시험 DP-100: Azure에서 데이터 과학 솔루션 디자인 및 구현 연구 가이드

이 문서의 목적

경고

이 시험은 2026년 6월 1일 오후 11시 59분에 중앙 표준시에서 사용 중지됩니다. 자세히알아보세요.

이 학습 가이드는 시험에서 예상되는 내용을 이해하는 데 도움이 되며 시험에서 다룰 수 있는 주제에 대한 요약과 추가 리소스에 대한 링크를 포함합니다. 이 문서의 정보와 자료는 시험을 준비하면서 공부에 집중하는 데 도움이 될 것입니다.

유용한 링크 설명
인증을 획득하는 방법 일부 인증은 하나의 시험에만 합격하면 되는 반면, 다른 인증은 여러 시험에 합격해야 합니다.
인증 갱신 Microsoft 어소시에이트, 전문가 및 전문 분야 인증은 매년 만료됩니다. Microsoft Learn에서 무료 온라인 평가에 합격하면 인증을 갱신할 수 있습니다.
Microsoft Learn 프로필 인증 프로필을 Microsoft Learn에 연결하면 시험을 예약 및 갱신하고 인증서를 공유하고 인쇄할 수 있습니다.
시험 채점 및 점수 보고서 합격하기 위해서는 700점 이상의 점수가 필요합니다.
시험 샌드박스 시험 샌드박스를 방문하여 시험 환경을 살펴볼 수 있습니다.
편의 시설 요청 보조 디바이스를 사용하거나, 추가 시간이 필요하거나, 시험 환경의 일부를 수정해야 하는 경우 편의 시설을 요청할 수 있습니다.
무료 실습 평가 받기 시험 준비를 도와주는 실습 질문으로 기술을 테스트하세요.

시험 업데이트

항상 영어 버전의 시험을 먼저 업데이트합니다. 일부 시험은 다른 언어로 지역화되며 영어 버전이 업데이트된 후 약 8주 후에 업데이트됩니다. Microsoft는 앞에서 설명한 대로 현지화된 버전을 업데이트하기 위해 모든 노력을 기울이고 있지만 시험의 현지화된 버전이 이 일정에 따라 업데이트되지 않는 경우가 있을 수 있습니다. 사용 가능한 다른 언어는 시험 세부 정보 웹 페이지의 시험 일정 섹션에 나열됩니다. 원하는 언어로 시험을 볼 수 없는 경우 시험을 완료하는 데 30분을 추가로 요청할 수 있습니다.

참고

측정된 각 기술 다음에 나오는 글머리 기호는 해당 기술을 평가하는 방법을 설명하기 위한 것입니다. 관련 항목은 시험에서 다룰 수 있습니다.

참고

대부분의 질문은 GA(일반 출시)인 기능을 다룹니다. 이러한 기능이 일반적으로 사용되는 경우 시험에 미리 보기 기능에 대한 질문이 포함될 수 있습니다.

2025년 4월 11일 현재 측정된 기술

잠재 고객 프로파일

이 시험의 응시자로서 데이터 과학 및 기계 학습을 적용하여 Azure에서 기계 학습 워크로드를 구현하고 실행하는 전문 지식이 있어야 합니다. 또한 Azure AI 기반 AI 애플리케이션에 대한 언어 모델 최적화 방법을 알고 있어야 합니다.

이 역할에 대한 책임은 다음과 같습니다.

  • 데이터 과학 워크로드에 적합한 작업 환경 설계 및 생성

  • 데이터 탐색.

  • 기계 학습 모델 훈련.

  • 파이프라인 구현.

  • 프로덕션 준비를 위한 작업 프로세스 실행.

  • 확장 가능한 기계 학습 솔루션 관리, 배포 및 모니터링

  • AI 애플리케이션을 빌드하기 위한 언어 모델 사용

이 시험의 응시자로서 다음을 사용하여 데이터 과학에 대한 지식과 경험이 있어야 합니다.

  • Azure Machine Learning

  • MLflow

  • Azure AI Search를 포함한 Azure AI 서비스

  • Azure AI Foundry (에이아이 파운드리)

기술 한눈에 보기

  • 기계 학습 솔루션 설계 및 준비(20~25%)

  • 데이터 탐색 및 실험 실행(20~25%)

  • 모델 학습 및 배포(25~30%)

  • AI 애플리케이션에 대한 언어 모델 최적화(25~30%)

기계 학습 솔루션 설계 및 준비(20~25%)

기계 학습 솔루션 설계

  • 데이터 세트의 구조 및 형식 식별

  • 기계 학습 워크로드에 적절한 컴퓨팅 사양 결정

  • 모델 학습에 사용할 개발 방법 선택

Azure Machine Learning 작업 영역 만들기 및 리소스 관리

  • 작업 영역 만들기 및 관리

  • 데이터 저장소 만들기 및 관리

  • 컴퓨팅 대상 만들기 및 관리

  • 소스 제어를 위한 Git 통합 설정

Azure Machine Learning 작업 영역 만들기 및 자산 관리

  • 데이터 자산 만들기 및 관리

  • 환경 만들기 및 관리

  • 레지스트리를 사용하여 작업 영역에서 자산 공유

데이터 탐색 및 실험 실행(20~25%)

자동화된 Machine Learning을 사용하여 최적의 모델 살펴보기

  • 표 형식 데이터에 자동화된 Machine Learning 사용

  • Computer Vision에 자동화된 Machine Learning 사용

  • 자연어 처리에 자동화된 Machine Learning 사용

  • 전처리 및 알고리즘을 포함한 학습 옵션 선택 및 이해

  • 책임 있는 AI 지침을 포함하여 자동화된 Machine Learning 실행 평가

사용자 지정 모델 학습에 Notebook 사용

  • 터미널을 사용하여 컴퓨팅 인스턴스 구성

  • 노트북에서 데이터 액세스 및 처리

  • 연결된 Synapse Spark 풀 및 서버리스 Spark 컴퓨팅을 사용하여 대화형으로 데이터 랭글링

  • 기능 저장소에서 기능을 검색하여 모델 학습

  • MLflow를 사용하여 모델 학습 추적

  • 책임 있는 AI 지침을 포함하여 모델 평가

자동화된 하이퍼 매개 변수 튜닝

  • 샘플링 방법 선택

  • 검색 공간 정의

  • 주 메트릭 정의

  • 조기 종료 옵션 정의

모델 학습 및 배포(25~30%)

모델 학습 스크립트 실행

  • 작업에서 데이터 사용

  • 작업 실행에 대한 컴퓨팅 구성

  • 작업 실행에 대한 환경 구성

  • 작업 실행에서 MLflow를 사용한 모델 학습 추적

  • 작업에 대한 매개 변수 정의

  • 스크립트를 작업으로 실행

  • 로그를 사용하여 작업 실행 오류 문제 해결

학습 파이프라인 구현

  • 사용자 지정 구성 요소 만들기

  • 파이프라인을 만듭니다.

  • 파이프라인의 단계 간에 데이터 전달

  • 파이프라인 실행 및 예약

  • 파이프라인 실행 모니터링 및 문제 해결

모델 관리

  • MLmodel 파일에서 서명 정의

  • 기능 검색 명세서를 모델 아티팩트와 함께 패키지화하십시오.

  • MLflow 모델 등록

  • 책임 있는 AI 원칙을 사용하여 모델 평가

모델 배포

  • 온라인 배포에 대한 설정 구성

  • 온라인 엔드포인트에 모델 배포

  • 온라인 배포 서비스 테스트

  • 일괄 처리 배포에 대한 컴퓨팅 구성

  • 일괄 처리 엔드포인트에 모델 배포

  • 일괄 처리 엔드포인트를 호출하여 일괄 처리 채점 작업 시작

AI 애플리케이션에 대한 언어 모델 최적화(25~30%)

모델 최적화 준비

  • 모델 카탈로그에서 언어 모델 선택 및 배포

  • 벤치마크를 사용하여 언어 모델 비교

  • 플레이그라운드에서 배포된 언어 모델 테스트

  • 최적화 방법 선택

프롬프트 엔지니어링과 프롬프트 흐름을 통해 최적화하기

  • 수동 평가로 프롬프트 테스트

  • 프롬프트 변형 정의 및 추적

  • 프롬프트 템플릿 만들기

  • 프롬프트 흐름 SDK를 사용하여 연결 논리 정의

  • 추적을 사용하여 흐름을 평가하다

RAG(검색 증강 생성)를 통해 최적화

  • 정리, 청킹 및 임베딩 등 RAG를 위한 데이터 준비

  • 벡터 저장소 구성

  • Azure AI Search 기반 인덱스 저장소 구성

  • RAG 솔루션 평가

미세 조정을 통해 최적화

  • 미세 조정을 위한 데이터 준비

  • 적절한 기본 모델 선택

  • 미세 조정 작업 실행

  • 미세 조정된 모델 평가

학습 리소스

시험에 응시하기 전에 학습하고 실습 경험을 얻는 것이 좋습니다. Microsoft는 설명서, 커뮤니티 사이트, 비디오에 대한 링크뿐만 아니라 자체 연구 옵션 및 교실 학습을 제공합니다.

학습 리소스 학습 및 설명서 링크
훈련받다 자기 주도적 학습 경로 및 모듈 중 선택 또는 강사 주도 과정 수강
설명서 찾기 Azure Databricks
Azure Machine Learning
Azure Synapse Analytics
MLflow 및 Azure Machine Learning
질문하기 Microsoft Q&A | Microsoft Docs
커뮤니티 지원 받기 AI - Machine Learning - Microsoft 기술 커뮤니티
AI - Machine Learning 블로그 - Microsoft 기술 커뮤니티
Microsoft Learn을 팔로우하세요 Microsoft Learn - Microsoft 기술 커뮤니티
비디오 찾기 Microsoft Learn 쇼

변경 기록

아래 표는 측정된 기술의 현재 버전과 이전 버전 사이의 변화를 요약한 것입니다. 기능 그룹은 굵은 글씨로 표시되어 있고 그 뒤에 각 그룹 내의 목표가 표시됩니다. 이 표는 이전 버전과 현재 버전의 시험 기술을 비교한 것이고, 세 번째 열은 변화의 범위를 설명합니다.

2025년 1월 16일 이전의 기술 영역 2025년 1월 16일 현재 기술 영역 변경
잠재 고객 프로파일 사소한
AI 애플리케이션에 대한 언어 모델 최적화 AI 애플리케이션에 대한 언어 모델 최적화 비율 변경 없음
프롬프트 엔지니어링과 프롬프트 흐름을 통해 최적화합니다. 프롬프트 엔지니어링과 프롬프트 흐름을 통해 최적화하기 사소한
  • Last updated on