ML 엔지니어가 Data Wrangler를 사용하여 사고 감지 모델을 훈련했고, 훈련/검증 결과는 좋았지만, 카메라 이미지 품질이 다양하여 프로덕션 성능이 저하되고 있습니다. 어떤 변경을 통해 정확도를 가장 빠르게 개선할 수 있을까요?

정답은 impulse-noise 옵션과 함께 corrupt image transform을 사용하여 Data Wrangler에서 훈련 데이터셋을 다시 생성하는 것입니다. 프로덕션 환경에서 카메라 이미지 품질이 다양하여 성능이 저하된다는 것은 모델이 다양한 이미지 품질에 강건하지 않다는 것을 의미합니다. Data Wrangler의 'corrupt image' 변환과 'impulse-noise' 옵션을 사용하면 훈련 데이터셋에 실제 프로덕션 환경과 유사한 노이즈를 인위적으로 추가하여 모델이 이러한 변화에 더 잘 적응하도록 만들 수 있습니다. 이는 데이터 증강의 한 형태로, 모델의 일반화 능력을 향상시켜 프로덕션 환경에서의 성능 저하를 완화하는 가장 빠르고 효과적인 방법입니다. 다른 옵션들은 다음과 같은 이유로 정답이 아닙니다. 모든 카메라에서 추가 이미지를 수집하는 것은 시간이 오래 걸리고 비용이 많이 들 수 있습니다. Gamma contrast 옵션과 함께 enhance image contrast transform을 사용하는 것은 이미지 대비를 개선할 수 있지만, 이미지 품질 다양성으로 인한 노이즈 문제에 직접적으로 대응하지 못합니다. resize image transform을 사용하여 모든 이미지를 균일한 크기로 자르는 것은 모델 입력 크기를 표준화하는 데