Uma equipe deve automatizar a inspeção de fotos de drones para encontrar áreas corroídas (múltiplas áreas por foto são possíveis). A corrosão aparece em apenas cerca de 0,1% das fotos. Os engenheiros categorizam cada área corroída como reparo urgente, manutenção programada ou nenhuma ação. Qual combinação de etapas a equipe deve seguir para construir esta solução? (Escolha três.)

A detecção de objetos é ideal para localizar múltiplas áreas corroídas dentro de cada imagem, pois ela identifica e delimita as regiões de interesse. Um classificador XGBoost é adequado para prever a gravidade ou prioridade da corrosão, pois é robusto e eficaz para tarefas de classificação. O aumento de imagem nas fotos com corrosão é crucial para lidar com o desequilíbrio de classes (apenas 0,1% das fotos têm corrosão), gerando mais exemplos para o modelo aprender. Usar o Amazon Rekognition Label Detection não é adequado, pois ele detecta objetos e cenas gerais, não corrosão específica. O agrupamento k-means não é apropriado para determinar a gravidade da corrosão, pois é um algoritmo de agrupamento não supervisionado, não de classificação. Aumentar imagens sem corrosão não ajudaria a resolver o problema da classe rara de corrosão.