Mësimi i vetë-mbikëqyrur në teledeteksion stërvit modelet në imazhe satelitore ose ajrore të paetiketuara duke krijuar detyra preteksti, ndërsa klasifikimi i mbikëqyrur mbështetet në të dhëna të etiketuara nga njeriu për t'u mësuar modeleve se si të kategorizojnë pikselët ose skenat. Të dyja qasjet trajtojnë hartëzimin e mbulesës së tokës dhe zbulimin e objekteve, por ato ndryshojnë ndjeshëm në kërkesat e të dhënave, shkallëzueshmërinë dhe saktësinë në botën reale.
Një paradigmë trajnimi ku modelet mësojnë përfaqësime nga të dhënat e paetiketuara të vëzhgimit të Tokës duke zgjidhur detyra preteksti përpara se të bëjnë rregullime të hollësishme në aplikacionet pasuese.
Një qasje tradicionale e të mësuarit automatik ku modelet trajnohen në të dhëna të teledeteksionit të etiketuara manualisht për të caktuar kategori për pikselët, objektet ose skenat.
| Veçori | Mësim i Vetë-Mbikëqyrur në Teledeteksion | Klasifikimi i Mbikëqyrur |
|---|---|---|
| Të dhënat e etiketuara të kërkuara | Minimal deri në aspak për para-trajnim | Sete të dhënash të gjera dhe të komentuara nga ekspertët |
| Shkallëzueshmëria nëpër rajone | Të larta, transferime nëpër zona gjeografike | I kufizuar, shpesh specifik për rajonin |
| Kostoja e shënimit | I ulët, përdor arkiva të imazheve të papërpunuara | Etiketimi i lartë dhe manual është i shtrenjtë |
| Saktësia e rrjedhës së poshtme | Konkurruese me etiketa të kufizuara | Më e larta kur etiketat janë të bollshme |
| Trajnim Llogaritës | Trajnim i rëndë paraprak, rregullim i lehtë i imët | Moderate, shkallëzohet me madhësinë e të dhënave |
| Trajtimi i klasave të rralla | Më mirë, mëson përfaqësime të gjera | Më i dobët, ka nevojë për mostra të balancuara |
| Interpretueshmëria | Detyrat më të ulëta, me pretekst, janë abstrakte | Më lart, rregullat e vendimmarrjes mund të inspektohen |
| Pjekuria në Prodhim | Faza në zhvillim, kryesisht kërkimore | I pjekur, i vendosur gjerësisht në mënyrë operative |
Klasifikimi i mbikëqyrur varet nga grupe të dhënash të etiketuara me kujdes, ku çdo shembull trajnimi mbart një etiketë të së vërtetës në terren. Prodhimi i këtyre etiketave për imazhe me rezolucion të lartë shpesh kërkon ekspertizë në GIS dhe mund të kushtojë nga disa centë deri në disa dollarë për poligon. Mësimi i vetë-mbikëqyrur e përmbys këtë ekuacion duke shfrytëzuar petabajt e imazheve të disponueshme lirisht, të paetiketuara, të mbledhura nga satelitë si Sentinel-2, duke u lejuar modeleve të mësojnë karakteristika të dobishme pa asnjë shënim njerëzor gjatë fazës fillestare para-trajnimit.
Modelet e trajnuara thjesht me mbikëqyrje kanë tendencë të mbipërshtaten me karakteristikat spektrale dhe hapësinore të skenave të tyre të trajnimit, që do të thotë se një klasifikues i trajnuar në tokën bujqësore evropiane mund të pengohet kur aplikohet në pyjet tropikale. Përfaqësimet e vetë-mbikëqyrura, në të kundërt, kapin modele vizuale më të gjera nga imazhe të ndryshme, duke çuar në një transferim dukshëm më të mirë kur akordohen në një grup të vogël të etiketuar nga një rajon ose sensor i ri. Kjo i bën qasjet e vetë-mbikëqyrura veçanërisht tërheqëse për përpjekjet e hartëzimit në shkallë globale.
Në testet standarde si EuroSAT, BigEarthNet dhe IEEE GRSS Data Fusion Contest, modelet e mbikëqyrura ende kanë një avantazh të lehtë kur u jepen të dhëna të mjaftueshme trajnimi të etiketuara. Megjithatë, studimet nga viti 2022 e tutje tregojnë vazhdimisht se trajnimi paraprak i vetë-mbikëqyrur, i ndjekur nga sondimi linear ose rregullimi i imët vetëm në disa qindra etiketa, mund të përputhet ose madje të tejkalojë linjat bazë të mbikëqyrura plotësisht. Hendeku ngushtohet më tej kur etiketat janë të zhurmshme, të pabalancuara ose të kufizuara në klasa të rralla.
Trajnimi paraprak i vetë-mbikëqyrur është i kushtueshëm në aspektin llogaritës, duke kërkuar shpesh që shumë GPU të funksionojnë për ditë të tëra në miliona pjesë të imazhit. Megjithatë, pasi të jetë trajnuar paraprakisht, modeli mund të ripërdoret në shumë detyra pasuese me trajnim minimal shtesë. Tubacionet e mbikëqyrura e anashkalojnë hapin e rëndë të trajnimit paraprak, por duhet të ritrajnohen nga e para sa herë që ndryshon sensori, gjeografia ose skema e klasës, gjë që shtohet me kalimin e kohës për organizatat që menaxhojnë produkte të shumëfishta hartëzimi.
Klasifikimi i mbikëqyrur mbetet baza e teledeteksionit operacional sepse sjellja e tij kuptohet mirë, protokollet e validimit janë të standardizuara dhe kornizat rregullatore shpesh kërkojnë të dhëna trajnimi të gjurmueshme. Metodat e vetë-mbikëqyrura janë ende duke u pjekur dhe praktikuesit ndonjëherë hezitojnë t'i përdorin ato në aplikacione me rrezik të lartë si reagimi ndaj fatkeqësive ose monitorimi i shpyllëzimit pa krahasime të gjera. Megjithatë, rrjedhat hibride të punës që kombinojnë trajnimin paraprak të vetë-mbikëqyrur me rregullimin e imët të mbikëqyrur po fitojnë shpejt terren si në kërkim ashtu edhe në industri.
Mësimi i vetë-mbikëqyrur eliminon plotësisht nevojën për të dhëna të etiketuara.
Trajnimi paraprak i vetë-mbikëqyrur heq etiketat që nga faza fillestare, por detyrat pasuese ende kërkojnë të dhëna të etiketuara për rregullime të hollësishme ose vlerësim. Kursimet vijnë nga nevoja për shumë më pak etiketa, jo zero etiketa.
Klasifikimi i mbikëqyrur është i vjetëruar për shkak të metodave të vetë-mbikëqyrura.
Klasifikimi i mbikëqyrur mbetet qasja mbizotëruese në sistemet operative dhe shpesh arrin saktësinë më të lartë kur etiketat janë të bollshme. Mësimi i vetë-mbikëqyrur e plotëson atë në vend që ta zëvendësojë atë.
Modelet e vetë-mbikëqyrura gjithmonë kanë performancë më të mirë se ato të mbikëqyrura në testet e teledeteksionit.
Performanca varet nga të dhënat, sasia e të dhënave të etiketuara në dispozicion dhe detyra e rrjedhës së poshtme. Me grupe të mëdha të etiketuara, modelet e mbikëqyrura mund të përputhen ose të tejkalojnë ende linjat bazë të vetë-mbikëqyrura.
Më shumë të dhëna të paetiketuara përmirësojnë gjithmonë modelet e vetë-mbikëqyrura.
Cilësia dhe diversiteti kanë më shumë rëndësi sesa vëllimi i papërpunuar. Modelet e vetë-mbikëqyrura mund të ngecin ose edhe të degradojnë kur u ushqehen imazhe të tepërta ose me cilësi të ulët pa larmi të mjaftueshme në stinë, sensorë ose zona gjeografike.
Klasifikuesit e mbikëqyrur nuk mund të përgjithësojnë përtej rajonit të tyre të trajnimit.
Me një dizajn të kujdesshëm, përshtatje të domenit dhe mostra të larmishme trajnimi, klasifikuesit e mbikëqyrur mund të përgjithësohen në të gjitha rajonet. Kufizimi është real, por jo absolut, dhe teknikat e të mësuarit të transferimit ndihmojnë në mbylljen e hendekut.
Zgjidhni klasifikimin e mbikëqyrur kur keni të dhëna të bollshme dhe me cilësi të lartë të etiketuara dhe keni nevojë për një model të pjekur dhe të interpretueshëm për një rajon ose sensor të përcaktuar mirë. Zgjidhni të mësuarit me vetë-mbikëqyrje kur etiketat janë të pakta, të shtrenjta ose të kufizuara gjeografikisht, dhe dëshironi një model themelor fleksibël që mund të përshtatet me shumë detyra në rrjedhën e poshtme me përpjekje minimale për shënime.
Agregimi i preferencave kombinon preferenca të shumta individuale në vendime kolektive, ndërsa modelimi i parashikimit individual parashikon sjelljen personale duke përdorur të mësuarit automatik në të dhënat e një përdoruesi të vetëm. Të dyja shërbejnë për qëllime të dallueshme në sistemet e inteligjencës artificiale, nga motorët e rekomandimeve deri te platformat demokratike të votimit.
Ky krahasim arkitektonik vë në kontrast inxhinierinë deterministe të Agjentëve të Bazuar në Rregulla me natyrën adaptive të të dhënave të Agjentëve të Bazuar në Mësim, duke vlerësuar zbatueshmërinë e tyre në botën reale, kufijtë e shkallëzimit dhe performancën në kushte pasigurie.
Ky udhëzues i detajuar shqyrton ndryshimet strukturore dhe operacionale midis agjentëve autonomë dhe sistemeve të automatizimit të skriptuar. Ndërsa mjetet e skriptuara ofrojnë parashikueshmëri të pakrahasueshme për rrjedha pune të ngurta dhe përsëritëse, agjentët inteligjentë modernë shfrytëzojnë arsyetimin kognitiv për të lundruar në mënyrë të pavarur në të dhëna të ndryshueshme, pengesa teknike të papritura dhe peizazhe të dhënash shumë komplekse dhe të pastrukturuara.
Agjentët autonomë të IA-së veprojnë në mënyrë të pavarur duke planifikuar, arsyetuar dhe ekzekutuar detyra shumë-hapëshe me ndërhyrje minimale njerëzore, ndërsa sistemet e IA-së të bazuara në shpejtësi u përgjigjen udhëzimeve individuale të përdoruesit, një ndërveprim në të njëjtën kohë. Dallimi kryesor qëndron në agjenci: agjentët ndjekin qëllimet nëpër seanca, ndërsa sistemet e shpejtësisë presin për drejtim.
Agjentët bisedorë përqendrohen në dialogun natyror dhe ndërveprimet e bazuara në tekst, ndërsa agjentët që përdorin mjete zgjerojnë aftësitë e IA-së duke thirrur funksione dhe API të jashtme. Të dy përfaqësojnë qasje të dallueshme ndaj sistemeve autonome të IA-së, me modelet bisedore që shkëlqejnë në komunikim dhe agjentët që përdorin mjete të specializuar në ekzekutimin e detyrave në botën reale.
