AI-102 vs DP-100: Microsoft Azure AI Engineer-sertifiseringen sammenlignet

• Velg AI-102 hvis arbeidet handler om å bygge, integrere og drifte AI-løsninger på Azure.
• Velg DP-100 hvis hovedoppgaven er datavitenskap, modelltrening og eksperimentering i Azure Machine Learning.
• Velg AI-900 hvis målet er å forstå grunnbegrepene før praktisk implementering.

Sist oppdatert: 23. juli 2026. AI-102 er Microsoft-sertifiseringseksamenen for rollen Azure AI Engineer Associate, rettet mot fagpersoner som designer og implementerer løsninger med Azure AI-tjenester. Eksamenen fokuserer mindre på å forske frem modeller fra bunnen av, og mer på å sette sammen språk, syn, dokumentforståelse, søk, sikkerhet og drift til løsninger som kan brukes i produksjon.

Det gjør AI-102 særlig relevant for utviklere, AI-ingeniører, dataingeniører og tekniske ledere som allerede arbeider i Azure-miljøer. Kandidaten bør kunne lese krav, velge riktig Azure AI-tjeneste, integrere løsningen i en applikasjon, sikre tilgangen med identitet og nettverk, og overvåke både kostnad, kvalitet og risiko etter lansering.

Hva AI-102 faktisk tester

AI-102 dekker ferdigheter knyttet til planlegging, implementering, integrasjon og drift av Azure AI-løsninger. Microsoft beskriver eksamenen gjennom den offisielle AI-102-siden på Microsoft Learn, der status, målte ferdigheter og eventuelle endringer i pensum publiseres. Den siden bør være primærkilden for detaljer som eksamensformat, oppdaterte områder og gyldig sertifiseringsinformasjon, fordi slike opplysninger kan endres.

I praksis dreier eksamenen seg om evnen til å bruke ferdigtrente AI-tjenester, tilpasse dem der det er nødvendig, og gjøre dem tilgjengelige på en trygg og vedlikeholdbar måte. Språktjenester (Language), datasyn (Vision), dokumenttolkning (Document Intelligence), Azure AI Search, konversasjonsløsninger, ansvarlig AI og sikker integrasjon er typiske områder kandidaten må forstå. Microsoft Learn Learning Paths for AI-102 er derfor nyttige som struktur, men de bør kombineres med egne labber i Azure Portal og Azure AI Studio.

En vanlig misforståelse er at AI-102 først og fremst tester datavitenskapelig modellbygging. Det er ikke hovedprofilen. Kandidater som bruker mesteparten av tiden på algoritmeteori, notebooks og modelltrening, men nesten ikke øver på identitet, endepunkter, tilgangsstyring, logging, kvoter og tjenesteintegrasjon, kan oppleve at forberedelsen ikke treffer eksamenens praktiske vektlegging.

AI-102 vs DP-100 og AI-900

AI-102, DP-100 og AI-900 ligger nær hverandre tematisk, men de svarer på ulike rollebehov. AI-900 er et grunnkurs i begreper og egner seg for dem som vil forstå hva kunstig intelligens, maskinlæring og Azure AI-tjenester er før de bygger noe selv. AI-102 passer når oppgaven er å levere AI-funksjonalitet inn i applikasjoner og arbeidsflyter. DP-100 passer bedre når arbeidet handler om å trene, evaluere og operasjonalisere modeller med Azure Machine Learning.

Forskjellen blir tydelig i et prosjekt. En AI-102-kandidat vurderer gjerne om en ferdigtrent Document Intelligence-modell er tilstrekkelig, hvordan løsningen skal autentiseres med Managed Identity, hvordan resultatene skal indekseres i Azure AI Search, og hvordan feil, kostnader og sensitiv informasjon skal overvåkes. En DP-100-kandidat vil oftere arbeide med datasett, eksperimenter, treningspipelines, modellregistrering og evaluering i Azure Machine Learning. Begge rollene kan møte MLOps-praksis, men tyngdepunktet i arbeidsoppgavene er forskjellig.

For en erfaren utvikler som allerede bruker Azure Functions, API Management, Key Vault og Application Insights, vil AI-102 ofte være et naturlig neste steg. For en kandidat som primært jobber med modellarkitektur, feature engineering og treningsdata, er DP-100 vanligvis mer presis. For en kandidat som ennå ikke kan forklare forskjellen på klassifisering, regresjon, generativ AI og naturlig språkbehandling, er AI-900 et mer ryddig startpunkt.

Hvordan rollen har endret seg med generativ AI

Azure AI Engineer-rollen har fått en tydeligere integrasjonsprofil etter at foundation-modeller og generativ AI ble en del av mange virksomheters løsningsarkitektur. AI-102 bør fortsatt forstås gjennom Microsofts offisielle skills measured, men i arbeidslivet forventes det oftere at kandidaten kan kombinere Azure AI-tjenester med mønstre som retrieval-augmented generation, ofte omtalt som RAG. Det betyr at modellen ikke står alene; den henter kontekst fra interne dokumenter, indekser og søketjenester før den genererer et svar.

Dette flytter oppmerksomheten fra modellvalg alene til styring av hele informasjonsflyten. En løsning kan kreve dokumentuttrekk med Document Intelligence, semantisk eller hybrid søk i Azure AI Search, prompt-design, innholdsfiltrering, logging, tilgangsstyring og evaluering av svarenes kvalitet. I tillegg må teamet vurdere hvordan personopplysninger håndteres, hvilke logger som lagres, hvordan EU- og norske krav til ansvarlig bruk av AI påvirker løsningen, og hvordan feil svar skal oppdages og håndteres.

Arbeidsgivere ser derfor ofte etter mer enn evnen til å kalle et API. Den verdifulle ferdigheten er å kombinere ferdigtrente tjenester, eventuelle tilpassede modeller og operasjonell praksis på Azure. Kandidaten som kan forklare latency-budsjett, rate limits, kvoter, kostnadsgrenser, Content Safety og observability på en konkret måte, står sterkere enn kandidaten som bare kan beskrive AI-begreper teoretisk.

Et praktisk scenario: fra dokumentkaos til produksjonsklar AI-løsning

Et realistisk AI-102-scenario kan starte med en kundeserviceavdeling som mottar kontrakter, fakturaer, e-poster og bilder av vedlegg. Målet er å hente ut nøkkeldata, klassifisere henvendelser, gjøre innholdet søkbart og gi saksbehandlere et forslag til svar. En Azure AI Engineer må da bryte problemet ned i tjenester og driftskrav, ikke bare velge en modell.

Document Intelligence kan brukes til å tolke strukturerte og semi-strukturerte dokumenter. Azure AI Language kan klassifisere tekst, trekke ut entiteter eller analysere sentiment. Azure AI Vision kan analysere bilder der dokumentasjonen kommer som foto eller skannet materiale. Azure AI Search kan indeksere godkjent innhold slik at en applikasjon eller en RAG-løsning kan hente relevant kontekst. Azure Functions kan binde prosessen sammen, mens Application Insights og Log Analytics gir innsikt i feil, responstid, volum og kostnadsdrivere.

I produksjon blir de ikke-funksjonelle kravene avgjørende. Teamet må begrense hvem som kan kalle AI-endepunktene, unngå nøkler i kode, vurdere private nettverksbaner, sette budsjetter og varsler, og definere hva som skal logges. Dersom løsningen behandler personopplysninger, må logging og feilsøking utformes slik at PII ikke lagres unødvendig. Content Safety og ansvarlig AI-policy bør testes tidlig, særlig når løsningen genererer tekst som kan påvirke kunder, ansatte eller beslutninger.

Følgende eksempel viser et lite utsnitt av en produksjonsnær øvelse: en Function App får systemtilordnet Managed Identity, tilgang til en Azure AI-ressurs og privat tilkobling mot tjenesten. Kommandoene forutsetter at ressursgruppen, Function App, Azure AI-ressursen, VNet og subnett allerede finnes.

Example — sikre tilgang til Azure AI med Managed Identity og Private Endpoint

RG=rg-ai102-prod-ne
FUNC=func-ai102-api-ne
AI=ais-ai102-prod-ne
VNET=vnet-ai102-prod-ne
SUBNET=snet-private-endpoints

az functionapp identity assign \
  --resource-group $RG \
  --name $FUNC

AI_ID=$(az cognitiveservices account show \
  --resource-group $RG \
  --name $AI \
  --query id -o tsv)

PRINCIPAL_ID=$(az functionapp identity show \
  --resource-group $RG \
  --name $FUNC \
  --query principalId -o tsv)

az role assignment create \
  --assignee-object-id $PRINCIPAL_ID \
  --assignee-principal-type ServicePrincipal \
  --role "Cognitive Services User" \
  --scope $AI_ID

az network private-endpoint create \
  --resource-group $RG \
  --name pe-ai102-ai-services \
  --vnet-name $VNET \
  --subnet $SUBNET \
  --private-connection-resource-id $AI_ID \
  --group-id account \
  --connection-name peconn-ai102-ai-services

Øvelsen lærer tre ting som ofte skiller en eksamensklar kandidat fra en teoretisk kandidat: applikasjonen bør bruke identitet fremfor delte nøkler, AI-tjenester bør vurderes som nettverksressurser, og tilgang bør kunne forklares med konkrete roller og scopes. Etterpå bør kandidaten verifisere privat DNS-oppsett, teste at offentlig tilgang er begrenset der organisasjonens design krever det, og kontrollere at applikasjonslogger ikke eksponerer sensitivt innhold.

Vanlige forberedelsesfeil

Den første feilen er å lese for mye og bygge for lite. AI-102-kandidater trenger praktisk erfaring med Azure Portal, Azure AI Studio og tjenesteendepunkter, fordi eksamenen ofte tester hva som er riktig valg i et scenario. Det er vanskelig å svare presist på slike spørsmål uten å ha opprettet ressurser, feilsøkt tilgang og sett hvordan tjenestene oppfører seg i praksis.

Den andre feilen er å undervurdere sikkerhet og drift. Private endpoints, Managed Identity, tilgangsstyring, nøkkelhåndtering, logging, kvoter og kostnadsvarsler virker kanskje perifere hvis fokuset bare er AI-funksjonalitet. I virkelige prosjekter er de ofte forskjellen mellom en demo og en løsning som kan godkjennes av drift, sikkerhet og personvern.

Den tredje feilen er å gå rett til custom-modeller uten å evaluere ferdigtrente tjenester. AI-102 handler ofte om å velge den enkleste robuste tjenesten som løser forretningsproblemet. En tilpasset modell kan være riktig, men den bør begrunnes med kvalitet, datatilgang, vedlikehold og kostnad, ikke med at teamet antar at custom alltid er mer avansert.

En realistisk studieplan på 30 til 45 dager

En god plan starter med Microsoft Learn sin offisielle eksamensside for AI-102 og den tilhørende oversikten over målte ferdigheter. Kandidaten bør bruke den som kart, ikke som eneste læringskilde. Første fase bør brukes til å bekrefte Azure-grunnlaget: ressurser, identitet, nettverk, Key Vault, overvåking og grunnleggende kostkontroll. Uten dette blir AI-delen løsrevet fra den plattformen den faktisk skal kjøre på.

Deretter bør kandidaten bygge en gjennomgående løsning i stedet for isolerte småøvelser. En nyttig øvelse er å lage en enkel intern saksbehandlingsflyt der dokumenter lastes opp, tolkes med Document Intelligence, berikes med Language, analyseres med Vision ved behov, indekseres i Azure AI Search og eksponeres gjennom en liten API- eller Function-basert applikasjon. Application Insights bør brukes fra starten, og løsningen bør ha rollestyring, hemmelighetshåndtering og en enkel CI/CD-prosess.

Mot slutten bør forberedelsen flyttes fra bygging til validering. Kandidaten bør kunne forklare hvorfor hver tjeneste er valgt, hva som skjer ved feil, hvordan kostnadene kan begrenses, hvilke rate limits eller kvoter som kan påvirke løsningen, og hvordan sensitive data håndteres. Praksistester kan være nyttige, men de bør brukes til å finne svake områder, ikke som erstatning for labarbeid. Eksamensdumps bør unngås; de gir dårlig læring og kan bryte eksamensregler.

Noen kandidater ønsker strukturert labarbeid med instruktørstyrt progresjon. I den sammenhengen kan et AI-102-kurs for Azure AI Engineer være nyttig, særlig hvis målet er å samle teori, øvelser og eksamensforberedelse i én plan. Den samme vurderingen gjelder virksomheter som skal bygge flere Microsoft-ferdigheter parallelt; en samlet Microsoft-opplæringsmodell som Readynez Unlimited – Microsoft kan da vurderes mot behovet for flere løp over tid.

Karriereverdien av AI-102

AI-102 gir mest verdi når sertifiseringen støtter arbeid kandidaten faktisk gjør eller ønsker å gjøre. For en utvikler som bygger applikasjoner med AI-funksjoner, kan den dokumentere praktisk Azure AI-kompetanse. For en dataingeniør kan den vise evne til å koble data, søk og AI-tjenester sammen i løsninger. For en tech lead kan den gi et felles språk for arkitekturvalg, sikkerhet og ansvarlig AI.

Sertifiseringen bør likevel ikke behandles som et bevis på dyp datavitenskapelig ekspertise. Hvis rollen krever tung modelltrening, eksperimentdesign og Azure Machine Learning-pipelines, peker DP-100 tydeligere i riktig retning. AI-102 er sterkest når arbeidsgiver trenger noen som kan gjøre AI-tjenester nyttige, sikre og målbare i eksisterende Azure-plattformer.

FAQ

Hva er forutsetningene for AI-102?

Microsoft krever ikke nødvendigvis en bestemt tidligere sertifisering, men kandidaten bør ha praktisk erfaring med Azure, programmering, REST-API-er, autentisering og grunnleggende AI-begreper. Kunnskap om Azure-ressurser, identitet, nettverk og overvåking gjør forberedelsen langt mer effektiv.

Må man ta AI-900 før AI-102?

AI-900 er ikke et obligatorisk steg for alle, men det kan være nyttig for kandidater som mangler AI-grunnlaget. Den som allerede kan forklare sentrale AI-arbeidsbelastninger og har praktisk Azure-erfaring, kan ofte gå direkte til AI-102.

Hva dekker AI-102-eksamenen?

AI-102 dekker design og implementering av Azure AI-løsninger, inkludert bruk av språk-, syns-, dokument-, søke- og konversasjonstjenester, samt sikkerhet, overvåking og ansvarlig AI. Den mest oppdaterte oversikten finnes på Microsoft Learn under AI-102 skills measured.

Hvordan bør man forberede seg?

Den mest robuste forberedelsen kombinerer Microsoft Learn, praktiske labber og en gjennomgående løsning som binder flere Azure AI-tjenester sammen. Kandidaten bør øve på å opprette ressurser, sikre tilgang, feilsøke endepunkter, overvåke kostnader og forklare arkitekturvalg.

Hva kan AI-102 brukes til etter bestått eksamen?

Sertifiseringen kan støtte roller som Azure AI Engineer, utvikler med AI-ansvar, løsningsutvikler eller teknisk rådgiver i Azure-miljøer. Den viser særlig relevans der virksomheten trenger praktisk implementering av AI-tjenester, ikke bare generell AI-forståelse.

Velge riktig neste steg

AI-102 passer best for fagpersoner som skal bygge AI-løsninger som faktisk skal brukes, sikres, overvåkes og forbedres i Azure. Den krever derfor en kombinasjon av AI-forståelse, utviklerferdigheter og plattformkunnskap. Microsoft Learn bør brukes som autoritativ kilde for eksamensstatus og pensum, mens praktiske prosjekter bør brukes til å gjøre ferdighetene konkrete.

Det mest effektive neste steget er å sammenligne egne arbeidsoppgaver med sertifiseringens rolleprofil. Hvis hverdagen handler om integrasjon av Azure AI-tjenester, søk, dokumentforståelse, applikasjonsarkitektur og ansvarlig drift, er AI-102 et godt valg. Hvis det fortsatt er uklart hvilket løp som passer, kan en kort samtale med Readynez bidra til å avklare om AI-102, DP-100 eller et grunnleggende Microsoft-løp er mest relevant.

Flere Microsoft-løp finnes også samlet via Microsoft-kursoversikten, men sertifiseringsvalget bør alltid starte med rollen, arbeidsoppgavene og ferdighetene som faktisk skal brukes.