# Chapter 05 : SLMOps - មគ្គុទេសក៍គ្រប់លម្អិតសម្រាប់ប្រតិបត្តិការម៉ូដែលភាសាខ្នាតតូច ## ទិដ្ឋភាពទូទៅ SLMOps (Small Language Model Operations) តំណាងឱ្យវិធីសាស្រ្តទូលំទូលាយមួយក្នុងការដាក់គំរូ AI ដែលផ្តោតលើប្រសិទ្ធភាព, តម្លៃសមរម្យ, និងសមត្ថភាពកុំព្យូទ័រឈាចជិតចុងក្រោយ។ មគ្គុទេសក៍គ្រប់លម្អិតនេះគ្របដណ្តប់លើជីវវដ្តន៍ពេញលេញរបស់ប្រតិបត្តិការអ្នកប្រើ SLM ពីការយល់ដឹងគំនិតមូលដ្ឋានរហូតដល់ការអនុវត្តន៍ដាក់ឲ្យផលិតកម្មប្រឹងប្រែង។ --- ## [ផ្នែក ១៖ ការណែនាំអំពី SLMOps](./01.IntroduceSLMOps.md) **បំលែងការប្រតិបត្តិការជាមួយ AI នៅជិតចុង** ជំពូកមូលដ្ឋាននេះបង្ហាញអំពីការផ្លាស់ប្ដូរមុនសម័យពីប្រតិបត្តិការដែនដីធំធេងនៃ AI ទៅកាន់ប្រតិបត្តិការម៉ូដែលភាសាខ្នាតតូច (SLMOps)។ អ្នកនឹងស្គាល់ពីរបៀបដែល SLMOps ដោះស្រាយបញ្ហាសំខាន់ៗនៃការដាក់ AI ក្នុងបរិមាណខ្លះខ្លះ ខណៈតែរក្សាប្រសិទ្ធភាពតម្លៃ និងការអនុវត្តគោលការណ៍ឯកជនភាព។ **អ្វីដែលអ្នកនឹងរៀន៖** - ការកើតមាន និងសារៈសំខាន់របស់ SLMOps ក្នុងយុទ្ធសាស្ត្រ AI សម័យថ្មី - របៀបដែល SLMs សម្រួលចន្លោះរវាងកម្រិតកម្មសមត្ថភាព និងប្រសិទ្ធភាពធនធាន - គោលការណ៍ដំណើរការសំខាន់ៗ រួមមានការគ្រប់គ្រងធនធានយ៉ាងឆ្លាតវៃ និងស្ថាបត្យកម្មផ្អែកលើឯកជនភាពជាលំដាប់ដំបូង - បញ្ហាទាំងនោះក្នុងការអនុវត្តជាក់ស្តែង និងដំណោះស្រាយរបស់ពួកវា - ផលប៉ះពាល់យុទ្ធសាស្ត្រជាពាណិជ្ជកម្ម និងអត្ថិភាពប្រកួតប្រជែង **ចំណុចសំខាន់៖** SLMOps បើកចំហការដាក់ AI ដោយធ្វើឲ្យសមត្ថភាពដំណើរការភាសាចុងក្រោយអាចចូលដំណើរការបានសម្រាប់អង្គការដែលមានហេដ្ឋារចនាសម្ព័ន្ធបច្ចេកទេសកំណត់ បណ្តាលឱ្យវដ្តអភិវឌ្ឍលឿន និងការចំណាយប្រតិបត្តិការដែលអាចទាយទុកបានជាងមុន។ --- ## [ផ្នែក ២៖ ការបង្ហុញម៉ូដែល - ពីទ្រឹស្តីទៅអនុវត្ត](./02.SLMOps-Distillation.md) **បង្កើតម៉ូដែលមានប្រសិទ្ធភាពតាមរយៈការផ្ទេរយល់ដឹង** ការបង្ហុញម៉ូដែលគឺជាបច្ចេកទេសមូលដ្ឋានសម្រាប់បង្កើតម៉ូដែលតូច និងមានប្រសិទ្ធភាពបន្ថែម ដែលអាចរក្សាថ្មីភាពគំរូធំធ្វើជាគំរូចំណងដៃ។ ជំពូកនេះផ្ដល់មគ្គុទេសក៍ពេញលេញសម្រាប់អនុវត្តន៍ដំណើរការបង្ហុញ ដែលផ្ទេរយល់ដឹងពីម៉ូដែលគ្រូធំទៅកាន់ម៉ូដែលសិស្សតូចកាន់តែខ្លី។ **អ្វីដែលអ្នកនឹងរៀន៖** - គំនិតមូលដ្ឋាន និងអត្ថប្រយោជន៍នៃការបង្ហុញម៉ូដែល - ដំណើរការបង្ហុញពីរមុខ៖ ការបង្កើតទិន្នន័យសិប្បនិម្មិត និងការបណ្តុះបណ្តាលម៉ូដែលសិស្ស - វិធីសាស្ត្រអនុវត្តជាក់ស្តែងដោយប្រើម៉ូដែលអភិវឌ្ឍថ្មីដូចជា DeepSeek V3 និង Phi-4-mini - ដំណើរការបង្ហុញក្នុង Azure ML ជាមួយឧទាហរណ៍ប្រតិបត្តិ - ការអនុវត្តល្អបំផុតសម្រាប់ធ្វើតេស្ត hyperparameter និងយុទ្ធសាស្ត្រវាយតម្លៃ - ករណីសិក្សាជាក់ស្តែងបង្ហាញការកាត់បន្ថយថ្លៃដើម និងការកែលម្អការសម្តែងយ៉ាងខ្លាំង **ចំណុចសំខាន់៖** ការបង្ហុញម៉ូដែលអនុញ្ញាតឱ្យអង្គការកាត់បន្ថយពេលវេលាអនុញ្ញាតដល់ ៨៥% និងថោកថយការទាមទារចងចាំ ៩៥% ខណៈរក្សាការពិតប្រាកដដើមម៉ូដែលបាន ៩២% បង្កើតឱ្យសមត្ថភាព AI កម្រិតខ្ពស់អាចដាក់ប្រតិបត្តិបានយ៉ាងមានប្រសិទ្ធភាព។ --- ## [ផ្នែក ៣៖ ការកែប្រែទិស - ការប្ដូរម៉ូដែលសម្រាប់ភារកិច្ចច្បាស់លាស់](./03.SLMOps-Finetuing.md) **បំលែងម៉ូដែលបានបណ្តុះមុនទៅការប្រើប្រាស់តាមតម្រូវការផ្ទាល់ខ្លួន** ការកែប្រែទិសបង្កើតម៉ូដែលទូទៅឱ្យទៅជាបញ្ហាទាន់សម័យដែលផ្តោតលើការប្រើប្រាស់ និងដែនកំណត់ខ្លួនឯង។ ជំពូកនេះគ្របដណ្តប់ពីការកំណត់ប៉ារ៉ាម៉ែត្រ ពីរបៀបវះកាត់ដល់បច្ចេកទេសខ្ពស់ដូចជា LoRA និង QLoRA សម្រាប់កែប្រែម៉ូដែលមានប្រសិទ្ធភាព។ **អ្វីដែលអ្នកនឹងរៀន៖** - ទិដ្ឋភាពទូលំទូលាយនៃវិធីសាស្ត្រកែប្រែទិស និងការអនុវត្តរបស់ពួកវា - ប្រភេទនៃការកែប្រែទិសផ្សេងៗ៖ កែប្រែទិសពេញលេញ, កែប្រែទិសដែលប្រើធនធានប្រសិទ្ធ (PEFT), និងយុទ្ធសាស្ត្រសម្រាប់ភារកិច្ចជាក់លាក់ - អនុវត្តជាក់ស្តែងដោយប្រើ Microsoft Olive និងឧទាហរណ៍ប្រតិបត្តិ - បច្ចេកទេសខ្ពស់ដូចជាការបណ្តុះ multi-adapter និងការអុបទីម៉ៃសកម្មភាព hyperparameter - លំអិតល្អបំផុតសម្រាប់ការរៀបចំទិន្នន័យ ការកំណត់បណ្តុះ និងការគ្រប់គ្រងធនធាន - បញ្ហាទូទៅ និងដំណោះស្រាយដែលបានបញ្ជាក់សម្រាប់គម្រោងកែប្រែទិសជោគជ័យ **ចំណុចសំខាន់៖** ការកែប្រែទិសជាមួយឧបករណ៍ Microsoft Olive អនុញ្ញាតឱ្យអង្គការប្ដូរម៉ូដែលបានបណ្តុះមុនទៅតាមតម្រូវការពិសេសដោយប្រសិទ្ធភាពក្នុងការបង្កើត និងកំណត់ហេដ្ឋារចនាសម្ព័ន្ធធនធាន ប្រកាសឲ្យ AI ជំនាន់ចុងក្រោយអាចចូលមកក្នុងកម្មវិធីខុសៗគ្នា។ --- ## [ផ្នែក ៤៖ ការដាក់ឲ្យផលិតកម្ម - អនុវត្តម៉ូដែលមានភាពរួចរាល់](./04.SLMOps.Deployment.md) **នាំម៉ូដែលកែប្រែទិសទៅផលិតកម្មជាមួយ Foundry Local** ជំពូកចុងក្រោយនេះផ្តោតលើដំណាក់កាលដាក់ឡើងដោយគ្រប់លម្អិត គ្របដណ្តប់ការបម្លែងម៉ូដែល ការបម្លែងជាquantization និងការកំណត់រចនាសម្ព័ន្ធ។ អ្នកនឹងរៀនរបៀបដាក់ម៉ូដែលកែប្រែទិសដែលមាន quantized ដោយប្រើ Foundry Local ដើម្បីទទួលបានប្រសិទ្ធភាព និងការប្រើធនធានល្អបំផុត។ **អ្វីដែលអ្នកនឹងរៀន៖** - ការរៀបចំបរិយាកាស និងដំឡើងឧបករណ៍ពេញលេញ - វិធីបម្លែងម៉ូដែល និងការធ្វើ quantization សម្រាប់សេណារីយ៉ូការដាក់ឡើងផ្សេងៗ - ការកំណត់រចនាសម្ព័ន្ធ Foundry Local ជាមួយបច្ចេកទេសឆ្លាតវៃម៉ូដែល - វិធីវាស់វែងប្រសិទ្ធភាព និងការពិនិត្យគុណភាព - ដោះស្រាយបញ្ហារួមក្នុងការដាក់ឡើង និងយុទ្ធសាស្ត្រកែសម្រួល - វិធីសាស្ត្រត្រួតពិនិត្យ និងថែទាំក្នុងផ្នែកផលិតកម្ម **ចំណុចសំខាន់៖** ការកំណត់រចនាសម្ព័ន្ធដាក់ឡើងត្រឹមត្រូវជាមួយបច្ចេកទេស quantization អាចបន្ថយទំហំបានដល់ ៧៥% ខណៈពេលរក្សាគុណភាពម៉ូដែលនៅកម្រិតអាចទទួលយកបាន បង្កើតឱ្យដាក់ឡើងផលិតកម្មបានយ៉ាងមានប្រសិទ្ធភាពជាពហុរូបមន្តឧបករណ៍។ --- ## ចាប់ផ្តើម មគ្គុទេសក៍នេះត្រូវបានរចនាឡើងដើម្បីនាំអ្នកឆ្ពោះទៅកាន់ដំណើរការពេញលេញនៃ SLMOps ពីការយល់ដឹងគំនិតមូលដ្ឋានរហូតដល់ការអនុវត្តដាក់ផលិតកម្មបានជាក់ស្តែង។ រៀងរាល់ជំពូកបង្កើតលើមូលដ្ឋានជំពូកមុន ផ្តល់ទាំងទ្រឹស្តី និងជំនាញអនុវត្តប្រសិទ្ធិភាព។ មិនថាអ្នកជាអ្នកវិទ្យាសាស្ត្រទិន្នន័យស្វែងរកការបង្កើតប្រសិទ្ធភាពក្នុងការដាក់ម៉ូដែលឬជាអ្នកវិស្វករ DevOps អនុវត្តប្រតិបត្តិការអាយធីឬជាអ្នកដឹកនាំបច្ចេកទេសផ្ដល់ការវាយតម្លៃលើ SLMOps សម្រាប់អង្គការរបស់អ្នក មគ្គុទេសក៍នេះផ្ដល់ចំណេះដឹង និងឧបករណ៍ដែលចាំបាច់សម្រាប់ការអនុវត្តប្រតិបត្តិការម៉ូដែលភាសាខ្នាតតូចបានជោគជ័យ។ **អ្នករៀបចំរួចហើយទេ?** ចាប់ផ្តើមជាមួយជំពូក ១ ដើម្បីយល់ដឹងគោលការណ៍មូលដ្ឋានរបស់ SLMOps និងកសាងមូលដ្ឋានសម្រាប់បច្ចេកទេសអនុវត្តខ្ពស់ដែលបានគ្របដណ្តប់ក្នុងជំពូកបន្ទាប់ៗ។ --- **ការបដិសេធ**: ឯកសារនេះត្រូវបានបញ្ជូនបកប្រែដោយប្រើសេវាប្រែភាសាដោយប្រព័ន្ធ AI [Co-op Translator](https://github.com/Azure/co-op-translator)។ ខណៈពេលដែលយើងខំប្រឹងប្រែងសម្រាប់ភាពត្រឹមត្រូវ សូមយកចិត្តទុកដាក់ថាការបកប្រែដោយស្វ័យប្រវត្តិអាចមានកំហុស ឬភាពមិនត្រឹមត្រូវ។ ឯកសារដើមដែលមានភាសាដើមគួរត្រូវបានគេយកជាប្រភពដែលមានសុពលភាព។ សម្រាប់ព័ត៌មានសំខាន់ៗ សូមផ្ដល់អាទិភាពការបកប្រែដោយមនុស្សជំនាញ។ យើងមិនទទួលខុសត្រូវចំពោះការយល់ខុស ឬការបកស្រាយត្រូវខុស ដែលកើតមានពីការប្រើប្រាស់ការបកប្រែនេះទេ។