Un ingénieur ML a entraîné un modèle de détection d'accidents à l'aide de Data Wrangler et a obtenu de bons résultats d'entraînement/validation, mais les performances en production sont médiocres en raison de la qualité variable des images de caméra. Quel changement améliorera la précision le plus rapidement ?

La performance médiocre en production due à la qualité variable des images suggère que le modèle n'est pas robuste aux imperfections des données réelles. L'option "impulse-noise" de la transformation d'image corrompue dans Data Wrangler simule des bruits aléatoires ou des pixels défectueux, ce qui est une cause fréquente de mauvaise qualité d'image en production. En entraînant le modèle sur des données qui incluent ces imperfections simulées, le modèle apprendra à être plus tolérant et à mieux généraliser aux données du monde réel. Collecter plus d'images est une bonne pratique à long terme, mais ne résout pas rapidement le problème de la variabilité de la qualité. L'amélioration du contraste peut aider dans certains cas, mais ne cible pas directement les problèmes de "qualité variable" qui incluent souvent du bruit. Le redimensionnement et le recadrage uniformisent les entrées, mais ne rendent pas le modèle plus robuste aux défauts intrinsèques de l'image.