ទិដ្ឋភាពទូទៅ

ប្រភព: Wikipedia

យោងតាមវិគីភីឌា ភាសាអង់គ្លេស ការរៀនម៉ាស៊ីន (Machine Learning) គឺជាដែនសិក្សាមួយក្នុងបញ្ញាសិប្បនិមិត្ត (AI) ដែលផ្តោតលើការអភិវឌ្ឍន៍ប្រព័ន្ធក្បួនដោះស្រាយដែលអាចរៀនពីទិន្នន័យ និងសម្របខ្លួនដោយមិនចាំបាច់មានការសរសេរកម្មវិធីជួសជុលសម្រាប់កិច្ចការនីមួយៗ។ ជំនួសឱ្យការធ្វើតាមច្បាប់ថេរ កម្មវិធីទាំងនេះរកឃើញលំនាំក្នុងទិន្នន័យ ហើយបង្កើតការព្យាករណ៍ ឬសេចក្តីសម្រេចចិត្តដោយផ្អែកលើអ្វីដែលបានរៀន។

ដោយសារការរីកចម្រើនយ៉ាងឆាប់រហ័សនៃការរៀនស៊ីជម្រៅ (deep learning) ដែលប្រើបណ្តាញសរសៃប្រសាទស្រទាប់ច្រើន សមត្ថភាពរបស់ AI បានកើនឡើងយ៉ាងខ្លាំងក្នុងការដោះស្រាយបញ្ហាស្មុគស្មាញដូចជា ការសម្គាល់រូបភាព ការបកប្រែភាសា និងការលេងហ្គេម។ បច្ចេកវិទ្យានេះកំពុងត្រូវបានប្រើប្រាស់យ៉ាងទូលំទូលាយក្នុងឧស្សាហកម្មនានា ហើយបានក្លាយជាមូលដ្ឋានគ្រឹះនៃបដិវត្តន៍ឌីជីថលសម័យថ្មី។

ភូមិសាស្ត្រ និងប្រជាជន

ប្រភព: Wikipedia

នៅក្នុងទិដ្ឋភាពបច្ចេកទេស (ដែលអាចប្រៀបបាននឹង "ភូមិសាស្ត្រ" នៃការសិក្សា) វិធីសាស្ត្រសំខាន់ៗរួមមាន ការរៀនមានការណែនាំ (supervised learning) ដែលទិន្នន័យហ្វឹកហាត់មានដាក់ស្លាកចម្លើយ ការរៀនគ្មានការណែនាំ (unsupervised learning) ដែលគំរូរកឃើញលំនាំក្នុងទិន្នន័យគ្មានស្លាក និងការរៀនបំប៉ន (reinforcement learning) ដែលភ្នាក់ងាររៀនពីរង្វាន់និងទណ្ឌកម្ម។ វិធីសាស្ត្រទាំងនេះបង្កើតបានជា "រូបភាពផ្ទៃដី" នៃការស្រាវជ្រាវទំនើប។

ចំណែកផ្នែក "ប្រជាជន" វិញ អ្នកស្រាវជ្រាវល្បីៗមួយចំនួនបានដើរតួនាទីសំខាន់ក្នុងការរីកចម្រើនរបស់វិស័យនេះ។ លោក អាធើរ សាមយូអែល (Arthur Samuel) បានដាក់ឈ្មោះ "machine learning" នៅឆ្នាំ១៩៥៩។ ក្រុមអ្នកវិទ្យាសាស្ត្រដូចជា Geoffrey Hinton, Yann LeCun និង Yoshua Bengio ត្រូវបានគេហៅថាជា "ឪពុកនៃការរៀនស៊ីជម្រៅ" ហើយពួកគេបានទទួលពានរង្វាន់ Turing Award នៅឆ្នាំ២០១៨ សម្រាប់ការរួមចំណែកដ៏ធំធេង។

ប្រវត្តិសាស្ត្រ

ប្រភព: Wikipedia

ឫសគល់នៃការរៀនម៉ាស៊ីនអាចតាមដានទៅដល់ទសវត្ស១៩៤០-១៩៥០ នៅពេលដែល Alan Turing បានលើកគំនិតនៃ "ម៉ាស៊ីនរៀន" នៅក្នុងក្រដាសវិទ្យាសាស្ត្ររបស់គាត់។ នៅឆ្នាំ១៩៥៩ អាធើរ សាមយូអែល បានបង្កើតកម្មវិធីលេងល្បែងដាម៉ាដែលអាចរៀនពីកំហុសរបស់ខ្លួន ហើយនេះជាលើកដំបូងដែលពាក្យ "machine learning" ត្រូវបានប្រើ។

នៅទសវត្ស១៩៦០ គំរូ perceptron ដែលជាបណ្តាញសរសៃប្រសាទស្រទាប់តែមួយ បានបង្កើតក្តីសង្ឃឹម ប៉ុន្តែក្រោយមកត្រូវបានគេដឹងថាមានដែនកំណត់ នាំឱ្យមាន "រដូវរងា AI" ដំបូង។ នៅទសវត្ស១៩៨០ ការរកឃើញវិធីសាស្ត្រ backpropagation បានធ្វើឱ្យបណ្តាញសរសៃប្រសាទជ្រៅអាចហ្វឹកហាត់បានឡើងវិញ។ ចាប់តាំងពីទសវត្ស២០០០មក ការកើនឡើងនៃទិន្នន័យធំ (big data) និងថាមពលកុំព្យូទ័របានជំរុញភាពជោគជ័យនៃការរៀនស៊ីជម្រៅ។

ក្នុងឆ្នាំ២០១២ ស្នាដៃរបស់ AlexNet ក្នុងការប្រកួត ImageNet បានបង្ហាញពីសមត្ថភាពលើសលប់របស់បណ្តាញសរសៃប្រសាទជ្រៅ ហើយបន្តដោយ AlphaGo របស់ Google DeepMind ដែលបានផ្តួលជើងឯកពិភពលោកហ្គេម Go នៅឆ្នាំ២០១៦។ សព្វថ្ងៃនេះ ម៉ូដែលភាសាធំៗដូចជា GPT-4 និង Gemini បន្តឈានមុខគេក្នុងវិស័យ AI។

សេដ្ឋកិច្ច និងវប្បធម៌

ប្រភព: Wikipedia

ការរៀនម៉ាស៊ីនបានជះឥទ្ធិពលយ៉ាងធំធេងលើសេដ្ឋកិច្ចសកល។ យោងតាមរបាយការណ៍នានា បច្ចេកវិទ្យានេះកំពុងបំប្លែងឧស្សាហកម្មដូចជា ធនាគារ (ការរកឃើញការក្លែងបន្លំ) សុខាភិបាល (ការវិភាគរូបភាពវេជ្ជសាស្ត្រ) ដឹកជញ្ជូន (រថយន្តស្វ័យប្រវត្តិ) និងការផ្សព្វផ្សាយ (ប្រព័ន្ធណែនាំមាតិកា)។ តម្រូវការកម្លាំងពលកម្មដែលមានជំនាញ AI កំពុងកើនឡើងខ្ពស់ ប៉ុន្តែក៏មានការព្រួយបារម្ភអំពីការបាត់បង់ការងារផងដែរ។

ក្នុងវប្បធម៌ ការរៀនម៉ាស៊ីនបានបង្កើតការពិភាក្សាអំពីភាពលំអៀង (bias) ដែលបង្កប់ក្នុងទិន្នន័យ និងការប្រើប្រាស់ AI ដើម្បីបង្កើតព័ត៌មានក្លែងក្លាយ ឬ deepfakes។ សិល្បៈបង្កើតដោយ AI ដូចជា DALL-E និង Midjourney បានផ្តួចផ្តើមឱ្យមានចម្ងល់អំពីតម្លៃសិល្បៈ និងសិទ្ធិអ្នកបង្កើត។ នៅកម្ពុជា មានសកម្មភាពប្រើប្រាស់ AI ក្នុងការសិក្សាភាសាខ្មែរ និងការបង្កើត chatbot សម្រាប់សេវាកម្មនានា។

ការពាក់ព័ន្ធបច្ចុប្បន្ន

ក្នុងឆ្នាំ២០២៦ ការរៀនម៉ាស៊ីនបន្តជាប្រធានបទក្តៅគគុកនៅលើពិភពលោក។ ការប្រកួតប្រជែងរវាងសហរដ្ឋអាមេរិក ចិន និងអឺរ៉ុបក្នុងការអភិវឌ្ឍម៉ូដែល AI ជំនាន់ថ្មីកំពុងតែកើនឡើង ខណៈដែលស្ថាប័ននានាកំពុងជជែកអំពីបទប្បញ្ញត្តិដូចជា EU AI Act ជាដើម។ នៅកម្ពុជា រដ្ឋាភិបាលបានផ្តួចផ្តើមកម្មវិធីឌីជីថលដែលរួមបញ្ចូល AI ហើយសាកលវិទ្យាល័យនានាបានបង្កើតកម្មវិធីសិក្សាស្តីពី AI និងទិន្នន័យវិទ្យា។

សម្រាប់អ្នកអានរបស់ KhmerPulse ការយល់ដឹងអំពីមូលដ្ឋានគ្រឹះនៃការរៀនម៉ាស៊ីនកាន់តែមានសារៈសំខាន់ ពីព្រោះសារព័ត៌មានជាភាសាខ្មែរកាន់តែច្រើនរាយការណ៍អំពីផលប៉ះពាល់នៃ AI លើសង្គម និងសេដ្ឋកិច្ច។ KhmerPulse បន្តតាមដានការវិវឌ្ឍទាំងនេះ ដោយប្រើប្រាស់ព័ត៌មានពីប្រភពចម្រុះ ដើម្បីផ្តល់ឱ្យទស្សនិកជននូវការយល់ដឹងស៊ីជម្រៅ។