Studio Guida alla certificazione AI-102: Progettazione e implementazione di una soluzione Microsoft Azure AI

Panoramica dell'esame

• Certificazione: Microsoft Azure AI Engineer Associate
• Codice esame: AI-102
• Destinatari: Ingegneri AI che costruiscono, gestiscono e distribuiscono soluzioni AI su Azure
• Esperienza richiesta: Sviluppo in Python o C#, API/SDK REST, principi di AI responsabile

Competenze misurate (al 30 aprile 2025)

1. Pianificare e gestire una soluzione AI di Azure (20-25%)

Selezionare i servizi Azure AI Foundry appropriati

• Selezionare il servizio per la soluzione di AI generativa
• Selezionare il servizio per la soluzione di visione artificiale
• Selezionare il servizio per la soluzione di elaborazione del linguaggio naturale
• Selezionare il servizio per la soluzione vocale
• Selezionare il servizio per la soluzione di estrazione di informazioni
• Selezionare il servizio per la soluzione di estrazione della conoscenza

Pianificare, creare e distribuire un servizio Azure AI Foundry

• Pianificare una soluzione che rispetti i principi di AI responsabile
• Creare una risorsa Azure AI
• Scegliere i modelli AI appropriati
• Distribuire i modelli AI utilizzando le opzioni di distribuzione appropriate
• Installare e utilizzare SDK e API
• Determinare l'endpoint predefinito per il servizio
• Integrare i servizi Azure AI Foundry nella pipeline CI/CD
• Pianificare e implementare la distribuzione in container

Gestire, monitorare e proteggere un servizio Azure AI Foundry

• Monitorare la risorsa Azure AI
• Gestire i costi dei servizi Azure AI Foundry
• Gestire e proteggere le chiavi dell'account
• Gestire l'autenticazione per la risorsa del servizio Azure AI Foundry

Implementare soluzioni AI in modo responsabile

• Implementare soluzioni di moderazione dei contenuti
• Configurare le informazioni sull'AI responsabile (sicurezza dei contenuti)
• Implementare l'AI responsabile (filtri dei contenuti, liste di blocco)
• Prevenire comportamenti dannosi (prompt shield, rilevamento del danno)
• Progettare un quadro di governance dell'AI responsabile

2. Implementare soluzioni di AI generativa (15-20%)

Costruire soluzioni di AI generativa con Azure AI Foundry

• Pianificare e prepararsi per una soluzione di AI generativa
• Distribuire hub, progetti e risorse con Azure AI Foundry
• Distribuire il modello di AI generativa appropriato
• Implementare una soluzione di flusso di prompt
• Implementare il modello RAG ancorandolo ai dati
• Valutare modelli e flussi
• Integrare il progetto nell'applicazione con l'SDK Azure AI Foundry
• Utilizzare modelli di prompt

Utilizzare Azure OpenAI nei modelli Foundry

• Effettuare il provisioning di Azure OpenAI nelle risorse Foundry Models
• Selezionare e distribuire il modello Azure OpenAI
• Inviare prompt per generare codice e linguaggio naturale
• Utilizzare il modello DALL-E per generare immagini
• Integrare Azure OpenAI nelle applicazioni
• Utilizzare modelli multimodali su larga scala
• Implementare l'Assistente Azure OpenAI

Ottimizzare e operazionalizzare la soluzione di AI generativa

• Configurare i parametri per controllare il comportamento generativo
• Configurare il monitoraggio e la diagnostica dei modelli
• Ottimizzare e gestire le risorse di distribuzione
• Abilitare il tracciamento e raccogliere i feedback
• Implementare la riflessione del modello
• Distribuire container per dispositivi locali e periferici
• Implementare l'orchestrazione di più modelli di AI generativa
• Applicare tecniche di ingegnerizzazione dei prompt
• Perfezionare i modelli generativi

3. Implementare una soluzione agenziale (5-10%)

Creare agenti personalizzati

• Comprendere il ruolo e i casi d'uso degli agenti
• Configurare le risorse per costruire gli agenti
• Creare un agente con il servizio Azure AI Foundry Agent
• Implementare agenti complessi con Semantic Kernel e Autogen
• Implementare flussi di lavoro complessi (orchestrazione, multi-agente, autonomi)
• Testare, ottimizzare e distribuire gli agenti

4. Implementare soluzioni di visione artificiale (10-15%)

Analizzare le immagini

• Selezionare le funzionalità visive per l'elaborazione delle immagini
• Rilevare oggetti e generare tag per le immagini
• Includere le funzionalità di analisi delle immagini nelle richieste di elaborazione
• Interpretare le risposte di elaborazione delle immagini
• Estrarre testo dalle immagini usando Azure AI Vision
• Convertire il testo scritto a mano

Implementare modelli di visione personalizzati

• Scegliere tra classificazione delle immagini e rilevamento degli oggetti
• Etichettare le immagini
• Addestrare modelli di immagini personalizzati
• Valutare le metriche dei modelli di visione personalizzati
• Pubblicare modelli di visione personalizzati
• Consumare modelli di visione personalizzati
• Costruire modelli di visione personalizzati in modo programmatico

Analizzare i video

• Utilizzare Azure AI Video Indexer per le informazioni sui video/flussi video in diretta
• Utilizzare Azure AI Vision Spatial Analysis per il rilevamento e il movimento delle persone

5. Implementare soluzioni di elaborazione del linguaggio naturale (15-20%)

Analizzare e tradurre testi

• Estrarre frasi chiave ed entità
• Determinare il sentiment del testo
• Rilevare la lingua
• Rilevare informazioni di identificazione personale (PII)
• Tradurre testi e documenti utilizzando Azure AI Translator

Elaborare e tradurre il discorso

• Integrare le capacità di generazione vocale dell'AI generativa
• Implementare la conversione da testo a voce e da voce a testo
• Migliorare la conversione da testo a voce utilizzando SSML
• Implementare soluzioni vocali personalizzate
• Implementare il riconoscimento dell'intento e delle parole chiave
• Tradurre da voce a voce e da voce a testo

Implementare modelli linguistici personalizzati

• Creare intenti, entità e enunciati
• Addestrare, valutare, distribuire e testare modelli di comprensione del linguaggio
• Ottimizzare, eseguire il backup e recuperare i modelli
• Utilizzare i modelli linguistici dalle applicazioni client
• Creare progetti di domande e risposte personalizzati
• Aggiungere coppie di domande e risposte e importare fonti
• Addestrare, testare e pubblicare basi di conoscenza
• Creare conversazioni multi-turno
• Aggiungere formulazioni alternative e chiacchiere
• Esportare le basi di conoscenza
• Creare soluzioni di domande e risposte multilingue
• Implementare traduzioni personalizzate

6. Implementare soluzioni di estrazione della conoscenza e di estrazione delle informazioni (15-20%)

Implementare una soluzione Azure AI Search

• Effettuare il provisioning della risorsa Azure AI Search
• Creare un indice e definire un skillset
• Creare origini dati e indicizzatori
• Implementare competenze personalizzate nei skillset
• Creare ed eseguire indicizzatori
• Eseguire query sull'indice (sintassi, ordinamento, filtri, caratteri wildcard)
• Gestire le proiezioni di Knowledge Store

Implementare soluzioni di ricerca semantica e di ricerca vettoriale

• Configurare la ricerca semantica
• Implementare la ricerca vettoriale
• Approcci di ricerca ibrida

Implementare la soluzione Azure AI Document Intelligence

• Effettuare il provisioning della risorsa Document Intelligence
• Utilizzare modelli predefiniti per l'estrazione dei dati
• Implementare modelli di intelligenza documentale personalizzati
• Addestrare, testare e pubblicare modelli personalizzati
• Creare modelli di intelligenza documentale composti

Estrarre informazioni con Azure AI Content Understanding

• Creare una pipeline OCR per l'estrazione del testo
• Riassumere, classificare e rilevare gli attributi del documento
• Estrarre entità, tabelle e immagini
• Elaborare e inserire vari tipi di contenuto

Principali servizi Azure AI

Servizio Azure OpenAI

• Modelli GPT (GPT-4, GPT-3.5)
• DALL-E per la generazione di immagini
• Modelli di embedding
• API di completamento della chat
• Chiamata di funzione

Azure AI Vision

• Analisi delle immagini
• OCR (API Read)
• Custom Vision
• Face API
• Video Indexer
• Spatial Analysis

Azure AI Language

• Text Analytics
• Language Understanding (LUIS)
• Question Answering
• Translator
• Custom Named Entity Recognition

Azure AI Speech

• Voce a testo
• Testo a voce
• Traduzione vocale
• Riconoscimento del parlante
• Voce personalizzata

Azure AI Document Intelligence

• Modelli predefiniti (fatture, ricevute, ID)
• Modelli di estrazione personalizzati
• Layout API
• Modello di documento generico

Azure AI Search

• Ricerca full-text
• Ricerca semantica
• Ricerca vettoriale
• Arricchimento AI
• Estrazione della conoscenza

Concetti importanti

AI responsabile

• Equità: Evitare i pregiudizi
• Affidabilità e sicurezza: Prestazioni coerenti
• Privacy e sicurezza: Protezione dei dati
• Inclusività: Accessibile a tutti
• Trasparenza: AI spiegabile
• Responsabilità: Supervisione umana

Modelli di AI generativa

• RAG (Retrieval Augmented Generation)

  • Ancorare i modelli ai propri dati
  • Ridurre le allucinazioni
  • Fornire contesto

• Ingegnerizzazione dei prompt

  • Messaggi di sistema
  • Apprendimento few-shot
  • Catena di pensiero
  • Temperatura e top-p

Architettura degli agenti

• Singolo agente: Un unico agente AI che gestisce i compiti
• Multi-agente: Più agenti specializzati
• Orchestrazione: Coordinamento delle azioni degli agenti
• Autonomo: Agenti auto-diretti

Strumenti di sviluppo

SDK

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

API REST

• Autenticazione (chiavi API, Azure AD)
• Formati di richiesta/risposta
• Limitazione della velocità
• Gestione degli errori

Ambienti di sviluppo

• Azure AI Studio
• Visual Studio Code
• Jupyter Notebooks
• Azure Machine Learning

Procedure consigliate

Sicurezza

• Utilizzare identità gestite
• Ruotare regolarmente le chiavi API
• Implementare l'isolamento di rete
• Abilitare la registrazione diagnostica
• Utilizzare Azure Key Vault

Prestazioni

• Implementare il caching
• Utilizzare il raggruppamento per le operazioni in blocco
• Configurare il livello/SKU appropriato
• Monitorare quote e limiti
• Ottimizzare la lunghezza del prompt

Gestione dei costi

• Scegliere il livello di tariffazione appropriato
• Monitorare l'utilizzo e i costi
• Implementare strategie di caching
• Utilizzare i livelli di impegno per i carichi di lavoro prevedibili
• Eliminare le risorse inutilizzate

Risorse di studio

Microsoft Learn ufficiale

• Percorsi di apprendimento AI-102
• Documentazione sui servizi Azure AI
• Laboratori hands-on
• Valutazioni pratiche

Pratica hands-on

• Account gratuito Azure
• Azure AI Studio
• Applicazioni di esempio
• Repository GitHub

Risorse della community

• Forum domande e risposte Microsoft
• Comunità tecnologica AI/ML
• Video AI Show
• Documentazione e tutorial

Dettagli sull'esame

• Punteggio di passaggio: 700
• Formato delle domande: Scelta multipla, studi di casi, drag-and-drop
• Durata dell'esame: 120 minuti (150 minuti per i non madrelingua)
• Lingue disponibili: Più lingue
• Costo dell'esame: $165 USD (varia a seconda della regione)

Percorso di certificazione

• Prerequisiti: Esperienza di sviluppo, conoscenza delle API REST
• Rinnovo: Richiesto ogni 12 mesi tramite Microsoft Learn
• Certificazioni correlate:
  • Azure Data Scientist Associate (DP-100)
  • Azure Solutions Architect Expert (AZ-305)
  • Azure Developer Associate (AZ-204)