បញ្ហា (The Problem)៖ ការសិក្សានេះឆ្លើយតបទៅនឹងតម្រូវការបន្ទាន់ក្នុងការស្វែងរកឧបករណ៍ដែលមានប្រសិទ្ធភាពជាងមុន ដើម្បីតាមដាន និងដោះស្រាយបញ្ហាបរិស្ថានដ៏ស្មុគស្មាញ ដូចជាការប្រែប្រួលអាកាសធាតុ និងការបំពុល ដែលវិធីសាស្ត្រតាមដានដោយដៃបែបប្រពៃណីមានការយឺតយ៉ាវ និងចំណាយខ្ពស់។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានធ្វើការសិក្សាពិនិត្យឡើងវិញ (Review Study) ទៅលើអក្សរសិល្ប៍ដែលមានស្រាប់ ដើម្បីវិភាគពីរបៀបដែលបច្ចេកវិទ្យា AI ត្រូវបានអនុវត្តនៅក្នុងវិស័យបរិស្ថានផ្សេងៗ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Remote Sensing with Deep Learning ការប្រើប្រាស់ការរៀនស៊ីជម្រៅ (Deep Learning) ជាមួយរូបភាពផ្កាយរណប |
អាចវិភាគទិន្នន័យបានយ៉ាងរហ័សក្នុងទ្រង់ទ្រាយធំ និងអាចតាមដានការប្រែប្រួលគម្របដីឬការកាប់បំផ្លាញព្រៃឈើបានភ្លាមៗ (Real-time)។ | ទាមទារទិន្នន័យដែលមានគុណភាពខ្ពស់ និងកម្លាំងកុំព្យូទ័រខ្លាំងក្នុងការបង្វឹកម៉ូដែល។ | បង្កើតបានផែនទីសាកលដែលមានគុណភាពបង្ហាញខ្ពស់ (High-resolution maps) ស្ដីពីការបាត់បង់ព្រៃឈើ (Hansen et al., 2013)។ |
| Machine Learning for Pollution Prediction ការប្រើប្រាស់ Machine Learning ដើម្បីព្យាករណ៍កម្រិតនៃការបំពុល |
អាចផ្តល់ការព្រមានជាមុនអំពីគុណភាពខ្យល់ឬទឹក និងជួយក្នុងការគ្រប់គ្រងធនធានទឹកបានប្រសើរជាងមុន។ | ប្រសិទ្ធភាពអាស្រ័យទាំងស្រុងលើភាពត្រឹមត្រូវនៃទិន្នន័យប្រវត្តិសាស្ត្រ និងទិន្នន័យពីសេនស័រ (Sensors)។ | ម៉ូដែលព្យាករណ៍អាចកំណត់អត្តសញ្ញាណសារធាតុបំពុលក្នុងទឹកបានទាន់ពេលវេលា (Li et al., 2018)។ |
| NLP (Chatbots & Sentiment Analysis) ការប្រើប្រាស់ NLP សម្រាប់ Chatbots និងការវិភាគមតិយោបល់ |
ជួយផ្សព្វផ្សាយចំណេះដឹងបរិស្ថានដល់សាធារណជន និងអាចវាស់វែងចំណាប់អារម្មណ៍របស់ពលរដ្ឋលើបណ្តាញសង្គម។ | ប្រឈមនឹងបញ្ហាក្នុងការបែងចែកព័ត៌មានមិនពិត (Misinformation) និងត្រូវការទិន្នន័យភាសាដែលសម្បូរបែប។ | Chatbot អាចផ្តល់ចម្លើយផ្ទាល់ខ្លួនអំពីការប្រែប្រួលអាកាសធាតុ និងការអនុវត្តប្រកបដោយនិរន្តរភាព (Jadhav et al., 2019)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ឯកសារនេះបានលើកឡើងថា ការអនុវត្តដំណោះស្រាយ AI ទាមទារការវិនិយោគច្រើនលើហេដ្ឋារចនាសម្ព័ន្ធ និងជំនាញបច្ចេកទេស។
ការសិក្សានេះគឺជាការត្រួតពិនិត្យឡើងវិញ (Review Paper) លើការស្រាវជ្រាវសកល ប៉ុន្តែបានព្រមានអំពី Algorithmic Bias ដែលកើតចេញពីការប្រើប្រាស់ទិន្នន័យមិនគ្រប់ជ្រុងជ្រោយ ជាពិសេសនៅតំបន់ដែលខ្វះខាតទិន្នន័យដូចជាប្រទេសកំពុងអភិវឌ្ឍន៍។ សម្រាប់កម្ពុជា នេះជាបញ្ហាសំខាន់ព្រោះម៉ូដែលដែលបង្វឹកដោយទិន្នន័យបរទេសអាចមិនឆ្លុះបញ្ចាំងពីបរិបទបរិស្ថាន ឬជីវចម្រុះក្នុងស្រុកបានត្រឹមត្រូវ។
បច្ចេកទេសដែលបានរៀបរាប់គឺមានសារៈសំខាន់ និងអាចអនុវត្តបានយ៉ាងល្អនៅក្នុងប្រទេសកម្ពុជា ដើម្បីដោះស្រាយបញ្ហាបរិស្ថានបន្ទាន់។
ទោះបីជាមានសក្តានុពលខ្ពស់ ការអនុវត្តនៅកម្ពុជាទាមទារឱ្យមានការសហការរវាងរដ្ឋ និងឯកជន ដើម្បីបង្កើតទិន្នន័យក្នុងស្រុកដែលមានគុណភាព និងកាត់បន្ថយចំណាយបច្ចេកវិទ្យា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Remote Sensing | បច្ចេកវិទ្យាដែលប្រើប្រាស់ឧបករណ៍ចាប់សញ្ញា (Sensors) នៅលើផ្កាយរណប ឬយន្តហោះដ្រូន ដើម្បីប្រមូលទិន្នន័យអំពីផ្ទៃផែនដីពីចម្ងាយ ដោយមិនចាំបាច់ចុះទៅប៉ះផ្ទាល់។ នៅក្នុងបរិបទបរិស្ថាន វាប្រើសម្រាប់តាមដានការកាប់បំផ្លាញព្រៃឈើ ឬការប្រែប្រួលអាកាសធាតុ។ | ដូចជាការប្រើកាមេរ៉ាថតពីលើអាកាស ដើម្បីរាប់ចំនួនដើមឈើក្នុងព្រៃដោយមិនចាំបាច់ដើររាប់ម្តងមួយៗ។ |
| Predictive Modeling | ដំណើរការនៃការប្រើប្រាស់ទិន្នន័យពីអតីតកាល និងក្បួនដោះស្រាយស្ថិតិ (Statistical Algorithms) ដើម្បីទស្សន៍ទាយលទ្ធផលដែលអាចកើតឡើងនៅពេលអនាគត ដូចជាការព្យាករណ៍កម្រិតនៃការបំពុលខ្យល់ ឬគ្រោះមហន្តរាយធម្មជាតិ។ | ដូចជាការមើលពពកខ្មៅហើយទាយថានឹងមានភ្លៀងធ្លាក់ ដោយផ្អែកលើបទពិសោធន៍ដែលធ្លាប់ឃើញពីមុន។ |
| Precision Agriculture | ការអនុវត្តកសិកម្មដែលប្រើប្រាស់បច្ចេកវិទ្យា AI និងទិន្នន័យ ដើម្បីគ្រប់គ្រងការប្រើប្រាស់ធនធាន (ដូចជា ទឹក និងជី) ឱ្យចំគោលដៅនិងមានប្រសិទ្ធភាពខ្ពស់បំផុត កាត់បន្ថយការខ្ជះខ្ជាយ និងផលប៉ះពាល់ដល់បរិស្ថាន។ | ដូចជាការស្រោចទឹកដំណាំតែមួយកែវនៅពេលវាត្រូវការជាជាងការបង្ហូរទឹកចូលស្រែទាំងមូលឱ្យលិច។ |
| Smart Grids | បណ្តាញអគ្គិសនីដែលប្រើប្រាស់បច្ចេកវិទ្យាឌីជីថលដើម្បីតាមដាន និងគ្រប់គ្រងការចែកចាយថាមពលដោយស្វ័យប្រវត្តិ។ វាជួយសម្រួលដល់ការបញ្ចូលថាមពលកកើតឡើងវិញ (ដូចជាពន្លឺព្រះអាទិត្យ) ទៅក្នុងប្រព័ន្ធផ្គត់ផ្គង់។ | ដូចជាប្រព័ន្ធភ្លើងចរាចរណ៍ឆ្លាតវៃដែលចេះប្តូរពណ៌ដោយខ្លួនឯងដើម្បីកុំឱ្យស្ទះ ធ្វើឱ្យចរន្តអគ្គិសនីដើរស្រួលនិងសន្សំសំចៃ។ |
| Natural Language Processing (NLP) | សាខាមួយនៃ AI ដែលអនុញ្ញាតឱ្យកុំព្យូទ័រអាចអាន យល់ និងបកស្រាយភាសារបស់មនុស្ស។ ក្នុងការសិក្សានេះ វាប្រើសម្រាប់វិភាគមតិយោបល់របស់សាធារណជនអំពីបរិស្ថាននៅលើបណ្តាញសង្គម។ | ដូចជាការបង្រៀនកុំព្យូទ័រឱ្យចេះអានសៀវភៅ និងសង្ខេបអត្ថន័យបានដូចមនុស្សដែរ។ |
| Algorithmic Bias | កំហុសជាប្រព័ន្ធដែលកើតឡើងនៅក្នុងកុំព្យូទ័រ នៅពេលដែលទិន្នន័យដែលប្រើសម្រាប់បង្រៀន AI មានភាពលំអៀង ឬមិនតំណាងឱ្យការពិតគ្រប់ជ្រុងជ្រោយ ដែលនាំឱ្យលទ្ធផលនៃការសម្រេចចិត្តមិនមានភាពយុត្តិធម៌។ | ដូចជាការរៀនវិនិច្ឆ័យមនុស្សដោយមើលតែលើសំបកក្រៅ ដោយសារធ្លាប់ឃើញតែគំរូបែបនោះពីមុនមក។ |
| Citizen Science | ការចូលរួមរបស់សាធារណជនទូទៅក្នុងការប្រមូលទិន្នន័យវិទ្យាសាស្ត្រ ដោយប្រើប្រាស់កម្មវិធីទូរស័ព្ទ ឬឧបករណ៍ AI ដើម្បីជួយអ្នកស្រាវជ្រាវតាមដានជីវចម្រុះ ឬការបំពុល។ | ដូចជាពេលដែលប្រជាពលរដ្ឋទូទៅជួយថតរូបសត្វស្លាបកម្រហើយផ្ញើឱ្យអ្នកវិទ្យាសាស្ត្រសិក្សា។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
