Uydu verileri için temsil öğrenimi, ham görüntülerden yararlı kalıpları otomatik olarak keşfetmek için sinir ağlarını kullanırken, el yapımı özellik mühendisliği, spektral indeksler ve doku ölçüleri gibi insan tarafından tasarlanmış tanımlayıcılara dayanır. Her iki yaklaşım da Dünya gözlem görevlerini ele alır, ancak ölçeklenebilirlik, uyarlanabilirlik ve etkili bir şekilde uygulanmaları için gereken uzmanlık açısından önemli ölçüde farklılık gösterirler.
Sinir ağlarının ham veya minimum düzeyde işlenmiş uydu görüntülerinden anlamlı özellikleri otomatik olarak öğrendiği derin öğrenme yaklaşımı.
Geleneksel bir yaklaşım olup, alan uzmanları uydu görüntülerinden anlamlı bilgiler çıkarmak için matematiksel tanımlayıcıları manuel olarak tasarlarlar.
| Özellik | Uydu Verileri için Temsil Öğrenimi | El Yapımı Özellik Mühendisliği |
|---|---|---|
| Özellik Tasarımı | Sinir ağı eğitimi yoluyla otomatikleştirme | Alanında uzmanlar tarafından hazırlanan kılavuz |
| Veri Gereksinimleri | Büyük etiketli veya etiketsiz veri kümeleri | Daha küçük, özenle seçilmiş veri kümeleri |
| Yorumlanabilirlik | Genellikle anlaşılması güçtür, açıklanabilirlik araçları gerektirir. | Şeffaf ve fiziksel olarak anlamlı |
| Hesaplama Maliyeti | Eğitim sırasında yüksek, çıkarım aşamasında düşük. | Genel olarak düşük performans, mütevazı donanımlarda çalışır. |
| Uyarlanabilirlik | Sensörler ve coğrafyalar genelinde genelleme yapar. | Yeni görevler veya bölgeler için yeniden tasarıma ihtiyaç duyuyor. |
| Uzmanlık Gereklidir | Makine öğrenimi ve programlama | Uzaktan algılama bilimi ve sinyal işleme |
| Büyük Veri Üzerindeki Performans | Veri kümesinin boyutuna göre ölçeklenir. | Çok fazla özelliğe sahip platolar veya bozulmalar. |
| Dağıtım Olgunluğu | Hızla olgunlaşan, araştırma ve pilot uygulamalarda kullanılan bir teknoloji. | Dünya çapında onlarca yıllık operasyonel kullanım |
Temsil öğrenimi, optimizasyon yoluyla özellikler oluşturur. Bir sinir ağı, görüntüleri işlerken milyonlarca dahili ağırlığı ayarlar ve kademeli olarak kenarları, dokuları, şekilleri ve sonunda sahne düzeyindeki kavramları kodlar. El yapımı özellik mühendisliği ise tam tersi şekilde çalışır: bir bilim insanı önceden neyin önemli olduğuna karar verir, ardından formülü yazar. NDVI, klorofilin yakın kızılötesi ışığı güçlü bir şekilde yansıtması nedeniyle bitki sağlığını yakalar ve bu fiziksel bilgi, herhangi bir veri görülmeden önce endekse dahil edilir.
Derin öğrenme modelleri hacimli verilerle çalışır. Yalnızca Sentinel-2 bile günlük yaklaşık 1,6 TB görüntü üretir ve temsil öğrenimi, doğruluğu artırmak için bu veri akışını işleyebilir. Buna karşılık, elle oluşturulmuş işlem hatları genellikle birkaç bin etiketli örnekle iyi çalışır çünkü özellikler zaten fiziksel bir anlam taşır. Dezavantajı donanımdır: Modern bir uydu temel modelinin eğitilmesi haftalarca düzinelerce GPU gerektirebilirken, elle oluşturulmuş indeksler üzerinde çalışan bir Rastgele Orman modeli bir dizüstü bilgisayarda saniyeler içinde eğitilebilir.
El yapımı bir özellik tetiklendiğinde, bilim insanları genellikle bunun nedenini tam olarak bilirler. NDVI düşüşü bitki örtüsü stresini işaret eder ve yaprak optiğiyle olan bu bağlantı iyi belgelenmiştir. Sinirsel temsilleri okumak daha zordur, ancak Grad-CAM, dikkat dağılımı ve özellik görselleştirme gibi araçlar artık modelin gördüklerine dair kısmi pencereler sunmaktadır. Afet müdahalesi veya iklim raporlaması gibi düzenlenmiş alanlarda, bu yorumlanabilirlik açığı hala önemlidir ve el yapımı yöntemlerin aktif olarak kullanılmasını sağlar.
Sentinel-2 üzerinde önceden eğitilmiş bir model, ağ genel görsel ön bilgileri öğrendiği için, nispeten az yeni veriyle Landsat-8 veya PlanetScope için ince ayar yapılabilir. Elle oluşturulmuş özellikler bazen kötü sonuç verir: bir sensörün bant konfigürasyonu için ayarlanmış bir indeks, başka bir sensörde farklı davranabilir. Öte yandan, elle oluşturulmuş özellikler, fizik tabanlı spektral oranların doğal görüntüler üzerinde eğitilmiş genel öğrenilmiş gömme yöntemlerinden daha iyi performans gösterdiği mineral haritalama gibi niş görevlere hızla uyum sağlar.
Birçok üretim sistemi hala bu iki dünyayı bir araya getiriyor. ESA'nın Sentinel uygulamaları, USDA'nın Tarım Arazisi Veri Katmanı ve çeşitli ulusal orman envanterleri, denetlenebilir ve bakımı kolay olduğu için klasik sınıflandırıcılara girdi olarak el yapımı endeksler kullanıyor. Bu arada, yeni kurulan şirketler ve araştırma grupları, depremlerden sonra bina hasarı değerlendirmesi veya ayrıntılı ürün türü haritalaması gibi doğruluk kazanımlarının karmaşıklığı haklı çıkardığı görevler için giderek daha fazla öğrenilmiş temsiller kullanıyor.
Temsil öğrenimi, uydu görevlerinde her zaman el yapımı özelliklerden daha iyi sonuç verir.
Her zaman değil. Küçük veri kümelerinde veya güçlü fiziksel ön bilgilere sahip görevlerde, Rastgele Orman algoritmasına beslenen el yapımı indeksler, derin öğrenme modelleriyle eşleşebilir veya onları aşabilir. Öğrenilen temsiller, eğitim verisi bol olduğunda ve görev ince, yüksek boyutlu desenler içerdiğinde en iyi performansı gösterir.
El işçiliği gerektiren özellikler, modern uzaktan algılama teknolojisinde artık geçerliliğini yitirmiştir.
Tam aksine. NASA Harvest, ESA World Cover ve USDA gibi kurumlardaki operasyonel sistemler, denetlenebilir, istikrarlı ve gerçek verilerle doğrulanması kolay oldukları için hâlâ büyük ölçüde spektral indekslere ve doku ölçümlerine dayanmaktadır.
Uydu verileri için derin öğrenme modelleri fiziksel anlamı kavrayabiliyor.
Fizik değil, istatistiksel kalıpları öğrenirler. Bir ağ, belirli bir spektral imzayı suyla ilişkilendirebilir, ancak suyun neden yakın kızılötesi ışığı emdiğini bilmez. El yapımı indeksler bu fiziksel bilgiyi doğrudan kodlar.
Daha fazla özellik, sınıflandırma doğruluğunu her zaman artırır.
Belli bir noktadan sonra, gereksiz veya gürültülü özellikler eklemek performansı düşürür; bu olgu boyutluluk laneti olarak bilinir. El yapımı işlem hatları özellikleri dikkatlice seçmelidir, oysa temsil öğrenimi yalnızca yararlı olanı öğrenerek bu sorunu aşar.
Önceden eğitilmiş uydu temel modelleri, her türlü görev için kullanıma hazır haldedir.
En yüksek performansa ulaşmak için hala göreve özgü etiketli veriler üzerinde ince ayar yapılması gerekiyor. Sıfır atış sonuçları iyileşiyor ancak genellikle ince ayarlı temel değerlerin birkaç doğruluk puanı gerisinde kalıyorlar.
Bol miktarda veriye, GPU kaynaklarına sahip olduğunuzda ve büyük ölçekli arazi örtüsü veya afet haritalaması gibi her bir doğruluk yüzdesinin önemli olduğu bir görevde temsil öğrenimini seçin. Yorumlanabilirlik, sınırlı eğitim verisi veya hesaplama kolaylığı öncelikli olduğunda veya bilimsel raporlama için fiziksel anlamın korunması gerektiğinde el yapımı özellik mühendisliğini seçin.
Açık kaynaklı LLM'ler, tam kod erişimiyle özelleştirilebilir, kendi kendine barındırılan yapay zeka modelleri sunarken, tescilli LLM API'leri ise bulut tabanlı uç noktalar aracılığıyla kullanım tabanlı fiyatlandırmayla yönetilen, geliştirilmiş hizmetler sağlar.
Açık kaynaklı modeller, eğitilmiş parametrelerini herkese açık bir şekilde yayınlayarak herkesin bunları indirmesine, incelemesine ve ince ayar yapmasına olanak tanır. Kapalı kaynaklı modeller ise ağırlıklarını gizli tutarak yalnızca API'ler veya barındırılan ürünler aracılığıyla erişim sağlar. Bu iki model arasındaki seçim, geliştiricilerin yapay zeka sistemlerini nasıl oluşturduklarını, dağıttıklarını ve onlara nasıl güvendiklerini şekillendirir.
Bu karşılaştırma, açık kaynaklı yapay zeka ile tescilli yapay zeka arasındaki temel farkları ele alıyor; erişilebilirlik, özelleştirme, maliyet, destek, güvenlik, performans ve gerçek dünya kullanım senaryolarını kapsıyor. Bu sayede kuruluşlar ve geliştiriciler, hangi yaklaşımın hedeflerine ve teknik yetkinliklerine uygun olduğunu belirleyebilir.
Ağ tabanlı makine öğrenimi, gecikme süresi, bant genişliği ve topoloji gibi ağ koşullarını doğrudan model tasarımına ve çıkarım kararlarına dahil ederken, yalnızca hesaplama odaklı makine öğrenimi, GPU gücü ve bellek gibi hesaplama kaynaklarına odaklanır. İlki dağıtılmış ortamlar için optimizasyon yaparken, ikincisi bol miktarda yerel hesaplama gücü olduğunu varsayar.
Ajan işbirliği ve merkezi model akıl yürütme, karmaşık yapay zeka problemlerini çözmeye yönelik iki farklı yaklaşımı temsil eder. Çoklu ajan sistemleri bilişsel süreçleri uzmanlaşmış düğümler arasında dağıtırken, merkezi akıl yürütme karar verme sürecini tek bir güçlü model içinde yoğunlaştırır. Her paradigma, ölçeklenebilirlik, yorumlanabilirlik ve görev performansı açısından benzersiz avantajlar ve dezavantajlar sunar.
