បញ្ហា (The Problem)៖ បញ្ហាប្រឈមចម្បងគឺម៉ូដែលបញ្ញាសិប្បនិម្មិត (AI) បច្ចុប្បន្នមានសមត្ថភាពខ្ពស់ក្នុងការរកឃើញជំងឺមហារីក ប៉ុន្តែដំណើរការរបស់វាមានលក្ខណៈជា "ប្រអប់ខ្មៅ (Black-box)" ដែលខ្វះតម្លាភាព ធ្វើឱ្យគ្រូពេទ្យមានការស្ទាក់ស្ទើរក្នុងការជឿទុកចិត្ត និងប្រើប្រាស់ក្នុងការព្យាបាលជាក់ស្តែង។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះស្នើឡើងនូវក្របខណ្ឌការងារមួយដោយប្រើប្រាស់ម៉ូដែល ResNet50 សម្រាប់ការបែងចែករូបភាព រួមបញ្ចូលជាមួយបច្ចេកទេស Explainable AI (XAI) ចំនួនបី ដើម្បីពន្យល់ពីលទ្ធផលនៃការព្យាករណ៍។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Traditional CNN (ResNet) ម៉ូដែល Deep Learning បែបប្រពៃណី (មិនមានការបកស្រាយ) |
មានភាពត្រឹមត្រូវ (Accuracy) ខ្ពស់បំផុតក្នុងការបែងចែករូបភាព ដោយមិនចំណាយពេលគណនាលើការពន្យល់។ | ជាប្រអប់ខ្មៅ (Black-box) ដែលមិនអាចផ្តល់ហេតុផលនៃការព្យាករណ៍ ធ្វើឱ្យគ្រូពេទ្យខ្វះទំនុកចិត្ត។ | ភាពត្រឹមត្រូវ ៩៥% (ទិន្នន័យសម្មតិកម្ម) |
| CNN + XAI (Grad-CAM, LIME, SHAP) ម៉ូដែលដែលបំពាក់បច្ចេកទេសបកស្រាយ (Explainable AI) |
បង្កើនទំនុកចិត្តគ្រូពេទ្យយ៉ាងខ្លាំង ដោយបង្ហាញតំបន់នៃដុំសាច់ (Heatmap) ដែលម៉ូដែលបានរកឃើញ។ | ត្រូវការធនធានគណនាបន្ថែម និងអាចមានភាពត្រឹមត្រូវទាបជាងបន្តិចធៀបនឹងម៉ូដែលសុទ្ធ។ | ទំនុកចិត្តគ្រូពេទ្យ (Trust Score) ៩០% (ទិន្នន័យសម្មតិកម្ម) |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តគម្រោងនេះតម្រូវឱ្យមានធនធានកុំព្យូទ័រដែលមានសមត្ថភាពខ្ពស់ក្នុងការដំណើរការ Deep Learning និងវិធីសាស្ត្រគណនាដ៏ស្មុគស្មាញរបស់ SHAP ។
ការសិក្សានេះបានលើកឡើងអំពីបញ្ហាដែលម៉ូដែល AI មួយចំនួនត្រូវបានបង្វឹកលើទិន្នន័យអ្នកជំងឺស្បែកស (Lighter skin tones) ដែលអាចធ្វើឱ្យមានកំហុសនៅពេលយកមកប្រើលើអ្នកជំងឺដែលមានស្បែកស្រអែមឬខ្មៅ។ សម្រាប់កម្ពុជា នេះគឺជាចំណុចសំខាន់ណាស់ដែលត្រូវប្រាកដថាសំណុំទិន្នន័យ (Dataset) មានភាពចម្រុះ និងឆ្លុះបញ្ចាំងពីលក្ខណៈជីវសាស្ត្ររបស់ប្រជាជនអាស៊ីអាគ្នេយ៍។
វិធីសាស្ត្រ XAI នេះមានសារៈសំខាន់ខ្លាំងសម្រាប់វិស័យសុខាភិបាលនៅកម្ពុជា ដើម្បីកាត់បន្ថយគម្លាតរវាងបច្ចេកវិទ្យា និងការអនុវត្តជាក់ស្តែង។
បច្ចេកវិទ្យានេះមិនត្រឹមតែបង្កើនប្រសិទ្ធភាពនៃការធ្វើរោគវិនិច្ឆ័យប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងជួយការពារគ្រូពេទ្យ និងមន្ទីរពេទ្យពីបញ្ហាផ្លូវច្បាប់តាមរយៈការផ្តល់នូវតម្លាភាពក្នុងការសម្រេចចិត្ត។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Explainable AI (XAI) | គឺជាបច្ចេកវិទ្យាបញ្ញាសិប្បនិម្មិតដែលត្រូវបានរចនាឡើងដើម្បីឱ្យមនុស្សអាចយល់ពីមូលហេតុ និងដំណើរការនៃការសម្រេចចិត្តរបស់ម៉ាស៊ីន មិនមែនគ្រាន់តែបង្ហាញចម្លើយចុងក្រោយនោះទេ។ | ដូចសិស្សពូកែគណិតវិទ្យាដែលបង្ហាញរបៀបធ្វើលំហាត់មួយជំហានម្តងៗ មិនមែនសរសេរតែចម្លើយចុងក្រោយនោះទេ។ |
| Black-box | ពាក្យបច្ចេកទេសសម្រាប់ហៅប្រព័ន្ធ AI ស្មុគស្មាញ (ដូចជា Deep Learning) ដែលផ្តល់លទ្ធផលត្រឹមត្រូវ ប៉ុន្តែអ្នកប្រើប្រាស់មិនអាចមើលឃើញឬយល់ពីដំណើរការគណនាខាងក្នុងបាន។ | ដូចប្រអប់វេទមន្តដែលយើងដាក់វត្ថុចូល ហើយវាចេញជាលទ្ធផលមកវិញ ប៉ុន្តែយើងមិនដឹងថាមានអ្វីកើតឡើងនៅក្នុងប្រអប់នោះទេ។ |
| Convolutional Neural Networks (CNNs) | ជាប្រភេទនៃបណ្តាញប្រសាទសិប្បនិម្មិតដែលមានជំនាញពិសេសក្នុងការវិភាគទិន្នន័យជារូបភាព ដោយវាអាចស្កេនរកមើលលក្ខណៈសម្បត្តិដូចជា គែម រាង និងពណ៌ ដើម្បីសម្គាល់វត្ថុ។ | ប្រៀបដូចជាការយកកែវយឹតមកឆ្លុះមើលរូបភាពធំមួយម្តងមួយផ្នែកតូចៗ ដើម្បីផ្គុំគ្នាស្វែងយល់ថារូបភាពនោះជារូបអ្វី។ |
| Grad-CAM | បច្ចេកទេសមួយដែលបង្កើតជាផែនទីកម្ដៅ (Heatmap) ដើម្បីគូសបង្ហាញតំបន់សំខាន់ៗនៅលើរូបភាព ដែលមានឥទ្ធិពលបំផុតដល់ការសម្រេចចិត្តរបស់ AI ។ | ដូចជាគ្រូដែលយកប៊ិចក្រហមកូសរង្វង់លើកន្លែងខុសជាក់លាក់នៅក្នុងក្រដាសកិច្ចការ ដើម្បីប្រាប់សិស្សថាពិន្ទុត្រូវបានកាត់ត្រង់ណា។ |
| Histopathology | ការពិនិត្យមើលជាលិកា ឬសាច់ដែលកាត់ចេញពីរាងកាយតាមរយៈមីក្រូទស្សន៍ ដើម្បីស្វែងរកសញ្ញានៃជំងឺ ជាពិសេសគឺការផ្លាស់ប្តូរនៃកោសិកាមហារីក។ | ដូចជាការយកក្រណាត់មកឆ្លុះមើលសរសៃអំបោះតូចៗ ដើម្បីរកមើលកន្លែងដែលដាច់ឬខូចដែលភ្នែកធម្មតាមើលមិនឃើញ។ |
| SHAP (SHapley Additive exPlanations) | វិធីសាស្ត្រគណិតវិទ្យាសម្រាប់វាស់វែងថាតើកត្តានីមួយៗ (Features) បានចូលរួមចំណែកប៉ុន្មានភាគរយក្នុងការជួយឱ្យ AI ធ្វើការទស្សន៍ទាយមួយ។ | ដូចជាក្រុមបាល់ទាត់មួយដែលឈ្នះការប្រកួត ហើយយើងគណនាថាតើកីឡាករម្នាក់ៗបានរួមចំណែកប៉ុន្មានភាគរយក្នុងជ័យជម្នះនោះ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
