AI-900 练习题 — AI-900：Azure 人工智能基础

本题考察AI-900认证中对话式AI解决方案的商业价值评估能力，题目中企业部署的聊天机器人用于自动应答常见客户咨询，这类方案的核心设计目标就是替代人工客服处理高频、重复的标准化咨询问题，因此最直接可预期的商业利益就是减少客服人员的重复性工作量，释放人力投入到更复杂的客户问题处理场景中，与选项B的描述完全匹配。 各选项分析： A. 销售额增长和客服类聊天机器人无直接关联，题目中明确该机器人仅用于回答客户咨询，未提及销售转化相关功能，不属于该方案的可预期商业利益，因此A错误。 B. 客服机器人可自动处理大量常见重复咨询，无需人工客服介入响应，直接降低客服人员的无效工作量，符合对话式AI在客服场景的核心价值，因此B正确。 C. 产品可靠性是产品本身的设计、生产、质检环节决定的属性，客服响应渠道的变化不会直接提升产品本身的可靠性，因此C错误。 关键知识点： 1. 对话式AI是Azure AI的核心工作负载之一，客服场景下的聊天机器人核心价值为自动化处理高频重复咨询，降低人工客服工作量，提升客户响应效率。 2. AI-900考试要求能够区分AI解决方案的直接收益与非关联收益，避免将无直接逻辑关联的业务指标作为AI方案的预期价值。 3. 客户服务自动化是AI落地的典型场景，属于AI-900考试中AI业务场景分析模块的核心考察内容。 参考资料： Azure AI 基础知识：描述对话 AI 工作负载, Microsoft Azure AI Fundamentals (AI-900) 考试学习指南, https://learn.microsoft.com/zh-cn/certifications/resources/study-guides/ai-900

AI-900认证中明确要求掌握机器学习数据集拆分的基础规则，要训练出泛化能力良好的模型，需要将全量标注数据集随机按样本也就是行维度拆分，常见拆分比例为70%训练集、30%评估集，训练集用于供模型学习特征到标签的映射关系，评估集使用从未参与训练的独立样本检验模型的预测准确率，避免出现过拟合问题，该划分逻辑完全匹配选项B的描述。 各选项分析： A. 特征是模型的输入参数，标签是模型预测的目标，训练阶段需要同时用到样本的特征和对应标签完成模型拟合，评估阶段也需要同时用到样本的特征（输入模型得到预测结果）和标签（对比预测结果计算准确率），该选项混淆了特征/标签与训练/评估数据的概念，因此错误。 B. 全量数据集的每一行代表一条完整的标注样本，包含全部特征字段和对应的标签字段，随机按行拆分可以保证训练集和评估集的样本独立同分布，既不会出现数据泄露问题，也能准确衡量模型的真实性能，符合AI-900要求的数据集划分规范，因此正确。 C. 仅使用标签无法完成模型训练，仅使用特征也无法完成模型效果评估，该选项和A选项一样错误混淆了特征、标签的作用边界，因此错误。 D. 按列拆分数据会导致训练集或评估集缺少必要的特征字段或标签字段，无法完成正常的模型训练和评估流程，数据集拆分始终是按样本也就是行维度进行，因此错误。 关键知识点： 1. 机器学习数据集拆分规则：监督学习场景下需将全量标注样本按比例随机按行拆分为训练集和评估集，两类数据集均包含完整的特征与标签字段，仅样本条目互不重叠。 2. 特征与标签的定义：特征是输入模型用于预测的自变量，标签是模型要预测的目标因变量，训练和评估阶段都需要同时使用对应样本的特征与标签。 3. 模型泛化能力验证要求：使用未参与训练的评估集测试模型性能，可有效识别过拟合问题，验证模型在未知数据上的实际表现。 参考资料： 训练和评估回归模型 - 拆分数据, Azure AI 基础认证(AI-900)学习指南, https://learn.microsoft.com/zh-cn/certifications/resources/study-guides/ai-900

" target="_blank" rel="nofollow noopener">https://www.examtopics.com/assets/media/exam-media/04234/0000500001.png">

微软负责任人工智能的透明度原则核心要求是AI模型的决策逻辑、预测依据必须可被相关人员理解，避免无法解释的黑箱模型投入使用。在自动化机器学习UI中构建模型时，启用解释最佳模型功能后，系统会自动为训练得到的最优模型生成特征重要性、单样本预测依据等解释内容，能够清晰展示模型做出预测的影响因素，完全满足透明度原则的要求。 各选项分析： A. 将验证类型设置为自动，该配置的作用是让系统自动拆分训练集和验证集用于模型训练过程中的性能校验，仅影响模型训练的验证逻辑，与负责任AI的透明度原则无关，因此错误。 B. 启用解释最佳模型，该配置开启后自动化机器学习会自动生成最优模型的解释信息，包括各特征对预测结果的影响程度等内容，可帮助相关人员理解模型的决策逻辑，完全符合透明度原则的要求，因此正确。 C. 将主要指标设置为准确率，该配置的作用是指定模型评估的核心性能指标，用于筛选最优模型，仅和模型的性能判定标准相关，与透明度原则无关，因此错误。 D. 将最大并发迭代次数设置为0，该配置的作用是控制模型训练时的并行迭代数量，仅影响训练的效率和资源占用，与透明度原则无关，因此错误。 关键知识点： 1. 微软负责任AI的透明度原则，要点是AI系统的决策过程和预测依据必须可被利益相关方理解，禁止不可解释的黑箱模型在高风险场景应用。 2. Azure自动化机器学习的模型解释功能，要点是启用解释最佳模型选项后，系统会自动生成最优模型的特征重要性等解释内容，支撑模型可解释性需求。 3. 自动化机器学习基础配置的作用，要点是验证类型、评估指标、并发迭代数等常规配置仅影响模型训练过程和性能评估，与负责任AI原则无直接关联。 参考资料： Microsoft 负责任 AI 原则, 在 Azure 机器学习中解释自动化机器学习模型, https://learn.microsoft.com/zh-cn/azure/machine-learning/how-to-machine-learning-interpretability-automl?view=azureml-api-2

" target="_blank" rel="nofollow noopener">https://www.examtopics.com/assets/media/exam-media/04234/0000800001.png">