Firma musi klasyfikować obrazy obiektów, używając cech specyficznych dla swojego zbioru danych. Która opcja wymaga najmniejszego nakładu pracy deweloperskiej, jednocześnie spełniając tę potrzebę?

Użycie wstępnie wytrenowanego modelu głębokiego uczenia i dostrojenie go na zbiorze danych firmy (transfer learning) jest najbardziej efektywnym rozwiązaniem. Modele te zostały już wytrenowane na ogromnych zbiorach danych, co pozwala im na ekstrakcję ogólnych cech obrazu. Dostrojenie (fine-tuning) na specyficznych danych firmy wymaga znacznie mniej zasobów obliczeniowych i czasu deweloperskiego niż trenowanie modelu od zera, a jednocześnie pozwala na adaptację do unikalnych cech zbioru danych. Tradycyjne algorytmy uczenia maszynowego z niestandardowo wyodrębnionymi cechami oraz maszyny wektorów nośnych (SVM) z ręcznie zaprojektowanymi cechami wymagają znacznego nakładu pracy na inżynierię cech, co jest czasochłonne i trudne. Budowanie generatywnej sieci przeciwstawnej (GAN) jest złożonym zadaniem, zazwyczaj używanym do generowania danych, a nie bezpośrednio do klasyfikacji, co czyni ją nieodpowiednią dla tego scenariusza.