정답은 A. 접지 데이터는 챗봇의 출력을 제한하는 데 사용될 수 있습니다. C. 챗봇은 부정확한 데이터로 응답할 수 있습니다.
Microsoft Azure AI Fundamentals(AI-900) 학습 자료와 Azure OpenAI의 Microsoft Learn 모듈에 따르면, Azure OpenAI GPT-3.5로 구축된 챗봇은 자연어 응답을 생성할 수 있는 대규모 언어 모델(LLM)입니다. 그러나 이러한 모델은 방대한 텍스트 데이터 세트에서 학습한 통계적 패턴을 기반으로 작동하며, 본질적으로 사실적 정확성을 보장하지 않습니다. 따라서 GPT 기반 모델은 매우 일관된 텍스트를 생성할 수 있지만, 때로는 부정확하거나 오래되었거나 조작된 정보(흔히 "환각"이라고 함)를 생성할 수 있습니다. 이러한 점에서 C는 옳습니다.
Microsoft의 Responsible AI 및 Azure OpenAI 기반 문서에 설명된 바와 같이, 기반 데이터란 회사 문서, 데이터베이스 또는 지식 기반과 같은 신뢰할 수 있는 외부 데이터 소스를 프롬프트 컨텍스트에 통합하는 것을 의미합니다. 이를 통해 모델이 사실 또는 도메인별 콘텐츠와 일치하도록 유지되고, 출력의 관련성과 검증 가능성을 효과적으로 제한할 수 있습니다. 따라서 A도 옳습니다.
옵션 B와 D는 GPT 모델이 항상 정확한 정보를 제공하는 것은 아니며, 의료 진단과 같은 중요한 사용 사례에는 승인되지 않았기 때문에 올바르지 않습니다. Microsoft의 책임 있는 AI 원칙은 의료 또는 기타 고위험 분야에서 검증되지 않은 사용을 명시적으로 금지합니다.
따라서 검증된 답은 A와 C입니다.

설명:

이 시나리오에서는 각 사진에 대해 두 가지 확인이 필요합니다. (1) 얼굴이 하나 이상 있는지, (2) 감지된 얼굴이 하나 이상 선글라스를 착용하고 있는지. Azure AI Face 서비스 - Detect 작업은 이러한 조합을 위해 특별히 설계되었습니다. 얼굴을 감지하고 안경 유형을 포함한 얼굴별 속성을 반환하므로 한 번에 두 규칙을 모두 적용할 수 있습니다. 공식 지침에 따르면 Detect API는 "이미지에서 사람 얼굴을 감지하고 해당 위치의 사각형 좌표를 반환"하며 안경과 같은 얼굴 속성을 노출합니다. 간결한 속성 추출은 "안경: 안경 없음, 독서용 안경, 선글라스, 수영 고글"이라고 명시합니다. 이를 통해 얼굴 개수를 세고(요구 사항 1) 적어도 하나의 얼굴의 안경 속성이 선글라스와 같은지(요구 사항 2) 확인할 수 있습니다.
이와 대조적으로 다른 옵션은 정확하게 일치하지 않습니다.
* A. Verify(얼굴 서비스)는 감지된 두 얼굴이 동일 인물인지 비교합니다. 선글라스와 같은 콘텐츠 속성은 제공하지 않습니다. 신원 확인/일대일 상황에서는 얼굴 입력이 필요하므로 콘텐츠 필터 목표를 달성하지 못합니다.
* C. 이미지 설명(컴퓨터 비전)은 전체 이미지의 자연어 캡션을 반환합니다. 캡션에 "선글라스를 쓴 사람"이 언급될 수 있지만, 반드시 그런 것은 아니며 얼굴 영역이 지정되지 않았고, 감지된 얼굴에 대한 구조화된 속성보다 결정론적 필터링이 덜 효과적입니다.
* D. 이미지 분석(컴퓨터 비전)은 "사람" 또는 "선글라스"와 같은 태그를 반환할 수 있지만, 이러한 태그는 이미지 수준이며 특정 얼굴에만 국한되지 않습니다. 감지된 얼굴(단순히 어떤 영역이 아니라)이 선글라스를 착용하고 있는지 확인해야 합니다. 이 로직에는 얼굴 감지(Face Detect)의 얼굴 범위 속성이 더 신뢰할 수 있습니다.
따라서 가장 정확하고 시험에 적합한 선택은 B. Face 서비스의 Detect 작업입니다. 이 작업을 통해 정확하고 규칙 기반의 워크플로에서 얼굴 존재 여부와 얼굴별 선글라스 여부를 프로그래밍 방식으로 확인할 수 있습니다.

설명

상자 1: 예
Azure Machine Learning Designer를 사용하면 대화형 캔버스에서 데이터 세트와 모듈을 시각적으로 연결하여 머신 러닝 모델을 만들 수 있습니다.
상자 2: 예
디자이너를 사용하면 모듈을 연결하여 파이프라인 초안을 만들 수 있습니다.
디자이너에서 파이프라인을 편집하면 진행 상황이 파이프라인 초안으로 저장됩니다.
상자 3: 아니요
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer

설명:

신뢰성 및 안전성: 신뢰를 구축하려면 AI 시스템이 정상적인 상황과 예상치 못한 상황에서 모두 안정적이고 안전하며 일관되게 작동하는 것이 중요합니다. 이러한 시스템은 원래 설계된 대로 작동하고, 예상치 못한 상황에 안전하게 대응하며, 유해한 조작을 방지할 수 있어야 합니다.
참조:
https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/4-guiding-principles AI 시스템은 안정적이고 안전하게 작동해야 합니다. 예를 들어 자율주행차용 AI 기반 소프트웨어 시스템이나 환자 증상을 진단하고 처방을 추천하는 머신러닝 모델을 생각해 보세요. 이러한 시스템의 신뢰성 부족은 인명에 상당한 위험을 초래할 수 있습니다.
https://docs.microsoft.com/en-us/learn/modules/get-started-ai-fundamentals/7-understand-responsible-ai