AI901-Foundry#139-1
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
ある大手小売チェーンが、店舗の棚画像 (1 店舗あたり 1 日 200 枚、全 500 店舗で 10 万枚 / 日) から「商品の陳列状況」「欠品」「価格カード位置」を自動検出するソリューションを Azure AI Foundry で構築します。要件はリアルタイム性 (撮影から 5 分以内)、ブランド固有の商品認識精度、コスト最適化、運用負荷の最小化です。
解決策
Foundry hub に Azure AI Vision と Custom Vision の connection を登録し、汎用 object detection (Vision 4.0 Image Analysis) で物体位置を抽出した上で、ブランド固有の商品 SKU 認識は Custom Vision の object detection モデルを訓練して併用、Azure Functions のサーバーレス実行で 1 日 10 万枚を非同期処理して Power BI に集約するパイプラインを構築します。
この解決策は目的を満たしますか?
解説
【判定: はい】の理由
本構成は Microsoft Learn の Retail Shelf Analytics リファレンス アーキテクチャに完全に整合する正攻法です。Azure AI Vision の汎用 object detection は「商品」「ラベル」「棚」のような汎用カテゴリを高精度に検出でき、ブランド固有の SKU レベル認識は Custom Vision で社内画像データから訓練したカスタム モデルを併用することで、汎用と特化の両方の精度を兼備できます。Azure Functions のサーバーレス スケールは 1 日 10 万枚の処理量に対し低コストかつ運用負荷小、Power BI への集約は店舗運営側にとって既存ワークフローと整合します。5 分以内のリアルタイム性も Functions の即時実行で十分達成可能です。Foundry hub の connection 経由で Vision / Custom Vision の credential を中央管理することで運用負荷も最小化され、Responsible AI Standard の Accountability 観点でも監査ログが自動取得される構成です。Microsoft 公式の retail vision AI ソリューションとして本番運用に耐える完成度の高い設計です。
【「いいえ」が違う理由】
本構成は Microsoft 推奨アーキテクチャと完全に一致し、要件 (リアルタイム / 精度 / コスト / 運用負荷) を全方位で満たします。「目的を満たさない」と判断する根拠はありません。
本構成は Microsoft Learn の Retail Shelf Analytics リファレンス アーキテクチャに完全に整合する正攻法です。Azure AI Vision の汎用 object detection は「商品」「ラベル」「棚」のような汎用カテゴリを高精度に検出でき、ブランド固有の SKU レベル認識は Custom Vision で社内画像データから訓練したカスタム モデルを併用することで、汎用と特化の両方の精度を兼備できます。Azure Functions のサーバーレス スケールは 1 日 10 万枚の処理量に対し低コストかつ運用負荷小、Power BI への集約は店舗運営側にとって既存ワークフローと整合します。5 分以内のリアルタイム性も Functions の即時実行で十分達成可能です。Foundry hub の connection 経由で Vision / Custom Vision の credential を中央管理することで運用負荷も最小化され、Responsible AI Standard の Accountability 観点でも監査ログが自動取得される構成です。Microsoft 公式の retail vision AI ソリューションとして本番運用に耐える完成度の高い設計です。
【「いいえ」が違う理由】
本構成は Microsoft 推奨アーキテクチャと完全に一致し、要件 (リアルタイム / 精度 / コスト / 運用負荷) を全方位で満たします。「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