MoyenneChoix unique

Question d'entraînement AI-900

Qu'est-ce que la 'product recognition' dans Azure AI Vision pour les scénarios de vente au détail ?

Choisissez la meilleure réponse.

Bonne réponse

  • BIdentifier les produits de vente au détail et vérifier la conformité du placement en rayon à l'aide de la computer vision

Explication

La 'product recognition' dans Azure AI Vision pour les scénarios de vente au détail est spécifiquement conçue pour identifier les produits de vente au détail et vérifier la conformité du placement en rayon à l'aide de la computer vision. Elle utilise la détection d'objets et l'analyse d'images pour reconnaître les produits dans des images ou des flux vidéo, puis compare leur emplacement à un planogramme prédéfini pour s'assurer que les articles sont correctement stockés et positionnés. Cette capacité aide les détaillants à automatiser la gestion des stocks et à optimiser la disposition des rayons.

Pourquoi chaque option est juste ou fausse

A

Fausse

Scanner des codes-barres de produits pour rechercher des informations sur les stocks

La lecture de codes-barres n'exploite pas la computer vision pour l'identification des produits ; elle décode simplement un code universel de produit (UPC) et utilise une recherche dans une base de données pour récupérer les détails de l'inventaire. En revanche, la 'product recognition' utilise des modèles de machine learning pour analyser visuellement l'apparence du produit, telle que la couleur, la forme et les graphiques des étiquettes, sans s'appuyer sur aucun identifiant codé. Étant donné que la question porte spécifiquement sur l'identification de produits à l'aide de la computer vision, la lecture de codes-barres est une technique traditionnelle sans vision et est donc incorrecte.

B

Juste

Identifier les produits de vente au détail et vérifier la conformité du placement en rayon à l'aide de la computer vision

C'est la bonne réponse car la 'product recognition' dans Azure AI (par exemple, Custom Vision ou Azure AI Vision Image Analysis) est conçue pour détecter et étiqueter les produits de vente au détail à partir d'images de rayons, permettant une évaluation automatisée de la conformité du planogramme. Le modèle identifie chaque produit par ses caractéristiques visuelles et peut comparer l'emplacement détecté à la disposition attendue, indiquant si les articles sont en rupture de stock, mal alignés ou mal placés. Cela correspond directement au scénario d'utilisation de la computer vision pour l'identification de produits de vente au détail et la vérification du placement en rayon.

C

Fausse

Générer des descriptions de produits à partir d'images pour les listes de commerce électronique

Générer des descriptions de produits à partir d'images est une tâche d'IA générative, souvent réalisée avec des grands modèles de langage multimodaux qui prennent une image en entrée et synthétisent un texte en langage naturel cohérent. La 'product recognition', en revanche, est une tâche discriminative qui produit des identités de produits et des emplacements de boîtes englobantes, et non des descriptions générées. Les modèles sous-jacents et les sorties sont fondamentalement différents : la reconnaissance implique la classification/détection, tandis que la génération de descriptions implique la génération de langage à partir d'entrées visuelles, ce qui rend cette option incorrecte pour le scénario de reconnaissance de produits indiqué.

D

Fausse

Détecter des produits contrefaits ou endommagés sur une ligne de qualité de fabrication

La détection de produits contrefaits ou endommagés sur une ligne de fabrication est une tâche de contrôle de qualité qui utilise généralement des algorithmes de détection de défauts ou de détection d'anomalies, tels que l'inspection des textures de surface, des fissures ou des irrégularités. La 'product recognition', cependant, est spécifiquement ciblée sur l'identification et la localisation de produits de vente au détail dans l'imagerie de rayons pour l'analyse du merchandising, et non pour évaluer l'état physique ou l'authenticité. Bien que les deux utilisent la computer vision, l'objectif, les données et la sortie diffèrent : l'un classifie les défauts dans les articles fabriqués, tandis que l'autre identifie la présence et le placement de SKU dans un environnement de vente au détail.

Pour aller plus loin

La 'product recognition' d'Azure AI repose sur des techniques de détection d'objets et de classification d'images, utilisant généralement des modèles tels qu'un YOLO personnalisé ou un CNN basé sur des régions pour localiser et identifier les produits dans l'image d'un rayon de vente au détail. Contrairement à la classification d'images générique, elle doit gérer des différences subtiles entre des SKU d'apparence similaire, c'est pourquoi les données d'entraînement incluent souvent plusieurs angles, conditions d'éclairage et variantes d'emballage. Une subtilité courante est que la vérification de la conformité du planogramme nécessite à la fois la détection du produit et une comparaison spatiale entre la disposition détectée et un agencement de référence, impliquant parfois une homographie ou une correction de perspective. Cela la distingue des tâches associées : la lecture de codes-barres est déterministe mais échoue lorsque les codes-barres sont cachés ou endommagés, tandis que la détection de défauts recherche des anomalies plutôt que des identités de produits connues. Les déploiements réels exigent également un réentraînement continu du modèle car les emballages changent fréquemment, et un modèle entraîné sur des images de rayons statiques peut devenir rapidement obsolète, ce qui illustre pourquoi les capacités de réentraînement d'Azure Custom Vision ou d'Azure AI Vision sont essentielles pour maintenir la précision en production. Une idée fausse très répandue est que la 'product recognition' signifie toute identification visuelle d'un produit, mais dans le contexte d'Azure AI et de l'industrie de la vente au détail, elle fait spécifiquement référence à la reconnaissance de produits en rayon pour soutenir l'automatisation du merchandising, et non au QA de fabrication ou au contenu de listes génératives.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement AI-900 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.