CertifyDeckAI-300 no pregunta definiciones: describe una necesidad operativa (reproducir un entorno, autorizar acceso sin secretos, impedir que salga una versión que falla los controles) y te pide la acción concreta que la resuelve entre cuatro que suenan parecidas. Aquí tienes cinco preguntas del banco de CertifyDeck, una por dominio, con la respuesta correcta y por qué las otras tres no encajan. Están resumidas; las completas, con sus opciones, están en la página de preguntas de ejemplo de AI-300.
Infraestructura MLOps (15–20 %): el recurso central y los entornos
Pregunta 1. Una ingeniera trabaja con un modelo de fraude y necesita establecer el recurso central desde el que se gestionan activos, trabajos, proceso y endpoints. Opciones: crear o actualizar el workspace de Azure Machine Learning; configurar un datastore; elegir y configurar el destino de proceso; asignar a una identidad administrada el rol mínimo necesario. Respuesta: el workspace. Es el contenedor de todo lo demás; el datastore solo referencia una ubicación de almacenamiento, el destino de proceso es donde se ejecutan los trabajos y la asignación de roles resuelve permisos, no la existencia del recurso.
Pregunta 2. Hay que reproducir las dependencias y el runtime que usa una carga de entrenamiento o inferencia. Opciones: publicar el activo en un registro; registrar un activo de datos versionado; construir y versionar un entorno de Azure Machine Learning; empaquetar el paso reutilizable como componente. Respuesta: el entorno. El registro sirve para compartir modelos, componentes o entornos entre workspaces; el activo de datos fija la versión del conjunto de datos; el componente encapsula un paso de pipeline. Solo el entorno describe imagen, paquetes y versiones.
Ciclo de vida de modelos (25–30 %): explorar candidatos con poco esfuerzo
Pregunta 3. Un equipo quiere obtener algoritmos y configuraciones candidatos sólidos con la mínima búsqueda manual y la menor carga operativa. Opciones: configurar entrenamiento distribuido; crear un trabajo de pipeline con componentes; ejecutar un experimento de AutoML; comparar ejecuciones por la métrica de validación en MLflow. Respuesta: AutoML. El entrenamiento distribuido es para modelos que no caben en un único proceso; el pipeline orquesta pasos dependientes; MLflow compara lo que ya has entrenado. AutoML es el único que explora algoritmos por ti.
Es el dominio que más pesa y el que más confunde, porque todas sus piezas (MLflow, AutoML, ajuste de hiperparámetros, pipelines, endpoints, despliegue progresivo, deriva de datos) aparecen como opciones unas de otras. La forma de no fallar es tener claro qué problema resuelve cada una.
Infraestructura GenAIOps (20–25 %): acceso sin secretos
Pregunta 4. Una aplicación RAG en Microsoft Foundry debe autorizar el acceso del proyecto a recursos de Azure dependientes sin secretos de aplicación. Opciones: usar identidades administradas y RBAC de mínimo privilegio; aprovisionar la topología con Bicep y Azure CLI; crear y configurar el recurso y el proyecto de Foundry; usar redes privadas para las dependencias. Respuesta: identidades administradas con RBAC. Bicep reproduce la infraestructura, crear el proyecto es el paso previo y la red privada limita por dónde entra el tráfico, no quién está autorizado. Lo que elimina los secretos es la identidad administrada.
Calidad y observabilidad (10–15 %): que no salga lo que falla
Pregunta 5. Hay que impedir que una versión de prompt, modelo o aplicación se publique cuando fallen los controles de calidad. Opciones: medir groundedness, relevancia, coherencia y fluidez; automatizar evaluaciones integradas y personalizadas en el flujo de entrega; ejecutar evaluadores de riesgo y seguridad; crear un dataset de prueba representativo con mapeo de campos. Respuesta: automatizar las evaluaciones en el flujo de entrega. Las otras tres son partes necesarias (las métricas, los evaluadores de seguridad, el dataset), pero ninguna bloquea por sí sola una publicación: eso lo hace la evaluación integrada como puerta en el pipeline.
Este dominio y el de optimización (RAG y fine-tuning) suman solo un 20–30 %, pero son los que menos suele haber practicado quien viene de Azure Machine Learning clásico. Merecen tiempo aunque pesen poco.
Qué tienen en común las cinco
Ninguna pide un dato de memoria: todas piden elegir la acción cuya finalidad principal coincide con el resultado que describe el enunciado. Las opciones incorrectas son siempre acciones legítimas del temario que resuelven otro problema. Por eso estudiar AI-300 como una lista de servicios funciona mal y estudiarlo como un ciclo (aprovisionar, entrenar, registrar, desplegar, observar, y lo mismo para IA generativa) funciona bien.
El examen real dura 120 minutos, es solo en inglés y se aprueba con 700 puntos sobre 1.000. Para medir dónde estás por dominio, practica AI-300 con explicación en cada respuesta; empieza gratis. El plan de estudio completo está en cómo aprobar AI-300.
Preguntas frecuentes
¿Son preguntas reales del examen AI-300?
No. Son preguntas originales escritas a partir del temario público de Microsoft y de su documentación. No usamos contenido filtrado del examen.
¿Qué tipo de preguntas tiene AI-300?
Microsoft no publica el detalle, pero sus exámenes de nivel asociado combinan opción única y múltiple, arrastrar y soltar, hotspot y puede haber componentes interactivos. El sandbox oficial permite probar la interfaz antes del examen.
¿Dónde hay más preguntas de AI-300 con explicación?
En CertifyDeck puedes practicar por dominio y hacer simulacros cronometrados; el primer dominio es gratis y sin registro. Microsoft ofrece además un practice assessment en AI Skills Navigator, con inicio de sesión.
¿Cuál es el dominio más importante de AI-300?
Implementar el ciclo de vida y las operaciones de modelos, con un 25–30 %: MLflow, AutoML, pipelines, registro, endpoints, despliegue progresivo y monitorización de deriva.