Zespół musi zautomatyzować inspekcję zdjęć z dronów w celu znalezienia skorodowanych obszarów (możliwe jest wiele obszarów na zdjęcie). Korozja pojawia się tylko w około 0,1% zdjęć. Inżynierowie kategoryzują każdy skorodowany obszar jako wymagający pilnej naprawy, planowanej konserwacji lub niewymagający działania. Jaką kombinację kroków powinien podjąć zespół, aby zbudować to rozwiązanie? (Wybierz trzy.)

Trening modelu wykrywania obiektów jest niezbędny, ponieważ zadanie wymaga zlokalizowania wielu skorodowanych obszarów na jednym zdjęciu, a nie tylko klasyfikacji całego zdjęcia. Klasyfikator XGBoost jest odpowiedni do przewidywania priorytetu (pilna naprawa, planowana konserwacja, brak działania) dla każdego wykrytego obszaru korozji, ponieważ jest to zadanie klasyfikacji wieloklasowej. Augmentacja obrazu dla rzadkiej klasy (zdjęcia z korozją) jest kluczowa, aby zapobiec niezrównoważeniu danych i poprawić zdolność modelu do uczenia się cech korozji, która występuje tylko w 0,1% zdjęć. Użycie Amazon Rekognition Label Detection jest niewystarczające, ponieważ nie pozwala na trenowanie niestandardowych modeli do wykrywania specyficznych typów korozji ani na lokalizację wielu obszarów. Klastrowanie k-średnich nie jest odpowiednie do określania nasilenia korozji, ponieważ jest to metoda uczenia nienadzorowanego, a priorytet jest cechą nadzorowaną. Augmentacja obrazu dla zdjęć bez korozji nie jest potrzebna, ponieważ problemem jest rzadkość występowania korozji, a nie brak zdjęć bez korozji.