Een e-commercebedrijf classificeert productafbeeldingen per productlijn. Een computervisiemodel dat is getraind met een beeldclassificatie-algoritme heeft een lage nauwkeurigheid bij nieuwe producten. Afbeeldingen hebben een uniforme grootte en worden opgeslagen in cloud object storage. Het bedrijf heeft snellere verbetering nodig om te implementeren voor nieuwe producten. Welke stappen zouden de nauwkeurigheid verhogen? (Kies drie.)

Het uitbreiden van bestaande afbeeldingen met transformaties (data-augmentatie) vergroot de dataset en verbetert de generalisatie van het model, waardoor het beter presteert op nieuwe, ongeziene producten. Pixelnormalisatie en beeldschaling zijn cruciale voorverwerkingstechnieken die de inputwaarden van de afbeeldingen consistent maken, wat de trainingsstabiliteit en nauwkeurigheid van deep learning-modellen aanzienlijk verbetert. Het controleren op en aanpakken van klasse-onbalans met oversampling of undersampling zorgt ervoor dat het model niet bevooroordeeld raakt ten opzichte van dominante klassen, wat de prestaties op minder vertegenwoordigde productlijnen verhoogt. Het trainen van een semantisch segmentatiemodel is niet direct gericht op classificatienauwkeurigheid en is een complexere taak dan nodig. Het gebruik van een algemene image recognition API is niet specifiek afgestemd op de unieke productcategorieën van het bedrijf en biedt mogelijk geen betere nauwkeurigheid dan een aangepast model. Het gebruik van een custom-labels image-recognition service om een nieuw model te bouwen is een optie, maar de vraag richt zich op snellere verbetering en de gegeven correcte antwoorden zijn meer fundamentele en direct toepasbare stappen voor modelverbetering.