សូម្បីតែរោងចក្រនុយក្លេអ៊ែរក៏កំពុងប្រើប្រាស់ AI ដែរ៖ មាគ៌ាទាំងបីនៃការដាក់បញ្ចូល AI ក្នុងវិស័យថាមពល និងបទពិសោធន៍របស់តៃវ៉ាន់

វិស្វกรដំណើរការម្នាក់ដែលធ្វើការនៅរោងចក្រ Mailiao របស់ Formosa Plastics ក្នុងទីក្រុង Yunlin អស់រយៈពេលម្ភៃឆ្នាំបានប្រាប់ខ្ញុំនូវឃ្លាមួយ ដែលខ្ញុំនៅតែចាំមិនភ្លេចថា៖ «នៅក្នុងរោងចក្ររបស់យើង មាន სנס័រ (Sensors) ច្រើនលើសលប់ ប៉ុន្តែតារាង (Tables) ត្រឹមតែប៉ុន្មានផ្ទាំងប៉ុណ្ណោះដែលត្រូវបានប្រើប្រាស់ពិតប្រាកដសម្រាប់ការសម្រេចចិត្ត»។

ឃ្លានี้ក្រោយមកត្រូវបានបកស្រាយជាតួលេខដោយ סטარតអាប់ (Startup) ជនជាតិអង់គ្លេសមួយ។ Applied Computing បានលើកឡើងថា នៅពេលដែលរោងចក្រចម្រាញ់ប្រេង និងគីមីឥន្ធនៈធ្វើការសម្រេចចិត្តផ្នែកប្រតិបត្តិការ ទិន្នន័យដែលបានប្រើប្រាស់គឺមានតិចជាង 8% នៃទិន្នន័យដែលមានស្រាប់។

តើ 92% ដែលនៅសល់នោះទៅណា? វាគេងស្ងៀមនៅក្នុងបណ្ណាល័យប្រវត្តិទិន្នន័យ ដោយគ្មាននរណាម្នាក់មានពេលមើលវាឡើយ។

ហេតុអ្វីបានជាវិស័យថាមពលមានការលំបាកខ្លាំងម្ល៉េះ?

កម្រិតនៃការលំបាកក្នុងការដាក់ឱ្យប្រើប្រាស់ AI ក្នុងវិស័យថាមពល និង tiện íchសាធារណៈ គឺមិនស្ថិតក្នុងកម្រិតដូចគ្នានឹងសហគ្រាសទូទៅនោះទេ។ មានហេតុផលបីយ៉ាង។

ការគ្រប់គ្រង និងបទប្បញ្ញត្តិមានភាពតឹងរ៉ឹងបំផុត។ រាល់ឯកសារទាំងអស់នៃរោងចក្រថាមពលនុយក្លេអ៊ែរអាចនឹងត្រូវគេត្រួតពិនិត្យ (Audit) ហើយរាល់ការសម្រេចចិត្តទាំងអស់ត្រូវតែអាចតាមដានប្រភពដើមវិញបាន។ ពាក្យថា «AI និយាយថា» មិនអាចយកមកប្រើជាហេតុផលបានទេ។

តម្លៃនៃការខុសឆ្គងគឺខ្ពស់ខ្លាំងណាស់។ ប្រសិនបើវេទិកា E-commerce ណែនាំទំនិញខុស ការខាតបង់គឺត្រឹមតែកម្មង់ទិញមួយ; ប៉ុន្តែបើប៉ារ៉ាម៉ែត្រប្រតិបត្តិការនៃរោងចក្រចម្រាញ់ប្រេងខុស វាអាចបណ្តាលឱ្យមានការបិទឡចំហាយ ឬគ្រោះថ្នាក់សុវត្ថិភាព។

វិស្វករមិនទុកចិត្តប្រអប់ខ្មៅ (Black Box)។ ចំណុចនេះមានសារៈសំខាន់បំផុត ប៉ុន្តែត្រូវបានគេពិភាក្សាតិចតួចបំផុត។ ប្រសិនបើអ្នកផ្តល់រូបភាព «ការណែនាំរបស់ AI ឱ្យតម្លើងសីតុណ្ហភាពឡើង 5 ដឺក្រេ» ដល់វិស្វករដែលមានបទពិសោធន៍ សំណួរដំបូងរបស់គាត់ σίγουរជា «ហេតុអ្វី?»។ ប្រសិនបើមិនអាចឆ្លើយបាន ប្រព័ន្ធនេះគ្រាន់តែជារបស់តាំងលម្អប៉ុណ្ណោះ។

ακριβώς ដោយសារតែវាមានការលំបាកខ្លាំង ទើបករណីសិក្សានៃការអនុវត្ត AI ក្នុងវិស័យថាមពលមានតម្លៃគួរឱ្យកត់សម្គាល់ — ការអាចឆ្លងកាត់ការត្រួតពិនិត្យនៅទីនេះ ស្មើនឹងការឆ្លងកាត់ការធ្វើតេស្តសម្ពាធយ៉ាងតឹងរ៉ឹងបំផុត។

ផ្លូវទី១៖ ចាប់ផ្តើមពីឯកសារជាមុន ដោយមិនប៉ះពាល់ដល់ការគ្រប់គ្រង

ចំណុចចាប់ផ្តើមជាក់ស្តែងបំផុត គឺកិច្ចការទាំងឡាយណាដែល «មានសារៈសំខាន់ ប៉ុន្តែមិនផ្ទុះឡើង»។

Nuclearn គឺជាតំណាងនៃផ្លូវនេះ។ អ្វីដែលវាធ្វើគឺការស្វ័យប្រវត្តិកម្មលើឯកសារ និងលំហូរការងាររបស់រោងចក្រថាមពលនុយក្លេអ៊ែរ ដូចជាការចាត់ថ្នាក់ និងការត្រងរបាយការណ៍លក្ខខណ្ឌដោយស្វ័យប្រវត្តិ ការស្វែងរកទិន្នន័យបរិក្ខារ និងគ្រឿងបន្លាស់ ការទាញយក និងការសួរសំណួរពីឯកសារវិស្វកម្ម។ បន្ទាត់ផលិតផលត្រូវបានបែងចែកទៅតាមផ្នែកជាក់ស្តែង៖ Equipment AI, Parts AI, Engineering AI, Performance Improvement AI និង chatbot ផ្តាច់មុខសម្រាប់ថាមពលនុយក្លេអ៊ែរដែលមានឈ្មោះថា AtomAssist។

ការទាមទាររបស់វាមានភាពសាមញ្ញ៖ «ប្រតិបត្តិការលឿនជាងមុន ការកកស្ទះតិចជាងមុន និងហានិភ័យទាបជាងមុន»។ ကုမ္បណ័យនេះបម្រើសេវាកម្មដល់កន្លែងនុយក្លេអ៊ែរជាង 70 នៅអាមេរិកខាងជើង និងចក្រភពអង់គ្លេស ហើយក្រុមស្ថាបនិកមកពីស្ថាប័នដូចជារោងចក្រនុយក្លេអ៊ែរ Palo Verde ជាដើម។

សូមកត់សម្គាល់ពីអ្វីដែលវាចេតនាមិនប៉ះពាល់៖ ការគ្រប់គ្រងអង្គភាព និងការសម្រេចចិត្តទាក់ទងនឹងសុវត្ថិភាព គឺមិនប៉ះពាល់ជាដាច់ខាត។ លទ្ធផលទាំងអស់ដែលបង្កើតឡើងដោយ AI ត្រូវបានបញ្ជូនទៅកាន់មនុស្ស ហើយមនុស្សគឺជាអ្នកសម្រេចចិត្ត។ ការដាក់ដែនកំណត់ខ្លួនឯងនេះមិនមែនជាភាពអភិរក្សនិយមទេ ប៉ុន្តែវាជាហេតុផលដែលធ្វើឱ្យវាអាចត្រូវបានអនុម័ត។

រោងចក្រនុយក្លេអ៊ែរគឺជាឧស្សាហកម្មមួយក្នុងចំណោមឧស្សាហកម្មដែលមានឯកសារច្រើនជាងគេបំផុតនៅលើពិភពលោក ដែលរាល់ភាពមិនប្រក្រតីនីមួយៗត្រូវតែបើករបាយការណ៍លក្ខខណ្ឌ ហើយឯកសារនីមួយៗត្រូវតែចាត់ថ្នាក់ និងត្រងដោយដៃ។ កិច្ចការប្រភេទនេះដែលមាន «បរិមាណច្រើន បទបញ្ញត្តិច្បាស់លាស់ ប៉ុន្តែស៊ីពេលច្រើនរបស់វិស្វករ» គឺជាចំណុចដ៏ល្អឥតខ្ចោះសម្រាប់ AI ។

ផ្លូវទី២៖ ប្រើប្រាស់រូបវិទ្យាជាអ្នកយាមទ្វារ

ផ្លូវទីពីរមានលក្ខណៈបច្ចេកទេសជាង និងឆ្លាតវៃជាង។

ផលិតផល Orbital របស់ Applied Computing ផ្សំឡើងពីម៉ូដែលចំនួនបីត្រួតលើគ្នា។ ម៉ូដែលស៊េរីពេលវេលា (Time Series Model) ភ្ជាប់ទៅនឹងប្រព័ន្ធគ្រប់គ្រង និងបណ្ណាល័យប្រវត្តិទិន្នន័យ ដើម្បីព្យាករណ៍និន្នាការ និងរកឃើញភាពមិនប្រក្រតី។ ម៉ូដែលភាសាត្រូវបានបណ្តុះបណ្តាលជាមួយចំណេះដឹងវិស្វកម្មគីមី ដែលអាចបកស្រាយឯកសារក្នុងរោងចក្រ និងស្នើឡើងនូវសកម្មភាព។

ចំណែកឯស្រទាប់កណ្តាលគឺជាគន្លឹះ៖ ម៉ូដែលរូបវិទ្យាទទួលខុសត្រូវក្នុងការត្រួតពិនិត្យ ដើម្បីធានាថា نتائجនៃការទายទុកជាមុនអនុលោមតាមតុល្យភាពម៉ាស តុល្យភាពថាមពល និងឌីណាមិកប្រតិកម្ម។

ការរចនានេះដោះស្រាយ ακριβώς នូវបញ្ហានៃការទុកចិត្តដែលបានរៀបរាប់ខាងដើម។ ម៉ូដែលដែលជំរុញដោយទិន្នន័យសុទ្ធសាធអាចផ្តល់នូវការណែនាំដែលមើលទៅមានហេតុផលតាមស្ថិតិ ប៉ុន្តែមិនអាចទៅរួចទេតាមរូបវិទ្យា។ ប្រសិនបើវិស្វករឃើញលទ្ធផលបែបនេះម្តង ប្រព័ន្ធនេះនឹងស្លាប់នៅក្នុងចិត្តរបស់ពួកគេហើយ។

បន្ទាប់ពីបន្ថែមការរឹតបន្តឹងផ្នែករូបវិទ្យា ការណែនាំរបស់ AI យ៉ាងហោចណាស់ធ្លាក់ចូលទៅក្នុងដែនកំណត់ដែលអាចធ្វើទៅបានតាមរូបវិទ្យា ហើយវិស្វករអាចផ្ទៀងផ្ទាត់ដោយខ្លួនឯងថា «តើការណែនាំនេះសមហេតុផលដែរឬទេ?»។ នេះគឺជាព្រំដែនកំណត់ថាតើវាអាចត្រូវបានទទួលយកដែរឬទេ។

ទីស្នាក់ការកណ្តាលរបស់ក្រុមហ៊ុនស្ថិតនៅទីក្រុងឡុងដ៍ ដោយផ្តល់អាទិភាពដល់ការធ្វើការងារពីចម្ងាយ (Remote-first) ស្ថាបនិកគឺជាศิษย์เก่า មកពី Imperial College London ហើយលោក Dan Jeavons អតីតប្រធានផ្នែកគម្រោង AI របស់ Shell ดำรงตำแหน่งជាប្រធានក្រុមហ៊ុន ដោយបានបញ្ចប់ការរៃអង្គាសប្រាក់ជុំគ្រាប់ពូជចំនួន 9 លានផោນ។ ជាមួយនឹងបទពិសោធន៍ជាក់ស្តែងពី Shell រឿងនេះខ្លួនឯងគឺជាលិខិតឆ្លងដែននៅក្នុងឧស្សាហកម្មនេះ។

ផ្លូវទី៣៖ ដោះស្រាយបញ្ហានៃ «ការសាងសង់មិនកើត»

ផ្លូវទីបីលោតផ្លោះទៅមុខកាន់តែឆ្ងាយ។

Everstar មិនមានគោលដៅលើប្រតិបត្តិការនៃរោងចក្រអគ្គិសនីដែលមានស្រាប់នោះទេ ប៉ុន្តែគឺដោះស្រាយបញ្ហានៃការមិនអាចសាងសង់រោងចក្រថាមពលនុយក្លេអ៊ែរថ្មីបាន។ Gordian របស់វាគឺជាវេទិកា AI សម្រាប់ប្រតិបត្តិការនុយក្លេអ៊ែរ ដែលគ្របដណ្តប់លើវិស្វកម្ម ការប័ណ្ណអនុញ្ញាតផ្នែកច្បាប់ ការបញ្ជាក់ និងការបណ្តុះបណ្តាលបុគ្គលិក។ ចំណែកឯ Titan គឺជាប្រព័ន្ធផលិតកម្មដែលមានមាត្រដ្ឋានធំ ដោយក្រុមហ៊ុនបានស្នើគោលដៅ «សាងសង់ 400 GW ឱ្យបានរួចរាល់នៅសហរដ្ឋអាមេរិកមុនឆ្នាំ 2050»។

តំណភ្ជាប់ទាំងប្រាំពីរដែលវាចូលរួមគឺ៖ វិស្វកម្ម និងការប័ណ្ណអនុញ្ញាត ការបញ្ជាក់ពីអ្នកផ្គត់ផ្គង់ ការអភិវឌ្ឍធនធានមនុស្ស ការគ្រប់គ្រងគុណភាពផលិតកម្ម ប្រសិទ្ធភាពនៃការសាងសង់ និងប្រតិបត្តិការស្វយ័តរបស់រោងចក្រ។ ទីតាំងផ្លូវការគឺ «ការផ្លាស់ប្តូរថាមពលនុយក្លេអ៊ែរពីក្រដាសទៅជាដែកថែប»។

មានរឿងមួយដែលត្រូវបញ្ជាក់ឱ្យច្បាស់នៅទីនេះ៖ អ្វីដែល AI អាចពន្លឿនគឺការរៀបចំឯកសារ ការស្វែងរកទិន្នន័យ និងការត្រួតពិនិត្យភាពស៊ីសង្វាក់គ្នា ដែលជាកិច្ចការប្រើប្រាស់ម៉ោងធ្វើការច្រើន ខណៈពេលដែលការត្រួតពិនិត្យរបស់ភ្នាក់ងារនិយតករខ្លួនឯងនៅតែត្រូវការពេលវេលា។ ការយល់ដឹងសមហេតុផលគឺការកាត់បន្ថយ «ការរង់ចាំការដាក់ស្នើឯកសារ» មិនមែនកាត់បន្ថយ «ការត្រួតពិនិត្យបទប្បញ្ញត្តិ» នោះទេ។

ទោះជាយ៉ាងណាក៏ដោយ ការមានវត្តមានរបស់ក្រុមហ៊ុននេះខ្លួនឯងបានបញ្ជាក់ពីការពិតមួយ៖ ឧបសគ្គពិតប្រាកដនៃការងើបឡើងវិញនៃថាមពលនុយក្លេអ៊ែរគឺស្ថិតនៅលើផ្នែកប្រតិបត្តិការ មិនមែនផ្នែកបច្ចេកទេសទេ។ វាមិនមែនដោយសារតែសាងសង់មិនកើតនោះទេ ប៉ុន្តែគឺដោយសារតែដំណើរការ ខ្សែសង្វាក់ផ្គត់ផ្គង់ និងទេពកោសល្យត្រូវបានកាត់ផ្តាច់។

និយាយអញ្ចឹង Overstory ក៏ជាកម្មសិទ្ធិរបស់ប្រភេទធំនេះដែរ ដោយវាប្រើប្រាស់រូបភាព衛星 ដើម្បីវិភាគហានិភ័យនៃរុក្ខជាតិនៅជិតខ្សែភ្លើង ដោយបម្រើសេវាកម្មដល់ក្រុមហ៊ុនអគ្គិសនីកំពូលទាំងដប់នៅអាមេរិកខាងជើងចំនួនប្រាំាំ ដោយប្តូរថវិកាកាត់តម្រឹមរបស់ក្រុមហ៊ុនអគ្គិសនីពី «យោងតាមរដូវកាល» ទៅជា «យោងតាមហានិភ័យ»។

ការវិភាគផលប៉ះពាល់ទីផ្សារ

ចំពោះអ្នកប្រើប្រាស់តៃវ៉ាន់

មនុស្សទូទៅនឹងមិនប្រើប្រាស់ឧបករណ៍ទាំងនេះដោយផ្ទាល់នោះទេ ប៉ុន្តែផលប៉ះពាល់គឺដោយប្រយោល ប៉ុន្តែពិតប្រាកដ៖ ការដាច់ភ្លើងតិចជាងមុន តម្លៃអគ្គិសនីមានស្ថេរភាពជាងមុន និងគ្រោះថ្នាក់សុវត្ថិភាពការងារតិចជាងមុន។ ការគ្រប់គ្រងហានិភ័យរុក្ខជាតិដូចជា Overstory គឺដូចគ្នាបេះបិទទៅនឹងបញ្ហាដើមឈើដួលរលំ និងដាច់ភ្លើងក្នុងរដូវព្យុះទីហ្វុងជារៀងរាល់ឆ្នាំនៅតៃវ៉ាន់។

ចំពោះសហគ្រាសតៃវ៉ាន់

ចំណុចនេះគឺជាចំណុចសំខាន់។ ឧស្សាហកម្មគីមីឥន្ធនៈ (ប្រព័ន្ធ CPC, Formosa Plastics Group) អគ្គិសនី (Taipower) និងរោងចក្រផលិត semiconductor របស់តៃវ៉ាន់ គឺជាសេណារីយ៉ូគំរូនៃបច្ចេកវិទ្យាបែបนี้ ដោយសារបរិក្ខារចាស់ ទិន្នន័យច្រើន និងចំណេះដឹងបទពិសោធន៍ត្រូវបានผูกជាប់ជាមួយវិស្វករដែលមានបទពិសោធន៍ ដែលវិស្វករទាំងនោះកំពុងត្រៀមចូលនិវត្តន៍។

ប៉ុន្តែខ្ញុំចង់និយាយដោយស្មោះត្រង់ថា៖ ក្រុមហ៊ុនតៃវ៉ាន់ភាគច្រើននឹងជាប់គាំងលើទិន្នន័យ មិនមែនជាប់គាំងលើម៉ូដែលនោះទេ។ តើទិន្នន័យប្រវត្តិសាស្ត្រនៃប្រព័ន្ធគ្រប់គ្រងត្រូវបានរក្សាទុកយ៉ាងពេញលេញដែរឬទេ? តើទ្រង់ទ្រាយស្លាក (Label formats) នៃតំបន់រោងចក្រផ្សេងគ្នាមានភាពស៊ីសង្វាក់គ្នាដែរឬទេ? តើប្រព័ន្ធឆ្លងកាត់អាចភ្ជាប់គ្នាបានដែរឬទេ? ប្រសិនបើអ្នកមិនអាចឆ្លើយសំណួរទាំងបីនេះបានទេ ការទិញប្រព័ន្ធណាមួយក៏គ្មានប្រយោជន៍ដែរ។

លំដាប់ដែលបានណែនាំគឺ៖ ធ្វើការរុករកទិន្នន័យជាមុនសិន → ជ្រើសរើសការធ្វើតេស្តស្វ័យប្រវត្តិកម្មឯកសារក្នុងវិសាលភាពតូចមួយ → ប្រមូលការទុកចិត្តផ្ទៃក្នុង → បន្ទាប់មកទើបនិយាយអំពីការធ្វើឱ្យដំណើរការប្រសើរឡើង។ កុំធ្វើវាត្រឡប់ខុសពីនេះ។

ចំពោះអ្នកអភិវឌ្ឍន៍

ប្រសិនបើអ្នកកំពុងធ្វើ AI ឧស្សាហកម្ម ស្ថាបត្យកម្មរបស់ Applied Computing គឺคุ้มค่าในการចម្លង៖ កុំគ្រាន់តែធ្វើការទายទុកជាមុន ប៉ុន្តែត្រូវធ្វើការទាយទុកជាមុនដែលអាចផ្ទៀងផ្ទាត់បាន។ បង្កើតច្បាប់រូបវិទ្យា ឬច្បាប់អាជីវកម្មនៃដែនជាស្រទាប់រឹតបន្តឹង ដើម្បីឱ្យអ្នកប្រើប្រាស់អាចពិនិត្យមើលដោយខ្លួនឯງថាតើលទ្ធផលសមហេតុផលដែរឬទេ។ នេះมีតម្លៃជាងម៉ូដែលធំៗទៅទៀត។

លើសจากនេះ «ការ耕深បញ្ឈរ (Vertical Deep Cultivation)» គឺជាប្រឡាយការពារ (Moat) ពិតប្រាកដនៅក្នុងវិស័យនេះ។ Nuclearn សង្កត់ធ្ងន់ថាខ្លួនមិនមែនគ្រាន់តែដាក់ចំណុចប្រទាក់បន្ថែមនៅខាងក្រៅម៉ូដែលភាសាខ្នាតយក្សទូទៅនោះទេ ប៉ុន្តែជាការកសាងឡើងយ៉ាងពិសេសសម្រាប់បរិយាកាសនុយក្លេអ៊ែរ ដែលភាពខុសគ្នានេះនៅក្នុងឧស្សាហកម្មដែលមានបទបញ្ញត្តិ αυστηร គឺជាភាពខុសគ្នារវាងការទទួលបានកុម្ម៉ង់ទិញ និងមិនទទួលបាន។

និន្នាការអភិវឌ្ឍន៍នាពេលអនាគត

ទីមួយ តម្រូវការអគ្គិសនីរបស់ AI នឹងរុញច្រានឱ្យវិស័យថាមពលหันมาໃຊ້ AI វិញ។ តម្រូវការអគ្គិសនីនៃศูนย์ข้อมูล (Data Centers) កំពុងផ្លាស់ប្តូរសម្ពាធប្រតិបត្តិការរបស់វិស័យអគ្គិសនី ហើយឧបករណ៍មួយដើម្បីទប់ទល់នឹងសម្ពាធនេះ គឺ AI នេះឯង។ រង្វង់មូលនេះនឹងកាន់តែលឿនឡើងៗ។ ការពិភាក្សាពាក់ព័ន្ធនៅក្នុងតៃវ៉ាន់អាចយោងទៅលើ ការពិនិត្យឡើងវិញនូវការប្រើប្រាស់អគ្គិសនីរបស់ศูนย์ข้อมูล តៃវ៉ាន់។

ទីពីរ «ភាពអាចត្រួតពិនិត្យបាន (Auditing ability)» នឹងក្លាយជាស្តង់ដារនៃ AI ឧស្សាហកម្ម។ ឧស្សាហកម្មដែលមានបទបញ្ញត្តិ αυστηร នឹងទាមទារឱ្យរាល់លទ្ធផលរបស់ AI អាចតាមដានប្រភពដើម និងមូលដ្ឋានរបស់វាបាន។ នេះនឹងបង្ខំឱ្យទីផ្សារ AI ឧស្សាហកម្មទាំងមូលឆ្ពោះទៅរកទិសដៅដែលងាយយល់ (Explainable AI)។

ទីបី រលកនៃការចូលនិវត្តន៍គឺជាកម្លាំងរុញច្រានដ៏ធំបំផុត។ ការចូលនិវត្តន៍យ៉ាងច្រើនសន្ធឹកសន្ធាប់របស់វិស្វករដែលមាន