מעבדה מעשית — AI-900 Microsoft Azure AI Fundamentals

סקירה כללית

דרישות קדם

שלבים

1. 1.בחר את גרסת Terraform וספקית Azure שלנו

   פתיח Azure סטנדרטי: נצמד ל-azurerm ~> 4.0, בלוק ה-features {} הריק, ו-random_id עבור שמות משאבים ייחודיים גלובלית (חשבונות AI Services חייבים להיות ייחודיים בכל Azure עבור שם ה-DNS שלהם).

   העתק

   terraform {
     required_version = ">= 1.5"
   
     required_providers {
       azurerm = {
         source  = "hashicorp/azurerm"
         version = "~> 4.0"
       }
       random = {
         source  = "hashicorp/random"
         version = "~> 3.6"
       }
     }
   }
   
   provider "azurerm" {
     features {}
   }
   
   resource "random_id" "suffix" {
     byte_length = 2
   }
   
   locals {
     tags = {
       Project   = "certlabpro-ai-900"
       ManagedBy = "terraform"
     }
   }
   
   resource "azurerm_resource_group" "main" {
     name     = "certlabpro-ai-900-rg"
     location = "eastus"
     tags     = local.tags
   }

2. 2.תן לשירותי ה-AI מקום לקרוא ממנו קלט

   משאבים:

   • Azure Storage

   כמעט כל תרחיש Azure AI קורא קלט מ-Azure Storage — תמונות עבור ראייה ממוחשבת (Computer Vision), קטעי אודיו עבור דיבור (Speech), קבצי טקסט עבור שפה (Language), נתוני אימון עבור מודלים מותאמים אישית (Custom models). אנו מקימים את חשבון האחסון מראש עם ברירות מחדל מאובטחות (HTTPS-בלבד, TLS 1.2, גישת רשת ציבורית מושבתת, ללא גישת בלובי ציבורית).

   תחום ה-AI-900 יסודות למידת מכונה ב-Azure בוחן ישירות את מושג Azure Storage כתשתית נתונים: בכל פעם שהבחינה שואלת היכן נמצאים נתוני אימון AI, Azure Storage (או באופן ספציפי Azure Blob Storage) היא התשובה.

   העתק

   resource "azurerm_storage_account" "ai_data" {
     name                            = "ai900data${random_id.suffix.hex}"
     resource_group_name             = azurerm_resource_group.main.name
     location                        = azurerm_resource_group.main.location
     account_tier                    = "Standard"
     account_replication_type        = "LRS"
     account_kind                    = "StorageV2"
   
     https_traffic_only_enabled      = true
     min_tls_version                 = "TLS1_2"
     public_network_access_enabled   = false
     allow_nested_items_to_be_public = false
   
     tags = local.tags
   }

3. 3.הקם את חשבון ה-Azure AI Services מרובה השירותים

   משאבים:

   • Azure AI Services

   Azure AI Services (המותג החדש של מטריית Cognitive Services) נותן לך מפתח אחד, נקודת קצה אחת, וגישה למגוון רחב של ממשקי API של AI — ראייה ממוחשבת (Computer Vision), שפה (Language), דיבור (Speech), מתרגם (Translator), זיהוי מסמכים (Document Intelligence), בטיחות תוכן (Content Safety), ועוד. חשבון מרובה שירותים בודד הוא שאלת אנטי-דפוס העלות של AI-900: הוא יקר יותר לקריאה מאשר חשבונות ייעודיים חד-שירותיים (ל-Speech, Vision, Language לכל אחד יש רמת F0 חינמית משלו), אך הרבה יותר פשוט לניהול. AI-900 בודק את שתי הצורות — הבחינה שואלת מתי תבחר באיזה.

   אנו מגדירים kind = "CognitiveServices" עבור החשבון מרובה השירותים ו-sku_name = "S0" עבור רמת ה-Standard. השדה custom_subdomain_name נדרש לצורך אינטגרציית VNet (תחום ה-Responsible AI של AI-900 בוחן זאת כתנאי מוקדם לנקודות קצה פרטיות). local_auth_enabled = true משאיר את זרימת מפתח ה-API פעילה; false יכריח אימות Entra ID בלבד.

   העתק

   resource "azurerm_cognitive_account" "ai" {
     name                  = "certlabpro-ai-900-${random_id.suffix.hex}"
     resource_group_name   = azurerm_resource_group.main.name
     location              = azurerm_resource_group.main.location
     kind                  = "CognitiveServices"
     sku_name              = "S0"
     custom_subdomain_name = "certlabpro-ai-900-${random_id.suffix.hex}"
     local_auth_enabled    = true
   
     identity {
       type = "SystemAssigned"
     }
   
     tags = local.tags
   }

4. 4.הגדר סביבת עבודה של Log Analytics ללכידת כל קריאת AI לצורך ממשל

   משאבים:

   • Azure Monitor

   AI אחראי הוא עמוד תווך של AI-900 (אחד מחמישה תחומי בחינה) — והפרקטיקה המוחשית ביותר של AI אחראי שאתה יכול להדגים עם תשתית היא תיעוד ביקורת (audit logging). אנו יוצרים סביבת עבודה של Log Analytics כיעד יומני אבחון; בשלב 5 אנו מחברים את הגדרות האבחון של חשבון ה-AI לשליחת הכל לכאן.

   Log Analytics הוא שירות התצפית המרכזי של Azure — Azure Monitor שולח לכאן מדדים, Application Insights שולח לכאן טלמטריה של אפליקציות, Sentinel קורא מכאן עבור SIEM. הקמתו כיעד הביקורת של מעבדת ה-AI משמשת גם כאבן בניין שכל תעודת Azure אחרת מניחה שתהיה קיימת.

   העתק

   resource "azurerm_log_analytics_workspace" "main" {
     name                = "certlabpro-ai-900-logs"
     resource_group_name = azurerm_resource_group.main.name
     location            = azurerm_resource_group.main.location
     sku                 = "PerGB2018"
     retention_in_days   = 30
   
     tags = local.tags
   }

5. 5.הזרם כל קריאת AI API ל-Log Analytics באמצעות הגדרות אבחון

   משאבים:

   • Azure Monitor
   • Azure AI Services

   הגדרות אבחון (Diagnostic Settings) הן הפרימיטיב האוניברסלי של תצפית ב-Azure: כל משאב Azure יכול להזרים את יומניו ומדדיו המסווגים לסביבת עבודה של Log Analytics, ל-Event Hub, או לחשבון אחסון (Storage Account). אנו מפעילים את קטגוריות היומנים Audit ו-RequestResponse של חשבון ה-AI — Audit לוכד מה נקרא, RequestResponse לוכד את גופי הבקשה והתגובה בפועל (שימושי לתגובה לאירועים, מפחיד אם יש לך מידע אישי מזהה (PII) בהנחיות; AI-900 AI אחראי בוחן את שני צידי הפשרה הזו).

   עם החלק האחרון הזה במקום, כל קריאת AI API נוחתת בסביבת העבודה משלב 4, וניתנת לשאילתה באמצעות KQL. זהו AI-900 שסוגר את המעגל על AI אחראי: לא רק "יש לנו מסנן תוכן" אלא "יש לנו ראיות לכל בקשה שה-AI ראה".

   העתק

   resource "azurerm_monitor_diagnostic_setting" "ai" {
     name                       = "certlabpro-ai-900-diag"
     target_resource_id         = azurerm_cognitive_account.ai.id
     log_analytics_workspace_id = azurerm_log_analytics_workspace.main.id
   
     enabled_log {
       category = "Audit"
     }
   
     enabled_log {
       category = "RequestResponse"
     }
   
     metric {
       category = "AllMetrics"
       enabled  = true
     }
   }

ניקוי משאבים