Firma posiada nagrania wideo ze stacji metra i potrzebuje modelu, który będzie ostrzegał kierownika, gdy pasażerowie przekroczą żółtą linię bezpieczeństwa, gdy nie ma pociągu. Model musi wykrywać żółtą linię, osoby ją przekraczające oraz pociągi. Wykrywanie obiektów za pomocą ramek ograniczających (bounding-box object detection) nie rozdzieliło wyraźnie linii, ludzi i pociągów. Które podejście do etykietowania najskuteczniej poprawi model, zachowując jednocześnie prywatność danych wideo?

Prawidłowa odpowiedź to użycie zadania etykietowania segmentacji semantycznej SageMaker Ground Truth z prywatną siłą roboczą. Segmentacja semantyczna jest idealna, ponieważ pozwala na pikselowe rozróżnianie obiektów (linii, ludzi, pociągów), co jest kluczowe, gdy wykrywanie obiektów za pomocą ramek ograniczających (bounding boxes) nie jest wystarczająco precyzyjne. Prywatna siła robocza zapewnia zachowanie prywatności danych wideo, co jest wymogiem. Pozostałe opcje są mniej odpowiednie: Użycie Amazon Rekognition Custom Labels z wykrywaniem obiektów za pomocą ramek ograniczających nie rozwiąże problemu braku precyzji w rozdzielaniu obiektów. Zatrudnienie pracowników Amazon Mechanical Turk lub zewnętrznej siły roboczej z AWS Marketplace może naruszyć prywatność danych wideo.