MédiaVárias respostas

Questão de prática de AIF-C01

Quais TRÊS afirmações sobre o Amazon SageMaker Ground Truth estão corretas? (Escolha três.)

Escolha todas as respostas corretas.

Respostas corretas

  • BEle fornece fluxos de trabalho integrados para classificação de imagens e detecção de objetos.
  • CEle suporta rotulagem automatizada de dados usando aprendizado ativo.
  • DEle se integra ao Amazon SageMaker para usar os dados rotulados para treinamento.

Explicação

A opção B está correta porque o Amazon SageMaker Ground Truth vem com modelos de tarefas de rotulagem integrados e fluxos de trabalho para tipos de trabalho comuns, incluindo classificação de imagens e detecção de objetos (bem como texto, segmentação semântica e caixas delimitadoras). A opção C está correta porque o Ground Truth suporta rotulagem automatizada de dados, que usa aprendizado ativo para fazer com que um modelo rotule dados de alta confiança, enviando apenas amostras de baixa confiança para rotuladores humanos, reduzindo custos e esforço. A opção D está correta porque o Ground Truth se integra diretamente ao Amazon SageMaker, gravando conjuntos de dados rotulados no Amazon S3 em formato de manifesto aumentado que os trabalhos de treinamento do SageMaker podem consumir. A opção A está errada porque o Ground Truth lida com imagens, vídeo, texto e nuvens de pontos 3D, não apenas texto. A opção E está errada porque o Ground Truth suporta múltiplos contingentes de força de trabalho, incluindo forças de trabalho privadas, forças de trabalho gerenciadas por fornecedores e o Amazon Mechanical Turk, portanto, não se limita a uma força de trabalho pública do Mechanical Turk.

Por que cada alternativa está certa ou errada

A

Incorreta

Ele só pode ser usado para dados de texto.

O Ground Truth lida com imagens, vídeo, áudio, texto e nuvens de pontos 3D por meio de tipos de tarefas de rotulagem integrados, portanto, uma limitação exclusiva de texto é falsa. Uma ferramenta exclusiva de texto serviria para projetos restritos de rotulagem de NLP, mas o propósito do Ground Truth é a anotação de conjuntos de dados multimodais em escala.

B

Correta

Ele fornece fluxos de trabalho integrados para classificação de imagens e detecção de objetos.

O Ground Truth fornece interfaces de rotulagem gerenciadas e modelos de tarefas para classificação de imagens e detecção de objetos, para que as equipes evitem criar ferramentas de anotação personalizadas. Esse suporte a fluxo de trabalho integrado atende ao requisito do enunciado de que a afirmação descreva uma capacidade genuína do Ground Truth.

C

Correta

Ele suporta rotulagem automatizada de dados usando aprendizado ativo.

O Ground Truth usa aprendizado ativo: um modelo rotula os exemplos confiáveis automaticamente e encaminha apenas itens de baixa confiança para rotuladores humanos, reduzindo custos. Esse mecanismo de rotulagem automatizada é um recurso genuíno do Ground Truth, atendendo ao requisito do enunciado.

D

Correta

Ele se integra ao Amazon SageMaker para usar os dados rotulados para treinamento.

O Ground Truth grava conjuntos de dados rotulados diretamente no Amazon S3 em formato de manifesto aumentado, que os trabalhos de treinamento do SageMaker consomem nativamente. Essa integração estreita permite que a saída rotulada alimente o treinamento do modelo sem transformação personalizada, atendendo ao requisito do enunciado.

E

Incorreta

Ele só pode usar uma força de trabalho pública do Amazon Mechanical Turk.

O Ground Truth suporta forças de trabalho privadas, sua própria força de trabalho gerenciada por fornecedores e fornecedores terceirizados, além do Mechanical Turk, portanto, restringi-lo ao pool público do MTurk é falso. Apenas o MTurk serviria apenas para rotulagem de baixo nível de sensibilidade e crowdsourcing, onde a confidencialidade dos dados não é uma restrição.

Para se aprofundar

O SageMaker Ground Truth orquestra trabalhos de rotulagem gerando um manifesto, distribuindo tarefas para uma força de trabalho e gravando manifestos aumentados com rótulos no S3 que os trabalhos de treinamento consomem diretamente. Ele traz modelos de tarefas integrados para classificação de imagens, detecção de objetos, segmentação semântica, classificação de texto e reconhecimento de entidades nomeadas, portanto, a afirmação de que ele lida apenas com texto é falsa. A rotulagem automatizada de dados usa aprendizado ativo: um modelo treinado com dados já rotulados faz previsões em itens não rotulados, e apenas amostras de baixa confiança são enviadas para humanos, reduzindo substancialmente o custo de rotulagem. As forças de trabalho podem ser o pool público do Mechanical Turk, uma força de trabalho privada de seus próprios funcionários ou uma força de trabalho de um fornecedor, portanto, restringi-lo ao Mechanical Turk está incorreto. Um cenário realista é uma equipe de visão computacional rotulando um milhão de imagens onde o aprendizado ativo reduz a revisão humana a uma fração.

Sobre estas questões de prática

Esta é uma das questões de prática originais de AIF-C01 da Courseiva, escrita para o aprendizado e nunca copiada de provas reais nem de dumps.

Traduzida do original em inglês com IA e conferida quanto ao sentido. Códigos de exame, comandos e nomes de produtos são mantidos como aparecem na prova.