បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហានៃការកើនឡើងយ៉ាងឆាប់រហ័សនៃផលប៉ះពាល់បរិស្ថានដែលបង្កឡើងដោយ បញ្ញាសិប្បនិម្មិត (AI) ជាពិសេសកំណើនអិចស្ប៉ូណង់ស្យែលនៃទិន្នន័យ និងតម្រូវការផ្នែករឹងដែលនាំឱ្យមានការបញ្ចេញកាបូនខ្ពស់។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានប្រើប្រាស់វិធីសាស្ត្រសាកល្បងបែប វិភាគវដ្តជីវិត (Life Cycle Analysis) ដើម្បីវាយតម្លៃផលប៉ះពាល់បរិស្ថាននៅគ្រប់ដំណាក់កាលនៃការអភិវឌ្ឍប្រព័ន្ធ AI ចាប់ពីការផលិតរហូតដល់ការប្រើប្រាស់។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Standard Large Scale Training ការបង្វឹកគំរូខ្នាតធំតាមបែបស្តង់ដារ (ឧ. GPT-3) |
ផ្តល់នូវភាពត្រឹមត្រូវខ្ពស់ (High Accuracy) និងសមត្ថភាពទូទៅល្អក្នុងការបំពេញភារកិច្ចផ្សេងៗ។ | ប្រើប្រាស់ថាមពលអគ្គិសនី និងធនធានផ្នែករឹងយ៉ាងច្រើនសន្ធឹកសន្ធាប់ ដែលនាំឱ្យមានការបំភាយកាបូនខ្ពស់។ | ការបង្វឹកគំរូ GPT-3 តែមួយបង្កើតកាបូនច្រើនជាងរថយន្តធម្មតាជិះបានចម្ងាយជាង ២សែនម៉ៃល៍។ |
| Holistic Hardware-Software Optimization ការបង្កើនប្រសិទ្ធភាពរួមគ្នារវាងផ្នែករឹង និងផ្នែកទន់ (Co-design) |
កាត់បន្ថយការប្រើប្រាស់ថាមពលប្រតិបត្តិការយ៉ាងខ្លាំង និងបង្កើនល្បឿននៃការគណនា។ | ទាមទារឱ្យមានការរចនាស្មុគស្មាញ និងជំនាញខ្ពស់ក្នុងការកែតម្រូវទាំងផ្នែករឹង (Hardware) និងកូដ (Algorithm)។ | កាត់បន្ថយការប្រើប្រាស់ថាមពលប្រតិបត្តិការរហូតដល់ ៨០០ដង សម្រាប់គំរូកែប្រែភាសា (Translation Model)។ |
| Federated Learning (FL) ការរៀនបែបសហព័ន្ធ (បង្វឹកលើឧបករណ៍អ្នកប្រើប្រាស់ផ្ទាល់) |
ការពារឯកជនភាពទិន្នន័យ (Data Privacy) ដោយមិនចាំបាច់បញ្ជូនទិន្នន័យទៅកាន់មជ្ឈមណ្ឌលទិន្នន័យ។ | ប្រើប្រាស់ថាមពលច្រើនសម្រាប់ការបញ្ជូនទិន្នន័យ (Communication) និងពិបាកគ្រប់គ្រងប្រសិទ្ធភាពថាមពលលើឧបករណ៍ចម្រុះ។ | ការបំភាយកាបូនអាចប្រហាក់ប្រហែល ឬខ្ពស់ជាងការបង្វឹកនៅមជ្ឈមណ្ឌលទិន្នន័យ ដោយសារតម្រូវការថាមពលនៃការបញ្ជូន។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះបង្ហាញថាការអភិវឌ្ឍ AI ទាមទារធនធានកុំព្យូទ័រ និងថាមពលយ៉ាងច្រើនសម្បើម ជាពិសេសនៅក្នុងដំណាក់កាលផលិតផ្នែករឹង និងការបង្វឹក។
ការសិក្សានេះផ្អែកលើទិន្នន័យពីក្រុមហ៊ុន Meta (Facebook) ដែលប្រើប្រាស់មជ្ឈមណ្ឌលទិន្នន័យខ្នាតយក្ស និងថាមពលកកើតឡើងវិញនៅសហរដ្ឋអាមេរិក។ សម្រាប់កម្ពុជា ការសន្និដ្ឋានខ្លះអាចនឹងមិនឆ្លុះបញ្ចាំងទាំងស្រុង ដោយសារកម្ពុជាពុំទាន់មានហេដ្ឋារចនាសម្ព័ន្ធ Hyperscale Data Center ហើយប្រភពថាមពលនៅចម្រុះនៅឡើយ។
ទោះបីជាកម្ពុជាមិនទាន់ផលិត AI ខ្នាតយក្ស ប៉ុន្តែគោលការណ៍នៃ Green AI គឺមានសារៈសំខាន់ខ្លាំងសម្រាប់ការអភិវឌ្ឍវិស័យបច្ចេកវិទ្យាប្រកបដោយចីរភាព។
ការអនុវត្តតាមការណែនាំក្នុងឯកសារនេះនឹងជួយឱ្យអ្នកអភិវឌ្ឍន៍នៅកម្ពុជាអាចបង្កើតដំណោះស្រាយ AI ដែលមានប្រសិទ្ធភាពខ្ពស់ តែចំណាយថវិកា និងថាមពលតិច។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Embodied Carbon Footprint | ការបំភាយឧស្ម័នកាបូនដែលកើតចេញពីដំណើរការផលិតរចនាសម្ព័ន្ធផ្នែករឹង (Hardware) ការជីកយកធនធានរ៉ែ ការដឹកជញ្ជូន និងការដំឡើងឧបករណ៍ មុនពេលដែលឧបករណ៍នោះត្រូវបានយកមកប្រើប្រាស់ជាក់ស្តែង។ | ប្រៀបដូចជាការបំពុលបរិស្ថានដែលកើតឡើងនៅពេលសាងសង់រថយន្តមួយគ្រឿង មិនមែនផ្សែងដែលចេញពេលកំពុងបើកបរនោះទេ។ |
| Operational Carbon Footprint | ការបំភាយឧស្ម័នកាបូនដែលកើតឡើងពីការប្រើប្រាស់ថាមពលអគ្គិសនីដើម្បីដំណើរការកុំព្យូទ័រ និងប្រព័ន្ធត្រជាក់នៅក្នុងមជ្ឈមណ្ឌលទិន្នន័យ (Data Centers) នៅពេលកំពុងបង្វឹក (Training) ឬប្រើប្រាស់ (Inference) គំរូ AI។ | ប្រៀបដូចជាផ្សែងដែលចេញពីរថយន្តនៅពេលកំពុងជិះនៅលើដងផ្លូវ ដែលកើតពីការដុតប្រេង។ |
| Life Cycle Analysis (LCA) | វិធីសាស្ត្រវាយតម្លៃផលប៉ះពាល់បរិស្ថានសរុបនៃផលិតផល ឬប្រព័ន្ធបច្ចេកវិទ្យាមួយ ចាប់តាំងពីដំណាក់កាលផលិត ការដឹកជញ្ជូន ការប្រើប្រាស់ រហូតដល់ការបោះចោល ឬកែច្នៃឡើងវិញ។ | ដូចជាការគណនាចំណាយសរុបនៃការមានផ្ទះមួយ រាប់តាំងពីថ្លៃសាងសង់ ថ្លៃទឹកភ្លើងប្រចាំខែ រហូតដល់ថ្លៃវាយកម្ទេចចោល។ |
| Federated Learning | បច្ចេកទេសបង្វឹក AI ដោយផ្ទាល់នៅលើឧបករណ៍អ្នកប្រើប្រាស់ (ដូចជាទូរស័ព្ទដៃ) ដោយមិនចាំបាច់បញ្ជូនទិន្នន័យឯកជនទៅកាន់ម៉ាស៊ីនមេ (Server) នោះទេ គឺបញ្ជូនតែលទ្ធផលនៃការរៀនប៉ុណ្ណោះ ដើម្បីការពារឯកជនភាព។ | ដូចជាសិស្សរៀននៅផ្ទះរៀងៗខ្លួន ហើយគ្រាន់តែផ្ញើចម្លើយទៅគ្រូដើម្បីកែ ដោយមិនចាំបាច់យកសៀវភៅ ឬទៅជុំគ្នានៅសាលា។ |
| Quantization | ដំណើរការបច្ចេកទេសក្នុងការកាត់បន្ថយភាពលម្អិតនៃទិន្នន័យលេខ (ឧទាហរណ៍ពី ៣២-bit មក ១៦-bit ឬ ៨-bit) ដើម្បីឱ្យគំរូ AI មានទំហំតូចជាងមុន និងដំណើរការលឿនជាងមុន ដោយមិនបាត់បង់ភាពត្រឹមត្រូវច្រើន។ | ដូចជាការកាត់យកលេខក្រោយក្បៀសតិចៗ (ឧ. ប្រើ ៣.១៤ ជំនួស ៣.១៤១៥៩...) ដើម្បីគណនាបានលឿន និងចំណាយក្រដាសសរសេរតិច។ |
| Neural Architecture Search (NAS) | ការប្រើប្រាស់កុំព្យូទ័រដើម្បីស្វែងរក និងរចនារចនាសម្ព័ន្ធបណ្តាញសរសៃប្រសាទ (Neural Network) ដោយស្វ័យប្រវត្តិ ដែលជាដំណើរការចំណាយថាមពលខ្លាំងព្រោះត្រូវសាកល្បងម៉ូដែលរាប់ពាន់។ | ដូចជាការប្រើមនុស្សយន្តឱ្យសាកល្បងសាងសង់ប្រាសាទ Lego រាប់លានរបៀបផ្សេងៗគ្នា ដើម្បីរកមើលមួយណាដែលរឹងមាំជាងគេ។ |
| Jevon’s Paradox | បាតុភូតសេដ្ឋកិច្ចដែលបង្ហាញថា នៅពេលបច្ចេកវិទ្យាកាន់តែមានប្រសិទ្ធភាព (ប្រើថាមពលតិច) ការប្រើប្រាស់ជាក់ស្តែងបែរជាកើនឡើងខ្លាំង ដែលនាំឱ្យការប្រើប្រាស់ធនធានសរុបកើនឡើងលើសដើមទៅវិញ។ | នៅពេលឡានស៊ីសាំងតិច មនុស្សបែរជាជិះលេងកាន់តែច្រើន និងឆ្ងាយជាងមុន ដែលធ្វើឱ្យការប្រើប្រាស់ប្រេងសរុបកើនឡើងទៅវិញ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
