Ein Unternehmen möchte anhand von Satellitenbildern erkennen, welche Häuser Solarpaneele haben. Es wurden 8.000 Trainingsbilder gesammelt und SageMaker Ground Truth für die Beschriftung verwendet. Das interne Team ist klein und hat keine ML-Erfahrung. Welcher Workflow erfordert den geringsten Aufwand von diesem Team?

Die korrekte Option minimiert den Aufwand für das unerfahrene Team. Die Erstellung einer privaten Arbeitsgruppe aus dem internen Team ist notwendig, da die Daten sensibel sein könnten und das Team die Domänenexpertise besitzt. Ground Truth mit Active Learning reduziert den manuellen Beschriftungsaufwand erheblich, indem es nur die informativsten Bilder zur Beschriftung vorschlägt. Amazon Rekognition Custom Labels ist eine vollständig verwaltete Lösung, die das Training und Hosting eines Objekterkennungsmodells ohne ML-Erfahrung ermöglicht. Die zweite Option erfordert manuelles Beschriften aller 8.000 Bilder, was sehr zeitaufwändig ist. Die dritte und vierte Option erfordern die Nutzung des SageMaker Objekterkennungsalgorithmus und Batch Transform, was ML-Kenntnisse für Training, Hyperparameter-Tuning und Bereitstellung voraussetzt, die das Team nicht besitzt. Die vierte Option nutzt zudem eine öffentliche Arbeitsgruppe, was bei sensiblen Daten problematisch sein kann.