MediaOpción múltiple

Pregunta de práctica de AI-900

¿Qué es la 'product recognition' en Azure AI Vision para escenarios de retail?

Elige la mejor respuesta.

Respuesta correcta

  • BIdentificar productos de retail y verificar el cumplimiento de la colocación en estantes mediante computer vision

Explicación

La 'product recognition' en Azure AI Vision para escenarios de retail está diseñada específicamente para identificar productos de retail y verificar el cumplimiento de la colocación en estantes mediante computer vision. Utiliza detección de objetos y análisis de imágenes para reconocer productos en imágenes o flujos de video, y luego compara su ubicación con un planograma predefinido para garantizar que los artículos estén correctamente abastecidos y posicionados. Esta capacidad ayuda a los minoristas a automatizar la gestión de inventario y optimizar la disposición de los estantes.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Escanear códigos de barras de productos para buscar información de inventario

El escaneo de códigos de barras no aprovecha computer vision para la identificación de productos; simplemente decodifica un código universal de producto (UPC) y utiliza una búsqueda en base de datos para recuperar los detalles del inventario. En contraste, la 'product recognition' utiliza modelos de machine learning para analizar visualmente la apariencia del producto, como color, forma y gráficos de etiquetas, sin depender de ningún identificador codificado. Dado que la pregunta pregunta específicamente sobre la identificación de productos mediante computer vision, el escaneo de códigos de barras es una técnica tradicional sin visión y, por lo tanto, es incorrecta.

B

Correcta

Identificar productos de retail y verificar el cumplimiento de la colocación en estantes mediante computer vision

Esta es la respuesta correcta porque la 'product recognition' en Azure AI (por ejemplo, Custom Vision o Azure AI Vision Image Analysis) está diseñada para detectar y etiquetar productos de retail a partir de imágenes de estantes, permitiendo una evaluación automatizada del cumplimiento del planograma. El modelo identifica cada producto por sus características visuales y puede comparar la ubicación detectada con el diseño esperado, indicando si los artículos están agotados, desalineados o colocados incorrectamente. Esto coincide directamente con el escenario de uso de computer vision para la identificación de productos de retail y la verificación de la colocación en estantes.

C

Incorrecta

Generar descripciones de productos a partir de imágenes para listados de comercio electrónico

Generar descripciones de productos a partir de imágenes es una tarea de IA generativa, que a menudo se logra con modelos de lenguaje grandes multimodales que toman una imagen como entrada y sintetizan texto en lenguaje natural coherente. La 'product recognition', en cambio, es una tarea discriminativa que genera identidades de productos y ubicaciones de cuadros delimitadores, no descripciones generadas. Los modelos subyacentes y las salidas son fundamentalmente diferentes: el reconocimiento implica clasificación/detección, mientras que la generación de descripciones implica la generación de lenguaje a partir de entradas visuales, lo que hace que esta opción sea incorrecta para el escenario de reconocimiento de productos establecido.

D

Incorrecta

Detectar productos falsificados o dañados en una línea de calidad de fabricación

La detección de productos falsificados o dañados en una línea de fabricación es una tarea de control de calidad que normalmente utiliza algoritmos de detección de defectos o detección de anomalías, como la inspección de texturas superficiales, grietas o irregularidades. La 'product recognition', sin embargo, está específicamente enfocada en identificar y localizar productos de retail en imágenes de estantes para análisis de merchandising, no para evaluar la condición física o la autenticidad. Aunque ambos utilizan computer vision, el objetivo, los datos y la salida difieren: uno clasifica defectos en artículos fabricados, mientras que el otro identifica la presencia y colocación de SKU en un entorno de retail.

Para profundizar

La 'product recognition' de Azure AI se basa en técnicas de detección de objetos y clasificación de imágenes, utilizando normalmente modelos como YOLO entrenado a medida o una CNN basada en regiones para localizar e identificar productos dentro de la imagen de un estante de retail. A diferencia de la clasificación de imágenes genérica, debe manejar diferencias sutiles entre SKU de apariencia similar, razón por la cual los datos de entrenamiento a menudo incluyen múltiples ángulos, condiciones de iluminación y variantes de empaque. Un detalle sutil común es que la verificación del cumplimiento del planograma requiere tanto la detección del producto como una comparación espacial entre el diseño detectado y una disposición de referencia, a veces involucrando homografía o corrección de perspectiva. Esto la distingue de tareas relacionadas: el escaneo de códigos de barras es determinista pero falla cuando los códigos de barras están ocultos o dañados, mientras que la detección de defectos busca anomalías en lugar de identidades de productos conocidas. Las implementaciones en el mundo real también exigen un reentrenamiento continuo del modelo porque el empaque cambia con frecuencia, y un modelo entrenado en imágenes estáticas de estantes puede volverse obsoleto rápidamente, lo que ilustra por qué las capacidades de reentrenamiento de Azure Custom Vision o Azure AI Vision son fundamentales para mantener la precisión en producción. Un concepto erróneo muy extendido es que la 'product recognition' significa cualquier identificación visual de un producto, pero en el contexto de Azure AI y la industria del retail, se refiere específicamente a reconocer productos en los estantes para respaldar la automatización de merchandising, no a QA de fabricación ni a contenido de listados generativos.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de AI-900 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.