បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយបញ្ហាប្រឈមនៃការតំណាង និងការវែកញែកជាមួយនឹងព័ត៌មានបរិបទមិនច្បាស់លាស់ (Uncertain Context Information) នៅក្នុងបរិស្ថានកុំព្យូទ័រដែលប្រើប្រាស់គ្រប់ទីកន្លែង (Pervasive Computing)។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកនិពន្ធស្នើឡើងនូវវិធីសាស្ត្រដែលរួមបញ្ចូលទ្រឹស្តី Dempster-Shafer (D-S) ជាមួយនឹងការធ្វើគំរូអុនតូឡូស៊ី (Ontology Model) និងបង្កើតច្បាប់បន្សំភស្តុតាងដែលត្រូវបានកែលម្អ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| UCOMRADS (Proposed Improved D-S Theory) វិធីសាស្ត្រ UCOMRADS (ផ្អែកលើទ្រឹស្តី D-S ដែលបានកែលម្អ) |
អាចដោះស្រាយបញ្ហា 'វីតូសំឡេងតែមួយ' ពេលមានជម្លោះភស្តុតាង និងមានលទ្ធភាពបន្សាំខ្លួន (Self-adaptability) ទៅនឹងការផ្លាស់ប្តូរបរិបទ។ វាទាញយកប្រយោជន៍ពីទិន្នន័យប្រវត្តិដើម្បីបង្កើនភាពត្រឹមត្រូវ។ | ត្រូវការការពឹងផ្អែកលើកំណត់ត្រាប្រវត្តិទិន្នន័យ (Historical Data) ដើម្បីធ្វើបច្ចុប្បន្នភាពមេគុណដែលអាចទុកចិត្តបាន (Belief coefficient) ជាប្រចាំ។ | អត្រានៃភាពត្រឹមត្រូវក្នុងការវែកញែកមានការកើនឡើង និងរក្សាបានស្ថិរភាពល្អ នៅពេលចំនួនករណីសាកល្បងកើនដល់ប្រមាណ ៨០០០ ករណី (ចាប់ផ្តើមពី ៧៥% សម្រាប់ ១០០០ ករណី)។ |
| Distance-based combination rule (Ref [12]) វិធានបន្សំផ្អែកលើចម្ងាយភស្តុតាង (វិធីសាស្ត្រឯកសារយោង [១២]) |
អាចដោះស្រាយចំណុចខ្សោយនៃទ្រឹស្តី D-S ស្តង់ដារបានមួយកម្រិត នៅពេលប្រឈមមុខនឹងភស្តុតាងដែលមានកម្រិតជម្លោះខ្ពស់។ | មិនមានលទ្ធភាពបន្សាំខ្លួន (Lack of self-adaptability) ដែលធ្វើឱ្យម៉ូដែលមិនអាចកែតម្រូវឥរិយាបថរបស់ខ្លួនទៅតាមទិន្នន័យថ្មីៗបាន។ | អត្រានៃភាពត្រឹមត្រូវមានការប្រែប្រួលឡើងចុះ និងមិនមានទំនាក់ទំនងជាវិជ្ជមានច្បាស់លាស់ជាមួយការកើនឡើងនៃទំហំទិន្នន័យសាកល្បងនោះទេ។ |
| Bayesian Networks (Baseline mentioned) បណ្តាញ Bayesian (វិធីសាស្ត្រមូលដ្ឋានដែលត្រូវបានលើកឡើង) |
ជារឿយៗត្រូវបានប្រើប្រាស់សម្រាប់ការធ្វើគំរូ និងវែកញែកបរិបទដែលមានភាពមិនច្បាស់លាស់ដោយផ្អែកលើប្រូបាប៊ីលីតេ។ | ទាមទារឱ្យមានប្រូបាប៊ីលីតេជាមុន (Prior probabilities) ពេញលេញ និងសន្មតថាលទ្ធផលទាំងអស់មិនត្រូវត្រួតស៊ីគ្នា ដែលពិបាកអនុវត្តក្នុងស្ថានភាពជាក់ស្តែង។ | មិនត្រូវបានធ្វើតេស្តផ្ទាល់នៅក្នុងការពិសោធន៍នេះទេ ប៉ុន្តែត្រូវបានចាត់ទុកថាមានសមត្ថភាពខ្សោយជាងទ្រឹស្តី D-S ក្នុងការដោះស្រាយភាពមិនច្បាស់លាស់។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ដើម្បីអនុវត្តប្រព័ន្ធនេះ (CASDSR) តម្រូវឱ្យមានការរៀបចំហេដ្ឋារចនាសម្ព័ន្ធបណ្តាញសេនស័រ និងប្រព័ន្ធម៉ាស៊ីនមេសម្រាប់ដំណើរការទិន្នន័យបរិបទ ព្រមទាំងទិន្នន័យប្រវត្តិសាស្រ្តសម្រាប់ការគណនា។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងមន្ទីរពិសោធន៍នៃសាកលវិទ្យាល័យប្រៃសណីយ៍ និងទូរគមនាគមន៍ទីក្រុងប៉េកាំង ដោយប្រើប្រាស់ទិន្នន័យត្រាប់តាម (Simulated test cases) និងច្បាប់កំណត់ដោយអ្នកជំនាញពេទ្យចិន។ សម្រាប់ប្រទេសកម្ពុជា ការកំណត់តម្លៃ BPA ត្រូវតែធ្វើឡើងដោយអ្នកជំនាញពេទ្យក្នុងស្រុក (ឧទាហរណ៍ វេជ្ជបណ្ឌិតនៅមន្ទីរពេទ្យកាល់ម៉ែត) ព្រោះអត្រាប្រេវ៉ាឡង់នៃជំងឺ និងលក្ខណៈសរីរវិទ្យាអាចមានភាពខុសគ្នា។
វិធីសាស្ត្រនៃការវែកញែកទិន្នន័យមិនច្បាស់លាស់នេះ មានសក្តានុពលខ្ពស់ក្នុងការដោះស្រាយបញ្ហាទិន្នន័យសេនស័រដែលរអាក់រអួល ឬមានកំហុសនៅក្នុងប្រទេសកម្ពុជា។
សរុបមក វាផ្តល់នូវក្របខ័ណ្ឌដ៏រឹងមាំមួយសម្រាប់ការអភិវឌ្ឍប្រព័ន្ធ IoT ដែលអាចទុកចិត្តបាន នៅក្នុងបរិស្ថានដែលប្រឈមនឹងការរំខានផ្នែកបណ្តាញ និងការប្រើប្រាស់ឧបករណ៍សេនស័រដែលមានតម្លៃថោក។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Ontology | គឺជាការធ្វើគំរូទិន្នន័យដែលកំណត់ពីឈ្មោះ លក្ខណៈ និងទំនាក់ទំនងនៃគោលគំនិតផ្សេងៗនៅក្នុងវិស័យណាមួយ ដើម្បីឱ្យកុំព្យូទ័រអាចយល់ និងទាញយកចំណេះដឹងមកប្រើប្រាស់រួមគ្នាបាន។ | ដូចជាវចនានុក្រមនិងផែនទីបណ្តាញគ្រួសារដែលប្រាប់កុំព្យូទ័រថា 'អ្នកណាជាអ្នកណា' និង 'ទាក់ទងគ្នាដូចម្តេច' នៅក្នុងពិភពលោក។ |
| Dempster-Shafer (D-S) theory | គឺជាទ្រឹស្តីគណិតវិទ្យាសម្រាប់វាស់ស្ទង់ភាពប្រាកដប្រជា ដោយប្រមូលផ្តុំភស្តុតាងពីប្រភពផ្សេងៗគ្នា ដើម្បីធ្វើការសម្រេចចិត្ត ទោះបីជាព័ត៌មានទាំងនោះមិនគ្រប់គ្រាន់ ឬមានភាពផ្ទុយគ្នាក៏ដោយ។ | ដូចជាចៅក្រមដែលប្រមូលចម្លើយពីសាក្សីច្រើននាក់ (ទោះអ្នកខ្លះនិយាយមិនច្បាស់) ដើម្បីថ្លឹងថ្លែងរកការសន្និដ្ឋានមួយដែលគួរឱ្យទុកចិត្តបំផុត។ |
| Basic Probability Assignment (BPA) | គឺជាការបែងចែកតម្លៃប្រូបាប៊ីលីតេ (ចន្លោះពី ០ ទៅ ១) ទៅឱ្យភស្តុតាងនីមួយៗ ដើម្បីបង្ហាញពីកម្រិតនៃការជឿជាក់ទៅលើព្រឹត្តិការណ៍ ឬលទ្ធផលណាមួយ។ | ដូចជាការបែងចែកកាក់១០០រៀលទៅឱ្យហោប៉ៅផ្សេងៗគ្នា ដោយហោប៉ៅដែលមានកាក់ច្រើនជាងគេគឺតំណាងឱ្យចម្លើយដែលយើងជឿជាក់ជាងគេ។ |
| Pervasive computing | គឺជាបរិស្ថានបច្ចេកវិទ្យាដែលឧបករណ៍កុំព្យូទ័រ និងសេនស័រត្រូវបានបង្កប់នៅគ្រប់ទីកន្លែងជុំវិញខ្លួនយើង ដើម្បីប្រមូលព័ត៌មាន និងឆ្លើយតបទៅនឹងតម្រូវការរបស់យើងដោយស្វ័យប្រវត្តិ។ | ដូចជាផ្ទះវេទមន្តដែលដឹងថាអ្នកដើរចូលបន្ទប់ ហើយក៏បើកភ្លើងនិងម៉ាស៊ីនត្រជាក់ឱ្យដោយស្វ័យប្រវត្តិ ដោយមិនបាច់បញ្ជា។ |
| Uncertain reasoning | គឺជាដំណើរការនៃការគិតនិងទាញសេចក្តីសន្និដ្ឋានរបស់ប្រព័ន្ធកុំព្យូទ័រ នៅក្នុងស្ថានភាពដែលទិន្នន័យទទួលបានមានភាពមិនច្បាស់លាស់ ខ្វះខាត ឬមានសំឡេងរំខាន (Noise)។ | ដូចជាគ្រូពេទ្យដែលទាយដឹងថាអ្នកមានជំងឺអ្វី ទោះបីជាអ្នកប្រាប់រោគសញ្ញាមិនបានពេញលេញក៏ដោយ។ |
| Evidence combination rule | គឺជារូបមន្តគណិតវិទ្យាសម្រាប់ច្របាច់បញ្ចូលទិន្នន័យ (ភស្តុតាង) ដែលទទួលបានពីប្រភពច្រើនផ្សេងៗគ្នា ដើម្បីបង្កើតបានជាលទ្ធផលសម្រេចតែមួយ។ | ដូចជាការយកបំណែករូបផ្គុំ (Jigsaw puzzle) ដែលបានមកពីមនុស្ស៥នាក់ផ្សេងគ្នា មកផ្គុំបញ្ចូលគ្នាដើម្បីមើលឱ្យឃើញរូបភាពធំតែមួយ។ |
| Context-aware | គឺជាសមត្ថភាពរបស់ប្រព័ន្ធកុំព្យូទ័រក្នុងការចាប់ដឹងពីស្ថានភាពជុំវិញខ្លួន (ដូចជា ទីតាំង សីតុណ្ហភាព ឬសកម្មភាពអ្នកប្រើប្រាស់) ដើម្បីផ្លាស់ប្តូរឥរិយាបថរបស់វាឱ្យស្របតាមស្ថានភាពនោះ។ | ដូចជាទូរស័ព្ទដៃដែលចេះបិទសំឡេងរោទ៍ដោយស្វ័យប្រវត្តិនៅពេលដឹងថាអ្នកកំពុងអង្គុយនៅក្នុងបន្ទប់ប្រជុំ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
