Firma chce wykryć, które domy mają panele słoneczne na podstawie zdjęć satelitarnych. Zebrano 8000 obrazów treningowych i zostanie użyty SageMaker Ground Truth do etykietowania. Zespół wewnętrzny jest mały i nie ma doświadczenia w ML. Który przepływ pracy wymaga najmniejszego wysiłku od tego zespołu?

Poprawna odpowiedź minimalizuje wysiłek małego, niedoświadczonego zespołu. Aktywne uczenie w Ground Truth redukuje liczbę obrazów, które zespół musi ręcznie etykietować, ponieważ model ML wstępnie etykietuje pewien procent danych i prosi o weryfikację tylko tych, co do których ma niską pewność. Amazon Rekognition Custom Labels to usługa bezserwerowa, która automatycznie trenuje i hostuje modele detekcji obiektów bez potrzeby pisania kodu ML czy zarządzania infrastrukturą, co jest idealne dla zespołu bez doświadczenia w ML. Pozostałe opcje są mniej optymalne: Ręczne etykietowanie wszystkich 8000 obrazów jest bardzo czasochłonne i wymaga dużego wysiłku. Użycie wbudowanego algorytmu SageMaker Object Detection wymaga większej wiedzy technicznej w zakresie ML i zarządzania infrastrukturą niż Rekognition Custom Labels. Użycie publicznej siły roboczej może być szybsze, ale firma chce użyć zespołu wewnętrznego, co jest sprzeczne z założeniami pytania.