¿Es difícil AI-300? Lo que cuesta según vengas de datos, DevOps o IA generativa

Microsoft define el perfil como alguien con experiencia en ciencia de datos y Python, un nivel inicial de DevOps (GitHub Actions, CLI) y experiencia con Azure Machine Learning, Foundry, Bicep y Azure CLI. Es una intersección de tres oficios. Además, las preguntas no piden definiciones sino elegir la acción correcta entre varias del mismo temario, como se ve en las preguntas de ejemplo por dominio.

El examen dura 120 minutos, es solo en inglés y se aprueba con 700 sobre 1.000. Es de nivel intermedio: no exige diseñar arquitecturas de extremo a extremo como un examen experto, pero sí conocer bien cada pieza.

Tienes ventaja en el dominio más pesado: experimentos con MLflow, AutoML, ajuste de hiperparámetros, pipelines, registro de modelos y métricas. Donde sueles fallar es en lo que rodea al modelo: crear el workspace con Bicep y Azure CLI, automatizar el aprovisionamiento con GitHub Actions, restringir la red del workspace, gestionar identidades administradas y RBAC, y las estrategias de despliegue progresivo y rollback.

Y en toda la mitad generativa: recursos y proyectos de Foundry, despliegue de modelos base (serverless frente a proceso administrado, unidades de rendimiento aprovisionadas), versionado de prompts en Git, evaluaciones automáticas, trazas y coste por token. Plan: mantén el ciclo de vida como repaso y dedica el grueso del tiempo a IaC, CI/CD y Foundry, en ese orden.

Bicep, Azure CLI, GitHub Actions, RBAC, identidades administradas y redes privadas ya son tu día a día, así que la infraestructura MLOps (15–20 %) y buena parte de la infraestructura GenAIOps (20–25 %) te salen casi solas. El hueco está en el ciclo de vida de modelos: qué es MLflow y qué registra, cuándo usar AutoML frente a un script de entrenamiento, qué es un componente, cómo se despliega un endpoint en tiempo real o por lotes y cómo se detecta la deriva de datos.

También te faltará el vocabulario de calidad generativa: groundedness, relevancia, coherencia, fluidez, evaluadores de riesgo y seguridad, y qué mide cada uno. Plan: empieza por el ciclo de vida con un modelo pequeño de principio a fin, y después las evaluaciones en Foundry.

Foundry, prompts versionados, evaluaciones, trazas, RAG y fine-tuning son tu terreno: cubres bien tres dominios (GenAIOps, calidad y observabilidad, optimización), un 40–55 % del examen. El problema es la otra mitad: Azure Machine Learning clásico, que pesa entre un 40 y un 50 % y que muchos desarrolladores de IA generativa no han tocado. Workspaces, datastores, destinos de proceso, entornos, componentes, registros, MLflow, AutoML, endpoints administrados y monitorización de deriva.

Plan: no te fíes de que lo tuyo pese mucho. Reserva la mitad del tiempo para Azure ML y hazlo con laboratorio, porque las preguntas distinguen entre piezas que solo se diferencian si las has usado.

Una prueba diagnóstica por dominio te dice en veinte minutos cuál de los tres perfiles eres y cuánto te falta. Hazla antes de fijar fecha: practica AI-300 por dominio, gratis y sin registro, y mira el desglose. Con el resultado, el plan de seis semanas se ajusta: seis semanas si solo te falta una mitad, ocho a doce si te faltan las dos.