Последняя проверка: июнь 2026 г.
Сжатый справочник архитектурных шаблонов, проверяемых на экзамене AI-901. Читайте сверху вниз или переходите к нужному разделу.
Модель одобрения кредитов не должна дискриминировать людей по признаку пола или этнической принадлежности.
Примените принцип ответственного ИИ — справедливость: оценивайте и снижайте предвзятость в различных демографических группах.
Почему: Справедливость направлена на равное отношение; не путайте ее с надежностью (последовательные результаты) или конфиденциальностью (защита данных).
Модель автономного вождения должна вести себя последовательно и безопасно выходить из строя в неожиданных условиях.
Применяйте надежность и безопасность: тщательное тестирование, мониторинг и защитные механизмы для пограничных случаев.
Почему: Надежность и безопасность — это последовательное поведение, избегающее вреда, в условиях неопределенности, а не о том, к кому относятся данные.
Приложение для здоровья обрабатывает персональные данные и должно защищать их от раскрытия или неправомерного использования.
Применяйте конфиденциальность и безопасность: защищайте персональные данные, контролируйте доступ и уважайте согласие.
Почему: Этот принцип охватывает конфиденциальность и защиту данных; справедливость и инклюзивность касаются того, кому служит система.
Решение должно расширять возможности и вовлекать людей независимо от их способностей или происхождения.
Применяйте инклюзивность: проектируйте так, чтобы все получали выгоду, включая людей с ограниченными возможностями.
Почему: Инклюзивность — это широкая доступность и охват; справедливость конкретно касается беспристрастных результатов.
Пользователи должны понимать, как система ИИ принимает решения и каковы ее ограничения.
Применяйте прозрачность: объясните, как работает система, ее назначение, возможности и ограничения.
Почему: Прозрачность делает систему понятной; подотчетность касается того, кто за нее отвечает.
Необходимы четкое владение и управление, чтобы кто-то отвечал за поведение системы ИИ.
Применяйте подотчетность: люди проектируют, создают и эксплуатируют в рамках системы управления и остаются ответственными.
Почему: Подотчетность возлагает человеческую ответственность; прозрачность только объясняет систему, она не назначает владельца.
Объясните, как генеративная модель ИИ создает связный абзац из запроса.
Большая языковая модель многократно предсказывает следующий token, используя закономерности, извлеченные из огромного объема обучающего текста.
Почему: Генеративные модели создают новый контент с помощью вероятностного предсказания токенов; они не извлекают сохраненные ответы дословно.
Выберите модель: одна нужна для дешевого чата с большим объемом, другая — для сложного многоэтапного рассуждения.
Сопоставьте модель с задачей — меньшая/быстрая модель для обычного чата, большая модель для рассуждений для сложных задач.
Почему: Больший не всегда лучше; возможности, стоимость и задержка являются компромиссом, поэтому выбирайте по потребностям рабочей нагрузки.
Решите, как использовать модель: управляемая стандартная конечная точка против выделенной мощности.
Используйте стандартное развертывание (с оплатой по мере использования) для переменной нагрузки или выделенную пропускную способность для стабильной высокообъемной, предсказуемой производительности.
Почему: Выделенная емкость резервирует мощность для стабильной задержки; стандартная оплата по токенам и проще всего начать.
Вывод слишком повторяющийся; вы хотите более творческих, разнообразных ответов.
Увеличьте параметр temperature; уменьшите его к 0 для детерминированного, сфокусированного вывода.
Почему: Temperature контролирует случайность выбора токенов; высокая = творческий, низкая = последовательный.
Ответы обрываются на полуслове, или вам нужно ограничить длину и стоимость вывода.
Настройте параметр max tokens (максимальная длина завершения), чтобы установить потолок для ответа.
Почему: Max tokens ограничивает длину вывода; это не изменяет творческие способности — для этого служит temperature или top-p.
Вы хотите ограничить выбор токенов наиболее вероятным набором без жесткого temperature.
Используйте top-p (выборка ядра), чтобы ограничить выборку наименьшим набором токенов, вероятности которых в сумме дают p.
Почему: Top-p сужает пул кандидатов по вероятностной массе; настраивайте его или temperature, как правило, не оба агрессивно.
Рабочая нагрузка должна создавать маркетинговые тексты и резюме из prompt-ов.
Это генеративная рабочая нагрузка ИИ — создание контента из инструкций на естественном языке.
Почему: Генеративные рабочие нагрузки создают новый контент; текстовый анализ только извлекает информацию из существующего текста.
Система должна планировать шаги, вызывать инструменты и действовать в соответствии с целью с минимальным контролем.
Это агентная рабочая нагрузка ИИ — управляемый LLM agent, который рассуждает, использует инструменты и совершает действия.
Почему: Agentic добавляет автономию и использование инструментов поверх генерации; обычный генеративный ИИ просто возвращает контент.
Рабочая нагрузка анализирует отзывы клиентов на предмет sentiment, ключевых фраз и named entities.
Это рабочая нагрузка текстового анализа (NLP).
Почему: Текстовый анализ интерпретирует существующий текст; он не генерирует новую прозу, как генеративная рабочая нагрузка.
Рабочая нагрузка должна транскрибировать звонки и зачитывать ответы вслух.
Это речевая рабочая нагрузка — speech-to-text recognition и text-to-speech synthesis.
Почему: Речь охватывает ввод/вывод аудио; computer vision обрабатывает изображения, а не аудио.
Рабочая нагрузка должна обнаруживать объекты и считывать текст с фотографий.
Это рабочая нагрузка computer vision — классификация изображений, обнаружение объектов и OCR.
Почему: Computer vision интерпретирует изображения; извлечение информации из документов — это связанная, но отдельная задача.
Рабочая нагрузка должна извлекать поля, такие как даты, суммы и поставщик, из отсканированных счетов.
Это рабочая нагрузка по извлечению информации / данных (document understanding).
Почему: Извлечение извлекает структурированные поля из документов; общий OCR возвращает только необработанный текст, а не помеченные поля.
Вам нужны основные темы из блока текста, не читая его полностью.
Используйте извлечение ключевых фраз (ключевых слов) для выявления наиболее важных терминов.
Почему: Извлечение ключевых фраз перечисляет важные термины; обнаружение сущностей вместо этого классифицирует именованные объекты, такие как люди или места.
Вы должны идентифицировать людей, организации, местоположения и даты, упомянутые в тексте.
Используйте named entity recognition (entity detection) для классификации этих сущностей.
Почему: Entity detection маркирует именованные объекты; sentiment analysis вместо этого оценивает эмоциональный тон.
Вы хотите знать, являются ли отзывы положительными, отрицательными или нейтральными.
Используйте sentiment analysis для оценки мнения, выраженного в тексте.
Почему: Sentiment измеряет тон; summarization сжимает контент, она не оценивает полярность.
Вам нужно краткое резюме длинного отчета.
Используйте text summarization (extractive или abstractive), чтобы сократить документ.
Почему: Summarization сокращает текст, сохраняя при этом смысл; извлечение ключевых фраз только перечисляет термины, а не дает читабельное резюме.
Разграничьте преобразование аудио в текст и преобразование текста в аудио.
Speech recognition (speech-to-text) транскрибирует аудио; speech synthesis (text-to-speech) генерирует произносимое аудио.
Почему: Recognition — это ввод аудио→текст; synthesis — это обратное — не меняйте два направления местами.
Вам нужно единое место для поиска моделей, их развертывания и создания приложений ИИ в Azure.
Используйте Microsoft Foundry portal — он содержит каталог моделей, развертывания, playground и инструментарий agent.
Почему: Foundry — это единый центр; отдельные службы Azure AI существуют, но Foundry — это место, где вы компонуете и развертываете решения.
Вы хотите, чтобы модель всегда отвечала как вежливый support agent независимо от заданного вопроса.
Задайте поведение и персону в system prompt; поместите конкретный вопрос в user prompt.
Почему: System prompt определяет общее поведение и правила; user prompt — это запрос для каждого хода.
Вы выбрали модель в каталоге и хотите, чтобы ее можно было вызывать из приложения.
Создайте развертывание для модели в Foundry portal, которое предоставит endpoint и key.
Почему: Модель в каталоге не пригодна для использования до тех пор, пока не будет развернута; развертывание предоставляет вызываемую endpoint.
Вы хотите протестировать prompt-ы и настроить temperature до написания какого-либо кода.
Используйте чат-playground в Foundry portal для взаимодействия с развернутой моделью и настройки параметров.
Почему: Playground позволяет интерактивно итерировать prompt-ы и настройки; для экспериментов не требуется SDK.
Вам нужно вызвать развернутую чат-модель из кода приложения.
Используйте Foundry (Azure AI) SDK для создания чат-клиента, который отправляет сообщения на endpoint развертывания.
Почему: SDK оборачивает endpoint типизированным клиентом; вы передаете system и user сообщения и считываете завершение.
Ваше приложение должно пройти аутентификацию в развернутой модели.
Используйте URL endpoint'а развертывания с API key или учетными данными Microsoft Entra ID (Azure AD).
Почему: Аутентификация на основе ключа является самой простой; Entra ID более безопасна и позволяет избежать встраивания секретов в код.
Вам нужен AI assistant, который следует инструкциям и использует инструменты, созданный без большого количества кода.
Создайте single agent в Foundry portal — определите его инструкции, модель и инструменты (Agent Service).
Почему: Конструктор agent-ов портала настраивает поведение и инструменты декларативно; вам не нужно вручную писать цикл оркестровки.
Ваш agent всегда должен ссылаться на источники и отклонять запросы не по теме.
Закодируйте эти правила в инструкциях agent-а (его системном руководстве).
Почему: Инструкции agent-а направляют последовательное поведение на протяжении всех ходов, подобно system prompt для обычной чат-модели.
Ваш agent должен отвечать на основе документов вашей компании, а не только на основе своих обучающих данных.
Предоставьте agent-у инструмент для знаний/grounding (например, поиск файлов или Azure AI Search), чтобы он извлекал ваши данные.
Почему: Grounding/RAG предоставляет актуальный, частный контекст; без него модель может галлюцинировать или использовать устаревшие знания.
Вам нужно пользовательское приложение для программного управления Foundry agent.
Создайте клиентское приложение agent-а с помощью Foundry SDK — создайте поток, добавьте сообщения, запустите agent-а, прочитайте ответы.
Почему: SDK предоставляет потоки, запуски и сообщения, чтобы ваше приложение могло интегрировать agent-а в любой рабочий процесс.
Вы должны создать приложение, которое извлекает sentiment и entities из входящего текста.
Используйте Azure AI Language (анализ текста) через SDK или REST, доступ к которому осуществляется через Foundry, вызывая функции sentiment и NER.
Почему: Для классических задач NLP служба Language специально создана и дешевле, чем prompt-ы для общего LLM.
Пользователь хочет задать вопрос голосом и получить ответ от развернутой модели.
Отправьте аудио в multimodal модель, которая принимает речевой ввод, или сначала транскрибируйте, а затем запросите модель.
Почему: Multimodal модели могут принимать аудио напрямую; в противном случае используйте speech-to-text для подачи текстовой модели.
Вашему приложению нужна высококачественная транскрипция и естественный речевой вывод.
Используйте Azure AI Speech в Foundry Tools для speech-to-text и text-to-speech.
Почему: Служба Speech предлагает настроенное распознавание и реалистичные neural voices, превосходящие то, что может предоставить одна только чат-модель.
Вам нужно, чтобы приложение читало ответы вслух естественным голосом.
Используйте Azure AI Speech text-to-speech с neural voice; при необходимости управляйте просодией с помощью SSML.
Почему: Neural voices звучат естественно; SSML позволяет настраивать темп, высоту и произношение.
Приложение должно описывать, что происходит на предоставленной пользователем фотографии, и отвечать на вопросы о ней.
Отправьте изображение в multimodal модель в Foundry и запросите ее с помощью вопроса.
Почему: Multimodal LLM-ы рассуждают о содержимом изображения; классическая служба Vision возвращает только фиксированные теги и подписи.
Приложение должно генерировать изображения из текстовых описаний по запросу.
Разверните модель text-to-image (например, модель DALL-E / генерации изображений) в Foundry и вызывайте ее из своего приложения.
Почему: Модели генерации изображений создают визуальные эффекты из prompt-ов; модель Vision только анализирует существующие изображения.
Вам нужно приложение, которое классифицирует изображения и считывает с них печатный текст.
Создайте приложение Vision с помощью Azure AI Vision (анализ изображений и OCR), доступ к которому осуществляется через Foundry.
Почему: Azure AI Vision предоставляет готовый анализ изображений и OCR; вам не нужно обучать модель для общих задач.
Приложение должно извлекать печатный и рукописный текст из отсканированных страниц.
Используйте возможность OCR (Read) Azure AI Vision для возврата распознанного текста и его местоположения.
Почему: OCR возвращает необработанный текст с координатами; для извлечения структурированных полей требуется Content Understanding.
Вы должны извлекать структурированные поля (суммы, даты, пункты) из счетов и форм.
Используйте Azure AI Content Understanding в Foundry Tools для извлечения структурированных данных из документов и форм.
Почему: Content Understanding извлекает помеченные поля; обычный OCR возвращает только неструктурированный текст.
Вам нужны структурированные описания и метаданные, извлеченные из партии изображений.
Используйте Azure AI Content Understanding для анализа изображений и возврата структурированного вывода.
Почему: Content Understanding производит последовательные структурированные результаты по всем типам контента, превосходящие свободный текстовый заголовок.
Вы должны преобразовать записи звонков в структурированные резюме с ключевыми точками данных.
Используйте Azure AI Content Understanding для аудио, чтобы транскрибировать и извлекать структурированные поля.
Почему: Content Understanding сочетает транскрипцию с извлечением; один только Speech дает только транскрипцию.
Вам нужны сцены, темы и ключевые поля, извлеченные из обучающих видео.
Используйте Azure AI Content Understanding для видео, чтобы извлекать структурированные данные по различным модальностям.
Почему: Он анализирует аудио- и видеопотоки вместе, чтобы производить структурированный вывод, а не просто транскрипцию.
Вы должны добавить частные знания вашей компании из FAQ в ответы модели с минимальными усилиями.
Ground модель с помощью retrieval (RAG) по вашим документам, а не fine-tuning.
Почему: RAG внедряет текущие данные во время запроса и проще/дешевле; fine-tuning изменяет поведение, а не свежесть знаний.
Вы должны блокировать вредоносный или небезопасный текстовый и графический вывод из развернутой модели.
Включите фильтры Azure AI Content Safety в развертывании для обнаружения и блокировки вредоносного контента.
Почему: Content Safety обеспечивает защитные меры ответственного ИИ во время выполнения; базовая модель сама по себе не гарантирует безопасность.
После развертывания вам необходимо измерять качество ответов и следить за дрейфом.
Используйте инструменты оценки и мониторинга Foundry для оценки выходов и отслеживания метрик с течением времени.
Почему: Оценка количественно определяет качество (groundedness, релевантность); мониторинг выявляет регрессии в production.
Вам нужно организовать модели, agent-ы и подключения для одного приложения.
Создайте Foundry project, который группирует развертывания, подключенные ресурсы и инструменты для этого решения.
Почему: Проект является границей рабочей области; подключения связывают внешние ресурсы, такие как Azure AI Search или хранилище.