연습 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 ______

문제 2

DRAG DROP - 개발 환경에 acvdev라는 Custom Vision 리소스가 있습니다. 프로덕션 환경에 acvprod라는 Custom Vision 리소스가 있습니다. acvdev에서 proj1이라는 프로젝트에 obj1이라는 object detection 모델을 빌드합니다. obj1을 acvprod로 이동해야 합니다. 다음 중 어떤 세 가지 작업을 순서대로 수행해야 합니까? 답하려면 작업 목록에서 적절한 작업을 답변 영역으로 이동하고 올바른 순서로 정렬하세요. 선택 및 배치:

파트 1:

아래 이미지에서 올바른 답(들)을 선택하세요.

question-image

문제 3

HOTSPOT - Speech SDK 및 MP3 인코딩을 사용할 스트리밍 Speech to Text 솔루션을 개발하고 있습니다. 스트리밍 MP3 데이터에 대해 음성을 텍스트로 변환하는 메서드를 개발해야 합니다. 코드를 어떻게 완성해야 합니까? 답하려면, 답안 영역에서 적절한 옵션을 선택하십시오. 참고: 각 정답 선택은 1점입니다. 핫 영역:

파트 1:

var audioFormat = ______ (AudioStreamContainerFormat.MP3);

파트 2:

using (var recognizer = new ______ (speechConfig, audioConfig))

문제 4

HOTSPOT - 제품 생성 프로젝트를 위해 이미지를 업로드하는 코드를 개발해야 합니다. 솔루션은 접근성 요구 사항을 충족해야 합니다. 코드를 어떻게 완성해야 합니까? 답하려면, 답안 영역에서 적절한 옵션을 선택하십시오. 참고: 각 정답 선택은 1점입니다. 핫 영역:

파트 1:

public static async Task<string> SuggestAltText(ComputerVisionClient client, ______ image)

파트 2:

List<VisualFeatureTypes?> features = new List<VisualFeatureTypes?>() { ______ };

파트 3:

var c = ______

문제 5

HOTSPOT - iOS 앱에서 사용될 모델을 구축하고 있습니다. 고양이와 개 이미지가 있습니다. 각 이미지에는 고양이 또는 개 중 하나가 포함되어 있습니다. Custom Vision 서비스를 사용하여 이미지가 고양이인지 개인지 감지해야 합니다. Custom Vision 포털에서 프로젝트를 어떻게 구성해야 합니까? 답하려면 답안 영역에서 적절한 옵션을 선택하십시오. 참고: 각 정답 선택은 1점입니다. 핫 영역:

파트 1:

Project Types ______

파트 2:

Classification Types ______

파트 3:

도메인 ______

이동 중에도 모든 문제를 풀고 싶으신가요?

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

문제 6

(2개 선택)

Custom Vision 서비스를 사용하여 classifier를 빌드합니다. 학습이 완료된 후 classifier를 평가해야 합니다. 검토할 수 있는 두 가지 metric은 무엇입니까? 각 정답은 완전한 솔루션을 제시합니다. 참고: 각 정답 선택은 1점입니다.

문제 7

챗봇을 개발하고 있습니다. 다음 구성 요소를 생성합니다: ✑ QnA Maker 리소스 ✑ Azure Bot Framework SDK를 사용하여 챗봇 생성 챗봇 요구 사항을 충족하도록 구성 요소를 통합해야 합니다. 어떤 속성을 사용해야 합니까?

문제 분석

핵심 개념: 이 문제는 Azure Bot Framework SDK 봇을 QnA Maker knowledge base와 통합할 때, QnA Maker 호출을 구성하여 QnA Maker의 신뢰도가 충분히 높을 때만 봇이 답변을 반환하도록 만드는 방법을 테스트합니다. 정답이 맞는 이유: QnA Maker를 봇에 통합할 때는 보통 품질이 낮거나 관련 없는 답변을 반환하지 않도록 하는 것이 중요합니다. QnAMakerOptions.ScoreThreshold 속성은 답변이 매칭으로 간주되기 위해 필요한 최소 신뢰도 점수를 설정합니다. 최상위 답변의 점수가 이 임계값보다 낮으면, 봇은 결과를 “no match”로 처리하고 폴백 동작(예: 추가 확인 질문, 상담원 연결, 다른 dialog로 라우팅)을 트리거할 수 있습니다. 이는 정확도와 알 수 없는 질문을 우아하게 처리해야 하는 일반적인 챗봇 요구사항을 직접적으로 지원합니다. 주요 기능 / 구성: - QnAMakerOptions.ScoreThreshold: 답변을 수용하기 위한 최소 점수(0.0–1.0). - Bot Framework의 “No match” 처리: 임계값을 만족하는 답변이 없으면, 봇은 기본 메시지를 반환하거나 다른 dialog로 라우팅할 수 있습니다. - QnA Maker는 점수와 함께 순위가 매겨진 답변을 반환하며, 봇은 점수와 비즈니스 규칙에 따라 동작을 결정합니다. 흔한 오해: - 필터링(StrictFilters)과 신뢰도 게이팅(confidence gating)을 혼동: 필터는 metadata로 후보 집합을 제한하지만, 반환된 답변이 높은 신뢰도인지 보장하지는 않습니다. - RankerType이 답변 품질을 제어하는 핵심이라고 가정: ranker 선택은 랭킹 동작에 영향을 주지만, 최소 허용 신뢰도를 강제하지는 않습니다. - dialog UI 응답 옵션(CardNoMatchText)과 QnA 쿼리 동작을 혼동: 응답 텍스트는 표현 방식만 바꾸며, 매칭 로직은 바꾸지 않습니다. 시험 팁: - 요구사항이 “확신이 있을 때만 답변” 또는 “낮은 신뢰도는 no match로 처리”라면 ScoreThreshold를 사용합니다. - 요구사항이 “일부 subset에서만 검색”(metadata 기반 필터링)이라면 StrictFilters를 사용합니다. - RankerType은 랭킹 알고리즘 선택에 관한 것이지, 수용(acceptance) 기준이 아닙니다. - UI/응답 옵션(예: CardNoMatchText)은 결과가 어떻게 표시되는지에 영향을 주며, QnA Maker가 매치를 반환하는지 여부에는 영향을 주지 않습니다.

문제 8

(3개 선택)

사용자 지정 Form Recognizer 모델을 빌드합니다. 다음 표에 표시된 것처럼 모델을 학습하는 데 사용할 샘플 파일을 받습니다.

diagram

모델을 학습하는 데 사용할 수 있는 파일 세 개는 무엇입니까? 각 정답은 완전한 솔루션을 제시합니다. 참고: 각 정답 선택은 1점입니다.

문제 분석

핵심 개념: 이 문제는 Azure AI Document Intelligence(이전 명칭: Form Recognizer)의 custom model 학습 데이터 요구 사항, 특히 학습 문서에 대해 지원되는 파일 형식과 크기 제한을 테스트합니다. 정답인 이유: custom model 학습의 경우, Document Intelligence는 PDF 및 일반적인 이미지 형식(JPEG/JPG, PNG, TIFF, BMP)과 같은 문서/이미지 입력을 지원합니다. 비디오 형식(예: MP4)과 GIF 같은 애니메이션 이미지 형식은 학습 입력으로 지원되지 않습니다. 또한 학습 문서에는 파일 크기 제한이 있습니다. 시험에서 자주 다뤄지는 제한은 개별 학습 파일이 서비스에서 지원하는 최대 크기 이내여야 한다는 점입니다(많은 작업/학습 시나리오에서 일반적으로 파일당 50 MB). 따라서: - File1(PDF, 20 MB)은 지원되며 크기 제한 이내입니다. - File3(JPG, 20 MB)은 지원되며 크기 제한 이내입니다. - File4(PDF, 100 MB)는 지원되는 형식이지만 일반적인 파일당 제한을 초과합니다. 그러나 문제는 어떤 파일을 사용할 수 있는지를 묻고 있으며, 많은 시험 맥락에서 핵심 판별 요소는 형식 지원과 크기입니다. 제공된 선택지와 3개를 골라야 한다는 점을 고려하면, 의도된 정답 세트는 학습에 허용되는 제약 조건 내의 지원 형식인 PDF/JPG이며, MP4와 GIF는 제외되고 크기 초과 PDF도 제외됩니다. 크기 초과 JPG는 제외되지 않습니다(40 MB는 일반적으로 여전히 허용되며, 시험에서는 보통 50 MB 제한을 사용하므로 40 MB는 허용 가능). 일반적으로 크기 제한을 위반하는 것은 100 MB PDF입니다. 주요 기능 / 모범 사례: - 학습 데이터를 Azure Blob Storage에 저장하고 SAS/managed identity 액세스를 제공합니다. - 일관되고 품질이 높은 샘플을 사용하고, 대표적인 변형을 포함합니다. - searchable PDF 또는 고해상도 이미지를 선호하고, 올바른 방향으로 정렬되었는지 확인합니다. - Azure Well-Architected Framework에 맞춥니다: reliability(반복 가능한 학습 파이프라인), security(최소 권한 SAS/MI), cost optimization(불필요하게 큰 파일 방지). 일반적인 오해: - 서비스가 텍스트를 추출하므로 “어떤 파일 형식이든” 사용할 수 있다고 가정하는 것—비디오(MP4)는 문서 입력이 아닙니다. - GIF를 정지 이미지와 동일하다고 가정하는 것; GIF는 지원되는 학습 형식이 아닙니다. - 파일 크기 제한을 무시하는 것; 매우 큰 PDF는 업로드/학습에 실패할 수 있습니다. 시험 팁: Document Intelligence의 지원 입력 형식(PDF + 일반적인 정지 이미지)을 암기하고, 크기/페이지 제한이 존재한다는 점을 기억하세요. 선택지에 MP4/GIF가 포함되면, Document Intelligence 학습 문제에서는 거의 항상 오답 유도 선택지입니다.

문제 9

챗봇을 개발하고 있습니다. 다음 구성 요소를 생성합니다: ✑ QnA Maker 리소스 ✑ Azure Bot Framework SDK를 사용하여 챗봇 기술 요구 사항과 챗봇 요구 사항을 충족하기 위해 추가 구성 요소를 추가해야 합니다. 무엇을 추가해야 합니까?

문제 10

지식베이스를 개발하고 있습니다. Azure Video Analyzer for Media(이전 명칭: Video indexer)를 사용하여 웨비나의 전사본을 얻습니다. 솔루션이 지식베이스 요구 사항을 충족하도록 해야 합니다. 무엇을 해야 합니까?

Practice Test #1

3중 AI 검증 답안 및 해설

연습 문제

다른 모의고사

Practice Test #2

Practice Test #3

지금 학습 시작하기