AI-102: 设计和实施 Microsoft Azure AI 解决方案指南

考试概述

• 认证: Microsoft Azure AI 工程师助理
• 考试代码: AI-102
• 目标受众: 在 Azure 上构建、管理和部署 AI 解决方案的 AI 工程师
• 所需经验: Python 或 C# 开发、REST API/SDK、负责任的 AI 原则

技能测试 (截至 2025 年 4 月 30 日)

1. 规划和管理 Azure AI 解决方案 (20-25%)

选择合适的 Azure AI 基础服务

• 选择用于生成性 AI 解决方案的服务
• 选择用于计算机视觉解决方案的服务
• 选择用于自然语言处理解决方案的服务
• 选择用于语音解决方案的服务
• 选择用于信息提取解决方案的服务
• 选择用于知识挖掘解决方案的服务

规划、创建和部署 Azure AI 基础服务

• 根据负责任的 AI 原则规划解决方案
• 创建 Azure AI 资源
• 选择合适的 AI 模型
• 使用合适的部署选项部署 AI 模型
• 安装和利用 SDK 和 API
• 确定服务的默认终结点
• 将 Azure AI 基础服务集成到 CI/CD 管道中
• 规划和实施容器部署

管理、监控和保护 Azure AI 基础服务

• 监控 Azure AI 资源
• 管理 Azure AI 基础服务的成本
• 管理和保护帐户密钥
• 管理 Azure AI 基础服务资源的身份验证

负责任地实施 AI 解决方案

• 实施内容审核解决方案
• 配置负责任的 AI 洞察力(内容安全)
• 实施负责任的 AI(内容过滤器、黑名单)
• 防止有害行为(提示屏蔽、危害检测)
• 设计负责任的 AI 治理框架

2. 实施生成性 AI 解决方案 (15-20%)

使用 Azure AI 基础构建生成性 AI 解决方案

• 规划和准备生成性 AI 解决方案
• 使用 Azure AI 基础部署中心、项目和资源
• 部署适当的生成性 AI 模型
• 实施提示流解决方案
• 通过将模型与数据相结合来实施 RAG 模式
• 评估模型和流程
• 使用 Azure AI 基础 SDK 将项目集成到应用程序中
• 利用提示模板

在基础模型中使用 Azure OpenAI

• 在基础模型中配置 Azure OpenAI
• 选择和部署 Azure OpenAI 模型
• 提交提示以生成代码和自然语言
• 使用 DALL-E 模型生成图像
• 将 Azure OpenAI 集成到应用程序中
• 使用大型多模态模型
• 实施 Azure OpenAI 助手

优化和操作化生成性 AI 解决方案

• 配置参数以控制生成性行为
• 配置模型监控和诊断
• 优化和管理部署资源
• 启用跟踪并收集反馈
• 实施模型反射
• 为本地和边缘设备部署容器
• 实施多个生成性 AI 模型的编排
• 应用提示工程技术
• 微调生成模型

3. 实施代理解决方案 (5-10%)

创建自定义代理

• 了解代理的角色和使用场景
• 配置构建代理的资源
• 使用 Azure AI 基础代理服务创建代理
• 使用语义内核和自动生成实现复杂代理
• 实施复杂工作流程(编排、多代理、自主)
• 测试、优化和部署代理

4. 实施计算机视觉解决方案 (10-15%)

分析图像

• 选择图像处理的视觉特征
• 检测对象并生成图像标签
• 在处理请求中包含图像分析特征
• 解释图像处理响应
• 使用 Azure AI 视觉提取图像中的文本
• 转换手写文本

实施自定义视觉模型

• 选择图像分类还是目标检测
• 标记图像
• 训练自定义图像模型
• 评估自定义视觉模型指标
• 发布自定义视觉模型
• 使用自定义视觉模型
• 以代码优先的方式构建自定义视觉模型

分析视频

• 使用 Azure AI 视频索引器获取视频/实时流洞察
• 使用 Azure AI 视觉空间分析进行人员检测/移动

5. 实施自然语言处理解决方案 (15-20%)

分析和翻译文本

• 提取关键短语和实体
• 确定文本情感
• 检测语言
• 检测个人身份信息(PII)
• 使用 Azure AI 翻译器翻译文本和文档

处理和翻译语音

• 集成生成性 AI 对讲功能
• 实施文本到语音和语音到文本
• 使用 SSML 改善文本到语音
• 实施自定义语音解决方案
• 实施意图和关键词识别
• 实施语音到语音和语音到文本翻译

实施自定义语言模型

• 创建意图、实体和话语
• 训练、评估、部署和测试语言理解模型
• 优化、备份和恢复模型
• 从客户端应用程序使用语言模型
• 创建自定义问答项目
• 添加问答对和导入来源
• 训练、测试和发布知识库
• 创建多轮对话
• 添加替代措辞和闲聊
• 导出知识库
• 创建多语言问答解决方案
• 实施自定义翻译

6. 实施知识挖掘和信息提取解决方案 (15-20%)

实施 Azure AI 搜索解决方案

• 配置 Azure AI 搜索资源
• 创建索引并定义技能集
• 创建数据源和索引器
• 在技能集中实现自定义技能
• 创建和运行索引器
• 查询索引(语法、排序、过滤、通配符)
• 管理知识存储投射

实施语义和向量存储解决方案

• 配置语义搜索
• 实施向量搜索
• 混合搜索方法

实施 Azure AI 文档智能解决方案

• 配置文档智能资源
• 使用预建模型进行数据提取
• 实施自定义文档智能模型
• 训练、测试和发布自定义模型
• 创建组合的文档智能模型

使用 Azure AI 内容理解提取信息

• 创建 OCR 管道进行文本提取
• 总结、分类和检测文档属性
• 提取实体、表格和图像
• 处理和摄取各种内容类型

关键 Azure AI 服务

Azure OpenAI 服务

• GPT 模型(GPT-4、GPT-3.5)
• DALL-E 用于图像生成
• 嵌入模型
• 聊天完成 API
• 函数调用

Azure AI 视觉

• 图像分析
• OCR(读取 API)
• 自定义视觉
• 人脸 API
• 视频索引器
• 空间分析

Azure AI 语言

• 文本分析
• 语言理解(LUIS)
• 问答
• 翻译器
• 自定义命名实体识别

Azure AI 语音

• 语音到文本
• 文本到语音
• 语音翻译
• 说话者识别
• 自定义语音

Azure AI 文档智能

• 预建模型(发票、收据、ID)
• 自定义提取模型
• 布局 API
• 通用文档模型

Azure AI 搜索

• 全文搜索
• 语义搜索
• 向量搜索
• AI 增强
• 知识挖掘

重要概念

负责任的 AI

• 公平性: 避免偏差
• 可靠性和安全性: 一致的性能
• 隐私和安全性: 数据保护
• 包容性: 对所有人可访问
• 透明度: 可解释的 AI
• 责任: 人工监督

生成性 AI 模式

• RAG(检索增强生成)

  • 以您的数据为基础建立模型
  • 减少幻觉
  • 提供上下文

• 提示工程

  • 系统消息
  • 少样本学习
  • 连续思维
  • 温度和 top-p

代理架构

• 单一代理: 一个 AI 代理处理任务
• 多代理: 多个专业化代理
• 编排: 协调代理行动
• 自主: 自主的代理

开发工具

SDK

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

REST API

• 身份验证(API 密钥、Azure AD)
• 请求/响应格式
• 速率限制
• 错误处理

开发环境

• Azure AI 工作室
• Visual Studio Code
• Jupyter Notebooks
• Azure 机器学习

最佳实践

安全

• 使用托管标识
• 定期轮换 API 密钥
• 实施网络隔离
• 启用诊断日志记录
• 使用 Azure 密钥保管库

性能

• 实施缓存
• 批量操作
• 配置适当的层/SKU
• 监控配额和限制
• 优化提示长度

成本管理

• 选择合适的定价层
• 监控使用情况和成本
• 实施缓存策略
• 对于可预测的工作负载使用承诺层
• 清理未使用的资源

学习资源

官方 Microsoft Learn

• AI-102 学习路径
• Azure AI 服务文档
• 动手实验室
• 练习评估

实践练习

• Azure 免费帐户
• Azure AI 工作室
• 示例应用程序
• GitHub 存储库

社区资源

• Microsoft 问答论坛
• AI/ML 技术社区
• AI Show 视频
• 文档和教程

考试详细信息

• 及格分数: 700
• 题目格式: 多选题、案例研究、拖放
• 考试时长: 120 分钟(非英语母语考生为 150 分钟)
• 可用语言: 多种语言
• 考试费用: 165 美元(因地区而异)

认证途径

• 先决条件: 开发经验、REST API 知识
• 续期: 需要通过 Microsoft Learn 每 12 个月续期一次
• 相关认证:
  • Azure 数据科学家助理(DP-100)
  • Azure 解决方案架构师专家(AZ-305)
  • Azure 开发人员助理(AZ-204)