Un team deve automatizzare l'ispezione di foto di droni per trovare aree corrose (è possibile che ci siano più aree per foto). La corrosione appare solo in circa lo 0,1% delle foto. Gli ingegneri classificano ogni area corrosa come riparazione urgente, manutenzione programmata o nessuna azione. Quale combinazione di passaggi dovrebbe intraprendere il team per costruire questa soluzione? (Scegliere tre.)

Addestrare un modello di rilevamento di oggetti è corretto perché il problema richiede di individuare aree corrose all'interno delle immagini, non solo di classificarle. Un classificatore XGBoost è appropriato per prevedere la gravità (riparazione urgente, manutenzione programmata, nessuna azione) delle aree corrose rilevate, poiché si tratta di un problema di classificazione multiclasse su dati strutturati (le caratteristiche delle aree corrose). L'aumento di immagini sulle foto con corrosione è fondamentale per affrontare lo squilibrio di classe (solo lo 0,1% delle foto contiene corrosione), aumentando il numero di esempi della classe rara e migliorando le prestazioni del modello. L'uso di Amazon Rekognition Label Detection è meno flessibile e potrebbe non essere in grado di identificare specificamente la corrosione o le sue diverse gravità. Il clustering k-means è una tecnica di apprendimento non supervisionato e non è adatto per determinare la gravità della corrosione, che è un problema di classificazione supervisionata. L'aumento di immagini sulle immagini senza corrosione non aiuta a bilanciare la classe rara di immagini con corrosione.