Lecciones en español / Azure AI Fundamentals / Hoja de repaso · English

Hoja de repaso de Azure AI Fundamentals AI-900

Cada consejo para el examen y término clave de las lecciones gratuitas de Azure AI Fundamentals, por dominio. Usa la opción Imprimir de tu navegador para guardarla como PDF.

Dominio 1: Describe AI workloads and considerations (19%)

Consejos para el examen

Si un escenario dice que el resultado es difícil de expresar como reglas y que hay muchos datos históricos de ejemplo, la respuesta involucra machine learning. Recuerda que las salidas de un modelo son probabilísticas, así que las respuestas que afirman que la IA siempre acierta son incorrectas.
Busca el verbo en el escenario: predecir o estimar apunta a predicción con ML; marcar lo inusual apunta a detección de anomalías; ver o leer una imagen apunta a visión artificial; entender texto apunta a NLP; extraer campos de formularios apunta a procesamiento de documentos; y crear o redactar apunta a IA generativa.
Contar y ubicar significa detección de objetos; una etiqueta para toda la imagen significa clasificación; leer texto significa OCR. Si una pregunta menciona identificar quién es una persona, espera que Limited Access forme parte de la respuesta correcta.
Distingue la dirección de las tareas de voz: speech to text produce transcripciones y subtítulos; text to speech produce audio. Las tareas de análisis (sentimiento, frases clave, entidades) nunca generan texto nuevo.
OCR por sí solo te da texto; el procesamiento de documentos te da campos y tablas; la minería de conocimiento te da un índice de búsqueda sobre muchos documentos. Elige el que coincida con la salida que pide el escenario.
Copilot: asiste a un usuario dentro de una app. Agent: además puede usar herramientas y realizar acciones. Ambos son IA generativa. Fíjate en las palabras 'crear' o 'redactar' como señal de una carga de trabajo de IA generativa.
Resultados desiguales entre grupos apuntan a equidad (fairness). Probar casos extremos, manejar fallas de forma segura o monitorear la deriva apuntan a confiabilidad y seguridad (reliability and safety).
Protección de datos, consentimiento, cifrado y control de acceso corresponden a privacidad y seguridad. Accesibilidad, idiomas y diseño para personas con discapacidad corresponden a inclusión.
Explicar o divulgar apunta a transparencia. Ser dueño, gobernar, revisar o responder por algo apunta a rendición de cuentas. Ambos suelen aparecer en las preguntas junto a Limited Access y las transparency notes.
Si una pregunta plantea por qué la identificación facial requiere una solicitud, la respuesta es Limited Access para un uso responsable, no el precio ni el estado de versión preliminar. Azure AI Face ya no ofrece inferencia de emoción, género ni edad.

Términos clave

Model (modelo): Una función aprendida a partir de datos que recibe una entrada nueva y devuelve una predicción, etiqueta, puntuación o contenido generado.
Training (entrenamiento): El proceso de ajustar los valores internos de un modelo usando datos de ejemplo hasta que sus salidas coincidan bien con los ejemplos.
Inference (inferencia): Usar un modelo entrenado para hacer predicciones sobre datos nuevos; también se llama inferencing o scoring.
Rule-based software (software basado en reglas): Software cuyo comportamiento proviene de lógica explícita escrita por un desarrollador y no de patrones aprendidos de los datos.
Workload (carga de trabajo): Una categoría de problema que aborda la IA, como visión artificial, NLP o detección de anomalías.
Anomaly detection (detección de anomalías): Identificar datos o eventos que difieren significativamente del patrón normal.
Knowledge mining (minería de conocimiento): Extraer información de grandes cantidades de contenido no estructurado y hacerla consultable mediante búsqueda.
Generative AI (IA generativa): IA que crea contenido nuevo, como texto, código o imágenes, a partir de un prompt.
Image classification (clasificación de imágenes): Asignar una o más etiquetas a una imagen en su conjunto, sin ubicar objetos.
Object detection (detección de objetos): Encontrar objetos en una imagen y devolver una etiqueta y un bounding box para cada uno.
Optical character recognition (OCR, reconocimiento óptico de caracteres): Extraer texto impreso o manuscrito de imágenes o documentos escaneados.
Bounding box (cuadro delimitador): Las coordenadas de un rectángulo que marca dónde aparece un objeto o una palabra en una imagen.
Natural language processing (NLP, procesamiento de lenguaje natural): IA que analiza, entiende y genera lenguaje humano en forma de texto.
Sentiment analysis (análisis de sentimiento): Determinar si un texto expresa una opinión positiva, negativa, neutral o mixta.
Speech recognition (reconocimiento de voz): Convertir audio hablado en texto; también se llama speech to text.
Conversational AI (IA conversacional): Software como bots y asistentes que interactúa con los usuarios mediante un diálogo natural.
Document intelligence (inteligencia de documentos): IA que extrae texto, pares clave-valor, tablas y campos con nombre de documentos y los convierte en datos estructurados.
Key-value pair (par clave-valor): Una etiqueta y su valor encontrados en un documento, como 'Fecha de vencimiento' y '30 de junio'.
Search index (índice de búsqueda): Un almacén de contenido procesado y campos extraídos que los usuarios o las apps pueden consultar rápidamente.
Prompt: La instrucción, pregunta o contexto que se le da a un modelo de IA generativa para producir una respuesta.
Large language model (LLM, modelo de lenguaje grande): Una red neuronal muy grande entrenada con texto que genera lenguaje prediciendo tokens.
Copilot (copiloto): Un asistente de IA generativa integrado en una app que ayuda al usuario con tareas mientras el usuario mantiene el control.
Agent (agente): Una solución de IA generativa que combina un modelo con instrucciones, conocimiento y herramientas para poder realizar acciones hacia un objetivo.
Fairness (equidad): El principio de que la IA debe tratar a todas las personas de forma justa y no dar resultados distintos a personas similares por características irrelevantes.
Reliability and safety (confiabilidad y seguridad): El principio de que la IA debe funcionar de forma consistente y segura según lo previsto, incluso en condiciones inesperadas.
Bias (sesgo): Una desviación sistemática en los datos o en el comportamiento del modelo que produce resultados injustos para algunos grupos.
Model drift (deriva del modelo): Una disminución del rendimiento de un modelo con el tiempo a medida que los datos del mundo real se alejan de los datos de entrenamiento.
Privacy and security (privacidad y seguridad): El principio de que los sistemas de IA deben proteger los datos personales y ser seguros frente al mal uso y los ataques.
Inclusiveness (inclusión): El principio de que la IA debe empoderar a todos y estar diseñada para que la usen personas de todas las capacidades y orígenes.
Personally identifiable information (PII, información de identificación personal): Datos que pueden identificar a una persona, como un nombre, número de teléfono, dirección o número de identificación.
Data minimization (minimización de datos): Recopilar y conservar solo los datos personales que realmente necesita un propósito.
Transparency (transparencia): El principio de que las personas deben entender cómo funciona un sistema de IA, para qué sirve y cuáles son sus limitaciones.
Accountability (rendición de cuentas): El principio de que las personas que diseñan e implementan sistemas de IA responden por cómo operan.
Explainability (explicabilidad): Mostrar qué entradas o características influyeron más en la salida de un modelo.
Transparency note (nota de transparencia): Documentación de Microsoft que describe las capacidades, los usos previstos y las limitaciones de un servicio de IA.
Impact assessment (evaluación de impacto): Una revisión documentada de los usos previstos, las partes interesadas, los daños potenciales y las mitigaciones de un sistema de IA.
Human in the loop (persona en el proceso): Un diseño en el que una persona revisa o aprueba las salidas de la IA antes de que surtan efecto.
Limited Access (acceso limitado): La política de Microsoft que exige aprobar al cliente y el caso de uso antes de poder usar funciones de IA sensibles.
Custom neural voice (voz neuronal personalizada): Una capacidad de Speech que crea una voz sintética parecida a la de una persona específica; es una función de Limited Access.

Dominio 2: Fundamental principles of machine learning on Azure (19%)

Consejos para el examen

Si la pregunta plantea cuál columna es la etiqueta, elige el valor que se está prediciendo. Una gran diferencia entre el rendimiento en entrenamiento y en validación significa overfitting.
Etiqueta numérica significa regresión. Las métricas con 'error' en el nombre deben ser bajas; R² debe estar cerca de 1. Precision y recall nunca son métricas de regresión.
Dos clases es binaria; más es multiclase, aunque las clases sean números como calificaciones del 1 al 5. Si no detectar positivos es costoso: recall. Si las falsas alarmas son costosas: precision.
Sin etiquetas y 'descubrir grupos' significa clustering. Categorías conocidas que predecir significa clasificación, aunque el escenario use la palabra 'grupo'.
El deep learning es un subconjunto del machine learning, que a su vez es un subconjunto de la IA. Si un escenario involucra imágenes, audio o lenguaje natural a gran escala, el deep learning es la técnica de fondo.
Los tokens son las unidades de texto; los embeddings son los vectores que representan el significado; la atención relaciona los tokens entre sí en contexto. Los modelos tipo GPT generan prediciendo el siguiente token.
La compute instance es para desarrollo de una sola persona; el compute cluster es para trabajos de entrenamiento escalables. Azure Machine Learning es para entrenar tus propios modelos; Azure AI services te dan modelos ya hechos.
Probar muchos algoritmos automáticamente y elegir el mejor: AutoML. Construir un pipeline visualmente conectando componentes: designer. Ninguno requiere escribir código.
Alguien esperando una respuesta inmediata significa un endpoint en tiempo real (online). Puntuar un conjunto de datos grande de forma programada significa batch. Las preguntas sobre encontrar dónde un modelo comete más errores o trata distinto a los grupos apuntan al Responsible AI dashboard.

Términos clave

Feature (característica): Un valor de entrada que usa el modelo para hacer una predicción, como la edad o la superficie.
Label (etiqueta): El valor que un modelo supervisado se entrena para predecir, como un precio o un resultado sí/no.
Validation data (datos de validación): Datos reservados del entrenamiento que se usan para medir qué tan bien rinde el modelo con ejemplos no vistos.
Overfitting (sobreajuste): Cuando un modelo aprende demasiado de cerca los datos de entrenamiento y rinde mal con datos nuevos.
Regression (regresión): Aprendizaje supervisado que predice un valor numérico.
Mean absolute error (MAE, error absoluto medio): La diferencia absoluta promedio entre los valores predichos y los reales, en las unidades de la etiqueta.
Root mean squared error (RMSE, raíz del error cuadrático medio): La raíz cuadrada del promedio de los errores al cuadrado; penaliza los errores grandes más que el MAE.
Coefficient of determination (R², coeficiente de determinación): La proporción de la varianza de la etiqueta que explica el modelo; cuanto más cerca de 1, mejor.
Binary classification (clasificación binaria): Predecir una de dos clases, como sí o no.
Confusion matrix (matriz de confusión): Una tabla de clases reales frente a predichas que muestra los verdaderos y falsos positivos y negativos.
Precision (precisión): De los elementos predichos como positivos, la proporción que realmente era positiva: TP / (TP + FP).
Recall (exhaustividad): De los elementos positivos reales, la proporción que encontró el modelo: TP / (TP + FN).
Clustering (agrupamiento): Aprendizaje no supervisado que agrupa elementos con valores de características similares.
Unsupervised learning (aprendizaje no supervisado): Machine learning con datos sin etiquetas, que encuentra la estructura por sí solo.
Supervised learning (aprendizaje supervisado): Machine learning con datos que incluyen etiquetas conocidas, usado para predecir esas etiquetas.
k-means: Un algoritmo de clustering que agrupa elementos alrededor de k puntos centrales y ajusta los centros repetidamente.
Neural network (red neuronal): Un modelo formado por capas de neuronas artificiales conectadas cuyos pesos se aprenden durante el entrenamiento.
Weight (peso): Un número en una conexión entre neuronas que se ajusta durante el entrenamiento para reducir el error.
Deep learning (aprendizaje profundo): Machine learning con redes neuronales que tienen muchas capas ocultas.
Loss function (función de pérdida): Un cálculo que mide qué tan lejos están las predicciones de un modelo de las respuestas correctas.
Token: Una unidad de texto, como una palabra o parte de una palabra, que procesa un modelo de lenguaje.
Embedding: Un vector de números que representa el significado de un token o texto, donde los significados similares quedan cerca.
Attention (atención): Un mecanismo que permite a cada token ponderar la relevancia de los demás tokens de la secuencia.
Transformer: Una arquitectura de red neuronal basada en la atención, usada por los modelos de lenguaje modernos.
Workspace (área de trabajo): El recurso de nivel superior de Azure Machine Learning que contiene datos, cómputo, trabajos, modelos y endpoints.
Azure Machine Learning studio: El portal web para trabajar con un workspace de Azure Machine Learning.
Compute instance (instancia de cómputo): Una VM de desarrollo administrada para los notebooks y experimentos de un solo usuario.
Compute cluster (clúster de cómputo): Un grupo de VM que escala automáticamente para trabajos de entrenamiento y puede reducirse a cero cuando está inactivo.
Automated machine learning (AutoML, machine learning automatizado): Una función que prueba automáticamente muchos algoritmos y configuraciones y clasifica los modelos resultantes según una métrica elegida.
Primary metric (métrica principal): La medida que usa AutoML para clasificar los modelos, como accuracy o RMSE normalizado.
Designer: Un lienzo de arrastrar y soltar en Azure Machine Learning studio para construir pipelines de entrenamiento de forma visual.
Featurization (caracterización): Preparar los datos en bruto para el entrenamiento, como manejar valores faltantes y codificar categorías.
Endpoint: Una dirección web donde un modelo implementado acepta datos de entrada y devuelve predicciones.
Online (real-time) endpoint (endpoint en línea o en tiempo real): Un endpoint que devuelve predicciones de inmediato para solicitudes individuales.
Batch endpoint (endpoint por lotes): Un endpoint que puntúa grandes volúmenes de datos de forma asíncrona como un trabajo y escribe los resultados en el almacenamiento.
Responsible AI dashboard (panel de IA responsable): Una herramienta de Azure Machine Learning que combina análisis de errores, equidad, interpretabilidad y análisis what-if para un modelo.

Dominio 3: Computer vision workloads on Azure (19%)

Consejos para el examen

Toda la imagen, una respuesta: clasificación. Dónde y cuántos: detección de objetos con bounding boxes. Contorno exacto, píxel por píxel: segmentación.
Las CNN aprenden sus filtros durante el entrenamiento en lugar de usar filtros elegidos a mano. Un modelo que puede responder preguntas sobre imágenes o relacionar imágenes con texto es multimodal.
Oración que describe la imagen: captions. Lista de palabras clave: tags. Dónde están las cosas: object detection o people detection. Región para miniatura: smart crops. Texto en la imagen: OCR (Read).
Extraer texto de imágenes: OCR con Read. Extraer campos con nombre o tablas de formularios: Document Intelligence. Describir la imagen con palabras: captions, no OCR.
Detección y atributos de la imagen como desenfoque, lentes y posición de la cabeza: disponibles. Identificación y verificación: Limited Access. Emoción, género y edad: retirados.
Documento de negocio común con campos estándar: modelo precompilado. Tablas y estructura de cualquier documento: layout. Tu propio formulario único: modelo personalizado entrenado con muestras etiquetadas.
Una clave y un endpoint para muchos servicios, una sola factura: multiservicio. Nivel gratuito F0 o facturación separada para un servicio: un solo servicio. Una app necesita el endpoint más una clave (o Entra ID) para llamarlo.
Asocia la salida con el servicio: descripción u objetos con el análisis de imágenes de Vision, texto con Read de Vision, campos y tablas con Document Intelligence, rostros con Face, tus propias clases con un modelo personalizado.

Términos clave

Image classification (clasificación de imágenes): Predecir una o más etiquetas para una imagen en su conjunto.
Object detection (detección de objetos): Ubicar cada objeto de una imagen con una etiqueta de clase y un bounding box.
Semantic segmentation (segmentación semántica): Clasificar cada píxel de una imagen para producir una máscara precisa de cada clase.
Confidence score (puntuación de confianza): Un valor entre 0 y 1 que muestra qué tan seguro está el modelo de una predicción.
Pixel (píxel): El elemento más pequeño de una imagen digital, almacenado como uno o más valores numéricos.
Filter (kernel) (filtro): Una pequeña cuadrícula de pesos que se aplica sobre una imagen para producir un feature map, por ejemplo para resaltar bordes.
Convolutional neural network (CNN, red neuronal convolucional): Un modelo de deep learning que aprende filtros para extraer características de imágenes en tareas como la clasificación.
Multimodal model (modelo multimodal): Un modelo entrenado con más de un tipo de datos, como imágenes y texto juntos.
Caption (descripción): Una oración generada que describe una imagen, devuelta con una puntuación de confianza.
Dense captions (descripciones densas): Descripciones para varias regiones de una imagen, cada una con un bounding box.
Tag (etiqueta): Una palabra que describe algo visible en una imagen, como un objeto, un entorno o una acción.
Smart crop (recorte inteligente): Una región de recorte sugerida que conserva el área de interés para una relación de aspecto dada.
Optical character recognition (OCR, reconocimiento óptico de caracteres): Extraer texto impreso o manuscrito de imágenes y documentos.
Read feature (función Read): La capacidad de OCR de Azure AI Vision que devuelve líneas y palabras con sus posiciones y su confianza.
Bounding polygon (polígono delimitador): El conjunto de coordenadas que delimita dónde aparece una línea o una palabra en la imagen.
Handwriting recognition (reconocimiento de escritura a mano): OCR de texto manuscrito en lugar de impreso.
Face detection (detección de rostros): Encontrar rostros en una imagen y devolver su ubicación y los atributos de la imagen.
Face verification (verificación facial): Comprobar si dos imágenes de rostros pertenecen a la misma persona (uno a uno).
Face identification (identificación facial): Encontrar a qué persona conocida de un grupo pertenece un rostro (uno a muchos).
Facial landmarks (puntos de referencia faciales): Puntos en un rostro, como las comisuras de los ojos y la punta de la nariz, que devuelve la detección de rostros.
Prebuilt model (modelo precompilado): Un modelo de Document Intelligence entrenado por Microsoft para un tipo de documento común, como facturas o recibos.
Layout model (modelo de diseño): Un modelo que extrae texto, tablas, marcas de selección y estructura de cualquier documento.
Custom extraction model (modelo de extracción personalizado): Un modelo que entrenas con muestras etiquetadas para extraer tus propios campos de tu propio tipo de documento.
Selection mark (marca de selección): Una casilla de verificación o botón de opción en un formulario, devuelto como seleccionado o no seleccionado.
Multi-service resource (recurso multiservicio): Un recurso de Azure AI services que da un endpoint y un conjunto de claves para varios servicios de IA con una sola factura.
Single-service resource (recurso de un solo servicio): Un recurso para un solo servicio de IA, como Azure AI Vision, a menudo con un nivel gratuito F0.
Endpoint: La URL a la que llama una aplicación para usar el servicio de IA.
Resource key (clave del recurso): Un valor secreto que se envía con las solicitudes para autenticarse en un servicio de IA; cada recurso tiene dos.
Azure AI Vision: El servicio de Azure AI para análisis de imágenes y OCR con modelos precompilados.
Azure AI Face: El servicio de Azure AI para detectar y analizar rostros, con el reconocimiento bajo Limited Access.
Azure AI Document Intelligence: El servicio de Azure AI que extrae campos, tablas y estructura de documentos.
Custom vision model (modelo de visión personalizado): Un modelo de imágenes entrenado con tus propias imágenes etiquetadas para reconocer clases que los modelos precompilados no cubren.

Dominio 4: Natural language processing workloads on Azure (19%)

Consejos para el examen

Estado de ánimo general del texto: análisis de sentimiento. Estado de ánimo hacia características específicas mencionadas: minería de opiniones. Qué idioma: detección de idioma. Ninguna de ellas traduce.
Temas principales: frases clave. Menciones categorizadas como personas y fechas: NER. Desambiguar y vincular con Wikipedia: entity linking. Encontrar y enmascarar datos personales: detección de PII.
Contar palabras no puede saber que 'carro' y 'automóvil' están relacionadas; los embeddings sí. Las preguntas de búsqueda semántica y de similitud apuntan a los embeddings.
Versión corta de un texto largo: summarization (el extractivo elige oraciones, el abstractivo escribe nuevas). Tus propias categorías: custom text classification entrenada con ejemplos etiquetados.
Revisa siempre la dirección: los subtítulos y las transcripciones son speech to text; leer texto en voz alta es text to speech. Custom neural voice necesita aprobación de Limited Access.
Texto o documentos: Azure AI Translator. Audio hablado: speech translation de Azure AI Speech. Convertir sistemas de escritura sin cambiar el significado: transliteración.
En 'Pide dos pizzas grandes', toda la oración es el utterance, OrderPizza es el intent, y 'dos' y 'grandes' son entities. CLU devuelve una intención y entidades estructuradas, no una respuesta.
Contenido de FAQ existente y 'responder preguntas comunes' apuntan a question answering. 'Entender qué quiere hacer el usuario y extraer detalles' apunta a conversational language understanding.
Análisis de texto: Language. Audio: Speech. Otro idioma: Translator, salvo que la entrada sea hablada; entonces, speech translation. Acción a partir de un comando: CLU. Respuesta a partir de FAQ: question answering.

Términos clave

Azure AI Language: El servicio de Azure AI que analiza y entiende texto con funciones precompiladas y personalizables.
Language detection (detección de idioma): Identificar el idioma de un texto y devolver su nombre, su código ISO y una puntuación de confianza.
Sentiment analysis (análisis de sentimiento): Etiquetar un texto u oraciones como positivos, neutrales, negativos o mixtos con puntuaciones de confianza.
Opinion mining (minería de opiniones): Sentimiento basado en aspectos que vincula opiniones con objetivos específicos mencionados en el texto.
Key phrase extraction (extracción de frases clave): Devolver los temas principales de un texto como una lista de frases.
Named entity recognition (NER, reconocimiento de entidades con nombre): Encontrar entidades en un texto y clasificarlas en tipos como Person, Location u Organization.
Entity linking (vinculación de entidades): Identificar a qué entidad conocida del mundo real se refiere una mención y vincularla con una entrada de una base de conocimiento.
PII detection (detección de PII): Encontrar información personal en un texto y devolver una versión censurada.
Tokenization (tokenización): Dividir el texto en tokens, como palabras o fragmentos de palabras, para que un modelo los procese.
TF-IDF: Una ponderación que puntúa las palabras según qué tan frecuentes son en un documento y qué tan raras son en la colección.
Embedding: Un vector que representa el significado de un texto de modo que los significados similares queden cerca.
Semantic similarity (similitud semántica): Qué tan cercanos en significado son dos textos, a menudo medido con la similitud del coseno entre embeddings.
Extractive summarization (resumen extractivo): Resumir seleccionando y devolviendo las oraciones más importantes del texto original.
Abstractive summarization (resumen abstractivo): Resumir generando oraciones nuevas que captan las ideas principales.
Custom text classification (clasificación de texto personalizada): Entrenar Azure AI Language para asignar tus propias categorías a los documentos usando ejemplos etiquetados.
Multi-label classification (clasificación multietiqueta): Clasificación en la que un documento puede recibir más de una etiqueta.
Speech to text (voz a texto): Convertir audio hablado en texto escrito; también se llama reconocimiento de voz (speech recognition).
Text to speech (texto a voz): Convertir texto en audio hablado; también se llama síntesis de voz (speech synthesis).
Neural voice (voz neuronal): Una voz sintética de sonido natural producida por un modelo de deep learning.
SSML: Speech Synthesis Markup Language, que se usa para controlar la pronunciación, la velocidad, el tono y el estilo de la voz sintetizada.
Neural machine translation (traducción automática neuronal): Traducción mediante modelos de deep learning que consideran la oración completa y su contexto.
Transliteration (transliteración): Convertir texto de un sistema de escritura a otro sin traducir su significado.
Document translation (traducción de documentos): Traducir archivos completos conservando su estructura y formato.
Speech translation (traducción de voz): Traducir audio hablado a texto o voz en otro idioma casi en tiempo real.
Utterance (enunciado): Un ejemplo de algo que un usuario podría decir o escribirle a una app.
Intent (intención): El objetivo o la acción que quiere un usuario, predicho a partir de un enunciado.
Entity (entidad): Un detalle específico de un enunciado que la app necesita, como una fecha, un lugar o una cantidad.
Conversational language understanding (CLU, comprensión del lenguaje conversacional): Una función de Azure AI Language que predice intenciones y extrae entidades de la entrada del usuario.
Question answering (respuesta a preguntas): Una función de Azure AI Language que responde preguntas en lenguaje natural a partir de una base de conocimiento de pares de pregunta y respuesta.
Knowledge base (base de conocimiento): La colección de pares de pregunta y respuesta, a menudo importada de FAQ y documentos, en la que busca question answering.
Chit-chat (conversación casual): Respuestas precompiladas para la conversación casual que dan a un bot una personalidad consistente.
Multi-turn conversation (conversación de varios turnos): Indicaciones de seguimiento que guían a un usuario por varios pasos dentro de un tema.
Azure AI Speech: Servicio para speech to text, text to speech y speech translation.
Azure AI Translator: Servicio para traducir texto y documentos entre idiomas.
Service chaining (encadenamiento de servicios): Combinar varios servicios de IA en secuencia para que la salida de uno sea la entrada del siguiente.

Dominio 5: Generative AI workloads on Azure (24%)

Consejos para el examen

Los LLM predicen tokens; no buscan respuestas almacenadas. Todo lo relacionado con límites de conocimiento, fechas de corte o hechos inventados se remonta a esto, y la solución habitual es el grounding con tus propios datos.
Crear, redactar, reescribir o conversar libremente: IA generativa. Extraer un campo específico o asignar una etiqueta fija de forma confiable: un servicio de IA tradicional puede ser la mejor respuesta.
El rol, las reglas y el formato que aplican a toda la conversación van en el mensaje de sistema. Los ejemplos en el prompt son few-shot. Cambiar los pesos del modelo es fine-tuning, no ingeniería de prompts.
El modelo debe responder a partir de tus datos actuales o privados sin volver a entrenar: RAG. El modelo debe adoptar un estilo o formato de forma consistente: el fine-tuning puede ayudar. RAG primero recupera y luego genera.
Necesitas salidas repetibles y factuales: baja la temperatura. Necesitas variedad creativa: súbela. Respuestas cortadas a media oración: max tokens está demasiado bajo. Ajusta temperature o top_p, no ambos.
Comparar y elegir modelos: model catalog. Probar prompts y parámetros sin código: playground. Organizar los recursos de una solución y el acceso del equipo: project. Espera ver tanto el nombre Azure AI Foundry como Microsoft Foundry.
Vectores para búsqueda y RAG: modelo de embeddings. Conversación y generación de texto: modelo de chat GPT. Imágenes a partir de texto: modelo de generación de imágenes. Azure OpenAI se cobra y no tiene nivel gratuito.
Solo responde preguntas: asistente de chat o copiloto. Usa herramientas para realizar acciones o completar tareas de varios pasos: agente. Los agentes necesitan herramientas con mínimo privilegio y aprobación humana para acciones de alto impacto.
Memoriza el orden: identificar, medir, mitigar, operar. La mitigación tiene cuatro capas: modelo, sistema de seguridad, mensaje de sistema y grounding, y experiencia de usuario. Los filtros de contenido cubren odio, sexual, violencia y autolesiones.
Respaldado por las fuentes: groundedness. Responde la pregunta: relevance. Se lee de forma natural: fluency. Organizado de forma lógica: coherence. Intentar deliberadamente romperlo: red teaming.

Términos clave

Large language model (LLM, modelo de lenguaje grande): Un modelo transformer muy grande entrenado con cantidades masivas de texto que genera lenguaje prediciendo tokens.
Next-token prediction (predicción del siguiente token): Generar texto prediciendo repetidamente un siguiente token probable y agregándolo.
Pretraining (preentrenamiento): El entrenamiento autosupervisado inicial con grandes colecciones de texto que enseña a un modelo los patrones del lenguaje y conocimiento.
Context window (ventana de contexto): El número máximo de tokens que un modelo puede manejar en una solicitud, incluidos el prompt y la respuesta.
Chat assistant (asistente de chat): Una app de IA generativa que conversa con los usuarios en lenguaje natural durante varios turnos.
Copilot (copiloto): Un asistente de IA generativa integrado en una app para ayudar a los usuarios con tareas mientras ellos mantienen el control.
Summarization (resumen): Condensar contenido largo en una versión más corta que conserva los puntos clave.
Code generation (generación de código): Usar un modelo para escribir, explicar o convertir código a partir de descripciones en lenguaje natural.
System message (mensaje de sistema): Instrucciones enviadas antes de la conversación que definen el rol, las reglas, el tono y el formato de salida del modelo.
User prompt (prompt de usuario): La solicitud o pregunta del usuario enviada al modelo.
Few-shot prompting: Incluir en el prompt algunos ejemplos de entrada y salida deseada para que el modelo siga el patrón.
Zero-shot prompting: Darle al modelo solo una instrucción, sin ejemplos.
Grounding (fundamentación): Proporcionar información relevante y confiable en el prompt para que el modelo base su respuesta en ella.
Retrieval augmented generation (RAG, generación aumentada por recuperación): Un patrón que recupera contenido relevante de tus datos y lo agrega al prompt antes de que el modelo genere una respuesta.
Vector index (índice vectorial): Un índice de búsqueda que almacena embeddings para que el contenido pueda recuperarse por similitud semántica.
Fine-tuning (ajuste fino): Entrenar más un modelo preentrenado con tus propios ejemplos para cambiar su comportamiento o estilo.
Temperature (temperatura): Un parámetro que controla la aleatoriedad en la selección de tokens; baja es enfocada y consistente, alta es variada y creativa.
Top_p: Un parámetro que limita las opciones de tokens al conjunto más probable cuya probabilidad combinada llega a p.
Max tokens (máximo de tokens): Un límite al número de tokens que el modelo puede generar en una respuesta.
Stop sequence (secuencia de parada): Texto que le indica al modelo que deje de generar cuando lo produce.
Microsoft Foundry: La plataforma y el portal de Microsoft para construir apps y agentes de IA generativa, antes Azure AI Studio y Azure AI Foundry.
Project (proyecto): Un espacio de trabajo de Foundry que contiene las implementaciones de modelos, los agentes, las conexiones de datos y las evaluaciones de una solución.
Model catalog (catálogo de modelos): La biblioteca de Foundry para descubrir, comparar e implementar modelos de Microsoft, OpenAI y otros proveedores.
Model card (ficha del modelo): Documentación que describe las capacidades, los usos previstos, las limitaciones y las opciones de implementación de un modelo.
Azure OpenAI: Modelos de OpenAI alojados en Azure con la seguridad, la red, el filtrado de contenido y la protección de datos de Azure.
Chat completion model (modelo de chat completion): Un modelo que recibe una conversación de mensajes y genera la siguiente respuesta, como un modelo GPT.
Embeddings model (modelo de embeddings): Un modelo que convierte texto en vectores para búsqueda semántica y similitud, no en texto legible.
Deployment (implementación): Una instancia de un modelo en tu recurso, con un nombre y un endpoint a los que llama tu app.
AI agent (agente de IA): Una aplicación de IA generativa que usa un modelo con instrucciones, conocimiento y herramientas para razonar y realizar acciones hacia un objetivo.
Tool (herramienta): Una capacidad que un agente puede llamar, como búsqueda, ejecución de código o una API.
Foundry Agent Service: La capacidad de Microsoft Foundry para construir, implementar y administrar agentes.
Prompt injection (inyección de prompts): Instrucciones maliciosas ocultas en el contenido de entrada que intentan que un modelo o agente actúe en contra de sus instrucciones.
Identify, measure, mitigate, operate (identificar, medir, mitigar, operar): Las cuatro etapas de Microsoft para desarrollar y operar IA generativa de forma responsable.
Content filter (filtro de contenido): Un sistema de seguridad que clasifica los prompts y las respuestas en busca de contenido dañino y lo bloquea por encima de una gravedad establecida.
Azure AI Content Safety: Un servicio que detecta contenido dañino en texto e imágenes y ofrece funciones como la detección de ataques de prompt.
Jailbreak: Un prompt diseñado para engañar a un modelo para que ignore sus instrucciones o reglas de seguridad.
Groundedness (fundamentación): Qué tan bien están respaldadas las afirmaciones de una respuesta por el contexto de las fuentes proporcionadas.
Relevance (relevancia): Qué tan bien atiende una respuesta la pregunta del usuario.
AI-assisted evaluation (evaluación asistida por IA): Usar un modelo como juez para puntuar respuestas según criterios como groundedness o coherencia.
Red teaming: Sondear deliberadamente un sistema de IA para encontrar salidas dañinas y debilidades antes de que lo hagan los atacantes o los usuarios.

Estudia Azure AI Fundamentals gratis
Plan semana a semana con lecciones, cuestionarios, simulaciones de examen y práctica, en español.

Abrir el plan de estudio