បញ្ហា (The Problem)៖ ក្បួនដោះស្រាយការសម្គាល់សំឡេងតាមបែបស្ថិតិទទួលរងនូវការធ្លាក់ចុះប្រសិទ្ធភាពយ៉ាងខ្លាំងនៅពេលដែលបរិយាកាសសំឡេងនៃការហ្វឹកហាត់ និងការធ្វើតេស្តជាក់ស្តែង (សំឡេងរំខាន ការបន្ទរ) មិនស្របគ្នា ហើយការប្រមូលទិន្នន័យដើម្បីហ្វឹកហាត់ប្រព័ន្ធឡើងវិញសម្រាប់គ្រប់បរិស្ថានទាំងអស់ទាមទារចំណាយច្រើនពេក។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះស្នើឡើងនូវមុខងារគោលបំណងថ្មីនៃបណ្ដាញសរសៃប្រសាទអតិបរមា (Maximum Likelihood Neural Network - MLNN) សម្រាប់បន្សាំឧបករណ៍សម្គាល់សំឡេងដោយស្វ័យប្រវត្តិ តាមរយៈការអនុវត្តការបំប្លែងមិនមែនលីនេអ៊ែរដោយធ្វើឱ្យប្រសើរឡើងនូវបណ្ដាញសរសៃប្រសាទរួមគ្នាជាមួយ HMMs។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Baseline (with Cepstral Mean Normalization - CMN) ម៉ូដែលមូលដ្ឋានដែលមានការធ្វើឱ្យមធ្យមភាគ Cepstral មានលក្ខណៈធម្មតា (CMN) |
ងាយស្រួលអនុវត្ត ដំណើរការលឿន និងជួយកាត់បន្ថយឥទ្ធិពលនៃការបង្អាក់សំឡេងដោយមិនតម្រូវឱ្យមានទិន្នន័យបន្សាំ (Adaptation data) នោះទេ។ | មានប្រសិទ្ធភាពទាបនៅពេលជួបប្រទះសំឡេងរំខានខ្លាំង ការបន្ទរ ឬការខូចទ្រង់ទ្រាយមិនមែនលីនេអ៊ែរដែលស្មុគស្មាញ។ | សម្រេចបានភាពត្រឹមត្រូវត្រឹមតែ ២៣.៧% ប៉ុណ្ណោះ សម្រាប់សំឡេងនិយាយពីចម្ងាយដែលមានសំឡេងរំខានកម្រិត 20dB។ |
| Maximum Likelihood Linear Regression (MLLR) ការតំរែតំរង់លីនេអ៊ែរដោយប្រូបាប៊ីលីតេអតិបរមា |
ជាវិធីសាស្ត្រស្តង់ដារដែលដំណើរការបានយ៉ាងល្អសម្រាប់ការបន្សាំអ្នកនិយាយ តាមរយៈការតម្រូវប៉ារ៉ាម៉ែត្រលីនេអ៊ែរ។ | មិនសូវមានប្រសិទ្ធភាពចំពោះបញ្ហាសំឡេងរំខានមិនមែនលីនេអ៊ែរ និងទាមទារប៉ារ៉ាម៉ែត្រច្រើនក្នុងការប្រមាណ។ | សម្រេចបានភាពត្រឹមត្រូវ ៥៤.៤% ជាមួយប្រយោគបន្សាំចំនួន ១០ ក្នុងបរិស្ថានមានសំឡេងរំខាន។ |
| Mean Squared Error Neural Network (MSENN) បណ្ដាញសរសៃប្រសាទផ្អែកលើកំហុសការ៉េមធ្យម |
មានសមត្ថភាពខ្ពស់ក្នុងការរៀន និងបំប្លែងភាពខុសគ្នាមិនមែនលីនេអ៊ែររវាងបរិស្ថានហ្វឹកហាត់ និងបរិស្ថានធ្វើតេស្តជាក់ស្តែង។ | ទាមទារយ៉ាងដាច់ខាតនូវទិន្នន័យស្តេរ៉េអូ (Stereo Data - ការថតចម្លងស្របគ្នារវាងសំឡេងច្បាស់ និងសំឡេងរំខាន) ដែលពិបាករកក្នុងស្ថានភាពជាក់ស្តែង។ | ផ្តល់ភាពត្រឹមត្រូវ ៦៤.៣% ដោយប្រើប្រាស់ទិន្នន័យបន្សាំចំនួន ១០០ ប្រយោគ។ |
| Maximum Likelihood Neural Network (MLNN) បណ្ដាញសរសៃប្រសាទប្រូបាប៊ីលីតេអតិបរមា (វិធីសាស្ត្រស្នើឡើង) |
មិនត្រូវការទិន្នន័យស្តេរ៉េអូ មានភាពស៊ីសង្វាក់គ្នាជាមួយប្រព័ន្ធ HMM និងប្រើប្រាស់ទិន្នន័យបន្សាំតិចតួចបំផុត (១០ ទៅ ១០០ ប្រយោគ)។ | ការបំប្លែងលក្ខណៈពិសេសអាចជួបបញ្ហាក្នុងការរៀន (Trainability / Local Minima) ប្រសិនបើប្រើទិន្នន័យតិចតួចពេកដោយគ្មានការបន្សាំម៉ូដែលរួមបញ្ចូលគ្នា។ | សម្រេចបានភាពត្រឹមត្រូវរហូតដល់ ៧៧.៤% (ពេលបន្សាំ Mean និង Variance) និង ៨៣.២% សម្រាប់ការបន្សាំដោយគ្មានការត្រួតពិនិត្យរួមបញ្ចូលជាមួយ MSENN។ |
| Retrained Recognizer ឧបករណ៍សម្គាល់ដែលបានហ្វឹកហាត់ឡើងវិញទាំងស្រុង |
ផ្តល់ភាពត្រឹមត្រូវខ្ពស់បំផុត (Upper Bound) ដោយសារម៉ូដែលត្រូវបានហ្វឹកហាត់ផ្ទាល់ជាមួយបរិស្ថានថ្មីនោះតែម្តង។ | ចំណាយថវិកា និងពេលវេលាច្រើនបំផុតក្នុងការប្រមូលទិន្នន័យរាប់ពាន់ប្រយោគសម្រាប់រាល់បរិស្ថាននីមួយៗ។ | ភាពត្រឹមត្រូវ ៧៩.០% ដោយត្រូវប្រើប្រាស់ប្រយោគហ្វឹកហាត់រហូតដល់ ៣,៩៧៩ ប្រយោគ (ប្រើទិន្នន័យច្រើនជាង MLNN ៤០ ដង)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការស្រាវជ្រាវនេះបង្ហាញពីអត្ថប្រយោជន៍ដ៏ធំធេងក្នុងការកាត់បន្ថយតម្រូវការទិន្នន័យហ្វឹកហាត់សម្រាប់ការបន្សាំបរិស្ថាន ពីការប្រើប្រាស់រាប់ពាន់ប្រយោគមកត្រឹមតែ ១០ ទៅ ១០០ ប្រយោគប៉ុណ្ណោះ។
ការសិក្សានេះត្រូវបានធ្វើឡើងដោយប្រើប្រាស់សំណុំទិន្នន័យ Resource Management (RM) ដែលជាភាសាអង់គ្លេសសុទ្ធ មានវាក្យសព្ទកំណត់ត្រឹម ៩៩១ ពាក្យ និងត្រូវបានថតក្នុងបរិយាកាសស្ងាត់ បន្ទាប់មកទើបបញ្ចូលសំឡេងរំខានសិប្បនិម្មិត។ សម្រាប់ប្រទេសកម្ពុជា កត្តានេះជារឿងសំខាន់ ពីព្រោះភាសាខ្មែរមានលក្ខណៈសូរសព្ទខុសគ្នាស្រឡះ ហើយការអនុវត្តជាក់ស្តែងទាមទារឱ្យមានការសាកល្បងជាមួយនឹងសំឡេងរំខានពិតប្រាកដនៅក្នុងស្រុក (ឧទាហរណ៍៖ សំឡេងតាមដងផ្លូវ សំឡេងម៉ូតូ ធុករ៉ឺម៉ក)។
វិធីសាស្ត្រ MLNN ដែលអាចបន្សាំប្រព័ន្ធសម្គាល់សំឡេងទៅនឹងបរិស្ថានថ្មីដោយប្រើទិន្នន័យតិចតួចបំផុតនេះ គឺមានសក្តានុពលខ្លាំងណាស់សម្រាប់ការអភិវឌ្ឍ AI ផ្នែកភាសាខ្មែរ ដែលបច្ចុប្បន្ននៅខ្វះខាតទិន្នន័យ (Low-resource language) យ៉ាងខ្លាំង។
សរុបមក ការប្រើប្រាស់បណ្ដាញសរសៃប្រសាទ (Neural Networks) ដើម្បីកែតម្រូវភាពខុសគ្នានៃបរិស្ថាន គឺជាដំណោះស្រាយដ៏ឆ្លាតវៃដើម្បីពន្លឿនការដាក់ឱ្យប្រើប្រាស់បច្ចេកវិទ្យា AI សំឡេងនៅកម្ពុជា ដោយមិនចាំបាច់ចំណាយធនធានច្រើនសន្ធឹកសន្ធាប់ក្នុងការប្រមូលទិន្នន័យគ្រប់កាលៈទេសៈនោះទេ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Hidden Markov Model (HMM) | ម៉ូដែលស្ថិតិដែលត្រូវបានប្រើប្រាស់យ៉ាងទូលំទូលាយក្នុងការសម្គាល់សំឡេង ដើម្បីតំណាងឱ្យបម្រែបម្រួលនៃសំឡេងតាមពេលវេលា ដោយគណនាលើប្រូបាប៊ីលីតេនៃការផ្លាស់ប្តូរពីសម្លេងមួយទៅសម្លេងមួយទៀត។ | ដូចជាការទស្សន៍ទាយអាកាសធាតុនៅថ្ងៃស្អែក ដោយពឹងផ្អែកលើអាកាសធាតុថ្ងៃនេះ និងទិន្នន័យស្ថិតិប្រែប្រួលកាលពីមុន។ |
| Maximum Likelihood Neural Network (MLNN) | បណ្ដាញសរសៃប្រសាទសិប្បនិម្មិតដែលត្រូវបានហ្វឹកហាត់ដោយស្វែងរកតម្លៃប៉ារ៉ាម៉ែត្រណាដែលធ្វើឱ្យប្រូបាប៊ីលីតេនៃការកើតឡើងនៃទិន្នន័យជាក់ស្តែងមានកម្រិតខ្ពស់បំផុត (Maximum Likelihood) ជាជាងត្រឹមតែគណនាកំហុសជាមធ្យម។ | ដូចជាជាងកាត់ដេរដែលកែតម្រូវរ៉ូបមិនមែនត្រឹមតែឱ្យមានទំហំប៉ុនគ្នានឹងរ៉ូបគំរូទេ តែត្រូវកែច្នៃឱ្យស័ក្តិសមបំផុតជាមួយរូបរាងរបស់អ្នកស្លៀកផ្ទាល់តែម្តង។ |
| Mel-Frequency Cepstral Coefficients (MFCC) | វ៉ិចទ័រលក្ខណៈពិសេសដែលត្រូវបានចម្រាញ់ចេញពីរលកសំឡេង ដោយធ្វើត្រាប់តាមរបៀបដែលត្រចៀកមនុស្សចាប់យកកម្រិតសំឡេង (Frequency) ដើម្បីឱ្យកុំព្យូទ័រអាចយល់ និងវិភាគសំឡេងមនុស្សបាន។ | ដូចជាការបំព្រួញសៀវភៅក្រាស់មួយក្បាលឱ្យនៅសល់ត្រឹមចំណុចសង្ខេបសំខាន់ៗ ដើម្បីឱ្យខួរក្បាលមនុស្សងាយស្រួលចងចាំនិងចំណាំទុក។ |
| Viterbi algorithm | ក្បួនដោះស្រាយតាមបែបគណិតវិទ្យា (Dynamic Programming) ដែលត្រូវបានប្រើដើម្បីស្វែងរកលំដាប់លំដោយនៃពាក្យ ឬស្ថានភាពដែលត្រឹមត្រូវបំផុត និងមានប្រូបាប៊ីលីតេខ្ពស់បំផុតចេញពីសញ្ញាសំឡេងដែលបានបញ្ចូល។ | ដូចជាការប្រើកម្មវិធី Google Maps ដើម្បីស្វែងរកផ្លូវដែលលឿន និងល្អបំផុតដើម្បីទៅដល់គោលដៅ ក្នុងចំណោមផ្លូវខ្វាត់ខ្វែងរាប់ពាន់ជម្រើស។ |
| Cepstral Mean Normalization (CMN) | បច្ចេកទេសសម្រាប់កាត់បន្ថយឥទ្ធិពលសម្លេងរំខាន ឬការបង្អាក់សម្លេងដែលបង្កឡើងដោយឧបករណ៍ (ដូចជាមេក្រូហ្វូនជាដើម) ដោយដកតម្លៃមធ្យមចេញពីវ៉ិចទ័រសំឡេង។ | ដូចជាការដកវ៉ែនតាពណ៌ចេញពីភ្នែក ដើម្បីអាចមើលឃើញពណ៌ពិតប្រាកដរបស់វត្ថុមួយ ដោយបំបាត់ឥទ្ធិពលពណ៌ក្លែងក្លាយពីកញ្ចក់វ៉ែនតា។ |
| Maximum Likelihood Linear Regression (MLLR) | បច្ចេកទេសគណនាតាមលីនេអ៊ែរ ដើម្បីផ្លាស់ប្តូរ និងកែតម្រូវប៉ារ៉ាម៉ែត្ររបស់ម៉ូដែល HMM ដែលជួយបន្សាំប្រព័ន្ធសម្គាល់សំឡេងឱ្យត្រូវទៅនឹងអ្នកនិយាយថ្មី ឬបរិស្ថានជុំវិញថ្មីបានយ៉ាងឆាប់រហ័ស។ | ដូចជាការសារ៉េកែចង្កូតរថយន្តបន្តិចបន្តួចឱ្យស្របនឹងទិសដៅខ្យល់បក់ ឬស្ថានភាពផ្លូវរអិល ដើម្បីឱ្យឡាននៅតែអាចរត់ត្រង់ទៅមុខបានល្អ។ |
| Multi-Layer Perceptrons (MLP) | ទម្រង់ដ៏ពេញនិយមមួយនៃបណ្ដាញសរសៃប្រសាទសិប្បនិម្មិត (Neural Network) ដែលមានស្រទាប់កោសិកាបញ្ជូនទិន្នន័យច្រើនជាន់ ប្រើសម្រាប់រៀនបំប្លែងទិន្នន័យស្មុគស្មាញបែបមិនមែនលីនេអ៊ែរ។ | ដូចជារោងចក្រកាត់ដេរដែលមានបុគ្គលិកច្រើនផ្នែក រង់ចាំត្រួតពិនិត្យ និងកែច្នៃវត្ថុធាតុដើមតៗគ្នាពីមួយដំណាក់កាលទៅមួយដំណាក់កាលរហូតបានជាអាវមួយ។ |
| Mean Squared Error (MSE) | រង្វាស់សម្រាប់វាយតម្លៃកំហុសនៅក្នុងការទស្សន៍ទាយ ដោយគណនាមធ្យមភាគនៃផលដកការ៉េរវាងតម្លៃទិន្នន័យពិត និងតម្លៃដែលប្រព័ន្ធម៉ាស៊ីនទាយបាន។ | ដូចជាការបាញ់ព្រួញទៅរកគោលដៅ ដែលពិន្ទុរបស់អ្នកនឹងត្រូវកាត់បន្ថយកាន់តែខ្លាំង (គុណជាការ៉េ) ប្រសិនបើព្រួញនោះឃ្លាតឆ្ងាយពីចំណុចកណ្តាល។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
