AI901-Concept#150-1
注: この問題は、同じ前提を持つ一連の問題の一部です。それぞれの問題には異なる解決策が提示されます。
前提
ある食品製造企業が、生産ラインの完成品を撮影した画像から不良品 (キズ / 異物混入 / 形状異常) を自動検出する品質管理 AI を Azure AI Foundry で構築します。1 日 10 万枚の画像を処理し、不良品のみオペレーターが目視確認するワークフローを実現したいと考えています。
解決策
Azure AI Vision の image analysis API で各画像を分析し、検出された欠陥領域には境界ボックス付きで結果を返す object detection 機能を活用、結果は Azure Storage + Cosmos DB に保存して品質管理ダッシュボードへ集約します。
この解決策は目的を満たしますか?
解説
【判定: はい】の理由
食品品質管理は object detection の典型ユース ケースで、Azure AI Vision の image analysis API が境界ボックス付き検出を 1 つの API で実現します。1 日 10 万枚 (毎秒約 1.2 枚) 規模は AI Vision の SaaS スループットで余裕を持って処理可能で、欠陥の種別 (キズ / 異物 / 形状異常) は custom vision model に fine-tune することで精度向上できます。検出結果を Cosmos DB に保存し品質ダッシュボードへ可視化する構成は Microsoft Learn のリファレンス アーキテクチャに沿った標準パターンで、不良品のみ人間レビューへ送る hybrid AI ワークフローは Responsible AI の Reliability and safety 原則 (human-in-the-loop) にも合致します。
【「いいえ」が違う理由】
本ソリューションは object detection + hybrid review という製造業 AI 品質管理の標準構成で、機能 / スケール / Responsible AI のいずれの観点でも適切です。「目的を満たさない」と判断する根拠はありません。
食品品質管理は object detection の典型ユース ケースで、Azure AI Vision の image analysis API が境界ボックス付き検出を 1 つの API で実現します。1 日 10 万枚 (毎秒約 1.2 枚) 規模は AI Vision の SaaS スループットで余裕を持って処理可能で、欠陥の種別 (キズ / 異物 / 形状異常) は custom vision model に fine-tune することで精度向上できます。検出結果を Cosmos DB に保存し品質ダッシュボードへ可視化する構成は Microsoft Learn のリファレンス アーキテクチャに沿った標準パターンで、不良品のみ人間レビューへ送る hybrid AI ワークフローは Responsible AI の Reliability and safety 原則 (human-in-the-loop) にも合致します。
【「いいえ」が違う理由】
本ソリューションは object detection + hybrid review という製造業 AI 品質管理の標準構成で、機能 / スケール / Responsible AI のいずれの観点でも適切です。「目的を満たさない」と判断する根拠はありません。
コメント