បញ្ហា (The Problem)៖ ឯកសារនេះផ្តោតលើការដោះស្រាយបញ្ហាប្រឈមក្នុងការសម្គាល់អក្សរអារ៉ាប់សរសេរដោយដៃ (Arabic Handwritten Text) ដោយសារតែលក្ខណៈស្មុគស្មាញ និងទម្រង់សរសេរតភ្ជាប់គ្នាយ៉ាងពិបាកអាននៃអក្សរអារ៉ាប់។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះស្នើឡើងនូវគំរូរៀនស៊ីជម្រៅ (Deep Learning Model) ថ្មីមួយដែលរួមបញ្ចូលគ្នានូវបណ្តាញសរសៃប្រសាទ (Neural Networks) ចំនួនពីរ រួមជាមួយនឹងគំរូភាសាសម្រាប់ការកែសម្រួលទិន្នន័យ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Proposed Model (ResNet-BiLSTM-CTC) គំរូដែលបានស្នើឡើងរួមបញ្ចូល ResNet ជាមួយ BiLSTM និង CTC |
មានភាពសុក្រឹតខ្ពស់ក្នុងការសម្គាល់អក្សរតភ្ជាប់គ្នា និងមានសមត្ថភាពកែតម្រូវកំហុសបានល្អតាមរយៈការប្រើប្រាស់គំរូភាសា (Language Model)។ | ទាមទារថាមពលកុំព្យូទ័រ (GPU) ខ្ពស់សម្រាប់ការហ្វឹកហាត់ ដោយសារតែភាពស្មុគស្មាញនៃទំហំបណ្តាញសរសៃប្រសាទកម្រិតជ្រៅ។ | សម្រេចបានអត្រាកំហុសពាក្យ (WER) ២៧.៣១% និងអត្រាកំហុសតួអក្សរ (CER) ១៣.២% លើសំណុំទិន្នន័យ KHATT។ |
| BiLSTM (Jemni et al.) គំរូ BiLSTM ស្នើដោយ Jemni និងសហការី (២០១៨) |
អាចចាប់យកព័ត៌មានបរិបទ (Contextual Information) បានល្អពីទិសដៅទាំងពីរនៃអត្ថបទ។ | មានការកំណត់លើទំហំវាក្យសព្ទ (Limited vocabulary) បើប្រៀបធៀបទៅនឹងវិធីសាស្ត្រថ្មីៗ។ | អត្រាកំហុសពាក្យ (WER) ២៩.១៣% និងអត្រាកំហុសតួអក្សរ (CER) ១៦.២៧% លើសំណុំទិន្នន័យ KHATT។ |
| Transformer with attention (Momeni & BabaAli) គំរូ Transformer ដែលមានយន្តការ Attention |
មានប្រសិទ្ធភាពខ្ពស់ក្នុងការរៀនពីទំនាក់ទំនងរវាងតួអក្សរក្នុងប្រយោគវែងៗ។ | ជួបប្រទះបញ្ហាទាក់ទងនឹងសមត្ថភាពទូទៅ (Generalizability) នៅពេលជួបប្រទះទិន្នន័យថ្មីដែលមិនធ្លាប់មានក្នុងសំណុំហ្វឹកហាត់។ | អត្រាកំហុសតួអក្សរ (CER) ១៨.៤៥% លើសំណុំទិន្នន័យ KHATT។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារធនធានកុំព្យូទ័រ និងផ្នែករឹងកម្រិតខ្ពស់សម្រាប់ការដំណើរការគំរូរៀនស៊ីជម្រៅ។
ការសិក្សានេះប្រើប្រាស់សំណុំទិន្នន័យ KHATT និង AHTID/MW ដែលប្រមូលផ្តុំពីអ្នកសរសេរជនជាតិអារ៉ាប់រាប់ពាន់នាក់។ សម្រាប់ប្រទេសកម្ពុជា ការពឹងផ្អែកលើសំណុំទិន្នន័យភាសាដទៃគឺមិនអាចយកមកប្រើផ្ទាល់បានទេ ហេតុនេះយើងចាំបាច់ត្រូវបង្កើតសំណុំទិន្នន័យអក្សរខ្មែរសរសេរដោយដៃផ្ទាល់ខ្លួនដែលមានលក្ខណៈចម្រុះ (គ្រប់វ័យ គ្រប់តំបន់) ដើម្បីធានាថាគំរូអាចស្គាល់ទម្រង់សរសេរដៃខ្មែរពិតប្រាកដ។
វិធីសាស្ត្ររួមបញ្ចូលគ្នា (ResNet ជាមួយ BiLSTM ព្រមទាំង CTC) នេះគឺស័ក្តិសមយ៉ាងខ្លាំងសម្រាប់ការអភិវឌ្ឍប្រព័ន្ធសម្គាល់អក្សរខ្មែរសរសេរដោយដៃ ព្រោះអក្សរខ្មែរមានទម្រង់ស្មុគស្មាញ តភ្ជាប់គ្នា និងមានស្រៈលើក្រោមស្រដៀងនឹងអក្សរអារ៉ាប់។
ជារួម ការអនុវត្តស្ថាបត្យកម្មរៀនស៊ីជម្រៅនេះអាចផ្លាស់ប្តូររបៀបដែលស្ថាប័នរដ្ឋនិងឯកជននៅកម្ពុជាគ្រប់គ្រងឯកសារ ដោយបំប្លែងក្រដាសស្នាមឱ្យទៅជាទិន្នន័យឌីជីថលប្រកបដោយប្រសិទ្ធភាព និងចំណាយពេលតិច។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Optical Character Recognition (OCR) | បច្ចេកវិទ្យាដែលប្រើសម្រាប់វិភាគរូបភាពនៃអត្ថបទ (ដូចជាក្រដាសសៀវភៅស្កេន ឬអក្សរសរសេរដៃ) ហើយបំប្លែងវាទៅជាទិន្នន័យអត្ថបទឌីជីថល ដែលកុំព្យូទ័រអាចយល់ កែសម្រួល និងស្វែងរកបានយ៉ាងងាយស្រួល។ | ដូចជាការយកភ្នែកមនុស្សទៅអានអក្សរលើក្រដាស រួចវាយបញ្ចូលទៅក្នុងកុំព្យូទ័រដោយស្វ័យប្រវត្តិ។ |
| Residual Network (ResNet) | ជាប្រភេទស្ថាបត្យកម្មបណ្តាញសរសៃប្រសាទ (CNN) កម្រិតជ្រៅ ដែលប្រើប្រាស់បច្ចេកទេស 'ផ្លូវកាត់' (Identity Shortcut Connection) ដើម្បីបញ្ជូនព័ត៌មានរំលងស្រទាប់មួយចំនួន។ វាជួយឱ្យម៉ូដែលអាចរៀនទាញយកលក្ខណៈពិសេសពីរូបភាពបានកាន់តែល្អ និងការពារមិនឱ្យដំណើរការហ្វឹកហាត់គាំងនៅពេលបណ្តាញមានស្រទាប់ច្រើនពេក។ | ដូចជាការសាងសង់ស្ពានអាកាសរំលងផ្លូវខ្វែងកាត់គ្នា ដើម្បីឱ្យរថយន្ត(ព័ត៌មាន)អាចធ្វើដំណើរទៅដល់គោលដៅបានលឿន និងមិនស្ទះចរាចរណ៍នៅកណ្តាលទីក្រុង។ |
| Bidirectional Long Short-Term Memory (BiLSTM) | ជាម៉ូដែលបណ្តាញសរសៃប្រសាទដែលអាចចងចាំព័ត៌មានតាមលំដាប់លំដោយ។ វាដំណើរការអត្ថបទពីទិសដៅទាំងពីរ (ពីអតីតកាលទៅអនាគតកាល និងពីអនាគតកាលមកអតីតកាល) ដើម្បីស្វែងយល់ពីបរិបទនៃតួអក្សរនីមួយៗបានយ៉ាងច្បាស់លាស់ ដោយផ្អែកលើតួអក្សរមុននិងតួអក្សរបន្ទាប់របស់វា។ | ដូចជាការអានសៀវភៅមួយវគ្គដោយមើលទាំងប្រយោគខាងដើម និងប្រយោគខាងចុង ដើម្បីទាយដឹងថាពាក្យដែលពិបាកអាននៅកណ្តាលនោះគឺជាពាក្យអ្វីពិតប្រាកដ។ |
| Connectionist Temporal Classification (CTC) | ជាមុខងារបណ្តាញសរសៃប្រសាទមួយដែលប្រើប្រាស់ដើម្បីទស្សន៍ទាយលំដាប់តួអក្សរ ដោយមិនចាំបាច់ដឹងមុនថាតួអក្សរនីមួយៗស្ថិតនៅទីតាំងពិតប្រាកដណាមួយក្នុងរូបភាពឡើយ។ វាមានប្រយោជន៍ខ្លាំងសម្រាប់ការសម្គាល់អក្សរតភ្ជាប់គ្នាដោយមិនបាច់កាត់ពាក្យជាចម្រៀកៗ (Segmentation-free)។ | ដូចជាការស្តាប់អ្នកចម្រៀងច្រៀងអូសបន្លាយសម្លេងយូរឬលឿន ប៉ុន្តែយើងនៅតែអាចកត់ត្រាពាក្យពេចន៍បានត្រឹមត្រូវ ដោយមិនខ្វល់ថាសម្លេងនោះវែងឬខ្លីប៉ុណ្ណានោះទេ។ |
| Language Model (LM) | ជាគំរូស្ថិតិដែលគណនាប្រូបាប៊ីលីតេ (ឱកាសកើតឡើង) នៃលំដាប់ពាក្យនៅក្នុងភាសាមួយ។ នៅក្នុងប្រព័ន្ធនេះ វាត្រូវបានប្រើនៅដំណាក់កាលចុងក្រោយដើម្បីកែតម្រូវកំហុសរបស់ម៉ាស៊ីន ដោយជ្រើសរើសពាក្យណាដែលទំនងជាត្រឹមត្រូវបំផុតតាមវេយ្យាករណ៍និងទម្លាប់ប្រើប្រាស់ទូទៅ។ | ដូចជាមុខងារកែអក្សរស្វ័យប្រវត្តិ (Auto-correct) លើទូរស័ព្ទដៃ ដែលជួយកែពាក្យខុសទៅជាពាក្យត្រូវដោយស្មានតាមទម្លាប់នៃការសរសេរប្រចាំថ្ងៃ។ |
| Word Error Rate (WER) | ជារង្វាស់សម្រាប់វាយតម្លៃកម្រិតនៃភាពត្រឹមត្រូវរបស់ប្រព័ន្ធសម្គាល់អត្ថបទ ដោយគណនាផ្អែកលើចំនួនពាក្យដែលប្រព័ន្ធទាយខុស (ដូចជាការជំនួសពាក្យខុស បាត់ពាក្យ ឬបន្ថែមពាក្យលើស) ធៀបនឹងចំនួនពាក្យសរុបពិតប្រាកដ។ អត្រាកាន់តែទាប មានន័យថាម៉ូដែលកាន់តែមានប្រសិទ្ធភាព។ | ដូចជាការប្រឡងសរសេរតាមអាន បើសរសេរខុស១០ពាក្យក្នុងចំណោម១០០ពាក្យ នោះអត្រាកំហុស (WER) របស់អ្នកគឺ ១០%។ |
| Erosion and Dilation | ជាបច្ចេកទេសផ្លាស់ប្តូរទម្រង់រូបភាព (Morphological operators) ដើម្បីលុបចំណុចរំខានចេញពីអត្ថបទ។ Erosion ធ្វើឱ្យទំហំតួអក្សររួញតូចដើម្បីលុបស្នាមអុចៗចោល រីឯ Dilation ធ្វើឱ្យតួអក្សររីកធំជាងមុនដើម្បីជួយតភ្ជាប់ខ្សែបន្ទាត់អក្សរដែលដាច់ៗឱ្យជាប់គ្នាវិញ។ | ដូចជាការយកជ័រលុបមកលុបស្នាមប្រឡាក់តូចៗជុំវិញអក្សរ រួចយកប៊ិចមកគូសបន្ថែមលើស្នាមអក្សរដែលដាច់ៗដើម្បីឱ្យមើលទៅច្បាស់ល្អ។ |
| Vanishing/exploding gradient problem | ជាបញ្ហាបច្ចេកទេសដែលកើតឡើងពេលហ្វឹកហាត់បណ្តាញសរសៃប្រសាទសិប្បនិម្មិតដែលមានស្រទាប់ច្រើនជាន់ពេក ធ្វើឱ្យតម្លៃនៃការកែតម្រូវកំហុសមានទំហំតូចពេក រហូតដល់បាត់សូន្យ ឬធំពេក រហូតដល់ផ្ទុះ ដែលបណ្តាលឱ្យម៉ូដែលមិនអាចរៀនសូត្របន្តទៀតបាន។ | ដូចជាការលេងខ្សឹបតគ្នាពីម្នាក់ទៅម្នាក់ក្នុងជួរដ៏វែងមួយ សារដើមអាចនឹងបាត់បង់ន័យទាំងស្រុង ឬប្រែប្រួលក្លាយជារឿងខុសស្រឡះពេលទៅដល់អ្នកចុងក្រោយគេ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
