Bonne réponse
- BCollecter périodiquement de nouvelles images avec des étiquettes, réentraîner le modèle dans Custom Vision et redéployer le conteneur mis à jour.
Explication
Les modèles Custom Vision déployés dans des conteneurs sur des appareils edge n'exposent pas de point de terminaison REST auquel la surveillance de la dérive des données d'Azure Machine Learning peut accéder directement. La seule façon de détecter la dérive et de réentraîner consiste à collecter périodiquement de nouvelles images étiquetées de la chaîne de production, à réentraîner le modèle dans Custom Vision et à redéployer le conteneur mis à jour sur le serveur edge.
Pour aller plus loin
Custom Vision exporte une image de conteneur Docker qui exécute l'inférence hors ligne sur le serveur edge, mais le conteneur est statique : il n'effectue aucune télémétrie vers Azure et n'expose aucun point de terminaison de détection de dérive, de sorte que la surveillance de la dérive Azure Machine Learning ne peut pas s'y connecter. L'apprentissage actif et les alertes de dérive sont des fonctionnalités de la ressource Custom Vision hébergée, et non du conteneur exporté. La boucle pratique consiste à capturer des images de production sur l'edge, à les étiqueter (souvent avec une révision humaine des prédictions à faible confiance), à les télécharger dans le projet Custom Vision, à réentraîner une itération, puis à réexporter et redéployer le conteneur. Une subtilité : le réentraînement crée une nouvelle itération et vous devez la publier explicitement avant l'exportation. Cela importe sur les chaînes de montage où l'éclairage ou les fournisseurs de pièces changent progressivement.
À propos de ces questions d'entraînement
Cette question fait partie des questions d'entraînement AI-102 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.