Pašvadīta mācīšanās tālizpētē apmāca modeļus, izmantojot nemarķētus satelīta vai aerofotoattēlus, radot iegansta uzdevumus, savukārt uzraudzītā klasifikācija balstās uz cilvēka marķētiem datiem, lai iemācītu modeļiem kategorizēt pikseļus vai ainas. Abas pieejas aptver zemes seguma kartēšanu un objektu noteikšanu, taču tās ievērojami atšķiras datu prasību, mērogojamības un reālās pasaules precizitātes ziņā.
Apmācības paradigma, kurā modeļi apgūst attēlojumus no nemarķētiem Zemes novērojumu datiem, risinot iegansta uzdevumus pirms precīzas pielāgošanas lejupējās lietojumprogrammās.
Tradicionāla mašīnmācīšanās pieeja, kurā modeļi tiek apmācīti ar manuāli marķētiem tālizpētes datiem, lai piešķirtu kategorijas pikseļiem, objektiem vai ainām.
| Funkcija | Pašvadīta mācīšanās tālizpētē | Uzraudzīta klasifikācija |
|---|---|---|
| Nepieciešamie marķētie dati | Minimāls vai nekāds pirmsapmācības laikā | Plaši, ekspertu anotēti datu kopumi |
| Mērogojamība dažādos reģionos | Augsts, pārskaitījumi starp ģeogrāfiskām vietām | Ierobežota, bieži vien reģionam specifiska |
| Anotācijas izmaksas | Zems, izmanto neapstrādātu attēlu arhīvus | Augsta, manuāla marķēšana ir dārga |
| Lejupvērsta precizitāte | Konkurence ar ierobežota apjoma etiķetēm | Visaugstākais, ja etiķešu ir daudz |
| Apmācības skaitļošana | Spēcīga iepriekšēja apmācība, viegla precizēšana | Vidējs, mērogojas atbilstoši datu kopas lielumam |
| Retu klašu apstrāde | Labāk, apgūst plašas reprezentācijas | Vājāka, nepieciešami līdzsvaroti paraugi |
| Interpretējamība | Zemāki, iegansta uzdevumi ir abstrakti | Augstāka līmeņa lēmumu noteikumus var pārbaudīt |
| Ražošanas briedums | Jauna, galvenokārt pētniecības stadija | Nobriedis, plaši izvietots operācijā |
Uzraudzīta klasifikācija ir atkarīga no rūpīgi marķētām datu kopām, kur katram apmācības piemēram ir pievienota patiesības atzīme (ground-truth tag). Šo atzīmju izveide augstas izšķirtspējas attēliem bieži vien prasa ĢIS zināšanas un var izmaksāt no dažiem centiem līdz vairākiem dolāriem par poligonu. Pašuzraudzīta mācīšanās apgriež šo vienādojumu otrādi, izmantojot brīvi pieejamus, nemarķētus attēlus, ko savākuši tādi satelīti kā Sentinel-2, ļaujot modeļiem apgūt noderīgas funkcijas bez jebkādas cilvēka anotācijas sākotnējā pirmsapmācības fāzē.
Modeļi, kas apmācīti tikai ar uzraudzību, mēdz pārāk labi pielāgoties savu apmācības ainu spektrālajām un telpiskajām īpašībām, kas nozīmē, ka klasifikators, kas apmācīts Eiropas lauksaimniecības zemēs, var rasties problēmas, ja to piemēro tropu mežiem. Turpretī pašuzraudzītas reprezentācijas uztver plašākus vizuālos modeļus no dažādiem attēliem, kas nodrošina ievērojami labāku pārnesi, ja to precīzi pielāgo nelielam marķētam kopumam no jauna reģiona vai sensora. Tas padara pašuzraudzītas pieejas īpaši pievilcīgas globāla mēroga kartēšanas centieniem.
Standarta etalonos, piemēram, EuroSAT, BigEarthNet un IEEE GRSS datu sapludināšanas konkursā, uzraudzītajiem modeļiem joprojām ir neliela priekšrocība, ja tiem tiek sniegts pietiekami daudz marķētu apmācības datu. Tomēr pētījumi, kas veikti no 2022. gada, konsekventi liecina, ka pašuzraudzīta iepriekšēja apmācība, kam seko lineāra zondēšana vai precizēšana tikai dažiem simtiem etiķešu, var sasniegt vai pat pārsniegt pilnībā uzraudzītās bāzes līnijas. Atšķirība vēl vairāk samazinās, ja etiķetes ir trokšņainas, nelīdzsvarotas vai aprobežojas ar retām klasēm.
Pašuzraudzīta iepriekšēja apmācība ir skaitļošanas ziņā dārga, bieži vien prasot vairākus GPU, kas vairākas dienas darbojas ar miljoniem attēlu ielāpu. Tomēr pēc iepriekšējas apmācības modeli var atkārtoti izmantot daudziem lejupējiem uzdevumiem ar minimālu papildu apmācību. Uzraudzīti cauruļvadi izlaiž smago iepriekšējas apmācības soli, bet tie ir jāapmāca no jauna ikreiz, kad mainās sensors, ģeogrāfija vai klases shēma, kas laika gaitā summējas organizācijām, kuras pārvalda vairākus kartēšanas produktus.
Uzraudzīta klasifikācija joprojām ir operatīvās tālizpētes darba zirgs, jo tās uzvedība ir labi izprasta, validācijas protokoli ir standartizēti un normatīvie akti bieži vien prasa izsekojamus apmācības datus. Pašuzraudzītas metodes joprojām attīstās, un praktiķi dažreiz vilcinās tās ieviest tādos augstas riska lietojumos kā katastrofu seku likvidēšana vai mežu izciršanas uzraudzība bez plašas salīdzinošās novērtēšanas. Tomēr hibrīdas darbplūsmas, kas apvieno pašaprūpētu iepriekšēju apmācību ar uzraudzītu precizēšanu, strauji iegūst popularitāti gan pētniecībā, gan rūpniecībā.
Pašpārraudzīta mācīšanās pilnībā novērš nepieciešamību pēc marķētiem datiem.
Pašuzraudzīta iepriekšēja apmācība noņem etiķetes no sākotnējā posma, bet pakārtotajiem uzdevumiem joprojām ir nepieciešami etiķetes dati precīzai pielāgošanai vai novērtēšanai. Ietaupījumi rodas no tā, ka ir nepieciešams daudz mazāk etiķešu, nevis nulle etiķešu.
Uzraudzīta klasifikācija ir novecojusi pašpārraudzītu metožu dēļ.
Uzraudzīta klasifikācija joprojām ir dominējošā pieeja operētājsistēmās un bieži vien sasniedz visaugstāko precizitāti, ja ir daudz etiķešu. Pašuzraudzīta mācīšanās to papildina, nevis aizstāj.
Pašuzraudzīti modeļi tālizpētes etalonos vienmēr pārspēj uzraudzītos modeļus.
Veiktspēja ir atkarīga no datu kopas, pieejamo marķēto datu apjoma un pakārtotā uzdevuma. Ar lieliem marķētiem datiem uzraudzītie modeļi joprojām var atbilst vai pārspēt pašuzraudzītas bāzes līnijas.
Vairāk nemarķētu datu vienmēr uzlabo pašuzraudzītus modeļus.
Kvalitāte un daudzveidība ir svarīgākas par neapstrādātu apjomu. Pašuzraudzīti modeļi var stagnēt vai pat pasliktināties, ja tiem tiek piegādāti lieki vai zemas kvalitātes attēli bez pietiekamas dažādības gadalaikos, sensoros vai ģeogrāfiskajos apgabalos.
Uzraudzīti klasifikatori nevar vispārināt ārpus sava apmācības reģiona.
Ar rūpīgu izstrādi, domēnu pielāgošanu un dažādiem apmācības paraugiem uzraudzītie klasifikatori var vispārināt dažādos reģionos. Ierobežojums ir reāls, bet ne absolūts, un pārneses mācīšanās metodes palīdz novērst šo plaisu.
Izvēlieties uzraudzītu klasifikāciju, ja jums ir daudz, augstas kvalitātes marķētu datu un ir nepieciešams nobriedis, interpretējams modelis precīzi definētam reģionam vai sensoram. Izvēlieties pašvadītu mācīšanos, ja marķētās vērtības ir ierobežotas, dārgas vai ģeogrāfiski ierobežotas, un vēlaties elastīgu pamatmodeli, kas var pielāgoties daudziem lejupējiem uzdevumiem ar minimālu anotācijas piepūli.
A/B testēšana modeļu apkalpošanā novirza trafiku starp konkurējošām modeļu versijām, lai novērtētu reālo veiktspēju, savukārt viena modeļa ieviešana visiem lietotājiem nosūta vienu modeli. Komandas izvēlas starp tiem, pamatojoties uz riska toleranci, trafika apjomu un statistiskās validācijas nepieciešamību pirms pilnīgas ieviešanas.
A/B testēšana satura izlaidumos ietver variāciju ieviešanu dažādiem auditorijas segmentiem un veiktspējas mērīšanu, savukārt vienreizēji satura izlaidumi vienlaikus nodrošina vienu versiju visiem lietotājiem. Katra pieeja atbilst dažādiem mērķiem, A/B testēšanai dodot priekšroku uz datiem balstītai optimizācijai, bet vienreizējiem izlaidumiem prioritāte ir ātrums un vienkāršība.
Adaptīvā izguve dinamiski pielāgo, kā un kādu informāciju sistēma izgūst, pamatojoties uz vaicājumu, savukārt statiskās izguves cauruļvadi ievēro fiksētus noteikumus neatkarīgi no konteksta. Abas nodrošina modernas mākslīgā intelekta lietojumprogrammas, taču tās ievērojami atšķiras pēc elastības, izmaksām un precizitātes. Izvēle starp tām ir atkarīga no darba slodzes sarežģītības un budžeta.
Šajā detalizētajā salīdzinājumā tiek pētītas adaptīvo intelekta dzinēju arhitektūras atšķirības, darbības ierobežojumi un reālā veiktspēja salīdzinājumā ar fiksētas uzvedības automatizācijas sistēmām. Mēs aplūkojam, kā sistēmas, kas nepārtraukti mācās no jauniem vides datiem, atbilst stingrām, paredzamām, uz noteikumiem balstītām sistēmām.
Aģentu apmācība vidēs ietver mācīšanos, izmantojot reāllaika mijiedarbību ar simulētu vai fizisku vidi, savukārt bezsaistes datu kopu apmācība balstās uz iepriekš apkopotiem datiem bez papildu piekļuves videi. Abas pieejas apmāca mašīnmācīšanās modeļus, taču būtiski atšķiras tas, kā aģenti apkopo pieredzi un uzlabo veiktspēju.
