ទិដ្ឋភាពទូទៅ

ប្រភព: Wikipedia

ការហ្វឹកហាត់ AI គឺជាដំណើរការនៃការបង្រៀនប្រព័ន្ធបញ្ញាសិប្បនិម្មិត (AI) ឱ្យរៀនពីទិន្នន័យ ដើម្បីអាចអនុវត្តកិច្ចការផ្សេងៗដោយមិនចាំបាច់មានការកម្មវិធីជាជំហានៗ។ យោងតាមសព្វវចនាធិប្បាយ Wikipedia វិស័យនេះត្រូវបានគេស្គាល់ថា Machine Learning (ការរៀនរបស់ម៉ាស៊ីន) ដែលផ្តោតទៅលើការអភិវឌ្ឍន៍ក្បួនដោះស្រាយស្ថិតិដែលអាចរៀនពីទិន្នន័យ និងធ្វើឱ្យទូទៅដល់ទិន្នន័យថ្មី។ គោលដៅសំខាន់នៃការហ្វឹកហាត់គឺដើម្បីស្វែងរកគំរូ (pattern) នៅក្នុងទិន្នន័យដែលអាចប្រើសម្រាប់ការសម្រេចចិត្ត ឬការព្យាករណ៍បាន។

នៅក្នុងពេលបច្ចុប្បន្ន ការរីកចម្រើននៃ Deep Learning និងបណ្ដាញសរសៃប្រសាទសិប្បនិម្មិត (Artificial Neural Networks) បានធ្វើឱ្យការហ្វឹកហាត់ AI មានសមត្ថភាពដោះស្រាយបញ្ហាស្មុគស្មាញដូចជាការទទួលស្គាល់រូបភាព សម្លេង និងការយល់ភាសាធម្មជាតិ។ ការហ្វឹកហាត់នេះពាក់ព័ន្ធនឹងការកំណត់មុខងារខាតបង់ (loss function) ដែលវាស់ស្ទង់កំហុសនៃការព្យាករណ៍របស់ម៉ូដែល និងការប្រើក្បួនដោះស្រាយបង្កើនប្រសិទ្ធភាព (optimization) ដូចជា gradient descent ដើម្បីកែតម្រូវប៉ារ៉ាម៉ែត្រនិងកាត់បន្ថយកំហុសនោះ។ ការហ្វឹកហាត់ជាធម្មតាត្រូវបានអនុវត្តដោយប្រើទិន្នន័យដ៏ច្រើន និងធនធានគណនាខ្ពស់ដូចជាកាត GPU ឬ TPU ដើម្បីបង្កើនប្រសិទ្ធភាពនៃប៉ារ៉ាម៉ែត្ររាប់លាននៅក្នុងម៉ូដែល។

ប្រវត្តិសាស្ត្រ

ប្រភព: Wikipedia

ការស្រាវជ្រាវដំបូងនៃការហ្វឹកហាត់ AI ចាប់ផ្តើមក្នុងពាក់កណ្តាលសតវត្សរ៍ទី ២០ ជាមួយនឹងគំនិតនៃបណ្ដាញសរសៃប្រសាទ perceptron ដោយលោក Frank Rosenblatt និងកម្មវិធីហ្គេម checkers ដោយលោក Arthur Samuel ។ បន្ទាប់មកនៅក្នុងទសវត្សរ៍ឆ្នាំ ១៩៧០ និង ១៩៨០ វិស័យ AI បានជួបនឹង "រដូវរងារ" (AI Winter) ដោយសារតែការរំពឹងទុកខ្ពស់ហួសហេតុ និងការមិនទាន់ដល់ពេលវេលានៃសមត្ថភាពគណនា។ ការអភិវឌ្ឍន៍នៃ backpropagation ក្នុងទសវត្សរ៍នោះបានអនុញ្ញាតឱ្យបណ្ដាញសរសៃប្រសាទអាចហ្វឹកហាត់បានយ៉ាងមានប្រសិទ្ធភាព ជាមូលដ្ឋានសម្រាប់ការរីកចម្រើននាពេលក្រោយ។

យោងតាម Wikipedia ក្នុងទសវត្សរ៍ឆ្នាំ ១៩៩០ វិធីសាស្ត្រស្ថិតិបានផ្ដល់នូវមូលដ្ឋានគ្រឹះថ្មីដល់ការហ្វឹកហាត់ម៉ូដែល ដោយក្បួនដោះស្រាយដូចជា Support-Vector Machine (SVM) និងដើមឈើការសម្រេចចិត្តត្រូវបានប្រើយ៉ាងទូលំទូលាយ។ ការផ្លាស់ប្តូរដ៏សំខាន់មួយកើតឡើងក្នុងឆ្នាំ ២០១២ នៅពេលដែលប្រព័ន្ធ AlexNet ដែលជាបណ្តាញសរសៃប្រសាទជ្រៅ (deep neural network) បានទទួលជ័យជម្នះយ៉ាងឆ្ងាយក្នុងការប្រកួតប្រជែងទទួលស្គាល់រូបភាព ImageNet។ ការកើនឡើងនៃបរិមាណទិន្នន័យឌីជីថល (Big Data) ក៏ជាកត្តាជំរុញដ៏សំខាន់ ព្រោះម៉ូដែល Deep Learning ត្រូវការទិន្នន័យច្រើនដើម្បីរៀនឱ្យបានល្អ។ ចាប់តាំងពីពេលនោះមក Deep Learning បានក្លាយជាវិធីសាស្ត្រចម្បងក្នុងការហ្វឹកហាត់ AI ដែលនាំឱ្យមានវឌ្ឍនភាពដូចជា ChatGPT ជាដើម។

វិធីសាស្ត្រហ្វឹកហាត់

ប្រភព: Wikipedia

ការហ្វឹកហាត់ AI អាចត្រូវបានចាត់ថ្នាក់ជាប្រភេទសំខាន់ៗដូចខាងក្រោម៖ ការរៀនដោយមានអ្នកគ្រូ (Supervised Learning) គឺជាប្រភេទដែលទិន្នន័យបណ្តុះបណ្តាលត្រូវបានភ្ជាប់ជាមួយស្លាក (label) ឬចម្លើយត្រឹមត្រូវ ហើយម៉ូដែលត្រូវបានហ្វឹកហាត់ដើម្បីផ្គូផ្គងទិន្នន័យជាមួយស្លាកទាំងនោះ។ ការរៀនដោយគ្មានអ្នកគ្រូ (Unsupervised Learning) វិញ ម៉ូដែលស្វែងរករចនាសម្ព័ន្ធលាក់កំបាំងនៅក្នុងទិន្នន័យគ្មានស្លាក ដូចជាការផ្ដុំចង្កោម (clustering) ឬការកាត់បន្ថយវិមាត្រ (dimensionality reduction)។

មួយវិញទៀត ការរៀនដោយប្រតិបត្តិការ (Reinforcement Learning) គឺជាប្រភេទមួយដែលភ្នាក់ងារ (agent) រៀនដោយការជ្រើសរើសសកម្មភាពក្នុងបរិស្ថានដើម្បីទទួលបានរង្វាន់ច្រើនបំផុត។ យោងតាម Wikipedia បញ្ហាប្រឈមធំមួយក្នុងការហ្វឹកហាត់គឺការ overfitting នៅពេលម៉ូដែលរៀនពីសម្លេងរំខានជាជាងសញ្ញា ដែលបណ្ដាលឱ្យវាដំណើរការមិនបានល្អលើទិន្នន័យថ្មី។ ផ្ទុយទៅវិញ បញ្ហា underfitting កើតឡើងនៅពេលម៉ូដែលមានភាពសាមញ្ញពេក។ ដើម្បីជៀសវាងបញ្ហាទាំងនេះ អ្នកអភិវឌ្ឍន៍ប្រើបច្ចេកទេសដូចជាការញែកទិន្នន័យសាកល្បង និងការធ្វើនិយតកម្ម (regularization) ដើម្បីធានាថាម៉ូដែលមានសមត្ថភាពទូទៅ (generalization) បានល្អលើទិន្នន័យថ្មី។

ការពាក់ព័ន្ធបច្ចុប្បន្ន

ការហ្វឹកហាត់ AI មានឥទ្ធិពលយ៉ាងខ្លាំងនៅកម្ពុជា និងពិភពលោក។ ឧបករណ៍ដែលប្រជាជនកម្ពុជាប្រើប្រាស់ជារៀងរាល់ថ្ងៃដូចជាកម្មវិធីបកប្រែ Google Translate ប្រព័ន្ធផ្ដល់អនុសាសន៍នៅលើវីដេអូ YouTube ឬមុខងារស្វែងរកដោយសម្លេងនៅក្នុងទូរសព្ទដៃ សុទ្ធតែប្រើប្រាស់ម៉ូដែលដែលត្រូវបានហ្វឹកហាត់ដោយវិធីសាស្ត្រ Machine Learning។ ការអភិវឌ្ឍន៍បច្ចេកវិទ្យាសម្រាប់ភាសាខ្មែរ ដូចជាប្រព័ន្ធទទួលស្គាល់សម្លេងខ្មែរ ត្រូវការទិន្នន័យនិងការហ្វឹកហាត់ជាក់លាក់ ដែលអាចជួយលើកកម្ពស់វិស័យអប់រំនិងព័ត៌មានក្នុងស្រុក។

នៅកម្ពុជា ស្ថាប័នអប់រំនិងសហគ្រាសមួយចំនួនកំពុងពង្រឹងការបណ្តុះបណ្តាលជំនាញ AI ដើម្បីឆ្លើយតបទៅនឹងតម្រូវការទីផ្សារការងារដែលកំពុងកើនឡើង។ ទន្ទឹមនឹងនេះ ការពិភាក្សាអំពីក្រមសីលធម៌ AI និងភាពឯកជនកំពុងទទួលបានការចាប់អារម្មណ៍ជាអន្តរជាតិ ដែលធ្វើឱ្យសាធារណជនគ្រប់គ្នាត្រូវយល់ដឹងពីមូលដ្ឋានគ្រឹះនៃការហ្វឹកហាត់ AI ដើម្បីអាចចូលរួមក្នុងការសម្រេចចិត្តដែលប៉ះពាល់ដល់សង្គម។