企业官网建设流程全解析

简介：本资源为微软 AI-900 Microsoft Azure AI Fundamentals 认证的 91 道考题整理包，面向准备参加该认证考试的技术人员、云与人工智能入门学习者。内容覆盖人工智能工作负载与考量、Azure 机器学习基础、计算机视觉、自然语言处理等考核方向，题型包含单选、热点题与拖拽题，并附有正确答案与解析说明。资源包共 1 个 PDF 文件，大小约 2.86MB，便于在电脑或移动设备上直接翻阅、打印标注，适合考前集中刷题与知识点速查。已有 448 人学习下载。读者可借由逐题解析理解 Webchat Bot 减轻客服工作量的商业价值判断、训练集与评估集的随机划分方法，以及混淆矩阵中真阳性、假阴性等指标的计算与应用，同时熟悉微软负责任的 AI 原则在自动机器学习中的落地方式，从而系统查漏补缺、提升应试信心。

1. AI-900 考的不是算法，是 Azure 上 AI 服务的边界

很多人备考 AI-900 的第一反应是去补数学：梯度下降、反向传播、正则化，一本《机器学习》啃到第三章，回头做 91 题题库，还是栽在「给一张发票照片自动提取字段该用哪个服务」上。微软考试认证体系里的 AI-900（Azure AI Fundamentals）是基础级云 AI 认证，提问方式高度固定：给业务场景，让你在几个 Azure AI 服务之间做选择；或者给一份训练结果，让你判断该看哪个指标。它不要求写模型代码，也不考公式推导，考的是服务边界和概念口径。适合谁：做过后端、运维、数据分析、产品，想用一张权威证书把「我懂云上 AI 怎么落地」这句话说圆的人；也适合需要跟算法团队对齐术语的技术管理者。下面按考纲拆解、题库处理、命令复现、指标计算、考前复盘的顺序展开，每一步都能直接抄。

2. AI-900 考纲拆解与 91 题题库的刷题路线

2.1 五个考纲域的权重与题型特征

AI-900 的考纲域数量不多，但每个域下面挂的服务名很密，靠背服务名背不完，得按「场景 → 能力 → 服务」三层去记。微软官方的 skills outline 会随版本调整，你手上的 91 题 PDF 如果不是同一版，权重会有出入，所以下面给的是常见区间，不是精确分值，最终以你下载到的官方 skills outline 为准。

题型分布上，选择题占大头，还夹着拖拽匹配题（把服务拖到对应场景）和少量填空。真正让人翻车的是「两个选项都能实现、但只有一个是最合适服务」的那种题，判断依据通常是：任务是否需要自定义模型、输入是不是结构化数据、延迟和成本有没有隐含约束。

2.2 91 题三轮刷题法：从归类到限时模拟

第一轮不掐时间，把 91 题按上表五个域分成五摞，每错一题，在旁边手写一句「正确选项为什么对、我选的为什么错」。这一步的目的不是记住答案，而是暴露你脑子里的错误映射，最常见的三类是：把 OCR 和文档智能混为一谈、把异常检测当成分类问题、把回归指标用到分类题上。

第二轮只做错题和被标记的题，单题控制在 60 秒内。同一道题第二次还错，说明不是记性问题而是概念没建立，回到 Microsoft Learn 对应学习路径读原文，别在题库内部找证据。

第三轮连续做两套限时模拟，单题 45 秒左右，正确率稳定在 85% 以上再约考。AI-900 的通过线常见说法是 700/1000，考试时长通常在 45 分钟上下，题量 40 到 50 题。

提示：题库 PDF 的参考答案本身可能有错。遇到两个选项都像对的题，去官方学习路径上找原文，不要用「另一道题的答案」来反推。

2.3 用 Python 把题库 PDF 拆成可检索的 CSV

91 题的 PDF 直接翻效率很低，无法按关键词检索，也没法统计自己哪块薄弱。用 pdfplumber 抽文本再按题号切块，是最省事的做法。

import re import csv import pdfplumber PDF_PATH = "AI-900-91Q.pdf" # 题库 PDF，放脚本同目录 OUT_CSV = "ai900_questions.csv" # 题号格式可能是 "1." "12、" "Q3." "Question 4"，按你手上的 PDF 实际格式调整 Q_PATTERN = re.compile(r"(?m)^\s*(?:Q(?:uestion)?\s*)?(\d{1,3})[\.\、\)]\s+") # 选项格式 "A." "B)" "C、"，多选、拖拽题的选项可能不带字母，需要单独处理 OPT_PATTERN = re.compile(r"(?m)^\s*([A-F])[\.\、\)]\s+(.*)$") def main(): rows = [] with pdfplumber.open(PDF_PATH) as pdf: for page_no, page in enumerate(pdf.pages, start=1): # x_tolerance 调小可避免双栏 PDF 把左右两栏串成一行 text = page.extract_text(x_tolerance=2, y_tolerance=2) or "" marks = list(Q_PATTERN.finditer(text)) for i, m in enumerate(marks): start = m.start() end = marks[i + 1].start() if i + 1 < len(marks) else len(text) block = text[start:end].strip() options = OPT_PATTERN.findall(block) stem = OPT_PATTERN.sub("", block).strip() # 去掉选项行，剩下题干 rows.append({ "qid": m.group(1), "page": page_no, "stem": " ".join(stem.split()), "options": " | ".join(f"{k}.{v.strip()}" for k, v in options), }) with open(OUT_CSV, "w", newline="", encoding="utf-8-sig") as f: writer = csv.DictWriter(f, fieldnames=["qid", "page", "stem", "options"]) writer.writeheader() writer.writerows(rows) print(f"extracted {len(rows)} questions -> {OUT_CSV}") if __name__ == "__main__": main()

逻辑上分三步：逐页抽文本、按题号正则切成块、用选项正则把题干和选项分离。参数上有几个坑值得说明：x_tolerance和y_tolerance是控制字符合并距离的，双栏排版时调小到 1 能减少左右栏混行，单栏排版调大反而更干净；encoding="utf-8-sig"是为了 Excel 双击打开不乱码；Q_PATTERN必须按你手上 PDF 的真实编号格式改，照抄大概率切不出 91 条，跑完先看打印的条数对不对。

2.4 用词频统计定位薄弱考纲域

把 CSV 生成后，用一条 grep 就能看出哪类关键词在你的错题里高频出现，再对应到考纲域。

# 统计题库中各类能力关键词出现次数，按频次倒序 grep -o -i -E "computer vision|ocr|read api|sentiment|key phrase|entity|speech|translator|anomaly|regression|classification|clustering|azure openai|responsible ai|confusion matrix" \ ai900_questions.csv | sort | uniq -c | sort -rn

这条命令做的是「关键词 → 出现次数」的聚合，-o让 grep 只输出匹配片段而不是整行，-i忽略大小写，最后的sort -rn按次数倒序。如果你发现自己丢分集中在confusion matrix、regression这类词上，优先补第 4 章那套指标算法；如果集中在speech、translator，就补语言服务的功能边界。

3. 把 AI-900 考点落成 Azure 资源：CLI 与 SDK 最小复现

3.1 用 Azure CLI 建多服务认知服务资源

考试里出现频率最高的一个映射是「一个 key 打通多个 AI 能力」，对应的是多服务资源。用 CLI 建一遍，比看十遍文档记得牢。

# 登录，会拉起浏览器走微软账户授权；CI 环境用 --use-device-code az login # 建资源组，region 选离你近的，也影响后面服务是否可用 az group create --name rg-ai900-lab --location eastasia # 查看当前订阅支持哪些 kind，别照抄老教程里的名字 az cognitiveservices account list-kinds -o table # 建多服务资源：kind 选 CognitiveServices（新版可能叫 AIServices） az cognitiveservices account create \ --name ai900-cog-demo-001 \ --resource-group rg-ai900-lab \ --kind CognitiveServices \ --sku F0 \ --location eastasia \ --custom-domain ai900-cog-demo-001 \ --yes # 取 key 和 endpoint，两个值后面写进环境变量 az cognitiveservices account keys list \ --name ai900-cog-demo-001 --resource-group rg-ai900-lab -o table az cognitiveservices account show \ --name ai900-cog-demo-001 --resource-group rg-ai900-lab \ --query properties.endpoint -o tsv

参数含义逐个说清：--kind决定这个资源能调哪些 API，CognitiveServices是多服务，ComputerVision、TextAnalytics、FormRecognizer是单服务，考试里「一个资源支持多种 AI 能力」问的就是多服务资源；--sku F0是免费层，每个订阅每类服务通常只能建一个，练手优先用它，S0 是标准层按量计费；--custom-domain会生成带子域名的 endpoint，部分服务必须要有；--yes跳过确认提示，脚本里不加会卡住。

3.2 用 Python SDK 跑通文本情感分析与图像识别

文本侧先装包：pip install azure-ai-textanalytics azure-ai-vision-imageanalysis，然后把上面取到的 endpoint 和 key 写进环境变量。

import os from azure.core.credentials import AzureKeyCredential from azure.ai.textanalytics import TextAnalyticsClient ENDPOINT = os.environ["AI900_ENDPOINT"] # https://xxx.cognitiveservices.azure.com/ KEY = os.environ["AI900_KEY"] client = TextAnalyticsClient(endpoint=ENDPOINT, credential=AzureKeyCredential(KEY)) docs = [ "The new GPU instance cut our training time in half.", "The invoice upload failed three times this morning.", ] # show_opinion_mining 开启观点挖掘，能定位到评价对应的具体对象 result = client.analyze_sentiment(documents=docs, language="en", show_opinion_mining=True) for doc in result: if doc.is_error: # 单条失败不影响整批，务必判断 print(doc.id, doc.error.code, doc.error.message) continue print(doc.id, doc.sentiment, doc.confidence_scores) for s in doc.sentences: print(" ", s.text, s.sentiment)

视觉侧用同一个 endpoint 和 key 即可，这就是多服务资源的价值：

from azure.core.credentials import AzureKeyCredential from azure.ai.vision.imageanalysis import ImageAnalysisClient from azure.ai.vision.imageanalysis.models import VisualFeatures vision = ImageAnalysisClient(endpoint=ENDPOINT, credential=AzureKeyCredential(KEY)) res = vision.analyze( image_url="https://example.com/invoice-sample.jpg", # 换成可公网访问的图片 visual_features=[VisualFeatures.CAPTION, VisualFeatures.READ, VisualFeatures.TAGS], ) print(res.caption.text, round(res.caption.confidence, 3)) for block in res.read.blocks: # READ 对应 OCR，按块返回文本行 for line in block.lines: print(line.text)

关键点在于visual_features这个参数：CAPTION生成整图描述、READ做 OCR、TAGS打标签、OBJECTS做目标检测。考试里问「哪项功能能从图片里读出文字」，答案就是 READ / OCR 这条线；问「生成图片的一句话描述」，是 caption。image_url必须是服务端可访问的公网地址，本地文件要先上传到 Blob 存储再传 URL，这是新手最常踩的落地坑。

3.3 key、endpoint、region 三类错配的排错表

打印doc.error.code是定位问题的关键动作，常见的错误码和真实原因对应如下。

重试策略可以直接交给 SDK 的传输层参数，不用自己写循环：

from azure.ai.textanalytics import TextAnalyticsClient from azure.core.pipeline.policies import RetryPolicy client = TextAnalyticsClient( endpoint=ENDPOINT, credential=AzureKeyCredential(KEY), retry_policy=RetryPolicy(total_retries=5, backoff_factor=0.5), # 5 次重试，间隔指数增长 )

total_retries是重试总次数，backoff_factor是退避基数，SDK 默认只对 408、429、500 这类可重试状态码生效。写业务代码时把它调大一点比在业务层包一层 for 循环更省心，考试不考这段，但真实项目里必踩。

4. Azure 机器学习与负责任 AI：丢分最多的两块

4.1 workspace、compute instance 与 compute cluster 的分工

Azure 机器学习这块的高频考法是「哪个组件负责什么」，用命令行建一遍比背概念有效。先装扩展：az extension add -n ml。

# 建 workspace，它是 AML 的顶层组织单元 az ml workspace create --name aml-ai900 --resource-group rg-ai900-lab --location eastasia # compute instance：单机开发环境，给数据科学家写 notebook 用 az ml compute create --name dev-instance --type ComputeInstance \ --size STANDARD_DS3_V2 --workspace-name aml-ai900 --resource-group rg-ai900-lab # compute cluster：训练用集群，可自动伸缩，用完缩到 0 省钱 az ml compute create --name cpu-cluster --type AmlCompute \ --size STANDARD_DS3_V2 --min-instances 0 --max-instances 2 \ --workspace-name aml-ai900 --resource-group rg-ai900-lab

--type是这道题的答案本体：ComputeInstance是单节点的开发机，AmlCompute是可自动伸缩的训练集群，推理集群通常建在 AKS 上用于部署。--min-instances 0表示集群闲置时缩容到零节点，只在有任务时计费，是控制成本最直接的手段。workspace 下面还挂着数据存储（datastore）、数据集（dataset）、模型注册表（model registry）、管道（pipeline）和环境（environment），考题会问「保存训练好的模型该放哪」，答案是 model registry。

4.2 负责任 AI 六原则的识别技巧

六个原则的题目几乎每套必出，难点是场景描述一绕就分不清。记住每个原则的「一句话识别点」比背定义管用。

判断时的抓手是：如果题干提到「某类人群受到不公平对待」，选公平性；提到「数据泄露、加密、授权」，选隐私与安全；提到「解释、可理解、为什么拒绝」，选透明性；提到「谁负责、治理机制」，选问责制。可靠性与安全性常和公平性混，区别在于前者看的是系统在异常情况下是否安全，与人群无关。

4.3 混淆矩阵与 F1、AUC 的手算与代码校验

计算类题目数量不多但基本必出，给一个 2×2 表让你算 precision、recall、F1。定义上，precision 的分母是「预测为正的样本数」，recall 的分母是「实际为正的样本数」，这两个分母记反就是最常见的失分点。

tp, fp, fn, tn = 80, 20, 10, 90 # 行=实际，列=预测，按题干表格对应填写 accuracy = (tp + tn) / (tp + tn + fp + fn) precision = tp / (tp + fp) # 关注「预测为正」里有多少是真的 recall = tp / (tp + fn) # 关注「实际为正」里有多少被抓到 f1 = 2 * precision * recall / (precision + recall) print(f"accuracy={accuracy:.3f} precision={precision:.3f} recall={recall:.3f} f1={f1:.3f}")

这段代码的意义在于：考试时你可以先把四个数按题干填进去，心算一遍再对。accuracy在类别极不平衡时会骗人，比如 95% 样本是负类，全预测为负也有 95% 准确率，所以考题常问「该用哪个指标衡量」，答案是 precision、recall 或 F1 而不是 accuracy。回归任务对应的指标是 MAE、MSE、RMSE 和 R²，MAE 与目标同量纲、可解释性最好，RMSE 对大误差更敏感。AUC 衡量的是模型把正样本排在负样本前面的能力，取值 0.5 相当于随机猜测，1.0 是完美排序；聚类任务没有标签，因此不适用这些指标，考核点是「无监督」。

5. 考前 72 小时的复盘清单与考场排除法

5.1 错题归因表怎么填

考前三天不适合再刷整套新题，应该把 91 题里的错题压缩成一张归因表，按「错因类型」而不是「题目编号」聚合。我在实际操作里常用四列：题干关键词、正确服务 / 概念、我选错的选项、错因归类。错因归类只允许填四类之一——服务边界混淆、指标定义记反、概念术语不熟、题目本身有争议。前三类回官方学习路径对应模块补，第四类直接划掉不再看，避免在无效题上反复消耗时间。

5.2 题干关键词到 Azure 服务的速查映射

把高频关键词整理成一张速查表，考前过两遍，比重新读一遍考纲快得多。

5.3 时间分配与标记策略

考试界面上有标记（review）功能，用法值得提前想清楚：读题超过 30 秒仍无把握的，先按第一直觉选一个再标记，不要空着，因为多数平台不扣错题分。45 分钟的考试，建议前 25 分钟做完单选，留 12 分钟给拖拽匹配题和计算题，最后 8 分钟只回看被标记的题。回看时如果第二遍仍然犹豫，就维持原答案——第一遍的判断往往建立在对服务边界的整体印象上，反复改反而容易把对的改错。拖拽题注意选项数量与空位数是否相等，有的题会多给一个干扰项，多出来的那个通常就是最像正确答案的那个服务。

本文还有配套的精品资源，点击获取