AI901-Foundry#156-1
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
ある家電メーカーが、製造ラインのカメラ画像から「製品本体の傷・ヘコミ・色ムラ・ラベル貼り付け不良」の 4 種類の不良を自動検出する品質管理ソリューションを Azure AI Foundry で構築します。要件は不良タイプ別の bounding box 検出、業界固有の不良パターン精度、Edge デバイス (工場内 PC) へのオフライン デプロイ オプション、Responsible AI 配慮です。
解決策
Azure AI Custom Vision の object detection プロジェクトを compact domain で作成し、不良タイプ別のラベル付き画像で訓練後、クラウドでの推論 endpoint と Edge エクスポート (ONNX) の両方を準備、工場 PC ではローカル ONNX 推論、品質管理本部ダッシュボードにはクラウド endpoint を活用するハイブリッド構成にします。
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 Manufacturing Quality Inspection リファレンス アーキテクチャに完全に整合します。Custom Vision の object detection プロジェクトを compact domain で作成すれば、不良タイプ別の bounding box を高精度に検出するモデルを少量のラベル付き画像から訓練でき、業界固有の不良パターン (傷 / ヘコミ / 色ムラ / ラベル不良) の精度を体系的に底上げできます。compact domain の特徴であるエクスポート機能を活用すれば、ONNX / TensorFlow Lite 等で工場内 PC にローカル デプロイでき、製造ライン側はネットワーク遅延ゼロでリアルタイム判定が可能になります。同時にクラウド endpoint も用意することで、品質管理本部のダッシュボードでは集約データを分析でき、エッジとクラウドのハイブリッド構成が成立します。Foundry hub の connection で Custom Vision を一元管理し、Responsible AI 観点では Transparency note の活用 / 監査ログ保全 / 不良判定の Human-in-the-loop レビューを併用することで Accountability を担保できる本番品質の設計です。
【「いいえ」が違う理由】
本構成は Microsoft 推奨の製造業 vision AI パターンと完全一致で、要件 (検出 / 精度 / Edge / Responsible AI) を全方位で満たします。
本構成は Microsoft Learn の Manufacturing Quality Inspection リファレンス アーキテクチャに完全に整合します。Custom Vision の object detection プロジェクトを compact domain で作成すれば、不良タイプ別の bounding box を高精度に検出するモデルを少量のラベル付き画像から訓練でき、業界固有の不良パターン (傷 / ヘコミ / 色ムラ / ラベル不良) の精度を体系的に底上げできます。compact domain の特徴であるエクスポート機能を活用すれば、ONNX / TensorFlow Lite 等で工場内 PC にローカル デプロイでき、製造ライン側はネットワーク遅延ゼロでリアルタイム判定が可能になります。同時にクラウド endpoint も用意することで、品質管理本部のダッシュボードでは集約データを分析でき、エッジとクラウドのハイブリッド構成が成立します。Foundry hub の connection で Custom Vision を一元管理し、Responsible AI 観点では Transparency note の活用 / 監査ログ保全 / 不良判定の Human-in-the-loop レビューを併用することで Accountability を担保できる本番品質の設計です。
【「いいえ」が違う理由】
本構成は Microsoft 推奨の製造業 vision AI パターンと完全一致で、要件 (検出 / 精度 / Edge / Responsible AI) を全方位で満たします。
コメント