Azure認定資格 WEB問題集＆徹底解説
AI-900：Microsoft Azure AI Fundamentals
解説
正解はAです。機械学習モデルが特定の条件下で性能低下を示す場合、最も基本的かつ効果的な対処法は、トレーニングデータの多様性を高めることです。異なる照明条件下で撮影された画像をトレーニングセットに追加することで、モデルは照明変化に対してロバストになり、実環境での汎化性能が向上します。Azure AI Custom Visionでは、多様なトレーニングデータを用いることがベストプラクティスとされています。
選択肢 B：ヒストグラム平坦化は画像の明度分布を調整する前処理手法ですが、すべての画像に一律適用すると本来の画像特性が損なわれる可能性があります。また、トレーニング時と推論時で前処理を統一する必要があり、根本的な解決にはなりません。
選択肢 C：事前構築済みモデルは一般的なオブジェクトや概念を認識するように設計されており、特定の産業部品のような専門的な分類タスクには適していません。カスタムモデルが必要な理由を無視した選択肢です。
選択肢 D：モデルアーキテクチャの変更は高度な対応ですが、Azure AI Custom Visionではアーキテクチャの詳細な調整は提供されていません。また、照明変化への対応はデータ多様性の問題であり、モデルの複雑化だけでは解決しません。
選択肢 B：ヒストグラム平坦化は画像の明度分布を調整する前処理手法ですが、すべての画像に一律適用すると本来の画像特性が損なわれる可能性があります。また、トレーニング時と推論時で前処理を統一する必要があり、根本的な解決にはなりません。
選択肢 C：事前構築済みモデルは一般的なオブジェクトや概念を認識するように設計されており、特定の産業部品のような専門的な分類タスクには適していません。カスタムモデルが必要な理由を無視した選択肢です。
選択肢 D：モデルアーキテクチャの変更は高度な対応ですが、Azure AI Custom Visionではアーキテクチャの詳細な調整は提供されていません。また、照明変化への対応はデータ多様性の問題であり、モデルの複雑化だけでは解決しません。
関連サービスの解説
Azure AI Custom Vision＋ 質問 / コメント
解答・解説に疑問がある場合や、よりよい解説がある場合など、お気軽にコメントください。ただし、短文コメントは表示されません。また、中傷などコメントの内容によっては、会員機能を停止させて頂きます。教え学び合える場になれば嬉しいです。（コメント投稿にはログインが必要です）
正答率 %
No.12 解説
ある企業では、Azure AI Custom Visionを利用して製造ラインで使用される部品の外観検査を自動化しています。開発したカスタム分類モデルは、トレーニング環境では高い精度を示しましたが、実際の製造現場に導入したところ、時間帯によって異なる照明環境下での分類精度が大きく低下することが判明しました。
この問題に対処するために、最も効果的なアプローチはどれですか。
この問題に対処するために、最も効果的なアプローチはどれですか。
- トレーニングデータセットに、朝・昼・夕方など異なる時間帯の照明条件で撮影した画像を追加する
- すべての入力画像に対してヒストグラム平坦化処理を適用してから推論を実行する
- Azure AI Visionの事前構築済みモデルに切り替えて画像分類を実施する
- モデルのアーキテクチャを変更し、畳み込み層とプーリング層の数を増やす