MoyenneChoix multiples

Question d'entraînement AIF-C01

Quelles sont les TROIS affirmations concernant Amazon SageMaker Ground Truth qui sont correctes ? (Choisissez-en trois.)

Choisissez toutes les bonnes réponses.

Bonnes réponses

  • BIl fournit des flux de travaux intégrés pour la classification d'images et la détection d'objets.
  • CIl prend en charge l'étiquetage automatique des données à l'aide de l'apprentissage actif.
  • DIl s'intègre à Amazon SageMaker pour utiliser les données étiquetées pour l'entraînement.

Explication

Amazon SageMaker Ground Truth propose des modèles de tâches d'étiquetage intégrés et des flux de travaux pour les types de tâches courants, notamment la classification d'images et la détection d'objets (ainsi que le texte, la segmentation sémantique et les boîtes englobantes). Ground Truth prend en charge l'étiquetage automatique des données, qui utilise l'apprentissage actif pour qu'un modèle étiquette les données à haute confiance tout en envoyant uniquement les échantillons à faible confiance à des étiqueteurs humains, réduisant ainsi les coûts et les efforts. Ground Truth s'intègre directement à Amazon SageMaker, écrivant des ensembles de données étiquetés dans Amazon S3 dans un format de manifeste augmenté que les travaux d'entraînement de SageMaker peuvent consommer. Ground Truth gère les images, la vidéo, le texte et les nuages de points 3D, et pas seulement le texte. Ground Truth prend en charge plusieurs effectifs, y compris des effectifs privés, des effectifs gérés par des fournisseurs et Amazon Mechanical Turk, il n'est donc pas limité à un effectif public Mechanical Turk.

Pourquoi chaque option est juste ou fausse

A

Fausse

Il ne peut être utilisé que pour des données textuelles.

Ground Truth gère les images, la vidéo, l'audio, le texte et les nuages de points 3D grâce à des types de tâches d'étiquetage intégrés, de sorte qu'une limitation au texte seul est fausse. Un outil réservé au texte conviendrait à des projets d'étiquetage NLP étroits, mais l'objectif de Ground Truth est l'annotation d'ensembles de données multimodaux à grande échelle.

B

Juste

Il fournit des flux de travaux intégrés pour la classification d'images et la détection d'objets.

Ground Truth intègre des interfaces d'étiquetage gérées et des modèles de tâches pour la classification d'images et la détection d'objets, ce qui évite aux équipes de créer des outils d'annotation personnalisés. Cette prise en charge de flux de travaux intégrés répond à l'exigence de l'énoncé selon laquelle l'affirmation décrit une véritable capacité de Ground Truth.

C

Juste

Il prend en charge l'étiquetage automatique des données à l'aide de l'apprentissage actif.

Ground Truth utilise l'apprentissage actif : un modèle étiquette automatiquement les exemples sûrs et achemine uniquement les éléments à faible confiance vers des étiqueteurs humains, réduisant ainsi les coûts. Ce mécanisme d'étiquetage automatique est une véritable fonctionnalité de Ground Truth, répondant à l'exigence de l'énoncé.

D

Juste

Il s'intègre à Amazon SageMaker pour utiliser les données étiquetées pour l'entraînement.

Ground Truth écrit des ensembles de données étiquetés directement dans Amazon S3 au format de manifeste augmenté, que les travaux d'entraînement de SageMaker consomment nativement. Cette intégration étroite permet à la sortie étiquetée d'alimenter l'entraînement du modèle sans transformation personnalisée, répondant à l'exigence de l'énoncé.

E

Fausse

Il ne peut utiliser qu'un effectif public d'Amazon Mechanical Turk.

Ground Truth prend en charge les effectifs privés, son propre effectif géré par un fournisseur et des fournisseurs tiers aux côtés de Mechanical Turk, de sorte qu'il est faux de le restreindre au pool public MTurk. MTurk seul ne conviendrait qu'à un étiquetage à faible sensibilité et participatif où la confidentialité des données n'est pas une contrainte.

Pour aller plus loin

SageMaker Ground Truth orchestre les travaux d'étiquetage en générant un manifeste, en distribuant des tâches à un effectif et en écrivant des manifestes augmentés avec des étiquettes dans S3 que les travaux d'entraînement consomment directement. Il propose des modèles de tâches intégrés pour la classification d'images, la détection d'objets, la segmentation sémantique, la classification de texte et la reconnaissance d'entités nommées, de sorte que l'affirmation selon laquelle il ne gère que le texte est fausse. L'étiquetage automatique des données utilise l'apprentissage actif : un modèle entraîné sur des données déjà étiquetées fait des prédictions sur des éléments non étiquetés, et seuls les échantillons à faible confiance sont envoyés aux humains, ce qui réduit considérablement le coût d'étiquetage. Les effectifs peuvent être le pool public Mechanical Turk, un effectif privé de vos propres employés ou un effectif de fournisseur, il est donc incorrect de le restreindre à Mechanical Turk. Un scénario réaliste est une équipe de vision par ordinateur étiquetant un million d'images où l'apprentissage actif réduit la révision humaine à une fraction.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement AIF-C01 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.

Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.