Observação
O acesso a essa página exige autorização. Você pode tentar entrar ou alterar diretórios.
O acesso a essa página exige autorização. Você pode tentar alterar os diretórios.
Objetivo deste documento
Este guia de estudo explica o que esperar do exame e inclui um resumo dos tópicos que ele pode abranger, além de links para recursos adicionais. As informações e os materiais neste documento devem ajudá-lo a se concentrar nos estudos enquanto você se prepara para o exame.
| Links úteis | Descrição |
|---|---|
| Como obter a certificação | Algumas certificações exigem somente a aprovação em um exame, enquanto outras exigem a aprovação em diversos. |
| Renovação de certificação | As certificações de associado, especialista e especialidade da Microsoft expiram anualmente. Você pode fazer a renovação passando por uma avaliação online gratuita no Microsoft Learn. |
| Seu perfil do Microsoft Learn | Ao conectar seu perfil de certificação ao Microsoft Learn, é possível agendar e renovar exames, além de compartilhar e imprimir certificados. |
| Pontuação do exame e relatórios de pontuação | Para ser aprovado, é necessário obter uma pontuação de 700 ou mais. |
| Área restrita do exame | Você pode explorar o ambiente do exame visitando nossa área virtual do exame. |
| Solicitação de acomodações | Se você usar dispositivos auxiliares ou precisar tempo extra ou de modificação em qualquer parte da experiência do exame, poderá solicitar uma acomodação. |
| Fazer uma avaliação simulada gratuita | Teste suas habilidades com perguntas simuladas para ajudar você a se preparar para o exame. |
Atualizações do exame
A versão em inglês do exame é sempre atualizada primeiro. Alguns exames estão localizados em outros idiomas e são atualizados aproximadamente oito semanas após a atualização da versão em inglês. Embora a Microsoft se esforce para atualizar as versões localizadas de um exame conforme o mencionado, pode haver situações em que elas não sejam atualizadas de acordo com o cronograma. Outros idiomas disponíveis estão listados na seção Agendar Exame da página da Web Detalhes do Exame. Se o exame não estiver disponível em seu idioma preferencial, solicite 30 minutos adicionais para realizá-lo.
Observação
As marcações que aparecem abaixo de cada uma das habilidades medidas destinam-se a ilustrar como estamos avaliando essa habilidade. Tópicos relacionados podem ser abordados no exame.
Observação
A maioria das perguntas aborda recursos que estão em GA (disponibilidade geral). O exame pode conter perguntas sobre Versão prévia dos recursos se esses recursos forem comumente usados.
Habilidades medidas a partir de 11 de abril de 2025
Perfil do público-alvo
Como candidato a esse exame, você deve ter experiência no assunto na aplicação de ciência de dados e aprendizado de máquina para implementar e executar cargas de trabalho de aprendizado de máquina no Azure. Além disso, você deve ter conhecimento de otimização de modelos de linguagem para aplicativos de IA usando a IA do Azure.
Suas responsabilidades para essa função incluem:
Projetar e criar um ambiente de trabalho adequado para cargas de trabalho de ciência de dados.
Explorando dados.
Treinamento de modelos de aprendizado de máquina.
Implementação de pipelines.
Execução de trabalhos para preparar a produção.
Gerenciamento, implantação e monitoramento de soluções de aprendizado de máquina escalonáveis.
Usar modelos de linguagem para criar aplicativos de IA.
Como candidato a esse exame, você deve ter conhecimento e experiência em ciência de dados utilizando:
Azure Machine Learning
MLflow
Serviços de IA do Azure, incluindo o Azure AI Search
Azure AI Foundry
Habilidades em um relance
Projetar e preparar uma solução de aprendizado de máquina (20% a 25%)
Explorar dados e executar experimentos (20 a 25%)
Treinar e implantar modelos (25 a 30%)
Otimizar modelos de linguagem para aplicativos de IA (25 a 30%)
Projetar e preparar uma solução de aprendizado de máquina (20% a 25%)
Projetar uma solução de aprendizado de máquina
Identificar a estrutura e o formato dos conjuntos de dados
Determinar as especificações de computação apropriadas para uma carga de trabalho de aprendizado de máquina
Selecionar a abordagem de desenvolvimento para treinar um modelo
Criar e gerenciar recursos no Workspace do Azure Machine Learning
Criar e gerenciar um workspace
Criar e gerenciar armazenamentos de dados
Criar e gerenciar destinos de computação
Configurar a integração do Git para controle do código-fonte
Criar e gerenciar ativos no Workspace do Azure Machine Learning
Criar e gerenciar ativos de dados
Criar e gerenciar ambientes
Compartilhar ativos entre espaços de trabalho ao usar registros
Explorar dados e executar experimentos (20 a 25%)
Usar o aprendizado de máquina automatizado para explorar modelos ideais
Usar o aprendizado de máquina automatizado para dados tabulares
Usar o aprendizado de máquina automatizado para visão computacional
Use o machine learning automatizado para o processamento de linguagem natural
Selecionar e entender as opções de treinamento, incluindo pré-processamento e algoritmos
Avaliar uma execução de aprendizado de máquina automatizado, incluindo diretrizes da IA responsável
Usar notebooks para o treinamento de modelos personalizados
Usar o terminal para configurar uma instância de computação
Acessar e organizar dados em notebooks
Controle dados interativamente com pools Synapse Spark anexados e computação Spark sem servidor
Recuperar recursos de uma loja de recursos para treinar um modelo
Acompanhar o treinamento de modelos usando o MLflow
Avaliar o modelo, incluindo diretrizes da IA responsável
Automatizar ajuste de hiperparâmetro
Selecionar um método de amostragem
Definir o espaço de pesquisa
Definir a métrica primária
Definir opções de encerramento antecipado
Treinar e implantar modelos (25 a 30%)
Executar scripts de treinamento de modelo
Consumir dados em um trabalho
Configurar a computação para uma execução de trabalho
Configurar um ambiente para uma execução de trabalho
Acompanhar o treinamento de modelos com o MLflow na execução de trabalhos
Definir parâmetros para um trabalho
Executar um script como um trabalho
Usar logs para solucionar erros de execução de trabalho
Implementar pipelines de treinamento
Criar componentes personalizados
Criar um pipeline
Passar dados entre etapas em um pipeline
Executar e agendar um pipeline
Monitorar e solucionar problemas da execução de pipeline
Gerenciar modelos
Definir a assinatura no arquivo MLmodel
Empacotar uma especificação de recuperação de recursos com artefato de modelo
Registrar um modelo MLflow
Avaliar um modelo seguindo os princípios da IA responsável
Implantar um modelo
Definir as configurações para uma implantação online
Implantar um modelo em um ponto de extremidade online
Testar um serviço implantado online
Configurar a computação para uma implantação em lote
Implantar um modelo em um ponto de extremidade em lote
Invocar o ponto de extremidade em lote para iniciar um trabalho de pontuação em lotes
Otimizar modelos de linguagem para aplicativos de IA (25 a 30%)
Preparar a otimização do modelo
Selecionar e implantar um modelo de linguagem no catálogo de modelos
Comparar modelos de linguagem ao usar parâmetros de comparação
Testar um modelo de linguagem implantado no playground
Selecionar uma abordagem de otimização
Otimizar por meio da engenharia de prompt e do fluxo de prompt
Prompts de teste com avaliação manual
Definir e acompanhar variantes de prompt
Criar modelos de solicitação
Definir lógica de encadeamento com o SDK de fluxo de prompt
Usar o rastreamento para avaliar seu fluxo
Otimizar por meio da Geração Aumentada de Recuperação (RAG)
Preparar dados para RAG, incluindo limpeza, agrupamento e incorporação
Configurar uma loja de vetores
Configurar um repositório de índice baseado em Pesquisa de IA do Azure
Avaliar sua solução RAG
Otimizar com ajustes
Preparar dados para ajuste fino
Selecionar um modelo de base apropriado
Executar um trabalho de ajuste
Excluir o modelo ajustado
Recursos de estudo
É recomendado treinar e obter experiência prática antes de fazer o exame. São oferecidas opções de estudo independente e treinamento em sala de aula, bem como links para documentação, sites da comunidade e vídeos.
| Recursos de estudo | Links de aprendizado e documentação |
|---|---|
| Faça treinamento | Escolher entre módulos e roteiros de aprendizagem individuais ou realizar um curso ministrado por instrutor |
| Encontrar documentação |
Azure Databricks Azure Machine Learning Azure Synapse Analytics MLflow e Azure Machine Learning |
| Faça uma pergunta | Microsoft Q&A | Microsoft Docs |
| Obter suporte da comunidade |
IA – Machine Learning – Microsoft Tech Community IA – Blog do Machine Learning – Microsoft Tech Community |
| Seguir o Microsoft Learn | Microsoft Learn ─ Microsoft Tech Community |
| Encontrar um vídeo | Apresentações do Microsoft Learn |
Log de alterações
A tabela abaixo resume as mudanças entre a versão atual e a anterior das habilidades medidas. Os grupos funcionais estão em negrito, seguidos pelos objetivos dentro de cada grupo. A tabela é uma comparação entre a versão anterior e a atual das habilidades medidas no exame e a terceira coluna descreve a extensão das mudanças.
| Área de habilidade antes de 11 de abril de 2025 | Área de habilidades a partir de 11 de abril de 2025 | Alterar |
|---|---|---|
| Perfil do público-alvo | Secundária | |
| Otimizar modelos de linguagem para aplicativos de IA | Otimizar modelos de linguagem para aplicativos de IA | Nenhuma alteração de % |
| Otimizar por meio de engenharia de prompts e prompt flow | Otimizar por meio da engenharia de prompt e do fluxo de prompt | Secundária |