Sesja 24: Praktyczne ćwiczenia i symulacje egzaminów

Finalne przygotowanie do certyfikacji

🎯 Cele sesji

Przeprowadzenie symulacji egzaminu AI-102 w warunkach zbliżonych do rzeczywistych
Praktyczne rozwiązywanie scenariuszy case study
Identyfikacja ostatnich luk w przygotowaniu
Strategia zdawania egzaminu i zarządzanie czasem

🏆 Full AI-102 Practice Exam Simulation

Struktura symulacji

Format egzaminu:

Czas: 150 minut (2.5 godziny)
Pytania: 50 pytań (reprezentatywna próbka)
Passing score: 35/50 (70%)
Typy pytań: Multiple choice, drag-and-drop, case studies

Symulacja egzaminacyjna - Part A

Domain 1: Plan and Manage Azure AI Solution (15-20%)

Scenario 1: Enterprise AI Implementation

Firma technologiczna planuje implementację AI dla automatyzacji procesów HR. Potrzebują systemu do:

Automatycznej analizy CV i dopasowywania kandydatów
Chatbota dla pracowników do pytań HR
Analizy sentymentu w feedback 360
Systemu musi być GDPR-compliant i skalować się na 10,000 pracowników

Q1: Które Azure AI services będą najbardziej odpowiednie dla tego scenariusza? (Wybierz 3)

A) Azure AI Language dla analizy tekstu CV i sentymentu
B) Azure OpenAI Service dla chatbota HR
C) Azure Computer Vision dla skanowania dokumentów
D) Azure AI Translator dla wielojęzyczności
E) Azure Cognitive Search dla wyszukiwania w bazie CV
F) Azure Form Recognizer dla strukturyzacji CV

Q2: Jakie mechanizmy Responsible AI należy zaimplementować? (Wybierz wszystkie odpowiednie)

A) Bias detection w procesie selekcji kandydatów
B) Explainable AI dla decyzji o zatrudnieniu
C) Human oversight dla wszystkich rekomendacji
D) Automated decision making bez nadzoru
E) Privacy protection dla danych osobowych
F) Audit trail dla wszystkich operacji AI

Domain 2: Implement Decision Support Solutions (20-25%)

Scenario 2: Intelligent Document Search

Kancelaria prawna ma 50,000 dokumentów w różnych formatach i potrzebuje inteligentnego systemu wyszukiwania.

Q3: Drag and drop - Uporządkuj kroki implementacji w prawidłowej kolejności:

Dostępne kroki:
[A] Create search index with appropriate fields
[B] Configure data sources and indexers  
[C] Deploy Azure Cognitive Search service
[D] Implement search client application
[E] Create enrichment skillset
[F] Test and optimize search results

Prawidłowa kolejność: ___ → ___ → ___ → ___ → ___ → ___

Q4: Kod implementation - Uzupełnij kod dla custom skill:

def extract_legal_entities(documents):
    results = []
    for doc in documents:
        text = doc["data"]["text"]
        
        # Extract case numbers (format: CASE-2023-001234)
        case_numbers = re.findall(r'CASE-\d{4}-\d{6}', text)
        
        # Extract legal citations (format: 123 F.3d 456)
        citations = re.findall(r'\d+\s+F\.\d+d\s+\d+', text)
        
        results.append({
            "recordId": doc["recordId"],
            "data": {
                "case_numbers": case_numbers,
                "legal_citations": citations,
                "confidence": ___________  # Uzupełnij
            }
        })
    
    return {"values": results}

Domain 3: Implement Language Solutions (20-25%)

Scenario 3: Multilingual Customer Service

E-commerce platform potrzebuje multilingual chatbot obsługujący 5 języków w czasie rzeczywistym.

Q5: Jaka architektura będzie najlepsza?

A) Single language model with translation layer
B) Separate models for each language
C) Azure AI Language + Azure AI Translator + Azure OpenAI
D) Custom multilingual model training

Q6: Implementacja - Uzupełnij kod dla language detection i routing:

async def process_multilingual_query(user_input):
    # Step 1: Detect language
    detected_lang = await language_client.detect_language(
        documents=[{"id": "1", "text": user_input}]
    )
    
    primary_language = detected_lang.documents[0].detected_language.iso6391_name
    
    # Step 2: Translate to English if needed
    if primary_language != "en":
        translation_result = await translator_client.translate(
            body=[{"text": user_input}],
            to_language=["en"],
            from_language=primary_language
        )
        english_query = translation_result[0].translations[0].text
    else:
        english_query = user_input
    
    # Step 3: Process with AI model
    response = await openai_client.chat.completions.create(
        model="gpt-4",
        messages=[
            {"role": "system", "content": "You are a helpful customer service assistant."},
            {"role": "user", "content": english_query}
        ]
    )
    
    english_response = response.choices[0].message.content
    
    # Step 4: Translate response back
    if primary_language != "en":
        final_response = await translator_client.translate(
            body=[{"text": english_response}],
            to_language=[primary_language],
            from_language="en"
        )
        return final_response[0].translations[0].text
    else:
        return english_response

Jaka jest potencjalna wada tego podejścia? A) Wysokie koszty tłumaczeń
B) Utrata kontekstu w tłumaczeniu
C) Zwiększona latencja przez multiple API calls
D) Wszystkie powyższe

Domain 4: Implement Knowledge Mining Solutions (15-20%)

Q7: Custom skillset definition - Wybierz poprawną konfigurację:

{
    "@odata.type": "#Microsoft.Skills.Custom.WebApiSkill",
    "name": "ExtractBusinessInsights",
    "description": "Extract business-specific insights from documents",
    "uri": "https://myfunction.azurewebsites.net/api/extract-insights",
    "httpHeaders": {
        "Ocp-Apim-Subscription-Key": "subscription-key"
    },
    "inputs": [
        {
            "name": "text",
            "source": "/document/content"
        }
    ],
    "outputs": [
        {
            "name": "insights",
            "targetName": "businessInsights"
        }
    ]
}

Co należy dodać do tej konfiguracji dla production use? A) Error handling i timeout configuration
B) Authentication method
C) Input/output validation
D) Wszystkie powyższe

Domain 5: Implement Generative AI Solutions (20-25%)

Scenario 4: RAG Implementation

Firma konsultingowa chce zbudować system RAG dla swojej bazy wiedzy.

Q8: Który approach będzie najlepszy dla 10,000 dokumentów?

A) Load all documents into prompt context
B) Vector database + semantic search + LLM
C) Fine-tuned model on company documents
D) Simple keyword search + GPT-4

Q9: RAG Implementation - Uzupełnij brakujący kod:

async def rag_query(question, vector_store, llm):
    # Retrieve relevant documents
    relevant_docs = vector_store.similarity_search(
        question, 
        k=5  # Top 5 most relevant
    )
    
    # Build context
    context = "\n\n".join([doc.page_content for doc in relevant_docs])
    
    # Create RAG prompt
    rag_prompt = f"""
    Use the following context to answer the question. If the context doesn't contain 
    enough information, say so clearly.
    
    Context:
    {context}
    
    Question: {question}
    
    Answer:"""
    
    # Generate response
    response = await llm.acomplete(rag_prompt)
    
    return {
        "answer": response.text,
        "sources": [____________],  # Uzupełnij
        "confidence": ____________  # Uzupełnij
    }

📊 Case Study: Complete AI Solution Architecture

Comprehensive Scenario

GlobalTech Corporation - międzynarodowa firma technologiczna z 50,000 pracownikami w 15 krajach planuje kompleksową transformację AI:

Business Requirements:

Multilingual employee support system (15 języków)
Intelligent document processing (contracts, invoices, reports)
Advanced search across all corporate knowledge
Automated compliance monitoring
Personalized learning recommendations
Real-time sentiment analysis of employee communications

Technical Constraints:

GDPR, CCPA, and local privacy compliance
99.9% availability SLA
<2 second response time for search queries
$500K annual budget for AI services
Integration with existing SAP, Salesforce, Office 365

Multi-part Questions

Part A: Architecture Design (15 minutes)

Design a complete Azure AI solution architecture that meets all requirements. Include:

Service Selection Matrix

Use Case → Primary Service → Alternative → Justification
Employee Support → _______ → _______ → _______
Document Processing → _______ → _______ → _______  
Knowledge Search → _______ → _______ → _______
Compliance Monitoring → _______ → _______ → _______
Learning Recommendations → _______ → _______ → _______
Sentiment Analysis → _______ → _______ → _______

Data Flow Architecture Draw/describe the data flow from user interaction to AI response, including:

Authentication and authorization
Language detection and routing
Document processing pipeline
Search and retrieval system
Response generation and translation

Part B: Implementation Strategy (20 minutes)

Create detailed implementation plan:

Phase 1 (Months 1-3): Foundation
- Azure infrastructure setup
- Core AI services deployment
- Basic integration with existing systems
- Security and compliance framework
Phase 2 (Months 4-6): Core Features
- Multilingual support system
- Document processing pipeline
- Search implementation
- User interfaces
Phase 3 (Months 7-9): Advanced Features
- Compliance monitoring
- Learning recommendations
- Advanced analytics
- Performance optimization

Part C: Risk Management (10 minutes)

Identify and mitigate risks:

Risk Category → Specific Risk → Impact → Mitigation Strategy → Owner
Technical → _______ → _______ → _______ → _______
Business → _______ → _______ → _______ → _______
Compliance → _______ → _______ → _______ → _______
Financial → _______ → _______ → _______ → _______

Part D: Success Metrics (10 minutes)

Define measurable KPIs:

Business Metrics:
- Employee satisfaction score: Target _____
- Support ticket reduction: Target _____% 
- Document processing time reduction: Target _____%

Technical Metrics:  
- System availability: Target _____%
- Response time: Target _____ seconds
- Search accuracy: Target _____%
- Cost per interaction: Target $____

Compliance Metrics:
- Privacy compliance score: Target _____%
- Audit readiness: Target _____ days
- Data breach incidents: Target _____

⏱️ Timing Strategy i Test-Taking Tips

Time Management Strategy

150-minute breakdown:

First pass (90 min): Answer all questions you're confident about
Second pass (40 min): Tackle difficult questions and case studies
Final review (20 min): Review flagged questions and check answers

Common Pitfalls i Jak ich Unikać

❌ Common Mistakes:

Over-engineering solutions - Wybieranie najbardziej zaawansowanego rozwiązania zamiast najodpowiedniejszego
Ignoring cost considerations - Pomijanie wymagań budżetowych
Missing compliance requirements - Nie uwzględnianie GDPR/privacy requirements
Poor time management - Spędzanie zbyt dużo czasu na trudnych pytaniach

✅ Success Strategies:

Read carefully - Zwracaj uwagę na słowa kluczowe: "most appropriate", "least cost", "best practice"
Eliminate wrong answers - Usuń oczywiste błędne opcje najpierw
Consider context - Business requirements często ważniejsze niż technical possibilities
Flag and return - Zaznacz niepewne pytania i wróć do nich później

Final Preparation Checklist

Technical Knowledge:

Umiem wybrać odpowiednie AI services dla różnych use cases
Znam pricing models i cost optimization strategies
Rozumiem security best practices dla każdego service
Potrafię zaprojektować end-to-end solutions
Znam troubleshooting common issues

Hands-on Experience:

Ukończyłem labs dla wszystkich 5 domen egzaminowych
Zbudowałem co najmniej 3 kompletne AI solutions
Deployed modele do production environment
Zaimplementowałem monitoring i alerting
Pracowałem z real-world data i constraints

Exam Mechanics:

Zaznajomiony z Microsoft exam interface
Practiced z różnymi typami pytań
Comfortable z time management
Przygotowane backup plans dla technical issues

🏆 Final Certification Workshop

Mock Exam Results Analysis

Po ukończeniu symulacji, przeprowadź analizę:

Performance by Domain:

Domain 1 (Plan & Manage): ___/10 points (___%)
Domain 2 (Decision Support): ___/12 points (___%)  
Domain 3 (Language Solutions): ___/12 points (___%)
Domain 4 (Knowledge Mining): ___/8 points (___%)
Domain 5 (Generative AI): ___/12 points (___%)

Total Score: ___/50 points (___%)
Pass/Fail: _______

Areas for Final Review:

Domain z najniższym wynikiem: _______
Specific topics do powtórzenia: _______
Time management issues: _______
Question types causing difficulty: _______

Certification Pathway Next Steps

If Score ≥ 70%:

✅ Ready dla official exam
📅 Schedule exam w najbliższym terminie
📖 Light review of weak areas only
💪 Maintain confidence i momentum

If Score 50-69%:

📚 Focus study na lowest-scoring domains
🔄 Retake practice exams w 1 week
💻 Additional hands-on practice needed
📅 Schedule exam for 2-3 weeks

If Score <50%:

🚨 Intensive study required
📖 Review all course materials
💻 Complete all hands-on labs again
📅 Delay exam by 4-6 weeks
👥 Consider additional training/mentoring

🎯 Congratulations!

Po ukończeniu tej sesji jesteś gotowy/a do:

Zdania oficjalnego egzaminu AI-102
Rozpoczęcia kariery jako Azure AI Engineer
Prowadzenia enterprise AI projects
Ciągłego rozwoju w dziedzinie AI

Powodzenia na egzaminie! 🍀