Un'azienda utilizza la classificazione delle immagini di SageMaker (ImageNetV2 CNN) ma rileva che il modello non riconosce molte specie animali meno comuni. Ha raccolto 10.000 immagini etichettate di specie rare in S3 e prevede di addestrare il modello utilizzando la modalità Pipe. Quale combinazione di passaggi dovrebbe intraprendere l'ingegnere ML? Selezionare due opzioni.

Il transfer learning è la strategia più efficace quando si hanno dati limitati per nuove classi (specie animali rare) e si desidera sfruttare la conoscenza acquisita da un modello pre-addestrato su un set di dati più ampio (ImageNetV2 CNN). Ottimizzare il modello esistente con i nuovi dati consente di adattarlo alle specie meno comuni senza dover addestrare un modello da zero, il che richiederebbe molti più dati e risorse. Per l'algoritmo di classificazione delle immagini di SageMaker in modalità Pipe, è necessario un file .lst che elenchi i percorsi delle immagini e le loro etichette di classe. Questo file viene caricato su S3 e utilizzato dall'algoritmo per accedere ai dati. Addestrare da zero con pesi casuali (prima opzione) non è efficiente con 10.000 immagini, poiché il modello non avrebbe sufficiente conoscenza pregressa per generalizzare bene. Usare un modello Inception (seconda opzione) è una scelta di architettura, ma non risolve il problema del riconoscimento delle specie rare senza un adeguato addestramento o transfer learning. Un file manifest aumentato in formato JSON Lines (quinta opzione) è un formato supportato per i dati di input, ma il file .lst è specificamente richiesto per l'algoritmo di classificazione delle immagini di SageMaker in modalità Pipe.