AI-102: Leitfaden zum Entwerfen und Implementieren einer Microsoft Azure KI-Lösung

Übersicht zur Prüfung

• Zertifizierung: Microsoft Azure KI-Ingenieur-Mitarbeiter
• Prüfungscode: AI-102
• Zielgruppe: KI-Ingenieure, die KI-Lösungen auf Azure erstellen, verwalten und bereitstellen
• Erforderliche Erfahrung: Python- oder C#-Entwicklung, REST-APIs/SDKs, Prinzipien für verantwortungsvolle KI

Geprüfte Fähigkeiten (Stand 30. April 2025)

1. Planen und Verwalten einer Azure-KI-Lösung (20-25%)

Auswählen geeigneter Azure-KI-Foundry-Dienste

• Auswählen eines Diensts für generative KI-Lösung
• Auswählen eines Diensts für Computer-Vision-Lösung
• Auswählen eines Diensts für Sprachverarbeitungslösung
• Auswählen eines Diensts für Sprachlösung
• Auswählen eines Diensts für Informationsextraktionslösung
• Auswählen eines Diensts für Wissenssuche-Lösung

Planen, Erstellen und Bereitstellen eines Azure-KI-Foundry-Diensts

• Planen einer Lösung, die Prinzipien für verantwortungsvolle KI erfüllt
• Erstellen einer Azure-KI-Ressource
• Auswählen geeigneter KI-Modelle
• Bereitstellen von KI-Modellen mit geeigneten Bereitstellungsoptionen
• Installieren und Verwenden von SDKs und APIs
• Bestimmen des Standardendpunkts für den Dienst
• Integrieren von Azure-KI-Foundry-Diensten in eine CI/CD-Pipeline
• Planen und Implementieren der Containerbereitstellung

Verwalten, Überwachen und Sichern eines Azure-KI-Foundry-Diensts

• Überwachen einer Azure-KI-Ressource
• Verwalten der Kosten für Azure-KI-Foundry-Dienste
• Verwalten und Schützen von Kontoschlüsseln
• Verwalten der Authentifizierung für eine Azure-KI-Foundry-Serviceressource

Implementieren verantwortungsvoller KI-Lösungen

• Implementieren von Inhaltsmoderierungslösungen
• Konfigurieren von Einblicken in verantwortungsvolle KI (Inhaltssicherheit)
• Implementieren verantwortungsvoller KI (Inhaltsfilter, Sperrlisten)
• Verhindern schädlicher Verhaltensweisen (Prompt-Shields, Schadenserkennung)
• Entwerfen eines Governancerahmens für verantwortungsvolle KI

2. Implementieren generativer KI-Lösungen (15-20%)

Erstellen generativer KI-Lösungen mit Azure-KI-Foundry

• Planen und Vorbereiten einer generativen KI-Lösung
• Bereitstellen von Hub, Projekt und Ressourcen mit Azure-KI-Foundry
• Bereitstellen des geeigneten generativen KI-Modells
• Implementieren einer Prompt-Flow-Lösung
• Implementieren des RAG-Musters durch Verankerung des Modells in Daten
• Bewerten von Modellen und Flows
• Integrieren des Projekts in eine Anwendung mit dem Azure-KI-Foundry-SDK
• Verwenden von Prompt-Vorlagen

Verwenden von Azure OpenAI in Foundry-Modellen

• Bereitstellen von Azure OpenAI in der Foundry-Modellressource
• Auswählen und Bereitstellen des Azure OpenAI-Modells
• Senden von Prompts zum Generieren von Code und natürlicher Sprache
• Verwenden des DALL-E-Modells zum Generieren von Bildern
• Integrieren von Azure OpenAI in Anwendungen
• Verwenden großer multimodaler Modelle
• Implementieren des Azure OpenAI-Assistenten

Optimieren und Operationalisieren einer generativen KI-Lösung

• Konfigurieren von Parametern zur Steuerung des generativen Verhaltens
• Konfigurieren der Modellüberwachung und -diagnose
• Optimieren und Verwalten von Bereitstellungsressourcen
• Aktivieren der Nachverfolgung und Sammeln von Feedback
• Implementieren der Modellreflexion
• Bereitstellen von Containern für lokale Geräte und Edge-Geräte
• Implementieren der Orchestrierung mehrerer generativer KI-Modelle
• Anwenden von Prompt-Engineering-Techniken
• Feinabstimmen generativer Modelle

3. Implementieren einer agentenzentrierten Lösung (5-10%)

Erstellen benutzerdefinierter Agenten

• Verstehen der Rolle und Anwendungsfälle von Agenten
• Konfigurieren von Ressourcen zum Erstellen von Agenten
• Erstellen eines Agenten mit dem Azure-KI-Foundry-Agentendienst
• Implementieren komplexer Agenten mit Semantic Kernel und Autogen
• Implementieren komplexer Workflows (Orchestrierung, Mehrfachagent, autonom)
• Testen, Optimieren und Bereitstellen von Agenten

4. Implementieren von Computer-Vision-Lösungen (10-15%)

Analysieren von Bildern

• Auswählen visueller Merkmale für die Bildverarbeitung
• Erkennen von Objekten und Generieren von Bildtags
• Einbeziehen von Bildanalysemerkmalen in Verarbeitungsanfragen
• Interpretieren von Bildverarbeitungsantworten
• Extrahieren von Text aus Bildern mit Azure-KI-Vision
• Umwandeln von handschriftlichem Text

Implementieren benutzerdefinierter Vision-Modelle

• Auswählen zwischen Bildklassifizierung und Objekterkennung
• Beschriften von Bildern
• Trainieren benutzerdefinierter Bildmodelle
• Auswerten von Metriken für benutzerdefinierte Vision-Modelle
• Veröffentlichen benutzerdefinierter Vision-Modelle
• Nutzen benutzerdefinierter Vision-Modelle
• Erstellen benutzerdefinierter Vision-Modelle über Code

Analysieren von Videos

• Verwenden von Azure-KI-Videoindexer für Video-/Livestream-Erkenntnisse
• Verwenden von Azure-KI-Visionsspatialanalyse für Personenerkennung/-bewegung

5. Implementieren von Lösungen für Sprachverarbeitung (15-20%)

Analysieren und Übersetzen von Text

• Extrahieren von Schlüsselbegriffen und Entitäten
• Bestimmen der Textsentiment
• Erkennen der Sprache
• Erkennen personenbezogener Daten (PII)
• Übersetzen von Text und Dokumenten mit Azure-KI-Translator

Verarbeiten und Übersetzen von Sprache

• Integrieren generativer KI-Sprachfähigkeiten
• Implementieren von Texte-zu-Sprache und Sprache-zu-Text
• Verbessern der Texte-zu-Sprache-Funktion mit SSML
• Implementieren benutzerdefinierter Sprachlösungen
• Implementieren von Absichts- und Schlüsselworterkennung
• Übersetzen von Sprache-zu-Sprache und Sprache-zu-Text

Implementieren benutzerdefinierter Sprachmodelle

• Erstellen von Absichten, Entitäten und Äußerungen
• Trainieren, Auswerten, Bereitstellen und Testen von Sprachverständnismodellen
• Optimieren, Sichern und Wiederherstellen von Modellen
• Nutzen von Sprachmodellen aus Clientanwendungen
• Erstellen benutzerdefinierter Fragebeantworungsprojekte
• Hinzufügen von Frage-Antwort-Paaren und Importieren von Quellen
• Trainieren, Testen und Veröffentlichen von Wissensdatenbanken
• Erstellen von Mehrzügergesprächen
• Hinzufügen alternativer Formulierungen und Small Talk
• Exportieren von Wissensdatenbanken
• Erstellen mehrsprachiger Fragebeantworungslösungen
• Implementieren benutzerdefinierter Übersetzung

6. Implementieren von Wissenssuche- und Informationsextraktionslösungen (15-20%)

Implementieren einer Azure-KI-Suche-Lösung

• Bereitstellen der Azure-KI-Suchressource
• Erstellen eines Index und Definieren eines Skillsets
• Erstellen von Datenquellen und Indexern
• Implementieren benutzerdefinierter Skills in Skillsets
• Erstellen und Ausführen von Indexern
• Abfragen des Index (Syntax, Sortierung, Filterung, Platzhalter)
• Verwalten von Knowledge Store-Projektionen

Implementieren semantischer und vektorbasierter Speicherlösungen

• Konfigurieren der semantischen Suche
• Implementieren der Vektorsuche
• Hybride Suchansätze

Implementieren einer Azure-KI-Dokumentintelligenz-Lösung

• Bereitstellen der Dokumentintelligenzressource
• Verwenden vorgefertigter Modelle für die Datenextraktion
• Implementieren benutzerdefinierter Dokumentintelligenzmodelle
• Trainieren, Testen und Veröffentlichen benutzerdefinierter Modelle
• Erstellen zusammengesetzter Dokumentintelligenzmodelle

Extrahieren von Informationen mit Azure-KI-Inhaltserkennung

• Erstellen einer OCR-Pipeline für Textextraktion
• Zusammenfassen, Klassifizieren und Erkennen von Dokumentattributen
• Extrahieren von Entitäten, Tabellen und Bildern
• Verarbeiten und Aufnehmen verschiedener Inhaltstypen

Wichtige Azure-KI-Dienste

Azure OpenAI-Dienst

• GPT-Modelle (GPT-4, GPT-3.5)
• DALL-E für Bilderzeugung
• Embeddings-Modelle
• Chat-Vervollständigungs-API
• Funktionsaufruf

Azure-KI-Vision

• Bildanalyse
• OCR (Read-API)
• Custom Vision
• Face-API
• Video Indexer
• Räumliche Analyse

Azure-KI-Sprache

• Text Analytics
• Language Understanding (LUIS)
• Fragebeantworung
• Translator
• Benutzerdefinierte Named Entity Recognition

Azure-KI-Sprache

• Sprache-zu-Text
• Text-zu-Sprache
• Sprachübersetzung
• Sprechererkennung
• Benutzerdefinierte Sprache

Azure-KI-Dokumentintelligenz

• Vorgefertigte Modelle (Rechnungen, Quittungen, Ausweise)
• Benutzerdefinierte Extraktionsmodelle
• Layout-API
• Allgemeines Dokumentmodell

Azure-KI-Suche

• Volltextsuche
• Semantische Suche
• Vektorsuche
• KI-Anreicherung
• Wissenssuche

Wichtige Konzepte

Verantwortungsvolle KI

• Fairness: Vermeiden von Voreingenommenheit
• Zuverlässigkeit und Sicherheit: Konsistente Leistung
• Datenschutz und Sicherheit: Datenschutz
• Inklusion: Für alle zugänglich
• Transparenz: Erklärbare KI
• Rechenschaftspflicht: Menschliche Aufsicht

Muster generativer KI

• RAG (Retrieval-gestützte Generierung)

  • Verankern von Modellen in Ihren Daten
  • Reduzieren von Halluzinationen
  • Bereitstellen von Kontext

• Prompt-Engineering

  • Systemnachrichten
  • Wenige-Schritt-Lernen
  • Kette des Denkens
  • Temperatur und top-p

Agent-Architektur

• Einzelner Agent: Ein KI-Agent, der Aufgaben erledigt
• Mehrere Agenten: Mehrere spezialisierte Agenten
• Orchestrierung: Koordination von Agenten-Aktionen
• Autonom: Selbstgesteuerte Agenten

Entwicklungstools

SDKs

• Azure SDK für Python
• Azure SDK für .NET
• Azure SDK für JavaScript
• Azure SDK für Java

REST-APIs

• Authentifizierung (API-Schlüssel, Azure AD)
• Anfrage-/Antwortformate
• Drosselung
• Fehlerbehandlung

Entwicklungsumgebungen

• Azure-KI-Studio
• Visual Studio Code
• Jupyter Notebooks
• Azure Machine Learning

Bewährte Verfahren

Sicherheit

• Verwenden verwalteter Identitäten
• Regelmäßiges Rotieren von API-Schlüsseln
• Implementieren der Netzwerktrennung
• Aktivieren der Diagnoseprotokollierung
• Verwenden von Azure Key Vault

Leistung

• Implementieren von Caching
• Verwenden von Batching für Massenvorgänge
• Konfigurieren der richtigen Tarif-/SKU-Einstellungen
• Überwachen von Kontingenten und Grenzwerten
• Optimieren der Promptlänge

Kostenmanagement

• Auswählen des geeigneten Tarifs
• Überwachen von Nutzung und Kosten
• Implementieren von Caching-Strategien
• Verwenden von Festpreis-Tarifen für vorhersehbare Arbeitslasten
• Bereinigen nicht genutzter Ressourcen

Lernressourcen

Offizielle Microsoft Learn-Inhalte

• AI-102-Lernpfade
• Dokumentation zu Azure-KI-Diensten
• Hands-on-Labs
• Praxistests

Praktische Übungen

• Azure-Freikontenund
• Azure-KI-Studio
• Beispielanwendungen
• GitHub-Repositories

Community-Ressourcen

• Microsoft-Q&A-Foren
• KI/ML-Tech-Community
• AI Show-Videos
• Dokumentation und Tutorials

Prüfungsdetails

• Bestehensgrenze: 700
• Frageformat: Multiple Choice, Fallstudien, Drag-and-Drop
• **Prüf