فراخوانی (Recall) در GeoAI: هنرِ از قلم نانداختن

نویسنده: فاطمه جعفری نوبخت

در دنیای هوش مصنوعی مکانی (GeoAI)، همیشه «درست تشخیص دادن» کافی نیست؛ گاهی اوقات «ندیدن» یک پدیده، هزینه‌ای بسیار سنگین‌تر از «اشتباه دیدن» آن دارد.

تصور کنید یک مدل هوش مصنوعی برای شناسایی مناطق سیل‌زده از روی تصاویر ماهواره‌ای طراحی شده است. اگر مدل یک زمین خشک را اشتباهاً سیل‌زده تشخیص دهد (مثبت کاذب)، شاید فقط منابع کمی برای بررسی هدر برود. اما اگر مدل یک روستای سیل‌زده را تشخیص ندهد (منفی کاذب)، جان انسان‌ها به خطر می‌افتد. اینجاست که معیار فراخوانی (Recall) پادشاهی می‌کند.

۱. فراخوانی (Recall) چیست؟

فراخوانی که به آن حساسیت (Sensitivity) یا نرخ مثبت واقعی (True Positive Rate) نیز می‌گویند، پاسخ به این سوال کلیدی است:

«از بین تمام موارد مهمی که واقعاً در منطقه وجود داشتند، مدل توانست چند درصد آن‌ها را پیدا کند؟»

فرمول ریاضی آن به صورت زیر است:

Recall ={TP}\{TP + FN}

که در آن:

• TP (مثبت صحیح): مواردی که مدل درست تشخیص داده است (مثلاً درخت را درخت تشخیص داده).
• FN (منفی کاذب): مواردی که وجود داشته‌اند اما مدل آن‌ها را ندیده است (مثلاً درخت بوده، اما مدل آن را زمین خالی دیده).

۲. چرا در GeoAI، فراخوانی مهم‌تر از دقت است؟

در بسیاری از پروژه‌های مکانی، ما با پدیده‌های کمیاب یا پرخطر سروکار داریم. در این سناریوها، Recall بالا اولویت اصلی است:

الف) مدیریت بحران و بلایای طبیعی

در شناسایی آتش‌سوزی جنگل‌ها یا رانش زمین، هدف اول این است که هیچ نقطه‌ی خطری نادیده گرفته نشود. یک مدل با Recall پایین یعنی از دست دادن سیگنال‌های اولیه فاجعه.

ب) فعالیت‌های غیرقانونی و نظارت

فرض کنید می‌خواهیم ساخت‌وسازهای غیرمجاز در حریم رودخانه را با تصاویر پهپادی پیدا کنیم. اگر مدل ۱۰ مورد را پیدا کند ولی ۵ مورد دیگر را نبیند (Recall پایین)، قانون‌گذاران در اجرای عدالت شکست می‌خورند. بهتر است مدل ۲۰ مورد مشکوک را گزارش دهد که ۵ تای آن‌ها خطا باشد (دقت کمتر)، اما آن ۵ مورد غیرقانونی اصلی را از قلم نیندازد (فراخوانی بالا).

ج) تشخیص اشیاء کوچک (Small Object Detection)

در تصاویر ماهواره‌ای با رزولوشن متوسط، اشیایی مثل خودروها یا تیرهای برق بسیار کوچک هستند. مدل‌ها معمولاً تمایل دارند این اشیاء را نادیده بگیرند (تبدیل به FN شوند). تمرکز بر Recall باعث می‌شود مدل مجبور شود سخت‌گیرانه‌تر به دنبال این اشیاء بگردد.

۳. نبرد همیشگی: Recall در برابر Precision

در یادگیری ماشین، یک الاکلنگ (Trade-off) معروف بین فراخوانی و دقت (Precision) وجود دارد.

• اگر بخواهیم Recall را به ۱۰۰٪ برسانیم (همه چیز را پیدا کنیم)، باید آستانه (Threshold) تصمیم‌گیری مدل را پایین بیاوریم.
• نتیجه: مدل خیلی «حساس» می‌شود و به هر چیزی که کمی شبیه هدف باشد برچسب مثبت می‌زند. این کار باعث می‌شود همه اهداف واقعی پیدا شوند، اما تعداد زیادی هشدار اشتباه (False Positive) هم تولید می‌شود که Precision را کاهش می‌دهد.

مثال GeoAI:

برای پیدا کردن کشتی‌ها در دریا، اگر بخواهیم هیچ کشتی‌ای از دید پنهان نماند (High Recall)، ممکن است امواج دریا یا صخره‌های کوچک را هم به اشتباه کشتی تشخیص دهیم (Low Precision).

۴. تکنیک‌های بهبود Recall در مدل‌های مکانی

اگر مدل GeoAI شما دچار مشکل «نابینایی» نسبت به برخی عوارض است (Recall پایین)، راهکارهای زیر پیشنهاد می‌شود:

1. استفاده از توابع هزینه وزن‌دار (Weighted Loss Functions):

به مدل بگویید که جریمه‌ی «ندیدن هدف» (FN) ده برابر سنگین‌تر از «اشتباه دیدن» (FP) است. در توابعی مثل Weighted Cross-Entropy، می‌توان وزن کلاس هدف (مثلاً ساختمان‌های تخریب شده) را افزایش داد.

2. استفاده از Focal Loss:

این تابع هزینه معروف (که در مدل‌های RetinaNet استفاده می‌شود)، تمرکز آموزش را روی نمونه‌های «سخت» می‌گذارد. در تصاویر ماهواره‌ای که ۹۰٪ تصویر پس‌زمینه (آسان) و ۱۰٪ عوارض اصلی (سخت) است، این روش مانع از نادیده گرفته شدن عوارض می‌شود.

3. کاهش آستانه اطمینان (Confidence Threshold):

به طور پیش‌فرض، مدل‌ها اگر بالای ۵۰٪ مطمئن باشند، یک شیء را شناسایی می‌کنند. در کاربردهای حساس، این عدد را به ۳۰٪ یا ۲۰٪ کاهش دهید تا Recall افزایش یابد (هرچند نویز هم بیشتر می‌شود).

4. برش‌های همپوشانی (Overlapping Tiles):

در پردازش تصاویر بزرگ هوایی، تصویر به قطعات کوچک (Tiles) تقسیم می‌شود. اشیایی که در لبه‌های این برش‌ها قرار می‌گیرند اغلب شناسایی نمی‌شوند (FN). استفاده از همپوشانی (Overlap) بین برش‌ها به مدل شانس دوباره‌ای برای دیدن کامل شیء می‌دهد.

5. نتیجه‌گیری

در پروژه GeoAI خود به این سوال پاسخ دهید: «هزینه از دست دادن یک هدف چقدر است؟»

اگر هزینه از دست دادن هدف (مثل جان انسان، امنیت ملی، یا تخریب برگشت‌ناپذیر محیط زیست) بالاست، شما باید مدل خود را برای Maximum Recall بهینه کنید، حتی اگر مجبور شوید بعداً هشدارهای اشتباه را به صورت دستی فیلتر کنید.

در GeoAI، «فراخوانی» یعنی تضمین امنیت و پوشش کامل.