آموزش تست‌های آزمایشی مهندسe GenAI Databricks | ۲۰۲۶ - آخرین آپدیت

با اعتماد به نفس کامل برای آزمون Databricks Generative AI Engineer Associate آماده شوید.

آیا برای آزمون Databricks Certified Generative AI Engineer Associate آماده می‌شوید و به دنبال تمرینی واقع‌گرایانه و چالش‌برانگیز هستید؟

این دوره ۳۶۰ سوال در سطح آزمون در قالب ۶ تست جامع به شما ارائه می‌دهد، همراه با توضیحات دقیقی که برای تقویت دانش Databricks و مهارت‌های تصمیم‌گیری شما در زمان دریافت گواهینامه طراحی شده است.

سوالات بر اساس سناریو، متمرکز بر مباحث فنی و در تمام محدوده آزمون توزیع شده‌اند. به جای تکیه بر تعاریف ساده یا حقایق مجزا، شما با موقعیت‌هایی در زمینه طراحی اپلیکیشن‌های GenAI، تولید تقویت‌شده با بازیابی (RAG)، جستجوی برداری، ایجنت‌های AI، یکپارچه‌سازی مدل، استقرار، حاکمیت، ارزیابی و نظارت بر تولید مواجه خواهید شد.

هر تست آزمایشی به عنوان یک شبیه‌ساز آزمون نهایی ترکیبی طراحی شده است. هیچ تست گرم‌کننده مقدماتی یا پیشروی مصنوعی از ساده به سخت وجود ندارد. هر ۶ تست برای ارائه تمرینات جدی در سطح استاندارد گواهینامه در نظر گرفته شده‌اند.

چه مواردی گنجانده شده است؟

شما موارد زیر را دریافت خواهید کرد:

• شش تست جامع و کامل

• ۶۰ سوال در هر تست

• در مجموع ۳۶۰ سوال

• پوشش تمامی ۶ دامنه گواهینامه

• سناریوهای واقعی Databricks و هوش مصنوعی مولد

• توضیحات دقیق برای هر گزینه پاسخ

• توضیحات کلی شفاف که هر سوال را به مفهوم مورد آزمایش متصل می‌کند

• پوشش متوازن از معماری، توسعه، استقرار، حاکمیت و ارزیابی

• فرصت‌های مکرر برای شناسایی و رفع نقاط ضعف دانش

این تست‌ها می‌توانند به عنوان شبیه‌سازهای زمان‌دار، جلسات مرور متمرکز یا ارزیابی‌های تشخیصی در طول مسیر آماده‌سازی شما مورد استفاده قرار گیرند.

پوشش کامل شش دامنه تخصصی

ساختار ۳۶۰ سوال این دوره به طور هدفمند در ۶ حوزه اصلی مورد ارزیابی گواهینامه توزیع شده است:

۱. طراحی اپلیکیشن‌ها

تمرین انتخاب الگوهای مناسب اپلیکیشن GenAI بر اساس نیازهای تجاری، انتظارات کیفیت، تاخیر، هزینه، ریسک و تجربه کاربری.

مباحث شامل:

• تحلیل موارد استفاده (Use-case) هوش مصنوعی مولد

• طراحی پرامپت و مهندسی پرامپت

• ملاحظات انتخاب مدل

• معماری‌های تولید تقویت‌شده با بازیابی (RAG)

• الگوهای اپلیکیشن ایجنتی و ابزار-محور

• مدیریت کانتکست (Context Management)

• خروجی‌های ساختاریافته

• ملاحظات ایمنی و طراحی مسئولانه

• تعادل بین کیفیت، هزینه، تاخیر و پیچیدگی

۲. آماده‌سازی داده‌ها

توانایی خود را در آماده‌سازی اطلاعات سازمانی برای اپلیکیشن‌های قابل اعتماد GenAI بسنجید.

مباحث شامل:

• جذب و پردازش اسناد

• تجزیه (Parsing) و پاک‌سازی محتوای منبع

• استراتژی‌های تکه‌بندی (Chunking)

• هم‌پوشانی تکه‌ها و حفظ کانتکست

• ایجاد Embeddingها

• غنی‌سازی متادیتا

• آماده‌سازی داده‌ها در Delta Lake

• پایپ‌لاین‌های داده و به‌روزرسانی‌های افزایشی

• ارتباط بازیابی (Retrieval Relevance)

• همگام‌سازی ایندکس

• کیفیت داده‌ها و کنترل دسترسی

۳. توسعه اپلیکیشن

قابلیت‌های Databricks را برای ساخت اپلیکیشن‌های مبتنی بر LLM و ایجنت‌های هوشمند به کار بگیرید.

مباحث شامل:

• مدل‌های پایه (Foundation Models) و APIهای مدل

• قالب‌های پرامپت و زنجیره‌های پرامپت

• بازیابی و تولید پاسخ

• جستجوی برداری Databricks (Vector Search)

• تدوین پرس‌وجو (Query Formulation)

• جستجوی شباهت و فیلترینگ

• رتبه‌بندی مجدد (Reranking) و Grounding

• فراخوانی ابزارها و توابع

• ارکستراسیون ایجنت‌ها

• اعتبارسنجی ورودی و خروجی

• وضعیت گفتگو و حافظه

• مدیریت خطا

• تست اپلیکیشن

• یکپارچه‌سازی با MLflow

• فریم‌ورک‌های توسعه و انتخاب‌های پیاده‌سازی

۴. اسمبل و استقرار اپلیکیشن‌ها

سناریوهای متمرکز بر تولید شامل اسمبل، سرویس‌دهی، یکپارچه‌سازی و عملیات اپلیکیشن‌های GenAI را بررسی کنید.

مباحث شامل:

• بسته‌بندی و ردیابی مدل در MLflow

• سرویس‌دهی مدل Databricks (Model Serving)

• نقاط انتهایی (Endpoints) سرویس‌دهی

• اپلیکیشن‌های Databricks

• احراز هویت Endpoint

• پیکربندی محیط

• اسرار و اعتبارنامه‌ها (Secrets & Credentials)

• وابستگی‌های اپلیکیشن

• مقیاس‌پذیری و در دسترس بودن

• ملاحظات CI/CD

• یکپارچه‌سازی در محیط تولید

• بهینه‌سازی عملکرد

• تعادل بین هزینه و تاخیر

• عیب‌یابی استقرار

۵. حاکمیت (Governance)

الزامات حاکمیت و امنیت را برای سیستم‌های GenAI سازمانی ارزیابی کنید.

مباحث شامل:

• Unity Catalog

• کنترل‌های دسترسی و مجوزها

• حاکمیت داده‌ها و مدل‌ها

• Lineage و قابلیت حسابرسی

• محافظت از داده‌های حساس

• مدیریت اسرار (Secrets)

• کنترل‌های AI مسئولانه

• نظارت انسانی

• مجوزدهی محیط تولید

• کاهش ریسک

• دسترسی امن به ابزارها و داده‌های سازمانی

• حاکمیت در طول چرخه حیات اپلیکیشن

۶. ارزیابی و نظارت

سنجش اینکه آیا یک اپلیکیشن GenAI دقیق، ایمن، مفید، کارآمد و قابل اعتماد است یا خیر.

مباحث شامل:

• مجموعه داده‌های ارزیابی

• Groundedness و ارتباط (Relevance)

• صحیح بودن پاسخ

• کیفیت بازیابی

• داوران مبتنی بر LLM

• بازخورد انسانی

• ردیابی (Tracing) و مشاهده‌پذیری

• نظارت بر تاخیر و هزینه

• ارزیابی ایمنی

• بازخورد محیط تولید

• تحلیل شکست‌ها

• تست رگرسیون

• نظارت بر عملکرد

• بهبود مستمر

  
  

توضیحات دقیق برای هر گزینه

یک تست آزمایشی قوی باید کاری بیشتر از نمایش پاسخ صحیح انجام دهد.

برای هر سوال، این دوره موارد زیر را توضیح می‌دهد:

• چرا پاسخ صحیح، بهترین انتخاب است

• چرا هر یک از پاسخ‌های نادرست ضعیف‌تر، ناقص یا نامناسب هستند

• سوال در حال تست کردن کدام تمایز فنی است

• سناریو چگونه به مهندسی GenAI در Databricks متصل می‌شود

• کدام تصور اشتباه ممکن است منجر به انتخاب گزینه نادرست شده باشد

این رویکرد گزینه-به-گزینه به شما کمک می‌کند تا هم از پاسخ‌های درست و هم از پاسخ‌های غلط درس بگیرید.

این روش به‌ویژه زمانی مفید است که دو گزینه در ابتدا محتمل به نظر می‌رسند اما در مقیاس‌پذیری، امنیت، معماری، مناسب بودن عملیاتی یا همسویی با سناریو متفاوت هستند.

سناریو-محور و متمرکز بر کاربرد

سوالات به جای حفظ کردن، بر قضاوت کاربردی تأکید دارند.

ممکن است از شما خواسته شود تعیین کنید:

• کدام معماری RAG بهترین پشتیبانی را از داده‌های منبع که مکرراً تغییر می‌کنند دارد

• چگونه کیفیت بازیابی را بهبود ببخشید وقتی تکه‌های مشابه معنایی، پاسخ‌های ضعیفی تولید می‌کنند

• کدام استراتژی تکه‌بندی یا متادیتا با یک مجموعه سند خاص سازگار است

• چگونه فراخوانی‌های ابزارهای ایجنت را محدود و اعتبارسنجی کنید

• چگونه یک رویکرد استقرار برای یک اپلیکیشن تولیدی انتخاب کنید

• کدام قابلیت MLflow از ردیابی، ارزیابی یا مدیریت چرخه حیات پشتیبانی می‌کند

• Unity Catalog چگونه باید دسترسی به داده‌های سازمانی را مدیریت کند

• کدام روش ارزیابی، Groundedness یا کیفیت پاسخ را بهتر اندازه‌گیری می‌کند

• چگونه مشکلات کیفیت، تاخیر، هزینه یا نظارت را تشخیص دهید

• کدام راهکار ترکیبی از الزامات تجاری و فنی را به بهترین شکل برآورده می‌کند

این فرمت به شما کمک می‌کند تا استدلال لازم برای تشخیص بین چندین گزینه فنی محتمل را تمرین کنید.

سلب مسئولیت: این دوره یک منبع مستقل برای آماده‌سازی آزمون است و وابسته، تأیید شده، حمایت شده یا مورد تایید Databricks, Inc نیست. سوالات این دوره سوالات تمرینی اصلی هستند و از آزمون واقعی گواهینامه کپی نشده‌اند. "Databricks" و نام‌های محصولات یا گواهینامه‌های مرتبط، علائم تجاری مالکان مربوطه هستند و تنها برای شناسایی موضوع و هدف این منبع آموزشی مستقل استفاده شده‌اند.