Une entreprise souhaite détecter les maisons équipées de panneaux solaires à partir d'images satellite. Elle a collecté 8 000 images d'entraînement et utilisera SageMaker Ground Truth pour l'étiquetage. L'équipe interne est petite et n'a aucune expérience en ML. Quel flux de travail demande le moins d'effort de la part de cette équipe ?

Cette option est la meilleure car elle minimise l'effort de l'équipe interne inexpérimentée en ML. L'apprentissage actif de Ground Truth réduit le nombre d'images que l'équipe doit étiqueter manuellement en utilisant un modèle pour pré-étiqueter et ne demander une intervention humaine que pour les cas incertains. Amazon Rekognition Custom Labels est un service entièrement géré qui simplifie la création et le déploiement de modèles de vision par ordinateur sans nécessiter d'expertise en ML, ce qui est idéal pour une équipe sans expérience. Les autres options sont moins optimales : L'étiquetage manuel complet est trop lourd pour une petite équipe. L'utilisation de l'algorithme intégré de SageMaker et de SageMaker batch transform nécessite plus d'expertise en ML que Rekognition Custom Labels. L'utilisation d'une équipe de travail publique peut compromettre la confidentialité des données ou la qualité de l'étiquetage si les images sont sensibles ou nécessitent une connaissance contextuelle spécifique.