Urrutiko detekzioan autogainbegiratutako ikaskuntzak modeloak satelite edo aireko irudi etiketatu gabeetan entrenatzen ditu aitzakia-zereginak sortuz, gainbegiratutako sailkapenak, berriz, gizakiek etiketatutako datuetan oinarritzen da modeloei pixelak edo eszenak nola sailkatu irakasteko. Bi ikuspegiek lurzoruaren estalduraren mapaketa eta objektuen detekzioa jorratzen dituzte, baina nabarmen desberdinak dira datuen eskakizunetan, eskalagarritasunean eta benetako munduko zehaztasunean.
Entrenamendu paradigma bat non modeloek Lurraren behaketa-datu etiketatu gabeetatik irudikapenak ikasten dituzten, aitzakia-zereginak ebatziz, ondorengo aplikazioetan doikuntzak egin aurretik.
Makina-ikaskuntzako ikuspegi tradizionala, non modeloak eskuz etiketatutako urruneko detekzio-datuetan trebatzen diren pixelei, objektuei edo eszenei kategoriak esleitzeko.
| Ezaugarria | Auto-gainbegiratutako ikaskuntza urruneko detekzioan | Sailkapen gainbegiratua |
|---|---|---|
| Beharrezko Etiketatutako Datuak | Gutxi edo batere ez aurre-prestakuntzarako | Datu-multzo zabalak eta adituek ohartarazitakoak |
| Eskualdeen arteko eskalagarritasuna | Altua, geografia arteko transferentziak | Mugatua, askotan eskualdeka espezifikoa |
| Oharren kostua | Baxua, irudi gordinak erabiltzen ditu artxiboetan | Altua, eskuzko etiketatzea garestia da |
| Beheko zehaztasuna | Lehiakorra etiketa mugatuekin | Altuena etiketak ugariak direnean |
| Prestakuntza Kalkulatzea | Aurre-entrenamendu gogorra, doikuntza fin arina | Moderatua, datu-multzoaren tamainarekin eskalatzen da |
| Klase arraroak maneiatzea | Hobeto, irudikapen zabalak ikasten ditu | Ahulagoa, lagin orekatuak behar ditu |
| Interpretagarritasuna | Beheko aitzakia-zereginak abstraktuak dira | Goiago, erabaki-arauak ikuskatu daitezke |
| Ekoizpenean Heldutasuna | Sortzen ari den fasea, gehienbat ikerketa fasean | Heldua, operatiboki zabaldua |
Sailkapen gainbegiratua arretaz etiketatutako datu-multzoetan oinarritzen da, non entrenamendu-adibide bakoitzak egiaren etiketa bat daraman. Bereizmen handiko irudietarako etiketa horiek ekoiztea askotan GIS espezializazioa eskatzen du eta poligono bakoitzeko zentimo gutxi batzuetatik hainbat dolar arteko kostua izan dezake. Autogainbegiratutako ikaskuntzak ekuazio hau irauli egiten du Sentinel-2 bezalako sateliteek bildutako doako eskuragarri dauden eta etiketatu gabeko irudien petabyteak ustiatuz, modeloek ezaugarri erabilgarriak ikas ditzaten hasierako entrenamendu aurreko fasean inolako giza oharpenik gabe.
Gainbegiratze hutsarekin entrenatutako modeloek gehiegi egokitzen dira beren entrenamendu-eszenen ezaugarri espektral eta espazialetara, eta horrek esan nahi du Europako nekazaritza-lurretan entrenatutako sailkatzaile batek oztopoak izan ditzakeela baso tropikaletan aplikatzean. Autogainbegiratutako irudikapenek, aldiz, irudi anitzen eredu bisual zabalagoak jasotzen dituzte, eta horrek transferentzia nabarmen hobea dakar eskualde edo sentsore berri bateko multzo etiketatu txiki batean doitzen direnean. Horrek autogainbegiratutako ikuspegiak bereziki erakargarri bihurtzen ditu eskala globaleko mapaketa-ahaleginetarako.
EuroSAT, BigEarthNet eta IEEE GRSS Data Fusion Contest bezalako erreferentzia estandarretan, gainbegiratutako ereduek abantaila txiki bat dute oraindik ere etiketatutako entrenamendu-datu nahikoa ematen zaienean. Hala ere, 2022tik aurrerako ikerketek etengabe erakusten dute autogainbegiratutako aurre-entrenamenduak, ondoren etiketa gutxi batzuetako zundaketa linealak edo doikuntza finak eginez gero, oinarrizko gainbegiratze osoak parekatu edo gainditu ditzakeela. Aldea are gehiago murrizten da etiketak zaratatsuak, desorekatuak edo klase arraroetara mugatzen direnean.
Aurre-entrenamendu autogainbegiratua konputazionalki garestia da, askotan hainbat GPU behar baititu egunetan exekutatzen milioika irudi-adabakitan. Hala ere, behin aurretik entrenatuta, eredua hainbat zereginetan berrerabili daiteke ondorengo zereginetan, entrenamendu gehigarri minimoarekin. Gainbegiratutako kanalizazioek aurre-entrenamendu urrats astuna saltatzen dute, baina hutsetik berriro entrenatu behar dira sentsorea, geografia edo klase-eskema aldatzen den bakoitzean, eta horrek denborarekin gehitzen du hainbat mapa-produktu kudeatzen dituzten erakundeentzat.
Sailkapen gainbegiratua izaten jarraitzen du urrutiko detekzio operatiboaren lana, bere portaera ondo ulertzen delako, balidazio-protokoloak estandarizatuta daudelako eta araudi-esparruek askotan jarrai daitezkeen prestakuntza-datuen beharra dutelako. Autogainbegiratutako metodoak oraindik heltzen ari dira, eta profesionalek batzuetan zalantzan jartzen dute arrisku handiko aplikazioetan ezartzea, hala nola hondamendien erantzuna edo baso-soiltzearen monitorizazioa, erreferentziazko analisi zabalik gabe. Hala ere, autogainbegiratutako aurre-prestakuntza eta gainbegiratutako doikuntza finak konbinatzen dituzten lan-fluxu hibridoek azkar irabazten ari dira bai ikerketan bai industrian.
Autogainbegiratutako ikaskuntzak etiketatutako datuen beharra erabat ezabatzen du.
Aurre-entrenamendu autogainbegiratuak hasierako fasetik etiketak kentzen ditu, baina ondorengo zereginek oraindik ere etiketatutako datuak behar dituzte doikuntza finetarako edo ebaluaziorako. Aurrezpena etiketa askoz gutxiago behar izateagatik dator, ez etiketarik.
Sailkapen gainbegiratua zaharkituta dago autogainbegiratutako metodoen ondorioz.
Sailkapen gainbegiratua da sistema eragileetan nagusi den ikuspegia, eta askotan zehaztasun handiena lortzen du etiketak ugariak direnean. Autogainbegiratutako ikaskuntzak ordezkatu beharrean osatu egiten du.
Autogainbegiratutako ereduek beti gainbegiratutakoak baino errendimendu hobea dute urruneko detekzioko erreferentzietan.
Errendimendua datu-multzoaren, eskuragarri dauden etiketatutako datuen kopuruaren eta ondorengo zereginaren araberakoa da. Etiketatutako multzo handiekin, gainbegiratutako ereduek autogainbegiratutako oinarrizko puntuak berdindu edo gainditu ditzakete oraindik.
Etiketatu gabeko datu gehiagok beti hobetzen dituzte autogainbegiratutako ereduak.
Kalitatea eta aniztasuna bolumen gordinak baino garrantzitsuagoak dira. Autogainbegiratzen diren ereduak geldiarazi edo hondatu egin daitezke irudi erredundanteak edo kalitate baxukoak ematen zaizkienean, urtaroetan, sentsoreetan edo geografian nahikorik ez dutenean.
Sailkatzaile gainbegiratuek ezin dute beren entrenamendu eskualdetik haratago orokortu.
Diseinu zainduarekin, domeinu-egokitzapenarekin eta entrenamendu-lagin anitzekin, gainbegiratutako sailkatzaileek eskualdeetan orokortu dezakete. Muga erreala da, baina ez absolutua, eta transferentzia-ikaskuntzako teknikek aldea ixten laguntzen dute.
Aukeratu gainbegiratutako sailkapena etiketatutako datu ugari eta kalitate handikoak dituzunean eta eskualde edo sentsore ondo definitu baterako heldua eta interpretagarria den eredu bat behar duzunean. Aukeratu autogainbegiratutako ikaskuntza etiketak urriak, garestiak edo geografikoki mugatuak direnean, eta oinarrizko eredu malgu bat nahi duzunean, anotazio-ahalegin minimoarekin ondorengo zeregin askotara egokitu daitekeena.
Edukien argitalpenetan A/B probak aldaerak publiko segmentu desberdinetara zabaltzea eta errendimendua neurtzea dakar, behin-behineko edukien argitalpenek, berriz, bertsio bakarra guztiei aldi berean bidaltzen diete. Ikuspegi bakoitzak helburu desberdinak ditu, A/B probak datuetan oinarritutako optimizazioa lehenesten duelarik eta behin-behineko argitalpenek abiadura eta sinpletasuna lehenesten dituztelarik.
Modeloen zerbitzatzean A/B probak lehiakideen modeloen arteko trafikoa bideratzen du benetako munduko errendimendua neurtzeko, eta modelo bakarreko hedapenak, berriz, modelo bakarra bidaltzen die erabiltzaile guztiei. Taldeek bien artean aukeratzen dute arrisku-tolerantziaren, trafiko-bolumenaren eta guztiz zabaldu aurretik baliozkotze estatistikoaren beharraren arabera.
Adimen artifizialaren laguntzaileek elkarrizketa-elkarrekintzan, laguntza emozionalean eta laguntza egokitzailean jartzen dute arreta, produktibitate-aplikazio tradizionalek, berriz, zereginen kudeaketa egituratua, lan-fluxuak eta eraginkortasun-tresnak lehenesten dituzten bitartean. Konparaketak zereginetarako diseinatutako software zurrunetik produktibitatea interakzio natural eta gizakiaren antzekoarekin eta testuinguru-laguntzarekin uztartzen dituzten sistema egokitzaileetara igarotzea nabarmentzen du.
Adimen artifizialaren eta automatizazioaren arteko desberdintasun nagusiak azaltzen dituen konparazioa da hau, nola funtzionatzen duten, zein arazo ebazten dituzten, egokitasuna, konplexutasuna, kostuak eta enpresa-erabilera errealen kasuak aztertuz.
Azterketa zehatz honek IA bidezko sormena —non algoritmoen ereduen sintesiak ideien sorkuntza eta gauzatze teknikoa bizkortzen dituen— gizakiaren sormen hutsarekin alderatzen du, zeina erabat sortzen den ahultasun pertsonaletatik, sakontasun emozionaletik eta nahitako arau-hausteetatik. Tresna artifizialek sorkuntza demokratizatzen eta bolumena handitzen duten bitartean, benetako giza arteak bizitako esperientzian oinarritzen da lana esanahi sozial sakon batez hornitzeko.
