L'aprenentatge de representacions per a dades de satèl·lit utilitza xarxes neuronals per descobrir automàticament patrons útils a partir d'imatges en brut, mentre que l'enginyeria de característiques artesanal es basa en descriptors dissenyats per humans com ara índexs espectrals i mesures de textura. Ambdós enfocaments aborden tasques d'observació de la Terra, però difereixen notablement en escalabilitat, adaptabilitat i l'experiència necessària per implementar-los de manera efectiva.
Un enfocament d'aprenentatge profund on les xarxes neuronals aprenen automàticament característiques significatives directament d'imatges de satèl·lit en brut o mínimament processades.
Un enfocament tradicional en què els experts en dominis dissenyen manualment descriptors matemàtics per extreure informació significativa de les imatges de satèl·lit.
| Funcionalitat | Aprenentatge de representació per a dades de satèl·lit | Enginyeria de característiques artesanal |
|---|---|---|
| Disseny de funcions | Entrenament automàtic mitjançant xarxes neuronals | Manual d'experts en domini |
| Requisits de dades | Conjunts de dades grans etiquetats o sense etiquetar | Conjunts de dades més petits i acuradament seleccionats |
| Interpretabilitat | Sovint opac, requereix eines d'explicació | Transparent i físicament significatiu |
| Cost computacional | Alt durant l'entrenament, baix durant la inferència | En general baix, funciona amb maquinari modest |
| Adaptabilitat | Generalitza entre sensors i geografies | Cal redisseny per a noves tasques o regions |
| Experiència necessària | Aprenentatge automàtic i programació | Ciència de la teledetecció i processament de senyals |
| Rendiment en Big Data | Escales amb mida de conjunt de dades | S'estanca o es degrada amb massa funcions |
| Maduresa del desplegament | De ràpida maduració, utilitzat en recerca i projectes pilot | Dècades d'ús operatiu a tot el món |
L'aprenentatge de representacions crea característiques mitjançant l'optimització. Una xarxa neuronal ajusta milions de pesos interns a mesura que processa imatges, codificant gradualment les vores, les textures, les formes i, finalment, els conceptes a nivell d'escena. L'enginyeria de característiques artesanal funciona a l'inrevés: un científic decideix per endavant què importa i després escriu la fórmula. L'NDVI captura la salut de la vegetació perquè la clorofil·la reflecteix fortament la llum infraroja propera i aquesta informació física s'incorpora a l'índex abans que es vegin les dades.
Els models profunds prosperen amb el volum. Sentinel-2 per si sol produeix aproximadament 1,6 TB d'imatges diàries, i l'aprenentatge de representacions pot absorbir aquest problema per millorar la precisió. En canvi, els pipelines fets a mà sovint funcionen bé amb uns quants milers de mostres etiquetades perquè les característiques ja tenen un significat físic. La contrapartida és el maquinari: l'entrenament d'un model de base de satèl·lit modern pot requerir desenes de GPU durant setmanes, mentre que un Random Forest sobre índexs fets a mà s'entrena en segons en un ordinador portàtil.
Quan es dispara una característica creada manualment, els científics solen saber exactament per què. Una disminució de l'NDVI indica estrès de la vegetació, i aquesta relació amb l'òptica de les fulles està ben documentada. Les representacions neuronals són més difícils de llegir, tot i que eines com Grad-CAM, el desplegament d'atenció i la visualització de característiques ara ofereixen finestres parcials al que veu el model. En dominis regulats com la resposta a desastres o els informes climàtics, aquesta bretxa d'interpretabilitat encara és important i manté els mètodes artesanals en ús actiu.
Un model preentrenat amb Sentinel-2 sovint es pot ajustar per a Landsat-8 o PlanetScope amb relativament poques dades noves, perquè la xarxa ha après dades visuals a priori generals. Les característiques fetes a mà de vegades es transfereixen malament: un índex ajustat per a la configuració de banda d'un sensor pot comportar-se de manera diferent en un altre. D'altra banda, les característiques fetes a mà s'adapten ràpidament a tasques de nínxol com la cartografia de minerals, on les ràtios espectrals basades en la física superen les incrustacions apreses genèriques entrenades en imatges naturals.
Molts sistemes de producció encara combinen els dos mons. Les aplicacions Sentinel de l'ESA, la capa de dades de terres de cultiu de l'USDA i diversos inventaris forestals nacionals utilitzen índexs elaborats a mà com a entrades per als classificadors clàssics perquè el procés és auditable i fàcil de mantenir. Mentrestant, les empreses emergents i els grups de recerca implementen cada cop més representacions apreses per a tasques on els guanys de precisió justifiquen la complexitat, com ara l'avaluació de danys als edificis després de terratrèmols o la cartografia precisa dels tipus de cultius.
L'aprenentatge de representacions sempre supera les característiques fetes a mà en les tasques satèl·lit.
No sempre. En conjunts de dades petits o tasques amb forts antecedents físics, els índexs fets a mà que alimenten un Bosc Aleatori poden igualar o superar models profunds. Les representacions apreses brillen més quan les dades d'entrenament són abundants i la tasca implica patrons subtils i d'alta dimensió.
Les característiques fetes a mà són obsoletes en la teledetecció moderna.
Lluny d'això. Els sistemes operatius d'agències com la NASA Harvest, l'ESA World Cover i l'USDA encara depenen en gran mesura d'índexs espectrals i mesures de textura perquè són auditables, estables i fàcils de validar amb dades reals.
Els models d'aprenentatge profund per a dades de satèl·lits entenen el significat físic.
Aprenen patrons estadístics, no física. Una xarxa pot associar una determinada signatura espectral amb l'aigua, però no sap per què l'aigua absorbeix la llum infraroja propera. Els índexs elaborats a mà codifiquen directament aquest coneixement físic.
Més funcions sempre milloren la precisió de la classificació.
Més enllà d'un cert punt, afegir característiques redundants o sorolloses perjudica el rendiment, un fenomen conegut com la maledicció de la dimensionalitat. Els pipelines fets a mà han de seleccionar acuradament les característiques, mentre que l'aprenentatge de representacions evita això aprenent només allò que és útil.
Els models de fonamentació de satèl·lits preentrenats funcionen des del primer moment per a qualsevol tasca.
Encara requereixen un ajustament precís de les dades etiquetades específiques de la tasca per assolir el rendiment màxim. Els resultats de zero shot estan millorant, però normalment queden enrere de les línies de base ajustades en diversos punts de precisió.
Trieu l'aprenentatge de representacions quan tingueu dades abundants, recursos de GPU i una tasca on cada punt percentual de precisió compti, com ara la cobertura terrestre a gran escala o el mapatge de desastres. Trieu l'enginyeria de característiques artesanal quan la interpretabilitat, les dades d'entrenament limitades o la simplicitat computacional siguin prioritats, o quan s'hagi de preservar el significat físic per a la presentació d'informes científics.
Aquest desglossament detallat explora les diferències fonamentals entre les actualitzacions de gràfics basades en esdeveniments i el processament de gràfics per lots dins de les arquitectures d'IA. Mentre que les pipelines basades en esdeveniments gestionen la transmissió en temps real i les mutacions irregulars de la topologia de xarxa, el processament per lots consolida els canvis en execucions computacionals pesades i programades per maximitzar el rendiment del sistema i la saturació del maquinari.
Les actualitzacions de models en temps real i el reentrenament de models per lots representen dos enfocaments fonamentalment diferents per mantenir els sistemes d'aprenentatge automàtic actualitzats. Els mètodes en temps real s'adapten instantàniament a les noves dades, mentre que el reentrenament per lots reconstrueix els models a intervals programats utilitzant conjunts de dades acumulats.
Les actualitzacions de la versió LLM se centren en la implementació de models de llenguatge més nous i capaços amb un raonament i unes funcions millorades, mentre que el manteniment de models antics manté els sistemes d'IA més antics funcionant de manera fiable. Les organitzacions han de sospesar la innovació contra l'estabilitat a l'hora de decidir entre actualitzar o mantenir els seus models existents.
Aquesta comparació analitza les opcions estratègiques en l'aprenentatge automàtic entre l'adaptació de domini, que transfereix coneixement d'un entorn d'origen etiquetat a un entorn de destinació diferent, i l'entrenament dins del domini, que crea models completament a partir de dades recollides de la configuració exacta de desplegament de destinació.
L'adaptació lingüística en la IA se centra en l'ensenyament de models per gestionar idiomes específics mitjançant l'afinament i l'aprenentatge per transferència, mentre que els sistemes d'IA agnòstics a l'idioma tenen com a objectiu processar qualsevol idioma sense formació específica per a l'idioma. Ambdós enfocaments aborden els reptes multilingües, però difereixen fonamentalment en l'arquitectura, les dades d'entrenament i el desplegament al món real.
