Espazio-eraldaketak irudi baten egitura geometrikoa eta pixelen koordenatuak aldatzen dituzten bitartean, IA modeloei objektuak orientazioa edo eskala edozein dela ere ezagutzen laguntzeko, kolore-eraldaketak pixelen intentsitate-balioak aldatzen dituzte kolore-kanaletan zehar, ikusmen artifizialaren sistemak argiztapen-baldintza aldakorren eta ingurumen-itzalen aurrean erresilienteak izaten jarrai dezaten.
Irudi-marko baten barruko pixelen koordenatu geometrikoak eta egitura-antolamendua aldatzea.
Irudiaren geometria aldatu gabe pixelen intentsitatearen balioak eta kolore-kanalen balantzeak doitzea.
| Ezaugarria | Espazio-eraldaketak | Koloreen eraldaketak |
|---|---|---|
| Foku nagusia | Egitura geometrikoa eta pixelen kokapena | Pixelen intentsitatea eta kolore espektroaren balioak |
| Pixel koordenatuak | Dinamikoki aldatua mapatze-formulen bidez | Guztiz estatiko eta aldatu gabe geratu |
| AI Prestakuntzaren Oinarrizko Onura | Orientazioa eta eskalaren aldaezintasuna irakasten ditu | Argiztapenaren eta ingurunearen aldaezintasuna irakasten du |
| Oharren eragina | Muga-koadroak edo segmentazio-maskarak eguneratzea eskatzen du | Oharrak eta etiketak guztiz berdinak dira |
| Eragiketa tipikoak | Errotazioa, eskalatzea, zizailadura, translazioa | Distira, kontrastea, saturazioa, eguzkitzea |
| Matematika konputazionala | Matrizeen biderketa koordenatu-sareen bidez | Elementuka eskalar eragiketak kanal arrayetan |
Espazio-eraldaketak matrize geometrikoetan oinarritzen dira pixelak jatorrizko koordenatuetatik bi dimentsioko sareta bateko kokapen berrietara mugitzeko. Irudi bat biratzen edo luzatzen denean, interpolazio-algoritmoek datuak non lurreratzen diren kalkulatu behar dute fotograma berrian hutsuneak saihesteko. Kolore-eraldaketak plano guztiz desberdin batean funtzionatzen dute, sare espaziala ukitu gabe utziz, matematika zuzenean kanal numeriko gorri, berde eta urdinetan exekutatzen den bitartean. Pixel bat non dagoen mugitu beharrean, kolore-aldaketek pixelen intentsitateei balioak biderkatzen edo gehitzen dizkiete, itxura aldatzeko.
Aldaketa geometrikoak ezartzeak konplexutasun gehigarria dakar makina-ikaskuntzako datu-kanalizazioetan, etiketak irudiekin batera deformatu behar baitira. Ibilgailu baten entrenamendu-irudia irauli edo moztu egiten bada, ingeniaritza-kanalizazioak berehala berriro kalkulatu behar ditu dauden objektuak detektatzeko muga-koadroen edo segmentazio-maskaren koordenatuak, diseinu berriarekin bat etor daitezen. Kolore-handitzeek konputazio-gastu hori erabat saihesten dute. Objektuen muga fisikoak ez direnez inoiz mugitzen distira edo tonu-aldaketa batean, jatorrizko entrenamendu-etiketak guztiz zehatzak dira, doikuntzarik gabe.
Bi metodoek eredu mental desberdinak eraikitzen dituzte sare neuronal baten barruan. Espazio-doikuntzek algoritmo bat entrenatzen dute ikuspuntuaren aldaezintasuna lortzeko, drone-kamerak eraikin bat identifikatu ahal izan dezan, zuzenean gainetik hegan egiten duen edo alboko angelu zorrotz batetik hurbiltzen den kontuan hartu gabe. Kolore-doikuntzek ingurumen-erresilientzia eraikitzen dute, eredua mundu fisikoaren errealitate kaotikorako prestatuz. Horrek bermatzen du aurpegi-ezagutza sistema batek edo ibilgailu autonomoaren kamerak fidagarritasunez funtzionatzea arratsalde garbi batean, goiz lainotsu batean edo sodiozko kale-argi artifizialen azpian.
Bi teknikek prestakuntzaren eraginkortasuna kaltetu dezakete ingeniaritza taldeek oldarkorregi aplikatzen badituzte. Espazio-deformazio suntsitzaileak nahi gabe helburu-objektu bat ikus daitekeen markotik erabat moztu dezake ausazko mozketan zehar, sarea atzeko plano hutsetatik lotura okerrak ikastera behartuz. Bestalde, koloreen manipulazio arduragabeak kontraste-lerro garrantzitsuak ezabatu edo koloreak hain erradikalki alda ditzake, non modeloa nahas daitekeen, adibidez, simulagailu batean semaforo berde bat gorri bihurtzea, eta horrek sistemaren erabakiak hartzeko logika pozoitzen du.
Irudi bat horizontalki iraultzeak helburu-klaseen berriro etiketatze konplexua eskatzen du.
Klase-etiketak berak ez dira inoiz aldatzen, nahiz eta zure muga-koadroen koordenatu horizontalen balioak alderantzikatu behar dituzun. Prozesua matematikoki erraza da eta datu-kanal modernoek automatikoki kudeatzen dute, eskuzko esku-hartzerik gabe.
Irudi bat eskala grisera bihurtzea optimizazio espazialtzat hartzen da.
Kolorea monokromo bihurtzea kolore-eraldaketa bat da, gorri, berde eta urdin kolore-kanalak intentsitate-kanal bakarrean biltzen baititu. Pixel bakoitza bere jatorrizko koordenatu-posizio zehatzean mantentzen da prozesu osoan zehar.
IA modeloek naturalki ulertzen dute objektu bat berdina dela alderantziz iraultzean.
Sare neuronal konboluzionalak oso sentikorrak dira orientazioarekiko, bestelakorik berariaz entrenatu ezean. Ontzien irudi zutik soilik entrenatutako eredu batek erabat huts egingo du iraulitako ontzi bat ezagutzeko, perspektiba hori irakasteko eraldaketa espazialak erabiltzen ez badira.
Koloreen doikuntzak irudiak entrenamendurako politagoak edo garbiagoak izan daitezen bakarrik dira erabilgarriak.
Helburu nagusia, hain zuzen ere, irudiak nahasiak eta anitzak bihurtzea da. Kolore, distira eta kontraste distortsio ausazkoak sartzeak nahita erronka egiten dio ereduari, kolore paleta espezifikoetan oinarritzea eragotziz bere iragarpenak egiteko.
Aukeratu eraldaketa espazialak zure IA ereduak mundu errealean angelu, distantzia edo orientazio aurreikusezinetan agertzen diren objektuak ezagutu behar dituenean. Konbinatu itzazu kolore-eraldaketak zure hedapen-ingurunean argiztapen aurreikusezina, eguraldi-baldintza aldakorrak edo kolore-profilak aldatzen dituzten kamera-sentsoreen kalitate aldakorrak daudenean.
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.
