បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយបញ្ហានៃការយល់ដឹងពីចេតនារបស់អ្នកប្រើប្រាស់តាមរយៈការសន្ទនាដោយសំឡេង នៅក្នុងបរិស្ថានដែលមានសំឡេងរំខាន សម្រាប់មនុស្សយន្តបម្រើសេវាកម្ម។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះបានប្រើប្រាស់ប្រព័ន្ធសម្គាល់មុខ និងសំឡេង រួមបញ្ចូលជាមួយក្បួនដោះស្រាយ POMDP ដើម្បីគ្រប់គ្រងភាពមិនប្រាកដប្រជាក្នុងការសន្ទនារវាងមនុស្ស និងមនុស្សយន្ត។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Without POMDP (Baseline Speech Dialog System) មិនប្រើប្រាស់ POMDP (ប្រព័ន្ធសន្ទនាជាសំឡេងមូលដ្ឋាន) |
ងាយស្រួលក្នុងការអភិវឌ្ឍ និងមិនទាមទារការព្យាករណ៍គណិតវិទ្យាស្មុគស្មាញសម្រាប់ការសម្រេចចិត្ត។ | ភាពត្រឹមត្រូវធ្លាក់ចុះខ្លាំងនៅពេលមានសំឡេងរំខាន ឬនៅឆ្ងាយ។ មិនអាចសួរបញ្ជាក់ឡើងវិញបានល្អនៅពេលមានភាពមិនច្បាស់លាស់។ | ភាពត្រឹមត្រូវត្រឹមតែ ៣៩.៣% នៅចម្ងាយ ៥០cm និង ២៤.៧% នៅចម្ងាយ ១២០cm ក្នុងបរិស្ថានមានសំឡេងរំខាន។ |
| With POMDP (Proposed Method) ប្រើប្រាស់ POMDP (វិធីសាស្ត្រស្នើឡើង) |
អាចដោះស្រាយភាពមិនច្បាស់លាស់នៃពាក្យបញ្ជាបានល្អ ដោយមានសមត្ថភាពសួរបញ្ជាក់ម្តងទៀតនៅពេលមិនប្រាកដ ដើម្បីចៀសវាងការធ្វើសកម្មភាពខុស។ | ទាមទារការកំណត់ពិន្ទុរង្វាន់ (Reward values) និងម៉ូដែលប្រូបាប៊ីលីតេឱ្យបានត្រឹមត្រូវ ដែលទាមទារការសាកល្បងច្រើន និងកម្លាំងគណនាខ្ពស់។ | ភាពត្រឹមត្រូវកើនដល់ ៧២% នៅចម្ងាយ ៥០cm ក្នុងបរិស្ថានមានសំឡេងរំខាន និង ៨៤.៧% ក្នុងបរិស្ថានស្ងាត់។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអភិវឌ្ឍប្រព័ន្ធនេះទាមទារការរួមបញ្ចូលគ្នារវាងឧបករណ៍អេឡិចត្រូនិក និងផ្នែកទន់ (Software) សម្រាប់បញ្ញាសិប្បនិម្មិតកម្រិតមធ្យម។
ការសិក្សានេះត្រូវបានធ្វើឡើងដោយប្រើប្រាស់និស្សិតជប៉ុនតែ ១០ នាក់ប៉ុណ្ណោះ នៅសាកលវិទ្យាល័យ Hosei ប្រទេសជប៉ុន ដែលធ្វើការបញ្ជាជាភាសាបរទេស (ឥណ្ឌូនេស៊ី/អង់គ្លេស) តាមរយៈការបកប្រែរបស់ Google។ វាមិនមានការចូលរួមពីអ្នកប្រើប្រាស់ចម្រុះជាតិសាសន៍ អាយុ ឬសម្លេងនោះទេ។ សម្រាប់ប្រទេសកម្ពុជា នេះគឺជាបញ្ហាប្រឈមធំមួយ ព្រោះការសម្គាល់សំឡេងភាសាខ្មែរ (Speech-to-Text) នៅក្នុងប្រព័ន្ធ Google នៅមានកម្រិត និងងាយនឹងទទួលរងឥទ្ធិពលពីសំឡេងរំខានខ្លាំងជាងភាសាអង់គ្លេស។
វិធីសាស្ត្រប្រើប្រាស់ម៉ូដែល POMDP នេះមានសក្តានុពលខ្ពស់សម្រាប់អនុវត្តនៅក្នុងវិស័យសេវាកម្ម និងបដិសណ្ឋារកិច្ចនៅកម្ពុជា ដើម្បីបង្កើនបទពិសោធន៍អតិថិជន។
ជារួម បច្ចេកវិទ្យានេះគឺជាគំរូដ៏ល្អសម្រាប់ការអភិវឌ្ឍមនុស្សយន្តសេវាកម្មនៅកម្ពុជា ប៉ុន្តែទាមទារឱ្យមានការបណ្តុះបណ្តាលទិន្នន័យសំឡេងភាសាខ្មែរឱ្យបានច្រើនសិនមុននឹងយកទៅប្រើប្រាស់ក្នុងអាជីវកម្មពិតប្រាកដ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Partially Observable Markov Decision Process (POMDP) | ជាទម្រង់គណិតវិទ្យាសម្រាប់ជួយម៉ាស៊ីនធ្វើការសម្រេចចិត្តក្នុងស្ថានភាពដែលវាមិនដឹងច្បាស់១០០% ពីអ្វីដែលកំពុងកើតឡើង (ឧទាហរណ៍ ពេលស្តាប់សំឡេងមនុស្សមិនច្បាស់ដោយសារមានសំឡេងរំខាន)។ វាប្រើប្រាស់ប្រូបាប៊ីលីតេដើម្បីទាយពីចេតនាពិតប្រាកដរបស់អ្នកប្រើប្រាស់។ | ដូចជាវេជ្ជបណ្ឌិតធ្វើរោគវិនិច្ឆ័យជំងឺដោយផ្អែកលើរោគសញ្ញាមួយចំនួន ទោះបីជាមិនបានឃើញមេរោគផ្ទាល់ដោយភ្នែកក៏ដោយ។ |
| Spoken Dialog Systems (SDS) | ជាប្រព័ន្ធកុំព្យូទ័រដែលអនុញ្ញាតឱ្យមនុស្សអាចធ្វើអន្តរកម្មជាមួយម៉ាស៊ីនតាមរយៈការនិយាយស្តីផ្ទាល់ ជាជាងការវាយអត្ថបទឬចុចប៊ូតុង។ វារួមបញ្ចូលទាំងការស្តាប់ការយល់ន័យ និងការឆ្លើយតបជាសំឡេង។ | ដូចជាការនិយាយទូរស័ព្ទជាមួយសេវាកម្មអតិថិជនរបស់ក្រុមហ៊ុនទូរស័ព្ទ ដែលឆ្លើយតបនិងសួរបញ្ជាក់យើងដោយស្វ័យប្រវត្តិតាមរយៈសំឡេង។ |
| PCA | ជាក្បួនដោះស្រាយគណិតវិទ្យា (Principal Component Analysis) ដែលប្រើសម្រាប់កាត់បន្ថយទំហំទិន្នន័យស្មុគស្មាញ (ដូចជារូបភាពផ្ទៃមុខ) ឱ្យនៅសល់តែលក្ខណៈសម្គាល់សំខាន់ៗបំផុត ដើម្បីងាយស្រួលឱ្យកុំព្យូទ័រចំណាំមុខមនុស្សបានលឿន។ | ដូចជាការគូររូបគំនូរព្រាងរបស់មនុស្សម្នាក់ ដោយយកតែចំណុចលេចធ្លោ (ដូចជាទម្រង់មុខ ឬច្រមុះ) ដើម្បីឱ្យគេងាយចំណាំ ជាជាងការគូរលម្អិតគ្រប់សរសៃសក់។ |
| Reward function | ជាការកំណត់ពិន្ទុវិជ្ជមាន ឬអវិជ្ជមាននៅក្នុងប្រព័ន្ធបញ្ញាសិប្បនិម្មិត ដើម្បីប្រាប់ម៉ាស៊ីនថាសកម្មភាពដែលវាទើបតែធ្វើនោះ ត្រឹមត្រូវ (ទទួលបានរង្វាន់) ឬខុស (ត្រូវពិន័យ) ដើម្បីឱ្យវារៀនធ្វើការសម្រេចចិត្តបានល្អជាងមុននៅពេលក្រោយ។ | ដូចជាការបង្ហាត់សត្វសុនខដោយឱ្យចំណីនៅពេលវាស្តាប់បង្គាប់ និងស្តីបន្ទោសនៅពេលវាធ្វើខុស។ |
| Spoken language understanding (SLU) | ជាផ្នែកមួយនៃប្រព័ន្ធបញ្ញាសិប្បនិម្មិត ដែលមានតួនាទីបំប្លែងពាក្យសម្តីរបស់មនុស្សដែលវាទើបនឹងស្តាប់បាន ទៅជាទម្រង់ទិន្នន័យអរូបី ដែលកុំព្យូទ័រអាចយល់ពីអត្ថន័យ និងចេតនាពិតប្រាកដរបស់អ្នកនិយាយ។ | ដូចជាអ្នកបកប្រែដែលស្តាប់ការត្អូញត្អែររបស់ភ្ញៀវ រួចចាប់យកតែអត្ថន័យគោល ឬបញ្ហាពិតប្រាកដ ដើម្បីប្រាប់ទៅចៅហ្វាយនាយរបស់ខ្លួន។ |
| State-transition function | ជាអនុគមន៍គណិតវិទ្យានៅក្នុង POMDP ដែលបង្ហាញពីប្រូបាប៊ីលីតេ (ឱកាស) នៃការផ្លាស់ប្តូរពីស្ថានភាពមួយទៅស្ថានភាពមួយទៀតនៃបរិស្ថាន បន្ទាប់ពីម៉ាស៊ីនបានធ្វើសកម្មភាពណាមួយរួច។ | ដូចជាការទស្សន៍ទាយថាតើអាកាសធាតុថ្ងៃស្អែកនឹងទៅជាយ៉ាងណា ដោយផ្អែកលើអាកាសធាតុថ្ងៃនេះ និងទិសដៅនៃចលនាពពកខ្យល់។ |
| Belief state | នៅក្នុងក្បួនដោះស្រាយ POMDP វាគឺជាកម្រិតនៃការជឿជាក់ ឬការសន្និដ្ឋានបណ្តោះអាសន្នរបស់ប្រព័ន្ធ ទៅលើស្ថានភាពពិតប្រាកដណាមួយ (ឧ. តើអ្នកប្រើប្រាស់ពិតជាចង់បានកាហ្វេ Espresso មែនឬទេ) ដោយផ្អែកលើការប៉ាន់ស្មានព័ត៌មានមិនច្បាស់លាស់ដែលវាទទួលបាន។ | ដូចជាការប៉ាន់ស្មានរបស់អ្នកថាមិត្តភ័ក្តិកំពុងខឹងឬអត់ ដោយសង្កេតមើលទឹកមុខ និងសម្លេងរបស់គេ ទោះគេមិនប្រាប់ចំៗក៏ដោយ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
