Il criterio: da problema a workload

Il cuore di questa competenza è saper leggere un requisito e ricondurlo al workload AI corretto, prima ancora di pensare al servizio Azure specifico. Il metodo è costante: identifica il tipo di input (testo, immagine, audio, documento strutturato), il tipo di output desiderato (un’etichetta, del testo, delle coordinate, contenuto nuovo) e il grado di novità della risposta. Un problema che chiede di creare qualcosa che prima non esisteva è generative AI; un problema che chiede di analizzare, classificare o estrarre da qualcosa che già esiste ricade in vision, speech o text analysis. L’esame (passing score 700/1000) presenta scenari discorsivi proprio per verificare se sai applicare questa distinzione, non se ricordi nomi di prodotto. Quando uno scenario elenca input di natura diversa da combinare, alza subito l’attenzione: potrebbe essere un caso multimodale.

Vision, speech e linguaggio

Computer vision lavora su immagini e video. Le attività da riconoscere sono: image classification (un’etichetta per l’intera immagine), object detection (etichetta più posizione, cioè bounding box, per ogni oggetto individuato), OCR (lettura di testo stampato o manoscritto da un’immagine) e facial detection/analysis (individuare volti e attributi). Il segnale distintivo è che l’input è visivo.

Speech copre lo scambio tra audio e testo: speech-to-text (trascrizione del parlato), text-to-speech (sintesi vocale), speech translation (parlato tradotto in un’altra lingua) e speaker recognition. Se nello scenario compare dell’audio, il workload vive quasi sempre qui.

Text analysis (natural language processing) estrae significato da testo già esistente: sentiment analysis, key phrase extraction, named entity recognition (NER), language detection e rilevamento di PII. Punto chiave: qui non si genera nulla di nuovo, si interpreta ciò che è dato.

Generativa, estrazione e multimodale

Generative AI produce contenuto nuovo — testo, codice, immagini — a partire da un prompt, tipicamente tramite large language model. È il workload giusto quando lo scenario chiede di scrivere una bozza, riassumere, rispondere in linguaggio naturale o generare un’immagine.

Information extraction trasforma documenti in dati strutturati. La distinzione che l’esame ama testare è tra OCR, che restituisce solo il testo grezzo, e l’estrazione da documenti (Document Intelligence), che restituisce coppie chiave-valore, tabelle e campi tipizzati da fatture, ricevute e moduli. Affine è la knowledge mining: indicizzare e cercare in grandi volumi di contenuti eterogenei.

Multimodal indica modelli che elaborano più modalità nello stesso passaggio — tipicamente immagine e testo insieme — per esempio descrivere una foto, rispondere a domande su un’immagine o combinare un documento con istruzioni testuali. Se lo scenario mescola input di natura diversa chiedendo un ragionamento unico, è multimodale, non la somma di due servizi separati.

Sul piano operativo questi workload si compongono e si consumano dentro Microsoft Foundry; per nomi esatti di API, parametri e flussi di configurazione rimanda sempre alla documentazione ufficiale, che evolve rapidamente.

Trappole tipiche d’esame

  • Estrarre campi da fatture o moduli → Document Intelligence: l’OCR “semplice” restituisce solo testo non strutturato; per coppie chiave-valore e tabelle serve information extraction.
  • Localizzare più oggetti con la loro posizione → object detection: l’image classification assegna un’unica etichetta all’intera immagine e non fornisce bounding box.
  • Trascrivere un audio e cambiarne la lingua → speech translation: lo speech-to-text trascrive soltanto; la traduzione del parlato è un workload distinto.
  • Riassumere o redigere testo nuovo → generative AI: sentiment analysis e key phrase extraction analizzano testo esistente, non creano contenuto.
  • Rispondere in linguaggio naturale su cosa mostra un’immagine → multimodale: non è pura computer vision, perché combina comprensione visiva e linguistica.
  • Rilevare PII o entità nominate in un testo → text analysis (NER/PII): è interpretazione del dato esistente, non generazione né visione.