Una empresa necesita clasificar imágenes de objetos utilizando características específicas de su conjunto de datos. ¿Qué opción requiere el menor trabajo de desarrollo para satisfacer esta necesidad?

La opción correcta es usar un modelo de deep learning pre-entrenado y ajustarlo (fine-tune) porque esta estrategia aprovecha el conocimiento ya aprendido del modelo en tareas similares de clasificación de imágenes, lo que reduce significativamente el tiempo y los recursos de desarrollo. El ajuste fino solo requiere adaptar las capas finales del modelo a las características específicas del nuevo conjunto de datos. Las otras opciones son menos eficientes: Aplicar algoritmos de machine learning tradicionales con características extraídas a medida requiere un esfuerzo considerable en ingeniería de características, que es un proceso manual y propenso a errores. Construir una GAN desde cero para clasificación es excesivamente complejo y no es su propósito principal; las GANs se usan más para generación de datos. Entrenar una SVM con características diseñadas manualmente también implica una gran inversión en ingeniería de características, similar a la primera opción, y las SVMs suelen ser menos potentes que el deep learning para tareas de visión por computadora complejas.