Um fabricante tem 8 classes de defeitos e forneceu ~100.000 imagens por classe. Durante o treinamento, o modelo atinge 90% de acurácia de treinamento, mas apenas 80% de acurácia de validação, enquanto o desempenho em nível humano é de ~90%. O que você deve investigar para resolver essa lacuna?

A diferença entre a acurácia de treinamento (90%) e a acurácia de validação (80%) indica sobreajuste (overfitting). O modelo está aprendendo os detalhes específicos dos dados de treinamento, mas não está generalizando bem para dados não vistos. A acurácia em nível humano de 90% sugere que o problema não é a dificuldade intrínseca da tarefa, mas sim a forma como o modelo está aprendendo. Aplicar regularização (como L1, L2, ou dropout) ajuda a penalizar pesos grandes e a simplificar o modelo, forçando-o a aprender características mais gerais e a reduzir o sobreajuste. Treinar por mais tempo pode piorar o sobreajuste. Aumentar a capacidade da rede pode intensificar o sobreajuste. Tentar um otimizador diferente pode ajudar na convergência, mas não necessariamente resolve o sobreajuste se a capacidade do modelo for muito alta.