Un'azienda di e-commerce classifica le immagini dei prodotti per linea di prodotto. Un modello di visione artificiale addestrato con un algoritmo di classificazione delle immagini ha una bassa accuratezza sui nuovi prodotti. Le immagini hanno dimensioni uniformi e sono archiviate in cloud object storage. L'azienda ha bisogno di miglioramenti più rapidi da implementare per i nuovi prodotti. Quali passaggi aumenterebbero l'accuratezza? (Scegliere tre.)

L'aumento delle immagini (data augmentation) tramite trasformazioni come ritaglio, ridimensionamento, capovolgimento e rotazione, crea nuove varianti dei dati esistenti, aumentando la dimensione del dataset e migliorando la capacità del modello di generalizzare a nuove immagini. La normalizzazione dei pixel e il ridimensionamento delle immagini sono passaggi di pre-elaborazione cruciali che standardizzano i dati di input, rendendo l'addestramento più stabile ed efficiente e migliorando le prestazioni del modello. La verifica e la gestione dello squilibrio di classe (oversampling o undersampling) sono fondamentali perché un modello addestrato su dati sbilanciati tende a classificare erroneamente le classi minoritarie, il che è comune con i "nuovi prodotti" che potrebbero avere meno esempi. Addestrare un modello di segmentazione semantica non è l'obiettivo, poiché la classificazione è sufficiente e la segmentazione è più complessa. L'uso di un'API di riconoscimento immagini generica potrebbe non essere abbastanza specifico per le categorie di prodotti dell'e-commerce, portando a etichette imprecise. Un servizio di riconoscimento immagini con etichette personalizzate è un'opzione valida, ma le altre tre sono miglioramenti più diretti e fondamentali per il dataset e il processo di addestramento esistente.