AI-102 ist die Microsoft Azure AI Engineer Associate Prüfung für Kandidaten, die Azure-AI-Dienste zu belastbaren Lösungen verbinden, absichern und betreiben können müssen. Im Unterschied zu AI-900, das Grundlagenwissen bestätigt, braucht die Vorbereitung hier eine praxisnahe Ausrichtung, damit sie nicht zu allgemein bleibt.
Die AI-102 richtet sich an Personen, die Anwendungen mit Azure AI Services entwerfen und implementieren. Geprüft wird weniger das mathematische Training eigener Modelle als die praktische Integration von Diensten wie Azure AI Studio, Azure OpenAI, Azure AI Search, Document Intelligence, Language, Speech, Vision und Content Safety in reale Lösungsarchitekturen. Wer aus der Data-Science-Richtung kommt, sollte AI-102 deshalb klar von DP-100 trennen: DP-100 konzentriert sich stärker auf Machine-Learning-Experimente und Modelltraining auf Azure, während AI-102 Serviceauswahl, Implementierung, Sicherheit, Monitoring und Responsible AI in Azure prüft.
Stand 2026 sollten Kandidaten die offiziellen Microsoft-Seiten zur Zertifizierung und zur Prüfung AI-102 vor der Anmeldung prüfen, da Microsoft Skills Outlines, Produktnamen, Prüfungsrichtlinien und Funktionsstände regelmäßig anpasst. Dieser Leitfaden paraphrasiert die prüfungsrelevanten Bereiche und ergänzt sie um praktische Vorbereitungsmuster; verbindlich bleiben die Microsoft-Prüfungsseite, die Skills Outline und die Microsoft-Learn-Dokumentation.
Was die AI-102 tatsächlich prüft
Die Prüfung bewertet, ob Kandidaten Azure-AI-Lösungen analysieren, planen, implementieren und überwachen können. Dazu gehört die Auswahl passender Services, die sichere Anbindung von Datenquellen, der Einsatz von SDKs und REST-APIs, die Konfiguration von Authentifizierung und Autorisierung sowie die Fähigkeit, Fehler in einer Cloud-Umgebung einzugrenzen. Typische Fragen prüfen daher nicht nur, ob ein Produktname bekannt ist, sondern ob ein Kandidat erkennt, welcher Dienst in einer bestimmten Architektur sinnvoll ist.
Microsoft verwendet in der AI-102 unterschiedliche Frageformate, darunter Szenariofragen, Mehrfachauswahl, Drag-and-Drop-ähnliche Zuordnungen und Fallstudien. Die Registrierung, Prüfungsdurchführung, Wiederholungsregeln und der aktuelle Bestehenswert sollten direkt auf der offiziellen Microsoft-Prüfungsseite kontrolliert werden, weil diese Angaben länder-, zeit- und richtlinienabhängig sein können. Für die Vorbereitung ist entscheidend, nicht auf auswendig gelernte Antworten zu setzen, sondern die Entscheidungslogik hinter den Azure-Diensten zu verstehen.
- Prüfung: Microsoft AI-102 für Azure AI Engineer Associate.
- Schwerpunkt: Entwurf und Implementierung von Azure-AI-Lösungen mit bestehenden Azure-Diensten.
- Abgrenzung: AI-900 ist Grundlagenwissen, DP-100 ist Data Science und Modelltraining, AI-102 ist Serviceintegration und Architektur.
- Aktualitätsprüfung: Skills Outline, Prüfungsrichtlinien und Registrierungsdetails vor der Buchung bei Microsoft prüfen.
Die wichtigsten Themenfelder mit Azure-Bezug
Ein großer Teil der Vorbereitung sollte bei Azure AI Services beginnen. Kandidaten müssen wissen, wie Ressourcen erstellt, Endpunkte verwendet, Zugriffsschlüssel geschützt und Anwendungen mit SDKs oder REST-APIs angebunden werden. Ebenso wichtig ist die Frage, wann ein einfacher API-Aufruf genügt und wann zusätzliche Komponenten wie Storage, Event Grid, Functions, Key Vault, Managed Identity oder Private Endpoints erforderlich werden.
Azure AI Studio und Prompt flow sind besonders relevant, weil sich generative KI-Lösungen zunehmend dort entwerfen, testen und auswerten lassen. In der Prüfung können daraus Fragen entstehen, die Prompt-Design, Evaluierung, Inhaltsfilter, Verbindungsressourcen und die Bereitstellung eines Workflows betreffen. Kandidaten sollten nicht nur die Benutzeroberfläche kennen, sondern verstehen, welche Azure-Ressourcen im Hintergrund beteiligt sind und welche Berechtigungen für Entwicklung, Test und Betrieb benötigt werden.
Azure OpenAI ist ein weiteres zentrales Thema, allerdings mit praktischen Einschränkungen. In realen Projekten treten häufig Region- und Quota-Beschränkungen auf, und nicht jedes Modell ist in jeder Umgebung verfügbar. Wer nur lokale Beispiele oder generische OpenAI-Tutorials verwendet, übersieht leicht prüfungsrelevante Azure-Aspekte wie Bereitstellungen, Inhaltsfilterung, Netzwerkzugriff, Monitoring, Kostenkontrolle und Identitätskonzepte.
Azure AI Search, früher Azure Cognitive Search, spielt vor allem bei Retrieval-Augmented Generation eine wichtige Rolle. Ein Chatbot, der interne Dokumente beantwortet, benötigt nicht nur ein Sprachmodell, sondern auch Indizes, Felder, Vektorsuche, optional Skillsets und klare Sicherheitsgrenzen. In der Praxis scheitern solche Lösungen oft nicht am Prompt, sondern an falschen Indexberechtigungen, fehlender Netzwerkfreigabe zwischen Storage und Search oder einer unklaren Trennung zwischen Suchberechtigung und Modellberechtigung.
Document Intelligence, früher häufig unter Form Recognizer bekannt, prüft ein anderes Denkmuster. Hier geht es darum, Informationen aus Formularen, Rechnungen, Ausweisen oder halbstrukturierten Dokumenten zuverlässig zu extrahieren und anschließend in einen Workflow zu überführen. Kandidaten sollten verstehen, wann ein vorgefertigtes Modell ausreicht, wann ein benutzerdefiniertes Modell sinnvoll ist und wie Konfidenzwerte, Nachbearbeitung und Human Review in eine Lösung passen.
Ein realistisches Lernziel: Architektur statt Produktsammlung
Eine gute AI-102-Vorbereitung betrachtet Azure-Dienste nicht isoliert. Ein typisches Szenario ist ein interner Wissensassistent: Dokumente liegen in Azure Storage, Azure AI Search erstellt einen Index, Azure OpenAI generiert Antworten, Content Safety reduziert problematische Ausgaben, Application Insights unterstützt die Fehleranalyse, und Identitäten regeln, welche Anwendung worauf zugreifen darf. Genau diese Art von Zusammenspiel macht die Prüfung anspruchsvoll.
Bei Retrieval-Augmented Generation besteht der wichtigste Trade-off darin, dass das Sprachmodell nicht selbst zur Datenbank wird. Die fachlichen Inhalte kommen aus einer Such- oder Retrieval-Schicht, während das Modell die Antwort formuliert. Das verbessert Aktualisierbarkeit und Governance, bringt aber neue Aufgaben mit sich: Indexdesign, Chunking, Metadatenfilter, Zugriffssteuerung, Evaluierung der Antwortqualität und Umgang mit nicht gefundenen Informationen.
Aus Prüfungssicht lohnt es sich, diese Architektur in mehreren Varianten durchzudenken. Eine öffentliche Wissensdatenbank hat andere Sicherheitsanforderungen als ein HR-Assistent mit personenbezogenen Daten. Ein Prototyp kann mit Schlüsseln und öffentlichem Netzwerkzugang laufen, während eine produktionsnahe Lösung eher Managed Identity, Private Endpoints, Key Vault und restriktive RBAC-Rollen verlangt. Genau solche Unterschiede tauchen häufig als Entscheidungsfragen auf.
Wer gezielt tiefer in den offiziellen Trainingspfad einsteigen möchte, kann das AI-102 Training für Designing and Implementing a Microsoft Azure AI Solution als strukturierten Rahmen nutzen. Ergänzend hilft ein Blick auf das breitere Microsoft-Trainingsangebot, wenn Grundlagen in Azure-Administration, Sicherheit oder Datenplattformen parallel aufgefrischt werden müssen.
Mini-Projekte, die die Vorbereitung greifbar machen
Die effektivste Vorbereitung entsteht, wenn Kandidaten jede größere Prüfungsdomäne in einem kleinen Projekt umsetzen. Drei Projekte reichen oft aus, um viele Fähigkeiten praktisch miteinander zu verbinden: ein RAG-Chatbot mit Azure AI Search und Azure OpenAI, eine Dokumentenextraktion mit Document Intelligence und nachgelagertem Workflow sowie eine Speech-to-Text-Lösung mit einfacher Sentiment- oder Language-Analyse. Entscheidend ist nicht die Größe des Projekts, sondern dass Berechtigungen, Fehlerfälle und Monitoring bewusst eingebaut werden.
- Erstellen Sie einen RAG-Prototyp mit Storage, Azure AI Search, Azure OpenAI und einer einfachen Testoberfläche.
- Bauen Sie eine Dokumentenpipeline mit Document Intelligence, Validierung der Konfidenzwerte und strukturierter Ausgabe.
- Kombinieren Sie Speech, Language und einfache Protokollierung, um Transkription und Analyse nachvollziehbar zu machen.
Diese Projekte sollten in einer eigenen Dev/Test-Ressourcengruppe liegen. Budgetwarnungen, Namenskonventionen und regelmäßiges Aufräumen sind keine Nebensache, weil Azure OpenAI, Search-Indizes und Testdaten sonst unbemerkt Kosten verursachen oder Governance-Regeln verletzen können. Für die Prüfung ist außerdem hilfreich, die Unterschiede zwischen Zugriffsschlüsseln, rollenbasierter Zugriffskontrolle und Managed Identity praktisch zu testen.
Das folgende Beispiel zeigt, wie sich Kandidaten eine kleine, kontrollierte Übungsumgebung mit Azure CLI vorbereiten können. Es erstellt nur die Grundstruktur; produktionsnahe Netzwerk- und Identitätskonfigurationen sollten danach bewusst ergänzt werden.
Example — Dev/Test-Ressourcengruppe für AI-102-Übungen
az group create \
--name rg-ai102-lab-weu \
--location westeurope
az cognitiveservices account create \
--name ai102-language-lab-weu \
--resource-group rg-ai102-lab-weu \
--kind TextAnalytics \
--sku S \
--location westeurope \
--yes
az cognitiveservices account show \
--name ai102-language-lab-weu \
--resource-group rg-ai102-lab-weu \
--query "properties.endpoint" \
--output tsv
Der Lernertrag liegt hier nicht im Befehl selbst, sondern in der anschließenden Kontrolle: Welche Identität darf die Ressource verwenden, wie wird der Endpunkt geschützt, wo liegen Protokolle, und wie lässt sich die Umgebung wieder entfernen? Wer diese Fragen sauber beantworten kann, nähert sich der Denkweise der AI-102-Prüfung.
Typische Fehler in der Vorbereitung
Ein häufiger Fehler ist eine zu starke Konzentration auf Modellbegriffe. AI-102 fragt zwar KI-Konzepte ab, aber der Schwerpunkt liegt auf der Umsetzung mit Azure-Diensten. Kandidaten, die nur Prompting oder Machine-Learning-Theorie lernen, übersehen Themen wie Authentifizierung, Ressourcenbereitstellung, Netzwerkkonfiguration und Datenfluss zwischen Services.
Ebenso problematisch ist fehlendes Hands-on mit Azure AI Studio und Prompt flow. Viele Aufgaben lassen sich theoretisch beschreiben, doch in der Praxis zeigen sich Details erst beim Erstellen einer Verbindung, beim Ausführen eines Flows oder beim Debugging eines fehlgeschlagenen Aufrufs. Das gilt besonders für Azure OpenAI, wo Region, Modellbereitstellung, Quota und Inhaltsfilterung eng zusammenhängen.
RBAC und Managed Identity werden ebenfalls oft unterschätzt. Zugriffsschlüssel sind für einfache Tests bequem, aber viele produktionsnahe Architekturen verlangen rollenbasierte Zugriffe und verwaltete Identitäten. Kandidaten sollten wissen, welche Identität einen Search-Indexer ausführt, wie Storage-Zugriff abgesichert wird und wann Key Vault sinnvoll ist.
Auch Netzwerkgrenzen sind prüfungsrelevant. Private Endpoints, virtuelle Netzwerke und Firewalls können verhindern, dass Azure AI Search, Storage oder eine Anwendung miteinander kommunizieren. Solche Fehler wirken im ersten Moment wie ein Dienstproblem, sind aber häufig Berechtigungs- oder Netzwerkprobleme. Wer in der Vorbereitung mindestens einmal bewusst eine restriktive Konfiguration testet, erkennt diese Muster schneller.
Prüfungsstrategie: erst verstehen, dann optimieren
Die beste Zeiteinteilung entsteht durch realistische Übungsprüfungen, nicht durch Lesen allein. Kandidaten sollten nach jedem Mock-Exam prüfen, welche Fehler auf Wissenslücken zurückgehen und welche durch zu schnelles Lesen entstanden sind. Fallstudien enthalten oft Details zu Compliance, Identität, Kosten, Latenz oder bestehenden Azure-Ressourcen; diese Hinweise ändern die richtige Lösung.
In der Prüfung selbst ist es sinnvoll, kurze und klare Items zuerst zu lösen, unsichere Antworten zu markieren und später zurückzukehren, sofern das jeweilige Prüfungsformat dies zulässt. Bei Szenariofragen hilft es, zuerst die Einschränkungen zu identifizieren: Muss die Lösung private Netzwerkverbindungen nutzen, darf sie personenbezogene Daten verarbeiten, wird ein bestimmter Azure-Dienst bereits verwendet, oder verlangt die Aufgabe eine minimale Änderung an einer bestehenden Architektur?
Responsible AI sollte nicht als weiches Randthema behandelt werden. Prüfungsfragen können Fairness, Transparenz, Erklärbarkeit, Inhaltsmoderation, menschliche Überprüfung und Risiken generativer KI in technische Entscheidungen einbetten. In einer Document-Intelligence-Lösung kann das bedeuten, niedrige Konfidenzwerte an eine manuelle Prüfung zu geben; in einer Chatlösung kann es bedeuten, Content Safety, Quellenangaben und Protokollierung gezielt einzuplanen.
Ein strukturierter Lernpfad hilft besonders dann, wenn neben AI-102 weitere Microsoft-Themen relevant sind. Wer regelmäßig mehrere Microsoft-Rollen oder -Zertifizierungen abdeckt, kann laufende Microsoft-Weiterbildung als Planungsmodell betrachten; für AI-102 bleibt jedoch entscheidend, die offiziellen Skills measured konsequent mit praktischen Azure-Übungen zu verbinden.
FAQ zur AI-102 Vorbereitung
Ist AI-102 für Einsteiger geeignet?
AI-102 ist keine reine Grundlagenprüfung. Wer noch wenig Erfahrung mit Cloudkonzepten, Azure-Ressourcen, APIs und Identitäten hat, sollte zuerst Azure- und KI-Grundlagen aufbauen. AI-900 kann als Orientierung dienen, ersetzt aber nicht die Associate-Level-Vorbereitung auf AI-102.
Wie unterscheidet sich AI-102 von DP-100?
AI-102 prüft den Entwurf und die Implementierung von Lösungen mit Azure AI Services. DP-100 richtet sich stärker auf Data-Science-Arbeit, Machine-Learning-Experimente, Training, Evaluation und Betrieb von Modellen auf Azure. Wer als Entwickler oder Architekt fertige Azure-AI-Dienste in Anwendungen integrieren möchte, liegt mit AI-102 näher am Ziel.
Welche Produkte sollten Kandidaten praktisch kennen?
Wichtig sind Azure AI Studio, Prompt flow, Azure OpenAI, Azure AI Search, Document Intelligence, Language, Speech, Vision und Content Safety. Kandidaten sollten außerdem begleitende Azure-Komponenten wie Storage, Key Vault, Application Insights, Managed Identity, RBAC und Netzwerkregeln einordnen können.
Reichen Microsoft-Learn-Module allein aus?
Microsoft Learn ist eine wichtige Grundlage, aber für AI-102 reicht Lesen allein selten aus. Die Prüfung verlangt Transfer: Kandidaten müssen Dienste auswählen, Konfigurationen vergleichen und Fehlerbilder einordnen. Praktische Mini-Projekte und Übungsprüfungen schließen diese Lücke besser als reine Theorie.
Die nächsten Schritte für eine belastbare AI-102 Vorbereitung
Eine tragfähige Vorbereitung verbindet drei Ebenen: die offizielle Microsoft Skills Outline, praktische Azure-Labs und gezielte Prüfungssimulation. Wer diese Ebenen getrennt behandelt, erkennt zwar einzelne Produkte, übersieht aber häufig die Architekturentscheidungen, die AI-102 eigentlich prüft.
Der nächste sinnvolle Schritt ist daher eine ehrliche Bestandsaufnahme: Welche Azure-Dienste wurden bereits selbst bereitgestellt, welche Sicherheits- und Netzwerkfunktionen wurden nur gelesen, und welche Responsible-AI-Themen lassen sich an einem eigenen Beispiel erklären? Wenn daraus ein konkreter Lernplan entstehen soll, kann ein Gespräch mit Readynez helfen, die Vorbereitung auf die AI-102 Prüfung passend zur vorhandenen Azure-Erfahrung zu strukturieren.
