Míg a képfeldolgozás szabványosítja és megtisztítja a nyers pixeladatokat, mielőtt azok bekerülnének a neurális hálózatba, a jellemzőtanulás magára a hálózatra támaszkodik, hogy automatikusan felfedezze az összetett vizuális mintákat a betanítás során, így a nehéz munka a manuális adatfeldolgozásról az adatvezérelt algoritmikus optimalizálásra helyeződik át.
nyers képek explicit, manuális manipulációja a szabványosítás, zajszűrés és formázás céljából a betanítás előtt.
Az automatizált folyamat, amelynek során a mély neurális hálózatok értelmes vizuális mintákat fedeznek fel és vonnak ki az adatokból.
| Funkció | Kép előfeldolgozás | Jellemzők tanulása |
|---|---|---|
| Végrehajtási pont | Mielőtt az adatok belépnének a neurális hálózati folyamatba | Belsőleg az előre és hátra passzok során |
| Automatizálási szint | Fejlesztők általi manuális konfiguráció | Teljesen automatizált a neurális hálózati rétegek által |
| Elsődleges cél | Szabványosítsa a formátumot és stabilizálja az optimalizálási matematikát | Fedezze fel a végső feladathoz tartozó leíró mintákat |
| Alapvető módszerek | Determinisztikus matematikai transzformációk és szűrők | Gradiens süllyedés, visszaterjedés és súlyok |
| Hardverkihasználtság | Gyakran CPU adatbetöltési folyamatokon számítják ki | Nagymértékben függ a GPU-kon/TPU-kon keresztüli mátrixgyorsítástól |
| Tartományfüggőség | Szakértői ismereteket igényel a képtulajdonságokról | Implicit módon tanulja meg a reprezentációkat a nyers adateloszlásból |
A képfeldolgozás a kezdeti kapuőrként szolgál, a kaotikus valós képeket merev, strukturált numerikus tömbökké alakítva. Elvégzi a szükséges feladatokat, mint például a vágás, az egyenletes átméretezés és a pixelintenzitások stabil tartományba, például 0-ról 1-re való skálázása, mielőtt a modell egyáltalán látná az adatokat. Ezzel szemben a jellemzőtanulás veszi át az irányítást, amint ezek a szabványosított tenzorok bejutnak a hálózatba, dinamikusan módosítva a kapcsolatok súlyait a rétegek között az absztrakt vizuális fogalmak rögzítéséhez.
Az előfeldolgozás alapvetően egy ember által vezérelt feladat, ahol a fejlesztők specifikus matematikai szabályokat kódolnak be az adathalmazra vonatkozó előzetes feltételezések alapján. Ha egy fejlesztő úgy dönt, hogy elmos egy képet a zaj csökkentése érdekében, ez a választás állandó és merev a futás során. A jellemzőtanulás megszünteti ezt az emberi torzítást azáltal, hogy lehetővé teszi a konvolúciós szűrők számára, hogy teljesen önállóan tanulják meg, mi számít, és olyan finom pixelkorrelációkat találjanak, amelyeket egy emberi mérnök soha nem gondolna programozni.
Mivel az előfeldolgozás egyszerű lineáris algebrára és hagyományos pixelmanipulációra támaszkodik, számítási szempontból könnyű, és általában hatékonyan fut a CPU-kon az adatbetöltési fázisban. A jellemzőtanulás sokkal igényesebb, több millió lebegőpontos mátrixszorzást igényel, ahogy a gradiensek oda-vissza áramlanak. Ez a nehéz matematikai teher a jellemzőtanulást a modern grafikus kártyákban és a speciális mesterséges intelligencia gyorsítókban található hatalmas párhuzamos feldolgozási teljesítménytől teszi függővé.
Az intelligens előfeldolgozási lépések, mint például az adatkiegészítés, mesterségesen bővítik az adathalmazt, megakadályozva, hogy a modell megjegyezzen bizonyos orientációkat, és segítve a valós világra való általánosítást. A jellemzőtanulás közvetlenül kihasználja ezt a változatosságot azáltal, hogy robusztus, belső hierarchiákat épít fel formákból és textúrákból, amelyek alkalmazkodni tudnak a különböző vizuális feladatokhoz. Helyes kombináció esetén a precíz előfeldolgozás megteremti azt a stabil alapot, amely lehetővé teszi az automatizált jellemzőtanulást a csúcspontosság eléréséhez.
mélytanulási modellek elég okosak ahhoz, hogy teljesen megkerüljék a képfeldolgozást.
Míg a neurális hálózatok kiválóan képesek mintázatokat kinyerni, az eltérő dimenziók vagy nem normalizált pixelértékek megadása kaotikus gradiensrobbanásokat okoz. Az alapvető strukturális szabványosítás továbbra sem képezheti vita tárgyát a stabil betanítási konvergencia érdekében.
A képfeldolgozás és az adatkiegészítés pontosan ugyanaz a koncepció.
Az előfeldolgozás minden egyes képet felkészít mind a tanuló-, mind a teszthalmazokban, hogy megfeleljen az alapvető mérnöki korlátozásoknak, például az egységes méretnek. A kiegészítés a kizárólag betanításra szánt lépések egy különálló részhalmaza, amelynek célja a mesterséges változatosság bevezetése és a túlillesztés megakadályozása.
A jellemzőtanulás teljesen felváltja a hagyományos számítógépes látás folyamatát.
A mélytanulás felváltotta a manuális jellemzőleírókat, mint például a SIFT-et, de a lokalizált követés, a küszöbértékek és a kamera kalibrálásának hagyományos módszereire támaszkodik. A klasszikus képfeldolgozás és a modern mélyhálózatok partnerként, nem pedig riválisként működnek együtt.
funkciótanulási folyamat képes kijavítani a súlyosan sérült vagy hihetetlenül alacsony felbontású forrásképeket.
A neurális hálózatokat az adattudomány „szemét be, szemét ki” szabálya köti. Ha az előfeldolgozás nem tudja megmenteni az elfedett részleteket vagy enyhíteni a súlyos lencseelmosódást, a hálózat egyszerűen megtanulja észrevenni az értelmetlen zajokat.
Válasszon egy robusztus előfeldolgozási folyamatot a számítási stabilitás garantálása és a nyers adathalmazok variációinak kezelése érdekében, de teljes mértékben a jellemzőtanulásra támaszkodjon a modell végső pontosságához szükséges bonyolult, magas szintű vizuális minták feltérképezéséhez.
késleltetésre fókuszált kiszolgálás és a tiszta pontosságoptimalizálás két egymással versengő filozófiát képvisel a mesterséges intelligencia telepítésében. A késleltetésre összpontosító kiszolgálás a sebességet és a felhasználói élményt helyezi előtérbe, míg a tiszta pontosságoptimalizálás a lehető legmagasabb modellteljesítményt célozza meg, függetlenül a következtetési időtől. A kettő közötti választás meghatározza, hogyan viselkednek a mesterséges intelligencia rendszerek éles környezetben.
Az A/B tesztelés a modellkiszolgáló rendszerben a versengő modellverziók közötti forgalmat irányítja át a valós teljesítmény mérése érdekében, míg az egyetlen modell telepítése egyetlen modellt küld minden felhasználónak. A csapatok a kockázattűrés, a forgalom mennyisége és a teljes bevezetés előtti statisztikai validáció szükségessége alapján választanak közöttük.
Az A/B tesztelés a tartalomkiadásokban magában foglalja a variációk különböző közönségszegmensek számára történő bevezetését és a teljesítmény mérését, míg az egyszeri tartalomkiadások egyetlen verziót juttatnak el egyszerre mindenkihez. Minden megközelítés más célokat szolgál, az A/B tesztelés az adatvezérelt optimalizálást, míg az egyszeri kiadások a sebességet és az egyszerűséget helyezik előtérbe.
Ez a részletes összehasonlítás az adaptív intelligenciamotorok architektúrális különbségeit, működési korlátait és valós teljesítményét vizsgálja a fix viselkedésű automatizálási rendszerekkel szemben. Megvizsgáljuk, hogy az új környezeti adatokból folyamatosan tanuló rendszerek hogyan viszonyulnak a merev, kiszámítható, szabályokon alapuló keretrendszerekhez.
Az adaptív lekérések dinamikusan igazítják a rendszer által lekérdezett információk módját és típusát, míg a statikus lekérési folyamatok rögzített szabályokat követnek, a kontextustól függetlenül. Mindkettő modern mesterséges intelligencia alkalmazásokat működtet, de rugalmasságukban, költségükben és pontosságukban élesen különböznek. A választás a köztük lévő feladatok összetettségétől és a költségvetéstől függ.
