បញ្ហា (The Problem)៖ ឯកសារនេះរំលេចពីបញ្ហា និងសក្តានុពលនៃការរួមបញ្ចូលការវិភាគទិន្នន័យ IoT, Edge Computing និងបញ្ញាសិប្បនិម្មិត (AI) ដើម្បីបង្កើនប្រសិទ្ធភាពថាមពលនិងនិរន្តរភាពនៅក្នុងបរិស្ថានឆ្លាតវៃ ដូចជាទីក្រុង រោងចក្រ និងផ្ទះឆ្លាតវៃ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះធ្វើការវិភាគតាមបែបគន្ថនិទ្ទេស (Bibliometric Analysis) និងការពិនិត្យឡើងវិញជាប្រព័ន្ធដោយផ្នែក (Partial Systematic Review) ដោយប្រមូលនិងវាយតម្លៃអត្ថបទស្រាវជ្រាវពីទិន្នន័យធំៗចំនួនបួនក្នុងចន្លោះឆ្នាំ ២០១៦ ដល់ ២០២៥។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Convolutional Neural Network (CNN) បណ្ដាញសរសៃប្រសាទសិប្បនិម្មិត (Convolutional Neural Network) សម្រាប់ចំណាត់ថ្នាក់រូបភាព |
មានសមត្ថភាពខ្ពស់ក្នុងការរៀន និងទាញយកលក្ខណៈពិសេសពីរូបភាពដោយស្វ័យប្រវត្តិ។ ផ្តល់ភាពត្រឹមត្រូវខ្ពស់សម្រាប់ទិន្នន័យរូបភាពស្មុគស្មាញ។ | ទាមទារទិន្នន័យច្រើនសន្ធឹកសន្ធាប់សម្រាប់ការហ្វឹកហាត់ និងត្រូវការកម្លាំងម៉ាស៊ីនកុំព្យូទ័រ (GPU) ខ្លាំង។ | ទទួលបានភាពត្រឹមត្រូវ (Accuracy) ខ្ពស់រហូតដល់ ៩៥% លើការធ្វើតេស្ត។ |
| Support Vector Machine (SVM) ម៉ាស៊ីនវ៉ិចទ័រគាំទ្រ (Support Vector Machine) ជាវិធីសាស្ត្ររៀនម៉ាស៊ីនបែបបុរាណ |
ដំណើរការបានយ៉ាងល្អលើទិន្នន័យដែលមានទំហំតូច និងស៊ីធនធានកុំព្យូទ័រតិចតួច។ | ត្រូវការការទាញយកលក្ខណៈពិសេសពីរូបភាពដោយផ្ទាល់ដៃ (Manual feature extraction) ដែលចំណាយពេលយូរ និងងាយមានកំហុស។ | ទទួលបានភាពត្រឹមត្រូវត្រឹមតែ ៨២% ប៉ុណ្ណោះ ដែលទាបជាងម៉ូដែល Deep Learning។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តវិធីសាស្ត្រនេះទាមទារនូវធនធានកុំព្យូទ័រកម្រិតខ្ពស់ និងទិន្នន័យជាក់លាក់ដែលត្រូវចំណាយកម្លាំងពលកម្មច្រើន។
ការសិក្សានេះទំនងជាប្រើប្រាស់សំណុំទិន្នន័យពីបរទេស ដែលមានលក្ខខណ្ឌអាកាសធាតុ និងប្រភេទកសិកម្មខុសពីប្រទេសកម្ពុជា។ នេះជាបញ្ហាធំមួយ ដោយសារតែម៉ូដែលនេះអាចនឹងមិនស្គាល់ជំងឺ ឬបញ្ហាជាក់លាក់ដែលកើតឡើងលើដំណាំក្នុងស្រុករបស់យើង។ ការបំពាក់ម៉ូដែលនេះដោយផ្ទាល់ដោយមិនបានហ្វឹកហាត់ជាមួយទិន្នន័យក្នុងស្រុក អាចបណ្តាលឱ្យមានការទស្សន៍ទាយខុសឆ្គង។
វិធីសាស្ត្រវិភាគរូបភាពដោយប្រើ AI នេះមានសក្តានុពល និងសារៈសំខាន់ខ្លាំងណាស់សម្រាប់ការអភិវឌ្ឍវិស័យកសិកម្មឆ្លាតវៃនៅកម្ពុជា។
ជារួម បច្ចេកវិទ្យានេះអាចផ្លាស់ប្តូរវិធីសាស្ត្រគ្រប់គ្រងដំណាំនៅកម្ពុជា ឱ្យកាន់តែមានប្រសិទ្ធភាព និងចំណាយតិច តាមរយៈការធ្វើកសិកម្មបែបទំនើប។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Convolutional Neural Network (CNN) | វាជាប្រភេទនៃបណ្ដាញសរសៃប្រសាទសិប្បនិម្មិតដែលត្រូវបានរចនាឡើងយ៉ាងពិសេសសម្រាប់វិភាគ និងសម្គាល់លំនាំនៅក្នុងទិន្នន័យជារូបភាព តាមរយៈការប្រើប្រាស់តម្រង (Filters) ដើម្បីចាប់យកលក្ខណៈផ្សេងៗដូចជា គែម ពណ៌ និងរូបរាងនៃរូបភាព។ | ដូចជាភ្នែក និងខួរក្បាលរបស់មនុស្សដែលចេះសង្កេត និងបែងចែកចំណុចពិសេសៗនៃវត្ថុមួយ ដើម្បីដឹងថាវត្ថុនោះជារបស់អ្វី។ |
| Feature Extraction | វាជាដំណើរការនៃការទាញយកចំណុចសំខាន់ៗ ឬលក្ខណៈពិសេសៗចេញពីទិន្នន័យឆៅ (ដូចជារូបភាពដំណាំ) ដើម្បីបំប្លែងទិន្នន័យស្មុគស្មាញទាំងនោះទៅជាទម្រង់សាមញ្ញដែលកុំព្យូទ័រងាយស្រួលយល់ និងធ្វើការវិភាគបន្ត។ | ដូចជាការចំណាំតែស្លាកស្នាម ឬទម្រង់មុខរបស់នរណាម្នាក់ ដើម្បីចំណាំគេ ជំនួសឱ្យការចងចាំគ្រប់សរសៃសក់របស់គេ។ |
| Support Vector Machine (SVM) | គឺជាក្បួនដោះស្រាយផ្នែករៀនម៉ាស៊ីន (Machine Learning Algorithm) ដែលមានតួនាទីស្វែងរកបន្ទាត់ ឬប្លង់ព្រំដែនគណិតវិទ្យាដ៏ល្អបំផុត ដើម្បីបែងចែកទិន្នន័យទៅជាក្រុម ឬប្រភេទផ្សេងៗគ្នាយ៉ាងច្បាស់លាស់។ | ដូចជាការគូសបន្ទាត់នៅលើដី ដើម្បីបែងចែកក្រុមសិស្សពាក់អាវក្រហម និងអាវខៀវឱ្យឈរនៅម្ខាងម្នាក់ដាច់ពីគ្នា។ |
| Data Augmentation | បច្ចេកទេសបង្កើតទិន្នន័យហ្វឹកហាត់ថ្មីៗបន្ថែមពីទិន្នន័យដើមដែលមានស្រាប់ តាមរយៈការបង្វិល បង្រួម ពង្រីក ឬប្តូរពន្លឺរូបភាព ដើម្បីឱ្យម៉ូដែលរៀនបានកាន់តែច្រើនជម្រើស និងឆ្លាតជាងមុន។ | ដូចជាការឱ្យសិស្សម្នាក់មើលរូបឆ្កែពីជ្រុងផ្សេងៗគ្នា (ពីមុខ ពីចំហៀង ផ្កាប់ចុះ) ដើម្បីឱ្យគេប្រាកដចិត្តថាវាជាសត្វឆ្កែទោះបីជាមើលពីជ្រុងណាក៏ដោយ។ |
| Overfitting | ជាស្ថានភាពអវិជ្ជមានមួយដែលម៉ូដែលបញ្ញាសិប្បនិម្មិតបានរៀន និងទន្ទេញចាំទិន្នន័យហ្វឹកហាត់ច្បាស់ហួសហេតុពេក រហូតដល់វាបាត់បង់សមត្ថភាពក្នុងការទស្សន៍ទាយភាពត្រឹមត្រូវលើទិន្នន័យថ្មីៗដែលវាមិនធ្លាប់ជួបពីមុនមក។ | ដូចជាសិស្សដែលទន្ទេញចាំចម្លើយលំហាត់ក្នុងសៀវភៅសម្រាប់ប្រឡង ប៉ុន្តែមិនចេះធ្វើលំហាត់ថ្មីដែលគ្រូគ្រាន់តែប្តូរលេខតួអក្សរ។ |
| Confusion Matrix | វាជាតារាងគណិតវិទ្យាដែលប្រើសម្រាប់វាយតម្លៃសមត្ថភាពរបស់ម៉ូដែល ដោយបង្ហាញលម្អិតពីចំនួនដងដែលវាទស្សន៍ទាយត្រូវ និងចំនួនដងដែលវាទស្សន៍ទាយខុស (ឧទាហរណ៍ ច្រឡំពីរូបភាពស្លឹកមានជំងឺ ទៅជាស្លឹកធម្មតា)។ | ដូចជាតារាងពិន្ទុដែលបង្ហាញថា សិស្សឆ្លើយត្រូវប៉ុន្មានសំណួរ ហើយឆ្លើយខុសធ្លាក់លើសំណួរណាខ្លះឱ្យប្រាកដ។ |
| Epoch | វាគឺជាវដ្តពេញលេញមួយដង ដែលម៉ូដែលបញ្ញាសិប្បនិម្មិតបានអាន រៀន និងវិភាគលើសំណុំទិន្នន័យហ្វឹកហាត់ទាំងមូលចាប់ពីទិន្នន័យដំបូងរហូតដល់ទិន្នន័យចុងក្រោយ។ | ដូចជាការអានសៀវភៅមេរៀនមួយក្បាលចប់មួយចប់ពេញ មុនពេលចាប់ផ្តើមអានសាជាថ្មីម្តងទៀតដើម្បីឱ្យកាន់តែចងចាំ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
