AI-102考試學習指南應説明你了解考試的預期內容，並包含考試可能涵蓋的主題摘要以及指向其他資源的連結。 本文檔中的資訊和材料可以説明你在準備考試時集中精力學習。
有用連結 說明
查看自 2023 年 8 月 23 日起測試的技能 此清單表示在提供的日期之後測試的技能。 如果你計劃在該日期之後參加考試，請學習此清單。
查看 2023 年 8 月 23 日之前測試的技能 如果在提供的日期之前參加考試，請學習此技能清單。
更改紀錄 如果想要查看將在提供的日期所做的更改，可以直接轉到更改日誌。
如何獲得認證 有些認證只需要通過一項考試，而另一些認證則需要通過多項考試。
認證續訂 Microsoft 助理、專業和專家認證每年都會過期。 你可以通過 Microsoft Learn 上的免費在線評估進行續訂。
Microsoft Learn 個人資料 通過將認證個人資料連接到 Microsoft Learn，可以安排和續訂考試以及共用和列印證書。
考分和成績報告 需要 700 分或更高的分數才能通過。
考試沙盒 可以通過訪問我們的考試沙箱來探索考試環境。
申請調整 如果你使用輔助設備、需要額外時間或需要修改考試體驗的任何部分，你可以申請住宿。
進行免費的練習評估 通過練習題測試技能，説明你為考試做準備。
考試更新
我們的考試會定期更新，以反映執行某一角色所需的技能。 我們提供了兩個版本的技能測評目標，具體取決於你參加考試的時間。
我們始終首先更新考試的英語版本。 一些考試已當地語系化為其他語言，在英語版本更新后大約八周進行更新。 雖然 Microsoft 會盡一切努力更新當地語系化考試，但有時考試的當地語系化版本可能未按此計劃進行更新。 其他可用語言列在「考試詳細資訊」網頁的「安排考試」 部分。 如果考試不以你的首選語言提供，你可以請求額外 30 分鐘時間來完成考試。
注意
每項技能下面的項目符號旨在說明我們如何評估該技能。 考試中可能會涉及到相關的主題。
注意
大多數問題都涉及正式發佈 （GA） 的功能。 如果經常使用預覽功能，該考試可能會包含有關這些功能的問題。
自 2023 年 8 月 23 日起測試的技能
受眾概況
Microsoft Azure AI 工程師構建、管理和部署充分利用 Azure 認知服務和 Azure 應用 AI 服務的 AI 解決方案。 他們的職責包括參與 AI 解決方案開發的所有階段，從需求定義和設計到開發、部署、集成、維護、性能優化和監視。
這些專業人員與解決方案架構師合作將其願景轉化為事實，並與數據科學家、數據工程師、IoT 專家、基礎結構管理員和其他軟體開發人員合作，以構建完整的端到端 AI 解決方案。
Azure AI 工程師具有開發使用 Python 或 C# 等語言的解決方案的經驗，並且應該能夠使用基於 REST 的 API 和軟體開發工具套件 （SDK） 來構建安全的圖像處理、視頻處理、自然語言處理 （NLP）、知識挖掘和對話式 AI 解決方案。 他們應熟悉實現 AI 解決方案的所有方法。 此外，他們了解構成 Azure AI 產品群組的元件以及可用的數據儲存選項。 Azure AI 工程師還需要理解並能夠應用負責任 AI 原則。
計劃和管理 Azure AI 解決方案 （25-30%）
實現影像和視訊處理解決方案 （15-20%）
實現自然語言處理解決方案 （25-30%）
實現知識挖掘解決方案 （5-10%）
實現對話式 AI 解決方案 （15-20%）
計劃和管理 Azure AI 解決方案 （25-30%）
選擇適當的 Azure AI 服務
為視覺解決方案選擇適當的服務
為語言分析解決方案選擇適當的服務
為決策支援解決方案選擇適當的服務
為語音解決方案選擇適當的服務
選擇適當的應用 AI 服務
為 Azure AI 服務計畫和配置安全性
管理帳戶金鑰
管理資源的身份驗證
使用 Azure 虛擬網路保護服務
計劃符合負責任 AI 原則的解決方案
創建和管理 Azure AI 服務
創建 Azure AI 資源
配置診斷日誌記錄
管理 Azure AI 服務的成本
監視 Azure AI 資源
部署 Azure AI 服務
確定服務的預設終結點
使用 Azure 門戶創建資源
將 Azure AI 服務整合到持續整合 /持續部署 （CI/CD） 管道中
計劃容器部署
在連接的環境中實現預生成容器
創建解決方案以檢測異常並改進內容
創建使用異常檢測器（認知服務的一部分）的解決方案
創建使用 Azure 內容審查器（認知服務的一部分）的解決方案
創建使用個人化體驗創建服務（認知服務的一部分）的解決方案
創建使用 Azure 指標顧問（Azure 應用 AI 服務的一部分）的解決方案
創建使用 Azure 沉浸式閱讀器（Azure 應用 AI 服務的一部分）的解決方案
實現影像和視訊處理解決方案 （15-20%）
分析圖像
選擇適當的視覺特徵以滿足圖像處理要求
創建圖像處理請求以包含適當的圖像分析功能
解釋圖像處理回應
從圖像中提取文字
使用電腦視覺服務從圖像或 PDF 中提取文字
使用電腦視覺服務轉換手寫文字
使用 Azure 表單識別器中的預生成模型提取資訊
為 Azure 表單識別器生成和優化自定義模型
使用自定義視覺服務（Azure 認知服務的一部分）實現圖像分類和物體檢測
在圖像分類和物體檢測模型之間選擇
指定模型配置選項，包括類別、版本和壓縮
標記圖像
訓練自定義圖像模型，包括圖像分類和物體檢測
管理訓練反覆運算
評估模型指標
發佈已訓練的模型
匯出模型以在特定目標上運行
以 Docker 容器形式實現自定義視覺模型
解釋模型回應
處理視頻
使用 Azure 影片索引器處理視頻
使用 Azure 影片索引器從視頻或即時流中提取見解
使用 Azure 影片索引器實現內容審核
將自定義語言模型集成到 Azure 視頻索引器中
實現自然語言處理解決方案 （25-30%）
分析文本
檢索和處理關鍵短語
檢索和處理實體
檢索和處理情緒
檢測文字中使用的語言
偵測個人身份資訊 （PII）
處理語音
實現和自定義文本轉語音
實現和自定義語音轉文本
使用 SSML 和神經網路定製聲音改進文字轉語音
使用短語清單和自定義語音辨識改進語音轉文本
實現意向識別
實現關鍵字識別
轉換語言
使用轉換器服務轉換文字和文件
實現自定義轉換，包括訓練、改進和發佈自定義模型
使用語音服務將語音轉換為語音
使用語音服務將語音轉換為文本
同時轉換為多種語言
生成和管理語言理解模型
創建意向並添加語句
創建實體
訓練、評估、部署和測試語言理解模型
優化語言理解 （LUIS） 模型
使用業務流程工作流集成多種語言服務模型
導入和導出語言理解模型
創建問題解答解決方案
創建問題解答專案
手動添加問答對
匯入源
訓練和測試知識庫
發佈知識庫
創建多回合對話
添加備用措辭
向知識庫添加聊天內容
導入知識庫
創建多語言問題解答解決方案
創建多域問題解答解決方案
對問答對使用元數據
實現知識挖掘解決方案 （5-10%）
實現認知搜索解決方案
預配認知搜索資源
創建數據源
定義索引
創建並運行索引器
查詢索引，包括語法、排序、篩選和通配符
管理知識存儲投影，包括檔、物件和表投影
將 AI 擴充技能應用於索引器管道
將認知服務帳戶附加到技能組
選擇並包含文檔的內置技能
實現自定義技能並將其包含在技能組中
實現增量擴充
實現對話式 AI 解決方案 （15-20%）
設計和實現對話流
設計機器人的對話邏輯
為機器人選擇合適的活動處理程式、對話或主題、觸發器和狀態處理
生成對話機器人
通過範本創建機器人
從頭開始創建機器人
實現活動處理程式、對話或主題和觸發器
實現特定於通道的邏輯
實現自適應卡片
在機器人中實現多語言支援
實現多步驟對話
管理機器人的狀態
將認知服務集成到機器人中，包括問題解答、語言理解和語音服務
測試、發佈和維護對話機器人
使用 Bot Framework Emulator 或 Power Virtual Agents Web 應用測試機器人
在特定於通道的環境中測試機器人
排查對話機器人問題
部署機器人邏輯
學習資源
我們建議你在參加考試之前進行培訓並獲得實踐經驗。 我們提供自學選項和課堂培訓，以及指向文檔、社區網站和視頻的連結。
學習資源 學習和文件連結
參加培訓 從自定進度學習路徑和模組中進行選擇，或參加講師引導式課程
查找文件 Azure 認知服務
電腦視覺
Azure 視頻索引器
語言理解
語音轉文本
語音翻譯
Azure 認知搜索
Azure 機器人服務
提問 Microsoft Q&A | Microsoft Docs
獲取社區支援 AI – 機器學習 – Microsoft Tech Community
AI – 機器學習博客 – Microsoft Tech Community
關注 Microsoft Learn Microsoft Learn – Microsoft Tech Community
查找視頻 AI Show
流覽其他 Microsoft Learn 節目
更改紀錄
理解表的關鍵：主題組（也稱為功能組）以粗體字樣顯示，後跟每個組中的目標。 下表比較了兩個版本的考試測評技能，第三列描述了更改程度。
2023 年 8 月 23 日之前測評的技能領域 自 2023 年 8 月 23 日開始測評的技能領域 更改
受眾概況 次要
計劃和管理 Azure AI 解決方案 計劃和管理 Azure AI 解決方案 沒有變化
選擇適當的 Azure AI 服務 選擇適當的 Azure AI 服務 沒有變化
為 Azure AI 服務計畫和配置安全性 為 Azure AI 服務計畫和配置安全性 沒有變化
創建和管理 Azure AI 服務 創建和管理 Azure AI 服務 沒有變化
部署 Azure AI 服務 部署 Azure AI 服務 沒有變化
創建解決方案以檢測異常並改進內容 創建解決方案以檢測異常並改進內容 沒有變化
實現圖像和視頻處理解決方案 實現圖像和視頻處理解決方案 沒有變化
分析圖像 分析圖像 沒有變化
從圖像中提取文字 從圖像中提取文字 沒有變化
使用自定義視覺服務（Azure 認知服務的一部分）實現圖像分類和物體檢測 使用自定義視覺服務（Azure 認知服務的一部分）實現圖像分類和物體檢測 Minor
處理視頻 處理視頻 沒有變化
實現自然語言處理解決方案 實現自然語言處理解決方案 沒有變化
分析文本 分析文本 沒有變化
處理語音 處理語音 沒有變化
轉換語言 轉換語言 沒有變化
生成和管理語言理解模型 生成和管理語言理解模型 次要
創建問題解答解決方案 創建問題解答解決方案 沒有變化
實現知識挖掘解決方案 實現知識挖掘解決方案 沒有變化
實現認知搜索解決方案 實現認知搜索解決方案 沒有變化
將 AI 擴充技能應用於索引器管道 將 AI 擴充技能應用於索引器管道 沒有變化
實現對話式 AI 解決方案 實現對話式 AI 解決方案 沒有變化
設計和實現對話流 設計和實現對話流 沒有變化
生成對話機器人 生成對話機器人 沒有變化
測試、發佈和維護對話機器人 測試、發佈和維護對話機器人 沒有變化
2023 年 8 月 23 日之前測試的技能
受眾概況
Microsoft Azure AI 工程師構建、管理和部署充分利用 Azure 認知服務和 Azure 服務的 AI 解決方案。 他們的職責包括參與 AI 解決方案開發的所有階段，從需求定義和設計到開發、部署、集成、維護、性能優化和監視。
這些專業人員與解決方案架構師合作將其願景轉化為事實，並與數據科學家、數據工程師、IoT 專家、基礎結構管理員和其他軟體開發人員合作，以構建完整的端到端 AI 解決方案。
Azure AI 工程師具有開發使用 Python 或 C# 等語言的解決方案的經驗，並且應該能夠使用基於 REST 的 API 和軟體開發工具套件 （SDK） 來構建安全的圖像處理、視頻處理、自然語言處理 （NLP）、知識挖掘和對話式 AI 解決方案。 他們應熟悉實現 AI 解決方案的所有方法。 此外，他們了解構成 Azure AI 產品群組的元件以及可用的數據儲存選項。 Azure AI 工程師還需要理解並能夠應用負責任 AI 原則。
計劃和管理 Azure AI 解決方案 （25-30%）
實現影像和視訊處理解決方案 （15-20%）
實現自然語言處理解決方案 （25-30%）
實現知識挖掘解決方案 （5-10%）
實現對話式 AI 解決方案 （15-20%）
計劃和管理 Azure AI 解決方案 （25-30%）
選擇適當的 Azure AI 服務
為視覺解決方案選擇適當的服務
為語言分析解決方案選擇適當的服務
為決策支援解決方案選擇適當的服務
為語音解決方案選擇適當的服務
選擇適當的應用 AI 服務
為 Azure AI 服務計畫和配置安全性
管理帳戶金鑰
管理資源的身份驗證
使用 Azure 虛擬網路保護服務
計劃符合負責任 AI 原則的解決方案
創建和管理 Azure AI 服務
創建 Azure AI 資源
配置診斷日誌記錄
管理 Azure AI 服務的成本
監視 Azure AI 資源
部署 Azure AI 服務
確定服務的預設終結點
使用 Azure 門戶創建資源
將 Azure AI 服務整合到持續整合 /持續部署 （CI/CD） 管道中
計劃容器部署
在連接的環境中實現預生成容器
創建解決方案以檢測異常並改進內容
創建使用異常檢測器（認知服務的一部分）的解決方案
創建使用 Azure 內容審查器（認知服務的一部分）的解決方案
創建使用個人化體驗創建服務（認知服務的一部分）的解決方案
創建使用 Azure 指標顧問（Azure 應用 AI 服務的一部分）的解決方案
創建使用 Azure 沉浸式閱讀器（Azure 應用 AI 服務的一部分）的解決方案
實現影像和視訊處理解決方案 （15-20%）
分析圖像
選擇適當的視覺特徵以滿足圖像處理要求
創建圖像處理請求以包含適當的圖像分析功能
解釋圖像處理回應
從圖像中提取文字
使用電腦視覺服務從圖像或 PDF 中提取文字
使用電腦視覺服務轉換手寫文字
使用 Azure 表單識別器中的預生成模型提取資訊
為 Azure 表單識別器生成和優化自定義模型
使用自定義視覺服務（Azure 認知服務的一部分）實現圖像分類和物體檢測
在圖像分類和物體檢測模型之間選擇
指定模型配置選項，包括類別、版本和壓縮
標記圖像
訓練自定義圖像模型，包括分類器和檢測器
管理訓練反覆運算
評估模型指標
發佈已訓練的模型反覆運算
匯出模型以在特定目標上運行
以 Docker 容器形式實現自定義視覺模型
解釋模型回應
處理視頻
使用 Azure 影片索引器處理視頻
使用 Azure 影片索引器從視頻或即時流中提取見解
使用 Azure 影片索引器實現內容審核
將自定義語言模型集成到 Azure 視頻索引器中
實現自然語言處理解決方案 （25-30%）
分析文本
檢索和處理關鍵短語
檢索和處理實體
檢索和處理情緒
檢測文字中使用的語言
偵測個人身份資訊 （PII）
處理語音
實現和自定義文本轉語音
實現和自定義語音轉文本
使用 SSML 和神經網路定製聲音改進文字轉語音
使用短語清單和自定義語音辨識改進語音轉文本
實現意向識別
實現關鍵字識別
轉換語言
使用轉換器服務轉換文字和文件
實現自定義轉換，包括訓練、改進和發佈自定義模型
使用語音服務將語音轉換為語音
使用語音服務將語音轉換為文本
同時轉換為多種語言
生成和管理語言理解模型
創建意向並添加語句
創建實體
訓練、評估、部署和測試語言理解模型
優化語言理解 （LUIS） 模型
使用 Orchestrator 集成多種語言服務模型
導入和導出語言理解模型
創建問題解答解決方案
創建問題解答專案
手動添加問答對
匯入源
訓練和測試知識庫
發佈知識庫
創建多回合對話
添加備用措辭
向知識庫添加聊天內容
導入知識庫
創建多語言問題解答解決方案
創建多域問題解答解決方案
對問答對使用元數據
實現知識挖掘解決方案 （5-10%）
實現認知搜索解決方案
預配認知搜索資源
創建數據源
定義索引
創建並運行索引器
查询索引，包括语法、排序、筛选和通配符
管理知识存储投影，包括文件、对象和表投影
将 AI 扩充技能应用于索引器管道
将认知服务帐户附加到技能组
选择并包含文档的内置技能
实现自定义技能并将其包含在技能组中
实现增量扩充
实现对话式 AI 解决方案 (15-20%)
设计和实现对话流
设计机器人的对话逻辑
为机器人选择合适的活动处理程序、对话或主题、触发器和状态处理
生成對話機器人
通過範本創建機器人
從頭開始創建機器人
實現活動處理程式、對話或主題和觸發器
實現特定於通道的邏輯
實現自適應卡片
在機器人中實現多語言支援
實現多步驟對話
管理機器人的狀態
將認知服務集成到機器人中，包括問題解答、語言理解和語音服務
測試、發佈和維護對話機器人
使用 Bot Framework Emulator 或 Power Virtual Agents Web 應用測試機器人
在特定於通道的環境中測試機器人
排查對話機器人問題
部署機器人邏輯
