Zuletzt überprüft: Juni 2026
Eine übersichtliche Referenz der Architekturmuster, die in der AI-901-Prüfung getestet werden. Von oben nach unten lesen oder zu einem Abschnitt springen.
Ein Kreditgenehmigungsmodell darf Menschen aufgrund von Geschlecht oder ethnischer Zugehörigkeit nicht benachteiligen.
Wenden Sie das Prinzip der Fairness von Responsible AI an: Bewerten und mindern Sie Vorurteile über demografische Gruppen hinweg.
Warum: Fairness zielt auf gerechte Behandlung ab; verwechseln Sie sie nicht mit Zuverlässigkeit (konsistente Ergebnisse) oder Datenschutz (Datenschutz).
Ein autonomes Fahrmodell muss sich unter unerwarteten Bedingungen konsistent verhalten und sicher ausfallen.
Wenden Sie Zuverlässigkeit und Sicherheit an: rigorose Tests, Überwachung und Schutzvorrichtungen für Randfälle.
Warum: Bei Zuverlässigkeit und Sicherheit geht es um konsistentes, schadensvermeidendes Verhalten unter Unsicherheit, nicht darum, um wen es in den Daten geht.
Eine Gesundheits-App verarbeitet personenbezogene Daten und muss diese vor Offenlegung oder Missbrauch schützen.
Wenden Sie Datenschutz und Sicherheit an: Schützen Sie personenbezogene Daten, kontrollieren Sie den Zugriff und respektieren Sie die Einwilligung.
Warum: Dieses Prinzip umfasst die Vertraulichkeit und den Schutz von Daten; Fairness und Inklusivität beziehen sich darauf, wem das System dient.
Eine Lösung sollte Menschen unabhängig von ihren Fähigkeiten oder ihrem Hintergrund befähigen und einbinden.
Wenden Sie Inklusivität an: Gestalten Sie so, dass alle davon profitieren, einschließlich Menschen mit Behinderungen.
Warum: Inklusivität betrifft breite Zugänglichkeit und Reichweite; Fairness bezieht sich speziell auf unvoreingenommene Ergebnisse.
Benutzer müssen verstehen, wie ein KI-System zu seinen Entscheidungen gelangt und wo seine Grenzen liegen.
Wenden Sie Transparenz an: Erklären Sie, wie das System funktioniert, seinen Zweck, seine Fähigkeiten und Einschränkungen.
Warum: Transparenz macht das System verständlich; Rechenschaftspflicht bezieht sich darauf, wer dafür verantwortlich ist.
Klare Eigentumsverhältnisse und Governance sind erforderlich, damit jemand für das Verhalten eines KI-Systems verantwortlich ist.
Wenden Sie Rechenschaftspflicht an: Menschen entwerfen, bauen und betreiben innerhalb eines Governance-Frameworks und bleiben rechenschaftspflichtig.
Warum: Rechenschaftspflicht weist menschliche Verantwortung zu; Transparenz erklärt nur das System, sie weist keine Eigentümerschaft zu.
Erklären Sie, wie ein generative AI-Modell einen kohärenten Absatz aus einem Prompt erzeugt.
Ein großes Sprachmodell sagt den nächsten token wiederholt unter Verwendung von Mustern voraus, die aus massiven Trainingsdaten gelernt wurden.
Warum: Generative Modelle erzeugen neue Inhalte durch probabilistische token-Vorhersage; sie rufen gespeicherte Antworten nicht wörtlich ab.
Wählen Sie ein Modell: Das eine benötigt einen kostengünstigen Chat mit hohem Volumen, das andere benötigt eine komplexe mehrstufige Argumentation.
Passen Sie das Modell der Aufgabe an — ein kleineres/schnelleres Modell für Routine-Chats, ein größeres Reasoning-Modell für schwierige Aufgaben.
Warum: Größer ist nicht immer besser; Capability, Kosten und Latenz sind Kompromisse, wählen Sie also nach dem Bedarf der Workload.
Entscheiden Sie, wie ein Modell genutzt werden soll: verwalteter Standard-endpoint vs. dedizierte Kapazität.
Verwenden Sie eine Standard-(Pay-as-you-go)-Bereitstellung für variable Last oder bereitgestellten Throughput für eine stetige Hochvolumen-, vorhersehbare Performance.
Warum: Provisioned reserviert Kapazität für konsistente Latenz; Standard rechnet pro token ab und ist am einfachsten zu starten.
Die Ausgabe ist zu repetitiv; Sie wünschen sich kreativere, abwechslungsreichere Antworten.
Erhöhen Sie den temperature-Parameter; senken Sie ihn gegen 0 für eine deterministische, fokussierte Ausgabe.
Warum: Temperature steuert die Zufälligkeit der token-Auswahl; hoch = kreativ, niedrig = konsistent.
Antworten werden mitten im Satz abgeschnitten, oder Sie müssen die Ausgabelänge und die Kosten begrenzen.
Passen Sie den max tokens (maximale Abschlusslänge)-Parameter an, um die Obergrenze der Antwort festzulegen.
Warum: Max tokens begrenzt die Ausgabelänge; es ändert nicht die Kreativität — das ist temperature oder top-p.
Sie möchten die token-Auswahl auf den wahrscheinlichsten Satz beschränken, ohne eine feste temperature zu verwenden.
Verwenden Sie top-p (nucleus sampling), um die Stichprobenentnahme auf den kleinsten Satz von tokens zu beschränken, deren Wahrscheinlichkeiten sich zu p summieren.
Warum: Top-p grenzt den Kandidatenpool durch Wahrscheinlichkeitsmasse ein; stimmen Sie es oder temperature ab, im Allgemeinen nicht beides aggressiv.
Eine Workload muss Marketingtexte und Zusammenfassungen aus Prompts entwerfen.
Dies ist eine generative AI-Workload — Inhaltserstellung aus Anweisungen in natürlicher Sprache.
Warum: Generative Workloads produzieren neue Inhalte; Textanalyse extrahiert nur Erkenntnisse aus bestehendem Text.
Ein System muss Schritte planen, tools aufrufen und auf ein Ziel hin agieren, mit minimaler Überwachung.
Dies ist eine agentic AI-Workload — ein LLM-gesteuerter agent, der Gründe sucht, tools verwendet und Aktionen ausführt.
Warum: Agentic fügt Autonomie und tool-Nutzung zur Generierung hinzu; einfache generative AI gibt nur Inhalte zurück.
Eine Workload durchsucht Kundenrezensionen nach sentiment, key phrases und named entities.
Dies ist eine Textanalyse (NLP)-Workload.
Warum: Textanalyse interpretiert vorhandenen Text; sie generiert keine neue Prosa wie eine generative Workload.
Eine Workload muss Anrufe transkribieren und Antworten vorlesen.
Dies ist eine speech-Workload — Speech-to-Text-Erkennung und Text-to-Speech-Synthese.
Warum: Speech deckt Audioeingabe/-ausgabe ab; computer vision verarbeitet Bilder, nicht Audio.
Eine Workload muss Objekte erkennen und Text aus Fotos lesen.
Dies ist eine computer vision-Workload — Bildklassifizierung, Objekterkennung und OCR.
Warum: Computer vision interpretiert Bilder; Informationsextraktion aus Dokumenten ist eine verwandte, aber eigenständige Aufgabe.
Eine Workload muss Felder wie Daten, Summen und Anbieter aus gescannten Rechnungen extrahieren.
Dies ist eine Informations-/Datenextraktions-Workload (document understanding).
Warum: Extraktion zieht strukturierte Felder aus Dokumenten; generisches OCR liefert nur Rohtext, keine beschrifteten Felder.
Sie benötigen die Hauptthemen aus einem Textblock, ohne alles lesen zu müssen.
Verwenden Sie die Schlüsselphrasen-(keyword)-Extraktion, um die wichtigsten Begriffe hervorzuheben.
Warum: Die Schlüsselphrasenextraktion listet relevante Begriffe auf; die entity detection klassifiziert stattdessen benannte Dinge wie Personen oder Orte.
Sie müssen Personen, Organisationen, Orte und Daten identifizieren, die im Text erwähnt werden.
Verwenden Sie named entity recognition (entity detection), um diese Entitäten zu klassifizieren.
Warum: Entity detection kennzeichnet benannte Dinge; sentiment analysis bewertet stattdessen den emotionalen Ton.
Sie möchten wissen, ob Bewertungen positiv, negativ oder neutral sind.
Verwenden Sie sentiment analysis, um die im Text ausgedrückte Meinung zu bewerten.
Warum: Sentiment misst den Ton; summarization verdichtet den Inhalt, es beurteilt nicht die Polarität.
Sie benötigen einen kurzen Abstract eines langen Berichts.
Verwenden Sie text summarization (extractive oder abstractive), um das Dokument zu verdichten.
Warum: Summarization kürzt unter Beibehaltung der Bedeutung; die Schlüsselphrasenextraktion listet nur Begriffe auf, keine lesbare Zusammenfassung.
Unterscheiden Sie die Umwandlung von Audio in Text von der Umwandlung von Text in Audio.
Speech recognition (Speech-to-Text) transkribiert Audio; speech synthesis (Text-to-Speech) generiert gesprochenes Audio.
Warum: Recognition ist Audioeingabe→Text; synthesis ist das Gegenteil — vertauschen Sie die beiden Richtungen nicht.
Sie benötigen einen zentralen Ort, um Modelle zu entdecken, bereitzustellen und KI-Anwendungen auf Azure zu erstellen.
Verwenden Sie das Microsoft Foundry portal — es hostet den Modellkatalog, Bereitstellungen, Playground und agent tooling.
Warum: Foundry ist der zentrale Hub; einzelne Azure AI services existieren, aber in Foundry komponieren und stellen Sie Lösungen bereit.
Sie möchten, dass das Modell immer als höflicher Support-agent antwortet, unabhängig von der gestellten Frage.
Legen Sie Verhalten und Persona im system prompt fest; platzieren Sie die spezifische Frage im user prompt.
Warum: Der system prompt definiert das Gesamtverhalten und die Regeln; der user prompt ist die anfrage pro Runde.
Sie haben ein Modell im Katalog ausgewählt und müssen es von einer App aus aufrufbar machen.
Erstellen Sie eine Bereitstellung für das Modell im Foundry portal, die einen endpoint und Schlüssel bereitstellt.
Warum: Ein Modell im Katalog ist erst nach der Bereitstellung nutzbar; die Bereitstellung macht den aufrufbaren endpoint verfügbar.
Sie möchten Prompts testen und die temperature anpassen, bevor Sie Code schreiben.
Verwenden Sie den chat playground im Foundry portal, um mit dem bereitgestellten Modell zu interagieren und Parameter anzupassen.
Warum: Der playground ermöglicht Ihnen, Prompts und Einstellungen interaktiv zu durchlaufen; kein SDK zum Experimentieren erforderlich.
Sie müssen das bereitgestellte Chat-Modell aus Anwendungscode aufrufen.
Verwenden Sie das Foundry (Azure AI) SDK, um einen Chat-Client zu erstellen, der Nachrichten an den deployment endpoint sendet.
Warum: Das SDK umschließt den endpoint mit einem typisierten Client; Sie übergeben system- und user messages und lesen die completion.
Ihre App muss sich beim bereitgestellten Modell authentifizieren.
Verwenden Sie die endpoint URL der Bereitstellung mit einem API-Schlüssel oder Microsoft Entra ID (Azure AD)-Anmeldeinformationen.
Warum: Schlüsselbasierte Authentifizierung ist am einfachsten; Entra ID ist sicherer und vermeidet das Einbetten von Geheimnissen in den Code.
Sie möchten einen AI assistant, der Anweisungen befolgt und tools verwendet, ohne viel Code erstellen zu müssen.
Erstellen Sie einen einzelnen agent im Foundry portal — definieren Sie seine Anweisungen, sein Modell und seine tools (den Agent Service).
Warum: Der portal agent builder konfiguriert Verhalten und tools deklarativ; Sie schreiben die Orchestrierungsschleife nicht von Hand.
Ihr agent sollte immer Quellen zitieren und Anfragen ablehnen, die nicht zum Thema gehören.
Kodieren Sie diese Regeln in den Anweisungen des agents (seiner System-Level-Anleitung).
Warum: Agent instructions steuern konsistentes Verhalten über Runden hinweg, ähnlich einem system prompt für ein einfaches Chat-Modell.
Ihr agent muss aus Ihren Firmendokumenten antworten, nicht nur aus seinen Trainingsdaten.
Geben Sie dem agent ein knowledge/grounding tool (z.B. Dateisuche oder Azure AI Search), damit es Ihre Daten abruft.
Warum: Grounding/RAG liefert aktuellen, privaten Kontext; ohne ihn kann das Modell halluzinieren oder veraltetes Wissen verwenden.
Sie benötigen eine benutzerdefinierte App, um einen Foundry agent programmatisch zu steuern.
Erstellen Sie eine agent client app mit dem Foundry SDK — erstellen Sie einen thread, fügen Sie Nachrichten hinzu, führen Sie den agent aus, lesen Sie Antworten.
Warum: Das SDK stellt threads, runs und messages zur Verfügung, damit Ihre App den agent in jeden Workflow integrieren kann.
Sie müssen eine App erstellen, die sentiment und entities aus eingehendem Text extrahiert.
Verwenden Sie Azure AI Language (Textanalyse) über das SDK oder REST, auf das über Foundry zugegriffen wird, und rufen Sie sentiment- und NER-Funktionen auf.
Warum: Für klassische NLP-Aufgaben ist der Language service speziell entwickelt und günstiger als das Prompter eines allgemeinen LLM.
Ein Benutzer möchte eine Frage sprechen und eine Antwort von einem bereitgestellten Modell erhalten.
Senden Sie das Audio an ein multimodal-Modell, das Spracheingaben akzeptiert, oder transkribieren Sie zuerst und geben Sie dann dem Modell den Prompt.
Warum: Multimodal-Modelle können Audio direkt aufnehmen; andernfalls verwenden Sie Speech-to-Text, um ein Textmodell zu speisen.
Ihre App benötigt hochwertige Transkription und natürliche Sprachausgabe.
Verwenden Sie Azure AI Speech innerhalb der Foundry Tools für Speech-to-Text und Text-to-Speech.
Warum: Der Speech service bietet abgestimmte Erkennung und lebensechte neural voices, über das hinaus, was ein Chat-Modell allein bietet.
Sie möchten, dass die App Antworten mit einer natürlich klingenden Stimme vorliest.
Verwenden Sie Azure AI Speech Text-to-Speech mit einer neural voice; steuern Sie bei Bedarf die Prosodie mit SSML.
Warum: Neural voices klingen natürlich; SSML ermöglicht Ihnen, Tempo, Tonhöhe und Aussprache anzupassen.
Eine App muss beschreiben, was auf einem vom Benutzer bereitgestellten Foto geschieht, und Fragen dazu beantworten.
Senden Sie das Bild an ein multimodal-Modell in Foundry und geben Sie ihm die Frage als Prompt.
Warum: Multimodal LLMs schließen aus Bildinhalten; der klassische Vision service gibt nur feste Tags und Bildunterschriften zurück.
Eine App muss Bilder aus Textbeschreibungen bei Bedarf erzeugen.
Stellen Sie ein Text-to-Image-Modell (z.B. ein DALL-E / image generation model) in Foundry bereit und rufen Sie es von Ihrer App aus auf.
Warum: Image generation models erstellen Bilder aus Prompts; ein Vision-Modell analysiert nur vorhandene Bilder.
Sie benötigen eine App, die Bilder klassifiziert und gedruckten Text daraus liest.
Erstellen Sie eine Vision-App mit Azure AI Vision (Bildanalyse und OCR), auf die über Foundry zugegriffen wird.
Warum: Azure AI Vision bietet fertige Bildanalyse und OCR; Sie müssen kein Modell für gängige Aufgaben trainieren.
Eine App muss gedruckten und handgeschriebenen Text aus gescannten Seiten extrahieren.
Verwenden Sie die OCR (Read)-Funktion von Azure AI Vision, um den erkannten Text und seine Position zurückzugeben.
Warum: OCR gibt Rohtext mit Koordinaten zurück; für die Extraktion strukturierter Felder ist stattdessen Azure Content Understanding erforderlich.
Sie müssen strukturierte Felder (Summen, Daten, Positionen) aus Rechnungen und Formularen extrahieren.
Verwenden Sie Azure AI Content Understanding in Foundry Tools, um strukturierte Daten aus Dokumenten und Formularen zu extrahieren.
Warum: Content Understanding extrahiert beschriftete Felder; einfaches OCR gibt nur unstrukturierten Text zurück.
Sie benötigen strukturierte Beschreibungen und Metadaten, die aus einem Stapel von Bildern extrahiert wurden.
Verwenden Sie Azure AI Content Understanding, um Bilder zu analysieren und strukturierte Ausgaben zurückzugeben.
Warum: Content Understanding liefert konsistente strukturierte Ergebnisse über Inhaltstypen hinweg, jenseits einer Freitext-Bildunterschrift.
Sie müssen Anrufaufzeichnungen in strukturierte Zusammenfassungen mit wichtigen Datenpunkten umwandeln.
Verwenden Sie Azure AI Content Understanding für das Audio, um strukturierte Felder zu transkribieren und zu extrahieren.
Warum: Content Understanding kombiniert Transkription mit Extraktion; Speech allein liefert nur das Transkript.
Sie benötigen Szenen, Themen und Schlüsselfelder, die aus Trainingsvideos extrahiert wurden.
Verwenden Sie Azure AI Content Understanding für Video, um strukturierte Erkenntnisse über Modalitäten hinweg zu extrahieren.
Warum: Es analysiert Audio- und Videostreams zusammen, um strukturierte Ausgaben zu erzeugen, nicht nur ein Transkript.
Sie müssen das private FAQ-Wissen Ihres Unternehmens mit minimalem Aufwand zu Modellantworten hinzufügen.
Grounding Sie das Modell mit retrieval (RAG) über Ihre Dokumente anstatt mit fine-tuning.
Warum: RAG injiziert aktuelle Daten zur Abfragezeit und ist einfacher/günstiger; fine-tuning ändert das Verhalten, nicht die Aktualität des Wissens.
Sie müssen schädliche oder unsichere Text- und Bildausgaben von einem bereitgestellten Modell blockieren.
Aktivieren Sie Azure AI Content Safety-Filter für die Bereitstellung, um schädliche Inhalte zu erkennen und zu blockieren.
Warum: Content Safety setzt Responsible-AI-Schutzmaßnahmen zur Laufzeit durch; das Basismodell allein ist nicht garantiert sicher.
Nach der Bereitstellung müssen Sie die Antwortqualität messen und auf Drift achten.
Verwenden Sie Foundry evaluation und monitoring tools, um Ausgaben zu bewerten und Metriken im Laufe der Zeit zu verfolgen.
Warum: Evaluation quantifiziert die Qualität (groundedness, Relevanz); monitoring erkennt Regressionen in der Produktion.
Sie müssen Modelle, agents und Verbindungen für eine Anwendung organisieren.
Erstellen Sie ein Foundry project, das Bereitstellungen, verbundene Ressourcen und tools für diese Lösung gruppiert.
Warum: Ein project ist die Arbeitsbereichsgrenze; connections verbinden externe Ressourcen wie Azure AI Search oder Speicher.