Eingestellt
Snowflake · SF-GAI · Intermediate
SnowPro Specialty: Gen AI (GES-C02)
Bereite dich auf die Prüfung SnowPro Specialty: Gen AI (GES-C02) (SF-GAI) vor: unbegrenzte, prüfungsrealistische Übungsfragen aus den offiziellen Prüfungsbereichen, mit KI-Erklärung zu jeder Antwort. Jetzt kostenlos starten.
Diese Zertifizierung wurde eingestellt.
Überblick
Über die Prüfung
Die SnowPro Specialty: Gen AI Certification (GES-C02) weist spezialisiertes Wissen zu generativer KI auf Snowflake nach: die Cortex-Suite mit ihren KI-Funktionen, darunter Cortex Analyst, Cortex Search und Cortex Code; Gen-AI-Governance über Infrastruktur, Daten und Kosten; Dokumentenverarbeitung sowie das Bauen und Fine-Tuning quelloffener Modelle mit Snowpark Container Services und der Snowflake Model Registry. Geprüft wird, ob du Kunden-Anwendungsfälle nativ auf der Plattform umsetzt.
Sie richtet sich an AI- und ML-Engineers, Data Scientists, Data Engineers und Entwickler von Datenanwendungen mit mindestens einem Jahr Gen-AI-Erfahrung mit Snowflake im Unternehmensumfeld. Python-Kenntnisse helfen, Erfahrung im Data Engineering und mit SQL wird vorausgesetzt.
Prüfungsbereiche
Was geprüft wird
Prüfungsaufbau: SF-GAI
Define Snowflake's Gen AI principles and outline Gen AI capabilities across the platform, including Snowflake Intelligence and Cortex Code.
≈ 9 Std.Apply AI functions in Snowflake, perform data analysis for a given use case, build or interact with interfaces, apply Cortex functions, and run third-party models.
≈ 19 Std.Set up model access controls, grant and revoke role-based access, and manage, monitor and optimise Gen AI workloads.
≈ 14 Std.Use document parsing functions (AI_PARSE_DOCUMENT, AI_EXTRACT), prepare and manage documents, build automated pipelines with Streams and Tasks, and troubleshoot extraction.
≈ 8 Std.Format
Format und Fragetypen
Die Prüfung umfasst 55 Fragen und dauert 85 Minuten. Als Fragetypen kommen Multiple Select und Multiple Choice vor. Die Fragen verteilen sich auf vier Domains: Snowflake Gen AI Functions (38 %), Snowflake Gen AI Governance (29 %), Snowflake for Gen AI Overview (18 %) und Snowflake Document Processing (15 %). Zum Bestehen brauchst du 750 Punkte auf einer Skala von 0 bis 1000. Bei rund 1,5 Minuten pro Frage bleibt für die szenariobasierten KI-Fragen wenig Luft.
Fragetypen: SF-GAI
Eine einzige beste Antwort aus vier oder fünf Optionen — das Brot-und-Butter-Format der Prüfung.
Mehrere Antworten sind richtig und du brauchst alle; die Frage sagt dir, wie viele du wählen sollst.
Jetzt ausprobieren
Fünf SF-GAI-Fragen zum Ausprobieren
Fünf Fragen direkt aus unserem SnowPro Specialty: Gen AI (GES-C02)-Pool. Beantworte eine — Alex erklärt dir das Warum.
Die Beispielfragen siehst du auf Englisch — die deutschen Übersetzungen sind noch nicht unabhängig geprüft.
Dein Ergebnis
0 / 5
Das waren fünf der Fragen, die in der App auf dich warten — jede mit Alex an deiner Seite. Dein Readiness-Score sagt dir, wann du wirklich bereit bist.
Mach mit Alex weiter.
In der App beantwortet Alex deine Rückfragen zu jeder Frage, und dein Readiness-Score zeigt dir, wann du bereit für die Prüfung bist.
Achtung
Häufige Fehler
Kandidaten, die Erfahrung mit allgemeinen GenAI-Frameworks haben, aber die spezifischen Cortex-Implementierungen, Vektordatentypen und nativen RAG-Muster von Snowflake nicht kennen, sind häufig auf die plattformspezifischen Fragen nicht vorbereitet.
Stolperstellen: SF-GAI
- 01Cortex COMPLETE vs. extern
Fehlendes Verständnis, wann Cortex COMPLETE (nativer LLM-Aufruf in Snowflake) gegenüber externen API-Aufrufen (OpenAI, Anthropic über External Functions) eingesetzt werden sollte, führt zu Architekturentscheidungsfehlern.
- 02RAG-Pipeline-Design
Unkenntnis über den Aufbau von RAG-Pipelines auf Snowflake – einschließlich Document Chunking, Embedding-Generierung, Vektorspeicherung und Ähnlichkeitssuche – verursacht Fehler bei Anwendungsdesignfragen.
- 03Vektordatentypen
Fehlendes Verständnis von Snowflakes nativen Vektordatentypen, Vektorähnlichkeitsfunktionen und deren Skalierung im Vergleich zu externen Vektordatenbanken führt zu Fehlern bei Datenmodellierungsfragen.
- 04Fine-Tuning vs. Prompting
Die Verwechslung, wann ein LLM über Cortex Fine-Tuning angepasst werden sollte (domänenspezifisches Verhalten) gegenüber Prompt Engineering (In-Context-Lernen, wenige Beispiele), verursacht Fehler bei Strategiefragen.
Verwandte Zertifizierungen