Simulado Microsoft AI-901 – Azure AI Fundamentals

Questão 1: Uma seguradora recebe formulários digitalizados em diferentes modelos. Antes de validar regras de negócio, o sistema precisa localizar visualmente os rótulos “número da apólice” e “data de vencimento”, interpretar os caracteres impressos próximos a esses rótulos e disponibilizar os valores como texto para uma aplicação. A etapa descrita não exige classificar o documento nem inferir o significado dos campos. Qual carga de trabalho atende diretamente a essa necessidade?

• (D) Detecção de objetos em imagens, para localizar e delimitar as regiões correspondentes aos campos do formulário
• (E) Classificação de imagens, para atribuir a cada formulário uma categoria com base no conteúdo visual predominante
• (B) Extração de campos de documentos, para associar rótulos e valores segundo o esquema esperado pela aplicação
• (A) Análise de layout de documentos, para identificar a posição relativa dos rótulos e dos valores nas páginas
• (C) Reconhecimento óptico de caracteres (OCR), para converter os caracteres visíveis nas regiões do documento em texto processável

Questão 2: Uma central de atendimento consolida mensagens escritas pelos clientes após o encerramento de cada chamado. O gestor precisa agrupar cada mensagem conforme a avaliação expressa pelo cliente — favorável, indiferente ou desfavorável — mesmo quando a mensagem menciona um problema, mas demonstra satisfação com a solução recebida. Qual capacidade deve ser aplicada como principal mecanismo de análise?

• (D) Modelagem de tópicos, para agrupar mensagens de acordo com os assuntos recorrentes identificados no conjunto
• (A) Classificação de texto por intenção, para atribuir a cada mensagem a finalidade operacional mais provável do contato
• (C) Análise de sentimento, para estimar a orientação avaliativa expressa pelo cliente no texto
• (B) Extração de frases-chave, para destacar os termos que melhor representam o conteúdo de cada mensagem
• (E) Extração de entidades, para reconhecer produtos, serviços, pessoas e outros elementos mencionados nas mensagens

Questão 3: Uma organização pretende processar gravações de reuniões após seu encerramento. O sistema deve gerar um texto pesquisável, inserir pontuação e segmentação temporal, associar trechos a diferentes oradores e preservar marcas de tempo para auditoria. A equipe não precisa resumir o conteúdo nem traduzir o áudio. Qual combinação de cargas de trabalho atende diretamente ao requisito principal?

• (B) Reconhecimento de fala para converter o áudio em texto, com identificação de locutor baseada em um cadastro prévio de vozes
• (A) Reconhecimento de fala para converter o áudio em texto, com diarização para separar os trechos por orador e preservar os respectivos tempos
• (E) Processamento de linguagem natural para estruturar o conteúdo textual, com síntese de fala para reconstruir os trechos e seus tempos
• (C) Tradução de fala para converter o áudio em texto no idioma original, com diarização para separar os trechos por orador
• (D) Reconhecimento de fala para converter o áudio em texto, com análise de sentimentos para inferir a participação de cada orador

Questão 4: Em uma inspeção automatizada, uma única fotografia pode conter várias peças, e cada peça pode apresentar mais de um defeito. O sistema precisa informar a categoria de cada ocorrência de defeito e as coordenadas de uma caixa delimitadora para cada ocorrência, sem exigir a separação pixel a pixel dos defeitos. Considerando a menor granularidade necessária para atender ao requisito, qual carga de trabalho deve ser selecionada?

• (D) Reconhecimento óptico de caracteres combinado com classificação de imagens, pois rótulos visuais podem indicar as categorias e a localização das peças
• (B) Detecção de objetos, pois o modelo pode identificar várias instâncias, atribuir uma classe a cada ocorrência e retornar uma caixa delimitadora para cada uma
• (C) Segmentação semântica, pois o modelo associa cada pixel a uma classe e permite derivar uma única caixa delimitadora para cada categoria
• (A) Classificação de imagens com múltiplos rótulos, pois o modelo pode indicar várias categorias de defeito presentes na fotografia
• (E) Classificação de imagens por região, pois dividir a fotografia em áreas permite atribuir categorias sem utilizar um modelo específico de localização

Questão 5: Uma empresa de logística deseja usar o Azure Machine Learning para estimar, em minutos, o tempo de entrega de novos pedidos. Para treinar o modelo, ela possui dados históricos com informações disponíveis no momento do envio, como distância, região e quantidade de itens, além do tempo real de entrega registrado posteriormente. Qual abordagem é mais adequada?

• (C) Usar agrupamento para separar os pedidos em grupos e considerar que todos os pedidos de um mesmo grupo terão exatamente o mesmo tempo de entrega.
• (B) Usar regressão supervisionada, definindo o tempo real de entrega como o valor de destino e treinando o modelo com características disponíveis no momento do envio.
• (D) Usar o tempo real de entrega como uma característica de entrada, pois ele estará disponível quando o modelo for usado para prever novos pedidos.
• (E) Usar um modelo não supervisionado, pois os dados históricos não precisam ter um valor de destino conhecido.
• (A) Usar classificação para prever se o pedido será entregue dentro ou fora do prazo, mesmo quando o objetivo é estimar o tempo em minutos.

Questão 6: Ao avaliar um modelo de aprendizado de máquina, uma equipe observa que ele apresenta desempenho muito alto nos dados usados para treinamento, mas desempenho significativamente menor em dados novos. Qual é a interpretação mais adequada?

• (A) O modelo está subajustado, pois não aprendeu nenhum padrão dos dados de treinamento.
• (C) O modelo está necessariamente correto, pois o desempenho no treinamento é o principal indicador de qualidade.
• (E) O modelo apresenta um problema exclusivo de classificação, que pode ser resolvido alterando os nomes das classes.
• (D) O modelo precisa apenas de mais dados de treinamento, pois modelos de aprendizado de máquina sempre melhoram quando treinados por mais tempo.
• (B) O modelo está sobreajustado, pois aprendeu muito bem os dados de treinamento, mas não generaliza adequadamente para dados novos.

Questão 7: Uma empresa deseja usar o Azure Machine Learning para identificar mensagens de spam. Ela possui exemplos de mensagens já classificadas como “spam” ou “legítima” e considera mais importante não deixar mensagens de spam passarem. Qual é a abordagem mais adequada?

• (E) Usar detecção de anomalias e ignorar os rótulos existentes, pois todo conjunto de dados com spam deve ser tratado como não supervisionado.
• (A) Treinar um modelo de classificação binária com os exemplos rotulados e avaliar especialmente a capacidade de identificar mensagens de spam, usando métricas como recall e a matriz de confusão.
• (D) Usar apenas uma técnica de redução de dimensionalidade, pois ela identifica automaticamente quais mensagens são spam.
• (B) Treinar um modelo de regressão para calcular um valor numérico que represente a probabilidade de cada mensagem ser legítima.
• (C) Usar agrupamento para formar dois grupos de mensagens, sem utilizar as classificações já existentes no conjunto de dados.

Questão 8: Durante a preparação de dados para um modelo de aprendizado de máquina, uma coluna chamada “canal de aquisição” contém os valores “site”, “aplicativo” e “loja física”. O modelo precisa receber valores numéricos. Qual abordagem é mais adequada para representar essa coluna sem criar uma ordem artificial entre as categorias?

• (D) Usar uma representação com indicadores binários, criando uma coluna para cada categoria, como “é site”, “é aplicativo” e “é loja física”.
• (A) Atribuir os valores 1, 2 e 3 às categorias e informar ao modelo que o valor 3 representa uma categoria superior ao valor 1.
• (B) Converter todas as categorias para o mesmo valor numérico, pois o modelo não precisa diferenciar os canais de aquisição.
• (C) Remover a coluna, pois dados categóricos não podem ser usados em modelos de aprendizado de máquina.
• (E) Organizar as categorias em ordem alfabética e atribuir valores numéricos proporcionais à posição de cada uma.

Questão 9: Uma empresa deseja criar um modelo personalizado para classificar imagens de seus próprios produtos, usando exemplos rotulados pela equipe. Qual serviço do Azure é mais apropriado para desenvolver e treinar esse modelo de aprendizado de máquina?

• (D) Azure AI Document Intelligence, pois é o serviço geral do Azure para treinar modelos com imagens.
• (A) Azure AI Vision, pois é usado para treinar qualquer modelo personalizado de classificação de imagens.
• (B) Azure Machine Learning, pois permite desenvolver e treinar modelos personalizados de aprendizado de máquina.
• (C) Azure AI Language, pois a classificação de imagens é um recurso de processamento de linguagem natural.
• (E) Azure OpenAI Service, pois modelos personalizados de visão devem ser treinados com modelos generativos.

Questão 10: Uma empresa deseja criar uma solução para classificar imagens de peças industriais em categorias definidas por ela. A empresa possui poucas imagens rotuladas para treinamento. Qual abordagem é mais adequada em um cenário de nível fundamental de inteligência artificial?

• (D) Aplicar reconhecimento óptico de caracteres (OCR) para identificar automaticamente a categoria de cada peça.
• (A) Treinar um modelo de classificação completamente novo, sem utilizar nenhum modelo ou conhecimento prévio.
• (C) Usar um modelo pré-treinado e adaptá-lo com as imagens industriais rotuladas, validando o resultado com novos exemplos.
• (B) Usar um modelo geral de classificação de imagens diretamente, sem fornecer exemplos das categorias industriais.
• (E) Usar detecção de objetos para localizar as peças, mesmo sem definir ou fornecer categorias para classificação.

Questão 11: Uma equipe usa o Azure Machine Learning para criar um modelo que prevê falhas em equipamentos. O modelo deverá ser usado posteriormente em equipamentos que não foram usados durante o treinamento. Qual abordagem ajuda a avaliar de forma mais confiável se o modelo conseguirá generalizar para novos equipamentos?

• (A) Misturar os dados de todos os equipamentos e usar os mesmos dados tanto para treinar quanto para avaliar o modelo.
• (B) Usar dados de alguns equipamentos para treinamento e validação, reservar equipamentos diferentes para o teste final e manter os dados de cada equipamento no mesmo conjunto.
• (C) Usar somente os equipamentos com maior quantidade de medições no conjunto de teste, pois eles representam melhor todos os equipamentos.
• (D) Escolher o modelo com base no melhor resultado obtido nos dados de treinamento e usar esses mesmos dados para a avaliação final.
• (E) Colocar medições do mesmo equipamento em todos os conjuntos para aumentar a quantidade de exemplos disponíveis para treinamento, validação e teste.

Questão 12: Uma equipe está treinando um modelo de aprendizado de máquina para fazer previsões. Ela deseja comparar algumas versões do modelo e obter uma avaliação mais confiável de como o modelo escolhido funcionará com dados novos. Qual prática é mais apropriada?

• (C) Separar os dados em conjuntos de treinamento e teste, usar o treinamento para desenvolver e comparar os modelos e reservar o teste para a avaliação final.
• (A) Usar todos os dados para treinar cada versão e escolher o modelo com base apenas na opinião da equipe.
• (D) Escolher o modelo com maior quantidade de parâmetros, pois modelos maiores sempre apresentam melhor desempenho.
• (B) Usar os mesmos dados para treinar o modelo e medir seu desempenho final, pois isso aproveita melhor os dados disponíveis.
• (E) Avaliar os modelos somente com os dados usados no treinamento e selecionar aquele que obtiver a maior pontuação.

Questão 13: Uma organização usa um sistema de IA para ajudar a analisar pedidos de crédito. Antes de disponibilizar o sistema, a equipe percebe que pessoas de diferentes grupos demográficos podem estar recebendo resultados diferentes. Qual ação melhor representa o princípio de justiça da IA responsável da Microsoft?

• (A) Verificar o desempenho do sistema para diferentes grupos, analisar se os dados usados são representativos e corrigir possíveis vieses antes da implantação.
• (D) Permitir o uso do sistema imediatamente e investigar possíveis diferenças apenas se os usuários apresentarem reclamações.
• (B) Remover todos os atributos demográficos dos dados e considerar o sistema justo sem realizar outros testes.
• (C) Avaliar somente a taxa geral de acerto do sistema, pois ela representa o desempenho para todos os usuários.
• (E) Garantir que todos os grupos recebam exatamente a mesma decisão, independentemente das informações relevantes do pedido.

Questão 14: Uma empresa está desenvolvendo, no Azure AI Foundry, um assistente generativo baseado em um modelo do Azure OpenAI para responder a perguntas sobre políticas internas. Durante os testes, o assistente mistura trechos de documentos, utiliza versões vencidas e apresenta respostas sem indicar a origem das informações. Qual implementação atende mais diretamente à necessidade de fundamentar e tornar rastreáveis as respostas?

• (C) Configurar um filtro de conteúdo para bloquear termos relacionados a políticas internas e reduzir o limite máximo de tokens para impedir que o modelo combine trechos de documentos distintos
• (B) Aumentar a temperatura do modelo e realizar fine-tuning com todas as políticas disponíveis, solicitando que o modelo produza respostas mais completas sem exibir os documentos recuperados
• (E) Substituir o modelo generativo por um modelo de classificação de texto que associe cada pergunta a uma categoria de política, deixando a consulta aos documentos e a validação da versão para o usuário
• (D) Definir a temperatura do modelo como zero e armazenar os prompts e as respostas para auditoria, sem alterar a recuperação dos documentos nem apresentar as fontes ao usuário
• (A) Implementar geração aumentada por recuperação (RAG) usando o Azure AI Search com documentos indexados e metadados de versão e vigência, instruir o modelo a incluir citações das fontes e informar quando não houver evidência suficiente

Questão 15: Uma empresa pretende usar um modelo de IA para extrair informações de contratos que podem conter dados pessoais sensíveis. O serviço precisa atender auditorias, permitir investigação de falhas e evitar que os documentos dos clientes sejam reutilizados para treinamento sem autorização. Qual desenho de proteção de dados está mais alinhado aos princípios de privacidade e segurança da Microsoft?

• (A) Coletar os campos necessários, criptografar os dados, restringir o acesso por função e definir retenção, permitindo o uso dos documentos para treinamento interno quando houver uma finalidade operacional relacionada ao serviço.
• (D) Manter os documentos completos em um repositório central criptografado, controlar o acesso por função e definir uma política de retenção, aplicando anonimização aos dados somente após a conclusão das auditorias do modelo.
• (B) Coletar os campos necessários, criptografar os dados e aplicar pseudonimização na interface, mantendo os valores originais nos logs para preservar a capacidade de auditoria e reprocessamento.
• (C) Coletar somente os campos necessários, criptografar dados em trânsito e em repouso, separar documentos e metadados de auditoria, restringir o acesso por função, definir retenção e exclusão verificáveis e impedir o uso para treinamento sem consentimento ou outra base autorizada.
• (E) Coletar os documentos completos para evitar perda de contexto, criptografar o armazenamento, limitar o acesso aos administradores e conservar os registros pelo tempo necessário para futuros reprocessamentos e auditorias.