Microsoft

Microsoft AI-102

306+ 무료 연습 문제 (AI 검증 답안 포함)

Designing and Implementing a Microsoft Azure AI Solution

모든 문제 & 정답 무료

상세 해설

실제 시험과 가장 유사

306+ 문제 보기

AI 기반

3중 AI 검증 답안 및 해설

모든 Microsoft AI-102 답안은 3개의 최고 AI 모델로 교차 검증하여 최고의 정확도를 보장합니다. 선택지별 상세 해설과 심층 문제 분석을 제공합니다.

GPT Pro

Claude Opus

Gemini Pro

선택지별 상세 해설

심층 문제 분석

3개 모델 합의 정확도

시험 도메인

Plan and Manage an Azure AI Solution출제율 23%

Implement Generative AI Solutions출제율 18%

Implement an Agentic Solution출제율 8%

Implement Computer Vision Solutions출제율 13%

Implement Natural Language Processing Solutions출제율 19%

Implement Knowledge Mining and Information Extraction Solutions출제율 19%

실전 문제

문제 1

DRAG DROP - 각각 고유한 Language Understanding 모델을 가진 챗봇이 100개 있습니다. 자주 각 모델에 동일한 구문을 추가해야 합니다. 새 구문을 포함하도록 Language Understanding 모델을 프로그래밍 방식으로 업데이트해야 합니다. 코드를 어떻게 완성해야 합니까? 답하려면 적절한 값을 올바른 대상에 끌어다 놓으십시오. 각 값은 한 번, 여러 번 또는 전혀 사용하지 않을 수 있습니다. 콘텐츠를 보려면 창 사이의 분할 막대를 끌거나 스크롤해야 할 수 있습니다. 참고: 각 정답 선택은 1점입니다. 선택 및 배치:

파트 1:

var phraselistId = await client.Features.______

파트 2:

(appId, versionId, new ______

이동 중에도 모든 문제를 풀고 싶으신가요?

Cloud Pass를 무료로 다운로드하세요 — 모의고사, 학습 진도 추적 등을 제공합니다.

모의고사

다른 Microsoft 자격증

PL-300: Microsoft Power BI Data Analyst

Microsoft AI-900

Fundamentals

Microsoft SC-200

Associate

Microsoft AZ-104

Associate

지금 학습 시작하기

Cloud Pass를 다운로드하여 모든 Microsoft AI-102 연습 문제를 무료로 이용하세요.

이동 중에도 모든 문제를 풀고 싶으신가요?

무료 앱 받기

Cloud Pass를 무료로 다운로드하세요 — 모의고사, 학습 진도 추적 등을 제공합니다.

문제 2

다음 요구 사항을 충족하는 chatbot을 구축해야 합니다: ✑ chit-chat, knowledge base, 그리고 multilingual models를 지원 ✑ 사용자 메시지에 대해 sentiment analysis를 수행 ✑ 최적의 language model을 자동으로 선택 chatbot에 무엇을 통합해야 합니까?

문제 3

당신은 e-commerce 플랫폼을 위한 Language Understanding 모델을 구축하고 있습니다. 청구지 주소를 캡처하기 위한 entity를 구성해야 합니다. 청구지 주소에 어떤 entity type을 사용해야 합니까?

문제 분석

핵심 개념: 이 문제는 Language Understanding (LUIS / Conversational Language Understanding)에서의 entity 설계를 다룹니다. Entity는 사용자 utterance에서 구조화된 데이터(슬롯)를 추출하는 방식입니다. 올바른 entity type을 선택하면 정확도, 유지보수성, 그리고 모델의 일반화 성능에 영향을 줍니다. 정답이 맞는 이유: 청구지 주소는 복잡하고 가변적이며 여러 부분으로 구성된 개념(번지/건물번호, 도로명, 동/호수, 도시, 주/도, 우편번호, 국가)이고, 지역에 따라 다양한 형식으로 표현될 수 있습니다. machine learned entity가 가장 적합한데, 라벨링된 예시로부터 학습하여 보지 못한 주소 변형에도 일반화할 수 있기 때문입니다. 실제로는 “BillingAddress”를 child entity(Street, City, Region, PostalCode, Country)로 구성된 composite machine learned entity로 모델링하여 구조를 캡처하는 경우가 많습니다. 주요 특징 / Best Practices: - machine learned entity(종종 composite)를 사용하고, 다양한 주소 형식(US, EU, APAC), 약어, 구두점 등을 포함하는 여러 예시를 라벨링합니다. - downstream에서 필요한 구성요소(세금 계산, 배송 검증, 사기 탐지)를 위해 sub-entity를 추가하는 것을 고려합니다. - NLU layer 외부에서의 validation(예: address verification services)과 결합합니다. NLU 추출은 우편 주소 검증과 동일하지 않기 때문입니다. - Azure Well-Architected 관점에서 이는 Reliability와 Operational Excellence를 향상시킵니다. 모델이 새로운 형식에 더 탄력적이며, 취약한 패턴보다 진화시키기 쉽습니다. 흔한 오해: Regex는 주소가 “구조화되어 보이기” 때문에 매력적으로 보일 수 있지만, 실제 주소는 변형이 너무 많아 regex가 취약하고 유지보수가 어렵습니다. prebuilt geography entity(geographyV2)는 위치(도시, 국가, 관심 지점)에 초점을 맞추며, 전체 우편 주소를 다루지 않습니다. list entity는 닫힌 집합에만 적합한데, 주소는 그렇지 않습니다. 시험 팁: - 개방형이며 변동이 큰 사용자 입력에는 machine learned entity를 사용합니다. - 고정된 어휘 집합(예: 결제 수단 유형)에는 list entity를 사용합니다. - 형식이 일관된 강한 패턴의 문자열(주문 ID, SKU)에는 regex entity를 사용합니다. - prebuilt entity는 정확히 해당 개념과 일치할 때 가장 좋습니다(예: 날짜에는 datetimeV2). 하지만 전체 주소처럼 복잡한 다중 필드 개념에 대한 모델링을 대체하지는 못합니다.

문제 4

참고: 이 질문은 동일한 시나리오를 제시하는 일련의 질문 중 일부입니다. 시리즈의 각 질문에는 명시된 목표를 충족할 수도 있는 고유한 솔루션이 포함되어 있습니다. 일부 질문 세트에는 정답이 두 개 이상 있을 수 있으며, 다른 세트에는 정답이 없을 수도 있습니다. 이 섹션의 질문에 답한 후에는 해당 질문으로 돌아갈 수 없습니다. 따라서 이러한 질문은 검토 화면에 표시되지 않습니다. Language Understanding service를 사용하여 language model을 빌드합니다. 이 language model은 FindContact라는 intent를 사용하여 연락처 목록에서 정보를 검색하는 데 사용됩니다. 대화형 전문가가 학습에 사용할 다음 phrase 목록을 제공합니다. ✑ London의 연락처를 찾아줘. ✑ Seattle에 아는 사람이 누구야? ✑ Ukraine의 연락처를 검색해줘. Language Understanding에서 phrase list를 구현해야 합니다. 솔루션: location에 대한 새 intent를 생성합니다. 이것이 목표를 충족합니까?

문제 5

HOTSPOT - 감정 분석 및 광학 문자 인식(OCR)을 수행하는 데 사용할 새 리소스를 만들어야 합니다. 솔루션은 다음 요구 사항을 충족해야 합니다. ✑ 단일 키와 엔드포인트를 사용하여 여러 서비스에 액세스합니다. ✑ 향후 사용할 수 있는 서비스에 대한 청구를 통합합니다. ✑ 향후 Computer Vision 사용을 지원합니다. 새 리소스를 만들기 위해 HTTP 요청을 어떻게 완료해야 합니까? 답하려면 답안 영역에서 적절한 옵션을 선택하십시오. 참고: 각 정답 선택은 1점입니다. 핫 영역:

파트 1:

______ https://management.azure.com/subscriptions/xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx/resourceGroups/RG1/providers/Microsoft.CognitiveServices/accounts/CS1?api-version=2017-04-18

파트 2:

"kind": "______",

문제 6

다음 HTTP 요청을 성공적으로 실행합니다. POST https://management.azure.com/subscriptions/18c51a87-3a69-47a8-aedc-a54745f708a1/resourceGroups/RG1/providers/ Microsoft.CognitiveServices/accounts/contoso1/regenerateKey?api-version=2017-04-18 Body{"keyName": "Key2"} 요청의 결과는 무엇입니까?

문제 분석

핵심 개념: 이 문제는 Azure Resource Manager (ARM) REST API를 사용하여 Azure Cognitive Services (Azure AI services) 계정에 대해 management-plane 키 교체를 테스트합니다. Cognitive Services 계정은 클라이언트 애플리케이션이 data-plane endpoint에 인증하는 데 사용하는 두 개의 access key(Key1 및 Key2)를 노출합니다. ARM 작업 regenerateKey는 이러한 계정 키 중 하나를 교체(rotate)하기 위한 것입니다. 정답인 이유: 요청은 다음을 호출합니다. POST .../Microsoft.CognitiveServices/accounts/contoso1/regenerateKey?api-version=2017-04-18 본문 {"keyName":"Key2"}와 함께. Cognitive Services에서 Key1은 일반적으로 primary key로, Key2는 secondary key로 취급됩니다. regenerateKey 작업은 지정된 키만 재생성(재설정)합니다. keyName이 Key2이므로, 서비스는 기존 Key2를 무효화하고 새로 생성된 Key2 값을 반환합니다. Key1은 변경되지 않습니다. 따라서 결과는 보조 subscription key가 재설정되었다는 것입니다. 주요 기능 / 모범 사례: 두 개의 키를 사용하면 다운타임을 최소화하면서 안전하게 키를 교체할 수 있습니다. 즉, 애플리케이션을 교체되지 않은 키를 사용하도록 업데이트한 다음 다른 키를 재생성하고, 이후 전환하여 반복합니다. 이는 Azure Well-Architected Framework 보안 지침(자격 증명 교체, least privilege, secret 위생)과 일치합니다. 프로덕션에서는 키를 Azure Key Vault에 저장하고 앱에서 이를 참조하는 것이 좋습니다(가능하면 managed identities 사용). 그러나 regenerateKey 호출 자체는 Key Vault에 secret을 생성하거나 저장하지 않습니다. 일반적인 오해: 일부는 “regenerateKey”를 두 키 모두를 교체하는 것으로 혼동하지만, 이는 이름으로 지정된 키만 대상으로 합니다. 또 다른 혼동은 Cognitive Services 계정 키를 “query keys”(Azure AI Search와 관련된 개념)와 혼동하는 것인데, 이는 서로 다른 리소스와 API입니다. 시험 팁: management-plane과 data-plane 작업을 구분하십시오. management.azure.com에서 regenerateKey 같은 provider action을 호출하는 것은 리소스 구성/자격 증명에 영향을 주는 ARM 작업입니다. 또한 두 키 교체 패턴을 기억하십시오. Key1 또는 Key2를 지정하면 해당 키만 변경됩니다. 질문에 Key Vault가 언급되면, 이는 일반적으로 별도의 단계(예: secret 저장/읽기)이며 키 재생성의 자동 결과가 아닙니다.

문제 7

HOTSPOT - 텍스트 분석에 사용될 Azure Cognitive Services 서비스의 컨테이너화된 버전을 배포할 계획입니다. 서비스의 endpoint URI로 https://contoso.cognitiveservices.azure.com 을 구성하고, Text Analytics Sentiment Analysis 컨테이너의 최신 버전을 pull합니다. Docker를 사용하여 Azure virtual machine에서 컨테이너를 실행해야 합니다. 명령을 어떻게 완성해야 합니까? 답하려면, 답안 영역에서 적절한 옵션을 선택하십시오. 참고: 각 정답 선택은 1점입니다. 핫 영역:

파트 1:

docker run --rm -it -p 5000:5000 --memory 8g --cpus 1 \ ______ \

파트 2:

Eula=accept \ Billing= ______ \

문제 8

DRAG DROP - Face API를 사용하여 샘플 이미지 기반으로 특정 인물의 사진을 찾는 사진 애플리케이션을 개발하고 있습니다. 사진을 찾기 위한 POST 요청을 생성해야 합니다. 요청을 어떻게 완성해야 합니까? 답하려면 적절한 값을 올바른 대상에 끌어다 놓으십시오. 각 값은 한 번, 여러 번 또는 전혀 사용하지 않을 수 있습니다. 콘텐츠를 보려면 창 사이의 분할 막대를 끌거나 스크롤해야 할 수 있습니다. 참고: 각 올바른 선택은 1점입니다. 선택 및 배치:

파트 1:

POST {Endpoint}/face/v1.0/______

파트 2:

"mode": "______"

문제 9

HOTSPOT - Face API를 사용하는 애플리케이션을 개발합니다. person group에 여러 이미지를 추가해야 합니다. 코드를 어떻게 완성해야 합니까? 답하려면 답안 영역에서 적절한 옵션을 선택하십시오. 참고: 각 정답 선택은 1점입니다. 핫 영역:

파트 1:

using (______ t = File.OpenRead(imagePath))

파트 2:

await faceClient.PersonGroupPerson.______(personGroupId, personId, t);

문제 10

HOTSPOT - Computer Vision client library를 사용할 애플리케이션을 개발하고 있습니다. 애플리케이션에는 다음 코드가 있습니다.

public async TaskAnalyzeImage(ComputerVisionClient client, string localImage)
{
    List features = new List()
    {
        VisualFeatureTypes.Description,
        VisualFeatureTypes.Tags,
    };
    using (Stream imageStream = File.OpenRead(localImage))
    {
        try
        {
            ImageAnalysis results = await client.AnalyzeImageInStreamAsync(imageStream, features);

            foreach (var caption in results.Description.Captions)
            {
                Console.WriteLine($"{caption.Text} with confidence {caption.Confidence}");
            }

            foreach (var tag in results.Tags)
            {
                Console.WriteLine($"{tag.Name} {tag.Confidence}");
            }
        }
        catch (Exception ex)
        {
            Console.WriteLine(ex.Message);
        }
    }
}

다음 각 문에 대해, 문이 참이면 Yes를 선택합니다. 그렇지 않으면 No를 선택합니다. 참고: 각 정답 선택은 1점입니다. 핫 영역:

파트 1:

이 코드는 얼굴 인식을 수행합니다.

파트 2:

이 코드는 태그와 해당 신뢰도(confidence)를 나열합니다.

파트 3:

이 코드는 로컬 파일 시스템에서 파일을 읽습니다.

문제 11

Azure Cognitive Search에서 인덱싱을 위한 관리 포털로 사용되는 웹 앱을 배포합니다. 이 앱은 primary admin key를 사용하도록 구성되어 있습니다. 보안 검토 중에 검색 인덱스에 대한 무단 변경을 발견합니다. primary access key가 유출되었을 가능성이 있다고 의심합니다. 인덱스 관리 endpoint에 대한 무단 액세스를 방지해야 합니다. 솔루션은 다운타임을 최소화해야 합니다. 다음으로 무엇을 해야 합니까?

문제 분석

핵심 개념: Azure Cognitive Search는 관리 액세스가 필요한 애플리케이션을 중단 없이 운영할 수 있도록 두 개의 admin key를 제공합니다. admin key는 indexes, indexers 및 기타 search 리소스에 대한 전체 제어 권한을 허용하므로, 유출이 의심되면 즉시 rotation이 필요합니다. downtime을 최소화하는 가장 안전한 방식은 현재 사용 중이 아닌 key를 먼저 regenerate하고, 애플리케이션을 그 새 key로 전환한 다음, 유출이 의심되는 key를 regenerate하는 것입니다. 정답인 이유: 앱은 현재 primary admin key를 사용 중이며, 이 key의 유출이 의심됩니다. primary key를 먼저 regenerate하면 앱 구성이 업데이트될 때까지 즉시 액세스를 잃게 되어 downtime 위험이 커집니다. secondary key를 먼저 regenerate하면 새로운 유효한 admin credential을 만들 수 있고, 앱을 그 key로 전환한 뒤 유출이 의심되는 primary key를 regenerate하여 공격자의 액세스를 무효화할 수 있습니다. 주요 특징: - index 관리 작업에는 admin key가 필요하며, query key는 read-only입니다. - Azure Cognitive Search는 seamless rotation을 지원하기 위해 primary 및 secondary admin key를 모두 제공합니다. - key를 regenerate하면 해당 슬롯의 이전 값은 즉시 무효화됩니다. - service interruption을 최소화할 때는 사용하지 않는 key를 먼저 rotation하는 것이 표준 접근 방식입니다. 흔한 오해: 흔한 실수는 가장 긴급해 보인다는 이유로 유출이 의심되는 key를 먼저 regenerate하는 것이지만, 앱이 여전히 그 key를 사용 중이면 애플리케이션이 중단될 수 있습니다. 또 다른 오해는 query key를 admin key 대신 사용할 수 있다는 것이지만, query key는 관리 작업을 수행할 수 없습니다. 전체 rotation cycle을 명시적으로 완료해야 하는 경우가 아니라면 두 key를 즉시 모두 regenerate할 필요도 없습니다. 시험 팁: - key가 유출되었고 앱이 현재 그 key를 사용 중이라면, downtime이 허용되지 않는 한 먼저 regenerate하지 마세요. - primary/secondary key를 제공하는 Azure 서비스에서는 시험에서 보통 다음 순서를 기대합니다: 사용하지 않는 key를 rotation하고, 클라이언트를 전환한 다음, 기존 key를 rotation합니다. - query key는 search query 전용이며 administrative 변경에는 사용할 수 없다는 점을 기억하세요.

문제 12

HOTSPOT - 다음 전시물에 표시된 것처럼 사용자에게 정보를 제공하는 chatbot을 구축하고 있습니다.

diagram

드롭다운 메뉴를 사용하여 그래픽에 제시된 정보를 기반으로 각 문장을 완성하는 답안을 선택하십시오. 참고: 각 정답 선택은 1점입니다. Hot Area:

파트 1:

챗봇이 ______을(를) 표시하고 있습니다.

파트 2:

이 카드는 ______을(를) 포함합니다.

문제 13

HOTSPOT - 챗봇의 설계를 검토하고 있습니다. 해당 챗봇에는 다음 조각을 포함하는 language generation 파일이 있습니다.

Greet(user)

${Greeting()}, ${user.name} 다음 각 진술에 대해, 진술이 참이면 Yes를 선택합니다. 그렇지 않으면 No를 선택합니다. 참고: 각 정답 선택은 1점입니다. 핫 영역:

파트 1:

${user.name}는 prompt를 사용하여 사용자 이름을 가져옵니다.

파트 2:

Greet()는 language generation template의 이름입니다.

파트 3:

${Greeting()}는 language generation 파일에 있는 템플릿을 참조하는 것입니다.

문제 14

DRAG DROP - Face API에 대한 호출을 개발하고 있습니다. 이 호출은 employeefaces라는 기존 목록에서 유사한 얼굴을 찾아야 합니다. employeefaces 목록에는 60,000개의 이미지가 포함되어 있습니다. HTTP 요청의 본문을 어떻게 완성해야 합니까? 답하려면 적절한 값을 올바른 대상에 끌어다 놓으십시오. 각 값은 한 번, 여러 번 또는 전혀 사용하지 않을 수 있습니다. 내용을 보려면 창 사이의 분할 막대를 끌거나 스크롤해야 할 수 있습니다. 참고: 각 올바른 선택은 1점입니다. 선택 및 배치:

파트 1:

"______": "employeefaces",

파트 2:

"mode": "______"

문제 15

HOTSPOT - 텍스트 처리 솔루션을 개발하고 있습니다. 다음 메서드를 개발합니다.

static void GetKeyPhrases(TextAnalyticsClient textAnalyticsClient, string text)
{
    var response = textAnalyticsClient.ExtractKeyPhrases(text);
    Console.WriteLine("Key phrases:");

    foreach (string keyphrase in response.Value)
    {
        Console.WriteLine($"\t{keyphrase}");
    }
}

다음 코드를 사용하여 메서드를 호출합니다. GetKeyPhrases(textAnalyticsClient, "the cat sat on the mat"); 다음 각 문장에 대해, 문장이 참이면 Yes를 선택합니다. 그렇지 않으면 No를 선택합니다. 참고: 각 정답 선택은 1점입니다. Hot Area:

파트 1:

이 호출은 입력 문자열에서 핵심 구문을 추출하여 콘솔에 출력합니다.

파트 2:

출력에는 다음 단어들이 포함됩니다: the, cat, sat, on, and mat.

파트 3:

출력에는 핵심 구문에 대한 신뢰도 수준이 포함됩니다.

문제 16

참고: 이 질문은 동일한 시나리오를 제시하는 일련의 질문 중 일부입니다. 이 시리즈의 각 질문에는 명시된 목표를 충족할 수 있는 고유한 솔루션이 포함되어 있습니다. 일부 질문 세트에는 정답이 둘 이상 있을 수 있으며, 다른 세트에는 정답이 없을 수도 있습니다. 이 섹션의 질문에 답한 후에는 해당 질문으로 돌아갈 수 없습니다. 따라서 이러한 질문은 검토 화면에 표시되지 않습니다. Language Understanding service를 사용하여 language model을 빌드합니다. 이 language model은 FindContact라는 intent를 사용하여 연락처 목록에서 정보를 검색하는 데 사용됩니다. 대화형 전문가가 학습에 사용할 다음 문구 목록을 제공합니다. ✑ London에 있는 연락처를 찾아줘. ✑ Seattle에 아는 사람이 누구야? ✑ Ukraine에 있는 연락처를 검색해줘. Language Understanding에서 phrase list를 구현해야 합니다. 솔루션: FindContact intent에 새 pattern을 만듭니다. 이것이 목표를 충족합니까?

문제 분석

핵심 개념: 이 문제는 Azure OpenAI (AI1) 및 Azure AI Content Safety (CS1)를 사용하는 generative AI chatbot에 대해 safety/content filtering을 평가하고 조정하는 방법을 테스트합니다. AI-102 관점에서는 test prompt를 실행하고 filter configuration을 최적화하기 위한 올바른 tooling/workflow를 선택하는 것과 관련이 있습니다. 정답인 이유: Content Safety Studio의 “Safety metaprompt” 기능을 사용하는 것은 content filter configuration 최적화를 위해 sample question에 대한 체계적인 테스트를 실행하는 적절한 방법이 아닙니다. Content Safety Studio는 Content Safety 기능(text/image moderation, severity threshold, testing)을 탐색하고 평가하는 데 사용되지만, “Safety metaprompt”는 chatbot의 input/output pipeline에 대한 batch 스타일 테스트 및 content filter 조정을 위한 주요 기능이 아닙니다. content filter configuration을 최적화하려면 일반적으로 Content Safety Studio의 testing 환경(text/image용) 및/또는 representative prompt와 response를 Content Safety API를 통해 전송하는 programmatic evaluation을 사용하고, 결과에 따라 category threshold(hate, sexual, violence, self-harm)와 action(block, allow, review)을 조정합니다. 주요 기능 및 모범 사례: - Content Safety Studio를 사용하여 구성 가능한 severity threshold로 text moderation을 테스트하고 category 전반의 detection을 검토합니다. - 반복 가능한 최적화를 위해 sample user input 및 model output으로 구성된 curated dataset를 API를 통해 CS1에 제출하는 test harness를 실행하고, score/severity를 수집하며 threshold를 반복 조정합니다. - Azure Well-Architected Framework (Reliability/Operational Excellence)에 맞춰 evaluation을 자동화하고, safety config를 version 관리하며, false positive/negative를 모니터링합니다. - Azure OpenAI에서는 model 측 content filtering과 external moderation (CS1)을 구분합니다. user input 경로와 model output 경로를 모두 테스트해야 합니다. 일반적인 오해: 어떤 “metaprompt” 또는 “safety prompt” 기능이든 filter를 테스트하기 위한 것이라고 쉽게 생각할 수 있습니다. 그러나 filter 최적화는 dataset에 대한 moderation 결과를 측정하고 threshold/action을 조정하는 것이지, prompt template 기능에 관한 것이 아닙니다. 시험 팁: “content filter configuration 최적화”와 “sample question에 대한 테스트 실행”이 보이면, Content Safety Studio testing 도구 및/또는 자동화된 API 기반 evaluation pipeline을 떠올리세요. 또한 Content Safety는 moderation scoring을 위한 전용 서비스이며, OpenAI prompt 기법이 threshold 조정과 측정 가능한 테스트 실행을 대체하지 않는다는 점도 기억하세요.

문제 17

참고: 이 질문은 동일한 시나리오를 제시하는 일련의 질문 중 일부입니다. 시리즈의 각 질문에는 명시된 목표를 충족할 수도 있는 고유한 솔루션이 포함되어 있습니다. 일부 질문 세트에는 정답이 둘 이상 있을 수 있으며, 다른 세트에는 정답이 없을 수도 있습니다. 이 섹션의 질문에 답한 후에는 해당 질문으로 돌아갈 수 없습니다. 따라서 이러한 질문은 검토 화면에 표시되지 않습니다. Custom Vision 모델을 학습하여 꽃의 종을 식별하는 애플리케이션을 개발합니다. 새로운 꽃 종의 이미지를 받습니다. 새 이미지를 분류기에 추가해야 합니다. 솔루션: 새 이미지를 추가한 다음 Smart Labeler 도구를 사용합니다. 이것이 목표를 충족합니까?

문제 분석

핵심 개념: 이 문제는 Azure OpenAI (AI1)와 Azure AI Content Safety (CS1)를 사용하는 generative AI chatbot의 safety/content filtering을 평가하고 조정하는 방법을 테스트합니다. AI-102 관점에서는 test prompt를 실행하고 filter configuration을 최적화하기 위한 올바른 tooling/workflow를 선택하는 내용입니다. 정답인 이유: Content Safety Studio의 “Safety metaprompt” 기능을 사용하는 것은 content filter configuration 최적화를 위해 sample question에 대한 체계적인 테스트를 실행하는 적절한 방법이 아닙니다. Content Safety Studio는 Content Safety 기능(text/image moderation, severity threshold, testing)을 탐색하고 평가하는 데 사용되지만, “Safety metaprompt”는 chatbot의 input/output pipeline에 대한 content filter를 batch 스타일로 테스트하고 조정하기 위한 주요 기능이 아닙니다. content filter configuration을 최적화하려면 일반적으로 Content Safety Studio의 testing 환경(text/image용) 및/또는 representative prompt와 response를 Content Safety API를 통해 전송하는 programmatic evaluation을 사용하여, 결과에 따라 category threshold(hate, sexual, violence, self-harm)와 action(block, allow, review)을 조정합니다. 주요 기능 및 모범 사례: - Content Safety Studio를 사용하여 configurable severity threshold로 text moderation을 테스트하고 category 전반의 detection을 검토합니다. - 반복 가능한 최적화를 위해 sample user input과 model output으로 구성된 curated dataset를 API를 통해 CS1에 제출하는 test harness를 실행하고, score/severity를 수집하며 threshold를 반복적으로 조정합니다. - Azure Well-Architected Framework(Reliability/Operational Excellence)에 맞춰 evaluation을 자동화하고, safety config를 version 관리하며, false positive/negative를 모니터링합니다. - Azure OpenAI에서는 model 측 content filtering과 external moderation(CS1)을 구분합니다. user input 경로와 model output 경로를 모두 테스트해야 합니다. 일반적인 오해: 어떤 “metaprompt” 또는 “safety prompt” 기능이든 filter를 테스트하기 위한 것이라고 쉽게 생각할 수 있습니다. 그러나 filter 최적화는 prompt template 기능에 관한 것이 아니라, dataset에 대한 moderation outcome을 측정하고 threshold/action을 조정하는 것입니다. 시험 팁: “content filter configuration을 최적화”하고 “sample question에 대해 테스트를 실행”한다는 표현이 보이면, Content Safety Studio testing 도구 및/또는 자동화된 API 기반 evaluation pipeline을 떠올리세요. 또한 Content Safety는 moderation scoring을 위한 전용 서비스이며, OpenAI prompt 기법이 threshold 조정과 측정 가능한 test run을 대체하지 않는다는 점도 기억하세요.

문제 18

참고: 이 질문은 동일한 시나리오를 제시하는 일련의 질문 중 일부입니다. 시리즈의 각 질문에는 명시된 목표를 충족할 수 있는 고유한 솔루션이 포함되어 있습니다. 일부 질문 세트에는 정답이 둘 이상일 수 있으며, 다른 질문 세트에는 정답이 없을 수도 있습니다. 이 섹션의 질문에 답한 후에는 해당 질문으로 돌아갈 수 없습니다. 따라서 이러한 질문은 검토 화면에 표시되지 않습니다. Custom Vision 모델을 학습하여 꽃의 종을 식별하는 애플리케이션을 개발합니다. 새로운 꽃 종의 이미지를 받습니다. 새 이미지를 분류기에 추가해야 합니다. 솔루션: 새 이미지와 레이블을 기존 모델에 추가합니다. 모델을 다시 학습한 다음 모델을 게시합니다. 이것이 목표를 충족합니까?

문제 19

참고: 이 질문은 동일한 시나리오를 제시하는 일련의 질문 중 일부입니다. 이 시리즈의 각 질문에는 명시된 목표를 충족할 수 있는 고유한 솔루션이 포함되어 있습니다. 일부 질문 세트에는 정답이 두 개 이상 있을 수 있으며, 다른 세트에는 정답이 없을 수도 있습니다. 이 섹션의 질문에 답한 후에는 해당 질문으로 돌아갈 수 없습니다. 따라서 이러한 질문은 검토 화면에 표시되지 않습니다. Custom Vision 모델을 학습하여 꽃의 종을 식별하는 애플리케이션을 개발합니다. 새로운 꽃 종의 이미지를 받습니다. 새 이미지를 분류기에 추가해야 합니다. 솔루션: 새 모델을 만든 다음 새 이미지와 레이블을 업로드합니다. 이것이 목표를 충족합니까?

문제 20

HOTSPOT - 영국 영어(English (United Kingdom))로 진행되는 강의를 녹음하는 서비스를 개발하고 있습니다. translated text와 language identifier를 받는 AppendToTranscriptFile이라는 메서드가 있습니다. 참석자에게 각자의 언어로 강의 transcript를 제공하는 코드를 개발해야 합니다. 지원되는 언어는 English, French, Spanish, German입니다. 코드를 어떻게 완성해야 합니까? 답하려면, 답안 영역에서 적절한 옵션을 선택하십시오. 참고: 각 정답 선택은 1점입니다. 핫 영역:

파트 1:

var lang = new List<string> ______