Version : 1.0 · Date : 2026-10-21
Cours complet pour l'examen AI-300 : Operationalizing Machine Learning and Generative AI Solutions (certification Microsoft Certified: Machine Learning Operations Engineer Associate, qui remplace DP-100). Un chapitre par bloc de compétences du guide d'étude (MLOps avec Azure Machine Learning, GenAIOps avec Microsoft Foundry), plus un chapitre hors programme pour entraîner et choisir un LLM en mission. Schémas draw.io, Mermaid, exemples Python, CLI az ml, YAML, Bicep / Terraform, labs, pièges d'examen et scénarios corrigés. Toutes les informations viennent de Microsoft Learn, lues le 21/10/2026. Les noms de services, fonctionnalités, rôles et menus sont en anglais, comme dans le portail et à l'examen.
Le guide d'étude n'affiche pas de date de version : le relire avant l'examen (guide AI-300). Une évaluation d'entraînement officielle existe sur AI Skills Navigator.
Les domaines de l'examen#
| Domaine (intitulé officiel, en anglais) | Poids | Chapitres |
|---|---|---|
| Design and implement an MLOps infrastructure | 15 à 20 % | 01, 02 |
| Implement machine learning model lifecycle and operations | 25 à 30 % | 03, 04 |
| Design and implement a GenAIOps infrastructure | 20 à 25 % | 05 |
| Implement generative AI quality assurance and observability | 10 à 15 % | 06 |
| Optimize generative AI systems and model performance | 10 à 15 % | 07 |
Score de réussite : 700 sur 1000. Python est attendu. Le cours renvoie à AI-103 (Foundry, RAG, évaluation), AKS (GPU, KAITO) et SC-500 (identité, réseau, IaC) au lieu de les répéter.
Les chapitres#
Chaque chapitre d'examen suit le même plan : ce que l'examen demande (texte officiel), concepts, schémas, mise en œuvre, tableaux comparatifs, labs conseillés, pièges d'examen, scénarios corrigés, pour aller plus loin, fiche à retenir et références. Le chapitre 08 suit le format architecte (décisions, pièges de production, questions de cadrage).
Couverture des objectifs de l'examen#
Les 58 compétences du guide d'étude, chacune reliée à la section qui la traite (vérification du 21/10/2026).
Design and implement an MLOps infrastructure (15 à 20 %)#
| Ch. | Compétence mesurée (guide officiel, en anglais) | Section |
|---|---|---|
| 01 | Create and manage a workspace | 2 |
| 01 | Create and manage datastores | 3 |
| 01 | Create and manage compute targets | 4 |
| 01 | Configure identity and access management for workspaces | 5 |
| 01 | Create and manage data assets | 6 |
| 01 | Create and manage environments | 7 |
| 01 | Create and manage components | 8 |
| 01 | Share assets across workspaces by using registries | 9 |
| 02 | Configure GitHub integration with Machine Learning to enable secure access | 4 |
| 02 | Deploy Machine Learning workspaces and resources by using Bicep and Azure CLI | 2 |
| 02 | Automate resource provisioning by using GitHub Actions workflows | 5 |
| 02 | Restrict network access to Machine Learning workspaces | 3 |
| 02 | Manage source control for machine learning projects by using Git | 6 |
Implement machine learning model lifecycle and operations (25 à 30 %)#
| Ch. | Compétence mesurée (guide officiel, en anglais) | Section |
|---|---|---|
| 03 | Configure experiment tracking with MLflow | 2 |
| 03 | Use automated machine learning to explore optimal models | 6 |
| 03 | Use notebooks for experimentation and exploration | 3 |
| 03 | Automate hyperparameter tuning | 5 |
| 03 | Run model training scripts | 4 |
| 03 | Manage distributed training for large and deep learning models | 7 |
| 03 | Implement training pipelines | 8 |
| 03 | Compare model performance across jobs | 9 |
| 04 | Package a feature retrieval specification with the model artifact | 2.4 |
| 04 | Register an MLflow model | 2 |
| 04 | Evaluate a model by using responsible AI principles | 3 |
| 04 | Manage model lifecycle, including archiving models | 4 |
| 04 | Deploy models as real-time or batch endpoints with managed inference options | 5 |
| 04 | Test and troubleshoot model endpoints | 6 |
| 04 | Implement progressive rollout and safe rollback strategies | 7 |
| 04 | Detect and analyze data drift | 8 |
| 04 | Monitor performance metrics of models deployed to production | 8.4 |
| 04 | Configure retraining or alert triggers when thresholds are exceeded | 9 |
Design and implement a GenAIOps infrastructure (20 à 25 %)#
| Ch. | Compétence mesurée (guide officiel, en anglais) | Section |
|---|---|---|
| 05 | Create and configure Foundry resources and project environments | 2 |
| 05 | Configure identity and access management with managed identities and role-based access control (RBAC) | 3 |
| 05 | Implement network security and private networking configurations | 4 |
| 05 | Deploy infrastructure using Bicep templates and Azure CLI | 5 |
| 05 | Deploy foundation models by using serverless API endpoints and managed compute options | 6 |
| 05 | Select appropriate models for specific use cases | 7 |
| 05 | Implement model versioning and production deployment strategies | 8 |
| 05 | Configure provisioned throughput units for high-volume workloads | 9 |
| 05 | Design and develop prompts | 10 |
| 05 | Create prompt variants and compare performance across different prompts | 11 |
| 05 | Implement version control for prompts by using Git repositories | 12 |
Implement generative AI quality assurance and observability (10 à 15 %)#
| Ch. | Compétence mesurée (guide officiel, en anglais) | Section |
|---|---|---|
| 06 | Create test datasets and data mapping for comprehensive model evaluation | 2 |
| 06 | Implement AI quality metrics, including groundedness, relevance, coherence, and fluency | 3 |
| 06 | Configure risk and safety evaluations for harmful content detection | 4 |
| 06 | Set up automated evaluation workflows by using built-in and custom evaluation metrics | 5 |
| 06 | Examine continuous monitoring in Foundry | 6 |
| 06 | Monitor performance metrics, including latency, throughput, and response times | 7 |
| 06 | Track and optimize cost metrics, including token consumption and resource usage | 8 |
| 06 | Configure detailed logging, tracing, and debugging capabilities for production troubleshooting | 9 |
Optimize generative AI systems and model performance (10 à 15 %)#
| Ch. | Compétence mesurée (guide officiel, en anglais) | Section |
|---|---|---|
| 07 | Optimize retrieval performance by tuning similarity thresholds, chunk sizes, and retrieval strategies | 2 |
| 07 | Select and fine-tune embedding models for domain-specific use cases and accuracy improvements | 3 |
| 07 | Implement and optimize hybrid search approaches combining semantic and keyword-based retrieval | 4 |
| 07 | Evaluate and improve RAG system performance by using relevance metrics and A/B testing frameworks | 5 |
| 07 | Design and implement advanced fine-tuning methods | 6 |
| 07 | Create and manage synthetic data for fine-tuning | 7 |
| 07 | Monitor and optimize fine-tuned model performance | 8 |
| 07 | Manage a fine-tuned model from development through production deployment | 9 |
Organisation du dossier#
AI-300/
├── README.md ce plan de révision
├── 01-…md à 07-…md un fichier par bloc de compétences
├── 08-…md hors programme : entraîner et choisir un LLM
├── images/ les schémas exportés en PNG (affichés dans les chapitres)
├── DRAWIO/ les schémas sources, modifiables dans draw.io
└── outils/ les scripts qui génèrent les schémas (moteur de GenDoc)
Régénérer les schémas d'un chapitre : python outils/schemas_NN.py [noms…] depuis ce dossier (GenDoc doit être dans ..\..\GENERATEUR-PPT).
Méthode de révision conseillée#
- Lire un chapitre en entier, schémas compris.
- Faire ses labs conseillés dans un abonnement de test ; les labs GPU coûtent cher : quotas, Spot, arrêt et suppression du groupe de ressources à la fin.
- Répondre aux scénarios sans regarder la réponse, puis passer l'évaluation d'entraînement officielle.
- La veille de l'examen : relire les fiches à retenir et les tableaux de pièges.
- Ordre conseillé : 01 → 04 (MLOps), puis 05 → 07 (GenAIOps), puis 08 pour la mission.