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

La observabilidad de Microsoft Foundry se apoya en tres pilares: evaluación (medir calidad y seguridad), monitoreo (dashboards y alertas de producción) y tracing. El tracing brinda visibilidad distribuida y 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 construido sobre 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 las cadenas de razonamiento. El tracing es compatible con frameworks como el Microsoft Agent Framework y el OpenAI Agents SDK. El fine-tuning, las variantes de prompt flow y el filtrado de contenido abordan la personalización, la comparación de prompts y la seguridad respectivamente, no la visibilidad de la ejecución en tiempo de ejecución. Consejo de examen: cuando una pregunta menciona «flujo de ejecución», «cada decisión», «OpenTelemetry» o «Application Insights para depurar agentes», la respuesta es tracing.

El endpoint /translate de Azure AI Translator v3 recibe el o los idiomas de destino en el parámetro de consulta obligatorio 'to'. Para traducir a varios idiomas en una sola llamada repites el parámetro, por ejemplo to=de&to=it. El parámetro 'from' es opcional: al omitirlo, el servicio detecta automáticamente el idioma de origen y devuelve en la respuesta el idioma detectado y una puntuación de confianza. Solo necesitas el endpoint /detect por separado cuando quieres detección sin traducción. Ten en cuenta que la función de diccionario dinámico exige que especifiques 'from' de forma explícita en lugar de depender de la detección automática. Consejo de examen: varios destinos se logran repitiendo 'to', y omitir 'from' es la forma admitida de obtener detección automática integrada durante la traducción.

Los filtros de contenido de Foundry son configurables: cualquier cliente puede fijar el umbral de severidad (low, medium o high) por separado para los prompts y para las completions. Sin embargo, las opciones 'No filters' y 'Annotate only', que desactivan el bloqueo, requieren una aprobación especial. Para los modelos de Azure OpenAI, solo los clientes aprobados a través del Azure OpenAI Limited Access Review para filtros de contenido modificados pueden desactivar por completo el filtrado. Es una barrera de gobernanza para que las protecciones de IA responsable sigan activas de forma predeterminada. Consejo de examen: cambiar umbrales = no hace falta aprobación; desactivar el filtrado por completo o solo anotar = requiere la aprobación para filtros de contenido modificados.

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.