AI-300 con Microsoft Learn: guía de estudio, practice assessment y laboratorios

La guía de estudio de AI-300 en Microsoft Learn (versión del 5 de marzo de 2026) contiene el perfil del candidato, los cinco dominios con sus pesos y los objetivos concretos de cada uno, más una tabla de recursos. Es el documento que define el examen: las preguntas se escriben a partir de esos objetivos, y Microsoft avisa de que la mayoría tratan funciones en disponibilidad general, aunque puede haber alguna sobre funciones en versión preliminar si son de uso común.

Cómo usarla: imprime los objetivos y marca cada uno como hecho, leído o desconocido. Los desconocidos son tu plan de estudio; los leídos, tu lista de laboratorio. Lo resumimos en el temario de AI-300 por dominio.

Microsoft ofrece un practice assessment gratuito de AI-300, alojado en AI Skills Navigator con una experiencia renovada; hay que iniciar sesión para lanzarlo. Sirve para familiarizarte con el estilo de las preguntas y detectar lagunas gruesas, pero es un conjunto pequeño y no sustituye la práctica por dominio.

El sandbox del examen es distinto: reproduce la interfaz de Pearson VUE y los tipos de pregunta (opción única y múltiple, arrastrar y soltar, hotspot, casos) sin contenido de AI-300. Merece diez minutos unos días antes del examen para no perder tiempo el día real aprendiendo los controles.

Para los dos primeros dominios, la documentación de Azure Machine Learning cubre workspaces, datastores, destinos de proceso, entornos, componentes, registros, MLflow, AutoML, pipelines, endpoints administrados y monitorización de deriva. Para los tres dominios generativos, la documentación de Microsoft Foundry cubre recursos y proyectos, despliegue de modelos (serverless y proceso administrado, unidades aprovisionadas), evaluaciones, trazas y observabilidad, RAG y fine-tuning.

Consejo: lee la documentación con la guía de estudio al lado. Cada objetivo de la guía suele corresponder a una o dos páginas de documentación; ir objetivo a objetivo evita perderse en secciones que el examen no toca.

Con una suscripción de Azure (la de prueba gratuita vale para empezar) puedes montar un laboratorio que recorre el examen entero. Primero, infraestructura como código: un workspace de Azure Machine Learning desplegado con Bicep y Azure CLI desde un flujo de GitHub Actions, con identidad administrada y acceso de red restringido. Segundo, ciclo de vida: un modelo pequeño entrenado con un componente, registrado con MLflow, comparado con una ejecución de AutoML, desplegado en un endpoint administrado y con un segundo despliegue al que envías una fracción del tráfico antes de hacer rollback.

Tercero, la mitad generativa: un recurso y un proyecto de Foundry desplegados con Bicep, un modelo base con endpoint serverless, un prompt versionado en Git con dos variantes, una evaluación automática con métricas de calidad y de seguridad sobre un dataset de prueba, y trazas activadas para ver latencia y consumo de tokens. Si además montas un RAG mínimo y pruebas dos tamaños de fragmento, has tocado el quinto dominio. Apaga o borra los recursos al terminar: el proceso y los endpoints cobran por tiempo.

El laboratorio te da la comprensión; las preguntas te dicen si la comprensión aguanta bajo presión. Después de cada bloque del laboratorio, haz un test de AI-300 de ese dominio y clasifica cada fallo: servicio equivocado, fase del ciclo equivocada, métrica confundida. Guarda los simulacros cronometrados de 120 minutos para el final. El plan completo, semana a semana, está en cómo aprobar AI-300.