Examen Generative AI Engineer Associate : préparation

À qui s'adresse l'examen Generative AI Engineer Associate

Selon son guide d'examen, la certification Databricks Certified Generative AI Engineer Associate évalue la capacité à concevoir et mettre en œuvre des solutions à base de LLM sur Databricks : découper un besoin complexe en tâches gérables, puis choisir les modèles, les outils et les approches d'une solution complète. Elle porte aussi sur les outils propres à Databricks : Vector Search pour la recherche par similarité sémantique, Model Serving pour le déploiement, MLflow pour le cycle de vie et Unity Catalog pour la gouvernance des données.

Le guide attend des lauréats qu'ils sachent construire et déployer des applications RAG et des chaînes LLM sur la plateforme. Aucun prérequis n'est exigé ; une formation sur le sujet et six mois de pratique sont recommandés. Attendez-vous à des questions qui partent d'un besoin et demandent la bonne stratégie de découpage, le bon modèle, le bon composant de chaîne, le bon mode de service ou la bonne fonction de suivi.

Format de l'examen

Les questions non notées n'étant pas signalées, traitez chaque question comme si elle comptait et gardez un rythme régulier.

Sections et pondérations

Le guide découpe le programme en six sections, chacune avec sa liste d'objectifs. Les intitulés d'origine sont en anglais.

Le développement et l'assemblage-déploiement pèsent ensemble 52 % et portent les plus longues listes d'objectifs. La gouvernance est la plus petite section ; les guardrails figurent aussi parmi les objectifs du développement.

Les produits renommés depuis le guide

Le guide garde les noms de produits de la version de l'examen de mars 2026, alors que la documentation Databricks en a renommé ou repositionné plusieurs. Le guide lui-même demande d'étudier la documentation pour apprendre les fonctions actuelles, non dépréciées. Retenez les deux noms, pour qu'une question rédigée avec les termes du guide ne vous surprenne pas :

• Vector Search : la documentation indique que Databricks AI Search s'appelait auparavant Databricks Vector Search.
• Genie Spaces : la documentation indique que les Genie Agents s'appelaient auparavant Genie Spaces.
• Agents sur Model Serving : Databricks recommande désormais d'concevoir les agents sur Databricks Apps plutôt que sur Model Serving.

Comment se préparer

1. Consultez la page de l'examen pour l'inscription et les conditions en vigueur.
2. Lisez le guide d'examen et reportez chaque objectif dans une liste de contrôle. Le guide demande de revenir le consulter deux semaines avant l'examen, au cas où une nouvelle version serait parue.
3. Suivez le cours avec formateur Generative AI Engineering with Databricks, ou les cours en autonomie de la Databricks Academy que liste le guide : Building RAG Agents with Agent Bricks, Building Agentic Applications on Databricks, Agent Evaluation on Databricks et Deploying and Monitoring Agent Applications on Databricks.
4. Construisez de bout en bout une petite application RAG en Python : extraire et découper des documents, les écrire dans une table Delta, créer un index de recherche, assembler une chaîne, l'enregistrer avec MLflow et la servir. Vous couvrez ainsi une bonne partie des objectifs de préparation des données et d'assemblage-déploiement.
5. Donnez plus de temps aux deux sections les plus lourdes et, pour chaque choix cité par le guide (découpage, longueur de contexte de l'embedding, taille du modèle), notez les critères qui le déterminent.
6. Apprenez le vocabulaire de l'évaluation et du suivi : juges qui exigent une vérité terrain, tracing, tables d'inférence, limitation de débit et maîtrise des coûts.
7. Passez notre examen blanc Generative AI Engineer Associate en temps limité, puis reprenez chaque question manquée dans le mode révision gratuit.