AZ-204 بازنشسته شد؛ مسیر جدید توسعه دهندگان Azure با AI-200 چیست؟
AZ-204 و گواهی Azure Developer Associate در 31 ژوئیه 2026 بازنشسته شدند و Microsoft مسیر Azure AI Cloud Developer Associate با AI-200 را جلو آورده است. این مقاله توضیح می دهد چرا AI-200 صرفاً نام جدید AZ-204 نیست، چه دانش هایی قابل انتقال اند و برای مسیر جدید دقیقاً چه چیزی باید یاد بگیرید.
AZ-204 در 31 ژوئیه 2026 بازنشسته شد؛ چه چیزی تغییر می کند؟
Exam AZ-204 و مسیر Microsoft Certified: Azure Developer Associate در 31 ژوئیه 2026 بازنشسته شدند. برای کسی که تازه می خواهد مسیر توسعه Azure را شروع کند، این یعنی برنامه مطالعاتی قدیمی دیگر نباید مقصد اصلی باشد. Microsoft مسیر جایگزین را Azure AI Cloud Developer Associate با آزمون AI-200 معرفی کرده است. اما مهم ترین نکته برای برنامه نویس ها این است که AI-200 یک rename ساده برای AZ-204 نیست؛ تمرکز مهارتی آن با موج جدید توسعه cloud-native و AI تغییر کرده است.
اگر چند ماه برای AZ-204 خوانده اید، دانش شما بی ارزش نشده است. مفاهیمی مانند container، identity، storage، messaging، monitoring و integration هنوز در ساخت سیستم های Azure کاربرد دارند. آنچه تغییر کرده «مرکز ثقل» credential است. مسیر AI-200 توسعه دهنده را در سناریوهایی می سنجد که سرویس های AI، داده، event-driven architecture، vector database و operationalization مدل ها بخشی از محصول هستند. بنابراین تصمیم درست، دورریختن مبانی Azure نیست؛ باید آن ها را به نقشه مهارتی جدید متصل کنید.
AZ-204 و AI-200 را مثل دو نسخه یک آزمون نبینید
| محور | AZ-204 / Azure Developer Associate | AI-200 / Azure AI Cloud Developer Associate |
|---|---|---|
| تمرکز عمومی | توسعه راهکار Azure و سرویس های اپلیکیشن | ساخت، یکپارچه سازی و عملیات راهکارهای AI روی Azure |
| Compute | Web apps، Functions، containerized solutions | Containerized و AI-enabled cloud solutions |
| Data | Storage و database integration | Azure data services و vector-oriented retrieval در سناریوهای AI |
| Integration | APIها، event و messaging | اتصال سرویس ها، async AI workflows، messaging/eventing |
| Operations | Monitoring و troubleshooting | Secure، monitor و troubleshoot کردن AI cloud solutions |
| جهت مهارتی | Cloud developer عمومی | Cloud developer با تمرکز production AI |
این مقایسه نشان می دهد چرا انتخاب replacement فقط با تطبیق نام certification اشتباه است. اگر نقش شما backend developer سنتی است و AI در roadmap تیم حضور ندارد، شاید AI-200 تنها credential مورد نیازتان نباشد؛ اما اگر Azure developer هستید و محصولات جدید سازمان به inference، semantic retrieval، agent، event processing یا AI data pipeline متصل می شوند، مسیر جدید به کار واقعی نزدیک تر است. قبل از خرید دوره یا آزمون، job description واقعی خودتان را با skills measured جدید تطبیق دهید.
مهارت های AI-200 چه تصویری از Azure Developer جدید می دهند؟
Microsoft برای Azure AI Cloud Developer Associate چند حوزه اصلی را برجسته می کند: طراحی و پیاده سازی containerized solutions، پیاده سازی AI با Azure data services، اتصال و مصرف سرویس های Azure و secure/monitor/troubleshoot کردن راهکارها. در معرفی رسمی، به Azure SDKها، data services، monitoring، messaging و eventing، vector database، Python و container نیز اشاره شده است. این ترکیب نشان می دهد توسعه دهنده جدید فقط endpoint مدل را صدا نمی زند؛ باید سامانه ای بسازد که داده، compute، امنیت و observability را کنار مدل مدیریت کند.
مثلاً یک RAG production فقط prompt و embedding نیست. باید document ingestion داشته باشید، داده را در storage یا data service مناسب نگه دارید، index یا vector retrieval را مدیریت کنید، endpoint برنامه را containerize یا serverless کنید، identity و secret را امن نگه دارید، eventها را برای پردازش async مصرف کنید و latency/error/cost را monitor کنید. همین نگاه سیستم محور است که مسیر AI-200 را از یک آزمون صرفاً «کار با مدل» جدا می کند.
چه کسی باید AI-200 را انتخاب کند؟
- Azure Backend Developer: اگر API و microservice می سازید و قرار است AI capability به محصول اضافه شود، این مسیر طبیعی است.
- Cloud Developer با تجربه AZ-204: مبانی قبلی را نگه دارید و gapهای AI data، vector retrieval، Python و AI operations را پر کنید.
- AI Engineer نزدیک به Product: اگر از notebook به production می روید، بخش container، messaging، identity و monitoring ارزش زیادی دارد.
- Developer تازه کار در Azure: قبل از حفظ سرویس ها، مبانی cloud، HTTP، container، identity، database و async processing را بسازید تا مطالعه آزمون تبدیل به حفظیات نشود.
در مقابل، اگر کار شما administration و governance زیرساخت است، credential توسعه دهنده لزوماً بهترین نماینده نقش شما نیست. همچنین اگر تنها هدف یادگیری مدل های ML عمیق یا پژوهش الگوریتمی است، AI-200 بیشتر روی مهندسی cloud solution تمرکز دارد. certification باید به نقش واقعی وصل باشد؛ انتخاب آن صرفاً به دلیل واژه AI در عنوان می تواند شما را وارد برنامه ای کند که با کار روزمره تان هم راستا نیست.
اگر برای AZ-204 آماده می شدید، چه چیزهایی را نگه دارید؟
بخش بزرگی از سرمایه مطالعاتی AZ-204 قابل انتقال است. شناخت Azure compute، container، identity، SDK، storage، messaging، API integration، logging و troubleshooting همچنان پایه ساخت AI solution است. به جای شروع صفر، مطالب قبلی را به دو دسته تقسیم کنید: foundational و exam-specific. دانش foundational را نگه دارید؛ جزئیات بسیار آزمون محور مربوط به blueprint بازنشسته شده را در اولویت پایین بگذارید و gap را با blueprint AI-200 پر کنید.
| دانش قبلی | اقدام پیشنهادی |
|---|---|
| Azure SDK و authentication | نگه دارید و با managed identity / secure service integration تمرین کنید |
| Containers و Functions | نگه دارید و به inference/API/workerهای AI متصل کنید |
| Storage و database | نگه دارید و vector/semantic retrieval و data pipeline را اضافه کنید |
| Service Bus / Event Grid / async patterns | نگه دارید؛ برای AI workflowهای طولانی مهم تر هم می شوند |
| Application Insights و monitoring | نگه دارید و metricهای latency، failure و dependency AI را اضافه کنید |
| حفظیات endpointهای صرفاً آزمونی AZ-204 | فقط در صورت کاربرد کاری؛ محور مطالعه جدید نباشد |
نقشه یادگیری 6 مرحله ای برای AI-200
- مبانی Azure application architecture: resource، identity، network boundary، storage، compute و deployment را بدون وابستگی به سؤال آزمون بفهمید.
- Container و Python: یک API ساده را containerize کنید، config و secret را جدا کنید و health/telemetry داشته باشید.
- AI + Data: یک سناریوی retrieval بسازید که داده را ingest، index و query کند؛ تفاوت database معمولی و vector retrieval را در عمل ببینید.
- Integration و Async: یک job طولانی AI را با queue/event از request کاربر جدا کنید و retry/idempotency طراحی کنید.
- Security و Observability: managed identity، least privilege، logging، tracing، latency و dependency failure را روی پروژه اعمال کنید.
- Blueprint رسمی AI-200: پس از ساخت پروژه، skills measured رسمی را خط به خط مرور کنید و gapها را با Microsoft Learn هدفمند تکمیل کنید.
این ترتیب عمداً exam-first نیست. اگر اول مجموعه سؤال حفظ کنید، ممکن است credential بگیرید اما هنگام ساخت یک pipeline واقعی نتوانید مرز بین queue، worker، vector store و model endpoint را طراحی کنید. یک پروژه end-to-end کوچک باعث می شود هر سرویس در ذهن شما دلیل وجودی داشته باشد. بعد از آن، مطالعه blueprint و practice assessment برای پیدا کردن gap بسیار مؤثرتر خواهد بود.
پروژه تمرینی که بخش زیادی از مهارت ها را یکجا پوشش می دهد
یک پروژه مناسب می تواند «دستیار جست وجوی مستندات تیم» باشد. فایل ها وارد storage می شوند، یک worker آن ها را پردازش می کند، داده قابل جست وجو یا vector index ساخته می شود، API در container اجرا می شود و برای درخواست های سنگین از queue استفاده می کنید. authentication با identity سرویس انجام می شود و telemetry برای latency، error و dependencyها ثبت می گردد. هدف پروژه ساخت محصول کامل تجاری نیست؛ هدف این است که ارتباط سرویس ها و failure modeها را لمس کنید.
برای هر component حداقل یک failure test داشته باشید: اگر model endpoint timeout شد چه می شود؟ اگر queue یک پیام را دوبار تحویل داد آیا worker idempotent است؟ اگر دسترسی storage حذف شد خطا کجا دیده می شود؟ اگر retrieval نتیجه ضعیف داد چگونه آن را از generation failure جدا می کنید؟ چنین تست هایی شما را برای کار واقعی و بخش troubleshooting بهتر از حفظ نام صد سرویس آماده می کند.
Certification را با هدف شغلی خود تطبیق دهید
برای تصمیم نهایی، از خودتان بپرسید در شش تا دوازده ماه آینده چه نوع سیستم هایی می سازید. اگر بیشتر وقت شما روی REST API، container، event processing و اتصال سرویس های AI می گذرد، AI-200 می تواند چارچوب مطالعاتی مناسبی باشد. اگر نقش شما هنوز cloud administration، networking یا security governance است، مسیرهای تخصصی همان حوزه احتمالاً سیگنال دقیق تری به کارفرما می دهند. مدرک زمانی ارزش دارد که به مجموعه پروژه و تجربه واقعی متصل باشد، نه وقتی تنها آیتم رزومه باشد.
همچنین تاریخ بازنشستگی AZ-204 را بهانه ای برای شتاب زدگی نکنید. تغییر credential نشان می دهد Microsoft دامنه مهارت را بازتعریف کرده است؛ پس قبل از ثبت نام، صفحه رسمی AI-200 و skills measured روز آزمون را دوباره بررسی کنید، چون blueprintها قابل به روزرسانی اند. برنامه مطالعه خود را بر مبنای سند زنده Microsoft Learn نگه دارید و منابع شخص ثالث را برای توضیح و تمرین استفاده کنید، نه به عنوان منبع نهایی دامنه آزمون.
پرسش های متداول
AZ-204 چه زمانی بازنشسته شد؟
Microsoft تاریخ بازنشستگی Exam AZ-204 و Azure Developer Associate را 31 ژوئیه 2026 اعلام کرده است.
جایگزین رسمی Azure Developer Associate چیست؟
Microsoft در برنامه جدید credentialها Azure AI Cloud Developer Associate با آزمون AI-200 را به عنوان مسیر جایگزین معرفی کرده است.
AI-200 همان AZ-204 با نام جدید است؟
خیر. جهت مهارتی به ساخت و عملیات راهکارهای AI cloud، data services، container، messaging، monitoring و vector-oriented scenarios تغییر کرده است.
اگر قبلاً AZ-204 خوانده ام باید از صفر شروع کنم؟
نه. مبانی compute، identity، storage، SDK، integration و monitoring همچنان قابل انتقال اند؛ باید gapهای blueprint جدید را تکمیل کنید.
AI-200 برای برنامه نویس Backend مناسب است؟
اگر backend شما با Azure و قابلیت های AI درگیر است، بله؛ به خصوص برای container، integration، async workflow، data و observability.
بهترین روش مطالعه AI-200 چیست؟
یک پروژه end-to-end بسازید و سپس skills measured رسمی Microsoft Learn را برای پیدا کردن gapها مرور کنید؛ صرفاً سؤال حفظ نکنید.
منابع رسمی و جمع بندی
تاریخ بازنشستگی در Study Guide رسمی AZ-204 ثبت شده است. Microsoft مسیر credentialهای جدید و replacement را در اعلامیه رسمی Skills Hub درباره credentialهای AI توضیح می دهد و صفحه Azure AI Cloud Developer Associate در Microsoft Learn دامنه مهارت ها و اطلاعات فعلی AI-200 را نگه می دارد.
جمع بندی: بازنشستگی AZ-204 پایان مهارت Azure Development نیست؛ علامت تغییر انتظاری است که از توسعه دهنده cloud وجود دارد. زیرساخت برنامه، داده، integration، امنیت و monitoring هنوز پایه اند، اما AI اکنون به یکی از workloadهای اصلی این معماری تبدیل شده است. اگر مسیر قبلی را شروع کرده بودید، دانش بنیادی را حفظ کنید، blueprint بازنشسته شده را مقصد ندانید و با یک پروژه production-like به سمت مهارت های AI-200 حرکت کنید.
