ហេតុអ្វីបានជា AI របស់អ្នកលែងត្រូវការ Cloud ទៀតហើយ ដើម្បីដំណើរការលឿនជាងមុន

អ្នកនិពន្ធ៖ Thomas Feltin Léo Marchó Juan-Antonio Cordero-Fuertes Frank Brockners Thomas H. Clausen សេចក្តីសង្ខេប៖ ការអនុវត្តបណ្តាញសរសៃប្រសាទជ្រៅ (DNN) លើទិន្នន័យដែលហូរទាមទារធនធានគណនាដើម្បីបំពេញតម្រូវការកាមវុតនៃការអនុវត្ត។ ទោះយ៉ាងណា កម្មវិធីរៀនដោយការជ្រៅដែលងាយនឹងមានភាពយឺតយ៉ាវ និងភាពឯកជនមិនអាចបោះការគណនាទៅពពកពីចម្ងាយបានទេ ដោយសារតែតម្លៃបញ្ជូនដែលបានបង្កប់ និងកង្វះការទុកចិត្តលើអ្នកផ្តល់សេវាពពកភាគីទីបី។ ក្នុងចំណោមដំណោះស្រាយដើម្បីបង្កើនការសម្តែងខណៈពេលដែលរក្សាការគណនាក្នុងបរិស្ថានដែលបានកំណត់ ការពន្លឿនផ្នែករឹងអាចមានការលំបាក ហើយការធ្វើឱ្យប្រសើរឡើងនូវម៉ូដែលទាមទារកិច្ចខិតខំរចនាយ៉ាងទូលំទូលាយខណៈពេលដែលរារាំងភាពត្រឹមត្រូវ។ ការបែងចែក DNN គឺជាវិធីសាស្ត្របំពេញបន្ថែមទីបី ហើយមានការចែកចាយការងារអនុវត្តលើឧបករណ៍គែមជាច្រើនដែលមានដោយគិតពីលក្ខណៈបណ្តាញគែម និងរចនាសម្ព័ន្ធ DNN ដោយមានគោលបំណងបង្កើនកាមវុតនៃការអនុវត្ត (ចំនួននៃការអនុវត្តក្នុងមួយវិនាទី) ។ បណ្ណសារនេះបង្ហាញពីវិធីសាស្ត្រមួយដើម្បីព្យាករណ៍ពីភាពយឺតយ៉ាវនៃការអនុវត្ត និងការបញ្ជូនសម្រាប់ការដាក់ពង្រាយ DNN ដែលចែកចាយច្រើនខ្សែ ហើយកំណត់ដំណើរការធ្វើឱ្យប្រសើរឡើងដើម្បីបង្កើនកាមវុតនៃការអនុវត្ត។ បន្ទាប់មកអ្នកដោះស្រាយសាខានិងរបងត្រូវបានបង្ហាញនិងវិភាគដើម្បីវាស់ស្ទង់ការសម្តែងដែលសម្រេចបាន និងភាពស្មុគស្មាញ។ ការវិភាគនេះបាននាំឱ្យមានការកំណត់តំបន់ពន្លឿន ដែលពិពណ៌នាពីលក្ខខណ្ឌកំណត់លើលក្ខណៈ DNN និងបណ្តាញដែលការបែងចែក DNN មានប្រយោជន៍។ ជាចុងក្រោយ លទ្ធផលពិសោធន៍បញ្ជាក់ការក្លែងធ្វើ និងបង្ហាញពីការកើនឡើងនៃកាមវុតនៃការអនុវត្តក្នុងការដាក់ពង្រាយគែមគំរូ។ ការបែងចែក DNN នៅគែមអនុញ្ញាតឱ្យពន្លឿនកាមវុតនៃការអនុវត្ត ខណៈពេលដែលកាត់បន្ថយការប្រើប្រាស់ក bandwidth និងភាពយឺតយ៉ាវទៅកាន់ម៉ាស៊ីនមេកណ្តាល ឧ.ក្នុងពពក។ សេចក្តីផ្តើម ឧបករណ៍ដែលបានតភ្ជាប់បានបង្កើតទិន្នន័យប្រហែល ២.៥ quintillion bytes ក្នុងមួយថ្ងៃក្នុងឆ្នាំ ២០២០។ ក្នុងបរិបទនេះបញ្ញត្តិកម្មសិប្បនិម្មិត (AI) គឺជាបច្ចេកវិទ្យាមួយដែលអាចដោះស្រាយបានល្អបំផុតជាមួយនឹងបរិមាណទិន្នន័យដែលបានផលិតកាន់តែច្រើនឡើងក្នុងវិស័យជាច្រើនដូចជាការរកឃើញវត្ថុក្នុងទស្សនវិស័យកុំព្យូទ័រ ការទទួលស្គាល់ផ្ទៃមុខ ការទទួលស្គាល់សំឡេង ការកែច្នៃភាសាធម្មជាតិ ឬការបើកបរដោយស្វ័យប្រវត្តិ។ AI និងជាពិសេសការរៀនជ្រៅ (DL) ទាមទារបន្ថែមលើទិន្នន័យដ៏ច្រើន បរិមាណសមត្ថភាពយ៉ាងសំខាន់ក្នុងការដំណើរការថាមពល និងអង្គចងចាំ ដែលធ្វើឱ្យការគណនាពពកក្លាយជាដំណោះស្រាយម៉ាស៊ីនដែលជាការពិតសម្រាប់ការងារ AI។ ជាលទ្ធផលក្នុងឆ្នាំ ២០១៩ ៩៦% នៃកិច្ចការ AI ត្រូវបានដំណើរការក្នុងពពក។ ១ ២ កម្មវិធី AI អាចមានការដាក់កម្រិតភាពយឺតយ៉ាវខ្លាំង ឧ.ក្នុងការបើកបរដោយស្វ័យប្រវត្តិ ការត្រួតពិនិត្យការផលិត ឬការអនុវត្តតាមពេលវេលាជាក់ស្តែងណាមួយដែលពាក់ព័ន្ធនឹងអន្តរកម្មពិភពលោកពិត។ ឧទាហរណ៍ រយៈពេលឆ្លើយតបជាមធ្យមក្នុងការបើកបរដោយស្វ័យប្រវត្តិត្រូវបានទាមទារឱ្យមានក្រោម ១០០ មីលីវិនាទី ដែលធ្វើឱ្យពេលវេលាធ្វើដំណើរទៅពពកយូរពេកសម្រាប់កម្មវិធីបែបនេះ។ ដូចគ្នានេះដែរ កម្មវិធីខ្លះអាចបង្កឱ្យមានការប្រើប្រាស់តំណយ៉ាងសំខាន់លើបណ្ដាញ ឧ.ក្នុងករណីដំណើរការវីដេអូគុណភាពខ្ពស់ក្នុងទស្សនវិស័យកុំព្យូទ័រ ដែលការពារពួកគេពីការដំណើរការក្នុងពពក។ គោលនយោបាយភាពឯកជនទិន្នន័យ ឬបទបញ្ជាការពារទិន្នន័យក៏អាចហាមឃាត់ទិន្នន័យពីការចាកចេញពីបរិស្ថានជាក់លាក់ដែរ។ នេះលើកទឹកចិត្តការដាក់ពង្រាយ AI ក្នុងការគណនាគែម ដែលមានន័យថាការផ្លាស់ទីលំនៅនៃកិច្ចការគណនាពីមជ្ឈមណ្ឌលទិន្នន័យកាន់តែជិតទៅឧបករណ៍គែម ឧ.នៅក្បែរប្រភពទិន្នន័យ។ [[១]](javascript:void()) បើប្រៀបធៀបនឹងពពកសាធារណៈ គែមគឺជាបរិស្ថានដែលមានកម្រិតធនធានដែលមានការដាក់កម្រិតសំខាន់ ហើយការអភិវឌ្ឍ AI សម្រាប់គែមគឺមានភាពខុសគ្នាជាមូលដ្ឋានពីការអភិវឌ្ឍ AI សម្រាប់ពពក។ ការវិភាគទិន្នន័យជិតប្រភពរបស់វាអាចជាការប្រឈម ដោយសារតែសមត្ថភាពឧបករណ៍ទាប ការមិនអាចបត់បែនបាននៃធនធានដែលមាន និងភាពខុសគ្នានៃបណ្ដាញគែម។ ការកាត់បន្ថយសមត្ថភាពគណនាមានន័យថាការកាត់បន្ថយកាមវុតនៃការអនុវត្តដែលសម្រេចបាន ដែលធ្វើឱ្យការផ្លាស់ទីលំនៅនៃការងារធ្ងន់ពីពពកទៅគែមកាន់តែស្មុគស្មាញ។ ក្នុងកម្មវិធីខ្លះ កាមវុតនៃការអនុវត្ត ឧ.ការអនុវត្តដែលសម្រេចបានក្នុងមួយវិនាទីនៃ DNN អាចត្រូវបានភ្ជាប់ទៅនឹងភាពត្រឹមត្រូវនៃ DNN ឧ.ជាមួយនឹងការរកឃើញវត្ថុក្នុងស្ទ្រីមវីដេអូ ដែលការទម្លាក់អត្រាអនុវត្តពី១៥ ទៅ ៥ អនុវត្តក្នុងមួយវិនាទីត្រូវបានបង្ហាញថាកាត់បន្ថយពិន្ទុ F1__3__នៃឧបករណ៍រកឃើញវត្ថុដោយ ១០% ។ និយាយម្យ៉ាងទៀត ការដាក់ពង្រាយដោយមានកាមវុតអនុវត្តទាបអាចបង្កឱ្យមានការបាត់បង់ព័ត៌មានសំខាន់ ឧ.ការបាត់បង់ការរកឃើញក្នុងកម្មវិធីឃ្លាំមើលវីដេអូ។ [[២]](javascript:void()) [[៣]](javascript:void()) មានវិធីសាស្ត្រសំខាន់ពីរដែលមានដើម្បីបំពេញតម្រូវការសម្តែងលើបណ្ដាញគែមដែលមានកម្រិត៖ ការបង្ហាប់ម៉ូដែល ឬការពន្លឿនផ្នែករឹង។ មានន័យថាការកាត់បន្ថយ និងធ្វើឱ្យប្រសើរឡើងនូវបណ្ដាញសរសៃប្រសាទទៅជាកំណែម៉ូដែលដែលមានទម្ងន់ស្រាល ដែលជាញឹកញាប់មានការសម្តែងទាប។ វិធីសាស្ត្របង្ហាប់ម៉ូដែលស្តង់ដាររួមមានការកាត់ចេញ ឧ.ការដកប៉ារ៉ាម៉ែត្រដែលមិនចាំបាច់ចេញពីម៉ូដែល ការវាល់ ឧ.ការកាត់បន្ថយអង្គចងចាំដែលបានបែងចែកដើម្បីរក្សាទុកម៉ូដែល និងការចាក់បញ្ចាំងចំណេះដឹង ឧ.ការបណ្ដុះបណ្ដាលបណ្ដាញសរសៃប្រសាទតូចជាងដោយចំណេះដឹងដែលបានទាញចេញពីបណ្ដាញធំជាង។ ការធ្វើឱ្យប្រសើរឡើងនូវម៉ូដែលទាមទារកិច្ចខិតខំរចនាយ៉ាងទូលំទូលាយ ហើយអាចជាឧបសគ្គដល់ភាពត្រឹមត្រូវរបស់ម៉ូដែល។ លើឧបករណ៍គែមមានន័យថាការស្វែងរកផ្នែករឹងដែលអាចមានទាំងប្រសិទ្ធភាពថាមពល និងទម្ងន់ស្រាល ខណៈពេលដែលនៅតែអាចដំណើរការការអនុវត្តដោយមានការសម្តែងគ្រប់គ្រាន់។ មានប្រភេទផ្នែករឹងជាច្រើនសម្រាប់ពន្លឿននៅគែម ដោយមានប្រសិទ្ធភាព និងភាពជាក់លាក់ខុសគ្នា ប៉ុន្តែឯកតាដំណើរការស្តង់ដារមិនអាចបំពេញការរំពឹងទុកបានទេ ហើយផ្នែករឹងដែលបានឧទ្ទិសដូចជាASICs ត្រូវបានរកឃើញថាមិនមានប្រសិទ្ធភាព និងថ្លៃ ។ ការបង្ហាប់ម៉ូដែល [[៤]](javascript:void()) [[៥]](javascript:void()) [[៦]](javascript:void()) ការពន្លឿនផ្នែករឹង [[៧]](javascript:void()) ការបែងចែក DNN គឺជាវិធីសាស្ត្របំពេញបន្ថែមសម្រាប់ការពន្លឿនការអនុវត្តដោយការទាញយកប្រយោជន៍ពីភាពច្រើននៃឧបករណ៍ដែលមាននៅលើបណ្ដាញគែមដើម្បីចែកចាយការគណនាអនុវត្ត— ដែលអាចត្រូវបានប្រើតែឯង ឬរួមគ្នាជាមួយនឹងវិធីសាស្ត្រពីរទៀត។ ការបែងចែក DNN មានន័យថាការពិចារណាបណ្ដាញសរសៃប្រសាទជាបំពង់ដើម្បីបែងចែកជាផ្នែកៗ និងចែកចាយផ្នែកទាំងនោះលើឧបករណ៍គែម។ ការដាក់ផ្នែកទាំងនោះគឺផ្អែកលើទាំងDNN និងលក្ខណៈបណ្ដាញក្រោម។ ការបែងចែក DNN អាស្រ័យលើការកំណត់អត្តសញ្ញាណចំណុចបំបែក ដែលជាចំណុចក្នុងក្រាហ្វម៉ូដែលដែលម៉ូដែលត្រូវបានបំបែកជាផ្នែកៗ។ ក្នុងអំឡុងពេលដំណើរការ ផ្នែកត្រូវបានដំណើរការជាលំដាប់ ដែលនីមួយៗផ្ញើលទ្ធផលអនុវត្តអន្តរទៅផ្នែកបន្ទាប់។ នេះអនុញ្ញាតឱ្យនីមួយៗចាប់ផ្តើមគណនាទិន្នន័យបញ្ចូលបន្ទាប់ ខណៈពេលដែលឧបករណ៍ផ្សេងទៀតបន្តដំណើរការទិន្នន័យដែលបានផ្ទេរ ហេតុនេះហើយបង្កើនកាមវុតអនុវត្ត ដូចដែលបានបង្ហាញក្នុង ។ ក្នុងផ្នែកដែលនៅសល់នៃបណ្ណសារនេះ ការបែងចែក DNN ត្រូវបានបង្ហាញតាមរយៈឧទាហរណ៍នៃការអនុវត្តតាមពេលវេលាជាក់ស្តែងលើស្ទ្រីមវីដេអូ។ រូបភាព ១ A. ការងារទាក់ទង វិធីសាស្ត្រសម្រាប់ការបែងចែក DNN ដែលបានមកពីការបោះពីពពកចល័ត ស្វែងរកដើម្បីធ្វើឱ្យប្រសើរឡើងនូវសូចនាករសម្តែងផ្សេងៗ ដូចជាភាពយឺតយ៉ាវគណនា ការប្រើប្រាស់ថាមពល ការប្រើប្រាស់ធនធាន តម្លៃ ឬកាមវុត។ ការបែងចែក DNN អាស្រ័យលើការភ្ជាប់នៃសូចនាករមួយឬច្រើនទាំងនេះ ដើម្បីកំណត់គោលបំណងធ្វើឱ្យប្រសើរឡើង និងវិធីសាស្ត្រដែលទាញយកប្រយោជន៍ពីសូចនាករនេះដើម្បីរកគ្រោងការណ៍បែងចែក។ ឧទាហរណ៍ Neurosurgeon ស្វែងរកចំណុចបំបែកតែមួយ ដោយរក្សាផ្នែកដំបូងនៅគែម និងបោះផ្នែកទីពីរទៅពពក ដើម្បីកាត់បន្ថយភាពយឺតយ៉ាវ និងការប្រើប្រាស់ថាមពល។ កម្មវិធីក្នុងIoT ក៏បានពិចារណាពីការបែងចែករួមគ្នា និងការបោះ DNN ជាច្រើន ដើម្បីធ្វើឱ្យប្រសើរឡើងនូវថាមពល ពន្យា និង/ឬតម្លៃ ដោយប្រើអ្នកដោះស្រាយផ្សេងៗ ដូចជាSPSO-GA ដែលរួមបញ្ចូលការធ្វើឱ្យប្រសើរឡើងនូវហ្វូងភាគល្អិត (PSO) និងក្បួនដោះស្រាយហ្សែន (GA) ឬDDPQN ដែលប្រើការរៀនដោយការពង្រឹងជ្រៅដើម្បីរកគ្រោងការណ៍បែងចែក។ ឧទាហរណ៍ផ្សេងទៀតរួមមានDINA ដែលកំណត់បញ្ហាការសរសេរកម្មវិធីមិនមែនលីនេអ៊ែរទាំងមូល (INLP) និងប្រើអ្នកដោះស្រាយផ្អែកលើទ្រឹស្តីផ្គូផ្គង ដើម្បីធ្វើឱ្យប្រសើរឡើងនូវភាពយឺតយ៉ាវ និងការប្រើប្រាស់ធនធានក្នុងបណ្ដាញអ័ព្ទ។ វិធីសាស្ត្រដែលធ្វើឱ្យប្រសើរឡើងនូវកាមវុតអនុវត្តរួមមានDNN surgery ដែលប្រើទំហំតូចជាងនៃលទ្ធផលស្រទាប់ DNN អន្តរដើម្បីបែងចែកការគណនាអនុវត្តរវាងគែម និងពពក។ អាល់ហ្គorithim ទាំងពីរបង្កើតផ្នែកពីរ មួយនៅគែម និងមួយទៀតក្នុងពពក។ ការសិក្សាផ្សេងទៀតក្នុងវិស័យពពកចល័ត ក៏រួមបញ្ចូលការគណនាច្រើនខ្សែក្នុងពពកដើម្បីពន្លឿនកាមវុតអនុវត្តសរុបថែមទៀត។ ការពឹងផ្អែកលើពពកសម្រាប់ការគណនាអនុវត្តផ្នែកទីពីរ គឺសន្មត់ថាមានការតភ្ជាប់បណ្ដាញល្អ ដែលអាចមិនប្រាកដប្រជាជាមួយនឹងការតភ្ជាប់មិនល្អនៃការដាក់ពង្រាយគែមដាច់ស្រយាលមួយចំនួន។ Edgent សម្របវិធីសាស្ត្រពីមុនទៅឧបករណ៍ចល័ត និងម៉ាស៊ីនមេគែមដែលមាន ដោយបន្ធូរការដាក់កម្រិតនៃការបោះទៅពពក។ វិធីសាស្ត្រនេះត្រូវបានភ្ជាប់ទៅនឹងការបណ្ដុះបណ្ដាលជាក់លាក់ និងស្ថាបត្យកម្មម៉ូដែល ហើយនៅតែកំណត់ការបែងចែកត្រឹមពីរផ្នែក។ វិធីសាស្ត្រផ្សេងទៀតបានពិចារណាពីចំណុចបំបែកច្រើន ឧ.IONN ដែលពិពណ៌នាពីបញ្ហាបែងចែកដើម្បីកាត់បន្ថយភាពយឺតយ៉ាវ និងការប្រើប្រាស់ថាមពល ដោយគិតពីពេលវេលាក្នុងការផ្ទុកម៉ូដែលទៅកាន់ម៉ាស៊ីនមេគែមផងដែរ។ [[៨]](javascript:void()) [[៩]](javascript:void()) [[១០]](javascript:void()) [[១១]](javascript:void()) [[១២]](javascript:void()) [[១៣]](javascript:void()) [[១៤]](javascript:void()) [[១៥]](javascript:void()) វិធីសាស្ត្រទាំងនេះគឺទាក់ទងជាមួយនឹងពពកពីចម្ងាយ ឬត្រូវបានកំណត់ក្នុងលក្ខណៈនៃការបែងចែក ឧ.តម្រូវឱ្យបំបែកជាពីរផ្នែកប៉ុណ្ណោះ ដោយមានឬគ្មានច្រើនខ្សែ។ គ្មានការសិក្សាបែងចែក DNN ដែលបានរាយបញ្ជីណាមួយពិចារណាទាំងចំណុចបំបែកច្រើន និងច្រើនខ្សែ។ B. ការរួមចំណែក បណ្ណសារនេះបង្ហាញពីក្របខ័ណ្ឌអនុវត្តដែលបានចែកចាយដើម្បីបង្កើនកាមវុតនៃការអនុវត្ត DNN តាមពេលវេលាជាក់ស្តែងលើទិន្នន័យដែលហូរជាមួយនឹងចំណុចបំបែកច្រើន និងការបែងចែកច្រើនខ្សែ។ ការរួមចំណែកនៃបណ្ណសារនេះមានដូចខាងក្រោម៖ គំរូសម្រាប់ការគណនា និងភាពយឺតយ៉ាវនៃការបញ្ជូននៃ DNN ដែលបានចែកចាយ ដែលតាមរយៈនោះកាមវុតនៃការអនុវត្តដែលបានព្យាករណ៍នៃគ្រោងការណ៍បែងចែកដែលបានផ្តល់ឱ្យអាចត្រូវបានវាយតម្លៃ។ ការបង្កើតបញ្ហាធ្វើឱ្យប្រសើរឡើងសម្រាប់ការបែងចែក DNN ការអនុវត្តអ្នកដោះស្រាយសាខានិងរបងសម្រាប់បញ្ហានេះ និងការវាយតម្លៃភាពស្មុគស្មាញរបស់វា។ ការក្លែងធ្វើដើម្បីស្វែងរកការកែលម្អសម្តែងដែលអាចមានជាមួយនឹងលក្ខណៈបណ្ដាញ និង DNN ដែលប្រែប្រួល។ ការកំណត់តំបន់កំណត់ក្នុងលក្ខណៈបណ្ដាញ និង DNN ដែលនាំឱ្យមានវត្តមាននៃការបែងចែកល្អបំផុត និងតម្លៃក្នុងការគណនាដំណោះស្រាយបែបនេះ ឧ.លក្ខខណ្ឌដែលការបែងចែក DNN មានប្រយោជន៍។ លទ្ធផលពិសោធន៍បង្ហាញពីតំបន់ដែលបានកំណត់ក្នុងការក្លែងធ្វើ ក៏ដូចជាភាពត្រឹមត្រូវនៃការព្យាករណ៍ និងការពន្លឿនកាមវុតចុងក្រោយសម្រាប់បរិស្ថានដែលមានលក្ខណៈដូចគ្នា និងខុសគ្នា។ សម្រាប់ផ្នែកដែលនៅសល់នៃបណ្ណសារនេះ ដើម្បីជៀសវាងការភាន់ច្រឡំ DNN ដែលបានបែងចែកនឹងត្រូវបានសំដៅដល់ជា ហើយពាក្យ នឹងមានន័យដល់បណ្ដាញទំនាក់ទំនងរូបវន្តក្រោម។ DNN បណ្ដាញ C. ចំណុចសំខាន់នៃបណ្ណសារ ផ្នែកដែលនៅសល់នៃបណ្ណសារនេះត្រូវបានរៀបចំដូចខាងក្រោម។ បង្ហាញពីផ្ទៃខាងក្រោយនៃការរៀនជ្រៅ និងរបៀបដែល DNN ត្រូវបានតំណាងក្នុងការសិក្សានេះ។ លម្អិតពីវិធីសាស្ត្រព្យាករណ៍ភាពយឺតយ៉ាវនៃការអនុវត្ត និងការបញ្ជូនដែលត្រូវការសម្រាប់ ដែលកំណត់បញ្ហាធ្វើឱ្យប្រសើរឡើង ក៏ដូចជាអាល់ហ្គorithim សាខានិងរបងដើម្បីទទួលបានការសម្រេចចិត្តបែងចែក។ បង្ហាញលទ្ធផលក្លែងធ្វើដើម្បីវាស់ស្ទង់សម្តែង និងភាពស្មុគស្មាញនៃអាល់ហ្គorithim សាខានិងរបង ក៏ដូចជាលក្ខខណ្ឌដែលនាំឱ្យមានវត្តមាននៃការបែងចែកដែលធ្វើឱ្យប្រសើរឡើងនូវកាមវុតអនុវត្តក្នុងបណ្ដាញដែលមានលក្ខណៈដូចគ្នា។ បង្ហាញលទ្ធផលពិសោធន៍បញ្ជាក់ការក្លែងធ្វើនៃ និងបង្ហាញពីការកើនឡើងនៃកាមវុតអនុវត្តលើសំណុំបែបបទពិសោធន៍ដែលមានលក្ខណៈខុសគ្នា។ ជាចុងក្រោយ ពិភាក្សាអំពីលទ្ធផល និងពង្រីកលើភាពអាចអនុវត្តបានទូលំទូលាយនៃវិធីសាស្ត្រនេះ។ ផ្នែក II ផ្នែក III ផ្នែក IV ផ្នែក V ផ្នែក VI ផ្នែក V ផ្នែក VII ផ្នែក II. ផ្ទៃខាងក្រោយ៖ ការរៀនជ្រៅ ក្នុងវិស័យការរៀនម៉ាស៊ីន ការរៀនជ្រៅ (DL) សំដៅលើវិធីសាស្ត្រដែលពឹងផ្អែកលើការប្រើប្រាស់ DNN .បណ្ដាញសរសៃប្រសាទសិប្បនិម្មិត (ឬវិធីសាស្ត្ររៀនម៉ាស៊ីនដែលទាក់ទងគ្នា) ដែលមានច្រើនជាងមួយស្រទាប់លាក់។ ការលើកឡើងដំបូងបំផុតមួយអំពីស្ថាបត្យកម្មរៀនជ្រៅត្រូវបានបោះពុម្ពក្នុងឆ្នាំ ១៩៦៧ ប៉ុន្តែវាមិនទាន់ដល់ទសវត្សរ៍ឆ្នាំ ២០១០ ទេដែល DL បានទទួលបានការចាប់អារម្មណ៍ ដំបូងក្នុងការទទួលស្គាល់សំឡេង បន្ទាប់មកក្នុងការរកឃើញវត្ថុក្នុងរូបភាព ដោយសារតែសមត្ថភាពក្នុងការចាប់យកទំនាក់ទំនងស្មុគស្មាញក្នុងទិន្នន័យវិមាត្រខ្ពស់។ ការរៀនជ្រៅត្រូវបានគេប៉ាន់ប្រមាណថាមានកម្មវិធី AI ច្រើនបំផុតក្នុងឆ្នាំ ២០២២ ដោយមានជាង ៧៥% នៃអង្គការនានាប្រើប្រាស់ DNN សម្រាប់កម្មវិធីដែលអាចប្រើវិធីសាស្ត្របុរាណ។ DL ត្រូវបានកំណត់ថាជា “ ” ។ សៀគ្វីនព្វគណិតទាំងនេះជាធម្មតាត្រូវបានរៀបចំជាស្រទាប់ ដែលបង្កើតជាជំហានក្នុងការគណនា។ ពាក្យ សំដៅលើអាល់ហ្គorithim ដែលមានច្រើនជាងមួយស្រទាប់។ ឧ [[១៦]](javascript:void()) វិធីសាស្ត្រសម្រាប់ការរៀនម៉ាស៊ីនដែលសម្មតិកម្មមានទម្រង់ជាសៀគ្វីនព្វគណិតស្មុគស្មាញជាមួយនឹងកម្លាំងតភ្ជាប់ដែលអាចលៃតម្រូវបាន [[១៧]](javascript:void()) ជ្រៅ មានរចនាសម្ព័ន្ធ DNN សំខាន់ពីរ៖ បណ្ដាញសរសៃប្រសាទបញ្ជូនទៅមុខ និងបណ្ដាញសរសៃប្រសាទវិល។ ទាំងពីរប្រភេទ DNN អាចត្រូវបានតំណាងជាក្រាហ្វគណនា ដោយភាពខុសគ្នាសំខាន់គឺថាបណ្ដាញបញ្ជូនទៅមុខអាចត្រូវបានតំណាងជាក្រាហ្វមិនមានវដ្តដោយផ្ទាល់ (DAGs) ខណៈពេលដែលបណ្ដាញសរសៃប្រសាទវិលអាចមានវដ្ត។ បណ្ដាញសរសៃប្រសាទវិលត្រូវបានបង្កើតឡើងសម្រាប់លំដាប់ទិន្នន័យ ដែលនីមួយៗមានទំនាក់ទំនងដែលអាចកើតមានជាមួយនឹងទិន្នន័យពីមុនក្នុងលំដាប់ ខណៈពេលដែលបណ្ដាញបញ្ជូនទៅមុខមិនពិចារណាពីអន្តរកម្មរវាងចំណុចក្នុងលំដាប់ទិន្នន័យ។ ផ្នែកដែលនៅសល់នៃបណ្ណសារនេះនឹងពិចារណាពីករណីនៃបណ្ដាញសរសៃប្រសាទបញ្ជូនទៅមុខ។ ៥