AI, Machine Learning និង Deep Learning

១. AI ជាគំនិតធំជាង Machine Learning និង Deep Learning

Artificial Intelligence (AI) គឺជាពាក្យទូលំទូលាយសម្រាប់ប្រព័ន្ធដែលអាចធ្វើការងារដែលតម្រូវឱ្យមានការយល់ឃើញ ការសម្រេចចិត្ត ឬការដោះស្រាយបញ្ហា។ AI ខ្លះប្រើច្បាប់ដែលមនុស្សសរសេរ ខ្លះប្រើ Machine Learning ហើយខ្លះទៀតប្រើ Deep Learning។

២. Machine Learning រៀនពីទិន្នន័យ

ក្នុង Machine Learning យើងផ្តល់ឧទាហរណ៍ទិន្នន័យឱ្យ Model ដើម្បីស្វែងរកលំនាំ។ ឧទាហរណ៍៖ អ៊ីមែលដែលត្រូវបានសម្គាល់ថា Spam ឬមិនមែន Spam អាចជួយ Model រៀនចាត់ប្រភេទសារថ្មីៗបាន។

លទ្ធផលល្អមិនកើតឡើងដោយស្វ័យប្រវត្តិទេ។ ទិន្នន័យត្រូវពាក់ព័ន្ធ មានគុណភាព តំណាងឱ្យករណីប្រើពិត ហើយត្រូវបែងចែកសម្រាប់ បណ្តុះ និងតេស្ត ដើម្បីមើលថា Model អាចប្រើលើទិន្នន័យថ្មីបានឬអត់។

៣. Deep Learning រៀនលំនាំជាស្រទាប់

Deep Learning ប្រើ Neural Network ដែលមានស្រទាប់ច្រើន ដើម្បីរៀនលក្ខណៈពីទិន្នន័យស្មុគស្មាញ។ ក្នុងរូបភាព ស្រទាប់ដំបូងអាចរៀនគែម ឬពណ៌ ខណៈស្រទាប់បន្ទាប់អាចចាប់លំនាំដែលស្មុគស្មាញជាង ដូចជាវត្ថុ ឬមុខមនុស្ស។

វាមានប្រយោជន៍ច្រើនសម្រាប់រូបភាព សំឡេង និងភាសា ប៉ុន្តែត្រូវការទិន្នន័យ គណនាខ្លាំង និងការតេស្តប្រុងប្រយ័ត្ន។ Neural Network មិនមែនជាខួរក្បាលមនុស្សពិត និងមិនធានាថាវាយល់ ឬត្រឹមត្រូវក្នុងគ្រប់បរិបទទេ។

៤. ជ្រើសវិធីតាមបញ្ហា—not តាមពាក្យពេញនិយម

ការប្រើ Deep Learning មិនតែងតែប្រសើរជាងគេទេ។ ចាប់ផ្តើមពីភារកិច្ច ទិន្នន័យ កម្រិតហានិភ័យ និងតម្រូវការពន្យល់លទ្ធផល រួចជ្រើសវិធីដែលសមស្របបំផុត។

៥. ឧទាហរណ៍ជុំវិញអ្នក

ទោះជាវិធីណាក៏ដោយ សំណួរសំខាន់គឺ៖ តើទិន្នន័យតំណាងឱ្យអ្នកប្រើពិតទេ? តើ Model ត្រូវបានតេស្តលើករណីថ្មីទេ? ហើយតើអ្នកណាត្រូវពិនិត្យនៅពេលលទ្ធផលអាចប៉ះពាល់ដល់មនុស្ស?

៦. អនុវត្តដោយយល់ពីទិន្នន័យ

មុនសម្រេចប្រើ AI សូមកំណត់ភារកិច្ចមួយឱ្យច្បាស់។ បន្ទាប់មកសួរថា តើមានច្បាប់ច្បាស់រួចឬនៅ? តើមាន Data ល្អគ្រប់គ្រាន់ទេ? ហើយតើលទ្ធផលត្រូវការការពន្យល់ ឬការត្រួតពិនិត្យពីមនុស្សកម្រិតណា?

៧. ពិនិត្យការយល់ដឹង

៨. ចំណុចសំខាន់ដែលត្រូវចងចាំ

សូមត្រៀមខ្លួនសម្រាប់មេរៀនបន្ទាប់៖ «មេរៀនទី៥៖ Data, Model, Training និង Inference»។