Un equipo de imágenes médicas tiene muchas tomografías computarizadas sin etiquetar en S3 y debe construir un pipeline de etiquetado al que solo puedan acceder usuarios autorizados. ¿Qué conjunto de pasos construirá el pipeline de etiquetado con el menor esfuerzo de desarrollo?

La opción correcta es crear un grupo de trabajo privado y un archivo de manifiesto, luego usar un trabajo de etiquetado de Ground Truth con la tarea de bounding-box incorporada. Amazon SageMaker Ground Truth es un servicio gestionado que simplifica la creación de conjuntos de datos de entrenamiento de alta calidad, incluyendo la gestión de grupos de trabajo y la interfaz de etiquetado. Un grupo de trabajo privado garantiza que solo los usuarios autorizados puedan acceder a las imágenes médicas sensibles. El tipo de tarea de bounding-box es ideal para identificar y localizar lesiones en tomografías computarizadas. Las otras opciones son menos eficientes: Construir una herramienta de etiquetado personalizada en EC2 y usar SQS requiere un esfuerzo de desarrollo significativo y no aprovecha las capacidades de etiquetado gestionadas de Ground Truth. Mechanical Turk es para grupos de trabajo públicos y no es adecuado para datos sensibles o para garantizar el acceso restringido. Usar Cognito y Amplify para una aplicación web personalizada también implica un esfuerzo de desarrollo considerable y reinventa la rueda en comparación con Ground Truth.