បញ្ហា (The Problem)៖ ជំងឺរុក្ខជាតិបណ្តាលឱ្យមានការខាតបង់សេដ្ឋកិច្ចយ៉ាងធ្ងន់ធ្ងរក្នុងវិស័យកសិកម្ម ចំណែកឯការតាមដានដោយដៃមានការលំបាក ខណៈម៉ូដែលបច្ចេកវិទ្យាដែលមានស្រាប់ទាមទារថាមពលកុំព្យូទ័រខ្ពស់មិនស័ក្តិសមប្រើលើទូរស័ព្ទដៃ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះស្នើឡើងនូវការបង្កើតកម្មវិធីទូរស័ព្ទដៃដោយប្រើប្រាស់បច្ចេកវិទ្យាបញ្ញាសិប្បនិម្មិតដើម្បីចំណាត់ថ្នាក់ និងរកឃើញជំងឺរុក្ខជាតិ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Original Inception Model ម៉ូដែល Inception ដើម |
មានសមត្ថភាពអាចស្គាល់វត្ថុរហូតដល់ ១០០០ ប្រភេទ និងមានភាពសុក្រឹតខ្ពស់ដោយសារត្រូវបានហ្វឹកហាត់លើសំណុំទិន្នន័យដ៏ធំ (ImageNet)។ | មានទំហំធំ (១៧៦ MB) ទាមទារថាមពលកុំព្យូទ័រខ្ពស់ និងមិនស័ក្តិសមក្នុងការដំឡើង ឬដំណើរការលើទូរស័ព្ទដៃឆ្លាតវៃកម្រិតមធ្យមឡើយ។ | ទំហំឯកសារធំដល់ទៅ ១៧៦ MB ដែលដំណើរការយឺតលើឧបករណ៍ចល័ត។ |
| Retrained Lightweight Model (Proposed) ម៉ូដែលទំហំស្រាលដែលបានបណ្តុះបណ្តាលឡើងវិញ (ម៉ូដែលស្នើឡើង) |
មានទំហំតូច ស៊ីមេម៉ូរី និងថាមពលថ្មតិច ដែលធ្វើឱ្យវាមានភាពងាយស្រួល និងរហ័សក្នុងការប្រតិបត្តិការផ្ទាល់នៅលើកម្មវិធីទូរស័ព្ទដៃ (Android)។ | ត្រូវបានហ្វឹកហាត់លើរូបភាពមានកំណត់ (ត្រឹមតែ ៥០០ រូបភាព) ដែលអាចប៉ះពាល់ដល់ភាពសុក្រឹត ប្រសិនបើជួបរូបភាពរុក្ខជាតិប្លែកៗច្រើននៅខាងក្រៅ។ | ទំហំម៉ូដែលត្រូវបានកាត់បន្ថយ ៥២.៦% (មកត្រឹម ៨៣.៣ MB) និងមានសមត្ថភាពស្គាល់ជំងឺលើរុក្ខជាតិ ៤ ប្រភេទ។ |
| Traditional Machine Learning (SVM/K-Means) ការសិក្សាម៉ាស៊ីនបែបប្រពៃណី (ឧ. SVM ឬ K-Means) |
ប្រើប្រាស់ធនធានកុំព្យូទ័រតិចជាង Deep learning និងងាយស្រួលយល់អំពីដំណើរការនៃការវាយតម្លៃ។ | ជួបប្រទះការលំបាកក្នុងការទាញយកលក្ខណៈពិសេស (Feature extraction) ជាពិសេសនៅពេលផ្ទៃខាងក្រោយនៃរូបភាពមានភាពរញ៉េរញ៉ៃ។ | ទាមទារការកំណត់លក្ខណៈ និងកាត់ផ្ទៃខាងក្រោយពីរូបភាពដោយដៃ (Manual intervention)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការស្រាវជ្រាវនេះទាមទារនូវធនធានផ្នែកទន់ កុំព្យូទ័រ និងទិន្នន័យជាមូលដ្ឋានមួយចំនួន ដើម្បីដំណើរការការបណ្តុះបណ្តាលម៉ូដែលឡើងវិញ (Transfer Learning) និងការធ្វើតេស្ត។
ការសិក្សានេះប្រើប្រាស់សំណុំទិន្នន័យ PlantVillage ដែលថតនៅក្នុងមន្ទីរពិសោធន៍ (Controlled environment) និងរួមបញ្ចូលរុក្ខជាតិដូចជាផ្លែប៉ោម ដែលមិនសូវដាំដុះនៅកម្ពុជា។ ការប្រើប្រាស់រូបភាពត្រឹមតែ ៥០០ សន្លឹក និងគ្មានពន្លឺ ឬផ្ទៃខាងក្រោយរញ៉េរញ៉ៃតាមចម្ការជាក់ស្តែង អាចធ្វើឱ្យម៉ូដែលនេះដំណើរការមិនបានល្អ (Low accuracy) នៅពេលកសិករខ្មែរយកទៅថតផ្ទាល់នៅតាមស្រែចម្ការ។ នេះជាចន្លោះប្រហោងទិន្នន័យដែលត្រូវបំពេញមុននឹងអាចយកមកប្រើជាផ្លូវការ។
ទោះបីជាមានដែនកំណត់ផ្នែកទិន្នន័យក៏ដោយ វិធីសាស្រ្តកាត់បន្ថយទំហំម៉ូដែល (Lightweight model) នេះមានសក្តានុពលខ្ពស់ខ្លាំងក្នុងការជួយដល់វិស័យកសិកម្មនៅប្រទេសកម្ពុជា។
ជារួម ការអភិវឌ្ឍម៉ូដែល AI ដែលមានទំហំតូច និងអាចដំណើរការលើទូរស័ព្ទដៃបានដោយរលូន គឺជាដំណោះស្រាយដ៏ត្រឹមត្រូវ និងអាចអនុវត្តបានជាក់ស្តែងបំផុតសម្រាប់បរិបទកសិកម្មឌីជីថលនៅកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| TensorFlow | បណ្ណាល័យកូដបើកចំហ (Open-source library) បង្កើតដោយក្រុមហ៊ុន Google ដែលប្រើប្រាស់សម្រាប់សរសេរកម្មវិធីទាក់ទងនឹងការសិក្សាម៉ាស៊ីន (Machine Learning) និងបញ្ញាសិប្បនិម្មិត ជាពិសេសសម្រាប់ការគណនាទិន្នន័យធំៗតាមរយៈ Dataflow graphs។ | ដូចជាប្រអប់ឧបករណ៍ជាងដ៏ធំមួយដែលមានឧបករណ៍ស្រាប់ៗសម្រាប់ឱ្យយើងយកទៅដំឡើង ឬបង្រៀនកុំព្យូទ័រឱ្យចេះគិតដោយខ្លួនឯង។ |
| Convolutional Neural Network (CNN) | ប្រភេទនៃក្បួនដោះស្រាយផ្នែក Deep Learning ដែលពូកែខាងវិភាគ និងសម្គាល់រូបភាព ដោយវាយកលក្ខណៈពិសេសនីមួយៗ (ដូចជា គែម ពណ៌ ទម្រង់) នៃរូបភាពមកពិនិត្យជាដំណាក់កាលៗ។ | ដូចជាភ្នែក និងខួរក្បាលរបស់យើងដែលសម្លឹងមើលសន្លឹករុក្ខជាតិ រួចកត់សម្គាល់ឃើញចំណុចអុចៗ ឬពណ៌លឿង ដើម្បីដឹងថាវាមានជំងឺអ្វី។ |
| Transfer Learning | បច្ចេកទេសក្នុងការយកម៉ូដែលបញ្ញាសិប្បនិម្មិតដែលគេបានហ្វឹកហាត់រួចហើយលើកិច្ចការមួយ (ឧ. ស្គាល់សត្វ ឡាន) មកហ្វឹកហាត់បន្តបន្តិចបន្តួចដើម្បីឱ្យវាចេះធ្វើកិច្ចការថ្មីមួយទៀត (ឧ. ស្គាល់ជំងឺស្លឹកឈើ) ដែលជួយសន្សំទាំងពេលវេលា និងទិន្នន័យ។ | ដូចជាសិស្សដែលចេះជិះកង់រួចហើយ ពេលទៅរៀនជិះម៉ូតូ គឺគាត់រៀនឆាប់ចេះជាងអ្នកដែលមិនធ្លាប់ចេះជិះអ្វីសោះ។ |
| Inception model | ស្ថាបត្យកម្មម៉ូដែលបណ្ដាញសរសៃប្រសាទសិប្បនិម្មិត (Neural Network architecture) មួយប្រភេទដែលមានសមត្ថភាពខ្ពស់ក្នុងការសម្គាល់វត្ថុផ្សេងៗក្នុងរូបភាព ដោយប្រើប្រាស់រចនាសម្ព័ន្ធស្មុគស្មាញដើម្បីទាញយកលក្ខណៈលម្អិតនៃរូបភាពក្នុងទំហំខុសៗគ្នា។ | ដូចជាក្រុមអ្នកស៊ើបអង្កេតជាច្រើននាក់ដែលសហការគ្នាពិនិត្យមើលរូបភាពមួយសន្លឹកក្នុងពេលតែមួយ តាំងពីស្នាមតូចបំផុតរហូតដល់ទម្រង់ធំ ដើម្បីសន្និដ្ឋានថាវាជារូបអ្វីឱ្យបានជាក់លាក់។ |
| bottleneck | ជាដំណាក់កាលនៃស្រទាប់បណ្តាញ (Layer) ក្នុងម៉ូដែលមុននឹងឈានដល់ការសម្រេចចិត្តចុងក្រោយ ដែលវាធ្វើការបង្រួមទិន្នន័យរូបភាពទៅជាទម្រង់លេខតូចមួយ (Vector) ដើម្បីងាយស្រួលប្រៀបធៀប និងកាត់បន្ថយទំហំគណនា។ | ដូចជាការសង្ខេបសៀវភៅមួយក្បាលក្រាស់ មកនៅត្រឹមក្រដាសមួយសន្លឹកដែលកត់ត្រាតែចំណុចសំខាន់ៗបំផុតសម្រាប់យកទៅប្រឡង។ |
| Protobuf (.pb) | ទម្រង់ឯកសារ (Protocol Buffers) ដែលផ្ទុកនូវទិន្នន័យរចនាសម្ព័ន្ធ និងទម្ងន់ (Weights) នៃម៉ូដែលដែលបានហ្វឹកហាត់រួច។ វាមានទំហំតូច និងដំណើរការលឿនជាងទម្រង់ឯកសារផ្សេងៗ ដែលស័ក្តិសមបំផុតសម្រាប់ប្រើប្រាស់លើកម្មវិធីទូរស័ព្ទ។ | ដូចជាការបត់ខោអាវ និងវេចខ្ចប់វាចូលក្នុងវ៉ាលីយ៉ាងណែនល្អ ដើម្បីងាយស្រួលយួរយកទៅតាមខ្លួនពេលធ្វើដំណើរចម្ងាយឆ្ងាយ។ |
| epoch | ជាចំនួនជុំ ឬដងនៃការបញ្ជូនទិន្នន័យហ្វឹកហាត់ទាំងអស់ (Training Dataset) ទៅកាន់ម៉ូដែលបញ្ញាសិប្បនិម្មិត ដើម្បីឱ្យវារៀន និងកែតម្រូវកំហុសម្តងហើយម្តងទៀតរហូតដល់វាចងចាំបានល្អ។ | ដូចជាការអានសៀវភៅមេរៀនចប់មួយក្បាល ចាត់ទុកជាមួយជុំ (មួយ Epoch) ប្រសិនបើចង់ចាំច្បាស់ត្រូវអានសារចុះសារឡើងច្រើនជុំ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
