microsoft-certified-azure-administrator-exam" data-autoinject="link_injection">Microsoft Azure AI Engineer (AI-102) er eksamenen for dem som bygger Azure-baserte AI-løsninger ved å sette sammen ferdige AI-tjenester, søk, tale, språk og samtalegrensesnitt til hele produkter. Den er derfor mest relevant for kandidater som må kunne gjøre mer enn å forklare AI-begreper; de må kunne designe, integrere, sikre og drifte løsninger som faktisk brukes.
Microsoft Azure AI Engineer Associate, målt gjennom AI-102, handler om å designe og implementere AI-løsninger på Azure. Eksamen dekker praktisk bruk av Azure AI-tjenester, blant annet språkforståelse, tale, bildeanalyse, Azure AI Search og samtaleløsninger med bot-teknologi, i tillegg til sikkerhet, overvåking og ansvarlig AI.
Sist oppdatert: 2026. Kandidater bør alltid kontrollere den offisielle AI-102-siden på Microsoft Learn før de låser studieplanen, fordi Microsoft kan endre ferdighetsmål, tjenestenavn og pensumdetaljer. Denne veiledningen er skrevet for å gi en praktisk måte å trene på, uten å forsøke å gjengi konfidensielle eksamensspørsmål eller love et bestemt resultat.
Hva AI-102 egentlig måler
AI-102 tester ikke bare om en kandidat kjenner navnene på Azure AI-tjenestene. Den måler om kandidaten kan velge riktig tjeneste for en forretningsoppgave, koble tjenestene sammen, beskytte tilgang med identitet og tilgangsstyring, og vurdere hvordan løsningen oppfører seg når data, brukere og krav endrer seg.
En typisk AI-102-kandidat arbeider i grenseflaten mellom utvikling og løsningsdesign. Rollen ligger nærmere en ingeniør som integrerer Azure AI-tjenester i applikasjoner enn en datasientist som primært trener egne modeller. Det er en viktig forskjell: DP-100 passer bedre for kandidater som jobber med maskinlæringslivssyklus og modelltrening, mens AI-102 vektlegger bruk av administrerte AI-tjenester i produksjonsnære løsninger.
AI-900 kan være nyttig før AI-102 dersom grunnbegrepene innen AI, maskinlæring og ansvarlig AI er uklare. AZ-104 er nyttig for kandidater som mangler erfaring med Azure-ressurser, nettverk, identitet og drift. Kandidater som allerede bygger applikasjoner på Azure, kan ofte gå direkte mot AI-102, men bør fylle hull i RBAC, managed identities, logging og kostnadsstyring før de øver tungt på selve AI-tjenestene.
Bygg én referanseløsning i stedet for mange små demoer
Den mest effektive øvingen er ofte å bygge én ende-til-ende-løsning som binder sammen flere eksamensmål. Små isolerte øvelser kan være nyttige i starten, men de skjuler ofte de problemene som AI-102 faktisk tester: valg av tjeneste, dataflyt, tilgang, regionstøtte, feilhåndtering og overvåking.
Et godt treningsprosjekt er en intern kunnskapsassistent for en virksomhet. Dokumenter indekseres i Azure AI Search, spørsmål analyseres med Azure AI Language, svar leveres gjennom en bot, og Speech brukes for tale-til-tekst eller tekst-til-tale. Vision kan legges til dersom løsningen skal tolke bilder, skannede dokumenter eller visuelle vedlegg. En slik løsning dekker flere målområder uten at kandidaten må starte på nytt for hvert emne.
| Del av løsningen |
Azure-komponent |
Hva kandidaten bør lære |
| Dokumentfunn |
Azure AI Search |
Indekser, datakilder, skillsets, søkekvalitet og tilgang til innhold. |
| Språkforståelse |
Azure AI Language |
Entiteter, nøkkeluttrykk, klassifisering og når ferdige modeller er tilstrekkelige. |
| Talegrensesnitt |
Azure AI Speech |
Transkripsjon, syntetisk tale, språkvalg, latens og brukeropplevelse. |
| Bildeanalyse |
Azure AI Vision |
Analyse av bilder og dokumentrelatert innhold, med oppmerksomhet på datakvalitet. |
| Samtale |
Bot Framework og Azure-hosting |
Dialogflyt, brukeridentitet, feilhåndtering og integrasjon med bakendsystemer. |
Fordelen med denne tilnærmingen er at kandidaten får trent på beslutninger som ligner virkelige prosjekter. Hvis søket gir svake svar, må kandidaten vurdere indeksdesign, analyzere språkvalg, forbedre datagrunnlaget eller justere hvordan boten presenterer svaret. Det er mer verdifullt enn å pugge en kommando uten å forstå hvorfor den brukes.
Skypraktiske feil som ofte ødelegger gode AI-løsninger
Mange kandidater bruker for mye tid på modell- og API-navn og for lite tid på Azure-detaljene rundt løsningen. I praksis stopper en AI-løsning ofte på grunn av regionstøtte, kvoter, identitet, nettverk eller kostnadskontroll. AI-102-kandidater bør derfor kunne forklare både hva tjenesten gjør og hva som må være riktig konfigurert rundt den.
Regionvalg er et godt eksempel. Ikke alle funksjoner er tilgjengelige i alle regioner, og en løsning som kombinerer Speech, Language, Search og bot-hosting kan få uventede begrensninger dersom komponentene plasseres uten plan. Kandidaten bør øve på å kontrollere regionstøtte i Azure-portalen og Microsoft-dokumentasjonen før ressursene opprettes.
Identitet er en annen vanlig kilde til feil. I en moden løsning bør applikasjonen i mange tilfeller bruke managed identity og rollebasert tilgang der det er mulig, i stedet for at nøkler spres i kode, konfigurasjonsfiler eller lokale utviklermiljøer. Kandidaten bør også vite når en tjeneste fortsatt krever en bestemt nøkkel- eller endepunktkonfigurasjon, og hvordan dette beskyttes.
Dette korte eksempelet viser hvordan en utvikler kan hente et tilgangstoken for Azure AI-tjenester fra en administrert identitet. Det er nyttig når en applikasjon kjører i Azure og bør unngå hardkodede hemmeligheter.
Example — hente token for Azure AI-tjenester med Azure CLI
az login --identity
az account get-access-token \
--resource https://cognitiveservices.azure.com/ \
--query accessToken \
--output tsv
Kommandoen bruker identiteten til ressursen som kjører kommandoen, for eksempel en virtuell maskin eller en apptjeneste med managed identity aktivert. I en eksamensnær vurdering er læringspoenget ikke selve tokenet, men at kandidaten forstår forholdet mellom identitet, ressursrettigheter og sikker SDK-tilgang.
Kostnad er også en del av designarbeidet. Belastningstester, taleprosesser og indeksering kan skape mer bruk enn forventet dersom løsningen ikke har grenser, varsler og ryddig testdata. En god øvingsrutine er å sette budsjetter og varsler i Azure, rydde opp testressurser etter labber og dokumentere hvilke SKU-er som brukes i treningsmiljøet.
Evaluer AI-valg med kvalitet, latens og kost
AI-102 belønner forståelse av designvalg. Når en oppgave kan løses med Azure AI Language, Azure AI Search, en tilpasset modell eller en kombinasjon, bør kandidaten kunne forklare hvorfor ett alternativ passer bedre enn et annet. Den beste tekniske løsningen er ofte den som gir tilstrekkelig kvalitet med akseptabel responstid, forutsigbar kostnad og enkel drift.
En pragmatisk evalueringsmetode er å teste hvert alternativ på et lite, representativt datasett. Kandidaten kan måle om svarene er riktige nok, hvor lang tid løsningen bruker, hvilke feil som oppstår, og om kostnaden øker uforholdsmessig når antall forespørsler øker. Dette gjør det lettere å velge mellom ferdige tjenester og mer skreddersydde alternativer.
Ansvarlig AI bør øves praktisk, ikke bare leses som et prinsipp. Det betyr logging av viktige beslutninger, innholdsfiltre der det er relevant, dataminimering, sporbarhet for brukerforespørsler og tydelig håndtering av feil svar. Kandidaten bør kunne forklare hvordan løsningen reduserer risiko uten å samle inn mer persondata enn nødvendig.
Dette KQL-eksempelet kan brukes i Application Insights for å se etter treghet og feil i kall mot AI-endepunkter. Det lærer kandidaten å tenke drift og observabilitet som del av AI-løsningen.
Example — undersøke latens og feil i Application Insights
requests
| where name has "ai"
| summarize
AverageDurationMs = avg(duration),
FailedRequests = countif(success == false),
TotalRequests = count()
by bin(timestamp, 1h), name
| order by timestamp desc
Spørringen grupperer forespørsler per time og viser både gjennomsnittlig varighet og antall feil. I en treningssituasjon bør kandidaten bruke resultatet til å stille bedre designspørsmål: er problemet datakvalitet, nettverksavstand, tjenestekvote, feil autentisering eller for tung applikasjonslogikk?
En praktisk 6-ukers plan
En god studieplan bør ha få, tydelige mål og nok praktisk arbeid til at begrepene sitter. Seks uker er en realistisk struktur for mange som allerede kan grunnleggende Azure og utvikling, men planen bør justeres dersom kandidaten mangler erfaring med Azure-ressursstyring, REST-API-er eller SDK-er.
- Uke 1: Les den offisielle AI-102-ferdighetsoversikten på Microsoft Learn, sett opp et ryddig Azure-labmiljø og noter hvilke emner som er nye.
- Uke 2: Bygg språk- og taleøvelser med Azure AI Language og Speech, og test flere språk, inngangsdata og feilsituasjoner.
- Uke 3: Arbeid med Vision og dokumentrelatert analyse, og vurder hvordan datakvalitet påvirker resultatene.
- Uke 4: Lag en Azure AI Search-indeks, importer dokumenter, test søkerelevans og dokumenter hvordan indeksdesign endrer svarene.
- Uke 5: Koble søk, språk og bot sammen i én enkel applikasjon, med logging, identitet og feilhåndtering.
- Uke 6: Repeter svake områder, gjennomfør tidsstyrte øvingssett og skriv korte forklaringer på hvorfor hvert designvalg er riktig eller galt.
Progresjon bør måles med mer enn antall videoer eller moduler som er fullført. Kandidaten bør kunne demonstrere en fungerende løsning, forklare tjenestevalg, finne en autentiseringsfeil, beskrive region- og kvotehensyn og lese kodeeksempler uten å bli låst til ett programmeringsspråk. Microsoft støtter flere språk og SDK-er, så målet er å forstå mønstre, ikke å pugge én syntaks.
Et strukturert kurs kan være nyttig når kandidaten trenger tempo, labmiljø og faglig ramme rundt pensum. Readynez kan for eksempel være relevant for kandidater som vil bruke et AI-102-kurs som støtte til praktisk eksamensforberedelse, men egen labtrening og kontroll mot Microsoft Learn bør fortsatt være en del av arbeidet.
Hvordan lese AI-102-spørsmål på eksamen
AI-102-spørsmål er ofte scenarioorienterte. Kandidaten bør først identifisere hva virksomheten prøver å oppnå, hvilke begrensninger som nevnes, og hvilke krav som er harde krav. Deretter bør teknologien velges ut fra kravene, ikke ut fra hvilken tjeneste kandidaten liker best.
En nyttig strategi er å skille mellom konseptspørsmål, kode- eller konfigurasjonsspørsmål og scenarioer med flere avhengigheter. Konseptspørsmål bør besvares effektivt dersom svaret er klart. Kodespørsmål krever mer presis lesing, særlig rundt endepunkt, nøkkel, identitet, SDK-klient og feilhåndtering. Scenarioer bør få nok tid til at kandidaten oppdager ord som peker på sikkerhet, kostnad, språk, region, datakilde eller drift.
Det er lett å miste tid på detaljer som ikke endrer svaret. Hvis et spørsmål beskriver mange tjenester, bør kandidaten spørre hva som faktisk testes: valg av tjeneste, autentisering, dataflyt, ansvarlig AI, overvåking eller brukeropplevelse. Når to svar virker riktige, er det ofte begrensningen i scenarioet som avgjør, for eksempel krav om minst mulig egen modelltrening eller behov for å bruke eksisterende dokumenter i søk.
FAQ om AI-102
Må en kandidat ta AI-900 før AI-102?
Nei, AI-900 er vanligvis ikke et formelt krav for AI-102. Den kan likevel være nyttig dersom kandidaten trenger et roligere fundament i AI-begreper, ansvarlig AI og grunnleggende Azure AI-tjenester før mer praktisk ingeniørarbeid.
Er AI-102 mer relevant enn DP-100 for utviklere?
For utviklere som integrerer AI-tjenester i applikasjoner, er AI-102 ofte mer direkte relevant. DP-100 passer bedre når hovedarbeidet er modelltrening, eksperimentering og maskinlæringsoperasjoner for datasientist-rollen.
Hvilket programmeringsspråk bør brukes i forberedelsene?
Kandidaten bør velge et språk som allerede er kjent, for eksempel C#, Python eller JavaScript, og fokusere på tjenestemønstre, autentisering og feilhåndtering. Eksamen handler mer om riktig bruk av Azure AI-tjenester enn om å bevise ferdighet i ett bestemt språk.
Holder det å lese Microsoft Learn?
Microsoft Learn er et viktig utgangspunkt, særlig den offisielle eksamenssiden og dokumentasjonen for hver tjeneste. For mange kandidater er det likevel nødvendig å bygge egne labber, feilsøke konfigurasjon og øve på scenarioer for å gjøre kunnskapen praktisk nok.
Slik blir forberedelsen mer robust
Den beste AI-102-forberedelsen kombinerer offisiell pensumkontroll, praktisk bygging og rolig eksamensteknikk. Kandidaten bør arbeide mot én realistisk referanseløsning, teste valg med kvalitet, latens og kost, og sørge for at sikkerhet, logging og ansvarlig AI ikke blir ettertanker.
Et godt neste steg er å sammenligne egne ferdigheter med AI-102-målene på Microsoft Learn og deretter fylle hullene med målrettede labber. Dersom strukturert opplæring passer bedre enn selvstudium alene, kan Readynez brukes som en del av planen, men eksamensberedskap kommer først når kandidaten kan forklare og feilsøke løsningene selv.
