Une équipe doit automatiser l'inspection de photos de drones pour trouver les zones corrodées (plusieurs zones par photo sont possibles). La corrosion apparaît dans seulement environ 0,1 % des photos. Les ingénieurs classent chaque zone corrodée comme réparation urgente, maintenance planifiée ou aucune action. Quelle combinaison d'étapes l'équipe doit-elle suivre pour construire cette solution ? (Choisissez-en trois.)

La détection d'objets est nécessaire car plusieurs zones corrodées peuvent apparaître par photo, et elle permet de localiser précisément ces zones. Un classifieur XGBoost est approprié pour prédire la gravité ou la priorité des zones de corrosion détectées, car il s'agit d'une tâche de classification multi-classes basée sur des caractéristiques extraites. L'augmentation d'image sur les exemples de corrosion est cruciale pour gérer le déséquilibre de classes (seulement 0,1 % des photos contiennent de la corrosion), augmentant ainsi la robustesse du modèle pour la classe rare. L'utilisation de la détection d'étiquettes Amazon Rekognition est trop générique et ne permet pas la localisation précise des zones multiples ni la classification spécifique de la gravité. Le clustering k-means ne convient pas pour déterminer la gravité, car c'est une tâche de classification supervisée, pas de regroupement non supervisé. L'augmentation d'image sur les images sans corrosion n'aiderait pas à résoudre le problème du déséquilibre de la classe positive (corrosion).