Developing AI Apps and Agents on Azure (AI-103) — Questões de prática e simulado

O Azure AI Content Understanding estende a extração de campos a todas as modalidades, inclusive imagens. O recurso de extração de campos de imagens permite que você extraia campos estruturados personalizados de imagens com base em um esquema que você define; os campos podem ser extraídos diretamente, classificados a partir de um conjunto de categorias ou gerados com um modelo generativo. Isso combina bem com análise de prateleiras no varejo, controle de qualidade na indústria e BI baseado em gráficos, onde você precisa de saídas estruturadas em vez de legendas em texto livre. Diferentemente do Image Analysis Caption (uma frase fixa) ou de um VQA genérico, a extração de campos de imagens é guiada pelo esquema e retorna campos legíveis por máquina. Dica de prova: “campos estruturados personalizados a partir de imagens, guiados por esquema, com opções de classificação e geração” = extração de campos de imagens do Content Understanding.

A habilidade Document Layout do Azure AI Search chama o modelo de layout do Azure Document Intelligence para detectar a estrutura do documento e gerar uma representação sintática em Markdown ou texto. A configuração markdownHeaderDepth controla o aninhamento das seções e, quando a habilidade está configurada para saída de texto com extração de imagens, ela retorna normalized_images junto com locationMetadata, que preserva a posição de cada imagem no documento. Manter as imagens perto do conteúdo relacionado é valioso para RAG e busca multimodal. Dica para o exame: “Markdown que respeita a estrutura mais metadados de localização das imagens para RAG multimodal” aponta para a habilidade Document Layout, não para um OCR simples.

O Azure Language divide a detecção de PII pelo formato da entrada, e não pelos tipos de entidade envolvidos, e essa divisão determina tanto o padrão da API quanto a qualidade do resultado. Strings simples são processadas de forma síncrona, o que serve para ocultar dados de uma mensagem ou linha de log no momento da requisição. Arquivos nativos são processados de forma assíncrona e a saída preserva a estrutura do documento, o que importa quando o artefato ocultado precisa continuar legível como documento. Conversas são um formato à parte porque o contexto atravessa os turnos: um nome mencionado uma vez pode fazer com que um pronome posterior identifique a pessoa, e o mascaramento precisa respeitar quem disse o quê. Escolher o tipo de recurso errado geralmente ainda retorna entidades, e é por isso que o erro passa pela revisão; ele só retorna entidades piores. Primeiro alinhar o tipo de recurso ao formato dos dados e depois ajustar as categorias de entidade é a ordem confiável.

A observabilidade do Microsoft Foundry se apoia em três pilares: avaliação (medição de qualidade e segurança), monitoramento (painéis e alertas de produção) e rastreamento. O rastreamento oferece visibilidade distribuída e de ponta a ponta da execução de um aplicativo de IA: ele registra chamadas ao LLM, invocações de ferramentas, decisões do agente e dependências entre serviços. Ele é baseado no padrão OpenTelemetry e se integra ao Azure Monitor Application Insights, que é exatamente o que você precisa para depurar o comportamento de agentes de várias etapas, encontrar gargalos e entender cadeias de raciocínio. O rastreamento oferece suporte a frameworks como o Microsoft Agent Framework e o OpenAI Agents SDK. Dica para o exame: quando uma pergunta menciona “fluxo de execução”, “cada decisão”, “OpenTelemetry” ou “Application Insights para depurar agentes”, a resposta é rastreamento.