Retirée
Snowflake · SF-GAI · Intermediate
SnowPro Specialty: Gen AI (GES-C02)
Prépare l’examen SnowPro Specialty: Gen AI (GES-C02) (SF-GAI) avec des questions d’entraînement réalistes et illimitées tirées des domaines officiels de l’examen, et des explications IA pour chaque réponse. Commence gratuitement.
Cette certification a été retirée.
Aperçu
À propos de l’examen
La certification SnowPro Specialty: Gen AI (GES-C02) valide des connaissances spécialisées sur l’IA générative dans Snowflake : la suite de fonctionnalités et de fonctions Cortex, dont Cortex Analyst, Cortex Search et Cortex Code ; la gouvernance Gen AI sur l’infrastructure, les données et les coûts ; le traitement documentaire ; et la construction et le fine-tuning de modèles open source avec Snowpark Container Services et le Snowflake Model Registry. Elle évalue ta capacité à répondre à des cas d’usage clients nativement sur la plateforme.
Elle s’adresse aux ingénieurs IA et ML, data scientists, data engineers et développeurs d’applications de données ayant au moins un an de pratique de la Gen AI sur Snowflake en environnement d’entreprise. Savoir écrire du Python aide, et des connaissances préalables en ingénierie des données et en SQL sont supposées acquises.
Domaines
Contenu de l’examen
Plan de l’examen : SF-GAI
Define Snowflake's Gen AI principles and outline Gen AI capabilities across the platform, including Snowflake Intelligence and Cortex Code.
≈ 9 hApply 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 hSet up model access controls, grant and revoke role-based access, and manage, monitor and optimise Gen AI workloads.
≈ 14 hUse document parsing functions (AI_PARSE_DOCUMENT, AI_EXTRACT), prepare and manage documents, build automated pipelines with Streams and Tasks, and troubleshoot extraction.
≈ 8 hFormat
Format de l’examen et types de questions
L’examen comporte 55 questions à traiter en 85 minutes. Les types de questions sont à réponses multiples et à choix multiple. Les questions couvrent quatre domaines : Snowflake Gen AI Functions (38 %), Snowflake Gen AI Governance (29 %), Snowflake for Gen AI Overview (18 %) et Snowflake Document Processing (15 %). Le score de réussite est de 750 sur une échelle de 0 à 1000. Avec environ 1,5 minute par question, le rythme est serré pour les questions d’IA basées sur des scénarios.
Types de questions : SF-GAI
Choisis la seule bonne réponse parmi quatre ou cinq options — le format de base de l’examen.
Plusieurs réponses sont correctes et il te les faut toutes ; l’énoncé indique combien en cocher.
Essaie maintenant
Essaie cinq questions SF-GAI
Cinq questions tirées de notre banque SnowPro Specialty: Gen AI (GES-C02). Réponds à une — Alex t’explique le pourquoi.
Les questions d’exemple s’affichent en anglais — les traductions françaises n’ont pas encore été relues de façon indépendante.
Ton score
0 / 5
C’étaient cinq des questions qui t’attendent dans l’app — chacune avec Alex à tes côtés. Ton score de préparation te dit quand tu es vraiment prêt.
Continue avec Alex.
Dans l’app, Alex répond à tes questions sur chaque exercice et ton score de préparation te montre quand tu es prêt pour l’examen.
Attention
Erreurs courantes
Les candidats ayant de l’expérience avec des frameworks GenAI généraux mais ne connaissant pas les implémentations Cortex spécifiques, les types de données vectoriels et les patterns RAG natifs de Snowflake ne sont souvent pas préparés aux questions spécifiques à la plateforme.
Points de vigilance : SF-GAI
- 01Cortex COMPLETE vs. externe
Ne pas comprendre quand utiliser Cortex COMPLETE (appel LLM natif dans Snowflake) par rapport aux appels d’API externes (OpenAI, Anthropic via External Functions) entraîne des erreurs de décision architecturale.
- 02Conception de pipelines RAG
Ne pas connaître la construction de pipelines RAG sur Snowflake — incluant le découpage de documents, la génération d’embeddings, le stockage vectoriel et la recherche par similarité — provoque des erreurs aux questions de conception d’applications.
- 03Types de données vectoriels
Ne pas comprendre les types de données vectoriels natifs de Snowflake, les fonctions de similarité vectorielle et leur mise à l’échelle par rapport aux bases de données vectorielles externes entraîne des erreurs aux questions de modélisation de données.
- 04Fine-Tuning vs. Prompting
Confondre quand il faut effectuer le fine-tuning d’un LLM via Cortex (comportement spécifique au domaine) par rapport à l’ingénierie de prompts (apprentissage en contexte, exemples) provoque des erreurs aux questions de stratégie.