Original Title: ỨNG DỤNG TRÍ TUỆ NHÂN TẠO VÀ HỌC MÁY VÀO MẠNG TRUYỀN THÔNG KHÔNG DÂY DI ĐỘNG 5G VÀ 6G
Document Type: Textbook / Educational Material
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original material for complete content.

ការអនុវត្តបញ្ញាសិប្បនិម្មិត និងម៉ាស៊ីនរៀននៅក្នុងបណ្តាញទំនាក់ទំនងឥតខ្សែចល័ត 5G និង 6G

ចំណងជើងដើម៖ ỨNG DỤNG TRÍ TUỆ NHÂN TẠO VÀ HỌC MÁY VÀO MẠNG TRUYỀN THÔNG KHÔNG DÂY DI ĐỘNG 5G VÀ 6G

អ្នកនិពន្ធ៖ TS. Nguyễn Phạm Anh Dũng

ឆ្នាំបោះពុម្ព៖ 2025

វិស័យសិក្សា៖ Telecommunications and Artificial Intelligence

១. សេចក្តីសង្ខេប (Overview)

ប្រធានបទ (Topic)៖ ឯកសារនេះដោះស្រាយបញ្ហាប្រឈមនៃភាពស្មុគស្មាញក្នុងការគណនា និងការគ្រប់គ្រងទិន្នន័យដ៏ធំនៅក្នុងបណ្តាញទូរគមនាគមន៍ជំនាន់ថ្មី ដោយផ្តោតលើការបញ្ចូលបញ្ញាសិប្បនិម្មិត (AI) និងម៉ាស៊ីនរៀន (ML) ទៅក្នុងស្ថាបត្យកម្ម 5G និង 6G។ វាស្វែងរកដំណោះស្រាយដើម្បីកាត់បន្ថយការពន្យារពេល (Latency) និងការប្រើប្រាស់ថាមពលខ្ពស់នៅឧបករណ៍ចុងក្រោយ។

រចនាសម្ព័ន្ធ (Structure)៖ ឯកសារនេះផ្តល់នូវការវិភាគយ៉ាងទូលំទូលាយអំពីគោលការណ៍គ្រឹះនៃម៉ាស៊ីនរៀន និងវិធីសាស្ត្ររៀបចំស្ថាបត្យកម្មប្រព័ន្ធតាមស្តង់ដារ 3GPP ដើម្បីរួមបញ្ចូល AI ទៅក្នុងបណ្តាញ។

ចំណុចសំខាន់ៗ (Key Takeaways)៖

២. គោលបំណងសិក្សា (Learning Objectives)

បន្ទាប់ពីអានឯកសារនេះ អ្នកគួរអាច៖

  1. យល់ដឹងពីគោលការណ៍គ្រឹះនៃបញ្ញាសិប្បនិម្មិត និងបណ្តាញសរសៃប្រសាទជ្រៅ (Deep Neural Networks - DNN) សម្រាប់ការទំនាក់ទំនងទិន្នន័យកម្រិតខ្ពស់។
  2. វិភាគពីយន្តការបែងចែកការគណនាសន្និដ្ឋាន (Split Inference) រវាងឧបករណ៍ចល័ត (UE) និងម៉ាស៊ីនមេ (Edge/Cloud) ក្នុងប្រព័ន្ធ 5G/6G ដើម្បីកាត់បន្ថយការពន្យារពេល។
  3. អនុវត្តគោលការណ៍រៀនសូត្របែបសហការ (Federated Learning) ដើម្បីបណ្តុះបណ្តាលគំរូ AI ខណៈពេលរក្សាបាននូវភាពឯកជននៃទិន្នន័យអ្នកប្រើប្រាស់។
  4. ស្វែងយល់ពីស្តង់ដារ 3GPP (Release 18 & 19) ក្នុងការរួមបញ្ចូល AI សម្រាប់ការគ្រប់គ្រងបណ្តាញចូលដំណើរការវិទ្យុ (RAN) និងការគ្រប់គ្រងកាំរស្មី (Beam Management)។

ឯកសារនេះបង្ហាញពីការរួមបញ្ចូលបច្ចេកវិទ្យា AI និងម៉ាស៊ីនរៀន (ML) ទៅក្នុងប្រព័ន្ធទំនាក់ទំនងឥតខ្សែ 5G និង 6G ដោយផ្អែកលើស្តង់ដារ 3GPP។ វាផ្តោតសំខាន់លើការបែងចែកបន្ទុកគណនា (Split Computing) រវាងឧបករណ៍និង Cloud វិធីសាស្ត្ររៀនសូត្រសហការ (Federated Learning) និងការប្រើប្រាស់ AI ដើម្បីបង្កើនប្រសិទ្ធភាពសេវាបណ្តាញរួមមាន ការគ្រប់គ្រង Beam ទីតាំង និងការពន្យារពេលសម្រាប់កម្មវិធីជាក់ស្តែងដូចជា AR/VR ជាដើម។

៣. គោលគំនិតសំខាន់ៗ (Key Concepts)

គោលគំនិត (Concept) ការពន្យល់ (Explanation) ឧទាហរណ៍ (Example)
Deep Neural Networks (DNN)
បណ្តាញសរសៃប្រសាទជ្រៅ		 គឺជាស្ថាបត្យកម្មស្នូលនៃម៉ាស៊ីនរៀនដែលបង្កើតឡើងដោយស្រទាប់សរសៃប្រសាទសិប្បនិម្មិត (Neurons) ជាច្រើន ដើម្បីទាញយកនិងដោះស្រាយទិន្នន័យស្មុគស្មាញ។ វាមានសមត្ថភាពខ្ពស់ក្នុងការរៀនចំណុចសំខាន់ៗពីទិន្នន័យធំៗដូចជារូបភាព សំឡេង និងអត្ថបទ។ ការប្រើប្រាស់គំរូ CNN (ដូចជា ResNet ឬ VGG) ដើម្បីស្គាល់និងចាត់ថ្នាក់រូបភាពវីដេអូនៅលើទូរស័ព្ទដៃដោយស្វ័យប្រវត្តិ។
Split AI/ML Inference
ការបែងចែកប្រតិបត្តិការសន្និដ្ឋាន AI/ML		 គឺជាយន្តការដែលបែងចែកដំណើរការគណនានៃគំរូ AI រវាងឧបករណ៍ចុងក្រោយ (UE) និងម៉ាស៊ីនមេ (Cloud/Edge Server)។ ផ្នែកដែលត្រូវការថាមពលគណនាធំត្រូវបានបញ្ជូនទៅម៉ាស៊ីនមេ ខណៈផ្នែកដែលទាមទារភាពឯកជន ឬរហ័សត្រូវបានដំណើរការលើឧបករណ៍ផ្ទាល់។ កម្មវិធីកាត់តវីដេអូលើទូរស័ព្ទ (Real-time media editing) ដែលបញ្ជូនទិន្នន័យកម្រិតមធ្យមទៅ Edge server ដើម្បីគណនាជំនួស ដែលជួយកាត់បន្ថយការប្រើប្រាស់ថ្មរបស់ទូរស័ព្ទ។
Federated Learning (FL)
ការរៀនសូត្របែបសហការ		 គឺជាវិធីសាស្ត្របណ្តុះបណ្តាលគំរូ AI ដែលឧបករណ៍ចល័ត (Clients) ជាច្រើនធ្វើការហ្វឹកហាត់គំរូនៅនឹងកន្លែង (Local Training) ដោយប្រើទិន្នន័យផ្ទាល់ខ្លួន ហើយបញ្ជូនតែប៉ារ៉ាម៉ែត្រ (Gradient) ទៅកាន់ម៉ាស៊ីនមេកណ្តាលដើម្បីធ្វើការបូកបញ្ចូលគ្នា។ វាមិនតម្រូវឱ្យបញ្ជូនទិន្នន័យឆៅឡើយ ដែលជួយការពារភាពឯកជនបានយ៉ាងល្អ។ ទូរស័ព្ទដៃរាប់ពាន់គ្រឿងរួមគ្នាហ្វឹកហាត់គំរូ AI ស្គាល់សំឡេង (Speech Recognition) ដោយរាល់ទិន្នន័យសំឡេងអ្នកប្រើប្រាស់មិនត្រូវបានបញ្ជូនចេញពីទូរស័ព្ទឡើយ។
Beam Management with AI
ការគ្រប់គ្រងកាំរស្មីរលកដោយប្រើ AI		 គឺជាការប្រើប្រាស់គំរូ AI/ML នៅក្នុងស្តង់ដារ 5G (3GPP) ដើម្បីទស្សន៍ទាយកាំរស្មីរលកបញ្ជូន (Beam) ដ៏ល្អបំផុតប្រកបដោយភាពច្បាស់លាស់ ដោយផ្អែកលើទិន្នន័យប្រវត្តិ និងស្ថានភាពបណ្តាញបច្ចុប្បន្ន។ វាជួយកាត់បន្ថយការពន្យារពេល និងការប្រើប្រាស់ធនធានបណ្តាញដែលមិនចាំបាច់។ ស្ថានីយ៍ទូរគមនាគមន៍ (gNB) ប្រើប្រាស់ AI ដើម្បីទស្សន៍ទាយ Beam ដែលខ្លាំងជាងគេដើម្បីតភ្ជាប់ទៅកាន់រថយន្តឆ្លាតវៃដែលកំពុងធ្វើដំណើរក្នុងល្បឿនលឿន។
Mobile Edge Computing (MEC)
ការគណនានៅគែមបណ្តាញចល័ត		 គឺជាការនាំយកសមត្ថភាពគណនា និងផ្ទុកទិន្នន័យរបស់ Cloud ឱ្យមកកៀកនឹងឧបករណ៍អ្នកប្រើប្រាស់ (Edge) តាមរយៈការដាក់ម៉ាស៊ីនមេនៅក្នុងបណ្តាញ 5G ផ្ទាល់។ វាជួយសម្រួលដល់ដំណើរការ AI ដែលត្រូវការការពន្យារពេល (Latency) ទាបបំផុត។ ការបញ្ជាមនុស្សយន្តពីចម្ងាយ (Remote Robot Control) ក្នុងរោងចក្រ ដែលប្រើប្រាស់ MEC server ដើម្បីធានាបាននូវការពន្យារពេលទាបជាង 5ms សម្រាប់រក្សាសុវត្ថិភាពប្រតិបត្តិការ។

៤. ភាពពាក់ព័ន្ធសម្រាប់កម្ពុជា (Cambodia Relevance)

ការយល់ដឹងពីការរួមបញ្ចូល AI ទៅក្នុងបណ្តាញ 5G និងអនាគត 6G គឺមានសារៈសំខាន់ខ្លាំងណាស់សម្រាប់ប្រទេសកម្ពុជា ស្របពេលដែលប្រទេសកំពុងរៀបចំហេដ្ឋារចនាសម្ព័ន្ធទូរគមនាគមន៍ទំនើប ដើម្បីគាំទ្រដល់ចក្ខុវិស័យសេដ្ឋកិច្ចឌីជីថល។

ការអនុវត្ត (Applications)៖

និស្សិតកម្ពុជាដែលសិក្សាជំនាញទូរគមនាគមន៍ និងព័ត៌មានវិទ្យានឹងទទួលបានចំណេះដឹងដ៏មានតម្លៃអំពីរបៀបបង្កើត និងដាក់ពង្រាយប្រព័ន្ធ AI កម្រិតខ្ពស់លើបណ្តាញអនាគត ដែលនេះជាមូលដ្ឋានគ្រឹះឆ្លើយតបទៅនឹងតម្រូវការទីផ្សារការងារបច្ចេកវិទ្យានៅកម្ពុជា។

៥. មគ្គុទ្ទេសក៍សិក្សា (Study Guide)

លំហាត់ និងសកម្មភាពសិក្សាដើម្បីពង្រឹងការយល់ដឹង៖

  1. ការស្រាវជ្រាវពីស្តង់ដារ 5G និង AI (5G & AI Architecture Research): ស្វែងរកនិងអានឯកសារស្តង់ដារ 3GPP Release 18 ដែលទាក់ទងនឹងការប្រើប្រាស់ AI/ML នៅក្នុងបណ្តាញ RAN (Radio Access Network) រួចសរសេរសេចក្តីសង្ខេបពីយន្តការនៃការគ្រប់គ្រងកាំរស្មីរលក (Beam Management)។
  2. ការក្លែងធ្វើប្រតិបត្តិការ Split Inference (Simulating Split Inference): ប្រើប្រាស់ភាសា Python និងបណ្ណាល័យ PyTorch ដើម្បីបង្កើតគំរូ CNN សាមញ្ញមួយ រួចសាកល្បងបែងចែកការគណនា (Split Computing) រវាងកុំព្យូទ័រយួរដៃ (Local) និង Google Colab (Cloud) ដើម្បីវាស់ស្ទង់ពីការពន្យារពេល (Latency) សរុប។
  3. ការអនុវត្ត Federated Learning (Federated Learning Practice): ប្រើប្រាស់ Open-source framework ដូចជា TensorFlow Federated (TFF) ឬ Flower ដើម្បីសាកល្បងហ្វឹកហាត់គំរូ AI ចំណាត់ថ្នាក់រូបភាព (Image Classification) ដោយចែកចាយទិន្នន័យទៅកាន់ Clients ក្លែងក្លាយចំនួន៥ ដើម្បីយល់ពីដំណើរការនៃការបូកបញ្ចូលប៉ារ៉ាម៉ែត្រ (Weight Aggregation)។
  4. ការរចនាគម្រោង Edge AI (Designing Edge AI Project): រៀបចំសំណើគម្រោង (Project Proposal) មួយអំពីប្រព័ន្ធតាមដានសុវត្ថិភាពតាមដងផ្លូវនៅកម្ពុជា ដោយគូសវាសពីរបៀបប្រើប្រាស់កាមេរ៉ា បណ្តាញ 5G និងម៉ាស៊ីនមេ MEC ក្នុងការបញ្ជូន និងវិភាគទិន្នន័យវីដេអូដោយមិនចាំបាច់បញ្ជូនទៅកាន់ Cloud កណ្តាលរាល់ពេល។

៦. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស (English) ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Deep Neural Network (DNN) ជាប្រភេទនៃបណ្តាញសរសៃប្រសាទសិប្បនិម្មិតក្នុងម៉ាស៊ីនរៀន (Machine Learning) ដែលមានស្រទាប់ច្រើន (Layers) សម្រាប់ទាញយកនិងវិភាគទិន្នន័យស្មុគស្មាញ ដូចជារូបភាព ឬសំឡេង មុននឹងធ្វើការទស្សន៍ទាយឬចាត់ថ្នាក់។ ដូចជាខួរក្បាលមនុស្សដែលមានស្រទាប់គិតច្រើនតង់ — ស្រទាប់នីមួយៗជួយចម្រាញ់ព័ត៌មានរហូតដល់យល់ន័យច្បាស់លាស់។
Federated Learning (FL) ជាវិធីសាស្ត្របណ្តុះបណ្តាលគំរូ AI បែបវិមជ្ឈការ ដែលឧបករណ៍នីមួយៗ (ដូចជាស្មាតហ្វូន) ធ្វើការហ្វឹកហាត់គំរូដោយប្រើទិន្នន័យផ្ទាល់ខ្លួនរបស់វា ហើយបញ្ជូនតែលទ្ធផលនៃការហ្វឹកហាត់ (Parameters/Gradients) ទៅកាន់ម៉ាស៊ីនមេកណ្តាលដើម្បីបូកបញ្ចូលគ្នា ដោយមិនតម្រូវឱ្យបញ្ជូនទិន្នន័យឆៅឡើយ ដើម្បីការពារភាពឯកជន។ ដូចជាសិស្សរៀនធ្វើលំហាត់នៅផ្ទះរៀងៗខ្លួន រួចយកតែចម្លើយមកបូកសរុបគ្នានៅសាលា ដោយមិនចាំបាច់ប្រាប់ពីសកម្មភាពផ្ទាល់ខ្លួននៅផ្ទះឡើយ។
Split AI/ML Inference ជាយន្តការបែងចែកបន្ទុកការគណនាសន្និដ្ឋានរបស់គំរូ AI ជាពីរ ឬច្រើនផ្នែក ដោយឱ្យឧបករណ៍របស់អ្នកប្រើប្រាស់ (UE) គណនាផ្នែកស្រាល រួចបញ្ជូនទិន្នន័យកម្រិតមធ្យមដែលនៅសល់ទៅឱ្យម៉ាស៊ីនមេ (Cloud/Edge) គណនាបន្ត ដើម្បីសន្សំថាមពលថ្មនិងកាត់បន្ថយការពន្យារពេល។ ដូចជាការសាងសង់ផ្ទះ — ជាងនៅមូលដ្ឋានរៀបចំបាតគ្រឹះ (ផ្នែកស្រាល) រួចហៅគ្រឿងចក្រធំ (Edge/Cloud) មកលើកសសរធ្ងន់ៗបន្ត។
Mobile Edge Computing (MEC) ជាបច្ចេកវិទ្យានាំយកសមត្ថភាពផ្ទុកទិន្នន័យ និងការគណនាកម្រិត Cloud ឱ្យមកនៅកៀកនឹងឧបករណ៍អ្នកប្រើប្រាស់បំផុត (ដូចជានៅតាមស្ថានីយ៍អង់តែន 5G ផ្ទាល់) ដើម្បីកាត់បន្ថយការពន្យារពេលបញ្ជូនទិន្នន័យ (Latency) សម្រាប់ការប្រើប្រាស់ AI បែបពេលវេលាជាក់ស្តែង (Real-time)។ ដូចជាការបើកផ្សារម៉ាតតូចមួយនៅក្បែរផ្ទះ ដែលជួយឱ្យអ្នកទិញឥវ៉ាន់បានលឿនជាងការធ្វើដំណើរទៅផ្សារធំនៅកណ្តាលក្រុង។
Beam Management ជាដំណើរការនៅក្នុងបណ្តាញ 5G/6G ក្នុងការគ្រប់គ្រង និងជ្រើសរើសកាំរស្មីរលកសញ្ញា (Beam) ដ៏ល្អបំផុតរវាងអង់តែនបញ្ជូន និងឧបករណ៍ទទួល។ ឯកសារនេះរៀបរាប់ពីការប្រើប្រាស់ AI ដើម្បីទស្សន៍ទាយបាច់កាំរស្មីដែលខ្លាំងជាងគេ ដើម្បីកាត់បន្ថយការស្កេនដែលខាតពេលនិងធនធានបណ្តាញ។ ដូចជាការប្រើពិលបញ្ចាំងរកមនុស្សក្នុងទីងងឹត — ជំនួសឱ្យការបញ្ចាំងស្កេនគ្រប់ទិស AI ជួយទាយដឹងមុនថាមនុស្សនោះនៅទីណា រួចបញ្ចាំងចំគោលដៅតែម្តង។
Channel State Information (CSI) ជាព័ត៌មានដែលឧបករណ៍ចល័ត (UE) វាស់ស្ទង់ពីស្ថានភាពបណ្តាញ និងរលកសញ្ញា រួចរាយការណ៍ត្រឡប់ទៅកាន់ស្ថានីយ៍អង់តែន (gNB) វិញ ដើម្បីកែតម្រូវគុណភាពនៃការបញ្ជូន។ AI ត្រូវបានប្រើប្រាស់ដើម្បីបង្ហាប់ (Compress) និងទស្សន៍ទាយទិន្នន័យ CSI នេះកាន់តែមានប្រសិទ្ធភាព។ ដូចជាអ្នកបើកបរប្រាប់ព័ត៌មានពីស្ថានភាពស្ទះចរាចរណ៍ត្រឡប់ទៅអ្នកនៅផ្ទះ ដើម្បីឱ្យពួកគេអាចរៀបចំផែនការធ្វើដំណើរប្រកបដោយប្រសិទ្ធភាព។
Network Data Analytics Function (NWDAF) ជាមុខងារស្នូលមួយនៅក្នុងស្ថាបត្យកម្មបណ្តាញ 5G Core (5GC) ដែលមានតួនាទីប្រមូលទិន្នន័យពីបណ្តាញ និងវិភាគ (Analytics) ដើម្បីផ្តល់ព័ត៌មាននិងការទស្សន៍ទាយ ជួយដល់ការធ្វើស្វ័យប្រវត្តិកម្មបណ្តាញ (Network Automation) ដោយមានការគាំទ្រពី AI/ML។ ដូចជាអ្នកគ្រប់គ្រងចរាចរណ៍ផ្លូវអាកាស ដែលប្រមូលទិន្នន័យពីគ្រប់យន្តហោះ រួចវិភាគដើម្បីសម្រួលផ្លូវមិនឱ្យមានការកកស្ទះទាន់ពេលវេលា។

៧. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖