Microsoft Azure AI Fundamentals (AI-901) — Questões de prática e simulado

Dois fatos se combinam na resposta. Primeiro, a compreensão de imagens vem dos modelos de chat com suporte a visão, modelos multimodais grandes que analisam imagens e respondem em texto a perguntas sobre elas. Segundo, você os usa chamando a interface de chat completions, feita para conversas com vários turnos. Assim, a imagem chega em uma mensagem do usuário, as perguntas de acompanhamento chegam como turnos seguintes e o modelo raciocina sobre a foto junto com tudo o que já foi dito. Perguntar a cor da jaqueta e depois se ela serve para a chuva são simplesmente dois turnos de uma mesma conversa.

Os distratores fazem, cada um, algo real, mas não isso. Um modelo de geração de imagens produz imagens a partir de texto, que é o caminho inverso. O recurso de marcação do serviço de análise de imagens devolve rótulos e pontuações de confiança para uma única imagem e não mantém conversa alguma, então uma pergunta de acompanhamento não tem para onde ir. A interface de embeddings transforma conteúdo em vetores para busca por similaridade, o que é útil para encontrar um produto parecido e inútil para responder a uma pergunta em palavras.

Dica de prova: quando um cenário menciona perguntas de acompanhamento ou contexto carregado entre turnos, a resposta está na superfície de chat. Serviços de visão em formato de recurso devolvem um conjunto fixo de resultados por chamada e não conseguem sustentar um diálogo.

Comece classificando a entrada, porque é isso que separa estes quatro serviços. O texto do artigo é texto escrito, e a tarefa é transformar texto escrito em um idioma em texto escrito em outro. Isso é tradução automática neural, ou seja, o serviço Translator: ele roda em tempo real e também em lote, cobre uma longa lista de idiomas e ainda lida com transliteração e detecção de idioma.

O quase acerto é o serviço Speech. Ele traduz, sim, mas traduz áudio falado, por meio de pipelines de fala para texto e de tradução de fala. Nada neste cenário envolve áudio, então recorrer a ele significaria pagar por uma maquinaria que a carga de trabalho nunca usa. O Content Safety inspeciona texto e imagens em busca de material nocivo e devolve pontuações de severidade; ele nunca produz uma tradução. O Vision extrai informações de imagens, que é a modalidade completamente errada.

Dica de prova: nas questões de identificação de carga de trabalho, primeiro combine a modalidade de entrada, seja texto, áudio, imagem ou vídeo, e só depois escolha entre os serviços que a aceitam. Esse único hábito resolve a maioria dos itens de escolha de serviço desta prova.

Uma unidade de throughput provisionado é uma unidade de capacidade, não uma unidade de dinheiro, de texto ou de configuração. Quando você escolhe uma implantação provisionada em vez de pagar por token, está reservando uma fatia fixa de capacidade de processamento do modelo e mantendo-a para a sua carga de trabalho, e o número de unidades que você aloca é como você dimensiona essa fatia. A capacidade é concedida como cota, e a mesma cota pode ser gasta em qualquer modelo compatível, e é por isso que a unidade é deliberadamente genérica em vez de presa a um único modelo.

Os distratores tomam emprestada, cada um, uma palavra de outro canto da plataforma. Um valor fixo por chamada de API descreve um modelo de cobrança, e implantações provisionadas cobram por unidade e por hora, não por chamada. O número de tokens permitidos em um único prompt é a janela de contexto, uma propriedade do modelo. O número máximo de sequências de parada é um parâmetro da requisição e não tem nada a ver com capacidade.

Dica de prova: questões de capacidade reservada giram em torno de throughput previsível e latência consistente. Um cenário com tráfego estável e de alto volume e necessidade de latência estável aponta para o throughput provisionado, enquanto cargas de trabalho em rajadas ou experimentais apontam de volta para o pagamento por token.

Três propriedades do cenário apontam para o mesmo tipo de carga de trabalho: a aplicação planeja uma tarefa em várias etapas, chama ferramentas e APIs externas para buscar dados em tempo real e decide o que fazer em seguida com pouca intervenção humana. Essa combinação é IA agêntica. Um runtime de agentes gerenciado é construído exatamente em torno dessas peças, cuidando da conversa, das chamadas de ferramentas e do ciclo de vida do agente, enquanto as ferramentas alcançam o mundo externo por um catálogo, pelo Model Context Protocol e por definições OpenAPI.

Os distratores são todos cargas de trabalho mais estreitas, de propósito único, que produzem uma saída a partir de uma entrada. A detecção de anomalias pontua pontos de dados em relação ao comportamento esperado e levanta um sinal; ela não planeja nem age. O reconhecimento óptico de caracteres extrai texto de uma imagem. A classificação de imagens atribui um rótulo a uma foto. Nenhuma delas chama uma ferramenta, carrega estado entre etapas ou decide o que fazer em seguida.

Dica de prova: as palavras que denunciam cargas agênticas são autônomo, várias etapas, chamada de ferramenta ou API, e objetivo. Quando um cenário tem as quatro, nenhuma carga de percepção ou previsão de tarefa única pode ser a resposta.