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)

Guide de l'examen : format, domaines et préparation

Comparatif : NCA-GENL vs Databricks Generative AI Engineer Associate

  • 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
Mode étude (gratuit) Mode examen (abonnés)

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 par domaine : vous savez quoi revoir en priorité.

Questions originales

Chaque question est rédigée à partir de la documentation publique, jamais copiée de l'examen. Vous pouvez contester une réponse depuis le mode étude.

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.

5 exemples de questions gratuites

Ces questions sont rédigées en anglais.

Question 1 Conception des applications

A Generative AI Engineer is building a pipeline that sends product reviews to a chat model served by Foundation Model APIs. A downstream job parses every reply and fails whenever a field is missing or named differently. The team may later switch to a model from another provider and does not want to rewrite the request. What should the engineer do so that each reply follows a fixed set of JSON fields?

  1. Lower the temperature to 0 so that every reply uses the same field names
  2. Set max_tokens to a small value so the model cannot add extra fields
  3. Pass a JSON schema in the response_format field of the chat request
  4. Enable inference tables so malformed replies are logged and retried
Voir la réponse et l'explication

Bonne réponse : C

Databricks structured outputs are requested through the response_format field, which can carry a JSON schema, and the same request format works regardless of the model provider.

Source : documentation officielle

Question 2 Préparation des données

A company's internal runbooks are written in Markdown. Each runbook has clear headings (## Symptoms, ## Cause, ## Fix), and each section is self-contained. A first prototype split the text every 1,000 characters, and retrieved chunks often start in the middle of one section and end in the next. Which chunking strategy should the engineer try next?

  1. Keep fixed-size splitting but double the chunk size to 2,000 characters
  2. Split on the Markdown headers so each chunk follows a section boundary
  3. Remove all overlap between chunks so sections no longer bleed together
  4. Embed each full runbook as a single chunk regardless of its length
Voir la réponse et l'explication

Bonne réponse : B

Markdown has an inherent structure that can define chunk boundaries, so format-specific chunking on headers keeps each self-contained section together.

Source : documentation officielle

Question 3 Développement d'applications

An engineer is prototyping a LangGraph agent in a notebook and wants to give it a retriever tool that queries an existing Databricks AI Search index, then bind that tool to the LLM to test tool calling locally. Which package does Databricks point to for building this retriever tool?

  1. databricks-langchain, part of Databricks AI Bridge
  2. mlflow-skinny, the lightweight MLflow client
  3. databricks-connect, the remote Spark client
  4. langchain-text-splitters, the chunking library
Voir la réponse et l'explication

Bonne réponse : A

Databricks AI Bridge packages such as databricks-langchain (and databricks-openai) provide helpers such as VectorSearchRetrieverTool to build an AI Search retriever tool locally.

Source : documentation officielle

Question 4 Conception des applications

An insurance analytics team stores free-text claim notes in a Unity Catalog table. The business wants each note tagged with one of five fixed categories (theft, water damage, fire, liability, other) directly in a SQL query, with as little custom prompt work as possible. Which approach best matches this requirement?

  1. Call ai_extract with a schema listing the five categories as fields
  2. Call ai_parse_document on the notes to obtain their layout first
  3. Call ai_query with a hand-written prompt listing the five categories
  4. Call ai_classify with the five categories supplied as the labels
Voir la réponse et l'explication

Bonne réponse : D

The task is classification into a fixed label set, which is exactly what the task-specific ai_classify function does, and Databricks recommends starting with a task-specific AI function when one matches the objective.

Source : documentation officielle

Question 5 Préparation des données

A RAG assistant is built on 4,000 product manuals exported as PDFs. Every page carries the same header with the company address and a footer with a copyright line. Reviewers notice that many retrieved chunks are dominated by this repeated text. Which pipeline change addresses the root cause?

  1. Clean the parsed text to remove the repeated headers and footers
  2. Increase the number of retrieved chunks from 5 to 20 per query
  3. Switch the embedding model to one with a larger embedding window
  4. Add the copyright text to the system prompt as an instruction
Voir la réponse et l'explication

Bonne réponse : A

The noise comes from the source documents. Cleaning the extracted text to remove irrelevant content such as headers and footers reduces the unnecessary information the RAG chain must process.

Source : documentation officielle

Questions fréquentes

Y a-t-il des questions gratuites, faut-il un compte ?

Oui. 25 questions de cette certification sont gratuites en mode étude, sur tous ses domaines, sans abonnement et sans inscription. Le compte est créé quand vous vous abonnez, à la commande.

Comment fonctionne l'abonnement, et peut-on résilier ?

Un seul abonnement mensuel couvre toutes les certifications et les examens blancs chronométrés. Il n'y a pas de 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.

D'où viennent les questions ?

Chaque question est originale, rédigée à partir de la documentation publique de l'éditeur. Chaque réponse est accompagnée d'une explication et d'un lien vers la page de documentation sur laquelle elle s'appuie. InfraPrep n'est pas affilié aux éditeurs ; les noms de certifications appartiennent à leurs propriétaires.

Dans quelle langue sont les questions ?

Les questions sont rédigées en anglais, y compris sur la version française du site.

Le catalogue évolue-t-il ?

Oui, le catalogue évolue : de nouvelles certifications et de nouvelles questions sont ajoutées.