AI-102 är certifieringsexamen för Microsoft Certified: Azure AI Engineer Associate, riktad till utvecklare och ingenjörer som designar och implementerar AI-lösningar med Microsoft Azure.
Senast uppdaterad: 2026, med fokus på AI-102:s nuvarande kompetensmål och de tjänster som normalt ingår i rollen som Azure AI Engineer: Azure AI Services, Azure AI Search och Microsoft Bot Framework.
Den som förbereder sig för AI-102 behöver mer än en lista över tjänster. Examen testar förmågan att välja rätt Azure AI-komponent, koppla ihop den med data, skydda lösningen och felsöka när något inte fungerar. Det gör provet annorlunda än en ren produktkunskapstest. Frågorna är ofta scenariobaserade och kräver att kandidaten känner igen vad som är tekniskt rimligt, säkert och driftbart.
Microsoft Learn beskriver AI-102 som en examen för att designa och implementera Azure AI-lösningar. Det omfattar bland annat Vision, Language, Speech, Document Intelligence, Azure AI Search och Bot Framework. En vanlig fallgrop är därför att lägga nästan all studietid på generativ AI och missa de klassiska tjänsterna som fortfarande bär många praktiska lösningar: dokumenttolkning, språkanalys, talflöden, sökindex och konversationsgränssnitt.
Vad AI-102 egentligen mäter
AI-102 handlar inte om att kunna varje knapp i Azure Portal utantill. Den mäter om kandidaten kan omsätta ett affärsproblem till en fungerande AI-arkitektur i Azure. I praktiken innebär det att förstå när en färdig Azure AI-tjänst räcker, när data behöver berikas, hur resultat ska indexeras, hur en applikation konsumerar tjänsten och hur åtkomst styrs.
Ett användbart mentalt referensark är att tänka i ett end-to-end-flöde: data kommer in, berikas med Azure AI Services, indexeras i Azure AI Search, exponeras via en applikation som en bot, ett API eller en Azure Function, och skyddas med Key Vault, managed identities och rollbaserad åtkomstkontroll. Många provscenarier antyder just en sådan kedja, även när frågan bara nämner en del av lösningen.
Det gör också att enkla definitionskunskaper sällan räcker. En kandidat kan veta vad Document Intelligence gör men ändå missa hur utdata bör mappas till ett sökindex. På samma sätt kan någon förstå Azure AI Search på ytan men välja fel fälttyper, glömma filterbara attribut eller skapa ett indexschema som gör senare sökfrågor svåra att lösa.
Bygg för scenarioförståelse, inte memorering
Den mest effektiva förberedelsen är att bygga små lösningar som efterliknar provets scenarier. Ett exempel är ett RAG-liknande flöde där PDF- eller textinnehåll läses in, berikas med språktjänster, indexeras i Azure AI Search och används av ett applikationslager som returnerar svar med källhänvisningar. En sådan övning tränar samtidigt dataintag, indexdesign, grounding, säkerhet och felsökning.
Ansvarsfull användning av generativ AI bör också ingå i övningarna. I praktiken betyder det att lösningen har innehållsfiltrering där det är relevant, att promptar inte läcker hemligheter, att svar kan spåras till källor och att användaren får veta när underlaget är osäkert. Den typen av tänkande passar väl med hur moderna AI-lösningar bedöms: inte bara om svaret fungerar, utan om lösningen kan användas kontrollerat.
En enkel självskattning inför bokning av examen är om kandidaten kan förklara en kedjad lösning från början till slut: val av modell eller tjänst, dataintag och berikning, indexering och sök, applikationslager, säkerhet med Key Vault och RBAC samt driftsättning och övervakning. Readynez använder ofta den typen av praktisk rollorienterad struktur i utbildningssammanhang, eftersom den speglar hur arbetet faktiskt utförs snarare än hur en dokumentationssida är organiserad.
En realistisk studieplan på fyra till sex veckor
Studieplanen bör vara tidsboxad och byggas kring resultat som går att demonstrera. Fyra veckor kan räcka för en person som redan arbetar med Azure och utveckling. Sex veckor är mer rimligt för den som behöver repetera både Azure-grunder och flera AI-tjänster. Målet är inte att läsa allt, utan att kunna bygga, förklara och felsöka typiska lösningsmönster.
- Vecka 1: Gå igenom AI-102:s kompetensmål på Microsoft Learn och skapa en labbmiljö med separata resursgrupper, tydliga namn och budgetvarningar.
- Vecka 2: Bygg övningar med Vision, Language, Speech och Document Intelligence, och dokumentera när varje tjänst passar.
- Vecka 3: Skapa ett Azure AI Search-index, testa indexeringsflöden, filter, facetter och semantisk sökning där det är relevant.
- Vecka 4: Koppla ett applikationslager till lösningen, exempelvis en bot eller ett API, och säkra anslutningar med managed identity, Key Vault och RBAC.
- Vecka 5: Repetera svaga områden med scenariobaserade frågor och bygg om lösningar utan att följa steg-för-steg-instruktioner.
- Vecka 6: Träna på felsökning, granska arkitekturval och gör en sista genomgång av Microsofts examenssida och tjänstdokumentation.
Planen fungerar bäst när varje vecka avslutas med en kort egen genomgång: vad byggdes, vilka beslut togs, vad gick fel och hur löstes det? Det stärker den typ av resonemang som behövs under examen. Om svaret på en fråga känns osäkert är det ofta bättre att rita upp resurserna och deras ansvar än att försöka minnas en formulering från kursmaterial.
Labbmiljö: håll den enkel, säker och billig att städa
En bra labbmiljö behöver inte vara stor. Den behöver däremot vara konsekvent. Använd separata resursgrupper för AI-102-labbar, namnge resurser efter syfte och miljö, och sätt taggar som gör det lätt att hitta och rensa sådant som inte längre används. Dagliga budgetvarningar är ett praktiskt skydd mot oväntade avgifter när flera AI-tjänster, indexerare eller testresurser används parallellt.
Det är också klokt att återanvända vissa komponenter. En resursgrupp för sök, en för AI-tjänster och en för applikationslagret gör det lättare att förstå beroenden. Samtidigt bör hemligheter aldrig spridas i kod, notebookar eller konfigurationsfiler. Nycklar och anslutningssträngar hör hemma i Key Vault, och där det går bör managed identities användas i stället för statiska hemligheter.
Skärmdumpar kan vara användbara i egna anteckningar, särskilt för att minnas var testkonsoler, indexdefinitioner och åtkomstinställningar finns i portalen. De bör däremot inte ersätta förståelse. Azure Portal ändras över tid, medan begreppen bakom resursgrupper, identiteter, indexfält, kognitiva färdigheter och tjänstkvoter består längre.
Vanliga fallgropar i AI-102-förberedelser
Den första fallgropen är att behandla varje tjänst isolerat. AI-102-scenarier beskriver ofta en kedja av beslut. Om ett dokument ska tolkas, berikas och göras sökbart räcker det inte att veta vilken tjänst som extraherar text. Kandidaten behöver också förstå hur resultatet struktureras, hur det indexeras och hur applikationen hittar tillbaka till källan.
En andra fallgrop är felaktiga indexscheman i Azure AI Search. Fält som senare ska filtreras, sorteras eller facetteras måste vara utformade för det från början. Om schemat inte stödjer användarens sökbeteende kan applikationslagret bli onödigt komplicerat. Provfrågor tenderar att belöna den lösning som placerar ansvaret i rätt lager.
En tredje fallgrop är otydlig hantering av kognitiva färdigheter och deras körordning. När berikning sker i flera steg spelar det roll vilka data som finns tillgängliga i varje steg och hur utdata mappas vidare. Det märks särskilt i lösningar där dokumentanalys, entitetsigenkänning och sökindexering kombineras.
Slutligen missas säkerheten ofta i praktiska övningar. En lösning kan fungera i labben med hårdkodade nycklar men vara fel vald i ett examensscenario som kräver kontrollerbar åtkomst. Key Vault, RBAC och managed identities bör därför inte ses som sidospår. De är en del av den lösningsdesign som en Azure AI Engineer förväntas kunna motivera.
Hur examinatorns scenarier bör läsas
Många AI-102-frågor kan läsas som små designärenden. Kunden har en datakälla, ett krav på svarstid eller säkerhet, en befintlig Azure-miljö och ett mål för hur AI-funktionen ska användas. Den bästa strategin är att först identifiera begränsningarna. Handlar frågan om val av tjänst, minsta möjliga kod, rätt säkerhetsmodell, bättre sökkvalitet eller driftbarhet?
När flera svar verkar rimliga bör kandidaten fråga vilket alternativ som ger minst friktion och bäst passar Azure-tjänsternas avsedda ansvar. Om ett färdigt API löser kravet är det sällan klokt att välja en mer komplex arkitektur. Om scenariot däremot kräver sökbarhet, källspårning och filtrering över dokument behöver sökindexet vara en förstklassig del av lösningen.
Det är också viktigt att skilja mellan vad som är möjligt och vad som är mest korrekt i ett provscenario. Det går ofta att lösa problem på flera sätt i verkligheten. AI-102 premierar vanligtvis den lösning som passar rollen, tjänstens dokumenterade användningsområde och kraven i frågan utan onödiga omvägar.
Felsökning som en del av studierna
Felsökning bör inte sparas till slutet. Den bör byggas in i varje labb. När en tjänst inte svarar, ett index inte fylls eller en bot returnerar fel resultat tränas just de färdigheter som skiljer ytlig produktkunskap från verklig implementationsförmåga.
Ett praktiskt felsökningsmönster är att börja med anslutningen. Kontrollera att resursen finns i rätt region, att endpoint och autentisering stämmer, att identiteten har rätt roll och att tjänstkvoter inte blockerar anropet. Därefter bör dataflödet kontrolleras: kommer rätt innehåll in, berikas det som tänkt, och hamnar rätt fält i indexet?
Azure Portalens testkonsoler är ofta ett snabbt sätt att isolera fel. De kan visa om problemet ligger i tjänsten, i anropet från applikationen eller i det dataformat som skickas in. För mer tekniska kontroller kan Azure CLI användas för att verifiera resursinformation och rolltilldelningar utan att klicka runt i portalen.
Följande korta exempel visar hur en kandidat kan kontrollera att en managed identity har relevant åtkomst till ett Key Vault innan en applikation försöker läsa hemligheter under körning.
Example — verifiera rolltilldelning mot Key Vault
az role assignment list \
--assignee "ai-app-managed-identity" \
--scope "/subscriptions/11111111-1111-1111-1111-111111111111/resourceGroups/rg-ai102-lab/providers/Microsoft.KeyVault/vaults/kv-ai102-lab" \
--output table
Kommandot kontrollerar om identiteten har rolltilldelning på rätt scope. Om listan är tom eller visar fel scope bör åtkomsten korrigeras innan applikationskoden felsöks. Lärdommen är enkel: isolera identitet och behörighet först, annars riskerar felsökningen att fastna i fel lager.
Vad som bör repeteras sista veckan
Sista veckan bör inte fyllas med ny teori. Den bör användas till att täta luckor. Kandidaten bör gå tillbaka till Microsoft Learn-examenssidan, jämföra de officiella kompetensmålen med egna labbar och markera områden som fortfarande känns svaga. Om en punkt inte kan förklaras med ett konkret exempel behöver den repeteras.
Det är särskilt värdefullt att repetera tjänsteval. När passar Azure AI Language jämfört med en sökbaserad lösning? När behövs Document Intelligence i stället för enkel textinläsning? När är Bot Framework relevant, och när räcker ett API eller en webapp? Sådana frågor tränar det beslutsmönster som provet ofta kräver.
Den sista repetitionen bör också omfatta säkerhet och drift. Gå igenom hur hemligheter hanteras, hur RBAC skiljer sig från nyckelbaserad åtkomst, hur loggar och testkonsoler kan användas, och hur källspårning förbättrar tilliten i generativa svar. Det är ofta i dessa detaljer som ett annars fungerande svar blir mer robust.
Vanliga frågor om AI-102
Är AI-102 bara relevant för utvecklare?
Nej. Examen passar främst utvecklare och ingenjörer som implementerar AI-lösningar i Azure, men även lösningsarkitekter och tekniska teamledare kan ha nytta av innehållet. Den kräver dock praktisk förståelse för hur tjänster kopplas ihop, inte bara övergripande AI-kunskap.
Behöver man kunna programmera för att klara AI-102?
Man bör kunna läsa och förstå kodnära exempel, API-anrop, konfiguration och integrationsmönster. Examen är inte ett rent kodprov, men rollen som Azure AI Engineer innebär att AI-tjänster ska implementeras i verkliga applikationer.
Räcker det att läsa Microsoft Learn?
Microsoft Learn är en nödvändig källa för examensmål och tjänstedokumentation, men läsning bör kombineras med labbar. AI-102 testar ofta förmågan att välja och koppla ihop tjänster i scenarier, vilket är svårt att lära sig enbart genom teori.
Hur lång tid bör man lägga på förberedelser?
En realistisk tidsram är fyra till sex veckor för den som redan har Azure- och utvecklingserfarenhet. Den som är ny inom Azure AI bör planera mer tid för att bygga labbar och förstå hur tjänsterna samverkar.
Att gå från provförberedelse till användbar kompetens
AI-102 blir mest värdefull när förberedelsen liknar arbetet efter certifieringen. Kandidaten bör därför bygga små men hela lösningar, öva på säker åtkomst, skapa sökindex som stöder verkliga frågor och felsöka systematiskt när något går fel. Det ger bättre provberedskap och mer användbar kompetens i projekt där Azure AI ska implementeras.
En praktisk nästa steg är att jämföra den egna kunskapen mot AI-102:s kompetensmål och välja två eller tre scenarier att bygga från grunden. Den som vill ha ett mer strukturerat upplägg kan använda Readynez som stöd för att planera studierna, men kärnan är densamma: förstå arkitekturen, bygg den själv och kunna motivera varje tekniskt val.
