AIAI Agent Dev Labaiagentdev-lab.com
3分適性診断 →
トップ›無料資格学習›AI-300

無料資格学習 · AI-300

AI-300機械学習運用（MLOps / GenAIOps）エンジニア

Microsoft Certified: Machine Learning Operations Engineer Associate

Associate試験提供中（英語のみ）難易度：中級〜やや高め（データサイエンス・Python・DevOps の基礎が前提）学習時間：70〜100時間（目安・当サイト推定）

Azure Machine Learning と Microsoft Foundry で、モデルと生成 AI アプリを「本番で回し続ける」仕組みを作る担当者。

公式ページの提供言語は英語のみ（2026-10-03 確認）。

公式情報（2026-10-03 確認）

資格名（公式）
Microsoft Certified: Machine Learning Operations Engineer Associate
試験
Exam AI-300: Operationalizing Machine Learning and Generative AI Solutions
レベル
Associate／Intermediate（公式表記）
想定ロール
AI Engineer（公式表記）
試験時間
120分（公式ページ記載）
合格基準
スケールスコア700以上（公式スタディガイド記載）
提供言語
英語のみ（公式ページ記載）
前提条件
必須の前提資格なし（公式ページに記載なし）。データサイエンスの素養、Python、GitHub Actions・CLI など DevOps の入門レベルの理解、Bicep / Azure CLI による IaC 経験が想定されている。

出題分野と比率（公式）

比率は公式スタディガイド記載の範囲です。問題数：独自問題バンク 311問（うち複数選択 17問・並べ替え 13問・微差問題 122問・ケーススタディ 6件 19問）。模擬試験は 50問・75分（当サイト独自の設定）。

学習：分野別の要点

01

MLOps インフラストラクチャの設計と実装

Design and implement an MLOps infrastructure

15–20%

学習目標

  • ワークスペース・データストア・コンピューティング・ID とアクセス管理を構成できる
  • データ資産・環境・コンポーネントを管理し、レジストリでワークスペース間共有できる
  • Bicep・Azure CLI・GitHub Actions で環境構築を自動化し、ネットワークを制限できる

要点

  • ワークスペースは ML 資産の管理単位。データストアはストレージへの接続情報、データ資産はそのデータへの参照（バージョン管理可能）。
  • コンピューティングは用途で選ぶ：開発用のコンピューティングインスタンス、学習用の自動スケールするクラスター、管理不要のサーバーレスなど。
  • 環境（依存ライブラリ・イメージ）を定義すると、学習と推論の再現性が上がる。コンポーネントはパイプラインの再利用可能な部品。
  • レジストリを使うと、モデル・環境・コンポーネントを複数ワークスペース（開発・本番など）で共有できる。
  • IaC：Bicep と Azure CLI でワークスペースを定義し、GitHub Actions で自動プロビジョニング。Azure への認証は長期シークレットではなくフェデレーション資格情報（OIDC）等を検討する。
  • 本番ワークスペースはプライベートネットワーク等でアクセスを制限し、コードは Git で管理する。

業務での使いどころ

  • 営業受注予測モデルの開発環境と本番環境を Bicep で同一構成に保ち、「開発では動いたのに本番で動かない」を防ぐ。
  • 総務部門ごとにワークスペースを分け、RBAC で閲覧・実行の権限を最小限に。
  • 経理与信スコアモデルの資産をレジストリで共有し、本番には承認済みバージョンだけを置く。

公式の評価項目（英語）

  • Create and manage resources in a Machine Learning workspace
  • Create and manage assets in a Machine Learning workspace
  • Implement IaC for Machine Learning

公式の学習リソース

この分野の練習問題（62問）へ →

02

機械学習モデルのライフサイクルと運用の実装

Implement machine learning model lifecycle and operations

25–30%

学習目標

  • MLflow による実験追跡、AutoML、ハイパーパラメーター調整、学習パイプラインを実装できる
  • MLflow モデルを登録・バージョン管理し、責任ある AI の観点で評価できる
  • リアルタイム／バッチエンドポイントへ段階的に展開し、ロールバックできる
  • データドリフトと性能を監視し、再学習・アラートを設定できる

要点

  • MLflow で パラメーター・指標・成果物を記録すると、ジョブ間で性能を比較できる。
  • AutoML は候補アルゴリズムと前処理を自動探索する。ハイパーパラメーター調整はスイープジョブで自動化し、早期終了ポリシーで無駄な試行を止める。
  • 大規模モデルの学習は分散学習を使う。学習手順はパイプライン化して再実行可能にする。
  • モデルは登録してバージョン管理する。使わなくなったバージョンはアーカイブする。
  • 即時応答が必要ならリアルタイム（オンライン）エンドポイント、大量データの定期処理ならバッチエンドポイント。
  • 新バージョンは同一エンドポイント内でトラフィックを一部だけ振り分けて段階展開し、問題があれば旧版へ戻す。
  • 本番ではデータドリフトと性能指標を監視し、しきい値超過で再学習やアラートを起動する。

業務での使いどころ

  • 営業見込み客スコアの新モデルを 10% のトラフィックで試し、成約率指標が悪化しないことを確認してから全量切替。
  • 総務問い合わせ件数予測を毎朝バッチエンドポイントで算出し、ヘルプデスクの人員配置に使う。
  • 経理不正経費検知モデルの入力データ分布が変わったらドリフトアラート。再学習後も承認者が結果をレビュー。

公式の評価項目（英語）

  • Orchestrate model training
  • Implement model registration and versioning
  • Deploy machine learning models for production environments
  • Monitor and maintain machine learning models in production

公式の学習リソース

この分野の練習問題（91問）へ →

03

GenAIOps インフラストラクチャの設計と実装

Design and implement a GenAIOps infrastructure

20–25%

学習目標

  • Foundry のリソース・プロジェクト・マネージド ID・RBAC・プライベートネットワークを構成できる
  • サーバーレス API とマネージドコンピューティングを使い分け、PTU を含む容量計画ができる
  • プロンプトのバリアント比較と Git によるバージョン管理ができる

要点

  • Foundry のリソースとプロジェクトを IaC（Bicep / Azure CLI）で作り、マネージド ID と RBAC でアクセスを制御する。
  • 基盤モデルのデプロイは、従量課金で手軽なサーバーレス API と、専用の計算資源で動かすマネージドコンピューティングを要件で選ぶ。
  • 大量かつ安定したスループットが必要な本番ワークロードではプロビジョニング済みスループット（PTU）を検討する。
  • モデルは用途（品質・遅延・コスト）で選定し、バージョンを固定して本番へ段階展開する。
  • プロンプトはコードと同じく資産。バリアントを作って評価で比較し、Git でバージョン管理する。

業務での使いどころ

  • 営業提案書生成のプロンプトを3案作り、評価データで比較。採用版を Git でタグ付けして本番へ。
  • 総務全社 Q&A は利用量が多く安定性が必要なため PTU、部門の試行はサーバーレス API で開始。
  • 経理経理向けプロジェクトは閉域ネットワークで構成し、マネージド ID でのみアクセスを許可。

公式の評価項目（英語）

  • Implement Foundry environments and platform configuration
  • Deploy and manage foundation models for production workloads
  • Implement prompt versioning and management with source control

公式の学習リソース

この分野の練習問題（73問）へ →

04

生成 AI の品質保証と可観測性の実装

Implement generative AI quality assurance and observability

10–15%

学習目標

  • 評価用テストデータを作り、根拠性・関連性・一貫性・流暢性などの指標で評価できる
  • 有害コンテンツのリスク・安全性評価と自動評価ワークフローを構成できる
  • 遅延・スループット・トークン消費・トレースで本番を監視できる

要点

  • 評価はテストデータセット（質問・文脈・期待回答など）と列の対応付け（マッピング）から始まる。
  • 主な品質指標：根拠性（groundedness）、関連性（relevance）、一貫性（coherence）、流暢性（fluency）。
  • 品質とは別に、有害コンテンツ等のリスク・安全性評価を行う。
  • 組み込み指標とカスタム指標を組み合わせ、変更のたびに自動で評価が走るワークフローにする。
  • 本番では遅延・スループット・応答時間、トークン消費などのコストを継続監視し、詳細なログとトレースで障害を調査できるようにする。

業務での使いどころ

  • 営業提案メール生成の品質を毎週自動評価し、関連性スコアの低下を検知したらプロンプトを見直す。
  • 総務社内 Q&A で回答遅延が増えた原因を、トレースで検索処理とモデル処理に分けて特定。
  • 経理部門別のトークン消費を可視化し、月次予算の上限管理に使う。

公式の評価項目（英語）

  • Configure evaluation and validation for generative AI applications and agents
  • Implement observability for generative AI applications and agents

公式の学習リソース

この分野の練習問題（40問）へ →

05

生成 AI システムとモデル性能の最適化

Optimize generative AI systems and model performance

10–15%

学習目標

  • チャンクサイズ・類似度しきい値・検索戦略を調整して RAG を改善できる
  • 埋め込みモデルの選定とハイブリッド検索、A/B テストで改善を検証できる
  • ファインチューニングと合成データを用い、開発から本番まで管理できる

要点

  • RAG の精度はまず検索で決まる。チャンクサイズ、類似度しきい値、取得件数、検索戦略を評価しながら調整する。
  • 専門用語が多い領域では埋め込みモデルの選定・調整が効く。キーワード一致が重要ならハイブリッド検索を組み合わせる。
  • 改善は関連性指標と A/B テストで検証する。体感で判断しない。
  • ファインチューニングは、プロンプトや RAG で解決しない「出力の形式・口調・専門タスク」の改善に使う。最新知識の追加は RAG のほうが向く。
  • 学習データが足りない場合は合成データを作るが、品質確認と偏りのチェックが必須。ファインチューニング後も性能監視を続ける。

業務での使いどころ

  • 営業製品マニュアル RAG で型番の取りこぼしが多いため、ハイブリッド検索を導入し A/B テストで効果を確認。
  • 総務規程 Q&A の回答が長すぎる問題を、チャンクサイズと取得件数の調整で改善。
  • 経理仕訳摘要の定型出力をファインチューニングで安定化。最新の税制情報は RAG 側で更新。

公式の評価項目（英語）

  • Optimize retrieval-augmented generation (RAG) performance and accuracy
  • Implement advanced fine-tuning and model customization

公式の学習リソース

この分野の練習問題（45問）へ →

出典（公式・2026-10-03 確認）

本ページの事実情報（資格名・試験番号・分野・比率・前提条件等）は上記の公開ページに基づきます。内容は変更される場合があります。