Quay lại bộ đề
Question #38 Topic 1
You work for a shipping company that has distribution centers where packages move on delivery lines to route them properly. The company wants to add cameras to the delivery lines to detect and track any visual damage to the packages in transit. You need to create a way to automate the detection of damaged packages and flag them for human review in real time while the packages are in transit. Which solution should you choose?
Bạn làm việc cho một công ty vận chuyển có các trung tâm phân phối, nơi các kiện hàng di chuyển trên các băng chuyền để định tuyến chúng một cách chính xác. Công ty muốn lắp đặt thêm máy ảnh trên các băng chuyền này để phát hiện và theo dõi bất kỳ hư hỏng vật lý nào đối với các kiện hàng trong quá trình vận chuyển. Bạn cần tạo ra một phương thức tự động phát hiện các kiện hàng bị hư hỏng và gắn cờ chúng để con người xem xét lại theo thời gian thực khi các kiện hàng đang di chuyển. Bạn nên chọn giải pháp nào?
A
Use BigQuery machine learning to be able to train the model at scale, so you can analyze the packages in batches.
Sử dụng BigQuery machine learning để có thể huấn luyện mô hình ở quy mô lớn, từ đó phân tích các kiện hàng theo lô.
B
Train an AutoML model on your corpus of images, and build an API around that model to integrate with the package tracking applications.
Huấn luyện một mô hình AutoML trên tập hợp hình ảnh của bạn, và xây dựng một API xung quanh mô hình đó để tích hợp với các ứng dụng theo dõi kiện hàng.
C
Use the Cloud Vision API to detect for damage, and raise an alert through Cloud Functions. Integrate the package tracking applications with this function.
Sử dụng Cloud Vision API để phát hiện hư hỏng, và phát cảnh báo qua Cloud Functions. Tích hợp các ứng dụng theo dõi kiện hàng với hàm này.
D
Use TensorFlow to create a model that is trained on your corpus of images. Create a Python notebook in Cloud Datalab that uses this model so you can analyze for damaged packages.
Sử dụng TensorFlow để tạo ra một mô hình được huấn luyện trên tập hợp hình ảnh của bạn. Tạo một notebook Python trong Cloud Datalab sử dụng mô hình này để phân tích các kiện hàng bị hư hỏng.
Giải thích & Tài liệu tham khảo
Để tự động phát hiện các kiện hàng bị hư hỏng dựa trên hình ảnh thực tế (một bài toán phân loại hình ảnh hoặc phát hiện vật thể tùy chỉnh) và thực hiện theo thời gian thực (real-time):
- B. Huấn luyện mô hình AutoML Vision: Do hư hỏng của các kiện hàng là một đặc tính riêng biệt của doanh nghiệp và không có sẵn trong các mô hình chung của Google, bạn cần huấn luyện một mô hình tùy chỉnh bằng hình ảnh của chính mình. Vertex AI AutoML Vision (trước đây là AutoML Vision) cho phép bạn dễ dàng tải lên các hình ảnh có nhãn (bình thường vs. hư hỏng) để huấn luyện mô hình chất lượng cao mà không cần viết nhiều mã deep learning phức tạp. Sau đó, bạn có thể triển khai mô hình này thành một API trực tuyến (online endpoint) có độ trễ thấp để tích hợp với các ứng dụng theo dõi băng chuyền theo thời gian thực.
Các lựa chọn khác không phù hợp:
- A: BigQuery ML không được thiết kế cho các tác vụ xử lý/phân tích hình ảnh thời gian thực từ camera băng chuyền, và chạy theo lô (batch) sẽ không giúp can thiệp kịp thời khi kiện hàng đang di chuyển.
- C: Cloud Vision API cung cấp các tính năng được huấn luyện sẵn (như nhận diện khuôn mặt, nhãn phổ biến, chữ viết). Nó không có khả năng phát hiện vết rách hay hư hỏng đặc thù của các loại kiện hàng cụ thể trừ khi được huấn luyện tùy chỉnh qua AutoML.
- D: Việc tạo mô hình TensorFlow từ đầu yêu cầu nhiều thời gian phát triển và Cloud Datalab (đã ngừng hoạt động/thay thế) là một công cụ phân tích tĩnh, không phù hợp để làm hệ thống phục vụ API thời gian thực trên dây chuyền sản xuất.
(Đáp án được gợi ý bởi AI)