Productie: 750 componentklassen, ~1000 gelabelde voorbeelden per klasse. Bouw een foto-gebaseerde componentherkenningsapp als MVP binnen een paar werkdagen. Welke aanpak kies je?

De beste aanpak is om Cloud Vision AutoML te gebruiken met de bestaande dataset. Cloud Vision AutoML is ontworpen voor het snel bouwen van aangepaste beeldherkenningsmodellen, zelfs met relatief kleine datasets (1000 voorbeelden per klasse is voldoende voor een MVP). Dit is de snelste manier om een MVP te realiseren binnen enkele werkdagen. Het halveren van de dataset zou de prestaties van het model onnodig verminderen, terwijl de dataset al aan de kleinere kant is voor 750 klassen. Cloud Vision API met aangepaste labels is geen optie voor het trainen van een nieuw model voor componentherkenning; het is bedoeld voor het verfijnen van bestaande algemene modellen. Het trainen van een eigen model met transfer learning zou aanzienlijk meer tijd en expertise vereisen dan enkele werkdagen, wat niet past bij de MVP-tijdlijn.