បញ្ហា (The Problem)៖ ប្រព័ន្ធសម្គាល់សំឡេងបច្ចុប្បន្នដែលប្រើប្រាស់ Hidden Markov Models (HMM) និង Gaussian Mixture Models (GMM) ខ្វះសមត្ថភាពរើសអើង (Discriminative Capability) ខណៈដែលប្រព័ន្ធកូនកាត់ថ្មីៗដូចជា HMM/ANN ឬ HMM/SVM ជួបប្រទះបញ្ហា Overfitting ការប្រើប្រាស់ប៉ារ៉ាម៉ែត្រច្រើនពេក និងខ្វះលទ្ធផលប្រូបាប៊ីលីតេច្បាស់លាស់។ ការសិក្សានេះស្នើឡើងនូវការដោះស្រាយបញ្ហាទាំងនេះដោយប្រើប្រាស់ម៉ូដែលបាយេស។
វិធីសាស្ត្រ (The Methodology)៖ និក្ខេបបទនេះស្នើឱ្យបង្កើតប្រព័ន្ធសម្គាល់សំឡេងកូនកាត់ថ្មីមួយ (HMM/RVM) ដោយប្រើប្រាស់ Relevance Vector Machine ជំនួសឱ្យរបាយហ្គោសៀន (Gaussian Density) នៅក្នុងប្រព័ន្ធ HMM ដែលមានស្រាប់។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| HMM/GMM (Hidden Markov Model / Gaussian Mixture Model) ម៉ូដែលម៉ាកូវលាក់កំបាំងរួមជាមួយម៉ូដែលរបាយហ្គោសៀនចម្រុះ (HMM/GMM) |
ងាយស្រួលក្នុងការគណនា និងមានសមត្ថភាពទូលំទូលាយក្នុងការធ្វើមាត្រដ្ឋាន (Scalability) សម្រាប់សំណុំទិន្នន័យធំៗ។ | មិនមានសមត្ថភាពរើសអើង (Discriminative capability) គ្រប់គ្រាន់ដើម្បីបែងចែកភាពខុសគ្នានៃទិន្នន័យសំឡេងដែលត្រួតស៊ីគ្នា។ | មានអត្រាកំហុសពាក្យខ្ពស់ប្រហែល ៤១.៦% លើសំណុំទិន្នន័យ Switchboard និង ១១.៩% លើ Alphadigits។ |
| HMM/SVM (Hybrid Support Vector Machine) ម៉ូដែលកូនកាត់រវាង HMM និងម៉ាស៊ីនវ៉ិចទ័រគាំទ្រ (HMM/SVM) |
មានសមត្ថភាពរើសអើង និងផ្តល់ចំណាត់ថ្នាក់បានល្អដោយជៀសវាងបញ្ហា Overfitting បានដោយស្វ័យប្រវត្តិ។ | ម៉ូដែលកាន់តែធំទៅតាមទំហំទិន្នន័យ និងមិនបញ្ចេញលទ្ធផលជាទម្រង់ប្រូបាប៊ីលីតេពិតប្រាកដដែលបង្កការលំបាកក្នុងការបញ្ចូលជាមួយប្រព័ន្ធផ្សេង។ | អត្រាកំហុស ៣៥.០% ដោយប្រើប្រាស់ទម្ងន់ប៉ារ៉ាម៉ែត្រមធ្យម ៨២.៨ សម្រាប់ការធ្វើចំណាត់ថ្នាក់ស្រៈ (Deterding Vowel)។ |
| HMM/RVM (Hybrid Relevance Vector Machine) ម៉ូដែលកូនកាត់រវាង HMM និងម៉ាស៊ីនវ៉ិចទ័រពាក់ព័ន្ធ (HMM/RVM) |
បញ្ចេញលទ្ធផលជាប្រូបាប៊ីលីតេផ្ទាល់ និងមានទំហំម៉ូដែលស្ដួចស្ដើង (Sparse) ខ្លាំងដែលកាត់បន្ថយចំនួនប៉ារ៉ាម៉ែត្រយ៉ាងច្រើន។ | ដំណើរការបណ្តុះបណ្តាលត្រូវការកម្លាំងគណនាខ្ពស់ខ្លាំង ជាពិសេសការធ្វើ Inverse Matrix (O(M^3)) លើទិន្នន័យធំ។ | អត្រាកំហុស ៣០.៣% ដោយប្រើប្រាស់ទម្ងន់ប៉ារ៉ាម៉ែត្រមធ្យមត្រឹមតែ ១២.៦ សម្រាប់ការធ្វើចំណាត់ថ្នាក់ស្រៈ (ប្រសើរជាង SVM)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការបណ្តុះបណ្តាលម៉ូដែល RVM ត្រូវការធនធានគណនា និងអង្គចងចាំកម្រិតខ្ពស់ ជាពិសេសសម្រាប់ការបម្លែងម៉ាទ្រីស (Hessian Matrix Inversion) លើសំណុំទិន្នន័យសំឡេងរាប់លានស៊ុម (Frames)។
ការសិក្សានេះប្រើប្រាស់សំណុំទិន្នន័យសំឡេងភាសាអង់គ្លេសនៅអាមេរិក (ដូចជា Switchboard និង TIDigits)។ ទិន្នន័យទាំងនេះមិនមានតំណាងឱ្យភាសាដែលមានសំនៀង និងស្រៈស្មុគស្មាញដូចជាភាសាខ្មែរឡើយ ដែលទាមទារឱ្យមានការប្រមូលទិន្នន័យក្នុងស្រុកបន្ថែមដើម្បីធានាភាពត្រឹមត្រូវនៅពេលយកមកអនុវត្តនៅកម្ពុជា។
ទោះបីជាខ្វះទិន្នន័យភាសាខ្មែរក៏ដោយ វិធីសាស្ត្រ HMM/RVM នេះមានសក្តានុពលខ្ពស់ក្នុងការអភិវឌ្ឍប្រព័ន្ធសម្គាល់សំឡេងភាសាខ្មែរ (Khmer ASR) ឱ្យកាន់តែសុក្រឹត។
ជារួម បច្ចេកវិទ្យានេះផ្តល់នូវមូលដ្ឋានគ្រឹះទ្រឹស្តីដ៏រឹងមាំសម្រាប់អ្នកស្រាវជ្រាវ និងវិស្វករកម្ពុជាក្នុងការកសាងប្រព័ន្ធ AI ដែលអាចស្គាល់ និងយល់ភាសាជាតិបានច្បាស់លាស់ បើទោះបីជាត្រូវការពង្រីកសំណុំទិន្នន័យភាសាខ្មែរក៏ដោយ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Relevance Vector Machine (RVM) | ជាម៉ូដែលរៀនម៉ាស៊ីន (Machine Learning) បែបបាយេស (Bayesian) ដែលមានមុខងារស្រដៀងនឹង SVM ប៉ុន្តែវាប្រើប្រាស់ប៉ារ៉ាម៉ែត្រតិចជាងមុនយ៉ាងច្រើន (Sparse) ហើយបញ្ចេញលទ្ធផលជាប្រូបាប៊ីលីតេផ្ទាល់តែម្តង។ | ដូចជាអ្នកជំនាញម្នាក់ដែលជ្រើសរើសយកតែភស្តុតាងដែលសំខាន់បំផុតពីរបីចំណុច ដើម្បីធ្វើការសម្រេចចិត្តដោយមិនបាច់អានឯកសារទាំងអស់។ |
| Support Vector Machine (SVM) | ជាក្បួនដោះស្រាយសម្រាប់ចំណាត់ថ្នាក់ទិន្នន័យ (Classification) ដោយស្វែងរកបន្ទាត់ ឬប្លង់ (Hyperplane) ដែលខ័ណ្ឌចែកក្រុមទិន្នន័យដាច់ពីគ្នាល្អបំផុតជាមួយគម្លាត (Margin) ធំបំផុត។ | ដូចជាការគូសខ្សែបន្ទាត់មួយនៅកណ្តាលផ្លូវ ដើម្បីបំបែកគន្លងឡាន និងម៉ូតូឱ្យនៅដាច់ពីគ្នាដោយមានសុវត្ថិភាពខ្ពស់បំផុត។ |
| Hidden Markov Model (HMM) | ជាម៉ូដែលស្ថិតិដែលប្រើសម្រាប់ទស្សន៍ទាយលំដាប់លំដោយនៃព្រឹត្តិការណ៍ដែលមិនអាចមើលឃើញ (Hidden States) ដោយផ្អែកលើទិន្នន័យសង្កេតដែលប្រែប្រួលតាមពេលវេលា ដូចជាសញ្ញាសំឡេងជាដើម។ | ដូចជាការទស្សន៍ទាយថាអាកាសធាតុថ្ងៃនេះភ្លៀងឬអត់ ដោយគ្រាន់តែសង្កេតមើលថាតើមនុស្សនៅតាមផ្លូវពាក់អាវភ្លៀងឬកាន់ឆ័ត្រ ដោយមិនចាំបាច់មើលមេឃផ្ទាល់។ |
| Gaussian Mixture Model (GMM) | ជាម៉ូដែលប្រូបាប៊ីលីតេដែលប្រើរបាយហ្គោសៀន (Normal Distributions) ច្រើនបញ្ចូលគ្នា ដើម្បីតំណាងឱ្យរបាយទិន្នន័យស្មុគស្មាញ ជាទូទៅត្រូវបានគេប្រើក្នុងប្រព័ន្ធ HMM ដើម្បីវាស់ស្ទង់លក្ខណៈសូរស័ព្ទសំឡេង។ | ដូចជាការយកថ្នាំពណ៌ជាច្រើនមុខមកលាយបញ្ចូលគ្នា ដើម្បីបង្កើតបានជាផ្ទាំងគំនូរមួយដែលមានពណ៌ចម្រុះនិងរស់រវើក។ |
| Automatic Relevance Determination (ARD) | ជាវិធីសាស្ត្រគណិតវិទ្យាក្នុងម៉ូដែលបាយេស ដែលជួយកំណត់និងកាត់ចោលដោយស្វ័យប្រវត្តិនូវប៉ារ៉ាម៉ែត្រណាដែលមិនសូវសំខាន់ (កំណត់ទម្ងន់ស្មើរសូន្យ) ធ្វើឱ្យម៉ូដែលនៅសល់តែទិន្នន័យគោល។ | ដូចជាតម្រងស្វ័យប្រវត្តិមួយដែលជួយរែងយកតែកាកសំណល់ ឬវត្ថុឥតប្រយោជន៍ចេញ ដោយរក្សាទុកតែមាសសុទ្ធមានតម្លៃ។ |
| Structural Risk Minimization (SRM) | ជាគោលការណ៍កាត់បន្ថយហានិភ័យនៅក្នុង Machine Learning ដែលព្យាយាមធ្វើឱ្យមានតុល្យភាពរវាងភាពត្រឹមត្រូវនៃម៉ូដែលលើទិន្នន័យហ្វឹកហាត់ និងសមត្ថភាពរបស់វាក្នុងការទស្សន៍ទាយទិន្នន័យថ្មី ដើម្បីជៀសវាងបញ្ហា Overfitting។ | ដូចជាសិស្សដែលរៀនត្រៀមប្រឡង ដោយមិនត្រឹមតែទន្ទេញចាំមាត់នូវលំហាត់ចាស់ៗទេ តែព្យាយាមយល់ពីរូបមន្តគោលដើម្បីអាចដោះស្រាយលំហាត់ថ្មីៗចេញ។ |
| Expectation-Maximization (EM) algorithm | ជាក្បួនដោះស្រាយសម្រាប់ស្វែងរកតម្លៃអតិបរមានៃកម្រិតភាពត្រឹមត្រូវ (Likelihood) នៅក្នុងម៉ូដែលស្ថិតិដែលមានអថេរលាក់កំបាំង ដោយធ្វើការគណនាចុះឡើងជាពីរជំហានគឺការប៉ាន់ស្មាន (E-step) និងការធ្វើឱ្យតម្លៃអតិបរមា (M-step)។ | ដូចជាការចម្អិនស៊ុប ដោយអ្នកភ្លក់មើលហើយប៉ាន់ស្មានថាតើត្រូវបន្ថែមអំបិលប៉ុន្មាន (Expectation) រួចកូរនិងភ្លក់ម្តងទៀតដើម្បីកែសម្រួលរសជាតិរហូតដល់វាឆ្ងាញ់បំផុត (Maximization)។ |
| Overfitting | ជាបញ្ហាកើតឡើងនៅពេលម៉ូដែល Machine Learning រៀនលម្អិតពេកពីទិន្នន័យហ្វឹកហាត់ រហូតដល់ចងចាំសូម្បីតែទិន្នន័យរំខាន (Noise) ដែលធ្វើឱ្យវាបរាជ័យក្នុងការទស្សន៍ទាយទិន្នន័យថ្មីៗ។ | ដូចជាសិស្សដែលរៀនទន្ទេញចាំសៀវភៅគ្រប់ទំព័រ តែនៅពេលពេលប្រឡងជួបសំណួរខុសពីសៀវភៅបន្តិច គាត់បែរជាមិនអាចឆ្លើយបាន។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
