Microsoft Azure AI Fundamentals (AI-901) — Übungsfragen und Probeprüfung

Zwei Fakten ergeben zusammen die Antwort. Erstens wird Bildverständnis von Chat-Modellen mit Vision-Fähigkeit geliefert, großen multimodalen Modellen, die Bilder analysieren und Fragen dazu in Textform beantworten. Zweitens nutzt du sie, indem du die Chat-Completions-Schnittstelle aufrufst, die für Unterhaltungen über mehrere Runden gemacht ist. Das Bild kommt also in einer Nutzernachricht an, Rückfragen kommen als spätere Runden dazu, und das Modell schließt über das Bild zusammen mit allem, was bisher gesagt wurde. Nach der Farbe der Jacke zu fragen und dann danach, ob sie für Regen taugt, sind schlicht zwei Runden einer Unterhaltung.

Die Distraktoren machen jeweils etwas Reales, aber nicht das hier. Ein Bildgenerierungsmodell erzeugt Bilder aus Text, das ist die umgekehrte Richtung. Die Tagging-Funktion des Bildanalysedienstes liefert Labels und Konfidenzwerte für ein einzelnes Bild und führt keine Unterhaltung, eine Rückfrage hat also keinen Ort, an den sie gehen könnte. Die Embeddings-Schnittstelle verwandelt Inhalte in Vektoren für die Ähnlichkeitssuche, nützlich, um ein ähnliches Produkt zu finden, und nutzlos, um eine Frage in Worten zu beantworten.

Prüfungstipp: Wenn ein Szenario Rückfragen erwähnt oder Kontext, der über mehrere Runden mitgeführt wird, liegt die Antwort auf der Chat-Oberfläche. Feature-artige Vision-Dienste liefern pro Aufruf eine feste Ergebnismenge und können keinen Dialog führen.

Fang damit an, die Eingabe zu klassifizieren, denn genau das trennt diese vier Dienste. Der Artikeltext ist geschriebener Text, und die Aufgabe besteht darin, geschriebenen Text in einer Sprache in geschriebenen Text in einer anderen zu verwandeln. Das ist neuronale maschinelle Übersetzung, also der Translator-Dienst: Er läuft in Echtzeit ebenso wie im Batch, deckt eine lange Liste von Sprachen ab und beherrscht außerdem Transliteration und Spracherkennung.

Der Beinahe-Treffer ist der Speech-Dienst. Er übersetzt zwar, aber er übersetzt gesprochenes Audio, über Speech-to-Text- und Sprachübersetzungs-Pipelines. In diesem Szenario kommt kein Audio vor, ihn heranzuziehen hieße also, für Maschinerie zu bezahlen, die die Workload nie nutzt. Content Safety prüft Text und Bilder auf schädliches Material und gibt Schweregrade zurück; eine Übersetzung erzeugt es nie. Vision extrahiert Informationen aus Bildern, das ist die komplett falsche Modalität.

Prüfungstipp: Ordne bei den Fragen zur Workload-Identifikation zuerst die Eingabemodalität zu, ob Text, Audio, Bild oder Video, und wähle erst danach unter den Diensten aus, die sie akzeptieren. Diese eine Gewohnheit löst die meisten Dienstauswahl-Aufgaben in dieser Prüfung.

Eine Provisioned Throughput Unit ist eine Kapazitätseinheit, keine Einheit für Geld, für Text oder für Konfiguration. Wenn du dich für ein Provisioned Deployment entscheidest statt pro Token zu bezahlen, reservierst du einen festen Anteil der Modell-Verarbeitungskapazität und hältst ihn für deine Workload vor, und über die Zahl der zugewiesenen Einheiten dimensionierst du diesen Anteil. Kapazität wird als Kontingent vergeben, und dasselbe Kontingent lässt sich für jedes unterstützte Modell einsetzen, weshalb die Einheit bewusst generisch ist und nicht an ein einzelnes Modell gebunden.

Die Distraktoren borgen sich jeweils ein Wort von einer anderen Stelle der Plattform. Ein fester Betrag pro API-Aufruf beschreibt ein Abrechnungsmodell, und Provisioned Deployments rechnen pro Einheit und Stunde ab, nicht pro Aufruf. Die Anzahl der Tokens, die in einem einzelnen Prompt erlaubt sind, ist das Kontextfenster, eine Eigenschaft des Modells. Die maximale Anzahl von Stoppsequenzen ist ein Anfrageparameter und hat mit Kapazität nichts zu tun.

Prüfungstipp: Fragen zu reservierter Kapazität drehen sich um vorhersagbaren Durchsatz und gleichbleibende Latenz. Ein Szenario mit stetigem, hohem Traffic und dem Bedarf an stabiler Latenz zeigt auf Provisioned Throughput, während stoßartige oder experimentelle Workloads zurück zur Abrechnung pro Token zeigen.

Drei Eigenschaften im Szenario zeigen auf denselben Workload-Typ: Die Anwendung plant eine Aufgabe über mehrere Schritte, sie ruft externe Tools und APIs auf, um Live-Daten zu holen, und sie entscheidet mit wenig menschlichem Eingreifen, was als Nächstes zu tun ist. Diese Kombination ist Agentic AI. Eine verwaltete Agent-Runtime ist genau um diese Bausteine herum gebaut und verwaltet die Unterhaltung, die Tool-Aufrufe und den Lebenszyklus der Agenten, während Tools über einen Katalog, das Model Context Protocol und OpenAPI-Definitionen nach außen greifen.

Die Distraktoren sind allesamt engere Workloads mit einem einzigen Zweck, die aus einer Eingabe eine Ausgabe erzeugen. Die Anomalieerkennung bewertet Datenpunkte gegen erwartetes Verhalten und schlägt Alarm; sie plant nicht und handelt nicht. Die optische Zeichenerkennung extrahiert Text aus einem Bild. Die Bildklassifizierung weist einem Bild ein Label zu. Keine von ihnen ruft ein Tool auf, trägt Zustand über mehrere Schritte mit sich oder entscheidet, was als Nächstes zu tun ist.

Prüfungstipp: Die verräterischen Wörter für agentische Workloads sind autonom, mehrstufig, Tool- oder API-Aufruf und Ziel. Wenn ein Szenario alle vier enthält, kann keine Wahrnehmungs- oder Vorhersage-Workload mit nur einer Aufgabe die Antwort sein.