MédiaMúltipla escolha

Questão de prática de AI-900

Uma empresa de varejo usa câmeras montadas no teto para monitorar o estoque nas prateleiras. Eles desejam um sistema automatizado que analise cada imagem da câmera para detectar se algum produto está faltando em sua localização esperada na prateleira (uma lacuna de produto). Qual recurso do Azure Computer Vision eles devem usar?

Escolha a melhor resposta.

Resposta correta

  • CObject detection

Explicação

Object detection (detecção de objetos) é a escolha correta porque pode identificar e localizar vários objetos (por exemplo, caixas de produtos) dentro de uma imagem e determinar se itens esperados estão faltando em suas posições designadas na prateleira. Ao contrário da Image classification (classificação de imagens), que atribui um único rótulo a toda a imagem, a detecção de objetos fornece caixas delimitadoras e rótulos de classe para cada objeto detectado, permitindo uma análise precisa de lacunas.

Por que cada alternativa está certa ou errada

A

Incorreta

Image classification

A Image classification atribui um rótulo a uma imagem inteira, portanto, não pode localizar um produto ausente em uma posição específica da prateleira. É a escolha correta quando a imagem inteira precisa de uma única categoria, como sinalizar uma imagem como uma prateleira estocada ou vazia.

B

Incorreta

Optical Character Recognition (OCR)

O OCR extrai texto de imagens, e uma lacuna física no estoque da prateleira não contém caracteres para ler. É o recurso correto quando a tarefa envolve a leitura de rótulos, etiquetas de preço ou sinalização de prateleira em vez de detectar a ausência de um objeto.

C

Correta

Object detection

A Object detection localiza e classifica vários itens dentro de uma imagem e retorna caixas delimitadoras, permitindo que o sistema identifique produtos e determine se um item esperado está ausente de sua posição na prateleira. A classificação de imagens por si só não pode relatar lacunas de localização.

D

Incorreta

Face detection

A Face detection retorna caixas delimitadoras e atributos para rostos humanos, e as lacunas nas prateleiras não contêm rostos para localizar. É o recurso correto quando o requisito é localizar ou verificar pessoas, como contar clientes ou estimar dados demográficos a partir de imagens de câmera.

Para se aprofundar

A detecção de objetos retorna caixas delimitadoras com rótulos de classe e pontuações de confiança para cada instância detectada, normalmente por meio de modelos como YOLO ou Faster R-CNN expostos por meio da detecção de objetos do Azure AI Vision ou Custom Vision. Ao contrário da classificação de imagens, que atribui um rótulo a todo o quadro, a detecção localiza vários objetos e suas posições, portanto, um modelo de prateleira pode ser treinado em regiões de 'produto presente' versus 'lacuna'. Um limite sutil: a precisão da detecção degrada com oclusão, objetos pequenos e desequilíbrio de classes, e o serviço impõe cotas de imagem e tag por projeto. Na prática, um varejista treina um detector personalizado em imagens de prateleira rotuladas e, em seguida, executa a inferência em cada quadro da câmera; as lacunas são sinalizadas quando nenhuma caixa de produto se sobrepõe a uma região de slot esperada, acionando alertas de reabastecimento.

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.