Um engenheiro de ML treinou um modelo de detecção de acidentes usando o Data Wrangler e obteve excelentes resultados de treinamento/validação, mas o desempenho em produção sofre devido à qualidade variada das imagens da câmera. Qual mudança melhorará a precisão mais rapidamente?

A qualidade variada das imagens da câmera em produção sugere que o modelo não está generalizando bem para ruídos ou imperfeições presentes nos dados reais. A transformação de imagem corrompida com a opção impulse-noise no Data Wrangler simula ruído de impulso (como "sal e pimenta"), que é um tipo comum de degradação em imagens de câmeras. Ao adicionar esse tipo de ruído ao conjunto de treinamento, o modelo aprende a ser mais robusto a essas variações, melhorando a precisão em produção de forma mais rápida. Coletar mais imagens pode ser demorado e não garante que as novas imagens cobrirão a variedade de ruído. Aprimoramento de contraste ou redimensionamento uniforme não abordam diretamente o problema de ruído ou degradação da imagem que afeta o desempenho em produção.