កាល AI ចាប់ផ្តើមទទួលទូរសព្ទសង្គ្រោះបន្ទាន់៖ ការប្តូរផ្ទេរច្ចេកវិទ្យាដែលកំពុងកើតមាននៅเบื้องក្រោយការហៅរាយការណ៍ហេតុ

ម៉ោងពីររំលងអធ្រាត្រហាសិបនាទី មានការហៅទូរសព្ទចូលមជ្ឈមណ្ឌលបញ្ជូនកម្លាំងសង្គ្រោះ។ អ្នកទូរសព្ទចូលនិយាយដោយប្រញាប់ប្រញាល់ ហើយនៅខាងក្រោយមានសំឡេងមនុស្សស្រែកឡូឡា ខណៈដែលបុគ្គលិកទទួលទូរសព្ទព្យាយាមលួងលោមផង និងសួររកអាសយដ្ឋានផង។ នៅពេលដែលការហៅទូរសព្ទនេះដំណើរការបានរយៈពេលសែសិបវិនាទី ប្រព័ន្ធនៅលើអេក្រង់របស់បុគ្គលិកទទួលទូរសព្ទបានលេចចេញនូវអត្ថបទមួយជួរថា៖ សង្ស័យថាឈប់បេះដូងលោត សូមផ្តល់យោបល់ឱ្យអនុវត្តការសង្គ្រោះបេះដូងនិងសួត (CPR) ភ្លាមៗ។

ការសម្រេចចិត្តនេះមិនមែនធ្វើឡើងដោយបុគ្គលិកទទួលទូរសព្ទនោះទេ ប៉ុន្តែវាត្រូវបានធ្វើឡើងដោយប្រព័ន្ធគំរូ (Model) មួយដែលកំពុងស្តាប់ការសៅទូរសព្ទជាមួយគ្នានោះដែរ។

ប្រព័ន្ធបែបនេះត្រូវបានដាក់ឱ្យដំណើរការរួចមកហើយនៅក្នុងមជ្ឈមណ្ឌលបញ្ជូនកម្លាំងសង្គ្រោះមួយចំនួននៅសហរដ្ឋអាមេរិក និងដាណឺម៉ាក។ វាបង្ហាញក្នុងពេលដំណាលគ្នាអំពីផ្នែកដែលគួរឱ្យជឿជាក់បំផុតនៃ AI នៅពេលចូលខ្លួនមកក្នុងសេវាសាធារណៈ និងផ្នែកដែលត្រូវការការត្រួតពិនិត្យខ្លាំងបំផុត។

ប្រវត្តិនិងបរិបទនៃហេតុការណ៍

ការលំបាករបស់មជ្ឈមណ្ឌលបញ្ជូនកម្លាំងសង្គ្រោះបន្ទាន់គឺដូចគ្នាទូទាំងពិភពលោក៖ កម្លាំងពលកម្មមិនគ្រប់គ្រាន់ អត្រាបុគ្គលិកចេញចូលច្រើន រយៈពេលបណ្តុះបណ្តាលយូរ ហើយរាល់ការហៅទូរសព្ទគឺមិនអនុញ្ញាតឱ្យមានកំហុសឆ្គងឡើយ។ មជ្ឈមណ្ឌលបញ្ជូនកម្លាំងសង្គ្រោះនៅតាមស្រុកជាច្រើនក្នុងសហរដ្ឋអាមេរិកបានជួបប្រទះនូវការខ្វះខាតបុគ្គលិកយ៉ាងខ្លាំង ταឆ្នាំចុងក្រោយនេះ ដែលធ្វើឱ្យរយៈពេលរង់ចាំការឆ្លើយតបកាន់តែយូរឡើង—ក្នុងស្ថានភាពដែលអត្រារស់រានមានជីវិតគិតជាវិនាទីដូចជាការឈប់បេះដូងលោត រយៈពេលរង់ចាំគឺជារឿងរស់រានរបស់មនុស្ស។

ហេតុដូច្នេះហើយ វិស័យដែលเดิมឡើយមានភាពអភិរក្សនិយមបំផុតមួយនេះ បានក្លាយជាfield ដែលការដាក់បញ្ចូល AI កើតឡើងយ៉ាងសកម្មគួរឱ្យភ្ញាក់ផ្អើល។ ផ្លូវបែងចែកបច្ចេកវិទ្យាត្រូវបានបែងចែកជាបួនប្រភេទ។

ប្រភេទទីមួយគឺ ការវិភាគទាន់ពេលខណៈពេលកំពុងសន្ទនា។ វេទិកាបំរែបំរួលម៉ាស៊ីន (Machine Learning) របស់ Corti វិភាគការសន្ទនាដែលកំពុងកើតមាន ស្គាល់ស្ថានភាពសំខាន់ៗដូចជាការឈប់បេះដូងលោត និងបញ្ចេញសញ្ញាព្រមានដល់បុគ្គលិកទទួលទូរសព្ទ។ មន្ទីរดับเพลิงទីក្រុង Seattle គឺជាអង្គភាពមួយក្នុងចំណោមអង្គភាពដំបូងៗដែលបានដាក់ឱ្យប្រើប្រាស់វា។

ប្រភេទទីពីរគឺ ការបែងចែកការហៅទូរសព្ទที่ไม่មែនជាករណីបន្ទាន់។ ភាគរយដ៏ច្រើននៃការហៅទូរសព្ទទៅកាន់មជ្ឈមណ្ឌលបញ្ជូនកម្លាំងសង្គ្រោះ តាមពិតមិនតម្រូវឱ្យមានការបញ្ជូនកម្លាំងភ្លាមៗនោះទេ ដូចជាការប្តឹងរឿងសម្លេងរំខាន ការចតឡានខុសច្បាប់ ការសាកសួរពីដំណើរការជាដើម។ Aurelian គឺមានឯកទេសក្នុងការធ្វើស្វ័យប្រវត្តិកម្មលើផ្នែកនេះ ដែលធ្វើឱ្យការហៅទូរសព្ទបន្ទាន់ពិតប្រាកដមិនបាច់តម្រង់ជួររង់ចាំ។ ក្រុមហ៊ុន Startup នៅទីក្រុង Seattle មួយនេះបានបញ្ចប់ការរៃអង្គាសថវិកាស៊េរី A ចំនួន ១៤ លានដុល្លារក្នុងខែសីហា ឆ្នាំ ២០២៥។

ប្រភេទទីបីគឺ ការសរសេរឡើងវិញនូវវេទិកាទទួល និងបញ្ជូនកម្លាំងទាំងមូល។ Carbyne ផ្តោតលើប្រព័ន្ធ 911 ជំនាន់ក្រោយ (NG911) ខណៈដែល Mark43 រួមបញ្ចូលការបញ្ជូនកម្លាំង កំណត់ត្រា ប្រព័ន្ធទូរសព្ទដៃ និងការវិភាគទៅក្នុងប្រព័ន្ធ Cloud តែមួយ ព្រមទាំងបន្ថែម ReportAI ដើម្បីបង្កើតសេចក្តីព្រាងរបាយការណ៍ដោយស្វ័យប្រវត្ត និង BriefAI ដើម្បីសង្ខេបរបាយការណ៍បំពេញភារកិច្ច ដែលស្ថាប័នផ្លូវការបានប្រកាសថាបានដាក់ឱ្យប្រើប្រាស់លើសពី ៣០០ ស្ថាប័ន។

ប្រភេទទីបួនគឺ ការរួមបញ្ចូលទិន្នន័យឆ្លងប្រព័ន្ធ។ ប្រភេទនេះគឺមិនសូវលេចធ្លໍជាងគេ ប៉ុន្តែមានសារៈសំខាន់បំផុត៖ អ្វីដែល Peregrine ធ្វើគឺការភ្ជាប់ប្រព័ន្ធចាស់ៗរាប់សិបដែលប៉ូលិសនិងមន្ទីរดับเพลิงមិនអាចទាក់ទងគ្នាបាន មកសម្អាត និងតម្រៀបវា ដើម្បីឱ្យបុគ្គលិកបំពេញភារកិច្ចអាចស្វែងរកបរិបទពេញលេញបាននៅកន្លែងតែមួយ។ ក្រុមហ៊ុននេះទើបតែបានបញ្ចប់ការរៃអង្គាសថវិកាស៊េរី D ចំនួន ២៥០ លានដុល្លារថ្មីៗនេះ។

គួរកត់សម្គាល់ផងដែរនូវល្បឿននៃការរួមបញ្ចូលគ្នានៅក្នុងឧស្សាហកម្មនេះ។ ក្រុមហ៊ុន Axon បានទិញយកក្រុមហ៊ុន Prepared ដែលធ្វើ AI សម្រាប់ 911 ដូចគ្នានៅក្នុងឆ្នាំ ២០២៥ ហើយបានទិញយក Carbyne ក្នុងតម្លៃវាយតម្លៃ ៦២៥ លានដុល្លារ ដែលវិស័យនេះកំពុងផ្លាស់ប្តូរពីការប្រកួតប្រជែងគ្នារវាងក្រុមហ៊ុន Startup ឆ្ពោះទៅរកភាពផ្តាច់មុខ (Oligopoly)។

ចំណុចសំខាន់ៗក្នុងពេលនេះ

• តួនាទីរបស់ AI គឺជារបស់ជំនួយ មិនមែនជាការសម្រេចចិត្តទេ៖ បច្ចុប្បន្ន ការរចនាប្រព័ន្ធទាំងអស់គឺ «ផ្តល់សញ្ញាព្រមានដល់បុគ្គលិកទទួលទូរសព្ទ» ហើយការសម្រេចចិត្តចុងក្រោយនៅតែស្ថិតលើមនុស្សដដែល។ បន្ទាត់នេះត្រូវតែរក្សាឱ្យបាននៅក្នុងវិស័យដែលមានហានិភ័យខ្ពស់។
• អ្វីដែលសន្សំសំចៃភាគច្រើនគឺពេលវេលាធ្វើឯកសារ៖ បុគ្គលិកប៉ូលិសនិងមន្ទីរดับเพลิงត្អូញត្អែរខ្លាំងជាងគេគឺការអង្គុយវាយរបាយការណ៍មុនពេលចេញពីការងារ។ មុខងារដូចជា ReportAI និង BriefAI គឺចំគោលដៅលើការឈឺចាប់នេះផ្ទាល់ មិនមែនជំនួសការវិភាគដំបូងឡើយ។
• ការរួមបញ្ចូលទិន្នន័យគឺពិបាកជាងម៉ូដែលគំរូទៅទៀត៖ Peregrine បានអនុវត្តវិធីសាស្ត្រដាក់វិស្វករឱ្យប្រចាំការនៅនឹងកន្លែងអតិថិជន ព្រោះទម្រង់ទិន្នន័យរបស់ស្ថាប័នរដ្ឋគឺច្របូកច្របល់ខ្លាំងរហូតដល់មិនអាចដោះស្រាយពីចម្ងាយបានទេ។ រឿងនេះគឺគ្មានផ្លូវកាត់ទេ។
• ភាពចម្រូងចម្រាសក៏ពិតប្រាកដផងដែរ៖ ShotSpotter ក្រោមចំណុះរបស់ SoundThinking ត្រូវបានគេចោទសួរជាច្រើនឆ្នាំមកហើយអំពីអត្រាជូនដំណឹងខុស និងតម្លៃសមាមាត្រនៃប្រសិទ្ធភាព ដោយទីក្រុងដូចជា Chicago ធ្លាប់បានលុបចោល ឬកាត់បន្ថយ កិច្ចសន្យា។ នៅពេលដែលក្បួនដោះស្រាយ (Algorithm) ចាប់ផ្តើមសម្រេចចិត្តថាត្រូវបញ្ជូនកម្លាំងប៉ូលិសទៅទីណា ការជជែកពិភាក្សាក្នុងសង្គមគឺជារឿងចាំបាច់។

ការវិភាគផលប៉ះពាល់លើទីផ្សារ

សម្រាប់អ្នកប្រើប្រាស់នៅតៃវ៉ាន់៖ ក្នុងរយៈពេលខ្លី ការយល់ដឹងមានកម្រិតកំណត់។ ប្រព័ន្ធ 119 និង 110 របស់តៃវ៉ាន់មានโครงสร้างខុសពីសហរដ្ឋអាមេរិក ហើយក៏មិនមានស្តង់ដារប្រព័ន្ធ NG911 នេះដែរ។ អ្វីដែលប្រហែលជាអាចកើតមានមុនគេគឺ «ការបែងចែកករណីที่ไม่មែនជាករណីបន្ទាន់» — ស្វ័យប្រវត្តកម្មនៃសេវាកម្មដូចជាបណ្តាញពលរដ្ឋ 1999 ដែលមានកម្រិតបច្ចេកវិទ្យាទាបជាងការសង្គ្រោះបន្ទាន់ ហើយហានិភ័យក៏តូចជាងដែរ។

សម្រាប់កម្មវិធីកិច្ចការសាជីវកម្ម៖ ផលប៉ះពាល់នៃការឆ្លុះបញ្ចាំងបច្ចេកវិទ្យារលកនេះគឺគួរឱ្យកត់សម្គាល់។ តម្រូវការសុវត្ថិភាពផ្លូវចូលនៃបន្ទប់សង្គ្រោះបន្ទាន់របស់មន្ទីរពេទ្យ កន្លែងប្រមូលផ្តុំធំៗ និងសាលារៀនគឺពិតជាមានមែន ដូចជាការរកឃើញអាវុធពេលដើរឆ្លងកាត់របស់ Athena Security និងការសម្គាល់ស្លាកលេខយានយន្ត និងហេតុការណ៍របស់ Rekor ដែលសុទ្ធតែពង្រីកទៅកាន់វិស័យវេជ្ជសាស្ត្រ និងពាណិជ្ជកម្ម។ ករណីអំពើហិង្សានៅក្នុងមន្ទីរពេទ្យតៃវ៉ាន់គឺមិនសូវកម្រទេ ដែលផ្នែកនេះមានតម្រូវការជាក់ស្តែង។

សម្រាប់អ្នកអភិវឌ្ឍន៍៖ ឱកាសពិតប្រាកដគឺស្ថិតនៅលើកម្រិតនៃការរួមបញ្ចូល (Integration Layer) មិនមែននៅលើកម្រិតគំរូ (Model Layer) ទេ។ កម្រិតនៃការបែកបាក់នៃប្រព័ន្ធស្ថាប័នរដ្ឋរបស់តៃវ៉ាន់គឺមិនចាញ់សហរដ្ឋអាមេរិកឡើយ អ្នកណាដែលสามารถភ្ជាប់ទិន្នន័យដែលមានស្រាប់ តម្រៀបអត្ថន័យ និងផ្តល់ចំណុចប្រទាក់ដែលងាយស្រួលស្វែងរក អ្នកនោះនឹងមានតម្លៃ។ កម្រិតឧបសគ្គខ្ពស់ ហើយភាពស្អិតរមួត (Stickiness) ក៏ខ្ពស់ផងដែរ។

แนวโน้มអភិវឌ្ឍន៍នាពេលអនាគត

ខ្ញុំវាយតម្លៃថាពីរទៅបីឆ្នាំខាងមុខទៀតវានឹងដើរតាមទិសដៅបី។

ទីមួយគឺ ពីការផ្តល់សញ្ញាព្រមានឆ្ពោះទៅរកការសរសេរេចក្តីព្រាង។ AI មិនត្រឹមតែផ្តល់តម្រុយថា «នេះប្រហែលជាការឈប់បេះដូងលោត» នោះទេ ប៉ុន្តែវាថែមទាំងសរសេរេចក្តីព្រាងកំណត់ត្រាបំពេញភារកិច្ចទាំងមូលរួចជាស្រេច ហើយមនុស្សគ្រាន់តែធ្វើការបញ្ជាក់ប៉ុណ្ណោះ។ ការទទួលយកស្វ័យប្រវត្តកម្មឯកសារគឺមានកម្រិតខ្ពស់ជាងស្វ័យប្រវត្តកម្មនៃការសម្រេចចិត្ត ហើយវានឹងត្រូវដាក់ឱ្យប្រើប្រាស់ទូទៅមុនគេ។

ទីពីរគឺ បទប្បញ្ញត្តិនិងការត្រួតពិនិត្យនឹងតាមទាន់។ បទប្បញ្ញត្តិ AI របស់សហភាពអឺរ៉ុបបានដាក់បញ្ចូលគោលបំណងบังคับច្បាប់ថាជាហានិភ័យខ្ពស់ ហើយរដ្ឋផ្សេងៗគ្នានៅសហរដ្ឋអាមេរិកក៏បានចេញច្បាប់គ្រប់គ្រងថិរវេលារក្សាទុកទិន្នន័យសម្គាល់ស្លាកលេខយានយន្តផងដែរ។ ដំណាក់កាលដែលបច្ចេកវិទ្យារត់មុន ហើយបទប្បញ្ញត្តិរត់តាមក្រោយគឺជិតនឹងបញ្ចប់ហើយ។

ទីបីគឺ ការរួមបញ្ចូលគ្នានិងការទិញយកក្រុមហ៊ុនបន្តបន្ទាប់។ ការដែល Axon ទិញយក Prepared និង Carbyne បន្តបន្ទាប់គ្នាគ្រាន់តែជាការចាប់ផ្តើមប៉ុណ្ណោះ។ ការដាក់ស្នើទិញរបស់ស្ថាប័នរដ្ឋចូលចិត្តច្រកតែមួយ (Single Window) ដែលរចនាសម្ព័ន្ធនេះនឹងบังคับឱ្យអ្នកផ្គត់ផ្គង់រួមបញ្ចូលគ្នាទៅជាវេទិកាធំៗ។

សេចក្តីសន្និដ្ឋាននិងមតិយោបល់ពី TheAI學院

ក្នុងអំឡុងពេលសរសេរប្រធានបទនេះ អ្វីដែលធ្វើឱ្យខ្ញុំចាប់អារម្មណ៍ខ្លាំងជាងគេមិនមែនជាភាពអស្ចារ្យនៃបច្ចេកវិទ្យានោះទេ ប៉ុន្តែគឺ តួលេខប្រសិទ្ធភាពនៃប្រព័ន្ធទាំងនេះគឺស្ទើរតែទាំងអស់ត្រូវបានបង្ហាញដោយក្រុមហ៊ុនខ្លួនឯងផ្ទាល់។ ពាក្យសម្តីដូចជា «ថិរវេលាឆ្លើយតបកាត់បន្ថយពីរខ្ទង់ភាគរយ» «បទល្មើសធ្ងន់ធ្ងរថយចុះ 45%» គួរតែមានការផ្ទៀងផ្ទាត់ដោយឯករាជ្យនៅកម្រិតគោលនយោបាយសាធារណៈ ប៉ុន្តែបច្ចុប្បន្នភាគច្រើនគឺគ្មានទេ។ ភាពចម្រូងចម្រាសរបស់ ShotSpotter គឺកើតឡើងតាមវិធីនេះឯង៖ មិនមែនថាបច្ចេកវិទ្យាមិនមានប្រយោជន៍ទាំងស្រុងនោះទេ ប៉ុន្តែប្រសិទ្ធភាពដែលបានប្រកាសមិនអាចទប់ទល់នឹងតម្លៃដើមដែលបានដាក់បញ្ចូល និងតម្លៃសង្គមនោះទេ។

មតិយោបល់៖ នៅពេលដែល AI ចូលមកក្នុងសន្តិសុខសាធារណៈ សំណួរពិតប្រាកដដែលគួរចោទសួរមិនមែនជា «សុក្រឹតឬអត់?» នោះទេ ប៉ុន្តែគឺ «តើនរណាជាអ្នកផ្ទៀងផ្ទាត់? តើទិន្នន័យត្រូវបានរក្សាទុកយូរប៉ុណ្ណា? តើនរណាជាអ្នកអាចឆែកមើលបាន? ហើយតើពេលឆែកមើលហើយមានការទុកកំណត់ត្រាទុកដែរឬទេ?» — បញ្ហាបច្ចេកវិទ្យាមានដំណោះស្រាយ ប៉ុំបញ្ហាក្នុងការគ្រប់គ្រង (Governance) គឺគ្មានចម្លើយស្តង់ដារទេ។

យោបល់ជាក់ស្តែងសម្រាប់អ្នកអាននៅតៃវ៉ាន់៖ ប្រសិនបើអ្នកស្ថិតនៅក្នុងស្ថាប័នរដ្ឋ ឬខ្សែសង្វាក់ផ្គត់ផ្គង់ដែលពាក់ព័ន្ធ អ្វីដែលគួរវិនិយោគខ្លាំងជាងគេនាពេលបច្ចុប្បន្ននេះ មិនមែនជាការប្រញាប់ប្រញាល់ដាក់បញ្ចូលម៉ូដែលគំរូនោះទេ ប៉ុន្តែគឺការរៀបចំទិន្នន័យក្នុងដៃឱ្យបានស្អាតបាត — ការកំណត់និយមន័យជួរឈរ (Columns) ការផ្ទៀងផ្ទាត់កូដ និងគោលនយោបាយរក្សាទុក។ បទពិសោធន៍ពីសហរដ្ឋអាមេរិកបង្ហាញយ៉ាងច្បាស់ថា ស្ថាប័នដែលមិនបានរៀបចំជាន់ទិន្នន័យបាតក្រោមឱ្យបានល្អ គម្រោង AI ស្ទើរតែទាំងអស់បញ្ចប់ទៅដោយគ្មានលទ្ធផល។ ប្រសិនបើអ្នកជាប្រជាពលរដ្ឋទូទៅ អ្វីដែលគួរយកចិត្តទុកដាក់គឺបទប្បញ្ញត្តិការពារទិន្នន័យផ្ទាល់ខ្លួនបន្តបន្ទាប់៖ នៅពេលដែលការសម្គាល់ស្លាកលេខយានយន្ត និងការវិភាគរូបភាពត្រូវបានប្រើប្រាស់ទូទៅហើយ «តើទិន្នន័យត្រូវបានរក្សាទុកយូរប៉ុណ្ណា? តើនរណាមានសិទ្ធិឆែកមើល?» នឹងប៉ះពាល់ trực tiếp ដល់ជីវិតប្រចាំថ្ងៃរបស់ពួកយើងរាល់គ្នា ដែលនេះគឺជាដំណាក់កាលដែលគួរតែបញ្ចេញសំឡេងមុនពេលដែលប្រព័ន្ធត្រូវបានបង្កើតឡើងជាស្ថាពរ។ ចង់ស្វែងយល់បន្ថែមអំពីឧបករណ៍ដែលទាក់ទង សូមមើលផ្នែក ការចាត់ថ្នាក់សុវត្ថិភាពសាធារណៈនិងការឆ្លើយតបបន្ទាន់របស់ AI នៅលើគេហទំព័រ។

ប្រភពទិន្នន័យ

• គេហទំព័រផ្លូវការរបស់ Mark43 (ខ្សែស្រឡាយផលិតផល ចំនួនស្ថាប័នដែលបានដាក់ឱ្យប្រើប្រាស់)
• គេហទំព័រផ្លូវការរបស់ Peregrine (ទីតាំងវេទិកា វិធីសាស្ត