Inżynier ML wytrenował model wykrywania wypadków za pomocą Data Wrangler i osiągnął dobre wyniki w treningu/walidacji, ale wydajność produkcyjna jest niska z powodu zróżnicowanej jakości obrazów z kamer. Która zmiana najszybciej poprawi dokładność?

Niska wydajność produkcyjna z powodu zróżnicowanej jakości obrazów wskazuje na problem z generalizacją modelu do danych o różnym poziomie szumu. Dodanie transformacji corrupt image z opcją impulse-noise do zestawu danych treningowych w Data Wrangler sztucznie wprowadzi szum do danych treningowych, symulując zróżnicowaną jakość obrazów z kamer. Dzięki temu model nauczy się być bardziej odporny na szum i lepiej radzić sobie z rzeczywistymi, zaszumionymi danymi produkcyjnymi, co najszybciej poprawi dokładność. Zbieranie dodatkowych obrazów jest czasochłonne i nie gwarantuje rozwiązania problemu szumu. Zwiększenie kontrastu może pomóc w niektórych przypadkach, ale nie bezpośrednio adresuje problem szumu impulsowego. Zmiana rozmiaru obrazów nie wpływa na odporność modelu na szum.