آمادگی برای آزمون مایکروسافت آژور AI-102: طراحی و پیاده‌سازی راهکارهای هوش مصنوعی آژور

آزمون AI-102: طراحی و پیاده‌سازی راهکارهای هوش مصنوعی مایکروسافت آژور

قابلیت‌های کلیدی برای موفقیت در آزمون AI-102:

• انتخاب منابع مناسب Cognitive Services
• برنامه‌ریزی و پیکربندی امنیتی راهکارهای Cognitive Services
• ایجاد منابع Cognitive Services
• برنامه‌ریزی و پیاده‌سازی کانتینرهای Cognitive Services
• تحلیل تصاویر با استفاده از Computer Vision API
• استخراج متن از تصاویر
• استخراج اطلاعات چهره از تصاویر
• پیاده‌سازی طبقه‌بندی تصویر با استفاده از سرویس Custom Vision
• پیاده‌سازی راهکار تشخیص اشیاء با استفاده از سرویس Custom Vision
• تحلیل ویدئو با استفاده از Video Indexer
• تحلیل متن با استفاده از سرویس Text Analytics
• مدیریت صدا با استفاده از سرویس Speech
• ترجمه زبان
• پیاده‌سازی راهکار Cognitive Search
• پیاده‌سازی پایپ‌لاین غنی‌سازی داده (enrichment pipeline)
• پیاده‌سازی Knowledge Store
• مدیریت راهکار Cognitive Search
• مدیریت ایندکس‌گذاری (indexing)
• ایجاد پایگاه دانش با استفاده از QnA Maker
• طراحی و پیاده‌سازی جریان مکالمه (conversation flow)
• ایجاد بات با استفاده از Bot Framework SDK
• ایجاد بات با استفاده از Bot Framework Composer
• ادغام Cognitive Services در بات

پیش‌نیازها برای آزمون AI-102:

کاندیداهای آزمون AI-102: طراحی و پیاده‌سازی راهکارهای هوش مصنوعی مایکروسافت آژور، راهکارهای هوش مصنوعی را با استفاده از Azure Cognitive Services، Azure Cognitive Search و Microsoft Bot Framework می‌سازند، مدیریت می‌کنند و مستقر می‌نمایند.

نکته مهم برای تعیین انتظارات واقع‌بینانه: این سوالات، سوالات رسمی آزمون نیستند، اما تمام مطالب پوشش داده شده در بخش‌های دانش زیر را در بر می‌گیرند. بسیاری از سوالات بر اساس سناریوهای فرضی با سوالاتی در دل آن‌ها طراحی شده‌اند.

نیازمندی‌های دانش رسمی آزمون به طور مداوم بازبینی می‌شوند تا از گنجاندن آخرین الزامات در سوالات تمرینی اطمینان حاصل شود. به‌روزرسانی‌های محتوا اغلب بدون اطلاع قبلی انجام می‌شود و ممکن است در هر زمان تغییر کند.

هر سوال دارای توضیح مفصل و لینک به منابع مرجع برای پشتیبانی از پاسخ‌ها است که دقت راه حل‌های مسئله را تضمین می‌کند.

سوالات در هر بار تکرار آزمون جابجا می‌شوند، بنابراین باید دلیل درست بودن پاسخ را بدانید، نه فقط اینکه پاسخ درست در دور قبلی گزینه "B" بوده است.

نکته: این دوره نباید تنها ماده مطالعاتی شما برای آمادگی آزمون رسمی باشد. این آزمون‌های تمرینی برای تکمیل مواد مطالعاتی موضوعی طراحی شده‌اند.

به عنوان یک مهندس هوش مصنوعی مایکروسافت آژور، شما راهکارهای هوش مصنوعی را با استفاده از Azure AI می‌سازید، مدیریت می‌کنید و مستقر می‌نمایید.

مسئولیت‌های شما شامل مشارکت در تمام فازهای توسعه راهکارهای هوش مصنوعی است، از جمله:

• تعریف و طراحی نیازمندی‌ها
• توسعه
• استقرار (Deployment)
• ادغام (Integration)
• نگهداری (Maintenance)
• تنظیم عملکرد (Performance tuning)
• نظارت (Monitoring)

شما با معماران راهکار برای تبدیل دیدگاه آن‌ها همکاری می‌کنید. همچنین با دانشمندان داده، مهندسان داده، متخصصان اینترنت اشیاء (IoT)، مدیران زیرساخت و سایر توسعه دهندگان نرم‌افزار برای موارد زیر همکاری خواهید کرد:

• ساخت راهکارهای هوش مصنوعی جامع و امن از ابتدا تا انتها (end-to-end)
• ادغام قابلیت‌های هوش مصنوعی در سایر برنامه‌ها و راهکارها

به عنوان یک مهندس هوش مصنوعی آژور، شما تجربه توسعه راهکارهایی دارید که از زبان‌هایی مانند موارد زیر استفاده می‌کنند:

• Python
• C#

شما باید بتوانید از Representational State Transfer (REST) APIs و SDK ها برای ساخت راهکارهای امن پردازش تصویر، پردازش ویدئو، پردازش زبان طبیعی، داده‌کاوی دانش (knowledge mining) و هوش مصنوعی مولد (generative AI) در آژور استفاده کنید. شما باید:

• مولفه‌های تشکیل دهنده مجموعه خدمات Azure AI و گزینه‌های ذخیره‌سازی داده موجود را درک کنید.
• اصول هوش مصنوعی مسئولانه (responsible AI principles) را به کار بگیرید.

مهارت‌های کلیدی در یک نگاه:

• برنامه‌ریزی و مدیریت یک راهکار هوش مصنوعی آژور (۱۵–۲۰٪)
• پیاده‌سازی راهکارهای تعدیل محتوا (content moderation) (۱۰–۱۵٪)
• پیاده‌سازی راهکارهای بینایی کامپیوتر (computer vision) (۱۵–۲۰٪)
• پیاده‌سازی راهکارهای پردازش زبان طبیعی (natural language processing) (۳۰–۳۵٪)
• پیاده‌سازی راهکارهای داده‌کاوی دانش و هوش اسناد (document intelligence) (۱۰–۱۵٪)
• پیاده‌سازی راهکارهای هوش مصنوعی مولد (generative AI) (۱۰–۱۵٪)

۱. برنامه‌ریزی و مدیریت یک راهکار هوش مصنوعی آژور (۱۵–۲۰٪)

انتخاب سرویس مناسب آژور AI

• انتخاب سرویس مناسب برای یک راهکار بینایی کامپیوتر
• انتخاب سرویس مناسب برای یک راهکار پردازش زبان طبیعی
• انتخاب سرویس مناسب برای یک راهکار صدا
• انتخاب سرویس مناسب برای یک راهکار هوش مصنوعی مولد
• انتخاب سرویس مناسب برای یک راهکار هوش اسناد
• انتخاب سرویس مناسب برای یک راهکار داده‌کاوی دانش

برنامه‌ریزی، ایجاد و استقرار یک سرویس آژور AI

• برنامه‌ریزی برای راهکاری که اصول هوش مصنوعی مسئولانه را برآورده کند
• ایجاد یک منبع آژور AI
• تعیین نقطه پایانی پیش‌فرض (default endpoint) برای یک سرویس
• ادغام سرویس‌های آژور AI در یک پایپ‌لاین یکپارچه‌سازی مداوم و تحویل مداوم (CI/CD)
• برنامه‌ریزی و پیاده‌سازی استقرار کانتینر

مدیریت، نظارت و امن‌سازی یک سرویس آژور AI

• پیکربندی لاگ‌برداری تشخیصی (diagnostic logging)
• نظارت بر یک منبع آژور AI
• مدیریت هزینه‌های سرویس‌های آژور AI
• مدیریت کلیدهای حساب
• محافظت از کلیدهای حساب با استفاده از Azure Key Vault
• مدیریت احراز هویت برای یک منبع سرویس آژور AI
• مدیریت ارتباطات خصوصی

۲. پیاده‌سازی راهکارهای تعدیل محتوا (۱۰–۱۵٪)

ایجاد راهکار برای تحویل محتوا

• پیاده‌سازی راهکار تعدیل متن با Azure AI Content Safety
• پیاده‌سازی راهکار تعدیل تصویر با Azure AI Content Safety

۳. پیاده‌سازی راهکارهای بینایی کامپیوتر (۱۵–۲۰٪)

تحلیل تصاویر

• انتخاب ویژگی‌های بصری برای برآورده کردن نیازمندی‌های پردازش تصویر
• تشخیص اشیاء در تصاویر و تولید تگ‌های تصویر
• گنجاندن ویژگی‌های تحلیل تصویر در درخواست پردازش تصویر
• تفسیر پاسخ‌های پردازش تصویر
• استخراج متن از تصاویر با استفاده از Azure AI Vision
• تبدیل متن دست‌نویس با استفاده از Azure AI Vision

پیاده‌سازی مدل‌های بینایی کامپیوتر سفارشی با استفاده از Azure AI Vision

• انتخاب بین مدل‌های طبقه‌بندی تصویر و تشخیص اشیاء
• برچسب‌گذاری تصاویر
• آموزش مدل تصویر سفارشی، شامل طبقه‌بندی تصویر و تشخیص اشیاء
• ارزیابی معیارهای مدل بینایی سفارشی
• انتشار مدل بینایی سفارشی
• مصرف مدل بینایی سفارشی

تحلیل ویدئوها

• استفاده از Azure AI Video Indexer برای استخراج بینش از ویدئو یا پخش زنده
• استفاده از Azure AI Vision Spatial Analysis برای تشخیص حضور و حرکت افراد در ویدئو

۴. پیاده‌سازی راهکارهای پردازش زبان طبیعی (۳۰–۳۵٪)

تحلیل متن با استفاده از Azure AI Language

• استخراج عبارات کلیدی (key phrases)
• استخراج موجودیت‌ها (entities)
• تعیین احساس متن (sentiment)
• تشخیص زبان مورد استفاده در متن
• تشخیص اطلاعات قابل شناسایی شخصی (PII) در متن

پردازش صدا با استفاده از Azure AI Speech

• پیاده‌سازی تبدیل متن به گفتار (text-to-speech)
• پیاده‌سازی تبدیل گفتار به متن (speech-to-text)
• بهبود تبدیل متن به گفتار با استفاده از Speech Synthesis Markup Language (SSML)
• پیاده‌سازی راهکارهای گفتار سفارشی (custom speech)
• پیاده‌سازی تشخیص قصد (intent recognition)
• پیاده‌سازی تشخیص کلمه کلیدی (keyword recognition)

ترجمه زبان

• ترجمه متن و اسناد با استفاده از سرویس Azure AI Translator
• پیاده‌سازی ترجمه سفارشی، شامل آموزش، بهبود و انتشار مدل سفارشی
• ترجمه گفتار به گفتار با استفاده از سرویس Azure AI Speech
• ترجمه گفتار به متن با استفاده از سرویس Azure AI Speech
• ترجمه به چندین زبان به طور همزمان

پیاده‌سازی و مدیریت مدل درک زبان با استفاده از Azure AI Language

• ایجاد اهداف (intents) و افزودن عبارات (utterances)
• ایجاد موجودیت‌ها
• آموزش، ارزیابی، استقرار و تست مدل درک زبان
• بهینه‌سازی مدل درک زبان
• مصرف مدل زبان از یک برنامه کلاینت
• پشتیبان‌گیری و بازیابی مدل‌های درک زبان

ایجاد راهکار پرسش و پاسخ سفارشی با استفاده از Azure AI Language

• ایجاد پروژه پرسش و پاسخ سفارشی
• افزودن دستی جفت‌های پرسش و پاسخ
• وارد کردن منابع (sources)
• آموزش و تست پایگاه دانش
• انتشار پایگاه دانش
• ایجاد مکالمه چند مرحله‌ای (multi-turn conversation)
• افزودن عبارت‌بندی جایگزین (alternate phrasing)
• افزودن چیتر-چت (chit-chat) به پایگاه دانش
• خروجی گرفتن از پایگاه دانش (export)
• ایجاد راهکار پرسش و پاسخ چند زبانه

۵. پیاده‌سازی راهکارهای داده‌کاوی دانش و هوش اسناد (۱۰–۱۵٪)

پیاده‌سازی راهکار Azure AI Search

• تامین منابع Azure AI Search
• ایجاد منابع داده (data sources)
• ایجاد ایندکس (index)
• تعریف مجموعه مهارت‌ها (skillset)
• پیاده‌سازی مهارت‌های سفارشی و گنجاندن آن‌ها در مجموعه مهارت‌ها
• ایجاد و اجرای ایندکسر (indexer)
• پرس‌وجو از ایندکس، شامل نحو (syntax)، مرتب‌سازی (sorting)، فیلتر کردن (filtering) و حروف عام (wildcards)
• مدیریت پروجکشن‌های Knowledge Store، شامل پروجکشن‌های فایل، شیء و جدول

پیاده‌سازی راهکار Azure AI Document Intelligence

• تامین منابع Document Intelligence
• استفاده از مدل‌های از پیش ساخته شده برای استخراج داده از اسناد
• پیاده‌سازی مدل سفارشی Document Intelligence
• آموزش، تست و انتشار مدل سفارشی Document Intelligence
• ایجاد مدل ترکیبی Document Intelligence (composed document intelligence model)
• پیاده‌سازی مدل Document Intelligence به عنوان یک مهارت سفارشی Azure AI Search

۶. پیاده‌سازی راهکارهای هوش مصنوعی مولد (۱۰–۱۵٪)

استفاده از Azure OpenAI Service برای تولید محتوا

• تامین منابع Azure OpenAI Service
• انتخاب و استقرار مدل Azure OpenAI
• ارسال پرامپت‌ها (prompts) برای تولید زبان طبیعی
• ارسال پرامپت‌ها برای تولید کد
• استفاده از مدل DALL-E برای تولید تصاویر
• استفاده از Azure OpenAI APIs برای ارسال پرامپت‌ها و دریافت پاسخ‌ها
• استفاده از مدل‌های چندوجهی بزرگ (large multimodal models) در Azure OpenAI

بهینه‌سازی هوش مصنوعی مولد

• پیکربندی پارامترها برای کنترل رفتار مولد
• به‌کارگیری تکنیک‌های مهندسی پرامپت (prompt engineering) برای بهبود پاسخ‌ها
• استفاده از داده‌های خود با یک مدل Azure OpenAI
• تنظیم دقیق (fine-tune) یک مدل Azure OpenAI