Examen blanc : Certified Generative AI Engineer Associate

Banque de 105 questions · examen blanc chronométré 90 min

Page de l'examen chez l'éditeur (s'ouvre dans un nouvel onglet) Guide officiel de l'examen (s'ouvre dans un nouvel onglet) Cours de préparation officiel (s'ouvre dans un nouvel onglet)

  • Développement d'applications 29 questions
  • Assemblage et déploiement des applications 25 questions
  • Évaluation et supervision 16 questions
  • Préparation des données 15 questions
  • Conception des applications 12 questions
  • Gouvernance 8 questions

Gratuit : 25 questions en mode étude, tous domaines, sans compte.

Abonnement : les 105 questions de cette certification, le mode examen chronométré, et toutes les autres certifications.

S'abonner · 9,99 € / mois

Paiement sécurisé par carte (Stripe) · Sans engagement · Résiliable en ligne

Préparer Certified Generative AI Engineer Associate avec InfraPrep

Les 105 questions couvrent 6 domaines : Développement d'applications, Assemblage et déploiement des applications, Évaluation et supervision, Préparation des données, Conception des applications, Gouvernance. 25 d'entre elles sont gratuites, sans compte.

Mode étude

Répondez à votre rythme : chaque réponse est corrigée immédiatement, avec une explication et le lien vers la documentation sur laquelle elle s'appuie.

Mode examen

Un examen chronométré de 90 minutes, avec un plan des questions pour y revenir avant de valider.

Résultats par domaine

Votre score est détaillé sur les 6 domaines ci-dessus : vous savez lequel revoir en priorité.

Questions originales

Rédigées à partir de la documentation Databricks, jamais copiées de l'examen. Une réponse vous semble fausse ? Contestez-la depuis le mode étude : elle est réexaminée.

Et dans votre entreprise ?

D'un besoin métier à un agent qui tient en production : outils, RAG sur un corpus réel, permissions, journaux, évaluation. Formation « Agents et RAG », deux jours à distance.

IAboutique est un site du même éditeur qu'InfraPrep.

10 exemples de questions gratuites

Question 1 Conception des applications

Un ingénieur en IA générative construit un pipeline qui envoie des avis sur des produits à un modèle de chat servi par Foundation Model APIs. Un traitement en aval analyse chaque réponse et échoue dès qu'un champ manque ou porte un autre nom. L'équipe pourrait plus tard passer à un modèle d'un autre fournisseur et ne veut pas réécrire la requête. Que doit faire l'ingénieur pour que chaque réponse respecte un ensemble fixe de champs JSON ?

  1. Abaisser la temperature à 0 pour que chaque réponse utilise les mêmes noms de champs
  2. Définir max_tokens sur une petite valeur pour que le modèle ne puisse pas ajouter de champs
  3. Passer un schéma JSON dans le champ response_format de la requête de chat
  4. Activer les inference tables pour que les réponses mal formées soient journalisées et relancées
Voir la réponse et l'explication

Bonne réponse : C

les structured outputs de Databricks se demandent via le champ response_format, qui peut porter un schéma JSON, et le même format de requête fonctionne quel que soit le fournisseur du modèle.

Source : documentation officielle

Question 2 Préparation des données

Les runbooks internes d'une entreprise sont rédigés en Markdown. Chaque runbook a des titres clairs (## Symptoms, ## Cause, ## Fix), et chaque section est autonome. Un premier prototype découpait le texte tous les 1 000 caractères, et les chunks récupérés commencent souvent au milieu d'une section et se terminent dans la suivante. Quelle stratégie de chunking l'ingénieur doit-il essayer ensuite ?

  1. Garder le découpage à taille fixe mais doubler la taille des chunks à 2 000 caractères
  2. Découper sur les titres Markdown pour que chaque chunk suive une frontière de section
  3. Supprimer tout chevauchement entre chunks pour que les sections ne débordent plus
  4. Embedder chaque runbook entier comme un seul chunk, quelle que soit sa longueur
Voir la réponse et l'explication

Bonne réponse : B

le Markdown a une structure propre qui peut définir les frontières des chunks ; un chunking adapté au format, sur les titres, garde ensemble chaque section autonome.

Source : documentation officielle

Question 3 Développement d'applications

Un ingénieur prototype un agent LangGraph dans un notebook et veut lui donner un outil de récupération qui interroge un index Databricks AI Search existant, puis lier cet outil au LLM pour tester localement l'appel d'outils. Quel package Databricks doit-il utiliser pour construire cet outil de récupération ?

  1. databricks-langchain, qui fait partie de Databricks AI Bridge
  2. mlflow-skinny, le client MLflow allégé
  3. databricks-connect, le client Spark distant
  4. langchain-text-splitters, la bibliothèque de chunking
Voir la réponse et l'explication

Bonne réponse : A

les packages Databricks AI Bridge tels que databricks-langchain (et databricks-openai) fournissent des utilitaires comme VectorSearchRetrieverTool pour construire localement un outil de récupération AI Search.

Source : documentation officielle

Question 4 Conception des applications

Une équipe d'analyse d'un assureur stocke des notes de sinistre en texte libre dans une table Unity Catalog. Le métier veut que chaque note soit étiquetée avec l'une de cinq catégories fixes (vol, dégât des eaux, incendie, responsabilité civile, autre) directement dans une requête SQL, avec le moins de travail de prompt personnalisé possible. Quelle approche correspond le mieux à ce besoin ?

  1. Appeler ai_extract avec un schéma qui liste les cinq catégories comme champs
  2. Appeler ai_parse_document sur les notes pour en obtenir d'abord la mise en page
  3. Appeler ai_query avec un prompt écrit à la main qui liste les cinq catégories
  4. Appeler ai_classify en fournissant les cinq catégories comme libellés
Voir la réponse et l'explication

Bonne réponse : D

la tâche est une classification dans un ensemble fixe de libellés, ce que fait précisément la fonction spécialisée ai_classify, et Databricks recommande de commencer par une fonction d'IA spécialisée lorsqu'elle correspond à l'objectif.

Source : documentation officielle

Question 5 Préparation des données

Un assistant RAG est construit sur 4 000 manuels de produits exportés en PDF. Chaque page porte le même en-tête avec l'adresse de l'entreprise et un pied de page avec une mention de copyright. Les relecteurs constatent que beaucoup de chunks récupérés sont dominés par ce texte répété. Quelle modification du pipeline s'attaque à la cause racine ?

  1. Nettoyer le texte analysé pour supprimer les en-têtes et pieds de page répétés
  2. Faire passer le nombre de chunks récupérés de 5 à 20 par requête
  3. Passer à un modèle d'embedding doté d'une fenêtre d'embedding plus grande
  4. Ajouter le texte de copyright au prompt système sous forme d'instruction
Voir la réponse et l'explication

Bonne réponse : A

le bruit vient des documents sources. Nettoyer le texte extrait pour retirer le contenu non pertinent, comme les en-têtes et les pieds de page, réduit les informations inutiles que la chaîne RAG doit traiter.

Source : documentation officielle

Question 6 Développement d'applications

En examinant les réponses d'un assistant RAG, un relecteur trouve des réponses qui indiquent des durées de garantie n'apparaissant dans aucun des chunks renvoyés par le retriever. L'équipe n'a pas encore de réponses de référence. Quel juge LLM MLflow intégré cible le plus directement ce problème ?

  1. Correctness
  2. RetrievalGroundedness
  3. RetrievalSufficiency
  4. ToolCallCorrectness
Voir la réponse et l'explication

Bonne réponse : B

le problème est une réponse qui n'est pas appuyée par le contexte récupéré (une hallucination). RetrievalGroundedness évalue si la réponse est ancrée dans le contexte fourni, et il ne nécessite pas de vérité terrain.

Source : documentation officielle

Question 7 Conception des applications

Un chatbot RAG répond bien à la première question d'une conversation, mais les questions de suivi comme « et la deuxième option ? » récupèrent des chunks sans rapport, car le texte brut de la question de suivi est envoyé tel quel au retriever. Quel composant de la chaîne l'ingénieur doit-il ajouter, et à quel endroit ?

  1. Une étape de prétraitement de la requête qui la reformule avant la récupération
  2. Une étape de post-traitement qui ajoute des citations après la génération
  3. Une valeur de top-k plus grande à l'étape de récupération, sans autre changement
  4. Un filtre de modération de contenu appliqué à la réponse générée
Voir la réponse et l'explication

Bonne réponse : A

le problème vient de la requête de récupération. Une étape de prétraitement placée avant la récupération peut utiliser un modèle pour reformuler la question de suivi en une requête autonome (par exemple en paraphrasant l'historique de la conversation) qui représente mieux l'intention de l'utilisateur.

Source : documentation officielle

Question 8 Préparation des données

La source de connaissances d'une nouvelle application RAG est un ensemble de pages web enregistrées (fichiers .html) d'un wiki interne. L'ingénieur doit parcourir la structure des pages et extraire le texte des articles avant le chunking. Quel package Python est conçu pour cette étape d'analyse ?

  1. PyPDF2
  2. BeautifulSoup
  3. Spark ML MinHashLSH
  4. LangChain CharacterTextSplitter
Voir la réponse et l'explication

Bonne réponse : B

BeautifulSoup (comme lxml) est une bibliothèque d'analyse HTML qui parcourt la structure du HTML et extrait le texte voulu des pages web.

Source : documentation officielle

Question 9 Développement d'applications

Une équipe choisit entre deux stratégies de chunking pour son application RAG. Avec la stratégie 2, les réponses finales obtiennent un score un peu meilleur en correctness, mais l'équipe ne peut pas dire si le retriever s'est réellement amélioré ou si le LLM a simplement compensé. Comment l'équipe doit-elle évaluer les deux stratégies avant d'en choisir une ?

  1. Comparer uniquement la correctness des réponses finales, puisque c'est ce que voient les utilisateurs
  2. Comparer uniquement le nombre total de tokens, puisque des chunks plus petits coûtent moins cher
  3. Mesurer des métriques de récupération et des métriques de réponse pour chaque stratégie
  4. Choisir la stratégie aux chunks les plus petits, puisqu'ils sont plus précis
Voir la réponse et l'explication

Bonne réponse : C

une application RAG peut répondre mal avec un contexte correct, ou bien répondre bien malgré une récupération défectueuse. Mesurer à la fois les métriques de récupération (comme la pertinence des chunks ou le rappel des documents) et les métriques de réponse est le seul moyen de voir ce que le changement de chunking a réellement produit.

Source : documentation officielle

Question 10 Conception des applications

Un responsable des achats déclare : « Nous recevons des milliers de factures fournisseurs au format PDF et nous voulons un tableau avec le nom du fournisseur, le total de la facture et la date d'échéance pour chacune. » Lorsqu'on traduit cet objectif en entrées et sorties d'un pipeline d'IA construit avec Agent Bricks Information Extraction, quelle description est correcte ?

  1. Entrée : une table Delta de totaux ; sortie : un résumé libre de chaque fournisseur
  2. Entrée : des factures sous forme de documents non structurés ; sortie : des champs qui suivent un schéma défini
  3. Entrée : une question d'utilisateur dans un chat ; sortie : une réponse avec des citations de documents
  4. Entrée : des embeddings précalculés ; sortie : les documents de factures les plus similaires
Voir la réponse et l'explication

Bonne réponse : B

Information Extraction prend en entrée des documents ou du texte non structurés (comme des PDF) et produit des informations structurées qui suivent un schéma que vous définissez, ce qui correspond à un tableau fournisseur, total et date d'échéance.

Source : documentation officielle

Questions fréquentes

Peut-on essayer gratuitement les questions Certified Generative AI Engineer Associate ?

Oui. 25 des 105 questions Certified Generative AI Engineer Associate sont gratuites en mode étude, réparties sur ses 6 domaines, sans abonnement ni inscription. Un compte n'est créé que si vous vous abonnez, à la commande.

Que débloque l'abonnement, et peut-on résilier ?

Les 105 questions Certified Generative AI Engineer Associate, l'examen chronométré de 90 minutes et toutes les autres certifications du site, pour un seul prix mensuel sans durée minimale. Vous résiliez en ligne, à tout moment, avec la fonction « Résilier votre contrat » dans Mon compte ; la résiliation prend effet à la fin du mois déjà payé, puis aucun nouveau prélèvement n'a lieu.

Comment sont rédigées les questions Certified Generative AI Engineer Associate ?

Chacune est originale, rédigée à partir de la documentation publique de l'éditeur (Databricks), jamais copiée de l'examen. Son explication renvoie à la page de documentation sur laquelle elle s'appuie : vous pouvez vérifier la réponse vous-même.

Dans quelle langue sont les questions ?

Les questions sont rédigées en anglais. Quand une traduction française existe pour une question, la version française du site l'affiche.