연습 문제

문제 1

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 2

고객이 Azure Cognitive Search를 사용합니다. 고객은 서버 측 암호화를 활성화하고 Azure에 저장된 customer-managed keys (CMK)를 사용하려고 합니다. 계획된 변경의 영향은 무엇입니까? 정답은 세 가지입니다. 각 정답은 완전한 해결책을 제시합니다. 참고: 각 정답 선택은 1점입니다.

문제 3

HOTSPOT - West US Azure region에서 호스팅되는 contoso1이라는 Computer Vision 리소스가 있습니다. smart cropping 기능을 사용하여 contoso1로 제품 사진의 크기를 다른 크기로 만들어야 합니다. API URL을 어떻게 완성해야 합니까? 답하려면, 답안 영역에서 적절한 옵션을 선택하십시오. 참고: 각 정답 선택은 1점입니다. 핫 영역:

파트 1:

curl -H "Ocp-Apim-Subscription-Key: xxx" / -o "sample.png" -H "Content-Type: application/json" / "______" /vision/v3.1/

파트 2:

/vision/v3.1/______?width=100&height=100&smartCropping=true" /

문제 4

DRAG DROP - 모바일 앱에서 사용되는 Custom Vision 모델을 학습합니다. 연결된 데이터가 없는 새 이미지 1,000장을 받습니다. 이미지를 사용하여 모델을 다시 학습해야 합니다. 솔루션은 모델을 다시 학습하는 데 걸리는 시간을 최소화해야 합니다. Custom Vision 포털에서 수행해야 하는 세 가지 작업은 무엇입니까? 답하려면 작업 목록에서 적절한 작업을 답변 영역으로 이동하고 올바른 순서로 배열하십시오. 선택 및 배치:

파트 1:

아래 이미지에서 올바른 답(들)을 선택하세요.

question-image

문제 5

(2개 선택)

새 리소스 그룹 RG1에 QnA Maker 서비스를 프로비저닝할 계획입니다. RG1에서 AP1이라는 이름의 App Service plan을 생성합니다. QnA Maker 서비스를 프로비저닝할 때 RG1에 자동으로 생성되는 Azure 리소스 두 가지는 무엇입니까? 각 정답은 솔루션의 일부를 제시합니다. 참고: 각 정답 선택은 1점입니다.

이동 중에도 모든 문제를 풀고 싶으신가요?

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

문제 6

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 이상 있을 수 있으며, 다른 세트에는 정답이 없을 수도 있습니다. 이 섹션에서 질문에 답한 후에는 해당 질문으로 돌아갈 수 없습니다. 따라서 이러한 질문은 검토 화면에 표시되지 않습니다. Azure virtual machine인 vm1에서 실행되는 app1이라는 web app을 생성합니다. Vm1은 vnet1이라는 Azure virtual network에 있습니다. service1이라는 새 Azure Cognitive Search 서비스를 생성할 계획입니다. public internet을 통해 트래픽을 라우팅하지 않고 app1이 service1에 직접 연결할 수 있도록 해야 합니다. 솔루션: service1과 public endpoint를 배포하고 IP firewall rule을 구성합니다. 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 내용입니다. 정답인 이유: Content Safety Studio의 “Safety metaprompt” 기능을 사용하는 것은 content filter configuration을 최적화하기 위해 sample question에 대해 체계적인 test를 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 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 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 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 외부 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 생각하기 쉽습니다. 그러나 filter 최적화는 prompt template 기능에 관한 것이 아니라, dataset에 대한 moderation 결과를 측정하고 threshold/action을 조정하는 것입니다. 시험 팁: “optimize content filter configurations”와 “run tests on sample questions”를 보면, 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 실행을 대체하지 않는다는 점도 기억하세요.

문제 7

(3개 선택)

스마트 e-commerce 프로젝트를 개발하고 있습니다. Cognitive Search 솔루션의 일부로 자동 완성을 구현해야 합니다. 어떤 세 가지 작업을 수행해야 합니까? 각 정답은 솔루션의 일부를 제시합니다. 참고: 각 정답 선택은 1점입니다.

문제 8

DRAG DROP - 컨테이너에 배포된 app1이라는 Language Understanding 애플리케이션을 사용할 계획입니다. App1은 lu1이라는 Language Understanding authoring resource를 사용하여 개발되었습니다. App1에는 다음 표에 표시된 버전이 있습니다.

diagram

app1의 최신 배포 가능한 버전을 사용하는 컨테이너를 만들어야 합니다. 어떤 세 가지 작업을 순서대로 수행해야 합니까? 답하려면 작업 목록에서 적절한 작업을 답 영역으로 이동하고 올바른 순서로 정렬하십시오. Select and Place:

파트 1:

버전이 environment variable로 설정된 컨테이너를 실행합니다.

파트 2:

Export as JSON 옵션을 사용하여 모델을 내보냅니다.

파트 3:

app1의 v1.1을 선택합니다.

파트 4:

컨테이너를 실행하고 모델 파일을 마운트합니다.

파트 5:

app1의 v1.0을 선택합니다.

파트 6:

Export for containers (GZIP) 옵션을 사용하여 모델을 내보냅니다.

파트 7:

app1의 v1.2를 선택합니다.

문제 9

URL에서 액세스할 수 있는 영수증이 있습니다. Form Recognizer 및 SDK를 사용하여 영수증에서 데이터를 추출해야 합니다. 솔루션은 prebuilt model을 사용해야 합니다. 어떤 client와 method를 사용해야 합니까?

문제 분석

핵심 개념: 이 문제는 URL(URI)에서 액세스 가능한 영수증에서 prebuilt model을 사용해 구조화된 데이터를 추출하기 위한 Azure Form Recognizer(Azure AI Document Intelligence) SDK 사용을 테스트합니다. 또한 올바른 client 유형(인식/추론 vs 학습)을 선택하는지도 테스트합니다. 정답이 맞는 이유: prebuilt model(예: prebuilt receipt model)을 사용하려면 학습이 아니라 분석/추론을 수행합니다. 레거시 Form Recognizer SDK에서 추론 작업은 FormRecognizerClient로 수행합니다. 영수증의 경우, SDK는 공개적으로 액세스 가능한 URL(또는 SAS URL)에 있는 영수증을 분석하기 위한 전용 method인 StartRecognizeReceiptsFromUri를 제공합니다. 이는 두 요구 사항 (1) prebuilt receipt model 및 (2) URI에서 입력을 가져옴을 모두 충족합니다. 주요 기능 및 모범 사례: - Prebuilt models(영수증, 인보이스, ID document, business card 등)은 학습이 필요 없으며 일반적인 문서 유형에 최적화되어 있습니다. - URI 기반 method는 서비스가 문서를 가져올 수 있어야 합니다. URL이 Azure에서 도달 가능(공개 또는 시간 제한 SAS)한지 확인하세요. 적절한 액세스 없이 private network endpoint만 사용하면 실패합니다. - StartRecognize* 패턴은 분석에 시간이 걸릴 수 있으므로 long-running operation(LRO)입니다. 일반적으로 operation을 await한 다음 결과를 반복 처리합니다. - Azure Well-Architected 관점에서: secrets에는 managed identity/Key Vault를 사용하고, least privilege를 적용하며, resiliency(retry policies) 및 비용(prebuilt model은 페이지당 과금)을 고려하세요. 일반적인 오해: - “Content” method(콘텐츠/레이아웃 인식)는 텍스트와 구조를 추출하지만 영수증 전용 스키마(가맹점명, 합계, 세금, 품목 등)를 적용하지 않습니다. “영수증에서 데이터 추출”을 영수증 필드 관점에서 충족하지 못합니다. - FormTrainingClient는 custom model을 빌드하고 관리(학습, 모델 관리)하기 위한 것입니다. prebuilt receipt 분석을 실행하는 데 사용하지 않습니다. 시험 팁: - 작업 매핑: prebuilt model => FormRecognizerClient(analysis) + prebuilt 전용 method(Receipts/Invoices/BusinessCards/IdDocuments). - 입력이 URL이면 FromUri method를 선택하고, stream/file이면 FromUri가 없는 해당 method를 선택합니다. - 문제가 custom model, labeled data, 또는 model training/management를 언급할 때만 training client가 등장합니다.

문제 10

DRAG DROP - 테스트를 위해 로컬 디바이스와 온-프레미스 datacenter에서 Anomaly Detector API의 containerized 버전을 사용할 계획입니다. 다음 요구 사항을 containerized 배포가 충족하도록 해야 합니다: ✑ container를 실행하는 디바이스의 command-line history에 billing 및 API 정보가 저장되지 않도록 방지합니다. ✑ Azure role-based access control (Azure RBAC)을 사용하여 container image에 대한 액세스를 제어합니다. 어떤 네 가지 작업을 순서대로 수행해야 합니까? 답하려면 작업 목록에서 적절한 작업을 답변 영역으로 이동하고 올바른 순서로 정렬하십시오. 참고: 정답 선택지의 순서는 하나 이상이 올바를 수 있습니다. 선택한 올바른 순서에 대해서는 모두 점수를 받습니다. 선택 및 배치:

파트 1:

사용자 지정 Dockerfile을 생성합니다.

파트 2:

Anomaly Detector 컨테이너 이미지를 pull합니다.

파트 3:

docker run 스크립트를 배포합니다.

파트 4:

이미지를 Azure container registry에 푸시합니다.

파트 5:

이미지를 빌드합니다.

파트 6:

이미지를 Docker Hub에 push합니다.

Practice Test #3

3중 AI 검증 답안 및 해설

연습 문제

다른 모의고사

Practice Test #1

Practice Test #2

지금 학습 시작하기