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

Die Observability von Microsoft Foundry ruht auf drei Säulen: Evaluation (Messung von Qualität und Sicherheit), Monitoring (Dashboards und Alerts für den Produktivbetrieb) und Tracing. Tracing bietet verteilte, durchgängige Einsicht in die Ausführung einer KI-Anwendung: Es zeichnet LLM-Aufrufe, Tool-Aufrufe, Entscheidungen des Agenten 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 Agenten zu debuggen, Engpässe zu finden und Argumentationsketten nachzuvollziehen. Tracing unterstützt unter anderem das Microsoft Agent Framework und das OpenAI Agents SDK. Fine-Tuning, Prompt Flow-Varianten und Content Filtering adressieren Anpassung, Prompt-Vergleich beziehungsweise Sicherheit, nicht die Sicht auf die Ausführung zur Laufzeit. Prüfungstipp: Wenn eine Frage „Ausführungsablauf“, „jede Entscheidung“, „OpenTelemetry“ oder „Application Insights zum Debuggen von Agenten“ erwähnt, lautet die Antwort Tracing.

Der Endpunkt /translate von Azure AI Translator v3 nimmt die Zielsprache(n) über den erforderlichen Query-Parameter 'to' entgegen. Um in einem Aufruf in mehrere Sprachen zu übersetzen, wiederholst du den Parameter, zum Beispiel to=de&to=it. Der Parameter 'from' ist optional: Lässt du ihn weg, erkennt der Dienst die Ausgangssprache automatisch und gibt die erkannte Sprache samt Konfidenzwert in der Antwort zurück. Den separaten Endpunkt /detect brauchst du nur, wenn du Erkennung ohne Übersetzung möchtest. Beachte, dass die Funktion Dynamic Dictionary verlangt, dass du 'from' explizit angibst, statt dich auf die automatische Erkennung zu verlassen. Prüfungstipp: Mehrere Ziele erreichst du, indem du 'to' wiederholst, und 'from' wegzulassen ist der unterstützte Weg zur automatischen Erkennung während der Übersetzung.

Content Filter in Foundry sind konfigurierbar: Jeder Kunde kann die Schweregrad-Schwelle (low, medium oder high) getrennt für Prompts und Completions festlegen. Die Optionen 'No filters' und 'Annotate only', die das Blockieren deaktivieren, erfordern jedoch eine gesonderte Freigabe. Für Azure OpenAI-Modelle können nur Kunden, die über den Azure OpenAI Limited Access Review für modifizierte Content Filter freigegeben wurden, die Filterung vollständig abschalten. Das ist ein Governance-Schutzmechanismus, damit die Responsible-AI-Schutzmaßnahmen standardmäßig aktiv bleiben. Prüfungstipp: Schwellen ändern = keine Freigabe nötig; Filterung komplett deaktivieren oder nur annotieren = erfordert die Freigabe für modifizierte Content Filter.

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.