Produzione: 750 classi di componenti, circa 1000 esempi etichettati per classe. Costruire un'applicazione di riconoscimento di componenti basata su foto come MVP in pochi giorni lavorativi. Quale approccio adotti?

La soluzione più rapida per un MVP in pochi giorni lavorativi, con un dataset di 750 classi e 1000 esempi per classe, è Cloud Vision AutoML. Questo servizio è progettato per addestrare modelli di visione personalizzati con dataset etichettati, richiedendo un intervento minimo e ottimizzando i tempi. Ridurre il dataset (opzione B) è controproducente, poiché meno dati peggiorano le prestazioni del modello. Usare Cloud Vision API con etichette personalizzate (opzione C) non è adatto, in quanto l'API è per il riconoscimento generico e non per classi specifiche del cliente. Addestrare un modello personalizzato con transfer learning (opzione D) richiederebbe più tempo e risorse (es. GPU, expertise) rispetto a Cloud Vision AutoML, non essendo compatibile con la tempistica di "pochi giorni lavorativi".