अंतिम समीक्षा: मई 2026
साधारण Terraform के साथ AI-900 परीक्षा के AWS संसाधनों को बनाएं — एक समय में एक ब्लॉक, प्रत्येक परीक्षा डोमेन से जुड़ा हुआ। यही कोड OpenTofu पर भी काम करता है।
इस लैब के अंत तक, आप साधारण Terraform का उपयोग करके, मूलभूत Azure AI सतह को प्रावधानित कर लेंगे — एक रिसोर्स ग्रुप, एक बहु-सेवा Azure AI सर्विसेज खाता (एक कुंजी, सभी AI API: कंप्यूटर विजन, भाषा, भाषण, निर्णय), AI सेवाओं द्वारा उपभोग किए जाने वाले इनपुट के लिए एक स्टोरेज अकाउंट, और एक डायग्नोस्टिक सेटिंग जो शासन समीक्षा के लिए लॉग एनालिटिक्स में हर AI API कॉल को कैप्चर करती है।
प्रत्येक रिसोर्स साधारण Terraform है। स्निपेट्स को एक main.tf में डालें, terraform init चलाएं, फिर terraform apply को चरण-दर-चरण चलाएं।
>= 1.5 या OpenTofu >= 1.6।az login)।terraform apply AI खाते पर रिस्पॉन्सिबल AI त्रुटि के साथ विफल होता है, तो Azure पोर्टल के माध्यम से शर्तों को स्वीकार करें और पुनः चलाएं।अधिकतर निःशुल्क या बहुत सस्ता:
पूरा स्टैक निष्क्रिय रहने पर < $1/माह। AI API को कॉल करने पर वास्तविक पैसा खर्च होता है; काम पूरा होने पर नष्ट कर दें।
मानक Azure ओपनर: azurerm ~> 4.0 को पिन करें, खाली features {} ब्लॉक, और विश्व स्तर पर अद्वितीय रिसोर्स नामकरण के लिए एक random_id (AI सर्विसेज खातों को उनके DNS नाम के लिए पूरे Azure में अद्वितीय होना चाहिए)।
terraform {
required_version = ">= 1.5"
required_providers {
azurerm = {
source = "hashicorp/azurerm"
version = "~> 4.0"
}
random = {
source = "hashicorp/random"
version = "~> 3.6"
}
}
}
provider "azurerm" {
features {}
}
resource "random_id" "suffix" {
byte_length = 2
}
locals {
tags = {
Project = "certlabpro-ai-900"
ManagedBy = "terraform"
}
}
resource "azurerm_resource_group" "main" {
name = "certlabpro-ai-900-rg"
location = "eastus"
tags = local.tags
}लगभग हर Azure AI परिदृश्य Azure स्टोरेज से इनपुट पढ़ता है — कंप्यूटर विजन के लिए छवियां, स्पीच के लिए ऑडियो क्लिप, भाषा के लिए टेक्स्ट फाइलें, कस्टम मॉडल के लिए प्रशिक्षण डेटा। हम स्टोरेज अकाउंट को सुरक्षित डिफॉल्ट (केवल HTTPS, TLS 1.2, सार्वजनिक नेटवर्क एक्सेस अक्षम, कोई सार्वजनिक ब्लोब एक्सेस नहीं) के साथ पहले से ही प्रावधानित करते हैं।
AI-900 Fundamentals of Machine Learning on Azure डोमेन सीधे इस Azure-स्टोरेज-एज़-द-डेटा-सबस्ट्रेट अवधारणा का परीक्षण करता है: जब भी परीक्षा पूछती है कि AI प्रशिक्षण डेटा कहां रहता है, तो Azure स्टोरेज (या विशेष रूप से Azure ब्लोब स्टोरेज) ही उत्तर है।
resource "azurerm_storage_account" "ai_data" {
name = "ai900data${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
}Azure AI Services (पुनः ब्रांडेड कॉग्निटिव सर्विसेज अंब्रेला) आपको एक कुंजी, एक एंडपॉइंट, और AI API की पूरी श्रृंखला तक पहुंच प्रदान करता है — कंप्यूटर विजन, भाषा, भाषण, अनुवादक, डॉक्यूमेंट इंटेलिजेंस, कंटेंट सेफ्टी, और बहुत कुछ। एकल बहु-सेवा खाता AI-900 लागत-विरोधी-पैटर्न प्रश्न है: यह समर्पित एकल-सेवा खातों (स्पीच, विजन, भाषा प्रत्येक का अपना मुफ्त F0 टियर होता है) की तुलना में प्रति कॉल अधिक महंगा है, लेकिन इसे प्रबंधित करना बहुत सरल है। AI-900 दोनों रूपों का परीक्षण करता है — परीक्षा पूछती है कि आप कब किसका उपयोग करेंगे।
हम बहु-सेवा खाते के लिए kind = "CognitiveServices" और मानक टियर के लिए sku_name = "S0" सेट करते हैं। VNet एकीकरण के लिए custom_subdomain_name आवश्यक है (AI-900 Responsible AI डोमेन इसे निजी एंडपॉइंट के लिए पूर्व-आवश्यकता के रूप में परीक्षण करता है)। local_auth_enabled = true API-कुंजी प्रवाह को कार्यशील रखता है; false केवल Entra ID प्रमाणीकरण को लागू करेगा।
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
}Responsible AI एक AI-900 स्तंभ है (पांच परीक्षा डोमेन में से एक) — और सबसे ठोस Responsible AI अभ्यास जिसे आप इंफ्रास्ट्रक्चर के साथ प्रदर्शित कर सकते हैं वह है ऑडिट लॉगिंग। हम डायग्नोस्टिक-लॉग गंतव्य के रूप में एक लॉग एनालिटिक्स वर्कस्पेस बनाते हैं; चरण 5 में हम AI खाते की डायग्नोस्टिक सेटिंग्स को यहां सब कुछ भेजने के लिए कॉन्फ़िगर करते हैं।
लॉग एनालिटिक्स केंद्रीय Azure ऑब्जर्वेबिलिटी सेवा है — Azure मॉनिटर यहां मेट्रिक्स भेजता है, एप्लीकेशन इनसाइट्स यहां ऐप टेलीमेट्री भेजता है, सेंटिनल SIEM के लिए यहां से पढ़ता है। इसे AI लैब के ऑडिट गंतव्य के रूप में प्रावधानित करना एक बिल्डिंग ब्लॉक के रूप में भी कार्य करता है जिसे हर दूसरे Azure प्रमाणपत्र में आपके पास होने की उम्मीद की जाती है।
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
}डायग्नोस्टिक सेटिंग्स Azure की सार्वभौमिक ऑब्जर्वेबिलिटी प्रिमिटिव हैं: प्रत्येक Azure रिसोर्स अपने वर्गीकृत लॉग और मेट्रिक्स को लॉग एनालिटिक्स वर्कस्पेस, एक इवेंट हब, या एक स्टोरेज अकाउंट में स्ट्रीम कर सकता है। हम AI खाते की ऑडिट और रिक्वेस्ट-रेस्पॉन्स लॉग श्रेणियों को चालू करते हैं — ऑडिट यह कैप्चर करता है कि क्या कॉल किया गया था, रिक्वेस्ट-रेस्पॉन्स वास्तविक अनुरोध और प्रतिक्रिया निकायों को कैप्चर करता है (घटना प्रतिक्रिया के लिए उपयोगी, यदि आपके पास प्रॉम्प्ट में PII है तो डरावना; AI-900 Responsible AI उस ट्रेड-ऑफ के दोनों हिस्सों का परीक्षण करता है)।
इस अंतिम भाग के स्थान पर, प्रत्येक AI API कॉल चरण 4 से वर्कस्पेस में आता है, जिसे KQL के माध्यम से क्वेरी किया जा सकता है। यह AI-900 Responsible AI पर लूप को बंद कर रहा है: न केवल "हमारे पास एक कंटेंट फिल्टर है" बल्कि "हमारे पास हर उस अनुरोध का प्रमाण है जो AI ने देखा"।
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
}
}एक मानक terraform destroy इस लैब में सब कुछ हटा देता है। दो बातें:
random_id प्रत्यय आमतौर पर इससे बचाता है।AI-900 उन Azure AI सतहों को कवर करता है जिन्हें यह लैब शामिल नहीं कर सकती — Azure OpenAI सेवा (AI-102 में कवर), Azure मशीन लर्निंग स्टूडियो + वर्कस्पेस (DP-100), बॉट सेवा, कंप्यूटर विजन कस्टम मॉडल, कस्टम विजन पोर्टल प्रशिक्षण, लैंग्वेज स्टूडियो का कस्टम QnA और संवादात्मक भाषा समझ, डॉक्यूमेंट इंटेलिजेंस कस्टम मॉडल, Azure AI सर्च, स्पीच कस्टम वॉयस / उच्चारण मूल्यांकन, और ML इंटरप्रेटेबिलिटी के लिए Responsible AI डैशबोर्ड।
हम बहु-सेवा खाता + स्टोरेज + ऑडिट लॉगिंग प्रिमिटिव्स पर टिके रहते हैं क्योंकि वे वह सबस्ट्रेट हैं जिससे हर अधिक-उन्नत Azure AI पैटर्न जुड़ा होता है। एक बार जब आप समझ जाते हैं कि बहु-सेवा खाता एक कुंजी के तहत पूर्ण API स्लेट को कैसे उजागर करता है, तो प्रति-सेवा गहन डाइव्स को नेविगेट करना आसान हो जाता है।
सेवा-दर-सेवा अवधारणात्मक कवरेज के लिए, इस प्रमाणपत्र पृष्ठ के ब्राउज़ और Editorial अनुभाग देखें।