Una empresa quiere detectar qué casas tienen paneles solares a partir de imágenes satelitales. Recopilaron 8.000 imágenes de entrenamiento y usarán SageMaker Ground Truth para el etiquetado. El equipo interno es pequeño y no tiene experiencia en ML. ¿Qué flujo de trabajo requiere el menor esfuerzo de este equipo?

La opción correcta minimiza el esfuerzo del equipo interno, que es pequeño y sin experiencia en ML. Utilizar un private workforce con el equipo interno es adecuado para datos sensibles o específicos. Ground Truth con active learning reduce drásticamente el número de imágenes que el equipo necesita etiquetar manualmente, ya que el modelo ayuda a pre-etiquetar y selecciona las imágenes más informativas para la revisión humana. Finalmente, Amazon Rekognition Custom Labels es una solución de ML sin código que permite entrenar y alojar modelos de detección de objetos sin necesidad de experiencia en ML, lo que se alinea perfectamente con la falta de experiencia del equipo. Las opciones incorrectas aumentan el esfuerzo o la complejidad: La segunda opción requiere etiquetado manual completo, lo que es ineficiente para 8.000 imágenes. La tercera y cuarta opciones implican el uso del algoritmo Object Detection integrado de SageMaker y batch transform, lo que requiere más experiencia en ML y configuración que Rekognition Custom Labels. Además, la cuarta opción usa un public workforce, que podría no ser ideal si los datos son sensibles o requieren conocimiento específico.