兩週考過 AI-900：一個量化投資人的準備方法與常考重點整理
我如何用「區塊式衝刺 + 服務對應 cheatsheet + 間隔回想重測」兩週考過 Microsoft Azure AI Fundamentals（AI-900），並整理最常考、最容易混淆的核心觀念。學習方法論教育文，非官方教材。
半畝方塘一鑑開，天光雲影共徘徊。
問渠那得清如許？為有源頭活水來。
—— 朱熹《觀書有感·其一》（南宋，約 1196 年）
這不是官方教材，是一份「我實際怎麼準備、哪裡差點翻車」的紀錄。我是做量化投資的，本來離 Azure 很遠——但正因為這樣，這套方法對「懂 AI 概念、但沒碰過 Azure 服務名」的人特別有用。
先講一個反直覺的結論
AI-900（Azure AI Fundamentals）不需要寫任何程式，700/1000 就過。對每天在用 ChatGPT、Copilot、寫 prompt 的人來說，機器學習、電腦視覺、NLP、生成式 AI 這些概念你其實都懂。
所以真正要準備的，不是「學 AI」，而是背**「哪個 Azure 服務做哪件事」——那是一堆名詞對應**，不是觀念。想通這件事，準備方向就完全不一樣了：別去啃教科書，去背對應表、去刷題修錯。
我的方法：五個可複用的動作
1. 用「區塊式」綁考試日，不用「每日課表」
我試過排每日課表，完成率是 0。我是那種「做真事、撞到缺口才當場補」的人，日曆式學習對我無效。
但 AI-900 有固定考綱 + 硬考試日，是個有邊界的目標。所以我改成 5 個區塊 + 模考閘門，綁在考試日上、不綁哪一天做：有空就推一塊。這招對忙碌的上班族特別實際——你不用假裝每天有固定 2 小時。
2. 動手前先花 10 分鐘校準「真實考綱」
別憑印象準備。 開考前第一件事是上 Microsoft Learn 官方 Study Guide，把五大領域和權重抄下來（考綱 2025 年才更新過）：
| 領域 | 權重 |
|---|---|
| AI 工作負載與考量 | 15–20% |
| Azure 機器學習基礎 | 15–20% |
| 電腦視覺 | 15–20% |
| 自然語言處理 (NLP) | 15–20% |
| 生成式 AI | 20–25%（最大塊） |
生成式 AI 是佔比最高的一塊，也是 2024 年後新增的重點——不能只靠常識，要認真背。
3. 把整個考試濃縮成「一頁服務對應表」
這是整套準備的核心。我做了一張一頁 cheatsheet，只回答一件事：哪個服務做哪件事 + 最容易混的點。準備到後期，我幾乎只在背這張表。文末我把精華版整理出來給你。
4. 用「間隔回想 + 重測」，不是「重讀」
流暢 ≠ 記得住。 讀過覺得「我會了」是陷阱。我的做法是隔一段時間重新測同一批弱點——不是把筆記再看一遍，而是闔上資料真的答一次。答錯的當場解，隔天再測，直到「同一類題不會錯第二次」。
5. 用官方模考當「約考閘門」
我給自己訂了硬規則：官方免費 Practice Assessment 連續兩次 ≥85%，才准去約考。 沒到就別排考試，只修錯題、不重讀全部。而且錯題要歸類到五大領域，不要只記單題答案——這樣你補的是「一整片弱點」，不是「一題」。
番外：臨時改考英文版怎麼辦
我原本念中文，考前臨時改考英文版。解法是把中文觀念換成**「英文關鍵字認字法」：每個服務給一組「看到這些英文字 → 就選它」的 trigger word。概念你懂，只是換一層語言外殼——不需要會拼單字，只要看到英文字認得出對應哪個服務**就夠。
考題怎麼答
拿到題目，先問自己一句：「它在問哪一種工作負載？」（是要讀圖中文字？抽發票欄位？做對話意圖？生成內容？）先鎖定工作負載，再選對應的 Azure 服務。順序對了，大部分題目就是送分。
常考又重要的觀念整理
以下是我覺得 CP 值最高、最該背熟的部分。
服務改名對照（新舊名都可能出現在題目裡）
| 舊名 | 現行新名 |
|---|---|
| Cognitive Services | Azure AI services |
| Computer Vision | Azure AI Vision |
| Form Recognizer | Azure AI Document Intelligence |
| Text Analytics / LUIS / QnA Maker | Azure AI Language（三合一） |
| Translator Text | Azure AI Translator |
負責任 AI 六原則：口訣 FAR PIT
Fairness 公平性／Accountability 當責／Reliability & Safety 可靠與安全／Privacy & Security 隱私與安全／Inclusiveness 包容性／Transparency 透明性。
最會混的兩個：包容性（讓身障等群體也能用）vs 透明性（模型可解釋、有文件）。
機器學習基礎
- 監督式（有標籤）→ 回歸（預測數值）／分類（預測類別）；非監督式（無標籤）→ 分群（clustering）
- feature（特徵／輸入線索） vs label（標籤／要預測的答案）
- AutoML（自動挑最佳演算法） vs Designer（拖拉式、零 code 自己組 pipeline）
- 評估指標：分類看 accuracy／precision／recall／F1；回歸看 MAE／RMSE／R²
電腦視覺 / NLP / 生成式 AI 各服務
- 視覺：Azure AI Vision（現成圖片分析＋OCR）、Face（人臉）、Custom Vision（你自己訓練）、Document Intelligence（抽表單/發票欄位）
- NLP：Azure AI Language（情感/實體/摘要/CLU/Question Answering）、Speech（語音轉文字/文字轉語音）、Translator（文字翻譯）
- 生成式 AI：Azure OpenAI（GPT 文字、Embeddings 向量、DALL-E 圖、Whisper 語音）；減少幻覺用 grounding / RAG；負責任生成式 AI 流程 Identify → Measure → Mitigate → Operate
六組「最會考」的易混淆（背這段最划算）
| A vs B | 一句話分辨 |
|---|---|
| AI Vision OCR vs Document Intelligence | 讀「圖中一般文字」用前者；抽「結構化表單/發票欄位」用後者 |
| Custom Vision vs AI Vision | 要自己訓練用 Custom；現成預訓練用 AI Vision |
| AutoML vs Designer | 自動挑演算法=AutoML；拖拉式自己組=Designer |
| CLU vs Question Answering | 意圖/命令（開燈）=CLU；知識庫問答=Question Answering |
| 影像分類 vs 物件偵測 | 整張圖一個標籤=分類；框出每個位置=物件偵測 |
| Recall vs Precision | 怕漏掉（抓全）=Recall；怕誤報（抓準）=Precision |
選服務一句話口訣
要自己訓練？→ Custom。要抽結構化表單？→ Document Intelligence。要對話意圖？→ CLU。要知識問答？→ Question Answering。要生成內容？→ Azure OpenAI。其餘現成的 → AI Vision / AI Language。
最後的心得
AI-900 的價值不在證照本身，而在它逼你把「零散在日常裡用到的 AI 概念」整理成一張有結構的地圖。對我這種跨領域的人，最大的收穫是：學一個有邊界的新領域，最快的路不是「從頭學」，而是先分清楚「哪些我已經懂、哪些只是名詞要背」，然後把力氣全砸在後者。
這套「校準真範圍 → 分清概念與名詞 → 濃縮成一頁 → 間隔重測 → 模考閘門」的打法，我準備下一張證照還會再用一次。