បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយបញ្ហានៅក្នុងប្រព័ន្ធសន្ទនាជាសំឡេង (Spoken Dialogue Systems) ដែលការប្រើប្រាស់សកម្មភាពសន្ទនា (Dialogue Act - DA) ប្រពៃណីមិនអាចតំណាងឱ្យអត្ថន័យលម្អិតនិងស៊ីជម្រៅនៃប្រយោគបានល្អ។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានស្នើឡើងនូវវិធីសាស្ត្រថ្មីមួយក្នុងការគ្រប់គ្រងការសន្ទនាដោយប្រើការចង្កោមប្រយោគ (Sentence Clustering) គួបផ្សំនឹងបណ្តាញសរសៃប្រសាទវិលជុំ (RNN) និងម៉ូដែលសម្រេចចិត្តម៉ាកូវ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Dialogue Act (DA) based Dialogue Management ការគ្រប់គ្រងការសន្ទនាដោយផ្អែកលើសកម្មភាពសន្ទនា (DA) |
ងាយស្រួលក្នុងការយល់ និងត្រូវបានប្រើប្រាស់ទូទៅនៅក្នុងប្រព័ន្ធសន្ទនា (Dialogue Systems) ជំនាន់មុន។ | មិនអាចចាប់យកអត្ថន័យលម្អិតនិងស៊ីជម្រៅនៃប្រយោគបានល្អ (Nuanced meaning) ព្រមទាំងទាមទារការកំណត់ចំណាត់ថ្នាក់សកម្មភាពដោយដៃដែលពិបាកក្នុងការពង្រីក។ | ប្រើប្រាស់ចំនួនវេនមធ្យម (Average turns) ច្រើនជាងក្នុងការបញ្ចប់កិច្ចការសន្ទនាសម្រាប់ការកក់សណ្ឋាគារ។ |
| Sentence Clustering based Dialogue Management (SCDM) ការគ្រប់គ្រងការសន្ទនាដោយផ្អែកលើការចង្កោមប្រយោគ (ម៉ូដែលស្នើឡើង) |
អាចចាប់យកអត្ថន័យលម្អិតបានល្អប្រសើរដោយប្រើប្រាស់បរិបទសន្ទនាពីប្រវត្តិ និងជួយកាត់បន្ថយបញ្ហាកង្វះទិន្នន័យ (Scarcity problem) តាមរយៈការប្រើប្រាស់ RNN។ | ភាពប្រសើរឡើងនៃការកាត់បន្ថយវេនសន្ទនាថយចុះនៅពេលទំហំទិន្នន័យហ្វឹកហាត់កើនឡើងដល់កម្រិតកំណត់ ព្រមទាំងត្រូវការដំណើរការគណនាស្មុគស្មាញជាងមុន។ | កាត់បន្ថយចំនួនវេននៃការសន្ទនាមធ្យមបានយ៉ាងមានប្រសិទ្ធភាព និងអាចទស្សន៍ទាយប្រយោគបន្ទាប់បានសុក្រឹតជាងប្រព័ន្ធចាស់។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការស្រាវជ្រាវនេះមិនបានបញ្ជាក់លម្អិតអំពីតម្រូវការផ្នែករឹង (Hardware) នោះទេ ប៉ុន្តែផ្អែកលើការប្រើប្រាស់ RNN និងការរៀនពង្រឹង (Reinforcement Learning) វាទាមទារធនធានគណនាសមរម្យ។
ការសិក្សានេះប្រើប្រាស់ទិន្នន័យសន្ទនាមានទំហំតូចបំផុត (ត្រឹមតែ ១៧១ ការសន្ទនា) ដែលផ្តោតតែលើការកក់សណ្ឋាគារ និងមិនបានបញ្ជាក់ពីប្រភពភាសា ឬវប្បធម៌ជាក់លាក់ឡើយ។ សម្រាប់ប្រទេសកម្ពុជា ការអនុវត្តប្រព័ន្ធនេះទាមទារការប្រមូលទិន្នន័យសន្ទនាជាភាសាខ្មែរឱ្យបានច្រើននិងចម្រុះ ដើម្បីជៀសវាងភាពលម្អៀង និងធានាថាប្រព័ន្ធអាចយល់ពីទម្លាប់នៃការនិយាយរបស់ប្រជាជនក្នុងស្រុក។
វិធីសាស្ត្រនេះមានសក្តានុពលខ្ពស់ក្នុងការយកមកអភិវឌ្ឍប្រព័ន្ធឆ្លើយតបស្វ័យប្រវត្តិ (Voicebot/Chatbot) ប្រកបដោយភាពវៃឆ្លាតសម្រាប់វិស័យសេវាកម្មនៅក្នុងប្រទេសកម្ពុជា។
ជារួម បច្ចេកវិទ្យានេះអាចជួយធ្វើទំនើបកម្មប្រព័ន្ធសេវាកម្មអតិថិជននៅកម្ពុជា ប៉ុន្តែទាមទារការវិនិយោគពេលវេលាលើការបង្កើតទិន្នន័យសន្ទនាជាសំឡេងនិងអត្ថបទភាសាខ្មែរឱ្យបានទូលំទូលាយសិន។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Dialogue Management (DM) | ការគ្រប់គ្រងការសន្ទនា គឺជាផ្នែកកណ្តាលនៃប្រព័ន្ធសន្ទនាឆ្លាតវៃ (Spoken Dialogue System) ដែលមានតួនាទីតាមដានស្ថានភាពនៃការសន្ទនា និងសម្រេចចិត្តថាប្រព័ន្ធគួរឆ្លើយតប ឬសួរសំណួរអ្វីត្រឡប់ទៅអ្នកប្រើប្រាស់វិញ ដើម្បីសម្រេចគោលដៅអ្វីមួយ (ឧទាហរណ៍ ការកក់សណ្ឋាគារ)។ | ដូចជាខួរក្បាលរបស់អ្នកបម្រើសេវាកម្ម ដែលកំពុងគិតវិភាគថាត្រូវនិយាយឆ្លើយតបអ្វីបន្តទៀត បន្ទាប់ពីស្តាប់ឮសំណើរបស់ភ្ញៀវ។ |
| Spoken Dialogue System (SDS) | ប្រព័ន្ធសន្ទនាជាសំឡេង គឺជាប្រព័ន្ធកុំព្យូទ័រដែលអាចស្តាប់សំឡេងរបស់មនុស្ស បម្លែងជាអត្ថន័យ គិតរកចម្លើយ និងនិយាយឆ្លើយតបទៅកាន់មនុស្សវិញបានដោយស្វ័យប្រវត្តិ។ | ដូចជាមនុស្សយន្ត ឬកូនសោរឆ្លាតវៃ (ដូចជា Siri ឬ Google Assistant) ដែលអាចនិយាយឆ្លើយឆ្លងតាមទូរស័ព្ទជាមួយយើងដើម្បីជួយធ្វើកិច្ចការផ្សេងៗ។ |
| Dialogue Act (DA) | សកម្មភាពសន្ទនា គឺជាវិធីសាស្រ្តចាស់ក្នុងការបែងចែកប្រភេទប្រយោគទៅតាមគោលបំណងទូទៅ (ឧទាហរណ៍ ការស្នើសុំ ការប្រាប់ព័ត៌មាន ឬ ការស្វាគមន៍) ដែលជួនកាលមិនអាចចាប់យកអត្ថន័យលម្អិត និងស៊ីជម្រៅនៃប្រយោគបានល្អនោះទេ។ | ដូចជាការដាក់ស្លាកសញ្ញាលើប្រអប់ឥវ៉ាន់ថា "របស់ប្រើប្រាស់" តែមិនបានបញ្ជាក់លម្អិតថាវាជា សៀវភៅ ឬកែវទឹក នោះទេ។ |
| Sentence Clustering | ការចង្កោមប្រយោគ គឺជាការប្រើប្រាស់ក្បួនគណិតវិទ្យាដើម្បីប្រមូលផ្តុំប្រយោគផ្សេងៗគ្នាដែលមានអត្ថន័យ ឬគោលបំណងស្រដៀងគ្នាឱ្យចូលទៅក្នុងក្រុមតែមួយ ដើម្បីឱ្យប្រព័ន្ធងាយស្រួលយល់ទម្រង់សន្ទនារបស់មនុស្ស។ | ដូចជាការរៀបចំសៀវភៅក្នុងបណ្ណាល័យដោយដាក់សៀវភៅដែលមានសាច់រឿងស្រដៀងគ្នាចូលក្នុងទូតែមួយ ទោះបីជាចំណងជើងវាខុសគ្នាក៏ដោយ។ |
| Partially Observable Markov Decision Processes (POMDP) | ដំណើរការសម្រេចចិត្តម៉ាកូវដែលអាចសង្កេតបានមួយផ្នែក គឺជាក្របខ័ណ្ឌគណិតវិទ្យាដែលប្រព័ន្ធប្រើដើម្បីធ្វើការសម្រេចចិត្តឆ្លើយតប ក្នុងស្ថានភាពដែលវាមិនប្រាកដ ១០០% ថាអ្នកប្រើប្រាស់និយាយអ្វីឱ្យប្រាកដ (ដោយសារសំឡេងរំខាន ឬការបញ្ចេញសំឡេងមិនច្បាស់ ដែលបណ្តាលឱ្យមានកំហុសក្នុងការកាត់សំឡេង ASR)។ | ដូចជាការបើកបរក្នុងពេលចុះអ័ព្ទ ដែលអ្នកត្រូវពឹងផ្អែកលើស្រមោលព្រាលៗនៃឡានខាងមុខ ដើម្បីសម្រេចចិត្តថាត្រូវជាន់ហ្វ្រាំង ឬបន្តដំណើរទៅមុខទៀត ទោះមើលមិនច្បាស់ ១០០% ក៏ដោយ។ |
| Recurrent Neural Networks (RNN) | បណ្តាញសរសៃប្រសាទវិលជុំ គឺជាប្រភេទម៉ូដែលបញ្ញាសិប្បនិម្មិត (AI) ដែលមានសមត្ថភាពចងចាំព័ត៌មានពីមុនៗ (បរិបទប្រវត្តិ) ដែលស័ក្តិសមបំផុតសម្រាប់ការវិភាគទិន្នន័យជាបន្តបន្ទាប់ដូចជាប្រយោគ ឬលំដាប់នៃការសន្ទនា។ | ដូចជាមនុស្សដែលកំពុងអានសៀវភៅ ហើយអាចយល់ន័យប្រយោគថ្មីបានយ៉ាងច្បាស់ ដោយសារគេនៅចាំសាច់រឿងនៃប្រយោគមុនៗដែលទើបតែអានរួច។ |
| Affinity Propagation (AP) | ក្បួនដោះស្រាយ Affinity Propagation គឺជាវិធីសាស្ត្រក្នុងការចង្កោមទិន្នន័យ ដោយមិនចាំបាច់កំណត់ចំនួនក្រុមជាមុននោះទេ វាដំណើរការដោយការបញ្ជូនសារឆ្លើយឆ្លងគ្នារវាងទិន្នន័យនិមួយៗ ដើម្បីស្វែងរកទិន្នន័យណាមួយដែលស័ក្តិសមបំផុតធ្វើជាតំណាង (Exemplar) នៃក្រុម។ | ដូចជាសិស្សក្នុងថ្នាក់កំពុងជជែកគ្នាដើម្បីបោះឆ្នោតជ្រើសរើសប្រធានថ្នាក់ម្នាក់ ដែលមានលក្ខណៈសម្បត្តិស័ក្តិសមបំផុតជាតំណាងឱ្យសិស្សទាំងអស់គ្នាក្នុងក្រុមរបស់ពួកគេ។ |
| Reinforcement Learning | ការរៀនពង្រឹង គឺជាវិធីសាស្ត្របង្រៀនកុំព្យូទ័រឱ្យចេះសម្រេចចិត្តតាមរយៈការសាកល្បងនិងកំហុស (Trial and Error) ដោយផ្តល់ជារង្វាន់ (Reward) ពេលវាធ្វើត្រូវ និងពិន័យពេលវាធ្វើខុស រហូតដល់វាអាចរកឃើញគោលការណ៍សន្ទនាដ៏ល្អបំផុត។ | ដូចជាការបង្ហាត់សត្វសុនខដោយឱ្យចំណីនៅពេលវាចេះអង្គុយតាមបញ្ជា ដែលធ្វើឱ្យវាឆាប់រៀនចេះតាមរយៈការចង់បានរង្វាន់។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
