Desafio 24: End-to-End: Desafio de Portfólio Azure AI
45-60 min | Custo: Gratuito | Domínio: TODOS os Domínios Combinados (Capstone)
Habilidades do exame abordadas
- Descrever cargas de trabalho e considerações de IA (Domínio 1)
- Descrever princípios fundamentais de aprendizado de máquina (Domínio 2)
- Descrever recursos de cargas de trabalho de visão computacional (Domínio 3)
- Descrever recursos de cargas de trabalho de NLP (Domínio 4)
- Descrever recursos de cargas de trabalho de IA generativa (Domínio 5)
Visão geral
Este desafio capstone reúne tudo que você aprendeu em todos os cinco domínios do AI-900. Você analisará um cenário de negócios realista — uma empresa de varejo chamada Contoso Retail que quer implementar IA em múltiplos departamentos — e mapeará seus requisitos para serviços Azure AI apropriados.
No exame real, você encontrará perguntas baseadas em cenários que exigem que você entenda não apenas serviços individuais, mas como eles se encaixam para resolver problemas de negócios. Este desafio exercita essa habilidade: dado uma necessidade de negócio, qual serviço Azure AI é o encaixe certo? Quais são as considerações de IA responsável? Como as peças se conectam?
Esta é sua oportunidade de pensar como um arquiteto de soluções — entendendo o panorama completo das capacidades Azure AI e quando aplicar cada uma. O desafio cobre todos os cinco domínios do exame e prepara você para as perguntas entre domínios que frequentemente aparecem no exame AI-900.
Explorar
Tarefa 1: Cenário — Suporte ao Cliente (NLP)
Requisito de negócio: A Contoso Retail recebe 10.000 emails de suporte ao cliente diariamente em 15 idiomas. Eles querem:
- Entender sobre o que os clientes estão reclamando
- Detectar clientes irritados para atendimento prioritário
- Rotear emails para equipes apropriadas automaticamente
- Atender clientes em seu idioma nativo
Mapear para serviços Azure AI:
| Requisito | Serviço Azure AI | Capacidade |
|---|---|---|
| Entender reclamações | Azure AI Language | Extração de frases-chave |
| Detectar clientes irritados | Azure AI Language | Análise de sentimento |
| Rotear para equipe correta | Azure AI Language | Classificação de texto personalizada ou CLU |
| Detectar idioma do email | Azure AI Language | Detecção de idioma |
| Responder no idioma do cliente | Azure AI Translator | Tradução de texto |
Fluxo de arquitetura:
Customer email → Language Detection → Sentiment Analysis → Key Phrase Extraction
↓
High negative sentiment?
YES → Priority queue
NO → Standard queue
↓
Custom Classification → Route to team
↓
Reply in customer's language (Translator)
Sua tarefa: O que aconteceria se você pulasse a etapa de detecção de idioma? (Resposta: A análise de sentimento pode ser menos precisa porque funciona melhor quando sabe o idioma da entrada.)
Tarefa 2: Cenário — Gestão de Inventário (Computer Vision)
Requisito de negócio: A Contoso Retail tem 200 armazéns. Eles querem:
- Contar produtos nas prateleiras automaticamente usando câmeras
- Ler etiquetas de produtos e datas de validade
- Detectar embalagens danificadas
- Monitorar conformidade de segurança (saídas bloqueadas, equipamentos de segurança ausentes)
Mapear para serviços Azure AI:
| Requisito | Serviço Azure AI | Capacidade |
|---|---|---|
| Contar produtos nas prateleiras | Azure AI Vision | Detecção de objetos (modelo personalizado) |
| Ler etiquetas de produtos | Azure AI Vision | OCR (Read API) |
| Ler datas de validade | Azure AI Vision | OCR (Read API) |
| Detectar embalagens danificadas | Azure AI Vision | Classificação de imagem personalizada |
| Monitoramento de conformidade de segurança | Azure AI Vision | Detecção de objetos |
Decisões-chave:
- Pré-construído vs. Personalizado: Contagem de produtos e detecção de danos precisam de modelos personalizados (treinados em seus produtos específicos). OCR usa a Read API pré-construída.
- Tempo real vs. Lote: Monitoramento de segurança precisa de análise de vídeo em tempo real. Contagem de inventário pode ser processada em lote a partir de fotos periódicas.
Sua tarefa: A Contoso deveria usar classificação de imagem ou detecção de objetos para contar produtos? (Resposta: Detecção de objetos — porque precisam localizar E contar múltiplos itens individuais em uma única imagem, não apenas classificar a imagem inteira.)
Tarefa 3: Cenário — Previsão de Vendas (Machine Learning)
Requisito de negócio: A Contoso Retail quer prever:
- Quais produtos venderão bem no próximo trimestre
- Quantas unidades estocar por loja
- Quais clientes provavelmente vão parar de comprar (churn)
Mapear para serviços Azure AI:
| Requisito | Tipo de ML | Por que |
|---|---|---|
| Prever vendas de produtos (unidades) | Regressão | Prevendo um número contínuo (quantidade) |
| Prever demanda por loja | Regressão / Série temporal | Prevendo valores numéricos futuros com base em tendências |
| Prever churn de clientes | Classificação | Prevendo uma categoria (vai sair / não vai sair) |
Abordagem com Azure Machine Learning:
- Coletar dados históricos (vendas, comportamento do cliente)
- Usar Automated ML (AutoML) para treinar modelos
- Avaliar com métricas apropriadas:
- Regressão: R², MAE, RMSE
- Classificação: Accuracy, Precision, Recall, F1, AUC
- Implantar como endpoints para a aplicação de varejo consumir
Sua tarefa: Se a Contoso quisesse agrupar clientes em segmentos (econômico, intermediário, premium) com base em padrões de compra sem pré-definir os grupos, qual tipo de ML seria? (Resposta: Clustering — aprendizado não supervisionado que encontra agrupamentos naturais nos dados.)
Tarefa 4: Cenário — Criação de Conteúdo (IA Generativa)
Requisito de negócio: A equipe de marketing da Contoso Retail quer:
- Gerar descrições de produtos para 50.000 itens
- Criar posts de redes sociais em múltiplos idiomas
- Responder perguntas de funcionários sobre políticas internas
- Gerar respostas de email para perguntas comuns de clientes
Mapear para serviços Azure AI:
| Requisito | Serviço Azure AI | Abordagem |
|---|---|---|
| Descrições de produtos | Azure OpenAI (GPT-4o) | Prompt com especificações do produto → gerar descrição |
| Posts de redes sociais | Azure OpenAI + Translator | Gerar em inglês, traduzir para outros idiomas |
| Q&A de funcionários sobre políticas | Azure OpenAI + AI Search (RAG) | Fundamentar respostas em documentos de política |
| Respostas de email para clientes | Azure OpenAI + AI Language | Detectar intenção, gerar resposta fundamentada |
Decisões-chave de engenharia de prompt:
- Temperatura 0.7-0.8 para conteúdo de marketing (criativo)
- Temperatura 0.1-0.3 para Q&A de políticas (precisão factual)
- Grounding (RAG) para qualquer resposta que deve ser factualmente precisa
- Exemplos few-shot para manter consistência da voz da marca
Tarefa 5: Decisão de Arquitetura — Mapeando serviços para cenários
Complete o mapeamento para o portfólio completo de IA da Contoso:
| Departamento | Domínio Primário de IA | Serviço(s) Azure Primário(s) |
|---|---|---|
| Suporte ao Cliente | NLP | Azure AI Language, Translator |
| Operações de Armazém | Computer Vision | Azure AI Vision (Custom Vision) |
| Vendas & Marketing | Machine Learning | Azure Machine Learning |
| Conteúdo & Marketing | IA Generativa | Azure OpenAI Service |
| Todos os departamentos | IA Responsável | Filtragem de conteúdo, governança de dados |
Pontos de integração (onde serviços trabalham juntos):
- Chatbot de suporte ao cliente: Azure AI Language (intenção) + Azure OpenAI (geração de resposta) + Translator (multilíngue)
- Listagens de produtos: Azure AI Vision (extrair detalhes do produto de imagens) + Azure OpenAI (gerar descrições)
- Previsão de demanda: Azure Machine Learning (predições) + Azure OpenAI (explicar predições em linguagem natural)
Tarefa 6: Revisão de IA Responsável
Para cada cenário, identifique as considerações de IA responsável:
| Cenário | Principais Preocupações de IA Responsável |
|---|---|
| Roteamento por sentimento do cliente | Justiça: Garantir que a detecção de sentimento não discrimine por idioma ou dialeto. Transparência: Informar clientes que suas mensagens são analisadas por IA. |
| Monitoramento de segurança do armazém | Confiabilidade/Segurança: Sistema não deve deixar de detectar perigos genuínos de segurança. Supervisão humana: Equipe humana de segurança revisa alertas. |
| Predição de churn de vendas | Justiça: Modelo não deve discriminar com base em dados demográficos. Privacidade: Usar apenas dados consentidos para predição. |
| Conteúdo gerado por IA | Transparência: Divulgar conteúdo gerado por IA. Responsabilidade: Revisão humana antes da publicação. Prevenção de danos: Filtragem de conteúdo para texto gerado. |
| Q&A de políticas para funcionários | Fundamentação: Deve responder apenas a partir de documentos de política (sem alucinações). Privacidade: Não expor dados entre departamentos. |
Os 6 Princípios de IA Responsável da Microsoft (aplicados à Contoso):
- Justiça — IA não discrimina entre dados demográficos de clientes
- Confiabilidade & Segurança — Monitoramento de segurança nunca tem falsos negativos perigosos
- Privacidade & Segurança — Dados de clientes protegidos, modelos não vazam informações
- Inclusão — Suporte em 15 idiomas, acessível a todos os clientes
- Transparência — Clientes sabem quando IA está envolvida
- Responsabilidade — Supervisão humana para todas as decisões críticas
Conceitos-Chave
| Conceito | Definição |
|---|---|
| Arquitetura de solução | Combinar múltiplos serviços de IA para resolver problemas complexos de negócios |
| Seleção de serviço | Escolher o serviço Azure AI correto com base no requisito específico |
| Pré-construído vs. Personalizado | Decidir quando modelos padrão são suficientes vs. quando treinamento personalizado é necessário |
| Grounding (RAG) | Usar retrieval-augmented generation para garantir precisão da IA |
| Integração multi-serviço | Conectar Azure AI Language, Vision, ML e OpenAI para soluções de ponta a ponta |
| Governança de IA responsável | Aplicar justiça, transparência e segurança em todas as implantações de IA |
Equívocos Comuns
| Equívoco | Realidade |
|---|---|
| Um serviço de IA pode resolver todos os problemas | Diferentes tipos de problemas requerem diferentes serviços — visão para imagens, linguagem para texto, ML para predições |
| IA generativa substitui todos os outros serviços de IA | IA tradicional (classificação, detecção, predição) ainda é melhor para tarefas estruturadas e bem definidas |
| Você só precisa de IA responsável para sistemas voltados ao cliente | IA responsável se aplica igualmente a sistemas internos (ferramentas de funcionários, IA operacional) |
| Mais IA é sempre melhor | Às vezes um sistema simples baseado em regras é mais apropriado que IA — use IA onde ela agrega valor genuíno |
| Serviços Azure AI funcionam isoladamente | As soluções mais poderosas combinam múltiplos serviços — ex.: Vision + Language + OpenAI |
Verificação de Conhecimento
1. Uma empresa de varejo quer contar automaticamente produtos nas prateleiras do armazém usando câmeras. Qual capacidade Azure AI é mais apropriada?
2. Uma empresa quer prever quantas unidades de um produto serão vendidas no próximo mês. Qual tipo de aprendizado de máquina é este?
3. Um sistema de suporte ao cliente precisa detectar o idioma dos emails recebidos, analisar sentimento e traduzir respostas. Em que ordem essas capacidades devem ser aplicadas?
4. Um chatbot de IA responde perguntas de funcionários sobre políticas da empresa. Qual técnica garante que as respostas sejam precisas e baseadas em documentos reais de política?
5. Qual princípio de IA responsável exige que um bot de atendimento ao cliente com IA informe claramente aos usuários que estão conversando com IA, não um humano?
6. Uma equipe de marketing quer gerar descrições criativas de produtos. Eles também precisam de respostas precisas para FAQs de clientes. Quais configurações de temperatura devem usar?
7. Uma empresa implanta IA para monitoramento de segurança de armazém (detectar saídas de incêndio bloqueadas). Qual princípio de IA responsável é MAIS crítico para este cenário?
8. Qual combinação de serviços Azure AI você usaria para construir um chatbot multilíngue de suporte ao cliente que entende a intenção do usuário, gera respostas úteis e se comunica no idioma do cliente?