Tiene una gran colección de imágenes sin etiquetar a las que solo los empleados pueden acceder. Para lograr la mayor precisión de etiquetado, ¿qué combinación de pasos debe seguir? (Elija dos.)

Para lograr la mayor precisión de etiquetado en un conjunto de datos de imágenes sin etiquetar y restringido a empleados, la combinación de Amazon SageMaker Ground Truth y una fuerza de trabajo privada es la más efectiva. SageMaker Ground Truth permite crear trabajos de anotación personalizados, definiendo las tareas y requisitos específicos para el etiquetado de imágenes. Esto es crucial para la precisión, ya que se pueden establecer pautas claras. Al configurar equipos de trabajo con una fuerza laboral privada (empleados), se garantiza que solo el personal autorizado acceda y etiquete las imágenes, manteniendo la confidencialidad y aprovechando su conocimiento especializado para una mayor exactitud. Usar Amazon Rekognition para etiquetar automáticamente podría ser rápido, pero no garantiza la precisión requerida para datos sensibles o complejos, y no permite la intervención humana para corregir errores. Entrenar un modelo con datos sin procesar para que infiera etiquetas por sí mismo es el objetivo final del aprendizaje no supervisado, pero no es un método para etiquetar el conjunto de datos inicial con alta precisión. Amazon Mechanical Turk utiliza una fuerza de trabajo pública, lo que no es adecuado para datos a los que solo los empleados pueden acceder.