Original Title: Artificial Intelligence and Subfields
Document Type: Textbook / Educational Material
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original material for complete content.

បញ្ញាសិប្បនិម្មិត និងអនុវិស័យ

ចំណងជើងដើម៖ Artificial Intelligence and Subfields

អ្នកនិពន្ធ៖ Ming-Hwa Wang, Ph.D (Santa Clara University)

ឆ្នាំបោះពុម្ព៖ N/A

វិស័យសិក្សា៖ Computer Engineering

១. សេចក្តីសង្ខេប (Overview)

ប្រធានបទ (Topic)៖ ឯកសារនេះបង្ហាញពីទិដ្ឋភាពទូទៅនៃវិស័យបញ្ញាសិប្បនិម្មិត (AI) និងអនុវិស័យនានារបស់វា ដោយផ្តោតលើការវិវត្តពី AI បែបប្រពៃណីទៅកាន់បច្ចេកវិទ្យាសិក្សាស៊ីជម្រៅ (Deep Learning) ដែលប្រើប្រាស់ទិន្នន័យធំ (Big Data) ជាមូលដ្ឋាន។

រចនាសម្ព័ន្ធ (Structure)៖ ឯកសារនេះត្រូវបានរៀបចំជាទម្រង់មេរៀនសង្ខេបដែលពន្យល់ពីគំនិតជាមូលដ្ឋាន បញ្ហាប្រឈម និងបច្ចេកទេសសំខាន់ៗនៅក្នុងអនុវិស័យនីមួយៗនៃ AI ។

ចំណុចសំខាន់ៗ (Key Takeaways)៖

២. គោលបំណងសិក្សា (Learning Objectives)

បន្ទាប់ពីអានឯកសារនេះ អ្នកគួរអាច៖

  1. ស្វែងយល់ពីនិយមន័យជាមូលដ្ឋាន និងការវិវត្តនៃបញ្ញាសិប្បនិម្មិត (Artificial Intelligence) ពីវិធីសាស្ត្រផ្អែកលើវិធានប្រពៃណី (Rule-based) ទៅកាន់ការសិក្សាស៊ីជម្រៅ (Deep Learning) និងវិធីសាស្ត្រផ្អែកលើទិន្នន័យ (Data-driven approaches)។
  2. កំណត់អត្តសញ្ញាណ និងយល់ដឹងពីមុខងារនៃអនុវិស័យសំខាន់ៗរបស់ AI ដូចជា ការសិក្សាដោយម៉ាស៊ីន (Machine Learning), ដំណើរការភាសាធម្មជាតិ (NLP), ចក្ខុវិស័យកុំព្យូទ័រ (Computer Vision) និងមនុស្សយន្ត (Robotics)។
  3. ស្វែងយល់ពីវដ្តជីវិតនៃគម្រោង ML (ML project lifecycle) បច្ចេកទេសបណ្ដាញសរសៃប្រសាទ (Neural Networks) និងក្បួនដោះស្រាយ (Algorithms) ផ្សេងៗក្នុងការវិភាគ និងជីកកកាយទិន្នន័យ។

ឯកសារនេះផ្តល់នូវការយល់ដឹងទូលំទូលាយអំពីបញ្ញាសិប្បនិម្មិត (AI) ដោយគ្របដណ្តប់លើប្រវត្តិ គោលគំនិត និងអនុវិស័យជាច្រើនរបស់វា។ វាពន្យល់ពីការផ្លាស់ប្តូរពីការបរាជ័យនៃប្រព័ន្ធតក្កវិជ្ជាប្រពៃណី ទៅកាន់ជោគជ័យនៃម៉ូដែលផ្អែកលើទិន្នន័យធំ (Big Data) និងបណ្តាញសរសៃប្រសាទ (Neural Networks) ព្រមទាំងបង្ហាញពីបច្ចេកទេសអនុវត្តជាក់ស្តែងនៅក្នុងបច្ចេកវិទ្យាបច្ចុប្បន្ន។

៣. គោលគំនិតសំខាន់ៗ (Key Concepts)

គោលគំនិត (Concept) ការពន្យល់ (Explanation) ឧទាហរណ៍ (Example)
Machine Learning
ការសិក្សាដោយម៉ាស៊ីន		 គឺជាអនុវិស័យរបស់ AI ដែលអនុញ្ញាតឱ្យកុំព្យូទ័ររៀនពីទិន្នន័យ និងកែលម្អដំណើរការរបស់វាដោយមិនបាច់សរសេរកូដបញ្ជាផ្ទាល់សម្រាប់គ្រប់កិច្ចការ។ វាមានដូចជា Supervised, Unsupervised និង Reinforcement learning ហើយពឹងផ្អែកលើក្បួនគណិតវិទ្យា និងស្ថិតិ។ ការប្រើប្រាស់ប្រព័ន្ធណែនាំ (Recommendation systems) ដើម្បីណែនាំផលិតផលឬភាពយន្តដល់អ្នកប្រើប្រាស់ដោយស្វ័យប្រវត្តិ ដោយផ្អែកលើទិន្នន័យប្រវត្តិប្រើប្រាស់ពីមុន (ឧទាហរណ៍ មុខងារណែនាំវីដេអូរបស់ YouTube)។
Deep Learning
ការសិក្សាស៊ីជម្រៅ		 ជាផ្នែកមួយនៃ Machine Learning ដែលប្រើប្រាស់បណ្តាញសរសៃប្រសាទសិប្បនិម្មិតច្រើនស្រទាប់ (Artificial Neural Networks - ANN, CNN, RNN) ដើម្បីដោះស្រាយបញ្ហាស្មុគស្មាញ។ វាទាមទារទិន្នន័យធំ (ឧទាហរណ៍ ទិន្នន័យយ៉ាងហោច ១០ លាន) និងថាមពលគណនាខ្ពស់ (GPU)។ បច្ចេកវិទ្យាសម្គាល់មុខ (Face recognition) នៅលើស្មាតហ្វូន ឬការវិភាគរូបភាពវេជ្ជសាស្ត្រដើម្បីរកមើលជំងឺនានា។
Natural Language Processing (NLP)
ដំណើរការភាសាធម្មជាតិ		 បច្ចេកវិទ្យាដែលជួយឱ្យកុំព្យូទ័រយល់ បកស្រាយ និងបង្កើតភាសាមនុស្ស។ វាពាក់ព័ន្ធនឹងការវិភាគអត្ថបទ (Syntax/Semantic analysis), ម៉ូដែលប្រូបាប៊ីលីតេ (Hidden Markov Models), ការបកប្រែភាសា និងប្រព័ន្ធបំប្លែងអត្ថបទទៅជាសំឡេង (Text-to-speech)។ កម្មវិធីភ្នាក់ងារសន្ទនាឆ្លាតវៃ (Chatbots), កម្មវិធីបកប្រែភាសា (Machine translation), និងប្រព័ន្ធឆ្លើយតបសំណួរដោយស្វ័យប្រវត្តិ។
Computer Vision
ចក្ខុវិស័យកុំព្យូទ័រ		 ការបង្រៀនកុំព្យូទ័រឱ្យយល់ពីពិភពលោកតាមរយៈរូបភាព និងវីដេអូ។ វាពាក់ព័ន្ធនឹងការរកឃើញគែម (Edge detection), ការកំណត់ផ្នែកនៃរូបភាព (Segmentation), និងការវិភាគរចនាសម្ព័ន្ធ 3D ពីទិន្នន័យ 2D ដើម្បស្គាល់ទម្រង់ (Pattern recognition)។ ការស្គាល់ស្លាកលេខរថយន្តដោយស្វ័យប្រវត្តិនៅតាមចំណតអគារ ឬប្រព័ន្ធតាមដានកាមេរ៉ាសុវត្ថិភាព។
Data Mining
ការជីកកកាយទិន្នន័យ		 ដំណើរការនៃការស្វែងរកលំនាំ (Patterns) ទាញយកព័ត៌មានមានប្រយោជន៍ និងស្វែងរកទំនាក់ទំនងពីក្នុងសំណុំទិន្នន័យធំៗ ដោយប្រើបច្ចេកទេសដូចជា A-Priori algorithm សម្រាប់ការស្វែងរកទំនិញដែលទាក់ទងគ្នា និង Link analysis (PageRank)។ ការវិភាគកន្ត្រកទិញទំនិញ (Market-basket analysis) នៅតាមផ្សារទំនើប ដើម្បីដឹងថាអតិថិជនច្រើនទិញផលិតផលអ្វីខ្លះជាមួយគ្នា ហើយរៀបចំការតាំងបង្ហាញឱ្យកាន់តែមានប្រសិទ្ធភាព។

៤. ភាពពាក់ព័ន្ធសម្រាប់កម្ពុជា (Cambodia Relevance)

ការយល់ដឹងអំពី AI និងអនុវិស័យរបស់វាមានសារៈសំខាន់ណាស់សម្រាប់ប្រទេសកម្ពុជាក្នុងការជំរុញនវានុវត្តន៍ឌីជីថល កែលម្អប្រសិទ្ធភាពសេវាកម្មសាធារណៈ និងពន្លឿនការអភិវឌ្ឍសេដ្ឋកិច្ច។

ការអនុវត្ត (Applications)៖

ការបំពាក់បំប៉ននិស្សិតកម្ពុជានូវចំណេះដឹងផ្នែក AI នឹងបង្កើតធនធានមនុស្សដែលមានសមត្ថភាពខ្ពស់ក្នុងការដោះស្រាយបញ្ហាប្រឈមក្នុងស្រុកដោយប្រើបច្ចេកវិទ្យា និងមានភាពប្រកួតប្រជែងនៅក្នុងទីផ្សារការងារសកលសម័យឌីជីថល។

៥. មគ្គុទ្ទេសក៍សិក្សា (Study Guide)

លំហាត់ និងសកម្មភាពសិក្សាដើម្បីពង្រឹងការយល់ដឹង៖

  1. ការសាងសង់ម៉ូដែល Machine Learning សាមញ្ញ (Predictive Modeling Practice): ប្រើប្រាស់ភាសា Python ជាមួយបណ្ណាល័យ Scikit-Learn ដើម្បីអនុវត្តក្បួនដោះស្រាយ Linear Regression ឬ Decision Tree។ និស្សិតអាចទាញយកសំណុំទិន្នន័យ (Dataset) អំពីតម្លៃលក់ផ្ទះពី Kaggle ដើម្បីបង្ហាត់ម៉ូដែលឱ្យទស្សន៍ទាយតម្លៃផ្ទះដោយផ្អែកលើទំហំ និងទីតាំង។
  2. លំហាត់ដំណើរការភាសាធម្មជាតិ (NLP & Sentiment Analysis): ប្រើប្រាស់បណ្ណាល័យ NLTK ឬ spaCy ក្នុង Python ដើម្បីធ្វើ Tokenization និង Lemmatization លើអត្ថបទ។ អនុវត្តក្បួន Naïve Bayes ដើម្បីធ្វើ Sentiment Analysis លើសំណុំទិន្នន័យមតិយោបល់ (Product Reviews) វិនិច្ឆ័យថាជាមតិវិជ្ជមាន ឬអវិជ្ជមាន។
  3. ការសាងសង់បណ្តាញសរសៃប្រសាទ (Deep Learning with TensorFlow/PyTorch): អនុវត្តការសរសេរកូដដើម្បីបង្កើតបណ្តាញ Multi-Layer Perceptron (MLP) សាមញ្ញមួយ។ ប្រើប្រាស់សំណុំទិន្នន័យ MNIST រូបភាពលេខសរសេរដោយដៃ (Handwritten digits) ដើម្បីបង្ហាត់ម៉ូដែលឱ្យចេះចំណាត់ថ្នាក់លេខបានត្រឹមត្រូវ។
  4. ការជីកកកាយទិន្នន័យដោយប្រើក្បួន A-Priori (Market-Basket Analysis): សរសេរកូដដើម្បីអនុវត្តក្បួនដោះស្រាយ A-Priori ក្នុងការស្វែងរក Frequent Itemsets។ និស្សិតអាចប្រើប្រាស់សំណុំទិន្នន័យប្រតិបត្តិការទិញទំនិញពីទីផ្សារ ដើម្បីរកឱ្យឃើញនូវផលិតផលណាដែលអតិថិជនតែងតែទិញរួមគ្នា (Association rule learning)។

៦. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស (English) ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Turing test ជាវិធីសាស្ត្រវាយតម្លៃភាពឆ្លាតវៃរបស់ម៉ាស៊ីន ដែលបង្កើតឡើងដោយលោក Alan Turing ដោយវាស់ស្ទង់ថាតើកុំព្យូទ័រអាចឆ្លើយតបដូចមនុស្ស រហូតដល់អ្នកសួរមិនអាចបែងចែកបានថាជាមនុស្សឬម៉ាស៊ីន។ ដូចជាការលេងលាក់មុខជជែកគ្នាតាមសារ បើអ្នកមិនអាចប្រាប់បានថាអ្នកកំពុងជជែកជាមួយមិត្តភក្តិ ឬម៉ាស៊ីន នោះម៉ាស៊ីនបានឆ្លងកាត់ការតេស្តនេះហើយ។
Artificial neural network (ANN) ជាបណ្តាញកុំព្យូទ័រដែលត្រូវបានរចនាឡើងដោយយកគំរូតាមរចនាសម្ព័ន្ធសរសៃប្រសាទនៃខួរក្បាលមនុស្ស ដើម្បីដំណើរការព័ត៌មាននិងរៀនពីទិន្នន័យដើម្បីដោះស្រាយបញ្ហា។ ដូចជាខួរក្បាលរបស់កូនក្មេងដែលរៀនចំណាំមុខមនុស្សតាមរយៈការមើលឃើញញឹកញាប់ វាប្រើតំណភ្ជាប់តូចៗរាប់លានដើម្បីចងចាំទិន្នន័យ។
Supervised learning ជាប្រភេទនៃការសិក្សាដោយម៉ាស៊ីន (Machine Learning) ដែលក្បួនដោះស្រាយត្រូវបានបង្ហាត់ដោយប្រើទិន្នន័យដែលមានភ្ជាប់ទិសដៅចម្លើយរួចជាស្រេច (Labeled examples) ដើម្បីឱ្យវាចេះទស្សន៍ទាយទិន្នន័យថ្មី។ ដូចជាគ្រូបង្រៀនកូនសិស្សដោយបង្ហាញរូបភាពសត្វឆ្កែ រួចប្រាប់ចម្លើយថា "នេះជាសត្វឆ្កែ" ពេលឃើញនិងប្រាប់ច្រើនដង សិស្សនឹងស្គាល់វាដោយខ្លួនឯង។
Hidden Markov models ជាម៉ូដែលប្រូបាប៊ីលីតេស្ថិតិដែលត្រូវបានប្រើប្រាស់យ៉ាងទូលំទូលាយនៅក្នុងដំណើរការភាសាធម្មជាតិ និងការស្គាល់សំឡេង (Speech Recognition) ដើម្បីប៉ាន់ស្មានស្ថានភាពដែលលាក់កំបាំងដោយផ្អែកលើទិន្នន័យដែលមើលឃើញជាក់ស្តែង។ ដូចជាការទាយថាមិត្តភក្តិរបស់អ្នកកំពុងនៅទីណាដោយគ្រាន់តែស្តាប់សំឡេងរំខានជុំវិញខ្លួនតាមទូរស័ព្ទ (ឧទាហរណ៍ឮសំឡេងឡាន អាចទាយថាគេនៅតាមផ្លូវ)។
Heuristic search methods វិធីសាស្ត្រស្វែងរកដំណោះស្រាយក្នុង AI ដែលប្រើប្រាស់មុខងារប៉ាន់ស្មាន (Cost function) ដើម្បីរើសយកជម្រើសដែលទំនងជាល្អបំផុតលឿនជាងមុន ជំនួសឱ្យការស្វែងរកគ្រប់ជម្រើសទាំងអស់។ ដូចជាការស្វែងរកផ្លូវទៅផ្សារឱ្យបានលឿន ដោយរើសយកផ្លូវណាដែលមើលទៅធំនិងត្រង់ជាងគេ ជាជាងសាកល្បងជិះគ្រប់ផ្លូវតូចតាចទាំងអស់។
NoSQL ប្រព័ន្ធមូលដ្ឋានទិន្នន័យដែលមិនប្រើទម្រង់តារាងទំនាក់ទំនង (Relational tables) ដូចទិន្នន័យប្រពៃណីឡើយ វាស័ក្តិសមបំផុតសម្រាប់ផ្ទុកទិន្នន័យធំៗ (Big Data) ដែលមានទម្រង់បត់បែនដូចជា Graph, Key-value ឬ Document។ ដូចជាការទុកអីវ៉ាន់ក្នុងប្រអប់ផ្សេងៗគ្នាដោយមិនបាច់រៀបតាមទូថ្នាក់តឹងរ៉ឹង ដែលធ្វើឱ្យងាយស្រួលនិងលឿនក្នុងការទុកដាក់របស់របរច្រើនប្រភេទ។
A-Priori algorithm ជាក្បួនដោះស្រាយក្នុងផ្នែកជីកកកាយទិន្នន័យ (Data Mining) ដែលប្រើសម្រាប់ស្វែងរកក្រុមទំនិញដែលតែងតែលេចឡើងជាមួយគ្នា និងទាញយកវិធានទំនាក់ទំនង (Association rules) ពីប្រតិបត្តិការទិន្នន័យ។ ដូចជាការកត់សម្គាល់ថាអតិថិជនដែលទិញនំប៉័ង តែងតែទិញទឹកដោះគោជាមួយគ្នា ទើបម្ចាស់ហាងរៀបចំរបស់ទាំងពីរនេះទុកក្បែរគ្នាដើម្បីងាយស្រួលលក់។

៧. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖