AI-900 문제정리

Q : 한 회사가 고객에게 전화 및 이메일 지원을 제공하기 위해 고객 서비스 상담원 팀을 고용했습니다.
이 회사는 일반적인 고객 문의에 자동으로 답변해 주는 웹챗 봇을 개발했습니다.
이 웹챗 봇 솔루션을 구축함으로써 이 회사는 어떤 비즈니스 이점을 기대할 수 있을까요?

A : 고객 서비스 담당자의 업무량 감소

 

 

Q : 머신 러닝의 발전을 위해, 훈련과 평가를 위해 데이터를 어떻게 분할해야 할까요?

A : 데이터를 무작위로 분할하여 훈련용 행과 평가용 행을 만듭니다.

 

Q : 분류를 사용하여 사건을 예측하는 모델을 개발하고 있습니다.
아래 그림과 같이 테스트 데이터로 점수를 매긴 모델에 대한 혼동 행렬이 있습니다.

Q : 자동화된 머신 러닝 사용자 인터페이스(UI)를 사용하여 머신 러닝 모델을 구축합니다.
이 모델이 Microsoft의 책임 있는 AI에 대한 투명성 원칙을 충족하는지 확인해야 합니다.
어떻게 해야 할까요?

A : 최상의 모델을 설명할 수 있습니다.

 

 Q : 다음 각 문장에 대해, 문장이 맞으면 '예'를 선택하고, 틀리면 '아니요'를 선택하세요.

A : 이상 탐지는 머신 러닝에서 여러 중요한 작업을 포함합니다.
잠재적으로 사기성이 있는 거래 식별
, 네트워크 침입 발생을 나타내는 패턴 학습,
비정상적인 환자 클러스터 발견,
시스템에 입력된 값 확인 등이 있습니다.

Q : 문장을 완성하려면 정답 영역에서 적절한 옵션을 선택하세요.

A : 비정상 누락값 확인
AI 시스템은 신뢰할 수 있으려면 신뢰성과 안전성을 갖춰야 합니다. 시스템이 원래 설계된 대로 작동하고 새로운 상황에 안전하게 대응하는 것이 중요합니다. 시스템의 고유한 복원력은 의도적이거나 의도치 않은 조작에 강해야 합니다. 시스템이 경계 상황에 안전하게 대응하는지 확인하기 위해 운영 조건에 대한 엄격한 테스트 및 검증을 수립해야 하며, A/B 테스트 및 챔피언/챌린저 방법을 평가 프로세스에 통합해야 합니다.

 

 

Q : AI 워크로드 유형을 적절한 시나리오에 연결하세요.

 

A : 자연어 처리(NLP)는 감정 분석, 주제 감지, 언어 감지, 핵심 문구 추출, 문서 분류 등의 작업에 사용됩니다.

 

Q : 청각, 시각 및 기타 장애가 있는 사람들을 포함하여 모든 사람에게 힘을 실어주는 AI 시스템을 설계하고 있습니다.
이는 Microsoft의 책임 있는 AI에 대한 지침 원칙 중 어떤 것의 예입니까?

A : 포괄성(inclusiveness)

 

Q : Microsoft의 책임 있는 AI를 위한 지침 원칙을 적절한 설명과 연결하세요.

A  :

 

박스 1: 신뢰성 및 안전성 -
신뢰를 구축하려면 AI 시스템이 정상적인 상황과 예상치 못한 상황에서 안정적이고 안전하며 일관되게 작동하는 것이 중요합니다. 이러한 시스템은 원래 설계된 대로 작동하고, 예상치 못한 상황에 안전하게 대응하며, 유해한 조작을 방지할 수 있어야 합니다.

박스 2: 책임 -
AI 시스템을 설계하고 배포하는 사람들은 시스템 작동 방식에 대해 책임을 져야 합니다. 조직은 업계 표준을 활용하여 책임 기준을 개발해야 합니다. 이러한 기준은 AI 시스템이 사람들의 삶에 영향을 미치는 모든 결정에 대해 최종 권한을 행사하지 않고, 고도로 자율적인 AI 시스템에 대한 유의미한 통제권을 인간이 유지할 수 있도록 보장합니다.

박스 3: 개인정보 보호 및 보안 -
AI가 더욱 보편화됨에 따라 개인정보 보호와 중요한 개인 및 비즈니스 정보의 보안은 더욱 중요하고 복잡해지고 있습니다. AI의 경우, AI 시스템이 사람들에 대해 정확하고 정보에 기반한 예측과 결정을 내리기 위해서는 데이터 접근이 필수적이므로 개인정보 보호 및 데이터 보안 문제에 특히 세심한 주의가 필요합니다. AI 시스템은 데이터 수집, 사용 및 저장에 대한 투명성을 요구하는 개인정보 보호법을 준수해야 하며 소비자가 자신의 데이터 사용 방법을 선택할 수 있는 적절한 통제권을 갖도록 해야 합니다.

Q : 문장을 완성하려면 정답 영역에서 적절한 옵션을 선택하세요.

A : 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.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

AI-900 시험 - Microsoft실제시험문제와 답 - 62문항 - 온라인 연습

1. 소매점 이미지를 처리하고 경쟁사 제품을 식별하는 도구를 개발하고 있습니다. 이 솔루션은 사용자 지정 모델을 사용합니다.
어떤 Azure Cognitive Services 서비스를 사용해야 할까요?

A : 커스텀 비전

 

2. 다음 데이터 세트를 사용하여 특정 고객의 소득 범위를 예측해야 합니다.

어떤 두 필드를 특성으로 사용해야 할까요? 각 정답은 완전한 답을 나타냅니다.

 

 

 

 

 

 

1. 한 회사는 고객 서비스 에이전트 팀을 고용하여 고객에게 전화 및 이메일 지원을 제공합니다. 이 회사는 일반적인 고객 질문에 대한 자동 답변을 제공하는 웹 채팅 봇을 개발합니다. 웹챗 봇 솔루션을 만든 결과 회사는 어떤 비즈니스 이점을 기대해야합니까?

• A. 매출 증가
• B. 고객 서비스 상담원의 작업량 감소
• C. 제품 신뢰성 향상

 

2. 기계학습(ML) 진행의 경우 학습 및 평가를 위해 데이터를 어떻게 분할해야합니까?

• A. 교육용 기능과 평가 용 레이블을 사용
• B. 데이터를 훈련 용 행과 평가 용 행으로 무작위로 분할
• C. 교육용 레이블과 평가 용 기능을 사용
• D. 데이터를 훈련 용 열과 평가 용 열로 임의로 분할

Azure Machine Learning에서 백분율 분할은 데이터를 분할하는 데 사용할 수있는 기술입니다. 이 기술에서는 주어진 백분율의 임의 데이터가 데이터를 훈련하고 테스트하기 위해 분할됩니다.

 

 

3. 분류를 사용하여 이벤트를 예측하는 모델을 개발하고 있습니다. 다음 그림과 같이 테스트 데이터에서 채점 된 모델에 대한 혼동 행렬이 있습니다.

 

 

 

 

 

 

 

TP = 참 양성.
훈련 세트의 클래스 레이블은 일반적으로 양수 또는 음수라고하는 두 가지 가능한 값만 가질 수 있습니다. 분류 기가 올바르게 예측하는 긍정 및 부정 인스턴스를 각각 참 양성 (TP) 및 참 음성 (TN)이라고합니다. 마찬가지로 잘못 분류 된 인스턴스를 FP (false positive) 및 FN (false negative)이라고합니다.

 

 

Box 2 : 1,033-

FN = False Negative-

 

 

4. 자동화 된 기계 학습 사용자 인터페이스 (UI)를 사용하여 기계 학습 모델을 빌드합니다. 모델이 책임있는 AI에 대한 Microsoft 투명성 원칙을 충족하는지 확인해야합니다. 어떻게해야합니까?

 

• A. 유효성 검사 유형을 자동으로 설정합니다.
• B. Explain best model을 활성화합니다.
• C. 기본 메트릭을 정확도로 설정합니다.
• D. 최대 동시 반복을 0으로 설정합니다.

모델은 능력을 설명합니다.
대부분의 기업은 신뢰를 바탕으로 실행되며 ML "블랙 박스"를 열 수 있으면 투명성과 신뢰를 구축하는 데 도움이됩니다. 의료 및 은행과 같이 규제가 심한 산업에서는 규정 및 모범 사례를 준수하는 것이 중요합니다. 이것의 한 가지 중요한 측면은 입력 변수 (특징)와 모델 출력 간의 관계를 이해하는 것입니다. 각 기능 (기능 중요도)이 예측 값에 미치는 영향의 크기와 방향을 모두 알면 모델을 더 잘 이해하고 설명하는 데 도움이됩니다. 모델 설명 기능을 통해 자동화 된 ML 실행의 일부로서 기능의 중요성을 이해할 수 있습니다.

 

 

5.

 

 

이상 탐지는 기계 학습의 많은 중요한 작업을 포함합니다
. 잠재적으로 사기성 거래 식별.
네트워크 침입이 발생했음을 나타내는 학습 패턴입니다.
환자의 비정상적인 클러스터 찾기.
시스템에 입력 된 값을 확인합니다.

 

 

6.

 

 

개인 정보 보호 및 보안.
AI가 널리 보급됨에 따라 개인 정보를 보호하고 중요한 개인 및 비즈니스 정보를 보호하는 것이 점점 더 중요 해지고 복잡해지고 있습니다. AI의 경우 개인 정보 보호 및 데이터 보안 문제는 AI 시스템이 사람에 대해 정확하고 정보에 입각 한 예측과 결정을 내리기 위해 데이터에 대한 액세스가 필수적이기 때문에 특히 세심한주의가 필요합니다. AI 시스템은 데이터 수집, 사용 및 저장에 대한 투명성을 요구하는 개인 정보 보호법을 준수해야하며 소비자가 데이터 사용 방법을 선택할 수있는 적절한 제어 권한을 갖도록 요구해야합니다. Microsoft에서는 개인 정보 보호 및 보안 혁신을 계속 연구하고 (다음 단원 참조) AI 시스템에서 수집하고 사용하는 데이터를 책임감있게 처리 할 수 ​​있도록 강력한 규정 준수 프로세스에 투자하고 있습니다.

 

 

 

7.

 

 

상자 3 : 자연어 처리
자연어 처리 (NLP)는 감정 분석, 주제 감지, 언어 감지, 핵심 구문 추출 및 문서 분류와 같은 작업에 사용됩니다.

 

 

8. 청각, 시각 및 기타 장애가있는 사람들을 포함하여 모든 사람에게 권한을 부여하는 AI 시스템을 설계하고 있습니다.
이것은 책임있는 AI에 대한 Microsoft의 지침 원칙의 예입니다.

• A. 공정성
• B. 포용성
• C. 신뢰성과 안전성
• D. 책임

9. 

 

 

상자 1 : 신뢰성 및 안전성-
신뢰를 구축하려면 AI 시스템이 정상적인 상황과 예상치 못한 상황에서 안정적이고 안전하며 일관되게 작동하는 것이 중요합니다. 이러한 시스템은 원래 설계된대로 작동하고 예상치 못한 조건에 안전하게 대응하며 유해한 조작에 저항 할 수 있어야합니다.

Box 2 : 공정성-
공정성 : AI 시스템은 모든 사람을 공정하게 대하고 비슷한 위치에있는 사람들에게 다른 방식으로 영향을주지 않아야합니다. 예를 들어 AI 시스템이 치료, 대출 신청 또는 고용에 대한 지침을 제공 할 때 유사한 증상, 재정적 상황 또는 전문 자격을 가진 모든 사람에게 동일한 권장 사항을 제공해야합니다.
편견 완화는 사람들이 AI 예측 및 권장 사항의 의미와 한계를 이해하는 데서 시작된다고 믿습니다. 궁극적으로 사람들은 건전한 인간의 판단으로 AI 결정을 보완하고 다른 사람에게 영향을 미치는 결과적인 결정에 대해 책임을 져야합니다.

Box 3 : 개인 정보 보호 및 보안-
AI가 널리 보급됨에 따라 개인 정보를 보호하고 중요한 개인 및 비즈니스 정보를 보호하는 것이 점점 더 중요 해지고 복잡해지고 있습니다. AI의 경우 개인 정보 보호 및 데이터 보안 문제는 AI 시스템이 사람에 대해 정확하고 정보에 입각 한 예측과 결정을 내리기 위해 데이터에 대한 액세스가 필수적이기 때문에 특히 세심한주의가 필요합니다. AI 시스템은 데이터 수집, 사용 및 저장에 대한 투명성을 요구하는 개인 정보 보호법을 준수해야하며 소비자가 데이터 사용 방법을 선택할 수있는 적절한 제어 권한을 갖도록해야합니다

 

10.

 

 

신뢰성 및 안전 : 신뢰를 구축하려면 AI 시스템이 정상적인 상황과 예기치 않은 상황에서 안정적이고 안전하며 일관되게 작동하는 것이 중요합니다.
이러한 시스템은 원래 설계된대로 작동하고 예상치 못한 조건에 안전하게 대응하며 유해한 조작에 저항 할 수 있어야합니다.

 

11. 스캔 한 문서에서 텍스트, 키 / 값 쌍 및 테이블 데이터를 자동으로 추출하려면 어떤 서비스를 사용해야합니까?

• A. 양식 인식기
• B. 텍스트 분석
• C. 잉크 인식기
• D. 커스텀 비전

 

12.

 

 

정보 추출을 자동화하여 비즈니스 프로세스를 가속화하십시오. Form Recognizer는 고급 머신 러닝을 적용하여 문서에서 텍스트, 키 / 값 쌍 및 표를 정확하게 추출합니다. 몇 개의 샘플만으로 Form Recognizer는 온-프레미스와 클라우드 모두에서 문서에 대한 이해를 조정합니다. 적은 시간과 비용으로 양식을 사용 가능한 데이터로 변환 할 수 있으므로 정보를 컴파일하는 대신 작업에 더 많은 시간을 집중할 수 있습니다.

 

13. Azure Machine Learning 디자이너를 사용하여 추론 파이프 라인을 게시합니다.
파이프 라인을 사용하려면 어떤 두 매개 변수를 사용해야합니까? 각 정답은 솔루션의 일부를 제공합니다.
참고 : 각 올바른 선택은 1 점의 가치가 있습니다.

• A. 모델명
• B. 훈련 종점
• C. 인증 키
• D. REST 엔드 포인트

14.

 

 

실시간 추론을 수행하려면 파이프 라인을 실시간 엔드 포인트로 배포해야합니다.
실시간 End-point는 Azure Kubernetes Service 클러스터에 배포되어야합니다.

 

 

15.

 

 

가장 기본적인 의미에서 회귀는 숫자 대상의 예측을 의미합니다.
선형 회귀는 하나 이상의 독립 변수와 숫자 결과 또는 종속 변수 간의 선형 관계를 설정하려고합니다.
이 모듈을 사용하여 선형 회귀 방법을 정의한 다음 레이블이 지정된 데이터 세트를 사용하여 모델을 훈련시킵니다. 그런 다음 학습 된 모델을 사용하여 예측할 수 있습니다.
오답 :
✑ 분류는 데이터를 사용하여 항목 또는 데이터 행의 범주, 유형 또는 클래스를 결정하는 기계 학습 방법입니다.
✑ 기계 학습에서 클러스터링은 데이터 포인트를 유사한 클러스터로 그룹화하는 방법입니다. 세분화라고도합니다.
수년에 걸쳐 많은 클러스터링 알고리즘이 개발되었습니다. 거의 모든 클러스터링 알고리즘은 개별 항목의 기능을 사용하여 유사한 항목을 찾습니다. 예를 들어, 인구 통계별로 비슷한 사람을 찾기 위해 클러스터링을 적용 할 수 있습니다. 텍스트 분석과 함께 클러스터링을 사용하여 유사한 주제 또는 감정으로 문장을 그룹화 할 수 있습니다.

 

16.

 

 

상자 1 : 예
-Azure Machine Learning 디자이너를 사용하면 대화 형 캔버스에서 데이터 세트와 모듈을 시각적으로 연결하여 기계 학습 모델을 만들 수 있습니다.

상자 2 : 예-
디자이너를 통해 모듈을 연결하여 파이프 라인 초안을 만들 수 있습니다.
디자이너에서 파이프 라인을 편집하면 진행 상황이 파이프 라인 초안으로 저장됩니다.

상자 3 : 아니요-

 

 

17.

다음 데이터 세트가 있습니다.

 

 

데이터 세트를 사용하여 주택의 주택 가격 범주를 예측하는 모델을 학습 시키려고합니다.
가계 소득 및 주택 가격 범주는 무엇입니까? 답변하려면 답변 영역에서 적절한 옵션을 선택하십시오.
참고 : 각 올바른 선택은 1 점의 가치가 있습니다.

 

 

 

 

 

18. 분류 모델을 평가하는 데 사용할 수있는 메트릭은 무엇입니까?

• A. 참 양성률
• B. 평균 절대 오차 (MAE)
• C. 결정 계수 (R2)
• D. 제곱 평균 오차 (RMSE)

 

19.

Azure Machine Learning 디자이너에서 캔버스로 끌 수있는 두 가지 구성 요소는 무엇입니까? 각 정답은 완전한 해결책을 제시합니다.
참고 : 각 올바른 선택은 1 점의 가치가 있습니다.

• A. 데이터 세트
• B. 컴퓨팅
• C. 파이프 라인
• D. 모듈

 

20. 기존 데이터 세트에서 학습 데이터 세트와 유효성 검사 데이터 세트를 만들어야합니다.
Azure Machine Learning 디자이너의 어떤 모듈을 사용해야합니까?

• A. 데이터 세트에서 열 선택
• B. 행 추가
• C. 데이터 분할
• D. 데이터 결합

21.  머신 러닝 유형을 적절한 시나리오에 맞 춥니 다 .
대답하려면 왼쪽 열에서 오른쪽 시나리오로 적절한 기계 학습 유형을 드래그합니다. 각 기계 학습 유형은 한 번, 두 번 이상 사용하거나 전혀 사용하지 않을 수 있습니다. 참고 : 각 올바른 선택은 1 점의 가치가 있습니다.

 

 

상자 1 : 회귀-
가장 기본적인 의미에서 회귀는 숫자 대상의 예측을 의미합니다.
선형 회귀는 하나 이상의 독립 변수와 숫자 결과 또는 종속 변수 간의 선형 관계를 설정하려고합니다.
이 모듈을 사용하여 선형 회귀 방법을 정의한 다음 레이블이 지정된 데이터 세트를 사용하여 모델을 훈련시킵니다. 그런 다음 학습 된 모델을 사용하여 예측할 수 있습니다.

상자 2 : 분류-
분류는 데이터를 사용하여 항목 또는 데이터 행의 범주, 유형 또는 클래스를 결정하는 기계 학습 방법입니다.

상자 3 : 클러스터링-
기계 학습에서 클러스터링은 데이터 포인트를 유사한 클러스터로 그룹화하는 방법입니다. 세분화라고도합니다.
수년에 걸쳐 많은 클러스터링 알고리즘이 개발되었습니다. 거의 모든 클러스터링 알고리즘은 개별 항목의 기능을 사용하여 유사한 항목을 찾습니다. 예를 들어, 인구 통계별로 비슷한 사람을 찾기 위해 클러스터링을 적용 할 수 있습니다. 텍스트 분석과 함께 클러스터링을 사용하여 유사한 주제 또는 감정으로 문장을 그룹화 할 수 있습니다.

 

 

22. 기계 학습 작업을 적절한 시나리오에 일치시킵니다.
대답하려면 왼쪽 열에서 오른쪽 시나리오로 적절한 작업을 끕니다. 각 작업은 한 번, 두 번 이상 또는 전혀 사용하지 않을 수 있습니다. 참고 : 각 올바른 선택은 1 점의 가치가 있습니다.
선택 및 배치 :

 

 

 

상자 1 : 모델 평가-
모델 평가 모듈은
ROC, 정밀도 / 재현율 및 리프트 곡선 뿐 아니라 참 양성, 거짓 음성, 거짓 양성 및 참 음성의 수를 보여주는 혼동 행렬을 출력합니다 .

상자 2 : 특성 공학-
특성 공학은 데이터의 도메인 지식을 사용하여 ML 알고리즘이 더 잘 학습하는 데 도움이되는 특성을 만드는 프로세스입니다. Azure Machine Learning에서는 기능 엔지니어링을 용이하게하기 위해 확장 및 정규화 기술이 적용됩니다. 이러한 기술과 기능 엔지니어링을 통칭하여 기능화라고합니다.
참고 : 종종 기능은 기능 엔지니어링 프로세스를 통해 원시 데이터에서 생성됩니다. 예를 들어, 타임 스탬프 자체는 정보가 휴일 대 근무일과 같이 문제와 관련된 일, 월 또는 범주 단위로 변환 될 때까지 모델링에 유용하지 않을 수 있습니다.

상자 3 : 기능 선택-
기계 학습 및 통계에서 기능 선택은 분석 모델을 구축하는 데 사용할 관련 있고 유용한 기능의 하위 집합을 선택하는 프로세스입니다. 기능 선택은 데이터 필드를 가장 중요한 입력으로 좁히는 데 도움이됩니다. 데이터 필드를 좁 히면 소음을 줄이고 훈련 성능을 향상시키는 데 도움이됩니다.

 

 

23.

 

 

기계 학습에서 데이터에 레이블이 지정되어 있으면 데이터가 마크 업되거나 주석이 추가되어 기계 학습 모델이 예측할 답인 대상을 표시한다는 의미입니다.
일반적으로 데이터 레이블 지정은 데이터 태깅, 주석, 분류, 중재, 전사 또는 처리를 포함하는 작업을 참조 할 수 있습니다.
오답 :
기능 아님 : 기계 학습 및 통계에서 기능 선택은 분석 모델을 구축하는 데 사용할 관련성 있고 유용한 기능의 하위 집합을 선택하는 프로세스입니다. 기능 선택은 데이터 필드를 가장 중요한 입력으로 좁히는 데 도움이됩니다. 데이터 필드를 좁 히면 소음을 줄이고 훈련 성능을 향상시키는 데 도움이됩니다.

 

24. 다음 전시회에 표시된 예측 대 참 차트가 있습니다.

 

 

평가에 사용되는 차트 유형은 무엇입니까?

• A. 분류
• B. 회귀
• C. 클러스터링

예측 대 참 차트는 무엇입니까?
Predicted vs. True는 회귀 문제에 대한 예측 값과 상관 관계가있는 실제 값 간의 관계를 보여줍니다. 이 그래프는 예측 된 값이 y = x 선에 가까울수록 예측 모델의 정확도가 높아 지므로 모델의 성능을 측정하는 데 사용할 수 있습니다.

 

 

 

25 다음 달에 판매 될 기프트 카드 수를 예측하려면 어떤 유형의 머신 러닝을 사용해야합니까?

• A. 분류
• B. 회귀
• C. 클러스터링

기계 학습에서 C 클러스터링은 데이터 포인트를 유사한 클러스터로 그룹화하는 방법입니다. 세분화라고도합니다.
수년에 걸쳐 많은 클러스터링 알고리즘이 개발되었습니다. 거의 모든 클러스터링 알고리즘은 개별 항목의 기능을 사용하여 유사한 항목을 찾습니다. 예를 들어, 인구 통계별로 비슷한 사람을 찾기 위해 클러스터링을 적용 할 수 있습니다. 텍스트 분석과 함께 클러스터링을 사용하여 유사한 주제 또는 감정으로 문장을 그룹화 할 수 있습니다.

 

 

26.  주어진 기간 동안 발생한 택시 여정에 대한 정보가 포함 된 데이터 세트가 있습니다.
택시 여정의 요금을 예측하려면 모델을 훈련해야합니다.
기능으로 무엇을 사용해야합니까?

• A. 데이터 세트의 택시 여정 수
• B. 개별 택시 여정의 여정 거리
• C. 개별 택시 여정의 요금
• D. 개별 택시 여정의 여정 ID

레이블은 예측하려는 열입니다. 식별 된 특징은 라벨을 예측하기 위해 모델에 제공하는 입력입니다.
예 :
제공된 데이터 세트에는 다음 열이 포함
됩니다. vendor_id : 택시 공급 업체의 ID는 기능입니다.
rate_code : 택시 여행의 요금 유형은 기능입니다.
passenger_count : 여행중인 승객 수는 기능입니다. trip_time_in_secs : 여행에 걸린 시간. 여행이 완료되기 전에 여행 요금을 예측하려고합니다. 그 순간, 당신은 여행에 얼마나 걸릴지 모릅니다. 따라서 이동 시간은 기능이 아니며이 열을 모델에서 제외합니다. trip_distance : 여행 거리는 기능입니다. payment_type : 결제 수단 (현금 또는 신용 카드)이 기능입니다. fare_amount : 지불 한 총 택시 요금이 라벨입니다.

 

27. 향후 10 년 동안 해수면을 미터 단위로 예측해야합니다.
어떤 유형의 기계 학습을 사용해야합니까?

• A. 분류
• B. 회귀
• C. 클러스터링

 

28. 

 

 

 

상자 1 : 예-
자동화 된 ML 또는 AutoML이라고도하는 자동화 된 기계 학습은 기계 학습 모델 개발의 시간 소모적이고 반복적 인 작업을 자동화하는 프로세스입니다. 이를 통해 데이터 과학자, 분석가 및 개발자는 모델 품질을 유지하면서 높은 규모, 효율성 및 생산성으로 ML 모델을 구축 할 수 있습니다.

상자 2 : 아니요-

상자 3 : 예-
훈련 중에 Azure Machine Learning은 여러 알고리즘 및 매개 변수를 시도하는 여러 파이프 라인을 병렬로 만듭니다. 서비스는
기능 선택과 쌍을 이루는 ML 알고리즘. 여기서 각 반복은 학습 점수가있는 모델을 생성합니다. 점수가 높을수록 모델이 데이터에 "적합"된 것으로 간주됩니다. 실험에 정의 된 종료 기준에 도달하면 중지됩니다.

상자 4 : 아니요
-Azure Machine Learning에서 지정한 대상 메트릭을 사용하여 모델을 학습하고 조정하도록하려는 경우 자동화 된 ML을 적용합니다.
레이블은 예측하려는 열입니다.

 

 

29.

 

 

 

30.

 

 

상자 1 : 예-
기계 학습에서 데이터에 레이블이 지정되어 있으면 데이터가 마크 업되거나 주석이 추가되어 기계 학습 모델이 예측할 답인 대상을 표시 함을 의미합니다.
일반적으로 데이터 레이블 지정은 데이터 태깅, 주석, 분류, 중재, 전사 또는 처리를 포함하는 작업을 참조 할 수 있습니다.

상자 2 : 아니요-

상자 3 : 아니요-
정확도는 단순히 올바르게 분류 된 인스턴스의 비율입니다. 일반적으로 분류자를 평가할 때 가장 먼저 보는 측정 항목입니다. 그러나 테스트 데이터가 불균형 (대부분의 인스턴스가 클래스 중 하나에 속함)이거나 클래스 중 하나의 성능에 더 관심이있는 경우 정확도가 분류 자의 효율성을 실제로 포착하지 못합니다.

 

 

 

31. 직원이 출장 중에 경비를 스캔하고 저장할 수 있도록 모바일 앱을 개발해야합니다.
어떤 유형의 컴퓨터 비전을 사용해야합니까?

• A. 시맨틱 분할
• B. 이미지 분류
• C. 물체 감지
• D. 광학 문자 인식 (OCR)

 

32.

 

 

상자 1 : 확인-
얼굴 확인 : 두 얼굴이 같은 사람에 속할 가능성을 확인하고 신뢰 점수를받습니다.

상자 2 : 유사성-

상자 3 : 그룹화-

상자 4 : 식별-
얼굴 감지 : 연령, 감정, 포즈, 미소, 얼굴 털과 같은 속성과 함께 하나 이상의 사람 얼굴을 감지합니다. 영상.

 

 

 

질문 번호 : 1

소매점 이미지를 처리하고 경쟁사 제품을 식별하는 도구를 개발하고 있습니다.
이 솔루션은 사용자 지정 모델을 사용합니다.
어떤 Azure Cognitive Services 서비스를 사용해야 할까요?

• A.커스텀 비전
• B. 형태 인식기
• C.얼굴
• D. 컴퓨터 비전

정답: 에이
설명:
참조: https://docs.microsoft.com/en-us/azure/cognitive-services/custom-vision-service/overview

질문 번호 : 2

다음 데이터 세트를 사용하여 특정 고객의 소득 범위를 예측해야 합니다.

어떤 두 필드를 특성으로 사용해야 할까요? 각 정답은 완전한 답을 나타냅니다. 참고: 정답 하나당 1점입니다.

• A. 교육 수준
• 나.성
• 새장
• D. 소득 범위
• E. 이름

정답:AC
설명:
이름, 성, 나이, 학력은 특성입니다. 소득 범위는 레이블(예측하고자 하는 대상)입니다. 이름과 성은 소득과 아무런 관련이 없으므로 무관합니다. 나이와 학력은 사용해야 하는 특성입니다.

질문 번호 : 3

Azure Machine Learning에서 기본 작업 영역과 엔터프라이즈 작업 영역 중 어떤 것을 사용할지 평가하고 있습니다.
엔터프라이즈 작업 영역이 필요한 두 가지 작업은 무엇입니까? 각 정답은 완전한 해결책을 제시합니다. 참고: 정답 하나당 1점입니다.

• A. 그래픽 사용자 인터페이스(GUI)를 사용하여 자동화된 머신 러닝 실험을 실행합니다.
• B. 워크스테이션으로 사용할 컴퓨팅 인스턴스를 생성합니다.
• C. Azure Machine Learning Designer에서 그래픽 사용자 인터페이스(GUI)를 사용하여 기계 학습 실험을 정의하고 실행합니다.
• D. 쉼표로 구분된 값(CSV) 파일에서 데이터 세트를 만듭니다.

정답:AC
설명:
참고: 엔터프라이즈 작업 영역은 2020년 9월부터 더 이상 사용할 수 없습니다. 기본 작업 영역에는 이제 엔터프라이즈 작업 영역의 모든 기능이 포함되어 있습니다.
참조:
https://www.azure.cn/en-us/pricing/details/machine-learning/
https://docs.microsoft.com/en-us/azure/machine-learning/concept-workspace

질문 번호 : 4

모델을 학습할 때 행을 무작위로 여러 개의 하위 집합으로 나누어야 하는 이유는 무엇입니까?

• A. 더 나은 정확도를 얻기 위해 모델을 두 번 훈련합니다.
• B. 더 나은 성능을 얻기 위해 여러 모델을 동시에 훈련합니다.
• C. 모델을 학습하는 데 사용되지 않은 데이터를 사용하여 모델을 테스트합니다.

정답:기음
설명:
목표는 새롭고 알려지지 않은 데이터에 잘 일반화되는 훈련된(적합된) 모델을 생성하는 것입니다. 적합된 모델은 기존 데이터셋(검증 및 테스트 데이터셋)의 "새로운" 예시를 사용하여 평가되며, 이를 통해 새 데이터 분류 정확도를 추정합니다.
https://en.wikipedia.org/wiki/Training,_validation,_and_test_sets#:~:text=Training%20dataset,- A%20training%20dataset&text=The%20goal%20is%20to%20produce,accuracy%20in%20classifying%20new%20data.

질문 번호 : 5

한 의학 연구 프로젝트에서 뇌 스캔 이미지의 대규모 익명화 데이터 세트를 사용하는데, 이 데이터 세트는 미리 정의된 뇌출혈 유형별로 분류됩니다.
이미지에서 다양한 뇌출혈 유형을 조기에 감지하기 위해 머신러닝을 활용해야 합니다.
이는 어떤 유형의 머신러닝의 예일까요?

• A.클러스터링
• B. 회귀
• C. 분류

정답:기음
설명:
참조: https://docs.microsoft.com/en-us/learn/modules/create-classification-model-azure-machine-learning-designer/introduction

질문 번호 : 6

핫스팟
다음 각 문장에 대해, 문장이 맞으면 '예'를 선택하세요. 그렇지 않으면 '아니요'를 선택하세요. 참고: 정답은 1점입니다.

한국어:
번역:

설명: 설명:
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-designer-python
https://docs.microsoft.com/en-us/azure/machine-learning/concept-automated-ml

질문 번호 : 7

HOTSPOT
문장을 완성하려면 답변란에서 적절한 옵션을 선택하세요.

한국어:
번역: 설명

: 설명:
참조: https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer

질문 번호 : 8

핫스팟
다음 데이터세트가 있습니다.

이 데이터세트를 사용하여 주택 가격 범주를 예측하는 모델을 학습할 계획입니다.
가구 소득과 주택 가격 범주는 무엇인가요? 정답을 입력하려면 정답 영역에서 적절한 항목을 선택하세요. 참고: 정답 하나당 1점입니다.

번역:

설명:
상자 1: 기능
상자 2: 레이블
참조: https://docs.microsoft.com/en-us/azure/machine-learning/studio/interpret-model-results

질문 번호 : 9

핫스팟
다음 각 문장에 대해, 문장이 맞으면 '예'를 선택하세요. 그렇지 않으면 '아니요'를 선택하세요. 참고: 정답은 1점입니다.

한국어:

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.
Designer를 사용하면 모듈을 연결하여 파이프라인 초안을 만들 수 있습니다.
Designer에서 파이프라인을 편집하면 진행 상황이 파이프라인 초안으로 저장됩니다.
상자 3: 아니요.
참조: https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer

질문 번호 : 10

HOTSPOT
문장을 완성하려면 답변란에서 적절한 옵션을 선택하세요.

한국어:

설명:
가장 기본적인 의미에서 회귀는 수치적 목표에 대한 예측을 의미합니다.
선형 회귀는 하나 이상의 독립 변수와 수치적 결과 또는 종속 변수 간의 선형 관계를 설정하려고 시도합니다.
이 모듈을 사용하여 선형 회귀 방법을 정의한 다음 레이블이 지정된 데이터 집합을 사용하여 모델을 학습합니다. 학습된 모델은 예측에 사용될 수 있습니다.
참고:
https://docs.microsoft.com/en-us/azure/machine-learning/algorithm-module-reference/linear-regression
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/machine-learning-initialize-model-clustering
회귀는 항목의 특성을 기반으로 수치적 레이블을 예측하는 데 사용되는 기계 학습의 한 형태입니다.
https://docs.microsoft.com/en-us/learn/modules/create-regression-model-azure-machine-learning-designer/introduction

질문 번호 : 11

HOTSPOT
문장을 완성하려면 답변란에서 적절한 옵션을 선택하세요.

한국어:

설명:
실시간 추론을 수행하려면 파이프라인을 실시간 엔드포인트로 배포해야 합니다.
실시간 엔드포인트는 Azure Kubernetes Service 클러스터에 배포해야 합니다.
참조: https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer#deploy

질문 번호 : 12

Azure Machine Learning Designer를 사용하여 추론 파이프라인을 게시합니다.
파이프라인을 사용하려면 어떤 두 매개변수를 사용해야 할까요? 각 정답은 해답의 일부를 나타냅니다. 참고: 정답 하나당 1점입니다.

• A. 모델명
• B. 훈련 종료 지점
• C. 인증 키
• D. REST 엔드포인트

정답: CD
설명:
https://docs.microsoft.com/en-in/learn/modules/create-regression-model-azure-machine-learning-designer/deploy-service

질문 번호 : 13

HOTSPOT
문장을 완성하려면 답변란에서 적절한 옵션을 선택하세요.

한국어:

설명:
정보 추출을 자동화하여 비즈니스 프로세스를 가속화하세요. Form Recognizer는 고급 머신 러닝을 적용하여 문서에서 텍스트, 키/값 쌍, 표를 정확하게 추출합니다. 몇 가지 샘플만 사용해도 Form Recognizer는 온프레미스와 클라우드 모두에서 문서에 맞춰 정보를 분석합니다. 훨씬 적은 시간과 비용으로 양식을 사용 가능한 데이터로 변환하여 정보를 수집하는 대신 필요한 작업에 더 집중할 수 있습니다.
참고: https://azure.microsoft.com/en-us/services/cognitive-services/form-recognizer/

질문 번호 : 14

스캔한 문서에서 텍스트, 키/값 쌍, 테이블 데이터를 자동으로 추출하려면 어떤 서비스를 사용해야 합니까?

• A. 폼 인식기
• B. 텍스트 분석
• C.잉크 인식기
• D.커스텀 비전

정답: 에이
설명:
정보 추출을 자동화하여 비즈니스 프로세스를 가속화하세요. Form Recognizer는 고급 머신 러닝을 적용하여 문서에서 텍스트, 키/값 쌍, 표를 정확하게 추출합니다. 몇 가지 샘플만 사용해도 Form Recognizer는 온프레미스와 클라우드 모두에서 문서에 맞춰 정보를 분석합니다. 훨씬 적은 시간과 비용으로 양식을 유용한 데이터로 변환하여 정보 수집보다는 활용에 더 집중할 수 있습니다.
참고: https://azure.microsoft.com/en-us/services/cognitive-services/form-recognizer/

질문 번호 : 15

핫스팟
다음 각 문장에 대해, 문장이 맞으면 '예'를 선택하세요. 그렇지 않으면 '아니요'를 선택하세요. 참고: 정답은 1점입니다.

한국어:

설명:
상자 1: 예
기계 학습에서 레이블이 지정된 데이터가 있는 경우, 기계 학습 모델이 예측하려는 답인 대상을 표시하기 위해 데이터가 표시되거나 주석이 달렸다는 것을 의미합니다.
일반적으로 데이터 레이블 지정은 데이터 태그 지정, 주석, 분류, 조정, 전사 또는 처리를 포함하는 작업을 나타낼 수 있습니다.
상자 2: 아니요
상자 3: 아니요
정확도는 단순히 올바르게 분류된 인스턴스의 비율입니다. 일반적으로 분류기를 평가할 때 가장 먼저 살펴보는 지표입니다. 그러나 테스트 데이터가 불균형한 경우(대부분의 인스턴스가 하나의 클래스에 속하는 경우) 또는 두 클래스 중 하나의 성능에 더 관심이 있는 경우, 정확도는 분류기의 효과를 실제로 포착하지 못합니다.
참고:
https://www.cloudfactory.com/data-labeling-guide
https://docs.microsoft.com/en-us/azure/machine-learning/studio/evaluate-model-performance

 

 

질문 번호 : 16

HOTSPOT
문장을 완성하려면 답변란에서 적절한 옵션을 선택하세요.

정답:

질문 번호 : 17

핫스팟
다음 각 문장에 대해, 문장이 맞으면 '예'를 선택하세요. 그렇지 않으면 '아니요'를 선택하세요. 참고: 정답은 1점입니다.

한국어:

설명:
상자 1: 예

자동화된 머신 러닝(Automated Machine Learning, 자동화된 ML 또는 AutoML이라고도 함)은 머신 러닝 모델 개발의 시간 소모적이고 반복적인 작업을 자동화하는 프로세스입니다. 데이터 과학자, 분석가 및 개발자는 모델 품질을 유지하면서 높은 규모, 효율성 및 생산성을 갖춘 ML 모델을 구축할 수 있습니다.
상자 2: 아니요

학습 중에 Azure Machine Learning은 다양한 알고리즘과 매개변수를 자동으로 시도하는 여러 파이프라인을 병렬로 생성합니다. 이 서비스는 특성 선택과 함께 ML 알고리즘을 반복하며, 각 반복은 학습 점수가 있는 모델을 생성합니다. 점수가 높을수록 모델이 데이터에 "적합"한 것으로 간주됩니다. 실험에 정의된 종료 기준에 도달하면 중단됩니다.

상자 3: 예

Azure Machine Learning이 사용자가 지정한 대상 메트릭을 사용하여 모델을 학습하고 조정하도록 하려면 자동화된 ML을 적용합니다.
레이블은 예측하려는 열입니다.

상자 4: 아니요
참고: https://azure.microsoft.com/en-us/services/machine-learning/automatedml/#features

질문 번호 : 18

향후 10년간 해수면을 미터 단위로 예측해야 합니다.
어떤 유형의 머신러닝을 사용해야 할까요?

• A. 분류
• B. 회귀
• C.클러스터링

정답:비
설명:
가장 기본적인 의미에서 회귀는 수치적 목표에 대한 예측을 의미합니다.
선형 회귀는 하나 이상의 독립 변수와 수치적 결과 또는 종속 변수 간의 선형 관계를 확립하려고 시도합니다.
이 모듈을 사용하여 선형 회귀 방법을 정의한 다음 레이블이 지정된 데이터 세트를 사용하여 모델을 학습합니다. 학습된 모델은 예측에 사용될 수 있습니다.
참고: https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/linear-regression
회귀는 항목의 특성을 기반으로 수치적 레이블을 예측하는 데 사용되는 머신 러닝의 한 형태입니다.
https://docs.microsoft.com/en-us/learn/modules/create-regression-model-azure-machine-learning-designer/introduction

질문 번호 : 19

특정 기간 동안 발생한 택시 이용에 대한 정보가 포함된 데이터세트가 있습니다.
택시 이용 요금을 예측하는 모델을 학습시켜야 합니다.
어떤 특성을 사용해야 할까요?

• A. 데이터 세트의 택시 여행 횟수
• B. 개인 택시 여행의 여행 거리
• C. 개인 택시 여행 요금
• D. 개별 택시 여행의 여행 ID

정답: 비
설명:
레이블은 예측하려는 열입니다. 식별된 피처는 레이블을 예측하기 위해 모델에 제공하는 입력입니다.
예:
제공된 데이터 집합에는 다음 열이 포함됩니다.
vendor_id: 택시 업체의 ID가 피처입니다.
rate_code: 택시 여정의 요금 유형이 피처입니다.
passenger_count: 여정의 승객 수가 피처입니다.
trip_time_in_secs: 여정에 걸린 시간입니다. 여정이 완료되기 전에 여정의 요금을 예측하려고 합니다. 그 시점에는 여정에 얼마나 걸릴지 알 수 없습니다. 따라서 여정 시간은 피처가 아니므로 모델에서 이 열을 제외합니다.
trip_distance: 여정의 거리가 피처입니다.
payment_type: 결제 방법(현금 또는 신용 카드)이 피처입니다.
fare_amount: 지불된 총 택시 요금이 레이블입니다.
참조: https://docs.microsoft.com/en-us/dotnet/machine-learning/tutorials/predict-prices

질문 번호 : 20

다음 달에 판매될 상품권 수를 예측하려면 어떤 유형의 머신 러닝을 사용해야 합니까?

• A. 분류
• B. 회귀
• C.클러스터링

정답:비

질문 번호 : 21

다음 그림은 예측 vs. 참 차트를 보여줍니다.

이 차트는 어떤 유형의 모델을 평가하는 데 사용됩니까?

• A. 분류
• B. 회귀
• C.클러스터링

정답:비
설명:
예측 vs. 참 차트란 무엇일까요?
예측 vs. 참 차트는 회귀 문제에 대한 예측값과 그에 상응하는 참값 간의 관계를 보여줍니다. 이 그래프는 모델의 성능을 측정하는 데 사용할 수 있는데, 예측값이 y=x 선에 가까울수록 예측 모델의 정확도가 높아집니다.
참고: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-understand-automated-m

질문 번호 : 22

HOTSPOT
문장을 완성하려면 답변란에서 적절한 옵션을 선택하세요.

정답:

질문 번호 : 23

드래그 앤 드롭 방식
으로 머신 러닝 작업을 적절한 시나리오에 연결하세요.
정답을 찾으려면 왼쪽 열에서 해당 작업을 오른쪽 시나리오로 드래그 앤 드롭하세요. 각 작업은 한 번, 여러 번 또는 전혀 사용하지 않을 수 있습니다. 참고: 정답 하나당 1점씩 부여됩니다.

한국어:

설명:
상자 1: 모델 평가
모델 평가 모듈은 참양성, 거짓음성, 거짓양성, 참음성의 수와 ROC, 정밀도/재현율, 리프트 곡선을 보여주는 혼동 행렬을 출력합니다.
상자 2: 피처 엔지니어링
피처 엔지니어링은 데이터의 도메인 지식을 사용하여 ML 알고리즘의 학습을 개선하는 데 도움이 되는 피처를 만드는 프로세스입니다. Azure Machine Learning에서는 피처 엔지니어링을 용이하게 하기 위해 스케일링 및 정규화 기술이 적용됩니다. 이러한 기술과 피처 엔지니어링을 통칭하여 피처화라고 합니다.
참고: 피처는 종종 피처 엔지니어링 프로세스를 통해 원시 데이터에서 생성됩니다. 예를 들어, 타임스탬프 자체는 정보가 문제와 관련된 일, 월 또는 범주(예: 휴일 대 근무일) 단위로 변환될 때까지 모델링에 유용하지 않을 수 있습니다.
상자 3: 피처 선택
기계 학습 및 통계학에서 피처 선택은 분석 모델을 구축하는 데 사용할 관련성 있고 유용한 피처의 하위 집합을 선택하는 프로세스입니다. 피처 선택을 통해 데이터 필드를 가장 가치 있는 입력으로 좁힐 수 있습니다. 데이터 범위를 좁히면 노이즈를 줄이고 학습 성능을 향상시키는 데 도움이 됩니다.
참고:
https://docs.microsoft.com/en-us/azure/machine-learning/studio/evaluate-model-performance
https://docs.microsoft.com/en-us/azure/machine-learning/concept-automated-ml

질문 번호 : 24

드래그 앤 드롭 방식
으로 머신 러닝 유형을 적절한 시나리오에 연결하세요.
정답을 찾으려면 왼쪽 열에서 적절한 머신 러닝 유형을 오른쪽의 시나리오로 드래그하세요. 각 머신 러닝 유형은 한 번, 여러 번 또는 전혀 사용하지 않을 수 있습니다. 참고: 정답 하나당 1점입니다.

번역:

설명:
1- 회귀
2- 군집화
3- 분류

질문 번호 : 25

기존 데이터 집합에서 학습 데이터 집합과 검증 데이터 집합을 만들어야 합니다.
Azure Machine Learning 디자이너에서 어떤 모듈을 사용해야 할까요?

• A. 데이터 세트에서 열 선택
• B. 행 추가
• C. 데이터 분할
• D. 데이터 조인

정답: 기음
설명:
모델을 평가하는 일반적인 방법은 데이터 분할(Split Data)을 사용하여 데이터를 학습 세트와 테스트 세트로 나눈 다음, 학습 데이터에서 모델을 검증하는 것입니다.
데이터 분할 모듈을 사용하여 데이터 세트를 두 개의 서로 다른 세트로 나눕니다.
스튜디오는 현재 학습/검증 데이터 분할을 지원합니다.
참조: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-configure-cross-validation-data-splits2

질문 번호 : 26

Azure Machine Learning Designer에서 캔버스에 어떤 두 가지 구성 요소를 드래그하여 놓을 수 있나요? 정답은 각각 완전한 해결책을 제시합니다. 참고: 정답 하나당 1점입니다.

• A.데이터셋
• B. 계산
• C.파이프라인
• D. 모듈

정답:광고
설명:
데이터 세트와 모듈을 캔버스로 끌어서 놓을 수 있습니다.
참조: https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer

질문 번호 : 27

분류 모델을 평가하는 데 사용할 수 있는 지표는 무엇입니까?

• A.진양성률
• B. 평균 절대 오차(MAE)
• C. 결정계수(R2)
• D.제곱평균제곱오차(RMSE)

정답:에이
설명:
좋은 모델은 어떤 모습일까요?
ROC 곡선이 왼쪽 상단 모서리에 가까워지고 참 양성률 100%, 거짓 양성률 0%일 때 가장 좋은 모델입니다. 무작위 모델은 왼쪽 하단에서 오른쪽 상단 모서리까지 직선으로 표시됩니다. 무작위 모델보다 좋지 않은 모델은 y=x 선 아래로 떨어집니다.
참고: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-understand-automated-ml#classification

질문 번호 : 28

HOTSPOT
문장을 완성하려면 답변란에서 적절한 옵션을 선택하세요.

정답:

Explanation:
Reference: https://docs.microsoft.com/en-us/azure/cloud-adoption-framework/innovate/best-practices/trusted-ai

질문 번호 : 29

AI 기반 앱을 개발하고 있습니다.
앱이 책임 있는 AI 원칙을 준수하는지 확인해야 합니다.
어떤 두 가지 원칙을 따라야 할까요? 각 정답은 해결책의 일부를 나타냅니다. 참고: 정답 하나당 1점입니다.

• A. Agile 소프트웨어 개발 방법론 구현
• B. 소프트웨어 검토 프로세스의 일부로 AI 모델 검증 프로세스 구현
• C. 법무팀 구성원, 위험 관리팀 구성원 및 개인정보 보호 책임자를 포함하는 위험 관리 위원회를 구성합니다.
• D. AI 기반 알고리즘을 이용한 자동화된 의사결정의 활용이 공개되는 것을 방지합니다.

정답:알파벳
설명:
참조:
https://docs.microsoft.com/en-us/azure/cloud-adoption-framework/innovate/best-practices/trusted-ai
https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/3-implications-responsible-ai-practical

질문 번호 : 30

드래그 앤 드롭
클라이언트 애플리케이션에서 사용할 Azure Machine Learning 모델을 서비스로 배포하려고 합니다.
모델을 배포하기 전에 어떤 세 가지 프로세스를 순서대로 수행해야 할까요? 답하려면 프로세스 목록에서 해당 프로세스를 답변 영역으로 옮기고 올바른 순서대로 정렬하세요.

정답:

Explanation:
Reference: https://docs.microsoft.com/en-us/azure/machine-learning/concept-ml-pipelines

    / 4

 

질문 번호 : 31

드래그 앤 드롭 방식
으로 책임 있는 AI 원칙을 적절한 요구 사항에 맞춰 선택하세요.
답하려면 왼쪽 열에서 해당 원칙을 오른쪽 요구 사항으로 드래그하세요. 각 원칙은 한 번, 여러 번 또는 전혀 사용하지 않을 수 있습니다. 내용을 보려면 창 사이의 분할 막대를 드래그하거나 스크롤해야 할 수도 있습니다. 참고: 정답은 1점입니다.

정답:

Explanation:
Reference:
https://docs.microsoft.com/en-us/azure/cloud-adoption-framework/innovate/best-practices/trusted-ai
https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/4-guiding-principles

질문 번호 : 32

핫스팟
다음 각 문장에 대해, 문장이 맞으면 '예'를 선택하세요. 그렇지 않으면 '아니요'를 선택하세요. 참고: 정답은 1점입니다.

한국어:

설명:
상자 1: 예
투명성을 확보하면 팀이 모델 학습에 사용된 데이터와 알고리즘, 데이터에 적용된 변환 논리, 생성된 최종 모델 및 관련 자산을 이해하는 데 도움이 됩니다. 이 정보는 모델 생성 방식에 대한 통찰력을 제공하여 투명하게 재현할 수 있도록 합니다.
상자 2: 아니요
데이터 보유자는 AI 시스템의 데이터를 보호할 의무가 있으며, 개인 정보 보호 및 보안은 이 시스템의 필수적인 부분입니다. 개인 정보는 보호되어야 하며, 개인의 개인 정보를 침해하지 않는 방식으로 접근해야 합니다.
상자 3: 아니요
포용성은 AI가 모든 인류와 경험을 고려해야 한다는 것을 의미하며, 포용적인 설계 관행은 개발자가 의도치 않게 사람들을 배제할 수 있는 잠재적 장벽을 이해하고 해결하는 데 도움이 될 수 있습니다. 가능한 경우 음성-텍스트 변환, 텍스트-음성 변환 및 시각 인식 기술을 사용하여 청각, 시각 및 기타 장애가 있는 사람들의 역량을 강화해야 합니다.
참고: https://docs.microsoft.com/en-us/azure/cloud-adoption-framework/innovate/best-practices/trusted-ai

질문 번호 : 33

대출 승인 여부를 평가하는 AI 시스템을 설계할 때, 결정에 사용된 요소들은 설명 가능해야 합니다.
이는 Microsoft의 책임 있는 AI를 위한 지침 원칙 중 어떤 것의 예입니까?

• A. 투명성
• B. 포용성
• C. 공정성
• D. 개인정보 보호 및 보안

정답: 에이
설명:
투명성을 확보하면 팀은 모델 학습에 사용된 데이터와 알고리즘, 데이터에 적용된 변환 로직, 생성된 최종 모델, 그리고 관련 자산을 이해하는 데 도움이 됩니다. 이 정보는 모델 생성 방식에 대한 통찰력을 제공하여 투명하게 모델을 재현할 수 있도록 합니다.
참고:
https://docs.microsoft.com/en-us/azure/cloud-adoption-framework/innovate/best-practices/trusted-ai
https://docs.microsoft.com/en-us/azure/cloud-adoption-framework/strategy/responsible-ai

질문 번호 : 34

선글라스를 쓴 사람들의 사진을 트위터에 게시하는 자선 행사를 운영합니다.
다음 요건을 충족하는 사진만 리트윗해야 합니다.
1. 얼굴이 하나 이상 포함되어야 합니다.
2. 선글라스를 쓴 사람이 최소 한 명 이상 포함되어야 합니다.
이미지 분석에 무엇을 사용해야 할까요?

• A. Face 서비스의 Verify 작업
• B. Face 서비스의 Detect 작업
• C. Computer Vision 서비스의 이미지 설명 작업
• D. 컴퓨터 비전 서비스의 이미지 분석 작업

정답:비
설명:
참조: https://docs.microsoft.com/en-us/azure/cognitive-services/face/overview

질문 번호 : 35

HOTSPOT
문장을 완성하려면 답변란에서 적절한 옵션을 선택하세요.

정답:

Explanation:
Reference: https://docs.microsoft.com/en-us/azure/machine-learning/team-data-science-process/create-features

질문 번호 : 36

HOTSPOT
문장을 완성하려면 답변란에서 적절한 옵션을 선택하세요.

정답:

Explanation:
Reference: https://docs.microsoft.com/en-us/azure/cognitive-services/computer-vision/concept-object-detection

질문 번호 : 37

Microsoft의 책임 있는 AI를 위한 세 가지 지침 원칙은 무엇인가요? 각 정답은 완전한 해결책을 제시합니다. 참고: 정답 하나당 1점입니다.

• A. 지식성
• B. 결단력
• C. 포용성
• D. 공정성
• E. 의견성
• F. 신뢰성 및 안전성

정답:CDF
설명:
참조: https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/4-guiding-principles

질문 번호 : 38

귀사는 스마트 홈 기기에 음성 인식 기술을 도입하는 방안을 모색하고 있습니다. 의도치 않게 특정 사용자 그룹을 배제할 수 있는 장벽을 파악하고자 합니다.
이는 Microsoft의 책임 있는 AI를 위한 지침 원칙 중 어떤 것의 예시입니까?

• A. 책임성
• B. 공정성
• C. 포용성
• D. 개인정보 보호 및 보안

정답:기음
설명:
참고: https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/4-guiding-principles
AI 시스템은 모든 사람에게 역량을 부여하고 사람들의 참여를 유도해야 합니다. AI는 신체적 능력, 성별, 성적 지향, 민족 또는 기타 요인에 관계없이 사회의 모든 계층에 혜택을 제공해야 합니다
.
https://docs.microsoft.com/en-us/learn/modules/get-started-ai-fundamentals/7-understand-responsible-ai

질문 번호 : 39

드래그 앤 드롭 방식
으로 AI 워크로드 유형을 적절한 시나리오에 연결하세요.
정답을 찾으려면 왼쪽 열에서 적절한 워크로드 유형을 오른쪽의 해당 시나리오로 드래그하세요. 각 워크로드 유형은 한 번, 여러 번 또는 전혀 사용하지 않을 수 있습니다. 참고: 정답을 하나 선택할 때마다 1점이 부여됩니다.

정답:

Explanation:
Reference: https://docs.microsoft.com/en-us/learn/paths/get-started-with-artificial-intelligence-on-azure/

질문 번호 : 40

AI 시스템을 구축하고 있습니다.
서비스가 Microsoft의 책임 있는 AI에 대한 투명성 원칙을 충족하도록 하려면 어떤 작업을 포함해야 할까요?

• A. 모든 시각적 정보에 화면 판독기가 읽을 수 있는 관련 텍스트가 있는지 확인하세요.
• B. 자동 확장을 활성화하여 수요에 따라 서비스가 확장되도록 합니다.
• C. 개발자가 코드를 디버깅하는 데 도움이 되는 문서를 제공합니다.
• D. 훈련 데이터 세트가 모집단을 대표하는지 확인하세요.

정답: 기음
설명:
참조: https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/4-guiding-principles

질문 번호 : 41

HOTSPOT
문장을 완성하려면 답변란에서 적절한 옵션을 선택하세요.

한국어:
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.
참고: https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/4-guiding-principles
AI 시스템은 안정적이고 안전하게 작동해야 합니다. 예를 들어 자율주행차를 위한 AI 기반 소프트웨어 시스템이나 환자 증상을 진단하고 처방을 추천하는 머신 러닝 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

질문 번호 : 42

드래그 앤 드롭
방식으로 Microsoft의 책임 있는 AI 지침 원칙을 적절한 설명과 연결하세요.
답하려면 왼쪽 열에서 적절한 원칙을 오른쪽 설명으로 드래그하세요. 각 원칙은 한 번, 여러 번 또는 전혀 사용하지 않을 수 있습니다. 참고: 정답은 1점입니다.

한국어:

설명:
상자 1: 신뢰성 및 안전성
신뢰를 구축하려면 AI 시스템이 정상적인 상황과 예상치 못한 상황에서 안정적이고 안전하며 일관되게 작동하는 것이 중요합니다. 이러한 시스템은 원래 설계된 대로 작동하고, 예상치 못한 상황에 안전하게 대응하며, 유해한 조작을 방지할 수 있어야 합니다.
상자 2: 책임성
상자 3: 개인 정보 보호 및 보안
AI가 더욱 보편화됨에 따라 개인 정보 보호 및 중요한 개인 및 비즈니스 정보 보안은 더욱 중요하고 복잡해지고 있습니다. AI의 경우, AI 시스템이 사람에 대해 정확하고 정보에 기반한 예측과 결정을 내리려면 데이터 액세스가 필수적이므로 개인 정보 보호 및 데이터 보안 문제에 특히 세심한 주의가 필요합니다. AI 시스템은 데이터 수집, 사용 및 저장에 대한 투명성을 요구하는 개인 정보 보호법을 준수해야 하며, 소비자가 자신의 데이터 사용 방식을 선택할 수 있는 적절한 통제권을 가져야 합니다.
https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/4-guiding-principles

질문 번호 : 43

청각, 시각 및 기타 장애가 있는 사람들을 포함하여 모든 사람에게 힘을 실어주는 AI 시스템을 설계하고 있습니다.
이는 Microsoft의 책임 있는 AI에 대한 지침 원칙 중 어떤 것의 예입니까?

• A. 공정성
• B. 포용성
• C. 신뢰성 및 안전성
• D. 책임성

정답:비
설명:
포용성: Microsoft는 모든 사람이 지능형 기술의 혜택을 누릴 수 있어야 한다고 굳게 믿습니다. 즉, 지능형 기술은 광범위한 인간의 요구와 경험을 통합하고 해결해야 한다는 의미입니다. 전 세계 10억 명의 장애인에게 AI 기술은 획기적인 변화를 가져올 수 있습니다.
참고: https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/4-guiding-principles

질문 번호 : 44

드래그 앤 드롭 방식
으로 AI 워크로드 유형을 적절한 시나리오에 연결하세요.
정답을 찾으려면 왼쪽 열에서 적절한 워크로드 유형을 오른쪽의 해당 시나리오로 드래그하세요. 각 워크로드 유형은 한 번, 여러 번 또는 전혀 사용하지 않을 수 있습니다. 참고: 정답을 하나 선택할 때마다 1점이 부여됩니다.

한국어:

설명:
상자 3: 자연어 처리
자연어 처리(NLP)는 감정 분석, 주제 감지, 언어 감지, 핵심 문구 추출, 문서 분류 등의 작업에 사용됩니다.
참고: https://docs.microsoft.com/en-us/azure/architecture/data-guide/technology-choices/natural-language-processing

질문 번호 : 45

HOTSPOT
문장을 완성하려면 답변란에서 적절한 옵션을 선택하세요.

한국어:

설명:
신뢰성 및 안전성
https://en.wikipedia.org/wiki/Tay_(bot)
"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 조작에 저항할 수 있어야 합니다. 또한 이러한 시스템이 실제 작동 조건에서 의도한 대로 작동하는지 확인할 수 있는 것도 중요합니다. 시스템의
작동 방식과 안정적이고 안전하게 처리할 수 있는 다양한 조건은 개발자가 설계 및 테스트 과정에서 예상하는 다양한 상황과 환경을 크게 반영합니다. AI 시스템이 예상치 못한 상황과 경계 상황에서 안전하게 대응하고, 예상치 못한 성능 오류가 발생하지 않으며, 원래 예상과 다른 방식으로 발전하지 않도록 시스템 개발 및 배포 과정에서 엄격한 테스트가 필수적이라고 생각합니다."

 

질문 번호 : 46

핫스팟
다음 각 문장에 대해, 문장이 맞으면 '예'를 선택하세요. 그렇지 않으면 '아니요'를 선택하세요. 참고: 정답은 1점입니다.

번역:

설명:
상자 1: 아니요
상자 2: 예
상자 3: 예
이상 탐지는 머신 러닝에서 여러 중요한 작업을 포함합니다.
잠재적으로 사기성이 있는 거래 식별
, 네트워크 침입 발생을 나타내는 패턴 학습,
비정상적인 환자 클러스터 찾기,
시스템에 입력된 값 확인.
참고: https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/anomaly-detection

질문 번호 : 47

자동화된 머신 러닝 사용자 인터페이스(UI)를 사용하여 머신 러닝 모델을 구축합니다.
이 모델이 Microsoft의 책임 있는 AI에 대한 투명성 원칙을 충족하는지 확인해야 합니다.
어떻게 해야 할까요?

• A. 검증 유형을 자동으로 설정합니다.
• B. 최적의 모델을 설명할 수 있습니다.
• C. 기본 지표를 정확도로 설정합니다.
• D. 최대 동시 반복 횟수를 0으로 설정합니다.

정답: 비
설명:
모델 설명 기능.
대부분의 기업은 신뢰를 기반으로 운영되며, ML "블랙박스"를 공개할 수 있는 능력은 투명성과 신뢰를 구축하는 데 도움이 됩니다. 의료 및 금융과 같이 규제가 엄격한 산업에서는 규정 및 모범 사례를 준수하는 것이 매우 중요합니다. 이러한 측면에서 중요한 측면 중 하나는 입력 변수(특성)와 모델 출력 간의 관계를 이해하는 것입니다. 각 특성이 예측 값에 미치는 영향의 크기(특성 중요도)와 방향을 모두 파악하면 모델을 더 잘 이해하고 설명하는 데 도움이 됩니다. 모델 설명 기능을 사용하면 자동화된 ML 실행의 일부로 특성 중요도를 파악할 수 있습니다.
참고: https://azure.microsoft.com/en-us/blog/new-automated-machine-learning-capabilities-in-azure-machine-learning-service/

질문 번호 : 48

핫스팟
분류를 사용하여 사건을 예측하는 모델을 개발하고 있습니다.
아래 그림과 같이 테스트 데이터로 점수가 매겨진 모델에 대한 혼동 행렬이 있습니다.

드롭다운 메뉴를 사용하여 그림에 제시된 정보를 기반으로 각 문장을 완성하는 답안을 선택하세요. 참고: 정답은 1점입니다.

한국어:

설명:
상자 1: 11

TP = 참 양성.
학습 세트의 클래스 레이블은 일반적으로 양성 또는 음성이라고 하는 두 가지 가능한 값만 가질 수 있습니다. 분류기가 올바르게 예측하는 양성 및 음성 인스턴스를 각각 참 양성(TP)과 참 음성(TN)이라고 합니다. 마찬가지로 잘못 분류된 인스턴스를 거짓 양성(FP)과 거짓 음성(FN)이라고 합니다.
상자 2: 1,033
FN = 거짓 음성
FN = 거짓 음성
참고: https://docs.microsoft.com/en-us/azure/machine-learning/studio/evaluate-model-performance
TP를 찾는 것은 쉽습니다. 기본적으로 예측값과 참값이 1인 값을 의미하며, 이 경우 11입니다.
거짓 부정(False Negative)은 참값이 1이고 예측값이 0인 경우를 의미하며, 이 경우 1033입니다.
혼동 행렬은 왼쪽 상단에 예측값과 실제값이 모두 1인 경우(참 긍정)와 오른쪽 하단에 예측값과 실제값이 모두 0인 경우(참 부정)를 보여줍니다. 다른 셀들은 예측값과 실제값이 다른 경우(거짓 긍정과 거짓 부정)를 보여줍니다.
https://docs.microsoft.com/en-us/learn/modules/create-classification-model-azure-machine-learning-designer/evaluate-model

질문 번호 : 49

머신 러닝의 발전을 위해, 훈련과 평가를 위해 데이터를 어떻게 분할해야 할까요?

• A. 학습에는 기능을 사용하고 평가에는 레이블을 사용합니다.
• B. 데이터를 무작위로 분할하여 훈련용 행과 평가용 행으로 나눕니다.
• C. 학습에는 레이블을 사용하고 평가에는 기능을 사용합니다.
• D. 데이터를 무작위로 분할하여 훈련용 열과 평가용 열로 나눕니다.

정답: 비
설명:
https://docs.microsoft.com/en-us/azure/machine-learning/algorithm-module-reference/split-data

질문 번호 : 50

한 회사가 고객에게 전화 및 이메일 지원을 제공하기 위해 고객 서비스 상담원 팀을 고용했습니다.
이 회사는 일반적인 고객 문의에 자동으로 답변해 주는 웹챗 봇을 개발했습니다.
이 웹챗 봇 솔루션을 구축함으로써 이 회사는 어떤 비즈니스 이점을 기대할 수 있을까요?

• A. 매출 증가
• 고객 서비스 담당자의 업무량이 감소했습니다.
• C. 제품 신뢰성 향상

정답:비