Een ML-engineer heeft een ongevalsdetectiemodel getraind met Data Wrangler en sterke trainings-/validatieresultaten behaald, maar de productieprestaties lijden onder de variërende beeldkwaliteit van de camera's. Welke wijziging zal de nauwkeurigheid het snelst verbeteren?

De correcte optie is om de trainingsdataset opnieuw te maken in Data Wrangler met de 'corrupt image transform' en de 'impulse-noise' optie. Dit simuleert de variërende beeldkwaliteit en ruis die in de productieomgeving van camera's kan voorkomen. Door het model te trainen met deze gesimuleerde ruis, wordt het robuuster en beter in staat om te presteren op beelden van lagere kwaliteit, wat de nauwkeurigheid in productie snel zal verbeteren. Aanvullende afbeeldingen verzamelen is tijdrovend en garandeert niet direct verbetering als de variatie in beeldkwaliteit niet wordt aangepakt. Het verbeteren van het contrast (enhance image contrast) helpt niet bij ruisproblemen. Het wijzigen van de afbeeldingsgrootte (resize image transform) is nuttig voor uniformiteit, maar pakt de variërende beeldkwaliteit en ruis niet direct aan.