अंतिम समीक्षा: जून 2026
AI-901 परीक्षा द्वारा परखे जाने वाले architectural patterns का स्कैन-योग्य संदर्भ। ऊपर से नीचे पढ़ें या किसी section पर जाएं।
ऋण-अनुमोदन मॉडल को लिंग या जातीयता के आधार पर लोगों के साथ भेदभाव नहीं करना चाहिए।
निष्पक्षता के Responsible AI सिद्धांत को लागू करें: जनसांख्यिकीय समूहों में पूर्वाग्रह का आकलन और उसे कम करें।
क्यों: निष्पक्षता का लक्ष्य समान व्यवहार है; इसे विश्वसनीयता (सुसंगत परिणाम) या गोपनीयता (डेटा सुरक्षा) के साथ भ्रमित न करें।
एक स्वायत्त-ड्राइविंग मॉडल को अप्रत्याशित परिस्थितियों में लगातार व्यवहार करना चाहिए और सुरक्षित रूप से विफल होना चाहिए।
विश्वसनीयता और सुरक्षा लागू करें: एज केस के लिए कठोर परीक्षण, निगरानी और सुरक्षा उपाय।
क्यों: विश्वसनीयता और सुरक्षा अनिश्चितता के तहत सुसंगत, हानि-से-बचने वाले व्यवहार के बारे में है, न कि इस बारे में कि डेटा किसके बारे में है।
एक स्वास्थ्य ऐप व्यक्तिगत डेटा को संसाधित करता है और उसे जोखिम या दुरुपयोग से बचाना चाहिए।
गोपनीयता और सुरक्षा लागू करें: व्यक्तिगत डेटा की सुरक्षा करें, पहुंच को नियंत्रित करें और सहमति का सम्मान करें।
क्यों: यह सिद्धांत डेटा गोपनीयता और सुरक्षा को कवर करता है; निष्पक्षता और समावेशिता इस बारे में है कि सिस्टम किसकी सेवा करता है।
एक समाधान को लोगों को उनकी क्षमता या पृष्ठभूमि की परवाह किए बिना सशक्त और संलग्न करना चाहिए।
समावेशिता लागू करें: ऐसा डिज़ाइन करें जिससे विकलांग लोगों सहित सभी को लाभ हो।
क्यों: समावेशिता व्यापक पहुंच और पहुंच के बारे में है; निष्पक्षता विशेष रूप से निष्पक्ष परिणामों के बारे में है।
उपयोगकर्ताओं को यह समझना चाहिए कि एक AI सिस्टम अपने निर्णयों तक कैसे पहुंचता है और उसकी सीमाएं क्या हैं।
पारदर्शिता लागू करें: समझाएं कि सिस्टम कैसे काम करता है, उसका उद्देश्य, क्षमताएं और सीमाएं क्या हैं।
क्यों: पारदर्शिता सिस्टम को समझने योग्य बनाती है; जवाबदेही इस बारे में है कि इसके लिए कौन जिम्मेदार है।
स्पष्ट स्वामित्व और शासन की आवश्यकता है ताकि कोई AI सिस्टम के व्यवहार के लिए जवाबदेह हो।
जवाबदेही लागू करें: लोग एक शासन ढांचे के भीतर डिजाइन, निर्माण और संचालन करते हैं और जवाबदेह बने रहते हैं।
क्यों: जवाबदेही मानवीय जिम्मेदारी सौंपती है; पारदर्शिता केवल सिस्टम को समझाती है, यह स्वामित्व नहीं सौंपती।
समझाएं कि एक generative AI model एक prompt से एक सुसंगत पैराग्राफ कैसे उत्पन्न करता है।
एक large language model बड़े प्रशिक्षण पाठ से सीखे गए पैटर्न का उपयोग करके बार-बार अगले token की भविष्यवाणी करता है।
क्यों: Generative models संभाव्य token भविष्यवाणी के माध्यम से नई सामग्री उत्पन्न करते हैं; वे संग्रहीत उत्तरों को हूबहू प्राप्त नहीं करते हैं।
एक मॉडल चुनें: एक को सस्ते उच्च-मात्रा वाले चैट की आवश्यकता है, दूसरे को जटिल बहु-चरणीय तर्क की आवश्यकता है।
मॉडल को कार्य से मिलाएं — सामान्य चैट के लिए एक छोटा/तेज़ मॉडल, कठिन कार्यों के लिए एक बड़ा तर्क मॉडल।
क्यों: बड़ा हमेशा बेहतर नहीं होता; क्षमता, लागत और विलंबता में तालमेल बिठाना पड़ता है, इसलिए workload की आवश्यकता के अनुसार चुनें।
तय करें कि एक मॉडल का उपभोग कैसे करें: managed standard endpoint बनाम dedicated capacity।
परिवर्तनीय लोड के लिए एक standard (pay-as-you-go) deployment का उपयोग करें, या स्थिर उच्च-मात्रा, पूर्वानुमेय प्रदर्शन के लिए provisioned throughput का उपयोग करें।
क्यों: Provisioned लगातार latency के लिए क्षमता आरक्षित करता है; standard प्रति token बिल करता है और शुरू करने के लिए सबसे सरल है।
आउटपुट बहुत दोहराव वाला है; आप अधिक रचनात्मक, विविध प्रतिक्रियाएं चाहते हैं।
temperature parameter बढ़ाएँ; नियतात्मक, केंद्रित आउटपुट के लिए इसे 0 की ओर कम करें।
क्यों: Temperature token चयन की यादृच्छिकता को नियंत्रित करता है; उच्च = रचनात्मक, निम्न = सुसंगत।
प्रतिक्रियाएं वाक्य के बीच में कट जाती हैं, या आपको आउटपुट की लंबाई और लागत को सीमित करने की आवश्यकता है।
प्रतिक्रिया की ऊपरी सीमा निर्धारित करने के लिए max tokens (अधिकतम पूर्णता लंबाई) parameter को समायोजित करें।
क्यों: Max tokens आउटपुट की लंबाई को सीमित करता है; यह रचनात्मकता को नहीं बदलता — वह temperature या top-p है।
आप token विकल्पों को सबसे संभावित सेट तक सीमित करना चाहते हैं बिना किसी कठोर temperature के।
sampling को tokens के सबसे छोटे सेट तक सीमित करने के लिए top-p (nucleus sampling) का उपयोग करें जिनकी संभावनाएं p तक जुड़ती हैं।
क्यों: Top-p संभावना द्रव्यमान द्वारा उम्मीदवार पूल को संकीर्ण करता है; इसे या temperature को ट्यून करें, आमतौर पर दोनों को आक्रामक रूप से नहीं।
एक workload को prompts से मार्केटिंग कॉपी और सारांश तैयार करने होंगे।
यह एक generative AI workload है — natural-language निर्देशों से सामग्री निर्माण।
क्यों: Generative workloads नई सामग्री उत्पन्न करते हैं; text analysis केवल मौजूदा पाठ से अंतर्दृष्टि निकालता है।
एक सिस्टम को चरणों की योजना बनानी चाहिए, tools को कॉल करना चाहिए, और न्यूनतम पर्यवेक्षण के साथ एक लक्ष्य की दिशा में कार्य करना चाहिए।
यह एक agentic AI workload है — एक LLM-संचालित agent जो तर्क करता है, tools का उपयोग करता है और कार्य करता है।
क्यों: Agentic generation के शीर्ष पर स्वायत्तता और tool का उपयोग जोड़ता है; plain generative AI केवल सामग्री लौटाता है।
एक workload भावना, प्रमुख वाक्यांशों और named entities के लिए ग्राहक समीक्षाओं का खनन करता है।
यह एक text analysis (NLP) workload है।
क्यों: Text analysis मौजूदा पाठ की व्याख्या करता है; यह generative workload की तरह नया गद्य उत्पन्न नहीं करता है।
एक workload को कॉल को transcribe करना चाहिए और प्रतिक्रियाओं को जोर से पढ़ना चाहिए।
यह एक speech workload है — speech-to-text recognition और text-to-speech synthesis।
क्यों: Speech ऑडियो इन/आउट को कवर करता है; computer vision छवियों को संभालता है, ऑडियो को नहीं।
एक workload को वस्तुओं का पता लगाना चाहिए और तस्वीरों से पाठ पढ़ना चाहिए।
यह एक computer vision workload है — image classification, object detection, और OCR।
क्यों: Computer vision छवियों की व्याख्या करता है; दस्तावेजों से जानकारी निकालना एक संबंधित लेकिन अलग कार्य है।
एक workload को स्कैन किए गए चालानों से तिथियां, कुल और विक्रेता जैसे फ़ील्ड निकालने होंगे।
यह एक information / data extraction workload (document understanding) है।
क्यों: Extraction दस्तावेजों से संरचित फ़ील्ड खींचता है; जेनेरिक OCR केवल कच्चा पाठ लौटाता है, लेबल किए गए फ़ील्ड नहीं।
आपको पूरे पाठ को पढ़े बिना पाठ के एक ब्लॉक से मुख्य विषयों की आवश्यकता है।
सबसे महत्वपूर्ण शब्दों को सतह पर लाने के लिए key phrase (keyword) extraction का उपयोग करें।
क्यों: Key phrase extraction प्रमुख शब्दों को सूचीबद्ध करता है; entity detection इसके बजाय लोगों या स्थानों जैसी नामित चीजों को वर्गीकृत करता है।
आपको पाठ में उल्लिखित लोगों, संगठनों, स्थानों और तिथियों की पहचान करनी होगी।
इन entities को वर्गीकृत करने के लिए named entity recognition (entity detection) का उपयोग करें।
क्यों: Entity detection नामित चीजों को लेबल करता है; sentiment analysis इसके बजाय भावनात्मक टोन को स्कोर करता है।
आप जानना चाहते हैं कि समीक्षाएं सकारात्मक, नकारात्मक या तटस्थ हैं या नहीं।
पाठ में व्यक्त राय को स्कोर करने के लिए sentiment analysis का उपयोग करें।
क्यों: Sentiment टोन को मापता है; summarization सामग्री को संघनित करता है, यह ध्रुवीयता का न्याय नहीं करता है।
आपको एक लंबी रिपोर्ट का एक संक्षिप्त सार चाहिए।
दस्तावेज को संघनित करने के लिए text summarization (extractive या abstractive) का उपयोग करें।
क्यों: Summarization अर्थ को संरक्षित करते हुए छोटा करता है; key phrase extraction केवल शब्दों को सूचीबद्ध करता है, न कि एक पठनीय सारांश।
ऑडियो को टेक्स्ट में बदलने और टेक्स्ट को ऑडियो में बदलने में अंतर करें।
Speech recognition (speech-to-text) ऑडियो को transcribe करता है; speech synthesis (text-to-speech) बोले गए ऑडियो को उत्पन्न करता है।
क्यों: Recognition इनपुट ऑडियो→टेक्स्ट है; synthesis इसका उल्टा है — दोनों दिशाओं को न बदलें।
आपको Azure पर models खोजने, उन्हें deploy करने और AI apps बनाने के लिए एक ही जगह की आवश्यकता है।
Microsoft Foundry portal का उपयोग करें — यह model catalog, deployments, playground और agent tooling को होस्ट करता है।
क्यों: Foundry एक एकीकृत हब है; व्यक्तिगत Azure AI services मौजूद हैं लेकिन Foundry वह जगह है जहां आप समाधानों को compose और deploy करते हैं।
आप चाहते हैं कि मॉडल पूछे गए प्रश्न की परवाह किए बिना हमेशा एक विनम्र support agent के रूप में उत्तर दे।
system prompt में व्यवहार और persona सेट करें; विशिष्ट प्रश्न को user prompt में डालें।
क्यों: The system prompt समग्र व्यवहार और नियमों को फ्रेम करता है; user prompt प्रति-बारी अनुरोध है।
आपने catalog में एक मॉडल चुना है और उसे एक ऐप से callable करने की आवश्यकता है।
Foundry portal में मॉडल के लिए एक deployment बनाएं, जो एक endpoint और key देता है।
क्यों: Catalog में एक मॉडल तब तक उपयोग करने योग्य नहीं होता जब तक उसे deploy न किया जाए; deployment callable endpoint को उजागर करता है।
आप कोई भी कोड लिखने से पहले prompts का परीक्षण करना चाहते हैं और temperature को ट्यून करना चाहते हैं।
deployed model के साथ इंटरैक्ट करने और parameters को समायोजित करने के लिए Foundry portal में chat playground का उपयोग करें।
क्यों: The playground आपको prompts और सेटिंग्स पर इंटरैक्टिव रूप से पुनरावृति करने देता है; प्रयोग करने के लिए किसी SDK की आवश्यकता नहीं है।
आपको application code से deployed chat model को कॉल करने की आवश्यकता है।
deployment endpoint पर संदेश भेजने वाले chat client को बनाने के लिए Foundry (Azure AI) SDK का उपयोग करें।
क्यों: The SDK एक typed client के साथ endpoint को wraps करता है; आप system और user संदेश पास करते हैं और completion पढ़ते हैं।
आपके ऐप को deployed model से authenticate करना होगा।
deployment के endpoint URL का उपयोग API key या Microsoft Entra ID (Azure AD) credential के साथ करें।
क्यों: Key-based auth सबसे सरल है; Entra ID अधिक सुरक्षित है और कोड में secrets को एम्बेड करने से बचाता है।
आप एक AI assistant चाहते हैं जो निर्देशों का पालन करता है और tools का उपयोग करता है, जिसे बिना अधिक कोड के बनाया गया है।
Foundry portal में एक single agent बनाएं — इसके निर्देशों, model और tools (the Agent Service) को परिभाषित करें।
क्यों: The portal agent builder घोषणात्मक रूप से व्यवहार और tools को कॉन्फ़िगर करता है; आपको orchestration loop को हाथ से लिखने की आवश्यकता नहीं है।
आपके agent को हमेशा स्रोतों का हवाला देना चाहिए और off-topic अनुरोधों को अस्वीकार करना चाहिए।
इन नियमों को agent के निर्देशों (उसके system-level मार्गदर्शन) में एन्कोड करें।
क्यों: Agent instructions plain chat model के लिए system prompt के समान, मोड़ के दौरान सुसंगत व्यवहार को निर्देशित करते हैं।
आपके agent को आपकी कंपनी के दस्तावेजों से उत्तर देना होगा, न कि केवल उसके प्रशिक्षण डेटा से।
agent को एक knowledge/grounding tool (जैसे, file search या Azure AI Search) दें ताकि वह आपका डेटा प्राप्त कर सके।
क्यों: Grounding/RAG वर्तमान, निजी संदर्भ प्रदान करता है; इसके बिना मॉडल hallucinate कर सकता है या बासी ज्ञान का उपयोग कर सकता है।
आपको Foundry agent को प्रोग्रामेटिक रूप से चलाने के लिए एक कस्टम ऐप की आवश्यकता है।
Foundry SDK के साथ एक agent client app बनाएं — एक thread बनाएं, संदेश जोड़ें, agent चलाएं, प्रतिक्रियाएं पढ़ें।
क्यों: The SDK threads, runs और messages को उजागर करता है ताकि आपका ऐप agent को किसी भी workflow में एकीकृत कर सके।
आपको एक ऐप बनाना होगा जो incoming text से sentiment और entities निकालता है।
Foundry के माध्यम से एक्सेस किए गए SDK या REST के माध्यम से Azure AI Language (text analysis) का उपयोग करें, sentiment और NER features को कॉल करें।
क्यों: Classic NLP कार्यों के लिए, Language service उद्देश्य-निर्मित है और एक सामान्य LLM को prompting करने की तुलना में सस्ता है।
एक उपयोगकर्ता एक प्रश्न बोलना चाहता है और एक deployed model से उसका उत्तर प्राप्त करना चाहता है।
ऑडियो को एक multimodal model पर भेजें जो speech इनपुट स्वीकार करता है, या पहले transcribe करें फिर मॉडल को prompt करें।
क्यों: Multimodal models सीधे ऑडियो ले सकते हैं; अन्यथा text model को फीड करने के लिए speech-to-text का उपयोग करें।
आपके ऐप को उच्च-गुणवत्ता वाले transcription और प्राकृतिक बोले गए आउटपुट की आवश्यकता है।
speech-to-text और text-to-speech के लिए Foundry Tools के भीतर Azure AI Speech का उपयोग करें।
क्यों: Speech service tuned recognition और lifelike neural voices प्रदान करता है, जो अकेले chat model से कहीं अधिक है।
आपको ऐप को प्राकृतिक-ध्वनि वाली आवाज में प्रतिक्रियाएं जोर से पढ़ने की आवश्यकता है।
एक neural voice के साथ Azure AI Speech text-to-speech का उपयोग करें; यदि आवश्यक हो तो SSML के साथ prosody को नियंत्रित करें।
क्यों: Neural voices प्राकृतिक लगते हैं; SSML आपको गति, पिच और उच्चारण को ट्यून करने देता है।
एक ऐप को यह वर्णन करना होगा कि उपयोगकर्ता द्वारा प्रदान की गई तस्वीर में क्या हो रहा है और उसके बारे में सवालों के जवाब देने होंगे।
Foundry में छवि को एक multimodal model पर भेजें और प्रश्न के साथ उसे prompt करें।
क्यों: Multimodal LLMs छवि सामग्री पर तर्क करते हैं; classic Vision service केवल निश्चित टैग और कैप्शन लौटाता है।
एक ऐप को मांग पर टेक्स्ट विवरण से छवियां उत्पन्न करनी होंगी।
Foundry में एक text-to-image model (जैसे, एक DALL-E / image generation model) को deploy करें और इसे अपने ऐप से कॉल करें।
क्यों: Image generation models prompts से visuals बनाते हैं; एक vision model केवल मौजूदा छवियों का विश्लेषण करता है।
आपको एक ऐप की आवश्यकता है जो छवियों को वर्गीकृत करता है और उनसे मुद्रित पाठ पढ़ता है।
Foundry के माध्यम से एक्सेस किए गए Azure AI Vision (image analysis और OCR) का उपयोग करके एक vision app बनाएं।
क्यों: Azure AI Vision तैयार image analysis और OCR प्रदान करता है; आपको सामान्य कार्यों के लिए एक मॉडल को प्रशिक्षित करने की आवश्यकता नहीं है।
एक ऐप को स्कैन किए गए पृष्ठों से मुद्रित और हस्तलिखित पाठ निकालना होगा।
पहचाने गए पाठ और उसके स्थान को वापस करने के लिए Azure AI Vision की OCR (Read) क्षमता का उपयोग करें।
क्यों: OCR निर्देशांकों के साथ कच्चा पाठ लौटाता है; structured-field extraction के लिए इसके बजाय Content Understanding की आवश्यकता है।
आपको चालानों और फॉर्मों से structured fields (कुल, तिथियां, लाइन आइटम) निकालने होंगे।
दस्तावेजों और फॉर्मों से structured data निकालने के लिए Foundry Tools में Azure AI Content Understanding का उपयोग करें।
क्यों: Content Understanding लेबल किए गए फ़ील्ड खींचता है; plain OCR केवल unstructured text लौटाता है।
आपको छवियों के एक बैच से structured descriptions और metadata निकालने की आवश्यकता है।
छवियों का विश्लेषण करने और structured output लौटाने के लिए Azure AI Content Understanding का उपयोग करें।
क्यों: Content Understanding free-text caption से परे, सामग्री प्रकारों में लगातार structured परिणाम उत्पन्न करता है।
आपको कॉल रिकॉर्डिंग को प्रमुख डेटा बिंदुओं के साथ structured summaries में बदलना होगा।
ऑडियो पर Azure AI Content Understanding का उपयोग transcribe करने और structured fields निकालने के लिए करें।
क्यों: Content Understanding transcription को extraction के साथ जोड़ता है; Speech अकेला केवल transcript देता है।
आपको प्रशिक्षण वीडियो से scenes, topics और key fields निकालने की आवश्यकता है।
मोडलिटीज में structured insights निकालने के लिए वीडियो के लिए Azure AI Content Understanding का उपयोग करें।
क्यों: यह audio और visual streams का एक साथ विश्लेषण करता है ताकि structured output उत्पन्न कर सके, न कि केवल एक transcript।
आपको अपने मॉडल उत्तरों में अपनी कंपनी का निजी FAQ ज्ञान, न्यूनतम प्रयास के साथ जोड़ना होगा।
fine-tuning करने के बजाय अपने दस्तावेजों पर retrieval (RAG) के साथ मॉडल को Ground करें।
क्यों: RAG query समय पर वर्तमान डेटा इंजेक्ट करता है और सरल/सस्ता है; fine-tuning व्यवहार को बदलता है, ज्ञान की ताजगी को नहीं।
आपको एक deployed model से हानिकारक या असुरक्षित पाठ और छवि आउटपुट को ब्लॉक करना होगा।
हानिकारक सामग्री का पता लगाने और उसे ब्लॉक करने के लिए deployment पर Azure AI Content Safety filters सक्षम करें।
क्यों: Content Safety runtime पर responsible-AI guardrails को लागू करता है; base model अकेला सुरक्षित होने की गारंटी नहीं है।
deploy करने के बाद, आपको प्रतिक्रिया की गुणवत्ता को मापना होगा और drift की निगरानी करनी होगी।
समय के साथ आउटपुट को स्कोर करने और metrics को ट्रैक करने के लिए Foundry evaluation और monitoring tools का उपयोग करें।
क्यों: Evaluation गुणवत्ता (groundedness, relevance) को मापता है; monitoring उत्पादन में regressions को पकड़ता है।
आपको एक एप्लिकेशन के लिए models, agents और connections को व्यवस्थित करने की आवश्यकता है।
एक Foundry project बनाएं, जो उस समाधान के लिए deployments, connected resources और tools को समूहित करता है।
क्यों: एक project workspace की सीमा है; connections Azure AI Search या storage जैसे बाहरी संसाधनों को लिंक करते हैं।