Ein Unternehmen muss Bilder von Objekten anhand von Merkmalen klassifizieren, die für seinen Datensatz spezifisch sind. Welche Option erfordert den geringsten Entwicklungsaufwand und erfüllt gleichzeitig diese Anforderung?

Die Verwendung eines vortrainierten Deep-Learning-Modells, das auf einem großen, allgemeinen Datensatz trainiert wurde, und dessen Feinabstimmung auf die spezifischen Daten des Unternehmens (Transfer Learning) ist die effizienteste Methode. Dies erfordert den geringsten Entwicklungsaufwand, da das Modell bereits gelernt hat, relevante Merkmale zu erkennen, und nur noch an die spezifischen Klassifikationsaufgaben angepasst werden muss. Traditionelle Machine-Learning-Algorithmen erfordern oft eine aufwendige manuelle Merkmalsextraktion, was zeitintensiv ist. Ein Generative Adversarial Network (GAN) dient primär der Generierung neuer Daten, nicht der Klassifizierung, und ist zudem komplex in der Entwicklung. Eine Support Vector Machine (SVM) mit manuell entwickelten Merkmalen leidet unter dem gleichen Problem wie traditionelle ML-Algorithmen bezüglich des Entwicklungsaufwands für Merkmale.