពុជាគួរចាប់ផ្តើមពីការគ្រប់គ្រងអគារធំៗ និងការពង្រឹងស្ថេរភាពបណ្តាញជាតិ ជាជាងការរំពឹងទុកលើផ្ទះឆ្លាតវៃពេញលេញនៅដំណាក់កាលបច្ចុប្បន្ន។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Internet of Things (IoT) | បណ្តាញនៃឧបករណ៍រូបវន្ត (ដូចជាឧបករណ៍ចាប់សញ្ញា ម៉ាស៊ីនត្រជាក់ ឬទូរទឹកកក) ដែលត្រូវបានបំពាក់ដោយបច្ចេកវិទ្យាដើម្បីភ្ជាប់ និងផ្លាស់ប្តូរទិន្នន័យជាមួយឧបករណ៍ផ្សេងទៀតតាមរយៈអ៊ីនធឺណិត ដោយមិនត្រូវការអន្តរាគមន៍ពីមនុស្ស។ | ប្រៀបដូចជាការបំពាក់ "វិញ្ញាណ" និង "មាត់" ឱ្យវត្ថុគ្មានជីវិតនៅក្នុងផ្ទះ ដើម្បីឱ្យពួកវាអាចស្តាប់ និងនិយាយប្រាប់គ្នាទៅវិញទៅមកបាន។ |
| Smart Grid | បណ្តាញអគ្គិសនីដែលប្រើប្រាស់បច្ចេកវិទ្យាឌីជីថលដើម្បីត្រួតពិនិត្យ និងគ្រប់គ្រងការដឹកជញ្ជូនអគ្គិសនីពីប្រភពផលិតទាំងអស់ ដើម្បីឆ្លើយតបទៅនឹងតម្រូវការប្រើប្រាស់របស់អ្នកប្រើប្រាស់ផ្សេងៗគ្នាដោយស្វ័យប្រវត្តិ។ | ដូចជាការដំឡើងភ្លើងស្តុបឆ្លាតវៃនៅលើផ្លូវ ដែលអាចប្តូរពណ៌ដោយខ្លួនឯងភ្លាមៗនៅពេលឃើញឡានស្ទះ ដើម្បីឱ្យចរាចរណ៍ (លំហូរភ្លើង) ដំណើរការបានល្អ។ |
| Vehicle-to-Grid (V2G) | បច្ចេកវិទ្យាដែលអនុញ្ញាតឱ្យរថយន្តអគ្គិសនី (EV) មិនត្រឹមតែសាកភ្លើងចូលប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងអាចបញ្ជូនថាមពលអគ្គិសនីពីអាគុយរបស់វា ត្រឡប់ទៅក្នុងបណ្តាញអគ្គិសនីសាធារណៈវិញ នៅពេលដែលបណ្តាញត្រូវការភ្លើងបន្ទាន់។ | ប្រៀបដូចជាការប្រើរថយន្តរបស់អ្នកជា Power Bank ដ៏ធំមួយ ដែលអាចសាកទូរស័ព្ទ (ឬផ្ទះទាំងមូល) បាននៅពេលដាច់ភ្លើង។ |
| Demand Response | យន្តការនៃការគ្រប់គ្រងថាមពល ដែលអ្នកប្រើប្រាស់កែប្រែទម្លាប់នៃការប្រើប្រាស់ភ្លើងរបស់ពួកគេ (កាត់បន្ថយ ឬពន្យារពេល) ដើម្បីឆ្លើយតបទៅនឹងតម្លៃភ្លើងឡើងថ្លៃ ឬនៅពេលដែលបណ្តាញអគ្គិសនីកំពុងមានសម្ពាធខ្លាំង។ | ដូចជាការដែលយើងសម្រេចចិត្តមិនបោកខោអាវនៅម៉ោង ៦ ល្ងាច (ពេលមនុស្សគ្រប់គ្នាកំពុងប្រើភ្លើង) ប៉ុន្តែរង់ចាំដល់ម៉ោង ១០ យប់វិញ ដើម្បីជៀសវាងការដាច់ភ្លើង ឬចំណាយលុយច្រើន។ |
| Reinforcement Learning (RL) | ប្រភេទមួយនៃបញ្ញាសិប្បនិម្មិត (AI) ដែលរៀនធ្វើការសម្រេចចិត្តដោយការសាកល្បងធ្វើសកម្មភាពនៅក្នុងបរិស្ថានជាក់ស្តែង ហើយរៀនពីកំហុស ឬភាពត្រឹមត្រូវតាមរយៈ "រង្វាន់" ឬ "ការពិន័យ" ដែលទទួលបាន។ | ប្រៀបដូចជាការបង្ហាត់សត្វឆ្កែអញ្ចឹង បើវាធ្វើត្រូវយើងឱ្យចំណី (រង្វាន់) បើវាធ្វើខុសយើងមិនឱ្យ វាសត្វនោះនឹងរៀនធ្វើតែរឿងណាដែលបានរង្វាន់។ |
| Prosumers | ពាក្យបច្ចេកទេសផ្សំរវាង Producer (អ្នកផលិត) និង Consumer (អ្នកប្រើប្រាស់) សំដៅលើបុគ្គលដែលប្រើប្រាស់អគ្គិសនីផង និងផលិតអគ្គិសនីដោយខ្លួនឯងផង (ឧទាហរណ៍៖ តាមរយៈផ្ទាំងសូឡាលើដំបូលផ្ទះ)។ | ដូចជាកសិករដែលដាំបន្លែហូបខ្លួនឯង ហើយនៅពេលសល់គឺយកទៅលក់នៅទីផ្សារ។ |
| Model Predictive Control (MPC) | វិធីសាស្ត្រគ្រប់គ្រងកម្រិតខ្ពស់ដែលប្រើម៉ូដែលគណិតវិទ្យាដើម្បីទស្សន៍ទាយអាកប្បកិរិយានាពេលអនាគតនៃប្រព័ន្ធមួយ (ដូចជាសីតុណ្ហភាពក្នុងអគារ) ដើម្បីធ្វើការសម្រេចចិត្តគ្រប់គ្រងបច្ចុប្បន្នឱ្យមានប្រសិទ្ធភាពបំផុត។ | ដូចជាអ្នកលេងអុកដ៏ពូកែ ដែលគិតទុក ៥ ជំហានទៅមុខ មុននឹងសម្រេចចិត្តដើរមួយគ្រាប់នៅពេលនេះ។ |
| Fog Computing | ហេដ្ឋារចនាសម្ព័ន្ធគណនាដែលមិនបញ្ជូនទិន្នន័យទៅ Cloud ឆ្ងាយៗនោះទេ ប៉ុន្តែធ្វើការកែច្នៃទិន្នន័យនៅកន្លែងដែលនៅជិតឧបករណ៍បំផុត ដើម្បីកាត់បន្ថយភាពយឺតយ៉ាវ (Latency)។ | ដូចជាការគិតលេខក្នុងក្បាលខ្លួនឯងភ្លាមៗ (លឿន) ជាជាងការសរសេរសំបុត្រទៅសួរគ្រូនៅសាលា ហើយរង់ចាំចម្លើយត្រឡប់មកវិញ (យឺត)។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
