Designing and Implementing a Microsoft Azure AI Solution

Los analizadores personalizados de Azure AI Search te permiten definir tu propia canalización de análisis de texto combinando un tokenizer, cero o más token filters y cero o más character filters. Esto es esencial cuando necesitas un procesamiento de texto específico por idioma, como manejar la tokenización del japonés de forma distinta al inglés. Azure AI Search admite analizadores integrados (incluidos los específicos por idioma, como `ja.microsoft` y `ja.lucene`), pero cuando necesitas un control detallado sobre cómo se divide el texto en tokens y cómo se transforma, defines un analizador personalizado en la definición del índice.

Un analizador personalizado se especifica en el esquema del índice, dentro de la colección `analyzers`, y hace referencia a:

• Un tokenizer (por ejemplo, el tokenizer `ja.lucene` para el análisis morfológico del japonés)
• Token filters (por ejemplo, minúsculas, palabras vacías, stemming)
• Character filters (por ejemplo, mapeo o reemplazo de patrones aplicado antes de la tokenización)

Esto da control total sobre cómo se indexan y consultan los campos de texto.

Por qué cada opción incorrecta está mal:

• A (Suggesters): Los suggesters habilitan el type-ahead (autocompletado) y las sugerencias de búsqueda. No controlan el análisis de texto ni la tokenización.

• B (Synonym maps): Los synonym maps definen términos equivalentes (por ejemplo, 'car' = 'automobile') para ampliar la coincidencia de las consultas. No manejan la tokenización ni las canalizaciones de análisis de texto específicas por idioma.

• D (Scoring profiles): Los scoring profiles personalizan cómo se clasifican los resultados de búsqueda, dando más peso a ciertos campos o aplicando funciones (por ejemplo, actualidad, distancia). No tienen ningún papel en el análisis de texto ni en la tokenización.

(Fuente: https://learn.microsoft.com/en-us/azure/search/index-add-custom-analyzers)

La sección Playground del portal de Microsoft Foundry (antes Azure AI Studio) es el entorno interactivo donde puedes probar e iterar prompts con tus modelos de Azure OpenAI implementados. El Playground ofrece distintos modos, entre ellos el Chat playground para modelos conversacionales (por ejemplo, GPT-4, GPT-4o), el Completions playground para completado de texto y el playground de generación de imágenes para los modelos DALL-E. Dentro del Playground puedes ajustar parámetros como temperature, max tokens, top_p y las penalizaciones de frequency/presence, agregar mensajes de sistema, probar prompts few-shot y ver el uso de tokens.

Por qué las otras opciones serían incorrectas (si se presentaran):

• Deployments — Esta sección sirve para administrar las implementaciones de modelos (crear, escalar y eliminar implementaciones), no para probar prompts de forma interactiva.
• Models catalog — Esta sección te permite explorar y descubrir los modelos de IA disponibles, pero no está pensada para probar prompts de forma iterativa contra un modelo implementado.
• Evaluations — Esta sección se usa para evaluar sistemáticamente la calidad del modelo con conjuntos de datos y métricas de evaluación, no para pruebas e iteración puntuales de prompts.
• Prompt flow — Es una herramienta de desarrollo para crear, probar e implementar flujos de trabajo o canalizaciones de IA, algo más complejo que la simple prueba de prompts.

El Playground está diseñado específicamente como el área de pruebas interactiva donde los desarrolladores pueden experimentar rápidamente con distintos prompts y parámetros antes de integrar el modelo en sus aplicaciones.

(Fuente: https://learn.microsoft.com/en-us/azure/foundry/)

Custom Vision es la opción adecuada cuando una organización necesita detectar o clasificar objetos específicos de un dominio que no están cubiertos por los modelos precompilados disponibles en Azure AI Vision Image Analysis 4.0. Custom Vision te permite entrenar tus propios modelos de clasificación de imágenes y detección de objetos con tus propios datos etiquetados, lo que lo hace ideal para escenarios especializados (por ejemplo, detectar defectos de fabricación concretos, identificar determinadas especies de plantas, etc.).

Por qué “Cuando necesita detectar objetos específicos de un dominio que los modelos precompilados no cubren…” es correcta: Custom Vision está diseñado específicamente para escenarios en los que los modelos precompilados de propósito general de Image Analysis 4.0 no cubren los objetos o categorías relevantes para tu dominio de negocio. Subes tus propias imágenes de entrenamiento, las etiquetas y entrenas un modelo personalizado ajustado a tus necesidades.

Por qué “Cuando necesita eliminación de fondo” es incorrecta: La eliminación de fondo es una capacidad integrada de Azure AI Vision Image Analysis 4.0 (concretamente, la Segment API). No requiere Custom Vision: está disponible de fábrica.

Por qué “Cuando necesita capacidades de OCR” es incorrecta: El OCR (Optical Character Recognition) es una capacidad precompilada de Azure AI Vision Image Analysis 4.0 (y de la Read API). No hay necesidad de usar Custom Vision para extraer texto de imágenes.

Por qué “Cuando necesita descripciones generales de imágenes” es incorrecta: La descripción general de imágenes es una función precompilada de Azure AI Vision Image Analysis 4.0. Las funciones Dense Captions y Caption proporcionan descripciones automáticas del contenido de una imagen sin ningún entrenamiento personalizado.

El concepto clave es entender la distinción entre las capacidades de IA precompiladas (Image Analysis 4.0) y los modelos entrenados a medida (Custom Vision). Usa modelos precompilados cuando cubran tu escenario; usa Custom Vision cuando necesites detección o clasificación específicas de un dominio.

(Fuente: https://learn.microsoft.com/en-us/azure/ai-services/computer-vision/overview y https://learn.microsoft.com/en-us/azure/ai-services/custom-vision-service/overview)

Implementar la interpretabilidad del modelo y crear notas de transparencia es el enfoque correcto para garantizar que las decisiones de la IA se puedan explicar a las partes interesadas. Los principios de IA responsable de Microsoft destacan la transparencia y la explicabilidad como pilares centrales. Las notas de transparencia son documentos que Microsoft publica para sus servicios de IA y que ayudan a las partes interesadas a entender cómo funciona la tecnología de IA, qué decisiones pueden tomar los responsables del sistema que influyen en el rendimiento y cuáles son las limitaciones de la tecnología. Las herramientas de interpretabilidad de modelos (como InterpretML, SHAP y LIME, disponibles en Azure Machine Learning) permiten que desarrolladores y partes interesadas entiendan por qué un modelo hizo una predicción determinada. En conjunto, estas prácticas aseguran que las decisiones de la IA no sean opacas y puedan justificarse ante las partes interesadas del negocio, los reguladores y los usuarios finales.

Por qué cada opción incorrecta está mal:

A) Usar únicamente modelos de caja negra — Los modelos de caja negra son lo contrario de la IA explicable. Producen resultados sin dar visibilidad sobre cómo se toman las decisiones, lo que hace más difícil (no más fácil) explicar las decisiones de la IA a las partes interesadas.

B) Aumentar la complejidad del modelo — Una mayor complejidad del modelo suele reducir la interpretabilidad. Los modelos más complejos (por ejemplo, redes neuronales profundas con muchas capas) son más difíciles de explicar, lo que va en contra del objetivo de hacer comprensibles las decisiones de la IA.

C) Eliminar todo el registro y la supervisión — Eliminar el registro y la supervisión elimina los rastros de auditoría y la rendición de cuentas, que son componentes esenciales de la gobernanza de IA responsable. Sin registros no hay forma de revisar ni explicar decisiones de IA pasadas.

(Fuente: https://learn.microsoft.com/en-us/azure/machine-learning/concept-responsible-ai y https://learn.microsoft.com/en-us/legal/cognitive-services/openai/transparency-note)