Een medisch beeldvormingsteam heeft veel ongelabelde CT-scans in S3 en moet een labelpijplijn bouwen die alleen geautoriseerde gebruikers kunnen openen. Welke reeks stappen bouwt de labelpijplijn met de minste ontwikkelingsinspanning?

De juiste optie is de meest efficiënte oplossing met minimale ontwikkelingsinspanning. Amazon SageMaker Ground Truth is specifiek ontworpen voor het labelen van datasets en ondersteunt privé (beperkte) workforces, wat essentieel is voor medische gegevensbeveiliging. Het gebruik van een manifestbestand en een ingebouwd taaktype (zoals bounding-box, hoewel beeldclassificatie ook relevant kan zijn voor CT-scans, is bounding-box een algemeen voorbeeld van een ingebouwd type) minimaliseert de noodzaak voor aangepaste ontwikkeling. De andere opties vereisen aanzienlijk meer ontwikkelingsinspanning: Een aangepaste labeltool op EC2 met SQS is een handmatige implementatie die veel meer code en onderhoud vereist. Mechanical Turk is een openbare workforce, wat ongeschikt is voor gevoelige medische gegevens. Een labelweb-app met AWS Amplify en Lambda is een volledig aangepaste oplossing die de hoogste ontwikkelingsinspanning vergt.