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

A observabilidade do Microsoft Foundry se apoia em três pilares: avaliação (medir qualidade e segurança), monitoramento (dashboards e alertas em produção) e tracing. O tracing dá visibilidade distribuída e de ponta a ponta da execução de uma aplicação de IA: ele registra chamadas ao LLM, invocações de ferramentas, decisões do agente e dependências entre serviços. É construído sobre o 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 tracing tem suporte a frameworks como o Microsoft Agent Framework e o OpenAI Agents SDK. Fine-tuning, variantes de prompt flow e filtragem de conteúdo tratam de personalização, comparação de prompts e segurança, respectivamente, e não da visibilidade da execução em tempo de execução. Dica de prova: quando uma questão menciona “fluxo de execução”, “cada decisão”, “OpenTelemetry” ou “Application Insights para depurar agentes”, a resposta é tracing.

O endpoint /translate do Azure AI Translator v3 recebe o idioma (ou idiomas) de destino no parâmetro de consulta obrigatório 'to'. Para traduzir para vários idiomas em uma única chamada, você repete o parâmetro, por exemplo to=de&to=it. O parâmetro 'from' é opcional: quando omitido, o serviço detecta automaticamente o idioma de origem e retorna na resposta o idioma detectado e uma pontuação de confiança. Você só precisa do endpoint /detect separado quando quer detecção sem tradução. Observe que o recurso de dicionário dinâmico exige que você informe 'from' explicitamente, em vez de contar com a detecção automática. Dica de prova: vários destinos são obtidos repetindo 'to', e deixar 'from' de fora é a forma suportada de conseguir a detecção automática embutida durante a tradução.

Os filtros de conteúdo do Foundry são configuráveis: qualquer cliente pode definir o limiar de severidade (low, medium ou high) separadamente para prompts e completions. No entanto, as opções 'No filters' e 'Annotate only', que desativam o bloqueio, exigem aprovação especial. Para modelos do Azure OpenAI, somente clientes aprovados pelo Azure OpenAI Limited Access Review para filtros de conteúdo modificados podem desligar a filtragem por completo. Essa é uma trava de governança para manter as proteções de IA responsável ativas por padrão. Dica de prova: mudar limiares = não precisa de aprovação; desativar a filtragem inteiramente ou apenas anotar = exige a aprovação para filtro de conteúdo modificado.

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.