Leitfaden zur Prüfung AI-300: Operationalisieren von Machine Learning und generativen KI-Lösungen

Zweck dieses Dokuments

Dieser Leitfaden sollte Ihnen helfen, zu verstehen, was Sie bei der Prüfung erwarten sollten, und enthält eine Zusammenfassung der Themen, die die Prüfung umfassen kann, und Links zu zusätzlichen Ressourcen. Die Informationen und Materialien in diesem Dokument sollten Ihnen dabei helfen, Ihre Studien zu konzentrieren, während Sie sich auf die Prüfung vorbereiten.

Nützliche Links	Beschreibung
Wie man die Zertifizierung erwirbt	Einige Zertifizierungen erfordern nur eine Prüfung, während andere mehrere Prüfungen bestehen müssen.
Zertifizierungsverlängerung	Microsoft Associate-, Experten- und Spezialzertifizierungen laufen jährlich ab. Sie können verlängern, indem Sie einen kostenlosen Online-Test auf Microsoft Learn bestehen.
Ihr Microsoft Learn-Profil	Wenn Sie Ihr Zertifizierungsprofil mit Microsoft Learn verbinden, können Sie Prüfungen planen und verlängern und Zertifikate freigeben und drucken.
Prüfungsbewertung und Bewertungsberichte	Zum Bestehen ist eine Punktzahl von 700 oder höher erforderlich.
Prüfungs-Sandbox	Sie können die Prüfungsumgebung erkunden, indem Sie unsere Prüfungs-Sandbox besuchen.
Unterkunft anfordern	Wenn Sie Hilfsgeräte verwenden, zusätzliche Zeit benötigen oder änderungen an einem Teil der Prüfungserfahrung benötigen, können Sie eine Unterkunft anfordern.

Über die Prüfung

Einige Prüfungen werden in andere Sprachen lokalisiert, und diese werden ungefähr acht Wochen nach der Aktualisierung der englischen Version aktualisiert. Wenn die Prüfung in Ihrer bevorzugten Sprache nicht verfügbar ist, können Sie weitere 30 Minuten anfordern, um die Prüfung abzuschließen.

Hinweis

Die Aufzählungen, die jedem der gemessenen Fähigkeiten folgen, sollen veranschaulichen, wie wir diese Fähigkeit bewerten. Verwandte Themen können in der Prüfung behandelt werden.

Hinweis

Die meisten Fragen umfassen Features, die allgemein verfügbar sind. Die Prüfung kann Fragen zu Vorschaufeatures enthalten, wenn diese Features häufig verwendet werden.

Gemessene Fähigkeiten

Zielgruppenprofil

Als Kandidat für diese Microsoft-Zertifizierung sollten Sie Fachkompetenz bei der Einrichtung von Infrastruktur für machine learning Operations (MLOps) und generative AI Operations (GenAIOps)-Lösungen für Azure haben, die gemeinsam als AI-Vorgänge (AIOps) bezeichnet werden. Sie benötigen Schulungen, Optimierung, Bereitstellung und Wartung herkömmlicher machine learning Modelle, indem Sie Azure Machine Learning verwenden, zusätzlich zur Erfahrung beim Bereitstellen, Auswerten, Überwachen und Optimieren von generativen KI-Anwendungen und Agents mithilfe von Microsoft Foundry.

Sie sollten über einen Data Science-Hintergrund mit Erfahrungen in der Python-Programmierung und einem Einstiegsverständnis von DevOps-Praktiken verfügen, einschließlich der Verwendung von Tools wie GitHub Actions und arbeiten mit Befehlszeilenschnittstellen (Command-Line Interfaces, CLIs).

Darüber hinaus benötigen Sie Kenntnisse und Erfahrungen in MLOps mithilfe von:

• Machine Learning.

• Giesserei.

• GitHub Actions.

• Infrastruktur als Code (IaC)-Praktiken mit Bicep und Azure CLI.

Ihre Zuständigkeiten für diese Rolle umfassen:

• Entwerfen und Implementieren der MLOps-Infrastruktur.

• Implementieren des Machine-Learning-Modelllebenszyklus und -betriebs.

• Entwerfen und Implementieren der GenAIOps-Infrastruktur.

• Implementierung von generativer KI-Qualitätssicherung und -Beobachtbarkeit.

• Optimieren von generativen KI-Systemen und Modellleistung.

Sie arbeiten mit Datenwissenschaftlern, DevOps-Teams und Projektbeteiligten zusammen, um skalierbare KI-Lösungen mit umfassender Automatisierung und Überwachung bereitzustellen.

Fähigkeiten auf einen Blick

• Entwerfen und Implementieren einer MLOps-Infrastruktur (15–20%)

• Implementieren machine learning Modelllebenszyklus und -vorgänge (25–30%)

• Entwerfen und Implementieren einer GenAIOps-Infrastruktur (20–25%)

• Implementieren Sie generative KI-Qualitätssicherung und -Überwachbarkeit (10–15%)

• Optimieren von generativen KI-Systemen und Modellleistung (10–15%)

Entwerfen und Implementieren einer MLOps-Infrastruktur (15–20%)

Erstellen und Verwalten von Ressourcen in einem Machine Learning Arbeitsbereich

• Erstellen und Verwalten eines Arbeitsbereichs

• Erstellen und Verwalten von Datenspeichern

• Erstellen und Verwalten von Berechnungszielen

• Konfigurieren der Identitäts- und Zugriffsverwaltung für Arbeitsbereiche

Erstellen und Verwalten von Ressourcen in einem Machine Learning Arbeitsbereich

• Erstellen und Verwalten von Datenressourcen

• Umgebungen erstellen und verwalten

• Erstellen und Verwalten von Komponenten

• Freigeben von Ressourcen für mehrere Arbeitsbereiche mithilfe von Registrierungen

Implementieren von IaC für Machine Learning

• Konfigurieren Sie die GitHub-Integration mit maschinellem Lernen, um sicheren Zugriff zu aktivieren.

• Bereitstellen von Machine Learning Arbeitsbereichen und Ressourcen mithilfe von Bicep und Azure CLI

• Automatisieren der Ressourcenbereitstellung mithilfe von GitHub Actions Workflows

• Einschränkung des Netzwerkzugriffs auf Machine Learning-Arbeitsbereiche

• Verwalten der Quellcodeverwaltung für machine learning Projekte mithilfe von Git

Implementieren machine learning Modelllebenszyklus und -vorgänge (25–30%)

Schulung des Orchestrierungsmodells

• Konfigurieren der Experimentverfolgung mit MLflow

• Verwenden sie automatisierte machine learning, um optimale Modelle zu erkunden

• Verwenden von Notizbüchern zum Experimentieren und Erkunden

• Automatisieren der Hyperparameteroptimierung

• Ausführen von Modellschulungsskripts

• Verwalten von verteilten Schulungen für große und Deep Learning-Modelle

• Implementieren von Schulungs-pipelines

• Vergleich der Modellleistung über Jobs hinweg

Implementieren der Modellregistrierung und Versionsverwaltung

• Verpacken einer Spezifikation für den Feature-Abruf mit dem Modellartefakt

• Registrieren eines MLflow-Modells

• Bewerten eines Modells mithilfe verantwortungsvoller KI-Prinzipien

• Verwalten des Modelllebenszyklus, einschließlich Archivierungsmodellen

Bereitstellen von machine learning Modellen für Produktionsumgebungen

• Bereitstellung von Modellen als Echtzeit- oder Batch-Endpunkte mit verwalteten Inferenzoptionen.

• Testen und Problembehandlung von Modellendpunkten

• Implementieren von progressiven Rollout- und sicheren Rollbackstrategien

Überwachen und Verwalten von machine learning Modellen in der Produktion

• Erkennen und Analysieren von Datenabweichungen

• Überwachen der Leistungsmetriken von Modellen, die für die Produktion bereitgestellt werden

• Konfigurieren von Umschulungs- oder Warnungstriggern, wenn Schwellenwerte überschritten werden

Entwerfen und Implementieren einer GenAIOps-Infrastruktur (20–25%)

Implementieren von Foundry-Umgebungen und Plattformkonfiguration

• Erstellen und Konfigurieren von Foundry-Ressourcen und Projektumgebungen

• Konfigurieren Sie die Identitäts- und Zugriffsverwaltung mit verwalteten Identitäten und rollenbasierter Zugriffskontrolle (RBAC)

• Implementieren von Netzwerksicherheits- und privaten Netzwerkkonfigurationen

• Bereitstellen der Infrastruktur mit Bicep-Vorlagen und Azure CLI

Bereitstellen und Verwalten von Foundation-Modellen für Produktionsumgebungen

• Bereitstellen von Foundationmodellen mithilfe von serverlosen API-Endpunkten und verwalteten Computeoptionen

• Auswählen geeigneter Modelle für bestimmte Anwendungsfälle

• Implementieren von Strategien zur Modellversionierung und Produktionsbereitstellung

• Konfigurieren von bereitgestellten Durchsatzeinheiten für Workloads mit hohem Volumen

Implementierung der Promptversionierung und -verwaltung durch Versionskontrolle

• Entwerfen und Entwickeln von Eingabeaufforderungen

• Erstellen von Eingabeaufforderungsvarianten und Vergleich der Leistung mit verschiedenen Eingabeaufforderungen

• Implementieren der Versionssteuerung für Eingabeaufforderungen mithilfe von Git-Repositorys

Implementieren Sie generative KI-Qualitätssicherung und -Überwachbarkeit (10–15%)

Konfigurieren der Auswertung und Validierung für generative KI-Anwendungen und -Agents

• Erstellen von Testdatensätzen und Datenzuordnungen für eine umfassende Modellauswertung

• Implementierung von KI-Qualitätsmetriken, einschließlich Verankerung, Relevanz, Kohärenz und Flüssigkeit

• Konfigurieren von Risiko- und Sicherheitsbewertungen für die Erkennung schädlicher Inhalte

• Einrichten automatisierter Auswertungsworkflows mithilfe integrierter und benutzerdefinierter Auswertungsmetriken

Implementieren der Observierbarkeit für generative KI-Anwendungen und -Agents

• Untersuchung der kontinuierlichen Überwachung in der Foundry

• Überwachen von Leistungsmetriken, einschließlich Latenz, Durchsatz und Reaktionszeiten

• Nachverfolgen und Optimieren von Kostenmetriken, einschließlich Tokenverbrauch und Ressourcennutzung

• Konfigurieren detaillierter Protokollierungs-, Ablaufverfolgungs- und Debuggingfunktionen für die Problembehandlung bei der Produktion

Optimieren von generativen KI-Systemen und Modellleistung (10–15%)

Optimierung der Leistung und Genauigkeit der Abruf-gestützten Generierung (RAG)

• Optimieren der Abrufleistung durch Optimieren von Ähnlichkeitsschwellenwerten, Blockgrößen und Abrufstrategien

• Auswählen und Optimieren von Einbettungsmodellen für domänenspezifische Anwendungsfälle und Verbesserungen der Genauigkeit

• Implementieren und Optimieren von Hybridsuchansätzen, die semantische und stichwortbasierte Abrufe kombinieren

• Bewerten und Verbessern der RAG-Systemleistung mithilfe von Relevanzmetriken und A/B-Testframeworks

Implementieren erweiterter Feinabstimmungen und Modellanpassungen

• Entwerfen und Implementieren erweiterter Feinabstimmungsmethoden

• Erstellen und Verwalten synthetischer Daten zur Feinabstimmung

• Überwachen und Optimieren der optimierten Modellleistung

• Verwalten eines optimierten Modells von der Entwicklung über die Produktionsbereitstellung

Studienressourcen

Wir empfehlen Ihnen, vor der Prüfung praktische Erfahrungen zu sammeln und zu trainieren. Wir bieten Selbststudiumsoptionen und Unterrichtsschulungen sowie Links zu Dokumentationen, Communitywebsites und Videos an.

Studienressourcen	Links zu Lernen und Dokumentation
Bereiten Sie sich vor	Wählen Sie aus selbstgesteuerten Lernpfaden und Modulen oder nehmen Sie einen kursleitergeführten Kurs
Dokumentation suchen	Übersicht über künstliche Intelligenz Generative KI-Dokumentation Microsoft 365 Copilot-Dokumentation Microsoft 365-Dokumentation
Fragen stellen	Microsoft Q& A | Microsoft Docs
Community-Support erhalten	Microsoft 365 Copilot Community Hub Microsoft 365 Community Hub
Microsoft Learn folgen	Microsoft Learn – Microsoft Tech Community
Suchen eines Videos	Prüfungsbereitschaftszone Andere Shows von Microsoft Learn durchsuchen