ある小売企業が店舗棚の商品検出MLモデル開発のため、Amazon S3に保存された50万枚の未ラベル画像にバウンディングボックス（物体を囲む矩形領域）でアノテーション（注釈付け）する必要があります。高品質なラベルを確保しながら、人手によるラベリングコストを最小化したいと考えています。最も適切なアプローチはどれですか？
Amazon SageMaker Ground Truth のオートラベリング機能を有効化する。Amazon Mechanical Turk ワーカーによる初期ラベリングデータを基に内部モデルが学習し、高信頼度の画像は自動ラベル付け・低信頼度の画像のみワーカーへルーティングするパイプラインを構築する SageMaker Ground Truth のオートラベリングは能動学習（Active Learning）を採用しており、人手でラベル付けされたデータが一定量蓄積されると内部MLモデルをトレーニングし、高信頼度の画像を自動ラベル付けします。不確実な画像のみ人間のワーカー（Mechanical Turk・プライベートチーム・ベンダーから選択可）にルーティングされるため、人的コストを最大70〜80%削減できます。アノテーション統合（複数ワーカーの回答をBayesian手法で集約）による品質管理も行われます。 選択肢Bは理由。Amazon Rekognition Custom Labels は推論サービスであり正解ラベルの生成には不適切です。 選択肢Cは理由。Amazon SageMaker Data Wrangler のデータ変換レシピはバウンディングボックスのようなUI操作が必要な空間アノテーションに対応していません。 選択肢Dは理由。メタデータベースのルールはバウンディングボックスのような空間的アノテーション要件に対応できません。