បញ្ហា (The Problem)៖ ប្រព័ន្ធបញ្ញាសិប្បនិម្មិតសម្រាប់ការរកឃើញជំងឺដំណាំភាគច្រើនត្រូវការកុំព្យូទ័រទំហំធំ និងអ៊ីនធឺណិត ដែលធ្វើឱ្យកសិករខ្នាតតូចនៅតំបន់ដាច់ស្រយាលមិនអាចទាញយកអត្ថប្រយោជន៍បានដោយសារកង្វះខាតធនធាន។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះផ្តោតលើការអភិវឌ្ឍម៉ូដែលរៀនស៊ីជម្រៅខ្នាតតូច (Lightweight Deep Learning) ដោយប្រើប្រាស់បច្ចេកទេសបង្រួមទំហំ ដើម្បីឱ្យវាដំណើរការបាននៅលើឧបករណ៍ខ្នាតតូចនៅតាមវាលស្រែផ្ទាល់។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Optimized MobileNetV3-Small (TFLite + 8-bit Quantization) ម៉ូដែល MobileNetV3-Small បង្រួមទំហំកម្រិត 8-bit |
មានទំហំតូចបំផុត (<5 MB) ស៊ីថាមពលតិច និងអាចដំណើរការវិភាគរូបភាពបានលឿនលើឧបករណ៍ដែលគ្មានអ៊ីនធឺណិត។ | ទាមទារបច្ចេកទេសបង្រួមយ៉ាងប្រុងប្រយ័ត្នដើម្បីកុំឱ្យការបង្រួមទំហំនេះធ្វើឱ្យបាត់បង់ភាពត្រឹមត្រូវនៃការកំណត់សម្គាល់ជំងឺ។ | សម្រេចបានភាពត្រឹមត្រូវ ៩៨.៩០% និងមានល្បឿនវិភាគជាមធ្យម ៤.៩២ មីលីវិនាទី (ms)។ |
| Standard Heavyweight CNNs (ResNet, VGG, DenseNet) ម៉ូដែលបណ្ដាញសរសៃប្រសាទខ្នាតធំ (Standard CNNs) |
មានសមត្ថភាពខ្ពស់ក្នុងការវិភាគរូបភាពស្មុគស្មាញ និងផ្តល់ភាពត្រឹមត្រូវកម្រិតខ្ពស់បំផុត។ | ទំហំឯកសារធំ ទាមទារកុំព្យូទ័រដែលមានកម្លាំងខ្លាំង (GPU) ត្រូវការអ៊ីនធឺណិត និងចំណាយថាមពលអគ្គិសនីខ្ពស់។ | ស៊ីពេលវេលាវិភាគ និងថាមពលខ្ពស់ជាងម៉ូដែល Edge AI ចន្លោះពី ៣ ទៅ ៥ ដង។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះប្រើប្រាស់ធនធានកុំព្យូទ័រកម្រិតទាបសម្រាប់ការបង្វឹក និងផ្តោតលើឧបករណ៍ខ្នាតតូចដែលស៊ីថាមពលតិចបំផុតសម្រាប់ការដាក់ឱ្យដំណើរការ។
ការសិក្សានេះប្រើប្រាស់សំណុំទិន្នន័យ PlantVillage ដែលជារូបភាពថតក្នុងមន្ទីរពិសោធន៍ មានពន្លឺ និងផ្ទៃខាងក្រោយច្បាស់ល្អ ដែលមិនបានឆ្លុះបញ្ចាំងពេញលេញពីស្ថានភាពនៅវាលស្រែឡើយ។ សម្រាប់ប្រទេសកម្ពុជា ចំណុចនេះជារឿងសំខាន់ ព្រោះរូបភាពជាក់ស្តែងនៅតាមចម្ការតែងតែមានពន្លឺជះខ្លាំង ស្រមោល ឬស្មៅដុះជាន់គ្នា ដែលអាចធ្វើឱ្យម៉ូដែលប្រភេទនេះថយចុះភាពត្រឹមត្រូវយ៉ាងខ្លាំងនៅពេលយកទៅប្រើប្រាស់ផ្ទាល់។
បច្ចេកវិទ្យា Edge AI នេះពិតជាមានសក្តានុពលខ្ពស់ និងស័ក្តិសមបំផុតសម្រាប់ការអភិវឌ្ឍវិស័យកសិកម្មនៅក្នុងប្រទេសកម្ពុជា ដែលជួបបញ្ហាកង្វះខាតសេវាអ៊ីនធឺណិតនៅទីជនបទ។
ជារួម ការអភិវឌ្ឍនិងប្រើប្រាស់ម៉ូដែលខ្នាតតូចទាំងនេះនឹងជួយកាត់បន្ថយការពឹងផ្អែកលើអ្នកជំនាញកសិកម្មដោយផ្ទាល់ និងផ្តល់ដំណោះស្រាយលឿន រហ័ស ចំណាយតិច ដល់កសិករខ្មែរគ្រប់ទីកន្លែង។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Edge AI | ការដំណើរការប្រព័ន្ធបញ្ញាសិប្បនិម្មិត (AI) ដោយផ្ទាល់នៅលើឧបករណ៍ចុងទី (ដូចជាស្មាតហ្វូន កាមេរ៉ា ឬ Raspberry Pi) ដោយមិនចាំបាច់បញ្ជូនទិន្នន័យទៅវិភាគនៅលើម៉ាស៊ីនមេ (Cloud) នោះទេ ដែលជួយសន្សំសំចៃពេល ដំណើរការបានដោយគ្មានអ៊ីនធឺណិត និងការពារឯកជនភាពទិន្នន័យ។ | ដូចជាការគិតលេខដោយប្រើខួរក្បាលខ្លួនឯងផ្ទាល់នៅកន្លែង ដោយមិនបាច់ទូរស័ព្ទទៅសួរគ្រូនៅផ្ទះ។ |
| 8-bit post-training quantization | បច្ចេកទេសបង្រួមទំហំម៉ូដែល AI ក្រោយពេលបង្វឹករួច ដោយបំប្លែងទិន្នន័យលេខទសភាគកម្រិតខ្ពស់ (32-bit floating-point) មកត្រឹមលេខគត់កម្រិតទាប (8-bit integer) ដើម្បីឱ្យម៉ូដែលស៊ីទំហំផ្ទុកតូច និងរត់បានលឿននៅលើឧបករណ៍ខ្នាតតូច ជាមួយការថយចុះភាពត្រឹមត្រូវតិចតួចបំផុត។ | ដូចជាការបង្រួមទំហំរូបថតច្បាស់ខ្លាំង (HD) ឱ្យទៅជារូបថតទំហំតូចល្មមដែលអាចផ្ញើតាមតេឡេក្រាមបានលឿន តែយើងនៅតែអាចមើលដឹងច្បាស់ថារូបនោះជារូបអ្វី។ |
| Transfer learning | ការយកម៉ូដែល AI ដែលត្រូវបានគេបង្វឹករួចរាល់ឱ្យស្គាល់រូបភាពទូទៅរាប់លានសន្លឹក មកបន្តបង្វឹកបន្ថែមតែបន្តិចបន្តួចលើទិន្នន័យថ្មីមួយទៀត (ដូចជារូបភាពជំងឺស្លឹកដំណាំ) ដើម្បីចំណេញពេលវេលា និងថាមពលកុំព្យូទ័រដោយមិនបាច់រៀនពីចំណុចសូន្យឡើងវិញ។ | ដូចជាចុងភៅដែលចេះធ្វើម្ហូបខ្មែរយ៉ាងស្ទាត់ជំនាញស្រាប់ គាត់គ្រាន់តែរៀនបន្ថែមបន្តិចបន្តួចក៏អាចចេះធ្វើម្ហូបថៃបានយ៉ាងងាយស្រួល ដោយមិនបាច់រៀនកាន់កាំបិតពីដំបូង។ |
| MobileNetV3-Small | ជាស្ថាបត្យកម្មបណ្ដាញសរសៃប្រសាទសិប្បនិម្មិត (CNN) ប្រភេទស្រាល ដែលត្រូវបានបង្កើតឡើងដោយក្រុមហ៊ុន Google សម្រាប់ដំណើរការលើឧបករណ៍ដែលមានសមត្ថភាពទាប ដោយវាស៊ីថាមពលតិច និងធ្វើការបានលឿនជាងម៉ូដែលខ្នាតធំធម្មតា។ | ដូចជារថយន្តប្រភេទ Hybrid ឬម៉ូតូធុនតូច ដែលរចនាឡើងសម្រាប់ជិះក្នុងក្រុងបានលឿន និងស៊ីសាំងតិចបំផុត ផ្ទុយពីរថយន្តដឹកទំនិញធុនធ្ងន់។ |
| Structured pruning | ជាដំណើរការកាត់ចោលនូវផ្នែក ឬបណ្តាញតភ្ជាប់សរសៃប្រសាទសិប្បនិម្មិតណាដែលមិនសូវមានប្រយោជន៍ ឬមិនសូវដំណើរការនៅក្នុងម៉ូដែល ដើម្បីកាត់បន្ថយទំហំ និងបង្កើនល្បឿនប្រតិបត្តិការដោយមិនប៉ះពាល់ដល់សមត្ថភាពរួមរបស់វា។ | ដូចជាការកាត់មែកឈើដែលស្ងួត ឬមិនចេញផ្លែចោល ដើម្បីឱ្យដើមឈើទាំងមូលមានរាងតូចស្អាត និងលូតលាស់បានល្អជាងមុន។ |
| Inference time | រយៈពេលដែលម៉ូដែលបញ្ញាសិប្បនិម្មិតប្រើប្រាស់ដើម្បីទស្សន៍ទាយ ឬទាញយកលទ្ធផលចេញពីទិន្នន័យថ្មីមួយ (ឧទាហរណ៍៖ ចាប់ពីពេលបញ្ចូលរូបស្លឹកឈើ រហូតដល់ពេលប្រព័ន្ធលោតប្រាប់ឈ្មោះជំងឺ)។ | ដូចជារយៈពេលដែលអ្នកត្រូវការដើម្បីគិតរកចម្លើយ បន្ទាប់ពីមិត្តភក្តិសួរល្បែងប្រាជ្ញាមួយរួច។ |
| Data Augmentation | បច្ចេកទេសបង្កើតទិន្នន័យថ្មីៗបន្ថែមពីទិន្នន័យចាស់ដែលមានស្រាប់ តាមរយៈការបង្វិលរូប ត្រឡប់រូប ផ្លាស់ប្តូរពន្លឺ ឬពង្រីកបង្រួម ដើម្បីបង្វឹកម៉ូដែល AI ឱ្យកាន់តែឆ្លាត និងអាចស្គាល់វត្ថុនោះក្នុងស្ថានភាពផ្សេងៗគ្នា។ | ដូចជាការស្លៀកពាក់ខោអាវប្លែកៗ ពាក់មួក ឬពាក់វ៉ែនតា ដើម្បីបង្ហាត់ឱ្យប្រព័ន្ធស្កេនមុខនៅតែអាចស្គាល់យើងបាន ទោះស្ថិតក្នុងស្ថានភាពណាក៏ដោយ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
