Developing AI Apps and Agents on Azure (AI-103) — Preguntas de práctica y simulacro de examen

Azure AI Content Understanding extiende la extracción de campos a todas las modalidades, incluidas las imágenes. Su capacidad de extracción de campos de imágenes te permite extraer campos estructurados personalizados de imágenes según un esquema que tú defines; los campos se pueden extraer directamente, clasificar a partir de un conjunto de categorías o generar con un modelo generativo. Esto encaja bien con el análisis de estantes en retail, el control de calidad en manufactura y el BI basado en gráficos, donde necesitas salidas estructuradas en lugar de descripciones libres. A diferencia de Image Analysis Caption (una frase fija) o de un VQA genérico, la extracción de campos de imágenes se guía por el esquema y devuelve campos legibles por máquina. Consejo de examen: «campos estructurados personalizados a partir de imágenes, guiados por esquema, con opciones de clasificación y generación» = extracción de campos de imágenes de Content Understanding.

La habilidad Document Layout de Azure AI Search llama al modelo de layout de Azure Document Intelligence para detectar la estructura del documento y emitir una representación sintáctica en Markdown o texto. Su configuración markdownHeaderDepth controla el anidamiento de las secciones y, cuando está configurada para salida de texto con extracción de imágenes, devuelve normalized_images junto con locationMetadata, que conserva la posición de cada imagen en el documento. Mantener las imágenes cerca de su contenido relacionado es valioso para RAG y la búsqueda multimodal. Consejo para el examen: “Markdown que respeta la estructura más metadatos de ubicación de imágenes para RAG multimodal” apunta a la habilidad Document Layout, no al OCR simple.

Azure Language divide la detección de PII según la forma de la entrada y no según los tipos de entidad involucrados, y esa división determina tanto el patrón de la API como la calidad del resultado. Las cadenas simples se procesan de forma síncrona, lo que sirve para enmascarar un mensaje o una línea de log en el momento de la solicitud. Los archivos nativos se procesan de forma asíncrona y la salida conserva la estructura del documento, algo importante cuando el resultado enmascarado tiene que seguir siendo legible como documento. Las conversaciones tienen su propia forma porque el contexto atraviesa los turnos: un nombre mencionado una vez puede hacer que un pronombre posterior identifique a la persona, y el enmascaramiento tiene que respetar quién dijo qué. Elegir el tipo de función equivocado suele devolver entidades de todos modos, por eso el error sobrevive a la revisión; simplemente devuelve entidades peores. Primero hacer coincidir el tipo de función con la forma de los datos y después ajustar las categorías de entidad es el orden confiable.

La observabilidad de Microsoft Foundry se apoya en tres pilares: evaluación (medir la calidad y la seguridad), supervisión (paneles y alertas de producción) y seguimiento. El seguimiento ofrece visibilidad distribuida de extremo a extremo de la ejecución de una aplicación de IA: registra las llamadas al LLM, las invocaciones de herramientas, las decisiones del agente y las dependencias entre servicios. Está basado en el estándar OpenTelemetry y se integra con Azure Monitor Application Insights, que es exactamente lo que necesitas para depurar el comportamiento de agentes de varios pasos, encontrar cuellos de botella y entender cadenas de razonamiento. El seguimiento admite frameworks como Microsoft Agent Framework y OpenAI Agents SDK. Consejo para el examen: cuando una pregunta menciona “flujo de ejecución”, “cada decisión”, “OpenTelemetry” o “Application Insights para depurar agentes”, la respuesta es el seguimiento.