微軟 AI-300（Machine Learning Operations Engineer）備考路徑：一張考試考兩套維運，MLOps 與 GenAIOps 各佔一半

🌏 English version

本文是從官方資料建出來的備考路徑，不是應考實錄，作者沒有報考這張考試。所有「考什麼」都指回官方 study guide，所有「怎麼準備」都指回微軟官方訓練，不含考古題。查證日期：2026-10-08。

微軟的 Azure Data Scientist Associate（DP-100）已於 2026 年 6 月 1 日退場，依認證退場公告，接手的是 AI-300。認證名稱從「Data Scientist」變成「Machine Learning Operations Engineer」，這個改名已經說明了方向：它考的是把模型送上線並維持運作，而且同時涵蓋傳統機器學習與生成式 AI 兩種。

微軟其他幾張的取捨見微軟這條線怎麼選。

這張適合誰

官方 study guide 的 audience profile 要求三種背景同時成立：

You should have a data science background with experience in Python programming and an entry-level understanding of DevOps practices, including using tools like GitHub Actions and working with command-line interfaces (CLIs).

資料科學背景、Python、入門程度的 DevOps。它還列了四項要有經驗的工具：Azure Machine Learning、Foundry、GitHub Actions、用 Bicep 與 Azure CLI 做基礎架構即程式碼（IaC）。

適合：ML 工程師、平台工程師，以及正在從「訓練模型」轉向「維運模型」的資料科學家。公司同時有傳統 ML 模型與生成式 AI 應用要顧的人，這張的範圍剛好對上。

不適合：只做生成式 AI 應用開發的人，那是 AI-103；這張有四到五成在考 AutoML、超參數調整、分散式訓練、資料漂移，沒碰過傳統 ML 會很吃力。它也不適合想證明建模與統計能力的人，考綱裡沒有演算法選擇或特徵工程的條目。

其他雲的對應考試是 Google PMLE 與 AWS 的 MLA（見 AWS 三張怎麼選）。

官方規格速覽

考試只有英文，但講師課 AI-300T00-A 的課程頁列了 12 種語言含繁體中文，所以教材有中文、考試沒有。

五塊技能權重

前兩塊合計 40–50%，後三塊合計 40–55%。兩個平台、兩套工具、兩種思維，各佔約一半。只熟其中一邊，另一半的分數足以讓你不及格。

逐塊準備

Design and implement an MLOps infrastructure（15–20%）

官方考什麼：

• 工作區資源：建立與管理工作區、資料存放區（datastore）、運算目標；設定工作區的身分與存取管理。
• 工作區資產：資料資產、環境、元件（component）；用 registry 跨工作區共用資產。
• IaC：設定 GitHub 與 Azure Machine Learning 的安全整合；用 Bicep 與 Azure CLI 部署工作區與資源；用 GitHub Actions 自動化資源佈建；限制工作區的網路存取；用 Git 管理 ML 專案的原始碼。

怎麼準備：這塊要的是「不點入口網站也建得出整套環境」。練習方式是寫一份 Bicep 範本建立工作區、運算與資料存放區，再寫一條 GitHub Actions workflow 去部署它。

Implement machine learning model lifecycle and operations（25–30%，最重）

官方考什麼，照模型的生命週期分四段：

怎麼準備：走第一條官方學習路徑 Operationalize machine learning models (MLOps)（7 個模組，官方標示約 5.7 小時）。最有效的練習是把一個模型完整走一輪：MLflow 追蹤訓練、註冊、部署成 managed online endpoint、用兩個 deployment 做流量切分再回復、最後設一個資料漂移監控。四段缺任何一段，這塊都會有整組題目答不出來。

Design and implement a GenAIOps infrastructure（20–25%）

官方考什麼：

• Foundry 環境：建立與設定 Foundry 資源與專案；用 managed identity 與 RBAC 管身分；網路安全與私有網路；用 Bicep 範本與 Azure CLI 部署。
• 基礎模型的部署與管理：用 serverless API 端點與 managed compute 部署；依情境選模型；模型版本與正式環境部署策略；為高流量工作負載設定 provisioned throughput units。
• Prompt 版本管理：設計與開發 prompt；建立 prompt 變體並比較表現；用 Git 儲存庫做 prompt 版本控制。

第三組值得注意：這張把 prompt 當成需要版本控制、需要比較變體的工程產物來考。同一個主題在其他證照怎麼考，見站內的prompt 與 context engineering 的考法。

怎麼準備：第二條官方學習路徑 Operationalize generative AI applications (GenAIOps)（6 個模組，約 6.1 小時）只蓋到這塊的一部分。它的六個模組是規劃、prompt 管理、評估實驗、自動化評估、監控、追蹤除錯，所以 prompt 版本管理有教，但 Foundry 的身分與網路設定、基礎模型的部署選項、provisioned throughput 都要另外從 Microsoft Foundry 官方文件補。部署選項要整理成自己的對照表：serverless API、managed compute、provisioned throughput 各自的計費方式與適用流量。

Implement generative AI quality assurance and observability（10–15%）

官方考什麼：

• 評估：建立測試資料集與資料對應；實作 AI 品質指標，官方點名 groundedness、relevance、coherence、fluency 四項；設定風險與安全評估以偵測有害內容；用內建與自訂指標建立自動化評估流程。
• 可觀測性：Foundry 的持續監控；延遲、吞吐量、回應時間；token 消耗與資源用量的成本追蹤與最佳化；記錄、追蹤與除錯。

怎麼準備：四個品質指標要能各說出「量的是什麼、分數低代表什麼問題」。練習：拿一個 RAG 應用跑一次內建評估，再寫一個自訂指標。

Optimize generative AI systems and model performance（10–15%）

官方考什麼：

• RAG 最佳化：調整相似度門檻、chunk 大小與檢索策略；為特定領域挑選並微調 embedding 模型；結合語意與關鍵字的混合搜尋；用相關性指標與 A/B 測試框架評估並改善。
• 微調：設計與實作進階微調方法；建立與管理微調用的合成資料；監控並最佳化微調模型的表現；把微調模型從開發管到正式部署。

怎麼準備：RAG 那半段與站內的RAG 與檢索評估的考點交集重疊度高；成本與延遲的取捨見成本、延遲與可用性的考點交集。微調那半段至少要跑過一次完整流程，包含準備資料這一步。這塊的 RAG 最佳化與微調實作，官方學習路徑幾乎沒有對應的模組，要靠官方文件與自己動手。

六週時程與換算依據

換算方式：兩條官方學習路徑共 13 個模組，Microsoft Learn 課程目錄標示的時間合計約 11.8 小時；官方講師課 AI-300T00-A 是四天。讀的時數不多，但兩個平台都要動手，以每週 6–8 小時估算是六週。

只熟其中一半的人，時間要重新分配：做傳統 ML 的把第 2–3 週壓成一週、多給 Foundry 一週；做生成式 AI 的反過來。

失敗成本中等：依微軟的重考政策，第一次沒過等 24 小時，之後每次間隔 14 天，同一張考試 12 個月內最多 5 次，每次重新付費。

練習測驗：認證頁說 practice assessment 在 AI Skills Navigator 上，要登入才能啟動。頁面沒有說明是否免費；微軟的練習測驗政策頁寫練習測驗「available at no cost」，但描述的是 Microsoft Learn 上的版本，搬到新平台後沒有另外重申。

這張的已知陷阱

1. DP-100 的教材只對得上一半多一點。 舊認證叫 Data Scientist，新認證叫 MLOps Engineer。Foundry 那三塊（40–55%）舊教材只碰到一小部分：DP-100 認證頁列的考試範圍裡只有一塊「Optimize language models for AI applications」與它相關。
2. study guide 的文件連結區放錯了。 「Find documentation」有四個連結：一頁合規文件的 Copilot 段落、生成式 AI 的技術指引、Microsoft 365 Copilot 文件、Microsoft 365 文件；社群連結也指向 Microsoft 365 Copilot 社群。四個連結沒有一個指向 Azure Machine Learning 或 Foundry 的文件，看起來是套錯範本。文件請直接找 Azure Machine Learning 與 Microsoft Foundry 的官方文件。
3. 「AIOps」在這裡的意思不同。 官方把 MLOps 加 GenAIOps 合稱 AI operations（AIOps）。業界講 AIOps 通常指「用 AI 做 IT 維運」，是另一件事，搜尋教材時會混在一起。
4. 考試只有英文。 課程教材有繁體中文，但考試沒有。依微軟的規定，考試沒有你偏好的語言時可以申請多 30 分鐘。

考完之後：一年效期與免費續期

Associate 級的效期是一年。依官方續期說明，續期是免費、線上、非監考、開書的評量，只在到期前六個月的窗口內開放；依續期 FAQ，過期就得重考正式考試。完整規則在 AI-103 那篇的續期段落寫過。

已經持有 DP-100 的人要注意：DP-100 認證頁的警示寫明這張認證與它的續期評量都已退場，舊認證到期後沒有續期這條路，要維持就得考 AI-300。

會過期的東西（下次複查看這裡）

參考資料

• Machine Learning Operations Engineer Associate 認證頁
• AI-300 官方 study guide（技能目標全文與權重）
• AI-300T00-A 講師課程頁
• 學習路徑：Operationalize machine learning models (MLOps)
• 學習路徑：Operationalize generative AI applications (GenAIOps)
• Azure Data Scientist Associate（DP-100）認證頁，已標示退場
• 微軟認證退場公告（DP-100 → AI-300 對照表）
• 微軟認證續期規則
• 微軟考試重考政策

站內相關

• 微軟 AI-103 備考路徑
• 微軟 AI-200 備考路徑
• Google PMLE 備考路徑
• RAG 與檢索評估的考點交集
• 微軟這條線怎麼選