本文件的目的
此學習指南應可協助您理解測驗的內容範圍，並會包含測驗可能涵蓋的主題摘要，以及其他資源的連結。 本文件中的資訊和材料應該可協助您在準備測驗時集中學習。
| 實用的連結 | 說明 |
|---|---|
| 如何獲得認證 | 部分認證僅需通過一個測驗，而其他認證則需通過多個測驗。 |
| 認證更新 | Microsoft Associate、Expert 與 Specialty 認證每年都會到期。 您可以透過在 Microsoft Learn 上完成免費的 線上評估來續期。 |
| 您的 Microsoft Learn 個人檔案 | 將認證設定檔連線至 Microsoft Learn 可讓您排程與更新測驗，以及分享與列印認證。 |
| 測驗評分和評分報告 | 700 分或以上才能通過。 |
| 測驗沙盒 | 您可以瀏覽我們的測驗沙箱，以探索測驗環境。 |
| 要求住宿 | 如果您使用輔助裝置、需要額外的時間，或需要修改測驗體驗的任何部分，您可以要求住宿。 |
關於測驗
某些測驗會本地化為其他語言，且這些測驗通常會在英文版本更新後約八週進行更新。 如果考試無法使用您偏好的語言進行，您可以要求增加 30 分鐘來完成考試。
備註
所測量每個技能後面的標記符號旨在說明我們如何評估該技能。 相關主題可能會涵蓋在測驗中。
備註
大部分的問題都涵蓋一般可用性的功能（GA）。 如果常用這些功能，測驗可能包含預覽功能的問題。
測量的技能
觀眾概況
作為此Microsoft 認證的候選人，你應具備在Azure上設置機器學習運營（MLOps）和生成式AI運營（GenAIOps）解決方案之基礎設施的專業知識，這些解決方案統稱為AI運營（AIOps）。 你需要有使用 Azure Machine Learning 訓練、優化、部署及維護傳統 machine learning 模型的經驗，此外還需具備使用 Microsoft Foundry 部署、評估、監控及優化生成式 AI 應用程式與代理的經驗。
你應該有資料科學背景，並有 Python 程式設計經驗，並對 DevOps 實務有入門級的理解，包括使用 GitHub Actions 等工具，以及使用命令列介面（CLI）。
此外，你需要具備MLOps的知識與經驗，例如：
Machine Learning。
鑄造廠。
GitHub Actions。
使用 Bicep 和 Azure CLI 實現基礎設施即程式碼（IaC）實踐。
此角色的責任包括：
設計與實作 MLOps 基礎架構。
實施機器學習模型的生命週期和操作。
設計與實作GenAIOps基礎架構。
實施生成式 AI 品質保證與可觀察性。
優化生成式 AI 系統與模型效能。
你與資料科學家、DevOps 團隊及利害關係人合作，提供具備全面自動化與監控功能的可擴展 AI 解決方案。
技能一目了然
設計與實作 MLOps 基礎架構（15–20%）
實作機器學習模型的生命週期與運營（25–30%）
設計與實作 GenAIOps 基礎架構（20–25 個%）
實施生成式人工智慧品質保證與可觀察性（10–15%）
優化生成式 AI 系統與模型效能（10–15%）
設計與實作 MLOps 基礎架構（15–20%）
在 Machine Learning 工作空間中建立並管理資源
建立及管理工作區
建立和管理資料存放區
建立及管理計算目標
配置工作空間的身份與訪問管理
在 Machine Learning 工作空間中建立並管理資產
建立和管理資料資產
建立與管理環境
建立與管理元件
使用登錄來跨工作區共享資產
實作 IaC 用於 Machine Learning
設定 GitHub 與機器學習的整合，以實現安全訪問。
使用 Bicep 和 Azure CLI 部署 Machine Learning 工作空間與資源
透過使用 GitHub Actions 工作流程自動化資源配置
限制對機器學習工作區的網絡存取
使用 Git 管理 machine learning 專案的原始碼管理
實作機器學習模型的生命週期與運營（25–30%）
編排模型訓練
用 MLflow 設定實驗追蹤
使用自動化機器學習探索最佳模型
用筆記本來做實驗和探索
自動化超參數微調
執行模型定型指令碼
管理大型與深度學習模型的分散式訓練
實施訓練管道
比較不同工作模式的表現
實作模型註冊與版本管理
將功能擷取規格與模型成品封裝在一起
註冊 MLflow 模型
運用負責任的 AI 原則來評估模型
管理模型生命週期，包括模型歸檔
部署machine learning模型用於生產環境
部署模型為即時或批次端點，並具備可管理推論選項
測試以及故障排除模型端點
實施漸進式推展與安全回滾策略
監控並維護生產環境中的machine learning模型
偵測與分析資料漂移
監控部署到生產環境的模型效能指標
當超過閾值時，設定再訓練或警示觸發條件
設計與實作 GenAIOps 基礎架構（20–25 個%）
實作 Foundry 環境與平台設定
建立與配置 Foundry 資源與 project 環境
配置使用受控身分識別和角色為基礎的存取控制（RBAC）來管理身分識別與存取管理。
實作網路安全與私有網路配置
使用 Bicep 模板和 Azure CLI 部署基礎設施
部署並管理生產工作負載的基礎模型
透過使用無伺服器 API 端點和受管理的計算選項來部署基礎模型
根據特定使用情境選擇合適的模型
實施模型版本控制與生產部署策略
為高容量工作負載配置已配置的吞吐量單元
實作提示版本化與使用原始碼控制進行管理
設計與開發提示
建立提示變體，並比較不同提示的表現
透過使用 Git 倉庫實作提示詞的版本控制
實施生成式人工智慧品質保證與可觀察性（10–15%）
配置生成式 AI 應用與代理的評估與驗證
建立測試資料集與資料映射以全面評估模型
實施 AI 品質指標，包括接地力、相關性、連貫性與流暢度
配置風險與安全評估以偵測有害內容
透過內建及自訂評估指標建立自動化評估工作流程
為生成式 AI 應用與代理實作可觀察性
檢視 Foundry 中的持續監控
監控效能指標，包括延遲、吞吐量及回應時間
追蹤並優化成本指標，包括代幣消耗與資源使用量
配置詳細的日誌、追蹤與除錯功能，以協助生產故障排除
優化生成式 AI 系統與模型效能（10–15%）
優化檢索增強生成（RAG）效能與準確度
透過調整相似度閾值、區塊大小及檢索策略，優化檢索效能
選擇並微調嵌入模型以符合特定領域使用情境及提升準確度
實作並優化結合語意與關鍵字檢索的混合搜尋方法
透過使用相關度指標與 A/B 測試框架來評估並提升 RAG 系統效能
實作進階微調與模型自訂
設計並實作進階微調方法
建立並管理合成資料以進行微調
監控並優化微調模型效能
從開發到生產部署管理一個微調的模型
學習資源
建議您在參加測驗之前，先進行訓練並取得實作經驗。 我們提供了自學選項和課堂訓練，以及文件、社群網站和影片的連結。
| 學習資源 | 學習和文件的連結 |
|---|---|
| 接受訓練 | 從自我步調學習路徑和課程模組中選擇，或採用講師導向的課程 |
| 尋找文件 | 人工智慧概述 生成式 AI 文件 Microsoft 365 Copilot documentation Microsoft 365 documentation |
| 提出問題 | Microsoft 問答 | Microsoft Docs |
| 取得社群支援 |
Microsoft 365 Copilot 社群中心 Microsoft 365 社群中心 |
| 關注 Microsoft Learn | Microsoft Learn - Microsoft技術社群 |
| 搜尋影片 | 應試準備區域 瀏覽其他 Microsoft Learn 節目 |