MediaSelección múltiple

Pregunta de práctica de AIF-C01

¿Cuáles TRES afirmaciones sobre Amazon SageMaker Ground Truth son correctas? (Elija tres.)

Elige todas las respuestas correctas.

Respuestas correctas

  • BProporciona flujos de trabajo integrados para clasificación de imágenes y detección de objetos.
  • CAdmite el etiquetado automático de datos mediante aprendizaje activo.
  • DSe integra con Amazon SageMaker para utilizar los datos etiquetados para el entrenamiento.

Explicación

Amazon SageMaker Ground Truth incluye plantillas de tareas de etiquetado integradas y flujos de trabajo para tipos de trabajos comunes, como clasificación de imágenes y detección de objetos (así como texto, segmentación semántica y cuadros delimitadores). Ground Truth admite el etiquetado automático de datos, que utiliza aprendizaje activo para que un modelo etiquete datos con alta confianza mientras envía solo muestras con baja confianza a etiquetadores humanos, lo que reduce el costo y el esfuerzo. Ground Truth se integra directamente con Amazon SageMaker, escribiendo conjuntos de datos etiquetados en Amazon S3 en un formato de manifiesto aumentado que los trabajos de entrenamiento de SageMaker pueden consumir. Ground Truth maneja imágenes, video, texto y nubes de puntos 3D, no solo texto. Ground Truth admite múltiples fuerzas de trabajo, incluidas fuerzas de trabajo privadas, fuerzas de trabajo administradas por proveedores y Amazon Mechanical Turk, por lo que no se limita a una fuerza de trabajo pública de Mechanical Turk.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Solo se puede usar para datos de texto.

Ground Truth maneja imágenes, video, audio, texto y nubes de puntos 3D a través de tipos de tareas de etiquetado integradas, por lo que una limitación de solo texto es falsa. Una herramienta de solo texto se adaptaría a proyectos de etiquetado de NLP estrechos, pero el propósito de Ground Truth es la anotación de conjuntos de datos multimodales a escala.

B

Correcta

Proporciona flujos de trabajo integrados para clasificación de imágenes y detección de objetos.

Ground Truth incluye interfaces de etiquetado administradas y plantillas de tareas para clasificación de imágenes y detección de objetos, por lo que los equipos evitan construir herramientas de anotación personalizadas. Esta compatibilidad con flujos de trabajo integrados satisface el requisito del enunciado de que la afirmación describa una capacidad genuina de Ground Truth.

C

Correcta

Admite el etiquetado automático de datos mediante aprendizaje activo.

Ground Truth utiliza el aprendizaje activo: un modelo etiqueta los ejemplos seguros automáticamente y enruta solo los elementos de baja confianza a etiquetadores humanos, reduciendo costos. Este mecanismo de etiquetado automático es una característica genuina de Ground Truth, satisfaciendo el requisito del enunciado.

D

Correcta

Se integra con Amazon SageMaker para utilizar los datos etiquetados para el entrenamiento.

Ground Truth escribe conjuntos de datos etiquetados directamente en Amazon S3 en formato de manifiesto aumentado, que los trabajos de entrenamiento de SageMaker consumen de forma nativa. Esta estrecha integración permite que la salida etiquetada alimente el entrenamiento del modelo sin transformación personalizada, satisfaciendo el requisito del enunciado.

E

Incorrecta

Solo puede usar una fuerza de trabajo pública de Amazon Mechanical Turk.

Ground Truth admite fuerzas de trabajo privadas, su propia fuerza de trabajo administrada por proveedores y proveedores externos junto con Mechanical Turk, por lo que restringirlo al grupo público de MTurk es falso. MTurk por sí solo solo se adaptaría a un etiquetado de baja sensibilidad y basado en multitudes donde la confidencialidad de los datos no es una limitación.

Para profundizar

SageMaker Ground Truth organiza los trabajos de etiquetado generando un manifiesto, distribuyendo tareas a una fuerza de trabajo y escribiendo manifiestos aumentados con etiquetas en S3 que los trabajos de entrenamiento consumen directamente. Incluye plantillas de tareas integradas para clasificación de imágenes, detección de objetos, segmentación semántica, clasificación de texto y reconocimiento de entidades nombradas, por lo que la afirmación de que solo maneja texto es falsa. El etiquetado automático de datos utiliza el aprendizaje activo: un modelo entrenado con datos ya etiquetados predice sobre elementos sin etiquetar, y solo las muestras con baja confianza se envían a humanos, lo que reduce sustancialmente el costo de etiquetado. Las fuerzas de trabajo pueden ser el grupo público de Mechanical Turk, una fuerza de trabajo privada de sus propios empleados o una fuerza de trabajo de proveedores, por lo que restringirlo a Mechanical Turk es incorrecto. Un escenario realista es un equipo de visión por computadora que etiqueta un millón de imágenes donde el aprendizaje activo reduce la revisión humana a una fracción.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de AIF-C01 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.

Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.