MédiaMúltipla escolha

Questão de prática de AI-900

O que é 'product recognition' no Azure AI Vision para cenários de varejo?

Escolha a melhor resposta.

Resposta correta

  • BIdentificar produtos de varejo e verificar a conformidade de posicionamento nas prateleiras usando computer vision

Explicação

A 'product recognition' no Azure AI Vision para cenários de varejo foi projetada especificamente para identificar produtos de varejo e verificar a conformidade de posicionamento nas prateleiras usando computer vision. Ela usa detecção de objetos e análise de imagens para reconhecer produtos em imagens ou fluxos de vídeo e, em seguida, compara a localização deles com um planograma predefinido para garantir que os itens estejam corretamente repostos e posicionados. Esse recurso ajuda os varejistas a automatizar o gerenciamento de estoque e otimizar o layout das prateleiras.

Por que cada alternativa está certa ou errada

A

Incorreta

Escanear códigos de barras de produtos para consultar informações de estoque

A leitura de códigos de barras não aproveita a computer vision para a identificação de produtos; ela simplesmente decodifica um código universal de produto (UPC) e usa uma consulta em banco de dados para recuperar os detalhes do inventário. Em contrapartida, a 'product recognition' usa modelos de machine learning para analisar visualmente a aparência do produto, como cor, formato e gráficos de etiquetas, sem depender de nenhum identificador codificado. Como a pergunta aborda especificamente a identificação de produtos usando computer vision, a leitura de códigos de barras é uma técnica tradicional sem visão e, portanto, está incorreta.

B

Correta

Identificar produtos de varejo e verificar a conformidade de posicionamento nas prateleiras usando computer vision

Esta é a resposta correta porque a 'product recognition' no Azure AI (por exemplo, Custom Vision ou Azure AI Vision Image Analysis) foi projetada para detectar e rotular produtos de varejo a partir de imagens de prateleiras, permitindo a avaliação automatizada da conformidade do planograma. O modelo identifica cada produto por suas características visuais e pode comparar a localização detectada com o layout esperado, indicando se os itens estão esgotados, desalinhados ou posicionados incorretamente. Isso corresponde diretamente ao cenário de uso de computer vision para identificação de produtos de varejo e verificação de posicionamento nas prateleiras.

C

Incorreta

Gerar descrições de produtos a partir de imagens para listagens de comércio eletrônico

Gerar descrições de produtos a partir de imagens é uma tarefa de IA generativa, frequentemente realizada com grandes modelos de linguagem multimodais que recebem uma imagem como entrada e sintetizam texto em linguagem natural coerente. A 'product recognition', por sua vez, é uma tarefa discriminativa que produz identidades de produtos e localizações de caixas delimitadoras, e não descrições geradas. Os modelos subjacentes e as saídas são fundamentalmente diferentes: o reconhecimento envolve classificação/detecção, enquanto a geração de descrições envolve a geração de linguagem a partir de entradas visuais, tornando esta opção incorreta para o cenário de reconhecimento de produtos declarado.

D

Incorreta

Detectar produtos falsificados ou danificados em uma linha de qualidade de fabricação

Detectar produtos falsificados ou danificados em uma linha de fabricação é uma tarefa de controle de qualidade que normalmente usa algoritmos de detecção de defeitos ou detecção de anomalias, como a inspeção de texturas de superfície, rachaduras ou irregularidades. A 'product recognition', no entanto, tem escopo específico para identificar e localizar produtos de varejo em imagens de prateleiras para análises de merchandising, e não para avaliar a condição física ou a autenticidade. Embora ambos usem computer vision, o objetivo, os dados e a saída diferem: um classifica defeitos em itens fabricados, enquanto o outro identifica a presença e o posicionamento de SKU em um ambiente de varejo.

Para se aprofundar

A 'product recognition' do Azure AI é baseada em técnicas de detecção de objetos e classificação de imagens, usando normalmente modelos como uma YOLO treinada sob medida ou uma CNN baseada em regiões para localizar e identificar produtos na imagem de uma prateleira de varejo. Ao contrário da classificação genérica de imagens, ela precisa lidar com diferenças sutis entre SKUs de aparência semelhante, razão pela qual os dados de treinamento geralmente incluem múltiplos ângulos, condições de iluminação e variantes de embalagem. Uma sutileza comum é que a verificação de conformidade do planograma requer tanto a detecção do produto quanto uma comparação espacial entre o layout detectado e um arranjo de referência, às vezes envolvendo homografia ou correção de perspectiva. Isso a distingue de tarefas relacionadas: a leitura de códigos de barras é determinística, mas falha quando os códigos de barras estão ocultos ou danificados, enquanto a detecção de defeitos procura anomalias em vez de identidades de produtos conhecidas. As implantações no mundo real também exigem o retreinamento contínuo do modelo porque as embalagens mudam com frequência, e um modelo treinado em imagens estáticas de prateleiras pode ficar obsoleto rapidamente, ilustrando por que os recursos de retreinamento do Azure Custom Vision ou do Azure AI Vision são fundamentais para manter a precisão em produção. Um equívoco generalizado é que 'product recognition' significa qualquer identificação visual de um produto, mas no contexto do Azure AI e da indústria varejista, refere-se especificamente ao reconhecimento de produtos nas prateleiras para dar suporte à automação de merchandising, e não a QA de fabricação ou a conteúdo de listagem gerativa.

Sobre estas questões de prática

Esta é uma das questões de prática originais de AI-900 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.