Última revisión: junio de 2026
Una referencia escaneable de patrones arquitectónicos que evalúa el examen AI-901. Lee de arriba a abajo o salta a una sección.
Un modelo de aprobación de préstamos no debe desfavorecer a las personas por género o etnia.
Aplicar el principio de IA Responsable de equidad: evaluar y mitigar el sesgo en todos los grupos demográficos.
Por qué: La equidad busca un trato equitativo; no la confunda con la fiabilidad (resultados consistentes) o la privacidad (protección de datos).
Un modelo de conducción autónoma debe comportarse de manera consistente y fallar de forma segura en condiciones inesperadas.
Aplicar fiabilidad y seguridad: pruebas rigurosas, monitorización y barreras de protección para casos límite.
Por qué: La fiabilidad y seguridad se trata de un comportamiento consistente que evita daños bajo incertidumbre, no de a quién pertenecen los datos.
Una aplicación de salud procesa datos personales y debe protegerlos de exposición o uso indebido.
Aplicar privacidad y seguridad: proteger los datos personales, controlar el acceso y respetar el consentimiento.
Por qué: Este principio cubre la confidencialidad y protección de datos; la equidad y la inclusividad se refieren a quién sirve el sistema.
Una solución debe empoderar e involucrar a las personas independientemente de su capacidad o origen.
Aplicar la inclusividad: diseñar para que todos se beneficien, incluyendo a las personas con discapacidad.
Por qué: La inclusividad se trata de la accesibilidad y el alcance amplios; la equidad se trata específicamente de resultados imparciales.
Los usuarios deben entender cómo un sistema de IA llega a sus decisiones y cuáles son sus límites.
Aplicar transparencia: explicar cómo funciona el sistema, su propósito, capacidades y limitaciones.
Por qué: La transparencia hace que el sistema sea comprensible; la rendición de cuentas se trata de quién es responsable de él.
Se necesita una propiedad y gobernanza claras para que alguien responda por el comportamiento de un sistema de IA.
Aplicar la rendición de cuentas: las personas diseñan, construyen y operan dentro de un marco de gobernanza y siguen siendo responsables.
Por qué: La rendición de cuentas asigna la responsabilidad humana; la transparencia solo explica el sistema, no asigna la propiedad.
Explicar cómo un modelo de IA generativa produce un párrafo coherente a partir de un prompt.
Un gran modelo de lenguaje predice el siguiente token repetidamente utilizando patrones aprendidos de un texto de entrenamiento masivo.
Por qué: Los modelos generativos crean contenido nuevo mediante la predicción probabilística de tokens; no recuperan respuestas almacenadas textualmente.
Elegir un modelo: uno necesita chat de alto volumen barato, otro necesita razonamiento complejo de varios pasos.
Haga coincidir el modelo con la tarea — un modelo más pequeño/rápido para chat rutinario, un modelo de razonamiento más grande para tareas difíciles.
Por qué: Más grande no siempre es mejor; la capacidad, el costo y la latencia se compensan, así que elija según la necesidad de la carga de trabajo.
Decida cómo consumir un modelo: endpoint estándar administrado frente a capacidad dedicada.
Use una implementación estándar (pago por uso) para carga variable, o rendimiento aprovisionado para alto volumen constante y rendimiento predecible.
Por qué: El aprovisionado reserva capacidad para una latencia consistente; el estándar factura por token y es más sencillo para empezar.
La salida es demasiado repetitiva; quiere respuestas más creativas y variadas.
Aumente el parámetro temperature; bájelo hacia 0 para una salida determinista y enfocada.
Por qué: Temperature controla la aleatoriedad de la selección de tokens; alto = creativo, bajo = consistente.
Las respuestas se cortan a mitad de la frase, o necesita limitar la longitud y el costo de la salida.
Ajuste el parámetro max tokens (longitud máxima de la finalización) para establecer el límite de la respuesta.
Por qué: Max tokens limita la longitud de la salida; no cambia la creatividad — eso es temperature o top-p.
Desea limitar las opciones de tokens al conjunto más probable sin una temperature dura.
Use top-p (muestreo de núcleo) para restringir el muestreo al conjunto más pequeño de tokens cuyas probabilidades suman p.
Por qué: Top-p reduce el grupo de candidatos por masa de probabilidad; ajústelo o el temperature, generalmente no ambos agresivamente.
Una carga de trabajo debe redactar textos de marketing y resúmenes a partir de prompts.
Esta es una carga de trabajo de IA generativa — creación de contenido a partir de instrucciones en lenguaje natural.
Por qué: Las cargas de trabajo generativas producen contenido nuevo; el análisis de texto solo extrae información de texto existente.
Un sistema debe planificar pasos, llamar a tools y actuar hacia un objetivo con mínima supervisión.
Esta es una carga de trabajo de IA agentic — un LLM-driven agent que razona, usa tools y toma acciones.
Por qué: Agentic añade autonomía y uso de tools además de la generación; la IA generativa simple solo devuelve contenido.
Una carga de trabajo extrae sentimiento, frases clave y entidades nombradas de las reseñas de clientes.
Esta es una carga de trabajo de análisis de texto (NLP).
Por qué: El análisis de texto interpreta el texto existente; no genera prosa nueva como una carga de trabajo generativa.
Una carga de trabajo debe transcribir llamadas y leer las respuestas en voz alta.
Esta es una carga de trabajo de voz — reconocimiento de voz a texto y síntesis de texto a voz.
Por qué: Speech cubre la entrada/salida de audio; computer vision maneja imágenes, no audio.
Una carga de trabajo debe detectar objetos y leer texto de fotografías.
Esta es una carga de trabajo de computer vision — clasificación de imágenes, detección de objetos y OCR.
Por qué: Computer vision interpreta imágenes; la extracción de información de documentos es una tarea relacionada pero distinta.
Una carga de trabajo debe extraer campos como fechas, totales y proveedor de facturas escaneadas.
Esta es una carga de trabajo de extracción de información / datos (document understanding).
Por qué: La extracción obtiene campos estructurados de documentos; el OCR genérico solo devuelve texto sin procesar, no campos etiquetados.
Necesita los temas principales de un bloque de texto sin leerlo todo.
Use la extracción de frases clave (keywords) para identificar los términos más importantes.
Por qué: La extracción de frases clave enumera términos relevantes; la detección de entidades en su lugar clasifica cosas nombradas como personas o lugares.
Debe identificar personas, organizaciones, ubicaciones y fechas mencionadas en el texto.
Use el reconocimiento de entidades nombradas (entity detection) para clasificar estas entidades.
Por qué: Entity detection etiqueta cosas nombradas; el análisis de sentimiento en su lugar califica el tono emocional.
Quiere saber si las reseñas son positivas, negativas o neutrales.
Use el análisis de sentimiento para calificar la opinión expresada en el texto.
Por qué: Sentiment mide el tono; la summarization condensa el contenido, no juzga la polaridad.
Necesita un resumen corto de un informe largo.
Use la summarization de texto (extractiva o abstractiva) para condensar el documento.
Por qué: La summarization acorta conservando el significado; la extracción de frases clave solo lista términos, no un resumen legible.
Distinga la conversión de audio a texto de la conversión de texto a audio.
Speech recognition (speech-to-text) transcribe audio; speech synthesis (text-to-speech) genera audio hablado.
Por qué: Recognition es audio de entrada→texto; synthesis es lo inverso — no intercambie las dos direcciones.
Necesita un único lugar para descubrir modelos, implementarlos y crear aplicaciones de IA en Azure.
Utilice el Foundry portal — aloja el catálogo de modelos, las implementaciones, el playground y las herramientas de agent.
Por qué: Foundry es el centro unificado; existen servicios individuales de Azure AI, pero Foundry es donde compone y despliega soluciones.
Desea que el modelo siempre responda como un agent de soporte educado, independientemente de la pregunta formulada.
Establezca el comportamiento y la persona en el system prompt; ponga la pregunta específica en el user prompt.
Por qué: El system prompt enmarca el comportamiento y las reglas generales; el user prompt es la solicitud por turno.
Ha elegido un modelo del catálogo y necesita que sea invocable desde una aplicación.
Cree una implementación para el modelo en el Foundry portal, que proporciona un endpoint y una clave.
Por qué: Un modelo en el catálogo no es utilizable hasta que se despliega; la implementación expone el endpoint invocable.
Quiere probar prompts y ajustar temperature antes de escribir cualquier código.
Utilice el chat playground en el Foundry portal para interactuar con el modelo desplegado y ajustar los parámetros.
Por qué: El playground le permite iterar sobre prompts y configuraciones de forma interactiva; no se necesita SDK para experimentar.
Necesita llamar al modelo de chat desplegado desde el código de la aplicación.
Utilice el Foundry (Azure AI) SDK para crear un cliente de chat que envíe mensajes al deployment endpoint.
Por qué: El SDK envuelve el endpoint con un cliente tipado; usted pasa mensajes de sistema y de usuario y lee la finalización.
Su aplicación debe autenticarse en el modelo desplegado.
Utilice la URL del endpoint de la implementación con una clave de API o una credencial de Microsoft Entra ID (Azure AD).
Por qué: La autenticación basada en clave es la más sencilla; Entra ID es más segura y evita incrustar secretos en el código.
Quiere un asistente de IA que siga instrucciones y use tools, construido sin mucho código.
Cree un single agent en el Foundry portal — defina sus instrucciones, modelo y tools (el Agent Service).
Por qué: El constructor de agent del portal configura el comportamiento y los tools de forma declarativa; usted no escribe manualmente el bucle de orquestación.
Su agent siempre debe citar fuentes y rechazar solicitudes fuera de tema.
Codifique estas reglas en las instrucciones del agent (su guía a nivel de sistema).
Por qué: Las instrucciones del agent dirigen un comportamiento consistente en todas las interacciones, similar a un system prompt para un modelo de chat simple.
Su agent debe responder a partir de los documentos de su empresa, no solo de sus datos de entrenamiento.
Dele al agent una tool de conocimiento/grounding (por ejemplo, búsqueda de archivos o Azure AI Search) para que recupere sus datos.
Por qué: Grounding/RAG proporciona contexto actual y privado; sin él, el modelo puede alucinar o usar conocimiento obsoleto.
Necesita una aplicación personalizada para impulsar un agent de Foundry programáticamente.
Construya una aplicación cliente de agent con el Foundry SDK — cree un thread, agregue mensajes, ejecute el agent, lea las respuestas.
Por qué: El SDK expone threads, runs y messages para que su aplicación pueda integrar el agent en cualquier flujo de trabajo.
Debe construir una aplicación que extraiga sentimiento y entidades del texto entrante.
Utilice Azure AI Language (análisis de texto) a través del SDK o REST, accesible a través de Foundry, llamando a las características de sentiment y NER.
Por qué: Para tareas clásicas de NLP, el servicio Language está diseñado específicamente y es más barato que usar un LLM general.
Un usuario quiere pronunciar una pregunta y que un modelo desplegado la responda.
Envíe el audio a un modelo multimodal que acepte entrada de voz, o transcriba primero y luego genere el prompt en el modelo.
Por qué: Los modelos multimodal pueden tomar audio directamente; de lo contrario, use speech-to-text para alimentar un modelo de texto.
Su aplicación necesita transcripción de alta calidad y salida de voz natural.
Utilice Azure AI Speech dentro de Foundry Tools para speech-to-text y text-to-speech.
Por qué: El servicio Speech ofrece reconocimiento ajustado y voces neurales realistas, más allá de lo que un modelo de chat por sí solo proporciona.
Necesita que la aplicación lea las respuestas en voz alta con una voz que suene natural.
Utilice Azure AI Speech text-to-speech con una voz neural; controle la prosodia con SSML si es necesario.
Por qué: Las voces neurales suenan naturales; SSML le permite ajustar el ritmo, el tono y la pronunciación.
Una aplicación debe describir lo que sucede en una foto proporcionada por el usuario y responder preguntas al respecto.
Envíe la imagen a un modelo multimodal en Foundry y génere un prompt con la pregunta.
Por qué: Los LLM multimodal razonan sobre el contenido de la imagen; el servicio clásico Vision solo devuelve etiquetas y subtítulos fijos.
Una aplicación debe producir imágenes a partir de descripciones de texto bajo demanda.
Despliegue un modelo text-to-image (por ejemplo, un modelo DALL-E / image generation) en Foundry y llámelo desde su aplicación.
Por qué: Los modelos de image generation crean elementos visuales a partir de prompts; un modelo de vision solo analiza imágenes existentes.
Necesita una aplicación que clasifique imágenes y lea texto impreso de ellas.
Construya una aplicación de vision utilizando Azure AI Vision (análisis de imágenes y OCR) accedido a través de Foundry.
Por qué: Azure AI Vision proporciona análisis de imágenes y OCR listos; no necesita entrenar un modelo para tareas comunes.
Una aplicación debe extraer texto impreso y manuscrito de páginas escaneadas.
Utilice la capacidad OCR (Read) de Azure AI Vision para devolver el texto reconocido y su ubicación.
Por qué: OCR devuelve texto sin procesar con coordenadas; la extracción de campos estructurados necesita Content Understanding en su lugar.
Debe extraer campos estructurados (totales, fechas, partidas) de facturas y formularios.
Utilice Azure AI Content Understanding en Foundry Tools para extraer datos estructurados de documentos y formularios.
Por qué: Content Understanding extrae campos etiquetados; el OCR simple solo devuelve texto no estructurado.
Necesita descripciones estructuradas y metadatos extraídos de un lote de imágenes.
Utilice Azure AI Content Understanding para analizar imágenes y devolver una salida estructurada.
Por qué: Content Understanding produce resultados estructurados consistentes en todos los tipos de contenido, más allá de un subtítulo de texto libre.
Debe convertir las grabaciones de llamadas en resúmenes estructurados con puntos de datos clave.
Utilice Azure AI Content Understanding en el audio para transcribir y extraer campos estructurados.
Por qué: Content Understanding combina la transcripción con la extracción; Speech por sí solo solo proporciona la transcripción.
Necesita escenas, temas y campos clave extraídos de videos de capacitación.
Utilice Azure AI Content Understanding para video para extraer insights estructurados a través de las modalidades.
Por qué: Analiza transmisiones de audio y visuales juntas para producir una salida estructurada, no solo una transcripción.
Debe añadir el conocimiento privado de FAQ de su empresa a las respuestas del modelo, con un esfuerzo mínimo.
Utilice grounding para el modelo con retrieval (RAG) sobre sus documentos en lugar de fine-tuning.
Por qué: RAG inyecta datos actuales en el momento de la consulta y es más simple/barato; el fine-tuning cambia el comportamiento, no la frescura del conocimiento.
Debe bloquear las salidas de texto e imagen dañinas o inseguras de un modelo desplegado.
Habilite los filtros de Azure AI Content Safety en la implementación para detectar y bloquear contenido dañino.
Por qué: Content Safety aplica barreras de protección de IA responsable en tiempo de ejecución; el modelo base por sí solo no garantiza la seguridad.
Después de la implementación, necesita medir la calidad de la respuesta y observar el drift.
Utilice las herramientas de evaluación y monitoreo de Foundry para calificar las salidas y rastrear las métricas a lo largo del tiempo.
Por qué: La evaluación cuantifica la calidad (groundedness, relevancia); el monitoreo detecta regresiones en producción.
Necesita organizar modelos, agents y conexiones para una aplicación.
Cree un Foundry project, que agrupa implementaciones, recursos conectados y tools para esa solución.
Por qué: Un project es el límite del espacio de trabajo; las conexiones enlazan recursos externos como Azure AI Search o almacenamiento.