បញ្ហា (The Problem)៖ ការសិក្សានេះឆ្លើយតបទៅនឹងតម្រូវការបន្ទាន់ក្នុងការដោះស្រាយបញ្ហាប្រឈមនៃការព្យាបាលបរិស្ថាន និងការប្រែប្រួលអាកាសធាតុនៅក្នុងទីក្រុង តាមរយៈការប្រើប្រាស់បច្ចេកវិទ្យាទំនើបដើម្បីប្រែក្លាយទីក្រុងឆ្លាតវៃឱ្យមាននិរន្តរភាពបរិស្ថាន។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកនិពន្ធបានប្រើប្រាស់វិធីសាស្រ្តចម្រុះដោយរួមបញ្ចូលគ្នានូវការវិភាគគន្ថនិទ្ទេស និងការសំយោគភស្តុតាង ដើម្បីពិនិត្យមើលនិន្នាការនៃការស្រាវជ្រាវ និងការវិវត្តនៃប្រធានបទ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Artificial Intelligence (AI) & Machine Learning បញ្ញាសិប្បនិម្មិត និងការរៀនរបស់ម៉ាស៊ីន |
មានសមត្ថភាពខ្ពស់ក្នុងការវិភាគទិន្នន័យស្មុគស្មាញ ធ្វើការព្យាករណ៍ និងបង្កើនប្រសិទ្ធភាពនៃការប្រើប្រាស់ធនធាន (ដូចជាថាមពល និងចរាចរណ៍)។ | ត្រូវការថាមពលអគ្គិសនីខ្ពស់សម្រាប់ដំណើរការ (ដែលប៉ះពាល់ដល់បរិស្ថានវិញ) និងមានបញ្ហាកង្វះតម្លាភាពក្នុងការសម្រេចចិត្ត (Black box)។ | ជាបច្ចេកវិទ្យាស្នូលដែលជួយប្រែក្លាយទិន្នន័យពី IoT ទៅជាចំណេះដឹងសម្រាប់ការគ្រប់គ្រងទីក្រុង។ |
| Internet of Things (IoT) អ៊ីនធឺណិតនៃវត្ថុ (ការតភ្ជាប់ឧបករណ៍តាមអ៊ីនធឺណិត) |
អាចប្រមូលទិន្នន័យបានក្នុងពេលវេលាជាក់ស្តែង (Real-time) ពីគ្រប់ទីកន្លែងក្នុងទីក្រុង ដើម្បីតាមដានស្ថានភាពបរិស្ថាន។ | បង្កជាបញ្ហាកាកសំណល់អេឡិចត្រូនិច (E-waste) និងមានហានិភ័យខ្ពស់ពាក់ព័ន្ធនឹងសុវត្ថិភាពទិន្នន័យ និងឯកជនភាព។ | ជាហេដ្ឋារចនាសម្ព័ន្ធចាំបាច់សម្រាប់ប្រមូលទិន្នន័យមូលដ្ឋាននៃទីក្រុងឆ្លាតវៃ។ |
| Big Data Analytics ការវិភាគទិន្នន័យធំ |
អនុញ្ញាតឱ្យអ្នកធ្វើផែនការទីក្រុងមើលឃើញលំនាំ (Patterns) និងនិន្នាការដើម្បីធ្វើការសម្រេចចិត្តផ្អែកលើភស្តុតាង។ | ទាមទារប្រព័ន្ធផ្ទុកទិន្នន័យដ៏ធំមហិមា និងការគ្រប់គ្រងអភិបាលកិច្ចទិន្នន័យដែលមានភាពស្មុគស្មាញ។ | ជួយតម្រង់ទិសការអភិវឌ្ឍទីក្រុងឆ្ពោះទៅរកនិរន្តរភាពតាមរយៈការយល់ដឹងស៊ីជម្រៅពីទិន្នន័យ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តគំរូទីក្រុងឆ្លាតវៃដែលបានរៀបរាប់ក្នុងឯកសារនេះ ទាមទារការវិនិយោគខ្ពស់ទាំងលើហេដ្ឋារចនាសម្ព័ន្ធរូបវន្ត និងធនធានឌីជីថល។
ការសិក្សានេះពឹងផ្អែកលើឯកសារពី Web of Science ដែលភាគច្រើនជាភាសាអង់គ្លេស និងផ្តោតលើទីក្រុងនៃប្រទេសអភិវឌ្ឍន៍ (ដូចជា Barcelona, London, Singapore)។ សម្រាប់កម្ពុជា នេះអាចជាចំណុចខ្វះចន្លោះព្រោះបរិបទនៃហេដ្ឋារចនាសម្ព័ន្ធ និងថវិការបស់យើងនៅមានកម្រិតខុសពីទីក្រុងគំរូទាំងនោះ។
ទោះបីជាបច្ចេកវិទ្យាមួយចំនួនមានតម្លៃថ្លៃ ប៉ុន្តែគោលគំនិតនៃការរួមបញ្ចូល AI និង IoT គឺមានសារៈសំខាន់ណាស់សម្រាប់ការរៀបចំផែនការអភិវឌ្ឍន៍ទីក្រុងនៅកម្ពុជា។
កម្ពុជាគួរតែចាប់ផ្តើមពីគម្រោងសាកល្បងខ្នាតតូច (Pilot Projects) ជាជាងការផ្លាស់ប្តូរទីក្រុងទាំងមូលភ្លាមៗ ដោយផ្តោតលើបញ្ហាបន្ទាន់ដូចជា សំរាម និងចរាចរណ៍។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| AIoT (Artificial Intelligence of Things) | ជាការរួមបញ្ចូលគ្នារវាងបច្ចេកវិទ្យាបញ្ញាសិប្បនិម្មិត (AI) និងអ៊ីនធឺណិតនៃវត្ថុ (IoT)។ បច្ចេកវិទ្យានេះអនុញ្ញាតឱ្យឧបករណ៍ IoT មិនត្រឹមតែប្រមូលទិន្នន័យប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងអាចវិភាគ និងធ្វើការសម្រេចចិត្តដោយឆ្លាតវៃនៅនឹងកន្លែង ដោយមិនចាំបាច់រង់ចាំមនុស្សបញ្ជា។ | ដូចជាកាមេរ៉ាសុវត្ថិភាពដែលមិនត្រឹមតែថតរូបភាពប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងចេះសម្គាល់មុខចោរ ហើយបិទទ្វារដោយស្វ័យប្រវត្តិ។ |
| Bibliometric analysis | វិធីសាស្រ្តវិភាគស្ថិតិទៅលើទិន្នន័យនៃការបោះពុម្ពផ្សាយ (ដូចជាអត្ថបទស្រាវជ្រាវ ឬសៀវភៅ) ដើម្បីវាស់វែងឥទ្ធិពល និន្នាការនៃការសិក្សា និងបណ្តាញទំនាក់ទំនងរវាងអ្នកនិពន្ធ ឬប្រធានបទនៅក្នុងវិស័យណាមួយ។ | ប្រៀបដូចជាការមើលផែនទីនៃបណ្តាញទំនាក់ទំនងក្នុងកម្មវិធីជប់លៀងមួយ ដើម្បីដឹងថាអ្នកណាជាមនុស្សល្បីឈ្មោះជាងគេ និងក្រុមណាចូលចិត្តនិយាយគ្នាអំពីប្រធានបទអ្វី។ |
| Urban metabolism | គំនិតនៃការសិក្សាអំពីទីក្រុងដោយប្រៀបធៀបទៅនឹងរាងកាយរបស់ភាវៈរស់ ដោយវិភាគទៅលើលំហូរចូលនៃធនធាន (ដូចជាទឹក ថាមពល អាហារ) និងលំហូរចេញនៃកាកសំណល់ ដើម្បីស្វែងរកវិធីកាត់បន្ថយការប្រើប្រាស់ធនធាន និងការបំពុល។ | ដូចជាការតាមដានការញ៉ាំអាហារ និងការបញ្ចេញចោលរបស់រាងកាយមនុស្ស ដើម្បីដឹងថាតើយើងមានសុខភាពល្អ ឬឈឺ។ |
| Digital Twins | ការបង្កើតគំរូទីក្រុង ឬប្រព័ន្ធហេដ្ឋារចនាសម្ព័ន្ធនៅក្នុងកុំព្យូទ័រ (Virtual Replica) ដែលដូចបេះបិទនឹងរបស់ពិត ដើម្បីធ្វើការពិសោធន៍ ឬព្យាករណ៍ពីផលប៉ះពាល់នៃគម្រោងអ្វីមួយ មុននឹងចាប់ផ្តើមសាងសង់ ឬអនុវត្តជាក់ស្តែង។ | ដូចជាការលេងហ្គេមសាងសង់ទីក្រុង (SimCity) ដើម្បីសាកល្បងរៀបចំផ្លូវថ្នល់ និងមើលពីបញ្ហាកកស្ទះ មុននឹងចាប់ផ្តើមចាក់បេតុងសាងសង់ផ្លូវពិតប្រាកដ។ |
| Explainable AI (XAI) | ប្រភេទនៃប្រព័ន្ធបញ្ញាសិប្បនិម្មិតដែលត្រូវបានរចនាឡើងដើម្បីឱ្យមនុស្សអាចយល់ពីមូលហេតុ និងដំណើរការដែលនាំឱ្យវាធ្វើការសម្រេចចិត្ត ឬផ្តល់ចម្លើយណាមួយ ដើម្បីធានានូវតម្លាភាព និងទំនុកចិត្ត។ | ដូចជាគ្រូគណិតវិទ្យាដែលតម្រូវឱ្យសិស្សសរសេរវិធីធ្វើ (Show work) ជាជាងគ្រាន់តែសរសេរចម្លើយចុងក្រោយ ដើម្បីឱ្យដឹងថាចម្លើយនោះបានមកពីណា។ |
| Evidence synthesis | ដំណើរការនៃការប្រមូលផ្តុំ វិភាគ និងសរុបលទ្ធផលពីការសិក្សាស្រាវជ្រាវដាច់ដោយឡែកជាច្រើនបញ្ចូលគ្នា ដើម្បីបង្កើតជាចំណេះដឹងថ្មីមួយដែលមានលក្ខណៈទូលំទូលាយ និងអាចទុកចិត្តបានសម្រាប់អ្នកធ្វើគោលនយោបាយ។ | ដូចជាការយកបំណែករូបភាព (Jigsaw) ពីប្រភពផ្សេងៗគ្នា មកផ្គុំចូលគ្នាដើម្បីមើលឃើញរូបភាពធំទាំងមូលនៃបញ្ហា។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
