Uzaqdan zondlamada özünüidarəetmə təlimi, modelləri etiketsiz peyk və ya hava görüntüləri üzərində bəhanə tapşırıqları yaratmaqla öyrədir, nəzarətli təsnifat isə modellərə pikselləri və ya səhnələri necə təsnif etməyi öyrətmək üçün insan tərəfindən etiketlənmiş məlumatlara əsaslanır. Hər iki yanaşma torpaq örtüyü xəritələşdirməsi və obyekt aşkarlamasını əhatə edir, lakin onlar məlumat tələbləri, miqyaslanma və real dünya dəqiqliyi baxımından kəskin şəkildə fərqlənir.
Modellərin aşağı axın tətbiqlərində dəqiq tənzimləmədən əvvəl bəhanə tapşırıqlarını həll etməklə etiketsiz Yer müşahidə məlumatlarından təsvirləri öyrəndiyi təlim paradiqması.
Modellərin piksellərə, obyektlərə və ya səhnələrə kateqoriyalar təyin etmək üçün əl ilə etiketlənmiş məsafədən zondlama məlumatları üzərində öyrədildiyi ənənəvi maşın öyrənmə yanaşması.
| Xüsusiyyət | Uzaqdan Zondlamada Öz-özünə Nəzarət Edilən Öyrənmə | Nəzarət olunan Təsnifat |
|---|---|---|
| Etiketlənmiş Məlumatlar Tələb Olunur | Əvvəlcədən təlim üçün minimum və ya heç yoxdur | Geniş, ekspert tərəfindən qeyd edilmiş məlumat dəstləri |
| Regionlar üzrə miqyaslanma | Yüksək, coğrafiyalar arasında transferlər | Məhdud, tez-tez bölgəyə xas |
| Annotasiya Dəyəri | Aşağı, xam görüntü arxivlərindən istifadə edir | Yüksək, əl ilə etiketləmə bahadır |
| Aşağı axın dəqiqliyi | Məhdud etiketlərlə rəqabət aparır | Etiketlər bol olduqda ən yüksəkdir |
| Təlim Hesablaması | Ağır məşqdən əvvəl, yüngül incə tənzimləmə | Orta, verilənlər dəsti ölçüsü ilə miqyaslanır |
| Nadir Siniflərin İdarə Edilməsi | Daha yaxşısı, geniş təmsilləri öyrənir | Zəif, balanslaşdırılmış nümunələrə ehtiyac duyur |
| Təfsir edilə bilənlik | Aşağı, bəhanə tapşırıqları mücərrəddir | Daha yüksək, qərar qaydaları yoxlanıla bilər |
| İstehsalda yetkinlik | İnkişaf etməkdə olan, əsasən tədqiqat mərhələsi | Yetkin, geniş şəkildə əməliyyat şəraitində yerləşdirilib |
Nəzarət altında təsnifat, hər təlim nümunəsinin əsas həqiqət etiketini daşıdığı diqqətlə etiketlənmiş məlumat dəstlərindən asılıdır. Yüksək qətnaməli təsvirlər üçün bu etiketlərin istehsalı çox vaxt GIS təcrübəsi tələb edir və hər çoxbucaqlı üçün bir neçə sentdən bir neçə dollara qədər başa gələ bilər. Öz-özünə nəzarət edilən öyrənmə, Sentinel-2 kimi peyklər tərəfindən toplanan sərbəst şəkildə mövcud olan, etiketsiz təsvirlərin petabaytlarından istifadə etməklə bu tənliyi dəyişdirir və modellərə ilkin təlimdən əvvəlki mərhələdə heç bir insan qeydi olmadan faydalı xüsusiyyətləri öyrənməyə imkan verir.
Yalnız nəzarət altında öyrədilən modellər təlim səhnələrinin spektral və məkan xüsusiyyətlərinə həddindən artıq uyğunlaşmağa meyllidirlər, bu da Avropa əkin sahələrində öyrədilən təsnifatçı tropik meşələrə tətbiq edildikdə büdrəyə bilər deməkdir. Öz-özünə nəzarət edilən təsvirlər, əksinə, müxtəlif görüntülərdən daha geniş vizual nümunələri əks etdirir və yeni bir bölgədən və ya sensordan kiçik bir etiketli dəstdə incə tənzimləndikdə nəzərəçarpacaq dərəcədə daha yaxşı ötürülməyə səbəb olur. Bu, öz-özünə nəzarət edilən yanaşmaları qlobal miqyaslı xəritələşdirmə səyləri üçün xüsusilə cəlbedici edir.
EuroSAT, BigEarthNet və IEEE GRSS Data Fusion Contest kimi standart etalonlarda, nəzarət edilən modellər kifayət qədər etiketlənmiş təlim məlumatları verildikdə hələ də bir az üstünlük təşkil edir. Bununla belə, 2022-ci ildən etibarən aparılan tədqiqatlar ardıcıl olaraq göstərir ki, yalnız bir neçə yüz etiketdə xətti zondlama və ya dəqiq tənzimləmə ilə müşayiət olunan özünüidarə olunan ilkin təlim tam nəzarət edilən baza səviyyələrinə uyğun gələ və ya hətta onları üstələyə bilər. Etiketlər səs-küylü, balanssız və ya nadir siniflərlə məhdudlaşdıqda bu fərq daha da azalır.
Öz-özünə nəzarət edilən ilkin təlim hesablama baxımından baha başa gəlir və çox vaxt milyonlarla şəkil yamasında günlərlə birdən çox GPU-nun işləməsini tələb edir. Lakin əvvəlcədən təlim keçdikdən sonra model minimal əlavə təlimlə bir çox sonrakı tapşırıqlarda təkrar istifadə edilə bilər. Nəzarət edilən boru kəmərləri ağır ilkin təlim mərhələsini atlayır, lakin sensor, coğrafiya və ya sinif sxemi dəyişdikdə sıfırdan yenidən təlim keçməlidir ki, bu da zamanla birdən çox xəritələşdirmə məhsulunu idarə edən təşkilatlar üçün əlavə olunur.
Nəzarət altında təsnifat əməliyyat məsafədən zondlamanın əsas işi olaraq qalır, çünki onun davranışı yaxşı başa düşülür, validasiya protokolları standartlaşdırılır və tənzimləyici çərçivələr tez-tez izlənilə bilən təlim məlumatlarını tələb edir. Öz-özünə nəzarət metodları hələ də inkişaf etməkdədir və praktiklər bəzən onları geniş müqayisə aparmadan fəlakətlərə cavab və ya meşələrin qırılmasının monitorinqi kimi yüksək riskli tətbiqlərdə tətbiq etməkdən çəkinirlər. Bununla belə, öz-özünə nəzarət altında əvvəlcədən təlimi nəzarət altında dəqiq tənzimləmə ilə birləşdirən hibrid iş axınları həm tədqiqatlarda, həm də sənayedə sürətlə populyarlıq qazanır.
Öz-özünə nəzarət edilən öyrənmə etiketli məlumatlara olan ehtiyacı tamamilə aradan qaldırır.
Öz-özünə nəzarət edilən ilkin təlim etiketləri ilkin mərhələdən çıxarır, lakin sonrakı tapşırıqlar hələ də dəqiq tənzimləmə və ya qiymətləndirmə üçün etiketlənmiş məlumatlar tələb edir. Qənaət sıfır etiketdən deyil, daha az etiketdən irəli gəlir.
Nəzarət altında təsnifat özününəzarət üsulları səbəbindən köhnəlmişdir.
Nəzarət altında təsnifat əməliyyat sistemlərində dominant yanaşma olaraq qalır və etiketlər bol olduqda tez-tez ən yüksək dəqiqliyə nail olur. Öz-özünə nəzarət altında öyrənmə onu əvəz etmək əvəzinə tamamlayır.
Öz-özünə nəzarət edilən modellər məsafədən zondlama meyarlarında həmişə nəzarət edilənlərdən daha yaxşı nəticə göstərir.
Performans verilənlər dəstindən, mövcud etiketlənmiş məlumatların miqdarından və sonrakı tapşırıqdan asılıdır. Böyük etiketlənmiş dəstlərlə nəzarət olunan modellər yenə də özünə nəzarət edilən baza xətləri ilə uyğunlaşa və ya onları üstələyə bilər.
Daha çox etiketlənməmiş məlumat həmişə özünüidarə olunan modelləri təkmilləşdirir.
Keyfiyyət və müxtəliflik xam həcmdən daha vacibdir. Öz-özünə nəzarət edilən modellər fəsillərdə, sensorlarda və ya coğrafi ərazilərdə kifayət qədər müxtəliflik olmadan artıq və ya aşağı keyfiyyətli görüntülərlə təmin edildikdə sabitləşə və ya hətta keyfiyyətini itirə bilər.
Nəzarət olunan təsnifatçılar təlim bölgələrindən kənara ümumiləşdirə bilməzlər.
Diqqətli dizayn, sahə uyğunlaşması və müxtəlif təlim nümunələri ilə nəzarət edilən təsnifatçılar bölgələr üzrə ümumiləşdirə bilərlər. Məhdudiyyət realdır, lakin mütləq deyil və transfer öyrənmə üsulları boşluğu aradan qaldırmağa kömək edir.
Bol, yüksək keyfiyyətli etiketlənmiş məlumatlara sahib olduğunuz və yaxşı müəyyən edilmiş bir bölgə və ya sensor üçün yetkin, şərh edilə bilən bir modelə ehtiyacınız olduqda nəzarətli təsnifatı seçin. Etiketlər az, bahalı və ya coğrafi cəhətdən məhdud olduqda və minimal annotasiya səyi ilə bir çox sonrakı tapşırıqlara uyğunlaşa bilən çevik bir təməl modelə ehtiyacınız olduqda özününəzarət edilən öyrənməni seçin.
Açar söz axtarış motorları tərs indekslərdən istifadə edərək dəqiq terminləri uyğunlaşdırır, vektor oxşarlığı axtarışı isə yüksək ölçülü yerləşdirmələr vasitəsilə semantik cəhətdən əlaqəli məzmun tapır. Hər iki yanaşma müasir məlumat axtarışını gücləndirir, lakin istifadəçi niyyətini necə şərh etdikləri və nəticələri necə sıraladıqları baxımından əsaslı şəkildə fərqlənir.
Açıq çəkili modellər təlim keçmiş parametrlərini ictimaiyyətə açıq şəkildə yayımlayır və hər kəsin onları yükləməsinə, yoxlamasına və dəqiq tənzimləməsinə imkan verir. Qapalı mənbəli modellər çəkilərini gizli saxlayır və yalnız API və ya hostinq məhsulları vasitəsilə giriş təklif edir. Aralarındakı seçim, tərtibatçıların süni intellekt sistemlərini necə qurduğunu, yerləşdirdiyini və etibar etdiyini formalaşdırır.
Bu müqayisə açıq mənbəli süni intellekt ilə xüsusi mülkiyyətli süni intellekt arasındakı əsas fərqləri araşdırır, əlçatanlıq, fərdiləşdirmə, xərclər, dəstək, təhlükəsizlik, performans və real dünyada tətbiq hallarını əhatə edir, təşkilatların və tərtibatçıların hansı yanaşmanın onların məqsədlərinə və texniki imkanlarına uyğun gəldiyini müəyyən etməsinə kömək edir.
Açıq mənbəli LLM-lər tam kod girişi ilə özelleştirilebilir, özünəməxsus süni intellekt modelləri təklif edir, mülkiyyətçi LLM API-ləri isə istifadəyə əsaslanan qiymətlərlə bulud əsaslı son nöqtələr vasitəsilə idarə olunan, cilalanmış xidmətlər təqdim edir.
Adaptiv axtarış sistemin sorğuya əsasən hansı məlumatı və necə əldə etdiyini dinamik şəkildə tənzimləyir, statik axtarış boru kəmərləri isə kontekstdən asılı olmayaraq sabit qaydalara əməl edir. Hər ikisi müasir süni intellekt tətbiqlərini gücləndirir, lakin onlar elastiklik, qiymət və dəqiqlik baxımından kəskin şəkildə fərqlənir. Aralarında seçim iş yükünün mürəkkəbliyindən və büdcədən asılıdır.
