Microsoft AI-300 è l’esame della certificazione Microsoft Certified: Machine Learning Operations Engineer Associate. Il titolo dell’esame — «Operationalizing Machine Learning and Generative AI Solutions» — dice già quasi tutto: non certifica chi costruisce il modello, ma chi lo porta in produzione e ce lo tiene, con la stessa disciplina con cui un team DevOps rilascia software. Copre due mondi insieme: MLOps su Azure Machine Learning e GenAIOps su Microsoft Foundry, che Microsoft raccoglie sotto un’unica etichetta, AI operations (AIOps).
Cosa valida AI-300
L’esame verifica che tu sappia costruire e automatizzare l’infrastruttura su cui gira il lavoro di data scientist e AI engineer: workspace di Azure Machine Learning creati con Bicep e Azure CLI invece che a mano nel portale, asset (dati, ambienti, componenti) versionati e condivisi fra workspace tramite i registry, pipeline di training orchestrate, modelli registrati con MLflow, endpoint real-time e batch rilasciati con rollout progressivo e rollback sicuro, e monitoraggio che rileva il data drift e fa scattare un retraining.
Sulla metà generativa chiede le stesse cose applicate a Microsoft Foundry: risorse e progetti creati come codice, identità gestite e RBAC, rete privata, modelli di base su endpoint serverless o compute gestito, prompt trattati come codice e versionati in Git, valutazione automatica della qualità delle risposte, osservabilità su latenza, throughput e consumo di token, e l’ottimizzazione di RAG e fine-tuning.
È un esame di scelte operative, non di teoria: gli scenari descrivono una situazione — un endpoint che degrada, un agente senza traffico di produzione da valutare, un workspace da isolare in rete — e chiedono quale strumento e quale configurazione la risolvono.
A chi si rivolge
Microsoft descrive un candidato con esperienza reale di data science e di DevOps di base: Python, GitHub Actions, riga di comando, più conoscenza pratica di Azure Machine Learning, Foundry e dell’infrastructure as code con Bicep e Azure CLI. Il profilo tipico è il ML engineer o MLOps engineer che lavora con data scientist e team DevOps; ci si ritrova anche il platform engineer che deve mettere a terra una piattaforma AI aziendale.
Non ci sono prerequisiti formali: nessuna certificazione richiesta prima, solo aspettative di esperienza. Chi arriva da AI-102 trova familiare la parte Foundry ma deve costruirsi da zero quella MLOps; chi arriva dal mondo DevOps ha il problema opposto.
Una nota di contesto: il vecchio DP-100 (Azure Data Scientist Associate) è ritirato — la sua pagina su Microsoft Learn porta il banner «This certification and the renewal assessment are retired». AI-300 raccoglie in buona parte quel pubblico, ma non è un rinomino: il baricentro si è spostato dalla progettazione del modello alla sua messa in esercizio, e metà del programma riguarda il generativo, marginale in DP-100.
I numeri d’esame: cosa Microsoft pubblica e cosa no
| Dato | Valore | Dove sta |
|---|---|---|
| Durata | 120 minuti | «You will have 120 minutes to complete this assessment», pagina della certificazione |
| Punteggio minimo | 700 su 1000 | tabella «Exam scoring and score reports» della study guide |
| Lingue | solo inglese | «This exam is offered in the following languages: English» |
| Numero di domande | non pubblicato | Microsoft non lo dichiara per questo esame |
| Prezzo | non pubblicato sulla pagina | «Price based on the country or region in which the exam is proctored» |
| Validità | 1 anno, rinnovo gratuito online | regola generale associate, expert e specialty |
Tre avvertenze. La prima: il numero di domande non c’è, e chi te lo spaccia per ufficiale se lo sta inventando; la pagina di supporto Microsoft dice soltanto che la maggior parte degli esami ne contiene tipicamente fra 40 e 60. La seconda: i 120 minuti corrispondono alla riga «associate and expert role-based exams that may contain labs» della tabella ufficiale delle durate, e Microsoft dichiara di non pubblicare l’elenco degli esami con laboratorio — mettine in conto la possibilità, senza darla per certa. La terza: il prezzo si vede solo nel flusso di prenotazione Pearson VUE; il listino di riferimento per gli esami role-based Microsoft è intorno ai 165 USD (in Italia circa 165 EUR più IVA), ma fa fede la cifra che compare alla registrazione.
Sulla validità: come tutte le certificazioni Microsoft di livello associate, AI-300 scade ogni anno e si rinnova gratuitamente superando un assessment online su Microsoft Learn, senza risostenere l’esame completo.
I concetti trasversali
Alcune idee tornano in tutti e cinque i domini, e conviene averle chiare prima di studiare i singoli servizi:
- Tutto è un asset versionato. Dati, ambienti, componenti, modelli, prompt e dataset di valutazione hanno una versione e un ciclo di vita. La domanda ricorrente non è «come si crea», ma «come si promuove da sviluppo a produzione senza perdere la tracciabilità».
- Niente si fa a mano. Bicep, Azure CLI e GitHub Actions sono la risposta di default: se una soluzione proposta prevede clic nel portale, di solito non è quella giusta.
- Azure Machine Learning e Microsoft Foundry sono due piattaforme distinte. La prima per il machine learning tradizionale (job, pipeline, MLflow, endpoint), la seconda per il generativo (modelli di base, agenti, valutazioni, tracing). Molte domande si risolvono capendo in quale delle due vive il problema. Attenzione al nome: il prodotto oggi si chiama Microsoft Foundry, non più «Azure AI Foundry» né «Azure AI Studio».
- Misurare prima di ottimizzare. Per i modelli classici sono le metriche di performance e il data drift; per il generativo sono gli evaluator di qualità e sicurezza, il tracing e il costo in token. L’ottimizzazione — RAG o fine-tuning — arriva sempre dopo una misura.
- Il gate di rilascio è una valutazione automatica. Dataset di test versionati, metriche di qualità e valutazioni di rischio eseguite in pipeline: è il pattern che ricorre sul generativo.
I cinque domini d’esame
I pesi sono quelli pubblicati nella study guide ufficiale. Nota subito una cosa che sorprende molti: il dominio più pesante non è il primo.
1. Design and implement an MLOps infrastructure (15-20%)
Creare e gestire workspace, datastore, compute target e la gestione di identità e accessi; creare e gestire gli asset (data asset, environment, componenti) e condividerli fra workspace con i registry; implementare l’IaC: integrazione con GitHub, deploy di workspace e risorse con Bicep e Azure CLI, provisioning automatico con GitHub Actions, restrizione dell’accesso di rete e controllo di versione con Git.
2. Implement machine learning model lifecycle and operations (25-30%)
È il dominio più pesante. Orchestrare il training: tracciamento degli esperimenti con MLflow, automated machine learning, notebook per l’esplorazione, tuning automatico degli iperparametri, training distribuito, pipeline di addestramento e confronto delle performance fra job. Poi registrazione e versionamento — inclusa la feature retrieval specification impacchettata con il modello e la valutazione secondo i principi di responsible AI —, il deployment su endpoint real-time o batch con rollout progressivo e rollback, e il monitoraggio in produzione: data drift, metriche dei modelli in esercizio e trigger di retraining o di alert al superamento delle soglie.
3. Design and implement a GenAIOps infrastructure (20-25%)
Risorse e progetti Foundry, identità gestite e RBAC, rete privata, deploy con template Bicep. Poi i modelli di base in produzione: endpoint serverless API o compute gestito, scelta del modello per il caso d’uso, strategie di versionamento e le provisioned throughput unit per i carichi ad alto volume. Infine i prompt sotto controllo di versione: progettazione, varianti a confronto e repository Git.
4. Implement generative AI quality assurance and observability (10-15%)
Valutazione e validazione: dataset di test e data mapping, metriche di qualità (groundedness, relevance, coherence, fluency), valutazioni di rischio e sicurezza per i contenuti dannosi, workflow di valutazione automatica con evaluator predefiniti e personalizzati. E l’osservabilità: monitoraggio continuo in Foundry, latenza, throughput e tempi di risposta, costo e consumo di token, logging e tracing per il troubleshooting in produzione.
5. Optimize generative AI systems and model performance (10-15%)
Ottimizzare il RAG: soglie di similarità, dimensione dei chunk, strategie di retrieval, scelta e fine-tuning dei modelli di embedding, ricerca ibrida che combina semantico e keyword, valutazione con metriche di rilevanza e test A/B. E il fine-tuning avanzato: metodi, dati sintetici, monitoraggio del modello ottimizzato e gestione dallo sviluppo alla produzione.
Un dettaglio per chi fa i conti: i pesi non sommano a 100 in nessuno dei due estremi (minimi 80, massimi 105). Sono intervalli, non quote fisse.
Come prepararsi
- Parti dal dominio 2. Vale fino al 30% ed è il più concreto: esperimenti MLflow, pipeline di training, endpoint, drift. Se hai poco tempo, è lì che il tempo rende di più.
- Costruisci qualcosa con Bicep e GitHub Actions. L’IaC attraversa tre domini su cinque. Un workspace di Azure Machine Learning e un progetto Foundry creati da pipeline, con il codice in Git, valgono più di dieci letture.
- Non studiare le due metà separatamente. La logica è la stessa — versionare, automatizzare, misurare, promuovere — applicata a due piattaforme diverse: impararla una volta e riconoscerla nell’altra accorcia molto lo studio.
- Segui una struttura per dominio. Il percorso di preparazione AI-300 su CertUp è organizzato in sette moduli mappati sui cinque domini ufficiali, con il dominio più pesante spezzato in due.
- Alterna teoria e prove. Nelle ultime settimane passa alle domande a scenario per scoprire le aree deboli, e leggi la spiegazione anche quando indovini.
Due avvertenze sui materiali ufficiali. La practice assessment gratuita non è più su Microsoft Learn: è stata spostata su AI Skills Navigator e richiede l’accesso con un account. E la tabella «Study resources» in fondo alla study guide, alla voce «Find documentation», rimanda a documentazione di Microsoft 365 Copilot: è testo standard incollato da un’altra certificazione e non c’entra con MLOps su Azure. Vai direttamente alle sezioni di documentazione di Azure Machine Learning e di Microsoft Foundry.
La simulazione su CertUp: cosa riproduce e cosa no
Sul nostro sito trovi la scheda della certificazione Machine Learning Operations Engineer e la simulazione d’esame AI-300, e vale la pena dire con precisione cosa è nostro e cosa è di Microsoft.
Il banco è di 100 domande; ogni sessione ne estrae 50 in 120 minuti, con soglia a 700 su 1000. La durata e la soglia sono i valori ufficiali; le 50 domande sono una nostra scelta, perché Microsoft il numero non lo pubblica. Le domande sono in inglese, come l’esame reale, che in italiano non esiste; le spiegazioni sono in italiano e argomentano anche perché le alternative sono sbagliate.
Quello che non riproduciamo: l’esame reale può contenere tipi di domanda che il nostro motore non ha — hot area, active screen ed eventuali laboratori o componenti interattivi — e durante gli esami role-based Microsoft consente di consultare learn.microsoft.com dentro l’interfaccia d’esame. Da noi trovi scelta singola e multipla, serie problema-soluzione con risposte sì/no, drag and drop, build list e case study: serve a verificare se riconosci la soluzione giusta sotto tempo, non a sostituire la pratica sul prodotto.
In sintesi
AI-300 certifica il mestiere di portare in produzione e mantenere soluzioni di machine learning e di AI generativa su Azure: infrastruttura come codice, ciclo di vita del modello, rilascio e monitoraggio, qualità del generativo e ottimizzazione. È di livello associate, dura 120 minuti, si supera con 700 su 1000, esiste solo in inglese e si rinnova ogni anno con un assessment online gratuito. Se vieni da DP-100, non aspettarti lo stesso esame con un altro nome: qui il mestiere è l’operatività, non il modello.