Microsoft Azure AI Fundamentals (AI-901) — Preguntas de práctica y simulacro de examen

Dos hechos se combinan en la respuesta. Primero, la comprensión de imágenes la entregan los modelos de chat con capacidad de visión, modelos multimodales grandes que analizan imágenes y responden preguntas sobre ellas en texto. Segundo, los usas llamando a la interfaz de chat completions, que está diseñada para conversaciones de varios turnos. Así, la imagen llega en un mensaje de usuario, las preguntas de seguimiento llegan como turnos posteriores y el modelo razona sobre la foto junto con todo lo dicho hasta ese momento. Preguntar de qué color es la chaqueta y después si sirve para la lluvia son simplemente dos turnos de una misma conversación.

Los distractores hacen cada uno algo real, pero no esto. Un modelo de generación de imágenes produce imágenes a partir de texto, que es el sentido contrario del recorrido. La función de etiquetado del servicio de análisis de imágenes devuelve etiquetas y puntajes de confianza para una sola imagen y no mantiene ninguna conversación, así que una pregunta de seguimiento no tiene a dónde ir. La interfaz de embeddings convierte contenido en vectores para búsqueda por similitud, lo que sirve para encontrar un producto parecido y no sirve para responder una pregunta con palabras.

Consejo para el examen: cuando un escenario menciona preguntas de seguimiento o contexto que se arrastra entre turnos, la respuesta vive en la superficie de chat. Los servicios de visión con forma de función devuelven un conjunto fijo de resultados por llamada y no pueden sostener un diálogo.

Empieza por clasificar la entrada, porque eso es lo que separa a estos cuatro servicios. El texto del artículo es texto escrito, y el trabajo consiste en convertir texto escrito en un idioma en texto escrito en otro. Eso es traducción automática neuronal, es decir, el servicio Translator: funciona en tiempo real y también por lotes, cubre una larga lista de idiomas y además maneja transliteración y detección de idioma.

El casi acierto es el servicio Speech. Sí traduce, pero traduce audio hablado, mediante canalizaciones de voz a texto y de traducción de voz. Nada en este escenario involucra audio, así que recurrir a él significaría pagar por maquinaria que la carga de trabajo nunca usa. Content Safety inspecciona texto e imágenes en busca de material dañino y devuelve puntajes de severidad; nunca produce una traducción. Vision extrae información de imágenes, que es la modalidad equivocada por completo.

Consejo para el examen: en las preguntas de identificación de cargas de trabajo, primero haz coincidir la modalidad de entrada, ya sea texto, audio, imagen o video, y solo después elige entre los servicios que la aceptan. Ese único hábito resuelve la mayoría de los ítems de selección de servicio de este examen.

Una unidad de rendimiento aprovisionado es una unidad de capacidad, no una unidad de dinero, de texto ni de configuración. Cuando eliges una implementación aprovisionada en lugar de pagar por token, estás reservando una porción fija de capacidad de procesamiento del modelo y reteniéndola para tu carga de trabajo, y la cantidad de unidades que asignas es la forma de dimensionar esa porción. La capacidad se otorga como cuota, y la misma cuota puede gastarse en cualquier modelo compatible, y por eso la unidad es deliberadamente genérica en vez de estar atada a un solo modelo.

Los distractores toman prestada cada uno una palabra de otro rincón de la plataforma. Un cargo fijo por llamada a la API describe un modelo de facturación, y las implementaciones aprovisionadas se facturan por unidad y por hora, no por llamada. La cantidad de tokens permitidos en un solo prompt es la ventana de contexto, una propiedad del modelo. La cantidad máxima de secuencias de parada es un parámetro de la solicitud y no tiene nada que ver con la capacidad.

Consejo para el examen: las preguntas de capacidad reservada giran en torno al rendimiento predecible y a la latencia constante. Un escenario con tráfico estable y de alto volumen y una necesidad de latencia estable apunta al rendimiento aprovisionado, mientras que las cargas intermitentes o experimentales apuntan de vuelta al pago por token.

Tres propiedades del escenario apuntan al mismo tipo de carga de trabajo: la aplicación planifica una tarea a lo largo de varios pasos, llama a herramientas y API externas para traer datos en vivo y decide qué hacer a continuación con poca intervención humana. Esa combinación es IA agéntica. Un runtime de agentes administrado está construido exactamente alrededor de esas piezas, y gestiona la conversación, las llamadas a herramientas y el ciclo de vida del agente, mientras que las herramientas llegan al exterior mediante un catálogo, el Model Context Protocol y definiciones de OpenAPI.

Los distractores son todos cargas de trabajo más estrechas y de un solo propósito, que producen una salida a partir de una entrada. La detección de anomalías puntúa datos frente al comportamiento esperado y levanta una bandera; no planifica ni actúa. El reconocimiento óptico de caracteres extrae texto de una imagen. La clasificación de imágenes asigna una etiqueta a una foto. Ninguna llama a una herramienta, arrastra estado entre pasos ni decide qué hacer después.

Consejo para el examen: las palabras delatoras de las cargas agénticas son autónomo, de varios pasos, llamada a herramientas o API, y objetivo. Cuando un escenario tiene las cuatro, ninguna carga de percepción o predicción de tarea única puede ser la respuesta.