Phnom Penh skyline at golden hour — ទិដ្ឋភាពភ្នំពេញនៅពេលព្រលប់

Inference Loops

ជំរុញអនាគត AI របស់កម្ពុជា

Founded by a team of international entrepreneurs with over a decade of experience shaping Cambodia's digital landscape, we are a Phnom Penh-rooted AI capability partner — bridging government policy, enterprise automation, and workforce education to build a sovereign, thriving AI ecosystem in Cambodia.

Abstract visualization of an interconnected AI agent network — រូបភាពអរូបីនៃបណ្តាញភ្នាក់ងារ AI ដែលភ្ជាប់គ្នា

"កម្ពុជាស្ថិតក្នុងទីតាំងពិសេសមួយដែលអាចលោតផ្លោះចូលទៅក្នុងយុគសម័យ AI — មិនមែនដោយការនាំចូលដំណោះស្រាយទេ ប៉ុន្តែដោយការកសាងសមត្ថភាពដែលមានឫសគល់នៅក្នុងប្រជាជន ស្ថាប័ន និងសេចក្ដីប្រាថ្នារបស់យើង។"

— International entrepreneurs, 12 years shaping Cambodia's digital landscape

បេសកកម្មរបស់យើង

ឫសគល់នៅកម្ពុជា។ កសាងឡើងសម្រាប់ផលប៉ះពាល់។

Inference Loops ត្រូវបានបង្កើតឡើងលើជំនឿដ៏សាមញ្ញមួយ៖ បដិវត្តន៍ AI នឹងមិនត្រូវបានដាក់ឱ្យធ្វើនៅខាងក្រៅទេ។ ដើម្បីឱ្យកម្ពុជារីកចម្រើនក្នុងយុគសម័យនៃប្រព័ន្ធឆ្លាតវៃ យើងត្រូវកសាងសមត្ថភាពក្នុងស្រុក — ក្នុងគោលនយោបាយ ក្នុងសហគ្រាស និងក្នុងការអប់រំ។ ក្រុមរបស់យើងប្រមូលផ្ដុំជំនាញពីបច្ចេកវិទ្យា គោលនយោបាយសាធារណៈ និងការអភិវឌ្ឍកម្លាំងពលកម្ម។ យើងធ្វើការជាមួយក្រសួងរបស់រដ្ឋាភិបាល សហគ្រាសឯកជន និងស្ថាប័នសិក្សា ដើម្បីបង្កើតយុទ្ធសាស្ត្រ AI ដែលពាក់ព័ន្ធក្នុងស្រុក មានគ្រឹះក្រមសីលធម៌ និងមានការប្រកួតប្រជែងជាសកល។

2026

បង្កើតឡើងនៅកម្ពុជា 2026

3

វិធីសាស្ត្រឆ្លងវិស័យ

∞

ស្តង់ដារសកល

Cambodian professionals collaborating in a modern Phnom Penh office — អ្នកជំនាញកម្ពុជាសហការគ្នាក្នុងការិយាល័យ

សសរស្តម្ភរបស់យើង

សសរស្តម្ភបីនៃផលប៉ះពាល់

យើងធ្វើប្រតិបត្តិការនៅចំណុចប្រសព្វនៃអភិបាលកិច្ច អាជីវកម្ម និងការសិក្សា — ព្រោះការផ្លាស់ប្ដូរ AI ដែលស្ថិតស្ថេរ ត្រូវការទាំងបីយ៉ាងនេះ។

រដ្ឋាភិបាល និងគោលនយោបាយ AI

ផ្ដល់ប្រឹក្សាដល់ក្រសួង និងស្ថាប័នកំណត់បទប្បញ្ញត្តិស្ដីពីក្របខណ្ឌអភិបាលកិច្ច AI យុទ្ធសាស្ត្រ AI ជាតិ ច្បាប់ការពារទិន្នន័យ និងគោលការណ៍ណែនាំក្រមសីលធម៌ ដែលសមស្របទៅនឹងបរិបទផ្លូវច្បាប់ និងវប្បធម៌របស់កម្ពុជា។

AI សហគ្រាស និងស្វ័យប្រវត្តិកម្ម

ជួយសហគ្រាសកម្ពុជាក្នុងការរចនា និងដាក់ឱ្យដំណើរការប្រព័ន្ធ AI ដែលជំរុញប្រសិទ្ធភាពប្រតិបត្តិការ ការយល់ដឹងពីអតិថិជន និងគុណសម្បត្តិប្រកួតប្រជែង។

ការអប់រំ និងកម្លាំងពលកម្ម

កសាងកម្មវិធីសិក្សា AI កម្មវិធីបណ្ដុះបណ្ដាល និងភាពជាដៃគូជាមួយសាកលវិទ្យាល័យ ដើម្បីបណ្ដុះបណ្ដាលអ្នកអនុវត្ត AI និងអ្នកដឹកនាំក្រមសីលធម៌ជំនាន់ក្រោយរបស់កម្ពុជា។

ផលប៉ះពាល់ថ្នាក់ជាតិ

កសាងវាសនាឌីជីថលរបស់កម្ពុជា

ការងាររបស់យើងប៉ះពាល់ដល់គ្រប់វិស័យដែលកំណត់អនាគតរបស់កម្ពុជា។

01

សេវាសាធារណៈ

ធ្វើទំនើបកម្មការផ្ដល់សេវាកម្មរបស់រដ្ឋាភិបាលតាមរយៈស្វ័យប្រវត្តិកម្មឆ្លាតវៃ

02

បរិយាបន្នហិរញ្ញវត្ថុ

ពង្រីកលទ្ធភាពទទួលបានឥណទាន និងធនាគារឌីជីថលតាមរយៈ AI

03

កសិកម្ម

កសិកម្មច្បាស់លាស់ និងការដាំដុះដែលធន់នឹងអាកាសធាតុ ដែលគាំទ្រដោយ AI

04

សុខាភិបាល

ការវិនិច្ឆ័យដែលជំនួយដោយ AI និងការយល់ដឹងផ្នែកសុខភាពសាធារណៈ

05

ការអប់រំ

ការសិក្សាដែលធ្វើតាមតម្រូវការផ្ទាល់ខ្លួន និង AI ភាសាខ្មែរ

06

ទីក្រុងឆ្លាតវៃ

ការរៀបចំផែនការទីក្រុងឆ្លាតវៃសម្រាប់ទីក្រុងដែលកំពុងរីកធំរបស់កម្ពុជា

សេវាកម្មរបស់យើង

សមត្ថភាពដែលផ្ដល់លទ្ធផល

សមត្ថភាពប្រឹក្សា និងផ្ដល់ AI ពីដើមដល់ចប់។

យុទ្ធសាស្ត្រ AI និងផែនទីបង្ហាញផ្លូវ

ការវាយតម្លៃភាពត្រៀមខ្លួនជា AI យ៉ាងទូលំទូលាយ និងការអភិវឌ្ឍយុទ្ធសាស្ត្រសម្រាប់បរិបទរបស់កម្ពុជា។

ប្រឹក្សាគោលនយោបាយ និងអភិបាលកិច្ច

ការវិភាគបទប្បញ្ញត្តិ ក្របខណ្ឌក្រមសីលធម៌ AI និងការកសាងសមត្ថភាពសម្រាប់ស្ថាប័ន។

ការរចនាដំណោះស្រាយ AI

ដំណោះស្រាយ AI និងស្វ័យប្រវត្តិកម្មតាមតម្រូវការ ចាប់ពី proof-of-concept រហូតដល់ production។

ការអប់រំ និងបណ្ដុះបណ្ដាល

ការរចនាកម្មវិធីសិក្សា AI ការអប់រំថ្នាក់ដឹកនាំ និង bootcamp បច្ចេកទេស។

ទេពកោសល្យសកល ឫសគល់ក្នុងស្រុក

កម្លាំងពលកម្ម AI អន្តរជាតិ

យើងកសាង និងដាក់ឱ្យដំណើរការក្រុមវិស្វកម្មពីកម្ពុជា — ផ្សំស្តង់ដារទេពកោសល្យសកលជាមួយគុណសម្បត្តិតម្លៃនៅអាស៊ីអាគ្នេយ៍។

គំរូរបស់យើងសាមញ្ញ៖ យើងជ្រើសរើសវិស្វករកម្រិតពិភពលោក — ទាំងជនជាតិខ្មែរ និងជនបរទេសដែលរស់នៅភ្នំពេញ — ហើយដាក់ពួកគេឱ្យបម្រើអតិថិជននៅទូទាំងពិភពលោក។ យើងគ្រប់គ្រងការជ្រើសរើស ការអនុលោមភាព ការចេញវិក្កយបត្រ និងការគ្រប់គ្រងការផ្ដល់សេវា។ អ្នកទទួលបានក្រុមដែលបានជ្រើសរើស វិក្កយបត្រតែមួយ និងគ្មានបន្ទុករដ្ឋបាល។

កម្រិតកំពូល វិស្វករដែលបានពិនិត្យ ស្តង់ដារសកល
40–60% សន្សំចំណាយធៀបនឹង SG/HK/EU
GMT+7 ត្រួតស៊ីគ្នាជាមួយ APAC, AU, អឺរ៉ុប
ភាសាអង់គ្លេស កម្រិតដើមកំណើត ទេពកោសល្យជនបរទេស + ក្នុងស្រុក

វិស្វកម្ម AI និង ML

ការអភិវឌ្ឍម៉ូដែលតាមតម្រូវការ fine-tuning, RAG pipeline, MLOps និងប្រព័ន្ធ AI production។

Full-Stack និងហេដ្ឋារចនាសម្ព័ន្ធ

កម្មវិធីបណ្ដាញ API ហេដ្ឋារចនាសម្ព័ន្ធ cloud, DevOps និង microservices — ការផ្ដល់សេវាពីដើមដល់ចប់។

វិស្វកម្មទិន្នន័យ និង Pipeline

ETL pipeline, data lake, ការរៀបចំទិន្នន័យបណ្ដុះបណ្ដាល និងការធានាគុណភាពសម្រាប់ក្រុម AI របស់អ្នក។

ការគ្រប់គ្រងគម្រោងបច្ចេកទេស

ការគ្រប់គ្រងការផ្ដល់សេវា ការបង្វឹក agile ការទំនាក់ទំនងជាមួយអតិថិជន និងការសម្របសម្រួលអ្នកផ្គត់ផ្គង់។

របៀបដែលយើងកសាងក្រុម AI របស់អ្នក

យើងមិនបញ្ចូលមនុស្សដាក់តាមការពិពណ៌នាការងារនោះទេ។ យើងបង្កើតក្រុមតូចៗ ដឹកនាំដោយវិស្វករជាន់ខ្ពស់ ដែលរៀបចំឡើងជុំវិញបញ្ហារបស់អ្នក — ហើយដំណើរការពួកគេតាមការអនុវត្ត agentic ដូចគ្នាដែលយើងសរសេរនៅលើ blog របស់យើង។

01

ជ្រើសរើសពីបណ្ដុំទេពកោសល្យតំបន់ដ៏ធំទូលាយ

យើងជ្រើសរើសនៅទូទាំងអាស៊ីអាគ្នេយ៍ — វិស្វករកម្ពុជាមកពី RUPP, ITC និងវិស័យ startup ដែលកំពុងរីកចម្រើនយ៉ាងលឿននៅភ្នំពេញ ជាមួយអ្នកជំនាញអន្តរជាតិដែលរស់នៅក្នុងតំបន់។ ការជ្រើសរើសម្នាក់ៗត្រូវបានពិនិត្យលើជំនាញ និងការចង់ដឹងចង់ឃើញ មិនមែនត្រឹមតែសញ្ញាបត្រនោះទេ។

02

បង្កើតក្រុមជុំវិញបញ្ហារបស់អ្នក

ជំនួសឱ្យអ្នកជំនាញទូទៅដែលធ្វើគ្រប់យ៉ាងម្ដងៗ យើងផ្សំក្រុមនៃអ្នកជំនាញ — វិស្វករ agent, full-stack, ទិន្នន័យ និងវេទិកា — ដែលត្រូវគ្នានឹង stack របស់អ្នក codebase របស់អ្នក និងនិយមន័យនៃភាពបញ្ចប់របស់អ្នក។

03

ដំណើរការតាមការអនុវត្ត agentic ពិតប្រាកដ

ក្រុមរបស់យើងកសាងតាមរបៀបដែលយើងសរសេរ៖ វិស្វកម្ម loop និង harness, evals ជាច្រកផ្ទៀងផ្ទាត់ និង guardrails មុនពេលឯករាជ្យ។ ពួកគេស្ទាត់ជំនាញលើឧបករណ៍ដែលផ្ដល់សេវាជាក់ស្ដែង — Claude Code, Cursor និង MCP។

04

យើងគ្រប់គ្រងការជ្រើសរើស ការអនុលោមភាព និងការផ្ដល់សេវា

ការជ្រើសរើស កិច្ចសន្យា ការអនុលោមភាពក្នុងស្រុក ការចេញវិក្កយបត្រ និងការគ្រប់គ្រងការផ្ដល់សេវា គឺជាការទទួលខុសត្រូវរបស់យើង។ អ្នកទទួលបានក្រុមដែលបានជ្រើសរើស វិក្កយបត្រតែមួយ និងចំណុចទទួលខុសត្រូវតែមួយ — ដោយគ្មានបន្ទុកប្រតិបត្តិការនៅខាងអ្នកឡើយ។

ដៃគូរបស់យើង

ធ្វើការជាមួយ

កិច្ចសហការកំពុងអភិវឌ្ឍ — សូមទាក់ទងមកដើម្បីចូលរួមជាមួយយើង។

ឡូហ្គោដៃគូនឹងមកដល់ឆាប់ៗ
ឡូហ្គោដៃគូនឹងមកដល់ឆាប់ៗ
ឡូហ្គោដៃគូនឹងមកដល់ឆាប់ៗ
ឡូហ្គោដៃគូនឹងមកដល់ឆាប់ៗ
ឡូហ្គោដៃគូនឹងមកដល់ឆាប់ៗ
ឡូហ្គោដៃគូនឹងមកដល់ឆាប់ៗ
ឡូហ្គោដៃគូនឹងមកដល់ឆាប់ៗ
ឡូហ្គោដៃគូនឹងមកដល់ឆាប់ៗ
Cambodian students in a classroom learning AI — សិស្សកម្ពុជាក្នុងថ្នាក់រៀន AI

ការអប់រំ

កសាងកម្លាំងពលកម្ម AI របស់កម្ពុជា

វិនិយោគលើទេពកោសល្យ AI ជំនាន់ក្រោយ តាមរយៈកម្មវិធីដែលរចនាឡើងសម្រាប់សិស្សកម្ពុជា។

01

ភាពជាដៃគូជាមួយសាកលវិទ្យាល័យ

សហការជាមួយសាកលវិទ្យាល័យកម្ពុជាលើកម្មវិធីសិក្សា AI និងការស្រាវជ្រាវ។

02

ការអប់រំថ្នាក់ដឹកនាំ

កម្មវិធីសម្រាប់អ្នកដឹកនាំ និងអ្នករៀបចំគោលនយោបាយស្ដីពីផលប៉ះពាល់ជាយុទ្ធសាស្ត្ររបស់ AI។

03

Bootcamp បច្ចេកទេស

ការបណ្ដុះបណ្ដាលផ្អែកលើគម្រោងសម្រាប់វិស្វករដែលស្វែងរកជំនាញឯកទេស AI។

04

ការយល់ដឹងសាធារណៈ

សិក្ខាសាលា និងបាឋកថាសាធារណៈ ដើម្បីកសាងចំណេះដឹង AI នៅទូទាំងសង្គម។

កម្មវិធីនឹងចាប់ផ្ដើមឆាប់ៗ។ ចុះឈ្មោះដើម្បីទទួលបានព័ត៌មានថ្មីៗ។

គម្រោងតំណាង

អ្វីដែល Loop Engineering ផ្ដល់ឱ្យ

ឧទាហរណ៍បង្ហាញពីប្រព័ន្ធ agentic ដែលយើងកសាង ដកស្រង់ចេញពីលំនាំពិតប្រាកដនៅទូទាំងវិស័យ fintech, ការដឹកជញ្ជូន និងសេវាសាធារណៈនៅអាស៊ីអាគ្នេយ៍។ ឈ្មោះត្រូវបានរក្សាសម្ងាត់ ហើយតួលេខគឺជាតំណាងសម្រាប់លទ្ធផលដែលការងារនេះតម្រង់ទៅរក។

Loan officer reviewing applications while an AI agent auto-approves a compliance workflow — មន្ត្រីឥណទានពិនិត្យពាក្យសុំ ខណៈភ្នាក់ងារ AI អនុម័តលំហូរការងារអនុលោមភាពដោយស្វ័យប្រវត្តិ
Fintech · កម្ពុជា

ការត្រួតពិនិត្យអនុលោមភាពពេញមួយយប់សម្រាប់អ្នកផ្ដល់ឥណទានឌីជីថល

បញ្ហា

អ្នកផ្ដល់ឥណទានឌីជីថលដែលរីកលូតលាស់យ៉ាងលឿនមួយ ត្រូវលង់ក្នុងការត្រួតពិនិត្យពាក្យសុំឥណទានដោយដៃ។ មន្ត្រីអនុលោមភាពពិនិត្យឯកសារនីមួយៗដោយដៃ ធៀបនឹងវិធាន KYC និងវិធានរបស់ធនាគារកណ្ដាល — ការកកស្ទះពីពីរទៅបីថ្ងៃ ដែលកំណត់ការរីកចម្រើន និងបណ្ដោយឱ្យការសម្រេចចិត្តមិនស្របគ្នាជ្រាបចូល។

ដំណោះស្រាយ

យើងបានកសាង agent ត្រួតពិនិត្យបែប loop-engineered៖ harness ដែលប្រមូលផ្ដុំឯកសាររបស់អ្នកដាក់ពាក្យម្នាក់ៗ ដំណើរការ LLM ធៀបនឹងសៀវភៅវិធានដែលបានសរសេរជាក្រមនៃតម្រូវការអនុលោមភាពក្នុងស្រុក និងត្រួតពិនិត្យរាល់ការសម្រេចចិត្តតាមរយៈជំហានផ្ទៀងផ្ទាត់។ អ្វីដែលមិនច្បាស់លាស់ត្រូវបញ្ជូនទៅមនុស្ស ដោយភ្ជាប់ហេតុផល; អ្វីៗត្រូវកត់ត្រាសម្រាប់ការធ្វើសវនកម្ម។

លទ្ធផល

8× ត្រួតពិនិត្យពាក្យសុំលឿនជាង
92% នៃករណីត្រូវបានឆ្លងផុតស្វ័យប្រវត្តិ ឯនៅសល់ត្រូវបញ្ជូនបន្ត
0 ការបំពានអនុលោមភាពពេញការសាកល្បង
Engineer monitoring an autonomous data pipeline dashboard overnight in a data center — វិស្វករតាមដានផ្ទាំងគ្រប់គ្រងបំពង់ទិន្នន័យស្វ័យប្រវត្តិពេលយប់នៅមជ្ឈមណ្ឌលទិន្នន័យ
ការដឹកជញ្ជូន · Startup អាស៊ីអាគ្នេយ៍

Pipeline ទិន្នន័យដែលដំណើរការដោយខ្លួនឯងពេញមួយយប់

បញ្ហា

Startup ផ្សារតំបន់មួយមានវិស្វករបីនាក់ដែលចំណាយពេលភាគច្រើននៃសប្ដាហ៍របស់ពួកគេ មើលថែ data pipeline ដ៏ផុយស្រួយ — ផ្ទៀងផ្ទាត់ feed របស់អ្នកផ្គត់ផ្គង់ ចាប់ការប្រែប្រួលទម្រង់ និងដំណើរការការងារដែលបរាជ័យឡើងវិញដោយដៃ។ ពេលវេលាវិស្វកម្មត្រូវចំណាយលើការថែទាំ ជំនួសឱ្យផលិតផល។

ដំណោះស្រាយ

យើងបានជំនួសការរៀបចំបែប cron-and-pray ដោយ agent loop ដែលតាមដាន feed នីមួយៗ វិនិច្ឆ័យការបរាជ័យ ជួសជុលករណីទូទៅដោយស្វ័យភាព ហើយហៅរកមនុស្សតែនៅពេលជួបអ្វីដែលថ្មីពិតប្រាកដប៉ុណ្ណោះ។ Guardrails និងឈុត eval រក្សាវាឱ្យត្រឹមត្រូវ; ប្រព័ន្ធទាំងមូលត្រូវបានកំណត់លក្ខណៈ កសាង និងដាក់ឱ្យដំណើរការចេញពីឯកសារកំណត់លក្ខណៈជាលាយលក្ខណ៍អក្សរ។

លទ្ធផល

70% កាត់បន្ថយពេលវេលា data-ops ដោយដៃ
24/7 ប្រតិបត្តិការ pipeline ដោយស្វ័យភាព
3 សប្ដាហ៍ ពីការកំណត់លក្ខណៈដល់ production

ករណីតំណាងដោយផ្អែកលើលំនាំ និងវិធីសាស្ត្រដែលយើងដាក់ឱ្យដំណើរការ។ ឈ្មោះអតិថិជនត្រូវបានរក្សាសម្ងាត់; ម៉ែត្រិកបង្ហាញពីលទ្ធផលគោលដៅ មិនមែនកិច្ចសន្យាជាក់លាក់ណាមួយឡើយ។

ការយល់ដឹង

ពីប្លុករបស់យើង

ទស្សនៈអំពី AI នៅកម្ពុជា — បច្ចេកវិទ្យា គោលនយោបាយ ការអប់រំ និងតំបន់។

Loop អន់ផ្ញើកូដអន់លឿនជាង៖ Evals គឺជាវិន័យពិតប្រាកដ
★ អត្ថបទពិសេស
AI EvalsAgent ReliabilityVerification

Loop អន់ផ្ញើកូដអន់លឿនជាង៖ Evals គឺជាវិន័យពិតប្រាកដ

មនុស្សគ្រប់គ្នាកំពុងប្រណាំងធ្វើឱ្យ agent ប្រព្រឹត្តដោយស្វយ័ត។ ស្ទើរតែគ្មាននរណាម្នាក់ខ្នះខ្នែងស្មើគ្នាក្នុងការធ្វើឱ្យពួកវាប្រព្រឹត្ត ឱ្យបានត្រឹមត្រូវ។ ប៉ុន្តែនៅពេលដែលការផលិតថោក និងស្របគ្នា ឧបសគ្គតែមួយគត់ដែលនៅសល់គឺ ការទុកចិត្ត — ហើយ loop ដែលអ្នកមិនអាចទុកចិត្តបាន គ្រាន់តែផលិតការងារខុសក្នុងទ្រង់ទ្រាយធំ។ នេះជាការអះអាងសម្រាប់ evals ជា test suite ថ្មី៖ ច្រកផ្ទៀងផ្ទាត់ agent-as-judge golden dataset នៃភាពបរាជ័យពិតប្រាកដ និងហេតុអ្វីការសាងសង់វា គឺជាវិស្វកម្មដែលអាចការពារបានបំផុតដែលក្រុមនៅអាស៊ីអាគ្នេយ៍អាចធ្វើបាន។

អានអត្ថបទ 15 មិថុនា 2026
ការលេច Privacy នៅចន្លោះ Agent៖ ហេតុអ្វី Output Audit ខកខានវាភាគច្រើន
Multi-Agent SystemsPrivacy

ការលេច Privacy នៅចន្លោះ Agent៖ ហេតុអ្វី Output Audit ខកខានវាភាគច្រើន

ការបំបែក agent តែមួយទៅជា coordinator និង worker ត្រូវបានគេចាត់ទុកថាជា architecture ដែលសុវត្ថិភាពជាង។ benchmark ឆ្នាំ ២០២៦ មួយបង្ហាញថាវាស្ងាត់ៗផ្លាស់ប្ដូរ privacy risk ទៅកន្លែងដែល audit របស់អ្នកមើលមិនឃើញ។ AgentLeak (arXiv 2602.11510) instrument communication pathway ប្រាំពីរ ឆ្លងកាត់ scenario 1,000, production model ប្រាំ និង execution trace 4,979 — ហើយរកឃើញថា multi-agent setup ពិតជាបន្ថយ final-output leakage (27.2% ធៀបនឹង 43.2% single-agent) ប៉ុន្តែរុញ total system exposure ទៅ 68.9% ព្រោះ inter-agent message លេចនៅ 68.8%។ ផលវិបាកត្រង់ៗ៖ output-only audit ខកខាន violation 41.7%។ នេះជាហេតុអ្វី leak រស់នៅក្នុង coordination channel ហេតុអ្វីអ្នកត្រូវ instrument ពួកវា និងហេតុអ្វីនោះជាឱកាសសម្រាប់ក្រុមដែលនៅជិតទិន្នន័យក្នុងស្រុក ដែលត្រូវ regulate។

14 តុលា 2026 អានបន្ថែម →
On-Device Agent និងភាគលាភឯកជនភាព៖ ហេតុអ្វី Local មិនទាន់ Private
On-Device AIPrivacy

On-Device Agent និងភាគលាភឯកជនភាព៖ ហេតុអ្វី Local មិនទាន់ Private

ការ run agent លើ hardware ផ្ទាល់របស់អ្នកត្រូវបានលក់ជាជ័យជម្នះឯកជនភាព — ទិន្នន័យមិនដែលចេញពីអគារ។ ប៉ុន្តែ „local” និង „private” មិនមែនជាការអះអាងដូចគ្នាទេ ហើយឆ្នាំ ២០២៦ បានធ្វើឱ្យគម្លាតនោះច្បាស់លាស់។ AgenTEE (arXiv 2604.18231) ដាក់ runtime, inference engine, និង tool របស់ agent ចូលទៅក្នុង confidential VM ដែលត្រូវ attest ដោយឯករាជ្យលើ Arm's Confidential Compute Architecture (CCA) ដោយអនុវត្ត hardware isolation ទោះបីលើ device ដែលអ្នកប្រើផ្ទាល់របស់វាអាចលួងលោម — នៅ overhead ក្រោម 5.15%។ Amulet (arXiv 2512.07495) ធ្វើការងារផ្គូផ្គងសម្រាប់ model ខ្លួនឯង ដោយការពារ weights ដោយ TEE-backed obfuscation នៅ latency 2.8–4.8x នៃ model ដែលមិនការពារ ខណៈ run លឿនជាង naive full-TEE inference 8–9x។ នេះជាហេតុអ្វីភាគលាភឯកជនភាពពិតប្រាកដមិនមែន „វា run នៅ local” — វាជា confidential, attestable execution — ហើយហេតុអ្វីយន្តការនោះអនុគ្រោះអាស៊ីអាគ្នេយ៍។

7 តុលា 2026 អានបន្ថែម →
យើងបានដាក់ឈ្មោះក្រុមហ៊ុនរបស់យើងតាមរឿងនេះ៖ Loop Engineering កំពុងលេបយកការអភិវឌ្ឍសូហ្វវែរ
Loop EngineeringAgentic Coding

យើងបានដាក់ឈ្មោះក្រុមហ៊ុនរបស់យើងតាមរឿងនេះ៖ Loop Engineering កំពុងលេបយកការអភិវឌ្ឍសូហ្វវែរ

បុរសដែលបានសាងសង់ Claude Code និយាយថាគាត់លែង prompt វាទៀតហើយ — គាត់សរសេររង្វិលជុំ (loop) ដែល prompt វាវិញ។ បន្ទាត់តែមួយនោះបានដាក់ឈ្មោះឱ្យការផ្លាស់ប្ដូរ paradigm ដែលយុគ agentic ទាំងមូលបានសាងសង់ឆ្ពោះទៅរក៖ ពី prompting មួយដង ទៅជារង្វិលជុំជាប់លាប់ ដែលជំរុញដោយ feedback។ នេះជាមូលហេតុដែល prompt តែងតែជា placeholder ហេតុអ្វី loop កំពុងក្លាយជាឯកតានៃការងារសូហ្វវែរ និងហេតុអ្វីក្រុមហ៊ុនមួយឈ្មោះ Inference Loops បានភ្នាល់ឈ្មោះរបស់ខ្លួនលើរឿងនេះ។

30 កញ្ញា 2026 អានបន្ថែម →

ទាក់ទងមកយើង

តោះកសាងអនាគត AI របស់កម្ពុជាជាមួយគ្នា

យើងស្វាគមន៍ឱកាសក្នុងការស្វែងយល់ពីរបៀបដែលយើងអាចធ្វើការជាមួយគ្នា។

Location

ភ្នំពេញ, កម្ពុជា