Un equipo debe automatizar la inspección de fotos de drones para encontrar áreas corroídas (es posible que haya varias áreas por foto). La corrosión aparece en solo aproximadamente el 0.1% de las fotos. Los ingenieros clasifican cada área corroída como reparación urgente, mantenimiento programado o sin acción. ¿Qué combinación de pasos debe seguir el equipo para construir esta solución? (Elija tres)

Entrenar un modelo de detección de objetos es crucial porque la tarea implica identificar múltiples áreas corroídas dentro de una sola imagen, no solo clasificar la imagen completa. La detección de objetos localiza y clasifica estas regiones específicas. Un clasificador XGBoost es adecuado para predecir la gravedad de la corrosión (urgente, programado, sin acción) una vez que las áreas corroídas han sido detectadas, ya que es un algoritmo robusto para clasificación multi-clase. Aplicar aumento de imágenes a las fotos con corrosión es esencial debido al desequilibrio de clases (solo el 0.1% de las fotos tienen corrosión); esto ayuda a que el modelo aprenda mejor las características de la corrosión. Usar Amazon Rekognition para detección de etiquetas no es suficiente, ya que no permite la detección de objetos personalizados ni la clasificación de gravedad específica. La agrupación k-means es para agrupar datos no etiquetados, no para predecir la gravedad de la corrosión. Aumentar imágenes sin corrosión no aborda el problema de la escasez de ejemplos de la clase positiva (corrosión).