CertifyDeckEl temario AI-300 se divide en cinco dominios y conecta operaciones de machine learning con operaciones de IA generativa. La guía oficial vigente desde el 5 de marzo de 2026 asigna el mayor peso al ciclo de vida de modelos y exige trabajar también con Foundry, evaluación, observabilidad, RAG y fine-tuning.
1. Diseñar e implementar infraestructura MLOps (15–20%)
Cubre workspaces, datastores, compute targets, identidad y acceso; activos de datos, environments, components y registries; y aprovisionamiento con Bicep, Azure CLI y GitHub Actions.
Estudia seguridad de red, acceso seguro desde GitHub y control de código con Git. Practica qué recurso debe compartirse, versionarse o aislarse y qué identidad necesita cada paso.
2. Ciclo de vida y operaciones de modelos (25–30%)
Es el bloque principal: tracking con MLflow, AutoML, notebooks, ajuste de hiperparámetros, scripts, entrenamiento distribuido, pipelines y comparación de jobs. Incluye registro MLflow, feature retrieval specifications, Responsible AI y archivado.
Para producción exige endpoints online y batch, managed inference, pruebas, resolución de errores, despliegue progresivo y rollback. Termina con drift, métricas operativas y disparadores de alertas o reentrenamiento.
3. Diseñar e implementar infraestructura GenAIOps (20–25%)
Debes configurar recursos y proyectos de Foundry, identidades administradas, RBAC y redes privadas, y reproducir la infraestructura con Bicep y Azure CLI.
El dominio también mide selección y despliegue de modelos fundacionales, endpoints serverless o managed compute, versiones, estrategias de producción, provisioned throughput y gestión de prompts mediante variantes y Git.
4. Calidad y observabilidad de IA generativa (10–15%)
Prepara datasets y mapeos de evaluación y distingue groundedness, relevancia, coherencia y fluidez. Añade evaluaciones de riesgo y seguridad y automatiza métricas integradas o personalizadas.
En operación, revisa monitorización continua, latencia, throughput, tiempos de respuesta, consumo de tokens, uso de recursos, logs, trazas y depuración. Relaciona cada síntoma con la señal que permite investigarlo.
5. Optimizar sistemas generativos (10–15%)
Para RAG, ajusta umbrales de similitud, tamaño de chunks y estrategias de recuperación; elige embeddings, combina búsqueda semántica y por palabras clave y valida cambios mediante relevancia y A/B testing.
Para personalización, comprende métodos avanzados de fine-tuning, datos sintéticos, monitorización y el ciclo completo de una versión ajustada desde desarrollo hasta producción.
Cómo convertir el temario en un calendario
Distribuye el tiempo según pesos, pero reserva al menos una práctica para cada objetivo. Usa el plan para aprobar AI-300, crea una matriz objetivo-laboratorio-evidencia y marca un tema como dominado solo cuando puedas implementarlo y explicar sus alternativas.
La fuente definitiva es la guía oficial de Microsoft. Revisa la fecha antes de reservar porque los servicios de IA cambian con rapidez.
Preguntas frecuentes
¿Cuántos dominios tiene AI-300?
Cinco: infraestructura MLOps, ciclo de vida ML, infraestructura GenAIOps, calidad y observabilidad generativa, y optimización de sistemas generativos.
¿Qué dominio pesa más?
Ciclo de vida y operaciones de modelos de machine learning, con un 25–30%.
¿Entra Microsoft Foundry en AI-300?
Sí. Foundry aparece en infraestructura GenAIOps, despliegue de modelos, prompts, evaluación y monitorización.