Von KI beschreiben zu KI ausliefern: Microsoft Certified: Azure AI Engineer Associate (AI-102)

15. Mai 2024

  • Startseite
  • Blog
  • Von KI beschreiben zu KI ausliefern: Microsoft Certified: Azure AI Engineer Associate (AI-102)
Von KI beschreiben zu KI ausliefern: Microsoft Certified: Azure AI Engineer Associate (AI-102)

Im Mai 2024 habe ich die Prüfung AI-102 abgelegt und die Zertifizierung Microsoft Certified: Azure AI Engineer Associate erworben – das praktische, „bau-es"-Gegenstück zu den AI-900-Grundlagen, die ich wenige Monate zuvor bestanden hatte. Ich bin Thimo Buchheister, Gründer und Geschäftsführer der ThreeBIT GmbH in Ibbenbüren. Wo AI-900 fragte, ob ich KI auf Azure beschreiben kann, fragte AI-102, ob ich sie tatsächlich umsetzen kann: die Dienste bereitstellen, sie über SDKs und REST-APIs in eine Anwendung einbinden, ein Modell in den eigenen Daten eines Kunden verankern – und für das Ergebnis in Produktion geradestehen.

Microsoft Certified Associate-Abzeichen

Was Azure AI Engineer Associate ist

Das ist eine rollenbasierte Zertifizierung auf Associate-Niveau – Microsoft richtet sie an die Rolle der Azure-KI-Ingenieurin bzw. des Azure-KI-Ingenieurs, nicht an jemanden, der ein Vokabular-Briefing braucht. Die ganze Haltung ist eine andere als bei den Grundlagen. Während AI-900 keine Voraussetzungen hat und Menschen ohne technischen Hintergrund ausdrücklich willkommen heißt, setzt AI-102 voraus, dass man bereits Software schreiben kann.

Microsofts Anforderungsprofil ist deutlich: Als Azure-KI-Ingenieur „baut, verwaltet und betreibt" man KI-Lösungen auf Basis von Azure AI und ist an allen Phasen dieser Arbeit beteiligt – Anforderungsdefinition und Design, Entwicklung, Bereitstellung, Integration, Wartung, Performance-Tuning und Monitoring. Erwartet wird Erfahrung in der Entwicklung mit Python oder C# sowie Souveränität im Umgang mit REST-APIs und SDKs, um „sichere Bildverarbeitung, Videoverarbeitung, Verarbeitung natürlicher Sprache, Knowledge Mining und generative KI-Lösungen auf Azure" zu bauen. Man soll das Azure-KI-Portfolio und seine Datenspeicheroptionen verstehen und Responsible-AI-Prinzipien in der Praxis anwenden können – nicht nur aufsagen.

Mit anderen Worten: eine Zertifizierung für die Person, die das Ding zum Laufen bringen, ausliefern und am Laufen halten muss – was in einem kleinen Unternehmen häufig ich bin.

Es ist außerdem eine Zertifizierung mit eingebauter Uhr. Microsofts Associate-, Expert- und Specialty-Zertifizierungen laufen nach 12 Monaten ab und müssen erneuert werden – die Erneuerung ist allerdings kostenlos und erfolgt über eine Online-Bewertung auf Microsoft Learn, nicht durch erneutes Ablegen der vollständigen beaufsichtigten Prüfung. Warum ich diese jährliche Erneuerung für ein Feature und keine Pflichtübung halte, dazu gleich. (Eine Anmerkung der Genauigkeit halber: Microsoft hat angekündigt, dass die Prüfung AI-102 und dieser Zertifizierungspfad am 30. Juni 2026 zurückgezogen werden. Mein Nachweis bleibt bestehen; ich schreibe über die Prüfung so, wie ich sie erworben habe.)

Was sie tatsächlich bescheinigt

Die Prüfung verlangt nicht, KI-Workloads zu erkennen. Sie verlangt, sie zu implementieren – über sechs Kompetenzbereiche hinweg, deren Gewichtung zeigt, wo Microsoft den Schwerpunkt einer KI-Ingenieurin heute sieht:

  • Eine Azure-KI-Lösung planen und verwalten (20–25 %) – den passenden Azure-KI-Dienst für ein gegebenes Problem auswählen (generative KI, Vision, Sprache, Speech, Informationsextraktion, Knowledge Mining); KI-Ressourcen erstellen und bereitstellen; die richtigen SDKs installieren; Endpunkte bestimmen; KI in eine CI/CD-Pipeline einbinden; überwachen, Kosten verwalten und – entscheidend – die Lösung absichern: Kontoschlüssel schützen, Authentifizierung verwalten und KI verantwortungsvoll umsetzen, mit Content-Moderation, Inhaltsfiltern, Sperrlisten, Prompt Shields und Harm Detection.
  • Generative KI-Lösungen implementieren (15–20 %) – die Schlagzeilen-Domäne. Eine Azure-OpenAI-Ressource bereitstellen und ein Modell auswählen und deployen, Prompts absenden, um Code und natürlichsprachliche Antworten zu erzeugen, Bilder generieren und – der Teil, der in echten Projekten am meisten zählt – ein RAG-Muster umsetzen, indem man ein Modell in den eigenen Daten verankert. Hinzu kommen Prompt Flow, Prompt-Vorlagen, das Bewerten von Modellen und Flows, Prompt-Engineering-Techniken, das Steuern des generativen Verhaltens über Parameter sowie Fine-Tuning.
  • Eine agentische Lösung implementieren (5–10 %) – eigene Agenten bauen, auch mit dem Azure AI Foundry Agent Service, und Multi-Agenten-Workflows orchestrieren. Diese Domäne kam hinzu, als der Lehrplan mit dem Feld mitwanderte.
  • Computer-Vision-Lösungen implementieren (10–15 %) – Bilder analysieren (Objekterkennung, Tagging, OCR, Handschrift lesen), eigene Vision-Modelle trainieren und veröffentlichen und Erkenntnisse aus Videos gewinnen.
  • Lösungen zur Verarbeitung natürlicher Sprache implementieren (15–20 %) – Schlüsselbegriffe und Entitäten extrahieren, Sentiment, Spracherkennung, PII-Erkennung, Übersetzung, Text-to-Speech und Speech-to-Text sowie eigene Sprach- und Question-Answering-Modelle.
  • Knowledge Mining und Informationsextraktion implementieren (15–20 %) – Azure-AI-Search-Lösungen mit Indizes, Indexern, eigenen Skills und semantischer sowie Vektor-Suche bauen; und Document Intelligence – mit vorgefertigten und eigenen Modellen strukturierte Daten aus Dokumenten extrahieren.

Worauf es sich zu verweilen lohnt: Generative KI ist hier nun eine erstklassige, geprüfte Ingenieursdisziplin – kein Aufzählungspunkt. Als der AI-900-Grundlagen-Lehrplan aktualisiert wurde, wurde generative KI zu seinem größten Beschreib-es-Abschnitt. AI-102 ist die entsprechende Bau-es-Verpflichtung: Man muss Azure OpenAI aufsetzen, es mit RAG in echten Daten verankern, es bewerten und verantwortungsvoll operationalisieren. Genau dieser Weg – von „Was ist generative KI" zu „deploye sie, verankere sie, sichere sie ab" – ist der Weg, den unsere Kunden gegangen sind, und genau der Grund, warum ich beide Nachweise wollte.

Zur Mechanik: Es ist eine beaufsichtigte Prüfung mit 100 Minuten Bearbeitungszeit, die Bestehensgrenze liegt bei 700 auf Microsofts skalierter 1.000-Punkte-Skala, und sie wird in zehn Sprachen angeboten, darunter Englisch und Deutsch. Wer nicht besteht, kann nach 24 Stunden erneut antreten. Es ist in jeder Hinsicht eine ernsthafte Prüfung.

Softwareentwicklung am Bildschirm

Warum ich mich überhaupt zertifiziert habe

Ich führe ein Softwareunternehmen. Ich könnte die Dokumentation lesen – und tue es auch. Warum also als Gründer eine beaufsichtigte Ingenieursprüfung auf Associate-Niveau buchen, statt sie an eine Entwicklerin zu delegieren?

Drei ehrliche Gründe.

Erstens: AI-900 ließ eine Lücke, die nur eine praktische Prüfung schließen konnte. Die Grundlagen gaben mir die Landkarte: das Vokabular, die Responsible-AI-Prinzipien, ein nüchternes Gespür dafür, welcher Workload welchen Dienst will. Aber eine Karte ist nicht das Gelände. Es ist ein echter Unterschied, ob man weiß, dass RAG ein Modell in den eigenen Daten verankert, oder ob man den Suchindex tatsächlich bereitgestellt, den Retrieval-Schritt geschrieben und beobachtet hat, was passiert, wenn das Modell selbstbewusst ein Dokument zitiert, das gar nicht das aussagt, was es behauptet. AI-102 zwang mich durchs Gelände – die SDKs, die Deployment-Optionen, die Fehlermodi – nicht nur durch die Legende auf der Karte.

Zweitens: Glaubwürdigkeit, die konkret ist, nicht generisch. „Wir machen KI" ist Rauschen; das sagt jeder Laden. Auf einen Microsoft-Nachweis verweisen zu können, der bescheinigt, dass ich eine Azure-KI-Lösung entwerfen und umsetzen kann – Azure OpenAI, Azure AI Search, das Responsible-AI-Tooling –, ist ein konkretes, überprüfbares Signal an einen Kunden, der dem KI-Hype zu Recht skeptisch gegenübersteht. Es ist derselbe Instinkt hinter jedem Abzeichen, das wir tragen: zeigen, nicht auf Treu und Glauben bauen lassen.

Drittens – der Grund des Gründers: Ich verlange von meinem Team keine Leiter, von der ich selbst befreit bin. Wenn Zertifizierung Teil der Art ist, wie ThreeBIT Kompetenz nachweist, gehört die Person an der Spitze auf dieselben Sprossen. Den Associate-Nachweis selbst zu erwerben, samt Prüfungsdruck, ist ein günstiger und ehrlicher Weg, das echt zu halten. Und die jährliche Erneuerung hält es über die Zeit ehrlich: In einem Feld, das seine eigene Landkarte alle paar Monate neu zeichnet, ist ein Nachweis, der stillschweigend abläuft, sofern man sich nicht jedes Jahr neu damit befasst, genau die richtige Form. Es ist keine Trophäe im Regal, sondern eine stehende Verpflichtung, am Ball zu bleiben.

Wie sich das in unserer Arbeit bei ThreeBIT zeigt

Hier hört der Lehrplan auf, abstrakt zu sein. ThreeBIT baut Software für Branchen, in denen ein Defekt kein kosmetischer Schönheitsfehler ist – sondern ein verpasster Export, eine fehlgeschlagene Zahlung oder ein Compliance-Befund. Unsere Kunden sind überwiegend deutsch und häufig reguliert, und sie wollen zunehmend KI innerhalb dieser Systeme: ein Dokument, das sich selbst klassifiziert und ausliest, eine Suche, die Absicht statt Stichwörter versteht, einen Support-Flow, der eine fundierte Antwort entwirft. Die interessante Frage ist nie „kann es?" – sie lautet „sollte es, und können wir beweisen, dass es sich korrekt verhält?".

Ein Team-Meeting rund um Laptops Genau dieses Gelände bescheinigt AI-102, und so bilden sich die Domänen auf das ab, was wir tatsächlich bauen:

  • Generative KI mit Verankerung (RAG), kein frei schwebender Chat. Wenn wir ein Sprachmodell in die Nähe eines Kunden-Workflows bringen, lassen wir es nicht aus seinen Trainingsdaten improvisieren – wir verankern es in den eigenen Dokumenten des Kunden per Retrieval, sodass Antworten auf eine Quelle zurückführen, die der Kunde kontrolliert und prüfen kann. Die RAG- und Azure-AI-Search-Ziele der Prüfung sind für mich keine Theorie; sie sind die Standardarchitektur für jedes KI-Feature, das vertrauenswürdig sein muss.
  • Document Intelligence auf echtem Papierkram. Das deutsche Geschäft läuft auf Dokumenten – Rechnungen, Lieferscheinen, Verträgen, Formularen. Die Document-Intelligence- und Knowledge-Mining-Fähigkeiten bilden direkt darauf ab, strukturierte, validierte Daten aus diesem Papierkram zu extrahieren, statt einen Menschen alles neu eintippen zu lassen – wobei die Ausgabe des Modells geprüft und nicht blind geglaubt wird.
  • Computer Vision dort, wo sie sich rechtfertigt. Nicht jedes Problem will ein großes Sprachmodell. Die Vision-Domäne von AI-102 – und die Disziplin, klassische Vision oder ein eigens trainiertes Modell einer generativen Lösung vorzuziehen, wenn das die bessere, günstigere, prüfbarere Wahl ist – macht mich zu einem besseren Verwalter eines Kundenbudgets und einem besseren Richter darüber, welches Werkzeug wirklich passt.
  • Daten bleiben im Tenant. Das ist der nicht verhandelbare Punkt. Für einen regulierten deutschen Kunden ist wohin die Daten gehen das ganze Gespräch. Der Fokus der Prüfung auf das Planen, Absichern und Verwalten der Lösung – Schlüsselschutz, Authentifizierung, Inhaltsfilterung, Monitoring – ist der Teil, der es uns erlaubt, KI zu bauen, die die Daten eines Kunden innerhalb seines eigenen Azure-Tenants hält, unter seiner Governance, statt sie irgendwohin zu schicken, wofür wir nicht geradestehen können.

Dieser letzte Punkt ist der eigentliche Ertrag dieser Zertifizierung. AI-900 machte mich im Warum der Responsible AI fließend. AI-102 machte mich im Wie des Bauens kompetent – Azure OpenAI bereitstellen, es in Tenant-Daten verankern, die Schlüssel absichern, die Ausgabe filtern, das Verhalten überwachen. Für die Kunden, die wir betreuen, ist diese Kombination kein Nice-to-have. Sie ist der Unterschied zwischen einem KI-Feature, das sie einem Prüfer vorlegen können, und einem, das einzuschalten sie nicht riskieren dürfen.

Die Grundlagen sagten mir, wie gut aussieht. Der Ingenieurs-Nachweis ist der Teil, der es mir erlaubt, es auszuliefern – beim ersten Mal, für Menschen, die sich nicht leisten können, dass es schiefgeht.

Verify: https://learn.microsoft.com/api/credentials/share/en-us/buchheister/20170DBC5AC04E38?sharingId=C72B4F60A795D7E4

Bildnachweise

Alle Bilder werden unter ihren jeweiligen Creative-Commons- oder Public-Domain-Bedingungen verwendet; wir danken den Urhebern.

Microsoft Certified Azure AI Engineer Associate AI-102 Certification AI Azure OpenAI
ZUM BLOG