Microsoft AI-300 认证：生产环境 AI 运维能力标准

迄今为止，大多数 Azure AI 认证考查的都是你能否构建某种东西——模型、聊天机器人或 Agent。AI-300 考查的则不同：你能否让这个系统在生产环境中持续稳定运行，不发生故障、漂移，也不会产生超出预期的成本。

Microsoft 推出 AI-300，正是为了弥补这一空白。本指南将介绍这项认证实际考查的能力、它如何取代 DP-100、适合哪些人，以及应该如何备考。

什么是 AI-300 认证？

AI-300：Operationalizing Machine Learning and Generative AI Solutions 是一项 Microsoft 中级认证考试，用于验证你在 Azure 上设计、部署、监控和优化 AI 系统的能力——既包括经典的机器学习模型，也包括基于 Microsoft Foundry 构建的生成式 AI 应用和 Agent。

通过考试后，你将获得 Microsoft Certified: Machine Learning Operations Engineer Associate 认证。目前，该考试仍处于 Beta 阶段，这对于 Microsoft 新推出的认证考试来说很常见。成绩通常会在 Beta 阶段结束后公布，Microsoft 也可能仍在微调考试指南。

Microsoft 将这一领域统一归纳为一个术语：AI Operations（AIOps）。它既包括面向经典 ML 模型的传统 MLOps，也包括新近正式确立的 GenAIOps，即面向生成式 AI 应用和 Agent 的运维体系。

Microsoft 官方培训资源：AI-300T00-A: Operationalize Machine Learning and Generative AI Solutions

AI-300 与 DP-100：为什么要做出改变？

DP-100（Azure Data Scientist Associate）多年来一直是标准认证，但它诞生于这样一个时代：所谓“AI 工作”，主要是指在 notebook 中训练和评估模型。AI-300 面向的则是另一个时代：这些模型以及生成式 AI Agent 必须能够在生产环境中大规模、可靠地运行，并配套监控和 CI/CD。

如果你已经参加过 DP-100，那么 AI-300 就是 Microsoft 希望你接下来发展的方向——它并不是换个新名称、重新考一遍相同内容。

AI-300 考查的技能：五大领域

考试指南将考查内容划分为五个领域。下面是每个领域实际涵盖的内容。

1. 设计和实施 MLOps 基础设施

预配安全、可扩展的 Azure Machine Learning workspace，配置 managed identity 和 RBAC，搭建专用网络，并使用 Bicep 模板和 Azure CLI 自动执行基础设施部署。

2. 实施机器学习模型生命周期与运维

管理模型从训练编排，到使用 MLflow 进行实验跟踪、注册和版本管理、验证，再到部署策略（包括蓝绿发布）、回滚流程，以及针对数据漂移的生产环境监控。

3. 设计和实施 GenAIOps 基础设施

通过 Microsoft Foundry，使用 serverless API endpoint 和 managed compute 部署 foundation model；管理 prompt 版本；使用 GitHub Actions 为生成式 AI 应用和 Agent 构建 CI/CD pipeline。

4. 实施生成式 AI 质量保证与可观测性

执行安全性和 groundedness 评估，为 LLM 应用配置日志与可观测性，并在发布前构建自动化质量门禁。

5. 优化生成式 AI 系统与模型性能

通过调整 chunk size 和 similarity threshold 来优化 RAG（retrieval-augmented generation，检索增强生成）pipeline；选择和微调 embedding model；实施语义搜索与关键词搜索相结合的 hybrid search；针对成本和延迟进行优化。

领域 1～2 对应传统 MLOps，领域 3～5 对应 GenAIOps。后者是考试中更新、变化也更快的一半内容。对于大多数拥有 AI-102 或 AI-103 背景的考生来说，这也是需要投入更多备考时间的部分。

完整名称：Operationalizing Machine Learning and Generative AI Solutions

考试时长：120 分钟

及格分数：满分 1000 分，达到 700 分

考试语言：英语

当前状态：Beta（由于 Beta 考试不会立即公布成绩，预约前请在官方考试页面确认最新状态）

谁适合参加 AI-300？

这不是一项面向初学者的考试。Microsoft 给出的目标受众主要分为三类：

数据科学家和机器学习工程师：目前负责训练模型，并希望进一步负责部署、监控和生命周期管理。

转向 AI 领域的 DevOps 工程师：已经具备 CI/CD 和 infrastructure as code 经验，希望专攻 AI 基础设施。

Azure AI 工程师：通常拥有 AI-102 或 AI-103 背景，已经构建过 AI 应用和 Agent，现在希望负责这些系统在生产环境中的运行。

在尝试 AI-300 之前，你应该具备：

• Python 实际应用能力
• 对机器学习概念的基础理解
• 对 DevOps 实践的基本了解，包括源代码管理、CI/CD 和命令行工具

如果这些能力中有任何一项不够扎实，最好将 AI-300 视为认证路径中的第三步，而不是第一项考试。

如何备考：一条结构化路径

如果你尚未掌握 AI-300 默认要求的基础知识，孤立地备考这项认证效率并不高。更可靠的学习顺序如下。

第 1 步——基础知识

如果你刚开始接触 Azure AI 服务和负责任 AI 概念，可以先学习 AI-901。

第 2 步——应用开发

AI-103 教你如何在 Microsoft Foundry 上构建生成式 AI 应用和 Agent，而 AI-300 默认你已经能够在同一平台上部署和监控这些系统。

第 3 步——运维（AI-300）

当你已经能够构建一个系统后，AI-300 将进一步教你如何运行它，包括 infrastructure as code、MLflow 跟踪、部署 pipeline 和 GenAI 评估。

如果你希望了解全部四项考试的完整学习顺序，Azure AI Certification Roadmap 介绍了 AI-901、AI-102/AI-103 和 AI-300 之间的衔接关系。

与大多数 Azure 考试相比，动手实践对 AI-300 更为重要，因为它的考试领域侧重流程，而不只是概念：

• 预配一个 Azure Machine Learning workspace，并手动配置 RBAC 和专用网络。
• 使用 MLflow 跟踪一次训练运行，注册模型，然后将其分别部署到 batch endpoint 和 managed online endpoint。
• 构建一个 GitHub Actions pipeline，自动执行模型训练或 GenAI 评估。
• 通过 Microsoft Foundry 部署模型，并对其执行 groundedness 和安全性评估。
• 使用样例数据集调整 RAG pipeline 的 chunk size 和检索方法，并衡量调整前后的差异。

SkillTech Club 的 AI-300 课程正是围绕这套结构设计的——五个领域分别配有对应的视频课程和实验，并与 Microsoft 官方 AI-300T00 课程保持一致。

AI-300 对应的岗位目前正面临人才供给不足的问题：已经采用生成式 AI 的组织，如今需要的不只是能够为模型编写 prompt 的人，还需要能够保证这些系统可靠、安全且具备成本效益的人。

与这项认证相关的岗位包括：

• MLOps Engineer——负责训练 pipeline、model registry 和部署自动化。
• GenAIOps Engineer——负责 LLM 应用的 prompt 版本管理、Agent 评估和可观测性。
• AI Platform / Infrastructure Engineer——预配并保护 Azure ML 和 Microsoft Foundry 环境，供其他团队在其上进行构建。
• AI Solutions Architect——设计模型、Agent 和数据如何在生产环境的不同环境之间流转。

AI-300 是 Microsoft 迄今为止最明确的信号：它将“构建 AI 系统”和“在生产环境中运行 AI 系统”视为两套彼此独立、可以分别认证的技能体系。如果你已经完成 AI-901 和 AI-103（或 AI-102），AI-300 就是顺理成章的下一步；如果你拥有 DevOps 背景，它也是进入 AI 基础设施领域的直接入口。

由于考试仍处于 Beta 阶段，请在预约前前往 Microsoft 官方 AI-300 培训页面，查看最新的考试状态和学习指南。

如需采取进一步措施，你可以考虑屏蔽此人和/或举报滥用行为。