Developing AI Apps and Agents on Azure (AI-103) — Übungsfragen und Probeprüfung

Azure AI Content Understanding erweitert die Feldextraktion auf alle Modalitäten, auch auf Bilder. Mit der Feldextraktion aus Bildern kannst du auf Basis eines von dir definierten Schemas eigene strukturierte Felder aus Bildern extrahieren; Felder können direkt extrahiert, aus einer Menge von Kategorien klassifiziert oder mit einem generativen Modell erzeugt werden. Das passt gut zur Regalanalyse im Handel, zur Qualitätskontrolle in der Fertigung und zu diagrammbasiertem BI, wo du strukturierte Ausgaben statt frei formulierter Bildbeschreibungen brauchst. Anders als Image Analysis Caption (ein fester Satz) oder generisches VQA ist die Feldextraktion aus Bildern schemagesteuert und liefert maschinenlesbare Felder. Prüfungstipp: „eigene, schemagesteuerte strukturierte Felder aus Bildern, mit Klassifizierungs- und generativen Optionen“ = Feldextraktion aus Bildern in Content Understanding.

Der Document Layout-Skill in Azure AI Search ruft das Layoutmodell von Azure Document Intelligence auf, um die Dokumentstruktur zu erkennen und eine syntaktische Darstellung als Markdown oder Text auszugeben. Seine Einstellung markdownHeaderDepth steuert die Verschachtelung der Abschnitte, und wenn er für Textausgabe mit Bildextraktion konfiguriert ist, gibt er normalized_images zusammen mit locationMetadata zurück, das die Position jedes Bildes im Dokument festhält. Bilder in der Nähe ihres zugehörigen Inhalts zu halten, ist für RAG und multimodale Suche wertvoll. Prüfungstipp: „strukturbewusstes Markdown plus Positionsmetadaten für Bilder bei multimodalem RAG“ weist auf den Document Layout-Skill hin, nicht auf einfaches OCR.

Azure Language unterteilt die PII-Erkennung nach der Form der Eingabe statt nach den beteiligten Entitätstypen, und diese Aufteilung bestimmt sowohl das API-Muster als auch die Qualität des Ergebnisses. Einfache Strings werden synchron verarbeitet, was zur Schwärzung einer Nachricht oder Logzeile zum Anfragezeitpunkt passt. Native Dateien werden asynchron verarbeitet, und die Ausgabe erhält die Dokumentstruktur, was wichtig ist, wenn das geschwärzte Ergebnis als Dokument lesbar bleiben muss. Konversationen bilden eine eigene Form, weil der Kontext über Gesprächsbeiträge hinweg reicht: Ein einmal genannter Name kann dazu führen, dass ein späteres Pronomen die Person identifiziert, und die Maskierung muss berücksichtigen, wer was gesagt hat. Wählst du den falschen Funktionstyp, werden meist trotzdem Entitäten zurückgegeben, weshalb der Fehler die Überprüfung übersteht; es sind nur schlechtere. Zuerst den Funktionstyp an die Datenform anzupassen und danach die Entitätskategorien abzustimmen, ist die verlässliche Reihenfolge.

Die Observability von Microsoft Foundry beruht auf drei Säulen: Evaluierung (Messung von Qualität und Sicherheit), Monitoring (Produktions-Dashboards und Warnungen) und Tracing. Tracing bietet eine verteilte, durchgängige Sicht auf die Ausführung einer KI-Anwendung: Es zeichnet LLM-Aufrufe, Tool-Aufrufe, Agent-Entscheidungen und Abhängigkeiten zwischen Diensten auf. Es basiert auf dem OpenTelemetry-Standard und ist in Azure Monitor Application Insights integriert, also genau das, was du brauchst, um das Verhalten mehrstufiger Agents zu debuggen, Engpässe zu finden und Argumentationsketten zu verstehen. Tracing unterstützt Frameworks, darunter das Microsoft Agent Framework und das OpenAI Agents SDK. Prüfungstipp: Wenn eine Frage „Ausführungsablauf“, „jede Entscheidung“, „OpenTelemetry“ oder „Application Insights zum Debuggen von Agents“ erwähnt, lautet die Antwort Tracing.