Descontinuada
Snowflake · SF-GAI · Intermediate
SnowPro Specialty: Gen AI (GES-C02)
Prepare-se para o exame SnowPro Specialty: Gen AI (GES-C02) (SF-GAI) com questões de prática ilimitadas no estilo da prova, feitas a partir dos domínios oficiais, e explicações com IA para cada resposta. Comece grátis.
Esta certificação foi descontinuada.
Visão geral
Sobre o exame
A SnowPro Specialty: Gen AI Certification (GES-C02) valida conhecimento especializado de IA generativa no Snowflake: o conjunto Cortex de recursos e funções de IA, incluindo Cortex Analyst, Cortex Search e Cortex Code; governança de Gen AI em infraestrutura, dados e custos; processamento de documentos; e a construção e o fine-tuning de modelos open-source com Snowpark Container Services e o Snowflake Model Registry. Ela cobra a capacidade de atender a casos de uso de clientes nativamente na plataforma.
Esta certificação de especialidade é para engenheiros de IA e ML, cientistas de dados, engenheiros de dados e desenvolvedores de aplicações de dados com um ano ou mais de experiência com Gen AI no Snowflake em ambiente corporativo. Proficiência em escrever código Python ajuda, e conhecimento prévio de engenharia de dados e SQL é pressuposto.
Domínios do exame
O que cai na prova
Estrutura do exame: 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 hFormato
Formato do exame e tipos de pergunta
O exame tem 55 questões em 85 minutos. Os tipos de questão são seleção múltipla e múltipla escolha. As questões cobrem quatro domínios: Snowflake Gen AI Functions (38%), Snowflake Gen AI Governance (29%), Snowflake for Gen AI Overview (18%) e Snowflake Document Processing (15%). A nota de aprovação é 750 numa escala de 0 a 1000. Com cerca de 1,5 minuto por questão, o ritmo fica apertado nas questões de cenário sobre IA.
Tipos de pergunta: SF-GAI
Escolha a única resposta certa entre quatro ou cinco opções — o formato básico da prova.
Mais de uma resposta está certa e você precisa de todas; o enunciado diz quantas marcar.
Experimente agora
Experimente cinco questões de SF-GAI
Cinco questões direto do nosso banco de SnowPro Specialty: Gen AI (GES-C02). Responda uma — Alex explica o porquê.
As questões de exemplo aparecem em inglês — as traduções para o português ainda não passaram por revisão independente.
Sua pontuação
0 / 5
Essas foram cinco das questões que esperam por você no app — cada uma com o Alex ao seu lado. Sua pontuação de preparação diz quando você está realmente pronto.
Continue com o Alex.
No app, o Alex responde suas dúvidas em cada questão e seu score de prontidão mostra quando você está pronto para a prova.
Atenção
Erros comuns
Candidatos com experiência em frameworks GenAI gerais mas que não conhecem as implementações Cortex específicas, os tipos de dados vetoriais e os padrões RAG nativos do Snowflake frequentemente não estão preparados para as questões específicas da plataforma.
Pontos de atenção: SF-GAI
- 01Cortex COMPLETE vs. externo
Não compreender quando usar Cortex COMPLETE (chamada LLM nativa no Snowflake) em vez de chamadas a APIs externas (OpenAI, Anthropic via External Functions) leva a erros nas decisões de arquitetura.
- 02Design de pipelines RAG
Não conhecer como construir pipelines RAG no Snowflake — incluindo fragmentação de documentos, geração de embeddings, armazenamento vetorial e pesquisa por similaridade — causa erros em questões de design de aplicações.
- 03Tipos de dados vetoriais
Não compreender os tipos de dados vetoriais nativos do Snowflake, as funções de similaridade vetorial e como escalam em comparação com bases de dados vetoriais externas leva a erros em questões de modelação de dados.
- 04Fine-Tuning vs. Prompting
Confundir quando se deve realizar fine-tuning de um LLM via Cortex (comportamento específico de domínio) em vez de engenharia de prompts (aprendizagem em contexto, exemplos) causa erros em questões de estratégia.
Certificações relacionadas