מדריך לימוד למבחן AI-300: הפעלת פתרונות למידת Machine Learning ו-Generative AI

מטרת מסמך זה

מדריך לימוד זה אמור לעזור לך להבין למה לצפות בבחינה וכולל סיכום של הנושאים שהמבחן עשוי לכסות וקישורים למשאבים נוספים. המידע והחומרים במסמך זה אמורים לעזור לך למקד את המחקרים שלך בזמן שאתה מתכונן למבחן.

קישורים שימושיים	תיאור
כיצד להרוויח את אישור	אישורים מסוימים דורשים רק לעבור מבחן אחד, ואילו אישורים אחרים דורשים לעבור מבחנים מרובים.
חידוש אישורים	תוקף התוקף של Microsoft לתוקף של שותפו, מומחה ואישורים מיוחדים יפוג מדי שנה. באפשרותך לחדש על-ידי העברת הערכה באינטרנט ללא תשלום ב- Microsoft Learn.
פרופיל Microsoft Learn	חיבור פרופיל האישור שלך ל- Microsoft Learn מאפשר לך לתזמן ולחדש מבחנים ולשתף ולהדפיס אישורים.
דוחות ניקוד וניקוד של מבחנים	כדי לעבור ציון של 700 ואילך.
ארגז חול של מבחן	תוכל לחקור את סביבת המבחן על-ידי ביקור בארגז החול של המבחן שלנו.
מקומות אירוח	אם אתה משתמש במכשירים מסייעים, דורש זמן נוסף או זקוק לשינוי בכל חלק של חוויית המבחן, באפשרותך לבקש מקום אירוח.

אודות המבחן

יש מבחנים המותאמים לשפות אחרות, ומעודכנים כשמונה שבועות לאחר עדכון הגירסה האנגלית. אם המבחן אינו זמין בשפה המועדפת עליך, באפשרותך לבקש 30 דקות נוספות להשלמת המבחן.

הערה

תבליטים שעוקבים אחר כל אחד מהכישורים הנמדדים נועדו להמחיש כיצד אנו להעריך מיומנות זו. נושאים קשורים עשויים להיות מכוסים במבחן.

הערה

רוב השאלות כוללות תכונות זמינות כלליות (GA). המבחן עשוי להכיל שאלות בתכונות Preview אם תכונות אלה נמצאות בשימוש נפוץ.

הכישורים הנמדדים

פרופיל קהל

כמועמד להסמכת מיקרוסופט, עליך להיות בעל מומחיות בהקמת תשתיות לפתרונות תפעול machine learning (MLOps) ופתרונות תפעול בינה מלאכותית גנרטיבי (GenAIOps) על Azure, המכונים יחד AI operations (AIOps). אתה צריך ניסיון באימון, אופטימיזציה, פריסה ותחזוקה של מודלים מסורתיים של machine learning באמצעות Azure Machine Learning, בנוסף לניסיון בפריסה, הערכה, ניטור ואופטימיזציה של יישומי ובינה מלאכותית גנרטיבית באמצעות Microsoft Foundry.

צריך להיות לך רקע במדעי הנתונים עם ניסיון בתכנות פייתון והבנה בסיסית של פרקטיקות DevOps, כולל שימוש בכלים כמו GitHub Actions ועבודה עם ממשקי שורת פקודה (CLI).

בנוסף, אתה צריך ידע וניסיון ב-MLOps על ידי שימוש:

• Machine Learning.

• מפעל יציקה.

• GitHub Actions.

• תשתית כקוד (IaC) מתבצעת עם Bicep ו-Azure CLI.

תחומי האחריות שלך בתפקיד זה כוללים:

• עיצוב ויישום תשתית MLOps.

• יישום מחזור החיים והפעולות של מודל machine learning.

• עיצוב ויישום תשתית GenAIOps.

• יישום אבטחת איכות ויכולת תצפית בבינה מלאכותית גנרטיבית.

• אופטימיזציה של מערכות בינה מלאכותית גנרטיבית וביצועי מודלים.

אתה עובד עם מדעני נתונים, צוותי DevOps ובעלי עניין כדי לספק פתרונות AI ניתנים להרחבה עם אוטומציה וניטור מקיפים במיוחד.

כישורים במבט מהיר

• עיצוב ויישום תשתית MLOps (15–20%)

• מימוש מחזור חיים ופעולות machine learning המודל (25–30%)

• עיצוב ויישום תשתית GenAIOps (20–25%)

• יישום אבטחת איכות ויכולת תצפית גנרטיבית בבינה מלאכותית (10–15%)

• אופטימיזציה של מערכות בינה מלאכותית גנרטיבית וביצועי מודלים (10–15%)

עיצוב ויישום תשתית MLOps (15–20%)

יצור ומנהל משאבים במרחב עבודה של Machine Learning

• יצור ומנהל סביבת עבודה

• ליצור ולנהל מאגרי נתונים

• יצור ומנהל מטרות חישוב

• הגדרת ניהול זהות ו-access עבור מרחבי עבודה

יצור ומנהל נכסים בסביבת עבודה של Machine Learning

• יצור ומנהל נכסי נתונים

• יצירת סביבות וניהול שלהן

• צור ונהל רכיבים

• שתפו נכסים בין מרחבי עבודה באמצעות רשומות

מימוש IaC for Machine Learning

• הגדר אינטגרציה בין GitHub ל-Machine Learning כדי לאפשר access מאובטח

• פריסת מרחבי עבודה ומשאבים של Machine Learning באמצעות Bicep ו-Azure CLI

• אוטומציה של הקצאת משאבים באמצעות זרימות עבודה של GitHub Actions

• הגבלת access לרשת למרחבי עבודה של Machine Learning

• ניהול בקרת מקור לפרויקטים של machine learning באמצעות Git

מימוש מחזור חיים ופעולות machine learning המודל (25–30%)

הכשרת מודלים מאורגנים

• הגדרת מעקב ניסויים עם MLflow

• השתמש בלמידת machine learning אוטומטית כדי לחקור מודלים אופטימליים

• השתמש במחברות לניסויים וחקירה

• אוטומציה של כוונון היפרפרמטרים

• הפעל סקריפטים להדרכה של מודלים

• ניהול הדרכה מבוזרת למודלים גדולים ולמידה עמוקה

• מימוש training pipelines

• השוואת ביצועי מודלים בין משרות

יישום רישום וגרסאות מודלים

• ארוז מפרט שחזור תכונות יחד עם פריט הדגם

• רשום מודל MLflow

• הערכת מודל באמצעות עקרונות בינה מלאכותית אחראית

• ניהול מחזור חיי המודלים, כולל ארכוב מודלים

פריסת מודלים של machine learning לסביבות ייצור

• פרוס מודלים כנקודות קצה בזמן אמת או באצווה עם אפשרויות הסקה מנוהלת

• נקודות קצה של מודל בדיקה ואיתור תקלות

• יישמו אסטרטגיות פריסה הדרגתית והחזרה בטוחה

ניטור ותחזוקה של מודלים של machine learning בייצור

• זיהוי וניתוח סטיית נתונים

• ניטור מדדי ביצועים של דגמים שהופקו לייצור

• הגדר טריגרים של אימון מחדש או התרעה כאשר הספים עוברים

עיצוב ויישום תשתית GenAIOps (20–25%)

יישמו סביבות Foundry ותצורת פלטפורמה

• יצור והגדר משאבי Foundry וסביבות project

• הגדרת ניהול זהות ו-access עם זהויות מנוהלות ו-RPA-based access control (RBAC)

• יישום אבטחת רשת ותצורות רשת פרטית

• פריסת תשתית באמצעות תבניות Bicep ו-Azure CLI

פריסה וניהול מודלים יסודיים לעומסי עבודה בייצור

• פרוס מודלים בסיסיים באמצעות נקודות קצה API ללא שרת ואפשרויות חישוב מנוהלות

• בחר מודלים מתאימים למקרי שימוש ספציפיים

• יישום אסטרטגיות גרסאות מודל ופריסת ייצור

• הגדרת יחידות העברה שהוקצו לעומסי עבודה בנפח גבוה

יישמו גרסאות וניהול הנחיה באמצעות בקרת מקור

• עצב ופתח פרומפטים

• צור וריאציות של פרומפטים והשווה ביצועים בין פרומפטים שונים

• מימוש בקרת גרסאות לפקודות באמצעות מאגרי Git

יישום אבטחת איכות ויכולת תצפית גנרטיבית בבינה מלאכותית (10–15%)

הגדר הערכה ואימות ליישומי ובינה מלאכותית גנרטיבית

• צור מאגרי נתונים ומיפוי נתונים לבדיקה להערכת מודלים מקיפה

• הטמיעו מדדי איכות בינה מלאכותית, כולל יציבות, רלוונטיות, קוהרנטיות ושטף

• הגדרת הערכות סיכון ובטיחות לזיהוי תוכן מזיק

• הגדר זרימות עבודה אוטומטיות להערכה באמצעות מדדי הערכה מובנים ומותאמים אישית

מימוש תצפית ליישומי בינה מלאכותית גנרטיבית וסוכנים

• בדקו ניטור רציף ב-Foundry

• מעקב אחר מדדי ביצועים, כולל השהיה, קצב העברה וזמני תגובה

• מעקב ואופטימיזציה של מדדי עלות, כולל צריכת טוקנים ושימוש במשאבים

• הגדר יכולות רישום מפורט, מעקב וניפוי שגיאות לפתרון תקלות בייצור

אופטימיזציה של מערכות בינה מלאכותית גנרטיבית וביצועי מודלים (10–15%)

אופטימיזציה של ביצועי ודיוק של יצירת שליפה מוגברת (RAG)

• אופטימיזציה של ביצועי השליפה על ידי כוונון ספי דמיון, גודל מקטעים ואסטרטגיות שליפה

• בחר וחדד מודלים של הטמעה למקרי שימוש ספציפיים בתחום ולשיפורים דיוק

• יישמו ואופטימיזם גישות חיפוש היברידיות המשלבות שליפה סמנטית ומילות מפתח

• הערכה ושיפור ביצועי מערכת RAG באמצעות מדדי רלוונטיות ומסגרות בדיקות A/B

יישום כיוונון עדין מתקדם והתאמה אישית של מודלים

• תכנון ויישום שיטות כיוונון עדין מתקדמות

• יצור ומנהל נתונים סינתטיים לצורך כיוונון עדין

• מעקב ואופטימיזציה של ביצועי מודל מותאמים

• ניהול מודל מדויק מהפיתוח ועד פריסת הייצור

משאבי מחקר

אנו ממליצים לאמן ולקבל חוויה מעשית לפני ביצוע המבחן. אנו מציעים אפשרויות ללמידה עצמית והדרכה בכיתה וכן קישורים לתיעוד, לאתרי קהילה ולסרטונים.

משאבי מחקר	קישורים ללמידה ולתיעוד
הכשרת	בחר מתוך נתיבי למידה ומודולים בקצב אישי או בחר קורס בהנחיית מדריך
חפש תיעוד	סקירה כללית של בינה מלאכותית תיעוד של בינה מלאכותית גנרטיבית Microsoft 365 Copilot תיעוד Microsoft 365 תיעוד
שאל שאלה	Microsoft Q& א | Microsoft Docs
קבל תמיכה בקהילה	Microsoft 365 Copilot Community Hub Microsoft 365 Community Hub
עקוב אחר Microsoft Learn	Microsoft Learn - הקהילה הטכנית של Microsoft
חיפוש סרטון וידאו	אזור מוכנות לבחינות עיון ב- Microsoft Learn אחר מציג