AI-300
Operationalizing Machine Learning and Generative AI Solutions
La certification AI-300: Operationalizing Machine Learning and Generative AI Solutions valide vos compétences de MLOps Engineer sur Azure. Elle couvre la conception, l'automatisation et l'industrialisation de pipelines ML et GenAI à l'échelle du cloud avec Azure Machine Learning, Microsoft Foundry, MLflow, GitHub Actions, Bicep et Azure CLI, en intégrant CI/CD, IaC, observabilité, drift detection et gouvernance des modèles.
- Domaine : MLOps, GenAIOps & AI Operations sur Azure
- Niveau : Associate (intermédiaire)
- Remplace : DP-100 (retiré le 1ᵉʳ juin 2026)
- Public : MLOps engineers, ML engineers, AI engineers, DevOps profiles sur Azure
AI-300
Operationalizing Machine Learning and Generative AI Solutions
La certification AI-300: Operationalizing Machine Learning and Generative AI Solutions valide vos compétences de MLOps Engineer sur Azure. Elle couvre la conception, l'automatisation et l'industrialisation de pipelines ML et GenAI à l'échelle du cloud avec Azure Machine Learning, Microsoft Foundry, MLflow, GitHub Actions, Bicep et Azure CLI, en intégrant CI/CD, IaC, observabilité, drift detection et gouvernance des modèles.
- Domaine : MLOps, GenAIOps & AI Operations sur Azure
- Niveau : Associate (intermédiaire)
- Remplace : DP-100 (retiré le 1ᵉʳ juin 2026)
- Public : MLOps engineers, ML engineers, AI engineers, DevOps profiles sur Azure
No frame has been added yet.
Products
Détails de la Certification – AI-300 MLOps Engineer Associate
Objectif
La certification AI-300 démontre que vous êtes capable de concevoir, automatiser et industrialiser des solutions de machine learning et d'IA générative sur Azure. Vous construisez une infrastructure MLOps et GenAIOps sécurisée et scalable, automatisez le provisioning et les déploiements via GitHub Actions, Bicep et Azure CLI, gérez le cycle de vie complet des modèles ML avec Azure Machine Learning, et déployez, évaluez, monitorez et optimisez des applications et agents d'IA générative avec Microsoft Foundry. Cette certification remplace officiellement DP-100, retirée le 1ᵉʳ juin 2026, et reflète l'évolution des rôles AI vers l'industrialisation à l'échelle entreprise.
Compétences évaluées
- Concevoir et implémenter une infrastructure MLOps (15–20 %) : mise en place d'Azure ML workspaces avec Bicep et Azure CLI, gestion des identités managées et RBAC, configuration de la sécurité réseau et du private networking, intégration Git, structuration des datastores, compute targets, environnements, composants et registres d'assets.
- Implémenter le cycle de vie et les opérations des modèles ML (25–30 %) : orchestration de pipelines d'entraînement avec MLflow, registration et versioning des modèles, déploiement en endpoints temps réel et batch, automatisation CI/CD via GitHub Actions, stratégies de rollout (blue-green, canary) et rollback sécurisé.
- Concevoir et implémenter une infrastructure GenAIOps (20–25 %) : configuration de Microsoft Foundry, déploiement de foundation models, versioning de prompts, gestion des environnements GenAI, intégration RAG (Retrieval-Augmented Generation), sécurisation des endpoints LLM et gouvernance des coûts.
- Qualité et observabilité de l'IA générative (10–15 %) : mise en place de métriques d'évaluation, safety checks, monitoring de drift, observabilité bout-en-bout, détection d'hallucinations, alertes qualité et tableaux de bord de pilotage GenAI.
- Optimiser les systèmes GenAI et la performance des modèles (10–15 %) : optimisation RAG, fine-tuning, ajustement des paramètres d'inférence, réduction de latence et de coût, A/B testing en production, amélioration continue et stratégies de retraining automatique.
Modules de formation
Infrastructure MLOps & Infrastructure as Code
Provisioning automatisé d'Azure ML workspaces avec Bicep et Azure CLI, identités managées, RBAC, private networking, intégration Git et bonnes pratiques de sécurité.
Pipelines ML & MLflow Tracking
Construction de pipelines d'entraînement reproductibles, MLflow pour le tracking d'expériences, model registry, versioning des datasets et des assets ML.
CI/CD & déploiement de modèles
Automatisation des workflows d'entraînement et de déploiement avec GitHub Actions, endpoints online et batch, stratégies blue-green et canary, rollback sécurisé.
GenAIOps avec Microsoft Foundry
Déploiement de foundation models, versioning de prompts, intégration RAG, configuration des environnements GenAI, gestion des endpoints LLM et orchestration prompt flow.
Observabilité, drift & safety
Monitoring continu des modèles, détection de data drift et model drift, métriques d'évaluation GenAI, safety checks, observabilité bout-en-bout et alertes qualité.
Optimisation, RAG & fine-tuning
Optimisation des pipelines RAG, fine-tuning de modèles, A/B testing en production, réduction de la latence et des coûts, stratégies de retraining et amélioration continue.
Détails de l'examen
- Code : AI-300 – Operationalizing Machine Learning and Generative AI Solutions
- Durée : Environ 100 minutes (temps de siège ~120 minutes)
- Nombre de questions : Environ 40 à 60 questions (variable)
- Format : QCM, réponses multiples, drag-and-drop, case studies, hot area, active screen, build list, review screen
- Langues : Anglais (autres langues à venir selon Microsoft)
- Modalité : En ligne surveillé ou en centre Pearson VUE
- Score requis : 700 / 1000
- Certification associée : Microsoft Certified: Machine Learning Operations (MLOps) Engineer Associate.
- Disponibilité : Bêta depuis mars 2026, disponibilité générale (GA) à partir de mai 2026.
Prérequis
- Solide expérience en Python et programmation orientée data.
- Expérience pratique sur Azure Machine Learning (entraînement, optimisation, déploiement et maintenance de modèles ML).
- Compréhension des concepts DevOps : CI/CD, contrôle de source, Git, command-line interface.
- Connaissance pratique de GitHub Actions ou Azure DevOps pour l'automatisation des pipelines.
- Notions d'infrastructure as code (Bicep, Terraform, ARM templates) et d'Azure CLI.
- Familiarité avec l'IA générative, les LLMs, Microsoft Foundry et les pratiques GenAIOps (prompt engineering, RAG, évaluation).
- Recommandé : avoir passé AI-900 (Azure AI Fundamentals) ou AZ-900 (Azure Fundamentals).
Public concerné
- MLOps engineers responsables de l'industrialisation des modèles ML et GenAI sur Azure.
- ML engineers et AI engineers passant du prototypage à la mise en production.
- Data scientists souhaitant maîtriser l'opérationnalisation à l'échelle entreprise.
- DevOps engineers évoluant vers des rôles AI/ML et GenAI Operations.
- Cloud architects concevant des plateformes AI scalables et gouvernées sur Azure.
- Anciens certifiés DP-100 souhaitant migrer vers la nouvelle référence MLOps.
Avantages de la certification
- Titre MLOps Engineer Associate, nouvelle référence Microsoft 2026 pour l'opérationnalisation ML/GenAI.
- Successeur officiel de DP-100, retirée le 1ᵉʳ juin 2026 : positionnement aligné sur l'état de l'art.
- Valorise votre capacité à industrialiser des modèles ML et des solutions GenAI scalables, sécurisées et observables.
- Profil très recherché pour les projets de plateforme AI, GenAI en entreprise, agents IA et modernisation analytique.
- Base solide pour évoluer vers des rôles de Senior MLOps Engineer, AI Platform Engineer ou architecte AI/IA générative.
Détails de la Certification – AI-300 MLOps Engineer Associate
Objectif
La certification AI-300 démontre que vous êtes capable de concevoir, automatiser et industrialiser des solutions de machine learning et d'IA générative sur Azure. Vous construisez une infrastructure MLOps et GenAIOps sécurisée et scalable, automatisez le provisioning et les déploiements via GitHub Actions, Bicep et Azure CLI, gérez le cycle de vie complet des modèles ML avec Azure Machine Learning, et déployez, évaluez, monitorez et optimisez des applications et agents d'IA générative avec Microsoft Foundry. Cette certification remplace officiellement DP-100, retirée le 1ᵉʳ juin 2026, et reflète l'évolution des rôles AI vers l'industrialisation à l'échelle entreprise.
Compétences évaluées
- Concevoir et implémenter une infrastructure MLOps (15–20 %) : mise en place d'Azure ML workspaces avec Bicep et Azure CLI, gestion des identités managées et RBAC, configuration de la sécurité réseau et du private networking, intégration Git, structuration des datastores, compute targets, environnements, composants et registres d'assets.
- Implémenter le cycle de vie et les opérations des modèles ML (25–30 %) : orchestration de pipelines d'entraînement avec MLflow, registration et versioning des modèles, déploiement en endpoints temps réel et batch, automatisation CI/CD via GitHub Actions, stratégies de rollout (blue-green, canary) et rollback sécurisé.
- Concevoir et implémenter une infrastructure GenAIOps (20–25 %) : configuration de Microsoft Foundry, déploiement de foundation models, versioning de prompts, gestion des environnements GenAI, intégration RAG (Retrieval-Augmented Generation), sécurisation des endpoints LLM et gouvernance des coûts.
- Qualité et observabilité de l'IA générative (10–15 %) : mise en place de métriques d'évaluation, safety checks, monitoring de drift, observabilité bout-en-bout, détection d'hallucinations, alertes qualité et tableaux de bord de pilotage GenAI.
- Optimiser les systèmes GenAI et la performance des modèles (10–15 %) : optimisation RAG, fine-tuning, ajustement des paramètres d'inférence, réduction de latence et de coût, A/B testing en production, amélioration continue et stratégies de retraining automatique.
Modules de formation
Infrastructure MLOps & Infrastructure as Code
Provisioning automatisé d'Azure ML workspaces avec Bicep et Azure CLI, identités managées, RBAC, private networking, intégration Git et bonnes pratiques de sécurité.
Pipelines ML & MLflow Tracking
Construction de pipelines d'entraînement reproductibles, MLflow pour le tracking d'expériences, model registry, versioning des datasets et des assets ML.
CI/CD & déploiement de modèles
Automatisation des workflows d'entraînement et de déploiement avec GitHub Actions, endpoints online et batch, stratégies blue-green et canary, rollback sécurisé.
GenAIOps avec Microsoft Foundry
Déploiement de foundation models, versioning de prompts, intégration RAG, configuration des environnements GenAI, gestion des endpoints LLM et orchestration prompt flow.
Observabilité, drift & safety
Monitoring continu des modèles, détection de data drift et model drift, métriques d'évaluation GenAI, safety checks, observabilité bout-en-bout et alertes qualité.
Optimisation, RAG & fine-tuning
Optimisation des pipelines RAG, fine-tuning de modèles, A/B testing en production, réduction de la latence et des coûts, stratégies de retraining et amélioration continue.
Détails de l'examen
- Code : AI-300 – Operationalizing Machine Learning and Generative AI Solutions
- Durée : Environ 100 minutes (temps de siège ~120 minutes)
- Nombre de questions : Environ 40 à 60 questions (variable)
- Format : QCM, réponses multiples, drag-and-drop, case studies, hot area, active screen, build list, review screen
- Langues : Anglais (autres langues à venir selon Microsoft)
- Modalité : En ligne surveillé ou en centre Pearson VUE
- Score requis : 700 / 1000
- Certification associée : Microsoft Certified: Machine Learning Operations (MLOps) Engineer Associate.
- Disponibilité : Bêta depuis mars 2026, disponibilité générale (GA) à partir de mai 2026.
Prérequis
- Solide expérience en Python et programmation orientée data.
- Expérience pratique sur Azure Machine Learning (entraînement, optimisation, déploiement et maintenance de modèles ML).
- Compréhension des concepts DevOps : CI/CD, contrôle de source, Git, command-line interface.
- Connaissance pratique de GitHub Actions ou Azure DevOps pour l'automatisation des pipelines.
- Notions d'infrastructure as code (Bicep, Terraform, ARM templates) et d'Azure CLI.
- Familiarité avec l'IA générative, les LLMs, Microsoft Foundry et les pratiques GenAIOps (prompt engineering, RAG, évaluation).
- Recommandé : avoir passé AI-900 (Azure AI Fundamentals) ou AZ-900 (Azure Fundamentals).
Public concerné
- MLOps engineers responsables de l'industrialisation des modèles ML et GenAI sur Azure.
- ML engineers et AI engineers passant du prototypage à la mise en production.
- Data scientists souhaitant maîtriser l'opérationnalisation à l'échelle entreprise.
- DevOps engineers évoluant vers des rôles AI/ML et GenAI Operations.
- Cloud architects concevant des plateformes AI scalables et gouvernées sur Azure.
- Anciens certifiés DP-100 souhaitant migrer vers la nouvelle référence MLOps.
Avantages de la certification
- Titre MLOps Engineer Associate, nouvelle référence Microsoft 2026 pour l'opérationnalisation ML/GenAI.
- Successeur officiel de DP-100, retirée le 1ᵉʳ juin 2026 : positionnement aligné sur l'état de l'art.
- Valorise votre capacité à industrialiser des modèles ML et des solutions GenAI scalables, sécurisées et observables.
- Profil très recherché pour les projets de plateforme AI, GenAI en entreprise, agents IA et modernisation analytique.
- Base solide pour évoluer vers des rôles de Senior MLOps Engineer, AI Platform Engineer ou architecte AI/IA générative.