Cómo aprobar AI-300: plan de estudio MLOps y GenAIOps

Microsoft describe un perfil con experiencia en Python, fundamentos de ciencia de datos y una comprensión inicial de DevOps. Antes de estudiar el temario, asegúrate de manejar repositorios Git, identidades administradas, RBAC, redes privadas, métricas de clasificación o regresión y llamadas a endpoints.

Si Azure Machine Learning es nuevo para ti, crea primero un workspace, un datastore, un compute cluster y un environment. Si vienes de datos pero no de operaciones, practica ramas, pull requests, secretos, pipelines de CI/CD e infraestructura como código.

Semana 1: workspace, activos, registros, identidad y red. Semana 2: experimentos con MLflow, AutoML, ajuste de hiperparámetros, entrenamiento distribuido y pipelines. Semana 3: registro, Responsible AI, endpoints online y batch, despliegue progresivo, rollback, drift y reentrenamiento.

Semana 4: proyectos de Microsoft Foundry, modelos serverless y managed compute, selección y versionado, provisioned throughput y prompts bajo Git. Semana 5: datasets de evaluación, groundedness, relevancia, seguridad, trazas, latencia, tokens y coste. Semana 6: RAG, búsqueda híbrida, embeddings, fine-tuning, repaso de errores y simulacros completos.

Implementa Bicep para crear un workspace seguro y automatiza el despliegue con GitHub Actions. Entrena un modelo mediante un componente reutilizable, registra la ejecución con MLflow, publica una versión en un endpoint y dirige primero una fracción del tráfico. Provoca un fallo controlado y practica el rollback.

Después crea una aplicación RAG en Foundry. Versiona prompts, compara dos variantes sobre un dataset estable, registra groundedness, relevancia, latencia y tokens, y ajusta chunk size, umbral e índice híbrido. Documenta qué métrica justificó cada cambio: esa capacidad de diagnóstico es más valiosa que repetir menús.

Empieza con preguntas AI-300 por categoría después de cada laboratorio. Para cada error, clasifica la causa: servicio incorrecto, alcance de identidad, fase equivocada del ciclo de vida, métrica mal elegida o confusión entre rendimiento, calidad y coste.

Reserva los simulacros para el final y usa preguntas no vistas. Estás cerca del examen cuando mantienes resultados estables y puedes explicar por qué cada distractor incumple una restricción. Contrasta siempre los cambios con el temario AI-300.

Estudiar solo Machine Learning deja fuera Foundry, evaluación generativa y RAG. Estudiar solo IA generativa deja sin cubrir el bloque más pesado: ciclo de vida del modelo. Otro error es confundir monitorización técnica —latencia, throughput y errores— con calidad —groundedness, relevancia, coherencia y seguridad—.

No bases el calendario en material antiguo de DP-100. Hay solapamiento en entrenamiento y MLflow, pero AI-300 añade IaC, automatización operativa, GenAIOps, observabilidad de aplicaciones generativas y optimización de RAG.