Un ingegnere ML ha addestrato un modello di rilevamento degli incidenti utilizzando Data Wrangler e ha ottenuto ottimi risultati di training/validazione, ma le prestazioni in produzione risentono della qualità variabile delle immagini della telecamera. Quale modifica migliorerà l'accuratezza più rapidamente?

La qualità variabile delle immagini in produzione, come rumore o artefatti, suggerisce che il modello non è robusto a tali variazioni. L'opzione corretta, "corrupt image con l'opzione impulse-noise", simula queste imperfezioni direttamente nel dataset di training, rendendo il modello più resiliente a dati reali rumorosi e migliorando l'accuratezza più rapidamente. Raccogliere nuove immagini potrebbe essere costoso e non garantirebbe la copertura di tutte le variazioni di qualità. La trasformazione "enhance image contrast" potrebbe alterare le caratteristiche importanti per il rilevamento degli incidenti, mentre "resize image" uniforma le dimensioni ma non affronta il problema della qualità intrinseca dell'immagine.