Perguntas e Respostas do Exame AI-900: Parte 2

Índice

1. Introdução 2. O Que é AI 900 3. Quem deve fazer o AI 900 4. Detalhes do Exame AI 900 5. Formato de perguntas do exame AI 900 6. Como obter um voucher de Azure gratuito 7. Como agendar o exame AI 900 8. Preparação para o exame AI 900 9. Dicas de estudo offline 10. Sorteio de PDF para Parte 2

AI 900: Perguntas de Exame e Respostas - Parte 2

Bem-vindo de volta ao Tech Blackboard! Na segunda parte de nossa série de perguntas e respostas reais do exame AI 900, trazemos para você uma nova coleção de 15 perguntas interessantes. Como sempre, se este vídeo ajudar em sua jornada de aprendizado em nuvem, não se esqueça de deixar seu like e se inscrever no canal. Caso esta seja sua primeira vez aqui ou se você perdeu a primeira parte do vídeo, não se preocupe! Vamos recapitular rapidamente o que foi coberto anteriormente e depois prosseguir com as novas perguntas sobre o AI 900.

Pergunta 1: Qual serviço de IA você deve usar para criar um bot a partir de um documento de perguntas frequentes?

Opções: a) Serviço QnA Maker b) Compreensão de Linguagem c) Análise de Texto d) Texto para Fala

Antes de responder a esta pergunta, vamos entender o que é QnA Maker. O QnA Maker é um serviço de processamento de linguagem natural baseado em nuvem da Microsoft que permite criar uma camada de conversação natural sobre seus dados. Ele é usado para encontrar a resposta mais apropriada para qualquer entrada de um banco de dados de conhecimento personalizado. Em outras palavras, você pode criar um fato ou um conjunto de perguntas e respostas sobre um determinado produto e usar esse fato para criar um chatbot que responda às consultas dos seus clientes. Portanto, a resposta correta para esta pergunta é a opção a) Serviço QnA Maker.

Pergunta 2: O que você deve fazer para garantir que o modelo de aprendizado de máquina siga o princípio da transparência da IA responsável?

Opções: a) Definir o tipo de validação como "automático" b) Habilitar "explicar melhor modelo" c) Definir a métrica principal como "precisão" d) Definir o número máximo de iterações simultâneas como zero

A resposta correta para esta pergunta é a opção b) Habilitar "explicar melhor modelo". Explicar melhor modelo (explain best model) é uma técnica que permite entender a importância dos recursos como parte do processo de aprendizado de máquina automatizado. Ela permite compreender a importância das variáveis ​​de entrada e sua relação com a saída do modelo. A transparência é essencial para ganhar confiança em modelos de IA e cumprir as regulamentações e práticas recomendadas.

Pergunta 3: Qual dos seguintes cenários é um exemplo de um chatbot da web?

Opções: a) Responder perguntas comuns sobre eventos agendados e compra de ingressos para um festival de música b) Identificar um padrão negativo na experiência do cliente ou na popularidade de um produto usando análise de texto c) Converter discurso em texto usando o serviço de texto para fala d) Compreender e responder perguntas em linguagem natural usando o serviço de inteligência de linguagem

A resposta correta para esta pergunta é a opção a) Responder perguntas comuns sobre eventos agendados e compra de ingressos para um festival de música. Um chatbot da web é projetado para interagir com os usuários e fornecer respostas através de uma interface de site. No cenário descrito, o chatbot seria capaz de responder a perguntas comuns relacionadas a eventos agendados e compra de ingressos para um festival de música. Portanto, essa opção corresponde a um exemplo de chatbot da web.

Pergunta 4: Para um processo de aprendizado de máquina, como você deve dividir os dados para treinamento e avaliação?

Opções: a) Usar recursos para treinamento e rótulos para avaliação b) Dividir os dados aleatoriamente em linhas para treinamento e linhas para avaliação c) Usar rótulos para treinamento e recursos para avaliação d) Dividir os dados aleatoriamente em colunas para treinamento e colunas para avaliação

A resposta correta para esta pergunta é a opção b) Dividir os dados aleatoriamente em linhas para treinamento e linhas para avaliação. O módulo "Split Data" é especialmente útil quando é necessário separar os dados em conjuntos de treinamento e teste. Ao usar a opção "Split Rows", é possível dividir os dados aleatoriamente em linhas para treinamento e linhas para avaliação. Você também pode especificar a porcentagem de dados em cada conjunto ou usar amostragem estratificada para garantir que a divisão seja representativa dos dados originais.

Pergunta 5: Qual é a probabilidade calculada de uma classificação correta de imagem?

Opções: a) Precisão (accuracy) b) Confiança (confidence) c) Erro médio quadrático (root mean square error) d) Sentimento (sentiment)

A resposta correta para esta pergunta é a opção b) Confiança (confidence). A confiança é uma medida da probabilidade de uma classificação estar correta em um problema de classificação de imagem. É uma métrica que indica o nível de certeza da classificação realizada pelo modelo de IA.

Pergunta 6: Ao garantir que um sistema de IA não forneça uma previsão quando os campos importantes contêm valores incomuns ou ausentes, qual princípio da IA responsável está sendo seguido?

Opções: a) Inclusão (inclusiveness) b) Privacidade e segurança (privacy and security) c) Confiabilidade e segurança (reliability and safety) d) Transparência (transparency)

A resposta correta para esta pergunta é a opção c) Confiabilidade e segurança (reliability and safety). Garantir que um sistema de IA não forneça uma previsão quando os campos importantes contêm valores incomuns ou ausentes é um exemplo de cuidado com a confiabilidade e segurança do sistema. Isso é essencial para que o sistema funcione conforme projetado e responda de forma segura a novas situações.

Pergunta 7: Ao utilizar variáveis numéricas no conjunto de treinamento de um processo de aprendizado de máquina, como garantir que elas estejam em uma escala semelhante?

Opções: a) Selecionar o tipo de validação como "automático" b) Habilitar "explicar melhor modelo" c) Definir a métrica principal como "precisão" d) Definir o número máximo de iterações simultâneas como zero

A resposta correta para esta pergunta é a opção c) Selecionar o tipo de validação como "automático". A seleção do tipo de validação como "automático" é útil quando se deseja garantir que as variáveis numéricas no conjunto de treinamento de um modelo de aprendizado de máquina estejam em uma escala semelhante. Isso ajuda a evitar que as variáveis com valores maiores tenham maior influência nos resultados do modelo.

Pergunta 8: Que serviço do Azure deve ser usado para criar um modelo de previsão das vendas de sorvetes com base em dados históricos que incluem vendas diárias de sorvetes e medições climáticas?

Opções: a) Azure Machine Learning b) Azure Bot Service c) Azure Language Understanding d) Azure Speech to Text

A resposta correta para esta pergunta é a opção a) Azure Machine Learning. O Azure Machine Learning permite treinar um modelo preditivo com base em dados existentes. No caso descrito, o modelo seria desenvolvido para prever as vendas de sorvetes com base nos dados históricos, que incluem vendas diárias de sorvetes e medições climáticas.

Pergunta 9: Qual dos seguintes cenários é um exemplo de um aplicativo de resposta interativa que recebe perguntas de usuários como parte de um aplicativo?

Opções: a) Detecção de Anomalias b) Visão Computacional c) IA Conversacional d) Previsão

A resposta correta para esta pergunta é a opção c) IA Conversacional. Um aplicativo de resposta interativa que recebe perguntas de usuários como parte de um aplicativo faz parte do campo de IA Conversacional. Nesse cenário, o aplicativo deve ser capaz de entender e responder às perguntas dos usuários de forma interativa.

Pergunta 10: Qual é a carga de trabalho de IA descrita na seguinte situação: "Um aplicativo preditivo fornece saída de áudio para usuários com deficiência visual"?

Opções: a) Visão Computacional b) Processamento de Linguagem Natural c) Detecção de Anomalias d) Nenhuma das opções acima

A resposta correta para esta pergunta é a opção a) Visão Computacional. Nesse cenário, a carga de trabalho de IA é a visão computacional, pois o objetivo é fornecer saída de áudio para usuários com deficiência visual com base na análise de imagens. A visão computacional envolve o processamento de imagens para extrair informações significativas.

Pergunta 11: É possível usar o QnA Maker para consultar um banco de dados de SQL do Azure?

Opções: a) Sim b) Não

A resposta correta para esta pergunta é a opção b) Não. O QnA Maker não pode ser usado para consultar um banco de dados de SQL do Azure. O QnA Maker é projetado para ser usado com dados estruturados em um formato de perguntas e respostas.

Pergunta 12: O que uma empresa pode esperar como benefício empresarial ao criar um chatbot da web para fornecer respostas automatizadas às consultas dos clientes?

Opções: a) Aumento nas vendas b) Redução da carga de trabalho do serviço de atendimento ao cliente c) Melhoria na confiabilidade do produto

A resposta correta para esta pergunta é a opção b) Redução da carga de trabalho do serviço de atendimento ao cliente. Ao utilizar um chatbot da web para fornecer respostas automatizadas às perguntas comuns dos clientes, uma empresa pode esperar uma redução na carga de trabalho dos agentes de atendimento ao cliente. Isso ocorre porque o chatbot pode lidar com as consultas mais simples e rotineiras, permitindo que os agentes humanos se concentrem em problemas mais complexos e no atendimento personalizado ao cliente.

Pergunta 13: Arraste e solte as definições nas caixas corretas correspondentes aos tipos de aprendizado de máquina dados à esquerda.

Temos as seguintes definições:

• Prever quantos minutos atrasará um voo com base na quantidade de neve em um aeroporto (Regressão)
• Agrupar clientes em diferentes grupos para dar suporte a um departamento de marketing (Clustering)
• Prever se um aluno concluirá um curso universitário (Classificação)

A resposta correta para esta pergunta é:

• Prever quantos minutos atrasará um voo com base na quantidade de neve em um aeroporto: Regressão
• Agrupar clientes em diferentes grupos para dar suporte a um departamento de marketing: Clustering
• Prever se um aluno concluirá um curso universitário: Classificação

Pergunta 14: Qual princípio da IA responsável está refletido em um aplicativo preditivo que fornece saída de áudio para usuários com deficiência visual?

Opções: a) Transparência b) Inclusão c) Justiça d) Nenhuma das opções acima

A resposta correta para esta pergunta é a opção b) Inclusão. Ao fornecer saída de áudio para usuários com deficiência visual, o aplicativo preditivo está seguindo o princípio da inclusão, que visa trazer benefícios para todos os segmentos da sociedade, independentemente da capacidade física.

Pergunta 15: Com base na matriz de confusão fornecida na imagem, selecione a resposta correta para cada afirmação.

De acordo com a matriz de confusão fornecida, você deve selecionar a resposta correta para cada afirmação. Lembre-se de que cada seleção correta vale um ponto.

Afirmações:

1. Há positivos corretamente previstos.
2. Há falsos negativos.

As respostas corretas para as afirmações são:

1. Há positivos corretamente previstos: 11.
2. Há falsos negativos: 1033.

Este foi o fim da Parte 2 de nossa série de perguntas e respostas reais do exame AI 900. Se você gostou deste vídeo e encontrou valor em nosso conteúdo, não se esqueça de deixar seu like e se inscrever no canal. Compartilhe este vídeo com familiares e amigos para que eles também possam expandir seu conhecimento em Azure. Se você tiver alguma dúvida ou feedback, deixe um comentário. Nos encontraremos em breve na Parte 3 do nosso exame AI 900. Até lá, continue seu aprendizado e obrigado por nos assistir.

Destaques do vídeo

• Perguntas reais do exame AI 900
• Explicações detalhadas para cada pergunta
• Compreensão dos princípios da IA responsável
• Princípios de inclusão e confiabilidade
• Importância do Azure Machine Learning e QnA Maker

Perguntas frequentes

P: O que é QnA Maker? R: O QnA Maker é um serviço de processamento de linguagem natural baseado em nuvem que permite criar uma camada de conversação natural sobre seus dados. Ele é usado para encontrar as respostas mais relevantes com base em um banco de dados personalizado de perguntas e respostas.

P: Como dividir os dados para treinamento e avaliação em um processo de aprendizado de máquina? R: Uma abordagem comum é dividir os dados aleatoriamente em conjuntos de treinamento e teste. Outra opção é usar amostragem estratificada para garantir que as divisões sejam representativas dos dados originais.

P: Qual é o benefício empresarial de criar um chatbot da web? R: Ao criar um chatbot da web para fornecer respostas automatizadas às perguntas comuns dos clientes, uma empresa pode esperar uma redução na carga de trabalho do serviço de atendimento ao cliente. Isso permite que os agentes humanos se concentrem em problemas mais complexos e no atendimento personalizado ao cliente.

Recursos:

• Documentação Oficial do QnA Maker
• Documentação Oficial do Azure Machine Learning
• Documentação Oficial do Azure Bot Service
• Documentação Oficial do Azure Language Understanding