Uno specialista di ML sta costruendo un modello di visione artificiale per classificare 10 categorie di segnali stradali. Il team ha 100 immagini etichettate per classe archiviate in Amazon S3 e ulteriori 10.000 immagini non etichettate. Tutte le immagini sono 224×224 e provengono da dash cam. Dopo diverse esecuzioni di training, il modello sta eseguendo l'overfitting sui dati di training. Quali azioni dovrebbe intraprendere lo specialista per ridurre l'overfitting? (Scegliere due.)

L'overfitting si verifica quando un modello impara troppo bene i dati di training, perdendo la capacità di generalizzare a nuovi dati. Etichettare più dati con Amazon SageMaker Ground Truth è una soluzione efficace perché un dataset di training più ampio e diversificato aiuta il modello a imparare pattern più robusti e meno specifici del set iniziale, riducendo l'overfitting. L'aumento dei dati (data augmentation), come rotazioni e traslazioni, crea nuove varianti delle immagini esistenti. Questo espande artificialmente il dataset di training senza raccogliere nuovi dati, esponendo il modello a una maggiore variabilità e migliorando la sua capacità di generalizzare. Convertire le immagini in scala di grigi ridurrebbe la dimensionalità, ma potrebbe rimuovere informazioni cromatiche importanti per la classificazione dei segnali stradali e non affronta direttamente l'overfitting. Modificare la funzione di attivazione finale in una sigmoide è inappropriato per una classificazione multi-classe (10 categorie), dove si userebbe tipicamente una softmax. L'algoritmo k-NN non è l'approccio migliore per l'etichettatura di massa di immagini non etichettate in questo contesto; Ground Truth è progettato per questo scopo.