Een bedrijf wil aan de hand van satellietbeelden detecteren welke huizen zonnepanelen hebben. Ze hebben 8.000 trainingsafbeeldingen verzameld en zullen SageMaker Ground Truth gebruiken voor labeling. Het interne team is klein en heeft geen ML-ervaring. Welke workflow vereist de minste inspanning van dit team?

De correcte optie minimaliseert de inspanning van het kleine, onervaren interne team door gebruik te maken van Ground Truth's active-learning feature en Amazon Rekognition Custom Labels. Active learning vermindert de handmatige labelinspanning door het model te laten helpen bij het labelen van onzekere afbeeldingen. Rekognition Custom Labels is een volledig beheerde dienst die geen ML-expertise vereist voor het trainen en hosten van modellen. De optie die handmatig labelen voorstelt, vereist veel meer inspanning van het team. De opties die SageMaker's ingebouwde algoritmen en batch transform noemen, vereisen meer ML-expertise en configuratie dan Rekognition Custom Labels. Het gebruik van een public (crowdsourced) workforce is geen optie, omdat de vraag specifiek vraagt om de minste inspanning van dit team.