การเรียนรู้การแสดงผลสำหรับข้อมูลดาวเทียมใช้โครงข่ายประสาทเทียมเพื่อค้นหารูปแบบที่มีประโยชน์จากภาพดิบโดยอัตโนมัติ ในขณะที่การสร้างคุณลักษณะด้วยมืออาศัยตัวบ่งชี้ที่มนุษย์ออกแบบ เช่น ดัชนีสเปกตรัมและการวัดพื้นผิว ทั้งสองแนวทางนี้ใช้แก้ปัญหาการสังเกตการณ์โลก แต่มีความแตกต่างกันอย่างมากในด้านความสามารถในการปรับขนาด ความสามารถในการปรับตัว และความเชี่ยวชาญที่จำเป็นในการใช้งานอย่างมีประสิทธิภาพ
วิธีการเรียนรู้เชิงลึกที่ใช้โครงข่ายประสาทเทียมในการเรียนรู้คุณลักษณะที่มีความหมายโดยอัตโนมัติจากภาพถ่ายดาวเทียมดิบหรือที่ผ่านการประมวลผลน้อยที่สุด
วิธีการแบบดั้งเดิมที่ผู้เชี่ยวชาญเฉพาะด้านออกแบบตัวบ่งชี้ทางคณิตศาสตร์ด้วยตนเองเพื่อดึงข้อมูลที่มีความหมายจากภาพถ่ายดาวเทียม
| ฟีเจอร์ | การเรียนรู้การแสดงผลสำหรับข้อมูลดาวเทียม | วิศวกรรมคุณสมบัติที่ประดิษฐ์ขึ้นด้วยมือ |
|---|---|---|
| การออกแบบคุณสมบัติ | อัตโนมัติผ่านการฝึกเครือข่ายประสาทเทียม | คู่มือโดยผู้เชี่ยวชาญเฉพาะด้าน |
| ข้อกำหนดด้านข้อมูล | ชุดข้อมูลขนาดใหญ่ที่มีป้ายกำกับหรือไม่มีป้ายกำกับ | ชุดข้อมูลขนาดเล็กที่คัดสรรมาอย่างพิถีพิถัน |
| ความสามารถในการตีความ | มักไม่ชัดเจน ต้องใช้เครื่องมือช่วยอธิบาย | โปร่งใสและมีความหมายในเชิงกายภาพ |
| ต้นทุนการคำนวณ | มีค่าสูงในช่วงฝึกฝน และมีค่าต่ำในช่วงการอนุมาน | โดยรวมแล้วสเปคต่ำ ทำงานได้บนฮาร์ดแวร์ระดับกลาง |
| ความสามารถในการปรับตัว | สามารถใช้งานได้กับเซ็นเซอร์และภูมิประเทศหลากหลายประเภท | จำเป็นต้องออกแบบใหม่เพื่อรองรับงานหรือภูมิภาคใหม่ |
| จำเป็นต้องมีผู้เชี่ยวชาญ | การเรียนรู้ของเครื่องจักรและการเขียนโปรแกรม | วิทยาศาสตร์การสำรวจระยะไกลและการประมวลผลสัญญาณ |
| ประสิทธิภาพบนข้อมูลขนาดใหญ่ | ปรับขนาดตามขนาดของชุดข้อมูล | ที่ราบสูงหรือพื้นที่เสื่อมโทรมที่มีลักษณะมากเกินไป |
| ความพร้อมในการปรับใช้ | เจริญเติบโตอย่างรวดเร็ว ใช้ในการวิจัยและโครงการนำร่อง | ใช้งานจริงทั่วโลกมานานหลายทศวรรษ |
การเรียนรู้แบบตัวแทน (Representation learning) สร้างคุณลักษณะผ่านการปรับให้เหมาะสม เครือข่ายประสาทเทียมปรับน้ำหนักภายในนับล้านขณะประมวลผลภาพ ค่อยๆ เข้ารหัสขอบ พื้นผิว รูปร่าง และในที่สุดก็แนวคิดระดับฉาก การสร้างคุณลักษณะด้วยมือ (Handcrafted feature engineering) ทำงานในทางตรงกันข้าม นักวิทยาศาสตร์ตัดสินใจล่วงหน้าว่าอะไรสำคัญ จากนั้นจึงเขียนสูตร NDVI แสดงถึงสุขภาพของพืชเนื่องจากคลอโรฟิลล์สะท้อนแสงอินฟราเรดใกล้ได้ดี และความเข้าใจเชิงฟิสิกส์นั้นถูกฝังอยู่ในดัชนีก่อนที่จะมีการแสดงข้อมูลใดๆ
โมเดลเชิงลึกทำงานได้ดีกับข้อมูลปริมาณมาก ดาวเทียม Sentinel-2 เพียงอย่างเดียวสร้างภาพประมาณ 1.6 TB ต่อวัน และการเรียนรู้การแสดงผลสามารถรองรับข้อมูลจำนวนมหาศาลนี้เพื่อปรับปรุงความแม่นยำ ในทางตรงกันข้าม กระบวนการสร้างข้อมูลด้วยมือมักทำงานได้ดีกับตัวอย่างที่มีการติดป้ายกำกับเพียงไม่กี่พันตัวอย่าง เนื่องจากคุณลักษณะเหล่านั้นมีความหมายทางกายภาพอยู่แล้ว ข้อแลกเปลี่ยนคือฮาร์ดแวร์ การฝึกโมเดลพื้นฐานจากดาวเทียมสมัยใหม่ต้องใช้ GPU หลายสิบตัวเป็นเวลาหลายสัปดาห์ ในขณะที่ Random Forest บนดัชนีที่สร้างด้วยมือสามารถฝึกฝนได้ในเวลาเพียงไม่กี่วินาทีบนแล็ปท็อป
เมื่อคุณลักษณะที่สร้างขึ้นด้วยมือทำงาน นักวิทยาศาสตร์มักจะรู้สาเหตุที่แท้จริง การลดลงของค่า NDVI บ่งชี้ถึงความเครียดของพืช และความเชื่อมโยงนี้กับคุณสมบัติของใบไม้ได้รับการบันทึกไว้อย่างดีแล้ว อย่างไรก็ตาม การตีความการแสดงผลทางประสาทนั้นยากกว่า แม้ว่าเครื่องมือต่างๆ เช่น Grad-CAM, attention rollout และการแสดงภาพคุณลักษณะ จะช่วยให้เห็นภาพบางส่วนของสิ่งที่แบบจำลองมองเห็นได้ก็ตาม ในด้านที่มีการควบคุม เช่น การรับมือกับภัยพิบัติหรือการรายงานสภาพภูมิอากาศ ช่องว่างในการตีความนี้ยังคงมีความสำคัญและทำให้วิธีการที่สร้างขึ้นด้วยมือยังคงถูกนำมาใช้อย่างต่อเนื่อง
โมเดลที่ฝึกฝนล่วงหน้าบนดาวเทียม Sentinel-2 มักจะสามารถปรับแต่งเพิ่มเติมสำหรับดาวเทียม Landsat-8 หรือ PlanetScope ได้โดยใช้ข้อมูลใหม่เพียงเล็กน้อย เนื่องจากเครือข่ายได้เรียนรู้ข้อมูลพื้นฐานด้านภาพทั่วไปแล้ว คุณลักษณะที่สร้างขึ้นด้วยมือบางครั้งอาจถ่ายโอนได้ไม่ดีนัก: ดัชนีที่ปรับแต่งสำหรับโครงสร้างแถบคลื่นของเซ็นเซอร์หนึ่งอาจทำงานแตกต่างกันในอีกเซ็นเซอร์หนึ่ง ในทางกลับกัน คุณลักษณะที่สร้างขึ้นด้วยมือสามารถปรับตัวได้อย่างรวดเร็วกับงานเฉพาะทาง เช่น การทำแผนที่แร่ธาตุ ซึ่งอัตราส่วนสเปกตรัมตามหลักฟิสิกส์มีประสิทธิภาพเหนือกว่าการฝังข้อมูลทั่วไปที่เรียนรู้จากภาพธรรมชาติ
ระบบการผลิตจำนวนมากยังคงผสมผสานทั้งสองโลกเข้าด้วยกัน แอปพลิเคชัน Sentinel ของ ESA, Cropland Data Layer ของ USDA และการสำรวจป่าไม้ระดับชาติหลายแห่งใช้ดัชนีที่สร้างขึ้นด้วยมือเป็นข้อมูลป้อนเข้าสำหรับตัวจำแนกแบบดั้งเดิม เนื่องจากกระบวนการทำงานตรวจสอบได้และบำรุงรักษาง่าย ในขณะเดียวกัน สตาร์ทอัพและกลุ่มวิจัยต่าง ๆ ก็ใช้การแสดงผลแบบเรียนรู้มากขึ้นเรื่อย ๆ สำหรับงานที่ความแม่นยำที่เพิ่มขึ้นนั้นคุ้มค่ากับความซับซ้อน เช่น การประเมินความเสียหายของอาคารหลังแผ่นดินไหว หรือการทำแผนที่ประเภทพืชผลอย่างละเอียด
การเรียนรู้โดยใช้การแสดงผลแทนข้อมูลนั้นมีประสิทธิภาพเหนือกว่าการสร้างฟีเจอร์ด้วยมือในงานที่เกี่ยวข้องกับดาวเทียมเสมอ
ไม่เสมอไป ในชุดข้อมูลขนาดเล็กหรืองานที่มีพื้นฐานทางกายภาพที่แข็งแกร่ง ดัชนีที่สร้างขึ้นด้วยมือซึ่งป้อนข้อมูลให้กับ Random Forest อาจเทียบเท่าหรือเหนือกว่าโมเดลเชิงลึกได้ การเรียนรู้การแสดงผลจะแสดงประสิทธิภาพได้ดีที่สุดเมื่อมีข้อมูลฝึกฝนจำนวนมากและงานนั้นเกี่ยวข้องกับรูปแบบที่ละเอียดอ่อนและมีมิติสูง
คุณสมบัติที่ทำด้วยมือล้าสมัยไปแล้วในเทคโนโลยีการสำรวจระยะไกลสมัยใหม่
ไม่เลย ระบบการทำงานในหน่วยงานต่างๆ เช่น NASA Harvest, ESA World Cover และ USDA ยังคงพึ่งพาค่าดัชนีสเปกตรัมและการวัดพื้นผิวเป็นอย่างมาก เนื่องจากสามารถตรวจสอบได้ มีความเสถียร และตรวจสอบความถูกต้องกับข้อมูลจริงได้ง่าย
แบบจำลองการเรียนรู้เชิงลึกสำหรับข้อมูลดาวเทียมเข้าใจความหมายเชิงกายภาพ
พวกมันเรียนรู้รูปแบบทางสถิติ ไม่ใช่หลักฟิสิกส์ เครือข่ายอาจเชื่อมโยงลักษณะสเปกตรัมบางอย่างกับน้ำ แต่ไม่รู้ว่าทำไมน้ำจึงดูดซับแสงอินฟราเรดใกล้ ดัชนีที่สร้างขึ้นด้วยมือจะเข้ารหัสความรู้ทางฟิสิกส์นั้นโดยตรง
การเพิ่มฟีเจอร์ต่างๆ จะช่วยเพิ่มความแม่นยำในการจำแนกประเภทเสมอ
เมื่อถึงจุดหนึ่ง การเพิ่มคุณลักษณะที่ซ้ำซ้อนหรือก่อกวนจะส่งผลเสียต่อประสิทธิภาพ ซึ่งเป็นปรากฏการณ์ที่เรียกว่า คำสาปแห่งมิติ กระบวนการประมวลผลที่สร้างขึ้นด้วยมือต้องเลือกคุณลักษณะอย่างระมัดระวัง ในขณะที่การเรียนรู้การแสดงผลจะหลีกเลี่ยงปัญหานี้โดยการเรียนรู้เฉพาะสิ่งที่เป็นประโยชน์เท่านั้น
โมเดลพื้นฐานดาวเทียมที่ผ่านการฝึกฝนล่วงหน้าสามารถใช้งานได้ทันทีสำหรับทุกงาน
พวกเขายังคงต้องการการปรับแต่งเพิ่มเติมโดยใช้ข้อมูลที่มีการติดป้ายกำกับเฉพาะงาน เพื่อให้ได้ประสิทธิภาพสูงสุด ผลลัพธ์จากการทดสอบแบบ Zero-shot ดีขึ้น แต่โดยทั่วไปแล้วจะยังล้าหลังผลลัพธ์พื้นฐานที่ปรับแต่งแล้วอยู่หลายจุดความแม่นยำ
เลือกการเรียนรู้การแสดงผลเมื่อคุณมีข้อมูลจำนวนมาก ทรัพยากร GPU และงานที่ความแม่นยำทุกเปอร์เซ็นต์มีความสำคัญ เช่น การทำแผนที่การปกคลุมของพื้นที่ขนาดใหญ่หรือแผนที่ภัยพิบัติ เลือกการสร้างคุณลักษณะด้วยมือเมื่อความสามารถในการตีความ ข้อมูลการฝึกอบรมที่จำกัด หรือความเรียบง่ายในการคำนวณเป็นสิ่งสำคัญ หรือเมื่อต้องรักษาความหมายทางกายภาพไว้สำหรับการรายงานทางวิทยาศาสตร์
AI slop หมายถึงเนื้อหา AI ที่ผลิตออกมาจำนวนมากโดยใช้ความพยายามน้อยและขาดการกำกับดูแล ในขณะที่งาน AI ที่มีมนุษย์ควบคุมนั้นเป็นการผสมผสานปัญญาประดิษฐ์เข้ากับการตัดต่อ การกำกับ และการตัดสินใจเชิงสร้างสรรค์อย่างรอบคอบ ความแตกต่างมักอยู่ที่คุณภาพ ความคิดริเริ่ม ประโยชน์ใช้สอย และว่ามีบุคคลจริงเข้ามามีส่วนร่วมในการกำหนดผลลัพธ์สุดท้ายหรือไม่
AI ที่มีมนุษย์เข้ามาเกี่ยวข้อง (Human-in-the-Loop AI) ผสานประสิทธิภาพของเครื่องจักรเข้ากับการตัดสินใจของมนุษย์ในจุดสำคัญ ในขณะที่ระบบ AI อัตโนมัติเต็มรูปแบบ (Fully Automated AI Systems) ทำงานอย่างอิสระตั้งแต่ต้นจนจบ แต่ละแนวทางมีข้อดีข้อเสียที่แตกต่างกันในด้านความแม่นยำ ความสามารถในการขยายขนาด ต้นทุน และความรับผิดชอบ ซึ่งเป็นตัวกำหนดว่าแนวทางใดเหมาะสมกับกรณีการใช้งานนั้นๆ
การเปรียบเทียบทางสถาปัตยกรรมนี้เน้นให้เห็นถึงความแตกต่างหลักระหว่างระบบ AI ที่รับรู้บริบท ซึ่งวิเคราะห์ข้อมูลสถานการณ์แบบไดนามิก เช่น ความตั้งใจของผู้ใช้ ประวัติ และสภาพแวดล้อม กับระบบที่ไม่รับรู้บริบท ซึ่งประมวลผลข้อมูลนำเข้าเป็นเหตุการณ์แยกต่างหากโดยอาศัยกฎที่กำหนดไว้ล่วงหน้าเท่านั้น
AI ที่เสริมด้วยการค้นหาจะดึงข้อมูลแบบเรียลไทม์จากแหล่งข้อมูลภายนอกในขณะที่ทำการค้นหา ในขณะที่การฝึกฝนโดยใช้ชุดข้อมูลเพียงอย่างเดียวจะอาศัยความรู้ที่ฝังอยู่ในน้ำหนักของโมเดลระหว่างการฝึกฝนเท่านั้น แต่ละแนวทางมีข้อดีข้อเสียที่แตกต่างกันในด้านความแม่นยำ ต้นทุน ความทันสมัย และความสามารถในการจัดการกับคำถามที่อยู่นอกขอบเขตการฝึกฝนดั้งเดิม
ระบบ AI แบบกระจายศูนย์จะกระจายสติปัญญา ข้อมูล และการคำนวณไปยังโหนดอิสระต่างๆ โดยมักให้ความสำคัญกับความเปิดกว้างและการควบคุมของผู้ใช้ ในขณะที่ระบบ AI ขององค์กรนั้นได้รับการจัดการจากส่วนกลางโดยบริษัทต่างๆ โดยมุ่งเน้นที่ประสิทธิภาพ ผลกำไร และการบูรณาการผลิตภัณฑ์ ทั้งสองแนวทางนี้มีส่วนกำหนดวิธีการสร้าง การกำกับดูแล และการเข้าถึง AI แต่มีความแตกต่างกันอย่างมากในด้านความโปร่งใส การเป็นเจ้าของ และการควบคุม
