បញ្ហា (The Problem)៖ ប្រព័ន្ធស្រោចស្រពនាពេលបច្ចុប្បន្នភាគច្រើនទាមទារកម្លាំងពលកម្មមនុស្ស និងមិនមានសមត្ថភាពក្នុងការសម្រេចចិត្តឆ្លាតវៃ ដោយមិនបានពិចារណាលើការព្យាករណ៍អាកាសធាតុ ដែលបណ្តាលឱ្យមានការខ្ជះខ្ជាយទឹក និងការលិចលង់ដំណាំ។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះបានអភិវឌ្ឍប្រព័ន្ធស្រោចស្រពស្វ័យប្រវត្តិដោយរួមបញ្ចូលបច្ចេកវិទ្យាអ៊ីនធឺណិតនៃវត្ថុ (IoT) ក្បួនដោះស្រាយម៉ាស៊ីនរៀន (Machine Learning) និងទិន្នន័យអាកាសធាតុពេលវេលាពិតប្រាកដ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Decision Tree Classifier (DTC) ចំណាត់ថ្នាក់មែកធាងសេចក្តីសម្រេច (Decision Tree Classifier) |
ងាយស្រួលយល់ និងបកស្រាយ ដំណើរការបានល្អជាមួយទាំងទិន្នន័យប្រភេទ និងទិន្នន័យលេខតម្រៀប (Categorical/Continuous) ហើយផ្តល់លទ្ធផលត្រឹមត្រូវខ្ពស់បំផុត។ | អាចប្រឈមនឹងបញ្ហា Overfitting ប្រសិនបើមិនបានកំណត់ជម្រៅ (Depth) របស់មែកធាងឱ្យបានត្រឹមត្រូវ។ | ទទួលបានភាពត្រឹមត្រូវខ្ពស់បំផុតក្នុងការទស្សន៍ទាយរហូតដល់ ៩១,៣១% (ត្រូវបានជ្រើសរើសប្រើប្រាស់ក្នុងប្រព័ន្ធនេះ)។ |
| k-Nearest Neighbours (k-NN) ក្បួនអ្នកជិតខាងជិតបំផុត k (k-Nearest Neighbours) |
ជាក្បួនដែលងាយស្រួលបំផុត និងមិនទាមទារការសាងសង់ម៉ូដែលស្មុគស្មាញច្រើនមុនពេលចាត់ថ្នាក់ទិន្នន័យឡើយ។ | ទាមទារការគណនាចម្ងាយសម្រាប់ចំណុចទិន្នន័យនីមួយៗដែលអាចធ្វើឱ្យយឺតនៅពេលទិន្នន័យមានទំហំធំ និងងាយរងឥទ្ធិពលពី Noise។ | ទទួលបានភាពត្រឹមត្រូវក្នុងការទស្សន៍ទាយ ៨៨,៥៧%។ |
| Support Vector Machine (SVM) ម៉ាស៊ីនវ៉ិចទ័រគាំទ្រ (Support Vector Machine) |
មានប្រសិទ្ធភាពខ្ពស់ក្នុងការបែងចែកទិន្នន័យដោយប្រើ Hyperplanes ធំទូលាយ។ | ត្រូវការធនធានកុំព្យូទ័រច្រើនក្នុងការគណនា និងមានការលំបាកក្នុងការកំណត់ប៉ារ៉ាម៉ែត្រ (Tuning) សម្រាប់ទិន្នន័យធំៗ។ | ទទួលបានភាពត្រឹមត្រូវក្នុងការទស្សន៍ទាយ ៨១,៥៨%។ |
| Logistic Regression ការវិភាគតំរែតំរង់ឡូជីខល (Logistic Regression) |
ដំណើរការបានលឿន និងសាមញ្ញសម្រាប់ការចាត់ថ្នាក់ទិន្នន័យជាពីរប្រភេទ (Binary Classification)។ | ដំណើរការមិនសូវបានល្អទេប្រសិនបើទិន្នន័យមិនមានទំនាក់ទំនងលីនេអ៊ែរ (Non-linear boundaries)។ | ទទួលបានភាពត្រឹមត្រូវក្នុងការទស្សន៍ទាយទាបជាងគេត្រឹម ៨១,៥៣%។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ប្រព័ន្ធនេះត្រូវបានរចនាឡើងដោយផ្តោតលើការចំណាយទាប (Low-cost) ដោយប្រើប្រាស់គ្រឿងបន្លាស់អេឡិចត្រូនិចដែលមានតម្លៃថោក និងងាយស្រួលរកនៅលើទីផ្សារ គួបផ្សំជាមួយបច្ចេកវិទ្យាក្លោដឥតគិតថ្លៃ។
ការសិក្សានេះត្រូវបានធ្វើឡើងដោយសាកលវិទ្យាល័យ Federal University of Technology Minna នៅប្រទេសនីហ្សេរីយ៉ា (Nigeria) ប៉ុន្តែសំណុំទិន្នន័យត្រូវបានទាញយកពីប្រភព Kaggle ដែលមិនបានបញ្ជាក់តំបន់ភូមិសាស្ត្រច្បាស់លាស់។ សម្រាប់ប្រទេសកម្ពុជា ដែលមានប្រភេទដីកសិកម្មខុសគ្នា (ដូចជាដីល្បាប់ ឬដីឥដ្ឋ) និងអាកាសធាតុត្រូពិចមូសុង ការប្រើប្រាស់ទិន្នន័យពីបរទេសទាំងស្រុងអាចធ្វើឱ្យម៉ូដែលមិនសូវសុក្រឹត ដូច្នេះកសិករ ឬអ្នកស្រាវជ្រាវចាំបាច់ត្រូវប្រមូលទិន្នន័យដីនៅកម្ពុជាផ្ទាល់ដើម្បីបង្វឹកម៉ូដែលឡើងវិញ។
ប្រព័ន្ធស្រោចស្រពស្វ័យប្រវត្តិឆ្លាតវៃនេះ មានសក្តានុពល និងភាពជាក់ស្តែងខ្ពស់ណាស់ក្នុងការយកមកអនុវត្តនៅក្នុងវិស័យកសិកម្មរបស់ប្រទេសកម្ពុជា។
សរុបមក ការធ្វើមូលដ្ឋានីយកម្មប្រព័ន្ធនេះ (យកមកកែច្នៃប្រើនៅកម្ពុជា) នឹងជួយពន្លឿនការផ្លាស់ប្តូរពីកសិកម្មតាមបែបប្រពៃណី ទៅជាកសិកម្មឌីជីថល (Agriculture 4.0) ដែលជួយបង្កើនទិន្នផល និងកាត់បន្ថយការចំណាយបានយ៉ាងមានប្រសិទ្ធភាព។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Decision Tree Classifier | ក្បួនដោះស្រាយម៉ាស៊ីនរៀន (Machine Learning Algorithm) ដែលបែងចែកទិន្នន័យជាដំណាក់កាលៗតាមលក្ខខណ្ឌជាក់លាក់ ដើម្បីធ្វើការសម្រេចចិត្ត (ឧទាហរណ៍៖ បើដីស្ងួត ហើយគ្មានការព្យាករណ៍ភ្លៀង នោះម៉ាស៊ីនបូមទឹកនឹងបើក)។ | ដូចជាការលេងហ្គេមសួរសំណួរ "បាទ/ទេ" បន្តបន្ទាប់គ្នាជាជំហានៗ ដើម្បីទាយរកចម្លើយ ឬការសម្រេចចិត្តត្រឹមត្រូវចុងក្រោយ។ |
| ESP32 Microcontroller | បន្ទះសៀគ្វីអេឡិចត្រូនិកខ្នាតតូចដែលអាចសរសេរកូដបញ្ជាបាន ហើយមានមុខងារភ្ជាប់ Wi-Fi និង Bluetooth ជាប់ពីកំណើត ប្រើសម្រាប់ប្រមូលទិន្នន័យពីសេនស័រ និងបញ្ជាម៉ាស៊ីនបូមទឹកក្នុងប្រព័ន្ធ IoT។ | ដូចជាខួរក្បាលតូចមួយរបស់ម៉ាស៊ីន ដែលទទួលព័ត៌មានពីភ្នែក (សេនស័រ) ហើយប្រើប្រព័ន្ធ Wi-Fi ដើម្បីរាយការណ៍ និងបញ្ជាដៃ (ម៉ាស៊ីនបូមទឹក) ឱ្យធ្វើការ។ |
| Firebase Realtime Database | ប្រព័ន្ធផ្ទុកទិន្នន័យលើពពក (Cloud Storage) របស់ក្រុមហ៊ុន Google ដែលអនុញ្ញាតឱ្យឧបករណ៍ IoT និងកម្មវិធីទូរស័ព្ទ ឬកុំព្យូទ័រ រក្សាទុក និងធ្វើបច្ចុប្បន្នភាពទិន្នន័យបានភ្លាមៗក្នុងពេលជាក់ស្តែង (Real-time)។ | ដូចជាផ្ទាំងក្ដារខៀនរួមមួយនៅលើអ៊ីនធឺណិត ដែលពេលមានអ្នកសរសេរព័ត៌មានចូលភ្លាម អ្នកផ្សេងទៀតនៅកន្លែងណាក៏ដោយអាចមើលឃើញការផ្លាស់ប្តូរនោះភ្លាមៗតែម្តង។ |
| Application Programming Interface (API) | ចំណុចប្រទាក់ដែលអនុញ្ញាតឱ្យកម្មវិធីកុំព្យូទ័រ ឬប្រព័ន្ធពីរផ្សេងគ្នាអាចទំនាក់ទំនង និងផ្លាស់ប្តូរទិន្នន័យគ្នាបាន។ នៅក្នុងការស្រាវជ្រាវនេះ គឺប្រើវាដើម្បីទាញយកទិន្នន័យការព្យាករណ៍អាកាសធាតុពីវេបសាយ OpenWeatherMap។ | ដូចជាអ្នករត់តុក្នុងភោជនីយដ្ឋាន ដែលទទួលការកុម្ម៉ង់ពីយើង (ប្រព័ន្ធកសិកម្ម) យកទៅឱ្យចុងភៅ (OpenWeatherMap) រួចយកម្ហូប (ទិន្នន័យអាកាសធាតុ) មកឱ្យយើងវិញ។ |
| Support Vector Machine (SVM) | ជាក្បួនម៉ាស៊ីនរៀន (Machine Learning) មួយប្រភេទដែលព្យាយាមគូសបន្ទាត់ (Hyperplane) ឱ្យនៅចន្លោះកណ្តាលល្អបំផុតដើម្បីបែងចែកទិន្នន័យជាពីរក្រុមដាច់ពីគ្នា (ឧទាហរណ៍៖ ក្រុមស្ថានភាពដីស្ងួត និងក្រុមដីសើម)។ | ដូចជាការគូសបន្ទាត់ព្រំដែនដ៏ធំទូលាយមួយនៅកណ្តាលវាល ដើម្បីបំបែកហ្វូងចៀម និងហ្វូងពពែឱ្យនៅឆ្ងាយពីគ្នាតាមដែលអាចធ្វើទៅបាន។ |
| JSON (JavaScript Object Notation) | ជាទម្រង់អត្ថបទស្តង់ដារមួយដែលគេប្រើជាទូទៅក្នុងការរៀបចំ និងផ្លាស់ប្តូរទិន្នន័យរវាងម៉ាស៊ីនមេ (Server) និងប្រព័ន្ធ IoT ដោយសារវាងាយស្រួលអានទាំងសម្រាប់មនុស្ស និងសម្រាប់កុំព្យូទ័រក្នុងការបំបែកយកទិន្នន័យមកប្រើ។ | ដូចជាទម្រង់នៃការបំពេញទម្រង់បែបបទ ដែលមានរចនាសម្ព័ន្ធច្បាស់លាស់ (មានប្រអប់ឈ្មោះ ប្រអប់អាសយដ្ឋាន) ធ្វើឱ្យអ្នកទទួលអានយល់ភ្លាមៗថាកន្លែងណាជាអ្វី។ |
| Internet of Things (IoT) | បណ្តាញនៃឧបករណ៍រូបវន្ត (ម៉ាស៊ីន សេនស័រ ឧបករណ៍ប្រើប្រាស់ផ្សេងៗ) ដែលត្រូវបានបំពាក់ដោយបច្ចេកវិទ្យាដើម្បីអាចភ្ជាប់ ប្រមូល និងបញ្ជូនទិន្នន័យទៅវិញទៅមកតាមរយៈបណ្តាញអ៊ីនធឺណិត ដោយមិនបាច់មានមនុស្សចាំបញ្ជា។ | ដូចជាការបង្រៀនរបស់របរប្រើប្រាស់ប្រចាំថ្ងៃឱ្យមានវិញ្ញាណ និងចេះឆាតប្រាប់គ្នាទៅវិញទៅមក ឧទាហរណ៍ ចម្ការចេះឆាតប្រាប់កសិករថាកំពុងខ្វះទឹកហើយ។ |
| k-Nearest Neighbours (k-NN) | ជាក្បួនចំណាត់ថ្នាក់ទិន្នន័យដោយផ្អែកលើភាពស្រដៀងគ្នាទៅនឹងចំណុចទិន្នន័យដែលនៅជិតវាបំផុតចំនួន k។ បើទិន្នន័យជុំវិញវាភាគច្រើនជាប្រភេទអ្វី វានឹងចាត់ថ្នាក់ទិន្នន័យថ្មីនោះជាប្រភេទនោះដែរ។ | ដូចជាសុភាសិត "សេពគប់ពាល គឺពាល សេពគប់បណ្ឌិត គឺបណ្ឌិត" បើយើងនៅក្បែរក្រុមមនុស្សប្រភេទណាច្រើនជាងគេ គេនឹងចាត់ទុកថាយើងជាមនុស្សប្រភេទនោះដែរ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
