Microsoft認定資格 AI-103 演習問題集［サンプル版］
問題を解いて「答え合わせ」を行うと、［📊 学習進捗］に正答率が記録されます。
ジャンル
▼
全選択
|
全解除
完了 ✕
サブジャンル
▼
全選択
|
全解除
完了 ✕
形式
▼
全選択
|
全解除
完了 ✕
▲ 学習ツール＆絞り込みを閉じる
未挑戦
☆
問 1 選択問題
4：テキスト分析ソリューションの実装 / 4.2：音声ソリューションを実装する
4：テキスト分析ソリューションの実装 / 4.2：音声ソリューションを実装する
エージェントを含むMicrosoft Foundryプロジェクトがあります。このエージェントはFoundry ToolsでAzure Speechを使用します。
en-usロケール用のベースラインのSpeech to textモデルをファインチューニングし、モデルを公開します。
エージェントがSpeech to textのREST APIを呼び出すと、プロジェクトIDが無効であることを示すエラーメッセージが返されます。
プロジェクトのプロパティを正しいIDに設定する必要があります。
プロジェクトのプロパティには何を設定する必要がありますか？
正解：
B
解説：
正解は B です。Azure Speechにおけるカスタムモデルへのアクセスや、特定のAPI統合（特にカスタムモデルの構成やバッチ処理などのAPIリクエスト）において「プロジェクト」プロパティに値を設定する場合、ここで要求されるのはベースとなる汎用リソースのIDやエンドポイントURLではなく、Speech Studio内で作成・構成した「Custom SpeechのプロジェクトID」です。
Aは誤りです。IDを要求されている箇所にURLを指定することはできません。
Cは誤りです。単なる全般的なプロジェクトIDではなく、エラーの原因となっているCustom SpeechリソースのプロジェクトIDを明示的に指定する必要があります。
Dは誤りです。エンドポイントURLは推論時の接続先を示すものであり、プロジェクトのプロパティに設定する「ID」としては不正です。
未挑戦
☆
問 2 選択問題
4：テキスト分析ソリューションの実装 / 4.2：音声ソリューションを実装する
4：テキスト分析ソリューションの実装 / 4.2：音声ソリューションを実装する
カスタムエンドポイントにデプロイされたCustom Speech to textモデルをホストするAzure Speech in Foundry Toolsリソースがあります。エージェントはエンドポイントを使用してリアルタイムの音声認識を実行します。
Custom Speech to textモデルの有効期限が近づいています。
モデルの有効期限が切れた場合、どのような動作が予想されますか？
モデルの有効期限が切れた場合、どのような動作が予想されますか？
正解：
C
解説：
正解は C です。Azure Custom Speechモデルには有効期限が設定されており、有効期限を過ぎると、デプロイされているエンドポイントへの音声認識リクエストは自動的に同じロケールの最新のベースモデル（標準モデル）にフォールバックして処理を継続する仕様となっています。
Aは誤りです。有効期限が切れてもシステムは4xxエラーを返さず、ベースモデルにフォールバックするため完全なダウンタイムは発生しませんが、認識精度の低下が起こる可能性があります。
Bは誤りです。有効期限切れのカスタムモデルは自動的に使用されなくなります。
Dは誤りです。モデルの有効期限が切れても、リソース自体が直ちに自動削除されるわけではありません。
未挑戦
☆
問 3 選択問題
4：テキスト分析ソリューションの実装 / 4.2：音声ソリューションを実装する
4：テキスト分析ソリューションの実装 / 4.2：音声ソリューションを実装する
自然な音声対話をサポートするために、Microsoft Foundryプロジェクトでエージェントワークフローを作成しています。
エージェントは継続的な音声入力を受け取り、推論のためにその入力をテキストに変換し、その後ユーザーに音声による応答を返す必要があります。ワークフローは次の要件を満たす必要があります：
- ユーザーが話し終える前にエージェントが音声出力の生成を開始する、ターンテーキング のダイナミクスをサポートする。
- 会話のエクスペリエンスを維持するために、低待機時間で動作する。
リアルタイムのエージェント対話において、Speech to textとText to speechの両方を有効にする必要があります。
何をすべきですか？
正解：
B
解説：
正解は B です。自然で継続的な音声対話、低レイテンシ（低待機時間）、およびターンテーキング（割り込みや素早い応答）をサポートするアーキテクチャを実現するには、ユーザーの音声を即座にテキスト化する「リアルタイムの Speech to text（ストリーミング認識）」と、生成されたテキストの応答を即座に音声化する「リアルタイムの Text to speech」を組み合わせるのが、Azure Speechサービスの標準的かつ最適な設計です。
Aは誤りです。バッチ文字起こしは非同期で大量の録音データを処理するためのものであり、リアルタイムの会話や低待機時間の要件には全く適合しません。
Cは誤りです。埋め込みモデルは主にテキストのベクトル化（検索用途など）に使用されるものであり、オーディオのエンコード/デコード処理を行ってリアルタイムの音声対話を実現するコンポーネントではありません。
Dは誤りです。要件はユーザーとの自然な音声対話の実現であり、別の言語への翻訳が目的ではないため不適切です。
未挑戦
☆
問 4 選択問題
4：テキスト分析ソリューションの実装 / 4.2：音声ソリューションを実装する
4：テキスト分析ソリューションの実装 / 4.2：音声ソリューションを実装する
ライブ通話を文字起こしするために、Foundry ToolsのAzure Speechを使用するApp1という名前のアプリケーションがあります。
文字起こしのセグメントには、英語とスペイン語の両方が含まれることがよくあります。App1は、Foundry ToolsのAzure Translatorに各セグメントを送信して、別の言語に翻訳します。
言語が混在したセグメントは、不完全または不正確な翻訳になることがあります。
翻訳エラーを減らす必要があります。ソリューションは、トランスクリプト全体が正常に翻訳されることを確実にする必要があります。
セグメントをTranslatorに送信する前に何をすべきですか？
正解：
B
解説：
正解は B です。Azure Translatorは、1つのテキストセグメント内で言語が混在している（コードスイッチングが発生している）場合、正しく翻訳できないことがあります。ライブ通話の文字起こし時にAzure Speechの連続言語識別などの機能を使用して、言語が混在するセグメントを「言語ごと」の単一言語セグメントに事前に分割してからAzure Translatorに送信することで、各言語が正確に翻訳され、全体的なエラーを大幅に減らすことができます。
Aは誤りです。ドキュメント翻訳は、静的なファイルを非同期で翻訳するバッチ処理用のサービスであり、ライブ通話のリアルタイムなセグメント処理には適していません。
Cは誤りです。Translatorの自動言語検出は、入力されたテキスト全体から「主要な1つの言語」を推定する仕組みであるため、1つの文字列内に英語とスペイン語が混在している場合、精度の低い翻訳結果を引き起こす原因となります。
Dは誤りです。ソース言語を英語に固定してしまうと、スペイン語で話されている部分が完全に誤認識され、無意味な翻訳が出力されてしまいます。
未挑戦
☆
問 5 選択問題
4：テキスト分析ソリューションの実装 / 4.2：音声ソリューションを実装する
4：テキスト分析ソリューションの実装 / 4.2：音声ソリューションを実装する
カスタマーサポートプラットフォーム用に、Microsoft Foundryで音声処理ソリューションを構築しています。
社内のスーパーバイザーが通話の進行中に通話のトランスクリプトを表示し、問題を検出できるように、プラットフォームはライブ通話を文字起こしします。通話の音声は、テレフォニーシステムから継続的なストリームとして到着します。
通話のトランスクリプトが、音声ストリームの数秒以内に確実に表示されるようにする必要があります。
何をすべきですか？
正解：
D
解説：
正解は D です。テレフォニーシステムからの継続的な音声ストリームを入力とし、「通話の進行中に（ライブで）」数秒以内の低遅延で文字起こしテキスト（トランスクリプト）を生成するためには、Azure Speechサービスの「リアルタイムの Speech to text（ストリーミング文字起こし）」機能を使用するのが最適かつ唯一の要件を満たすアプローチです。
Aは誤りです。Text to speechはテキストを音声に変換するサービスであり、通話を文字起こしする要件の逆の機能です。
Bは誤りです。要件は通話の文字起こしであり、複数言語への翻訳は要求されていません。
Cは誤りです。バッチ文字起こしは、すでに録音・保存されたオーディオファイル（BLOBストレージ上のファイルなど）を非同期で処理するためのものであり、ライブ通話や数秒以内の低遅延表示という要件には対応できません。
未挑戦
☆
問 6 選択問題
1：Azure AI ソリューションの計画と管理 / 1.3：AI システムの管理、監視、セキュリティ保護
1：Azure AI ソリューションの計画と管理 / 1.3：AI システムの管理、監視、セキュリティ保護
Microsoft Foundryプロジェクトがあり、エージェントを内部ドキュメントにグラウンディングするためにAzure AI Searchを使用しています。
最近のコンテンツ更新後、ユーザーからエージェントの回答の正確性が低下したと報告がありました。
取得したコンテンツが、モデルが生成する応答に悪影響を与えているかどうかを特定する必要があります。
どの可観測性シグナルを確認すべきですか？
正解：
D
解説：
正解は D です。グラウンデッドネス（根拠への基づき）評価メトリックは、モデルの出力が取得されたコンテキスト（Azure AI Searchからのドキュメント）にどの程度正確に基づいているかを測定します。回答の正確性が低下し、新しく取得したコンテンツが原因かどうかを特定するには、このメトリックが最適です。
Aは誤りです。インデクサーのステータスは検索インデックス自体の更新状況やエラーを示すものであり、モデルの応答品質への直接的な影響を測定するものではありません。
Bは誤りです。待機時間のトレースはパフォーマンス（処理速度）の指標であり、回答の正確性には関係しません。
Cは誤りです。予測ドリフトメトリックは従来の機械学習モデルの精度変化を測定するものであり、RAGベースのエージェントのグラウンディング評価には使用しません。
未挑戦
☆
問 7 ドラッグ＆ドロップ（対応付け）
1：Azure AI ソリューションの計画と管理 / 1.3：AI システムの管理、監視、セキュリティ保護
1：Azure AI ソリューションの計画と管理 / 1.3：AI システムの管理、監視、セキュリティ保護
内部ドキュメントにグラウンディングされたカスタマーサポートエージェントを含むMicrosoft Foundryプロジェクトがあります。
最近の更新後、ユーザーから次の問題が報告されています：
- 一部の回答が、取得したドキュメントによってサポートされていない。
- 少数の応答がポリシー違反としてフラグ付けされている。
各問題を評価する必要があります。
各問題にどの可観測性シグナルを使用すべきですか？
💡 選択肢（クリックして選択し、下の回答枠に配置）
問題（対象項目）
サポートされていない回答
選択肢を選んで配置
ポリシー違反
選択肢を選んで配置
正解：
サポートされていない回答： ① グラウンデッドネス評価メトリック
ポリシー違反： ③ リスクと安全性のメトリック
解説：
「サポートされていない回答」の評価は ① が正解です。エージェントの回答が検索されたドキュメントのソースに基づいていない（ハルシネーションが発生している）ことを検証するには、「グラウンデッドネス評価メトリック」を使用します。
「ポリシー違反」の評価は ③ が正解です。ユーザーへの応答に有害なコンテンツや不適切な発言が含まれており、ポリシー違反としてフラグが立てられた問題を分析するには、「リスクと安全性のメトリック」を使用します。待機時間やトークン使用量分析は、これらの回答内容の品質や安全性の評価には使用できません。
未挑戦
☆
問 8 ホットスポット（文脈埋め込み）
2：生成 AI とエージェント ソリューションの実装 / 2.1：Foundry を使用して生成アプリケーションを構築する
2：生成 AI とエージェント ソリューションの実装 / 2.1：Foundry を使用して生成アプリケーションを構築する
Project1という名前のMicrosoft Foundryプロジェクトと統合する、App1という名前のPythonアプリケーションがあります。
App1が次の要件を満たしていることを確認する必要があります：
- Microsoft EntraマネージドIDを使用して認証する
- Azure OpenAI Responses APIを使用して、デプロイされたモデルにプロンプトを送信する
Pythonコードをどのように完成させるべきですか？
python
from azure.identity import DefaultAzureCredential
from azure.ai.projects import AIProjectClient
credential = ()
project_client = AIProjectClient(
endpoint="https://contosoai.services.ai.azure.com/api/projects/project1",
credential=credential,
)
with project_client.get_openai_client() as openai_client:
response = openai_client.responses.(
model="trail-guide-chat",
input="Create a 3-day hiking itinerary near Seattle.",
)
print(response.output_text)
正解：
解答箇所1 ③ DefaultAzureCredential
解答箇所2 ② create
解説：
解答箇所1は ③ DefaultAzureCredential が正解です。「Microsoft EntraマネージドIDを使用して認証する」という要件を満たすためには、環境変数、マネージドID、Azure CLIなどを順に評価して適切なEntra ID資格情報を自動で取得する DefaultAzureCredential を使用するのがベストプラクティスです。AzureKeyCredentialはキーベースの認証となるため要件に反します。
解答箇所2は ② create が正解です。Azure OpenAI Responses API（非同期/同期クライアントの標準的な操作）を使用してデプロイされたモデルに新しい推論リクエストを送信し、応答を生成するためには、`create()` メソッドを使用します。
未挑戦
☆
問 9 シナリオ問題
2：生成 AI とエージェント ソリューションの実装 / 2.3：生成 AI システムの最適化と運用化
2：生成 AI とエージェント ソリューションの実装 / 2.3：生成 AI システムの最適化と運用化
本問題は、同一のシナリオに対して異なる解決策を個別に提示する一連の問題群に含まれています。各問題には独自の解決策が提示されており、正解が複数存在する場合もあれば、正解がない場合もあります。
実際の試験において、このセクションの問題は、一度回答すると前の画面に戻ることはできません。そのため、回答後の見直し画面には表示されません。
取得したポリシードキュメントから要約を生成するエージェントを含むMicrosoft Foundryプロジェクトがあります。
取得したコンテンツに必須の規制条項が含まれている場合でも、一部の応答でその条項が省略されているとユーザーから報告されています。
応答の完全性を向上させる必要があります。
解決策：max_tokens パラメーターの値を増やす。
この解決策は目標を満たしていますか？
正解：
B
解説：
max_tokensパラメーターは生成される応答の最大長を制限するものであり、モデルの推論能力や、コンテキストから必要な情報（規制条項）を確実に抽出して要約に含める「完全性」を向上させるものではありません。
未挑戦
☆
問 10 シナリオ問題
2：生成 AI とエージェント ソリューションの実装 / 2.3：生成 AI システムの最適化と運用化
2：生成 AI とエージェント ソリューションの実装 / 2.3：生成 AI システムの最適化と運用化
本問題は、同一のシナリオに対して異なる解決策を個別に提示する一連の問題群に含まれています。各問題には独自の解決策が提示されており、正解が複数存在する場合もあれば、正解がない場合もあります。
実際の試験において、このセクションの問題は、一度回答すると前の画面に戻ることはできません。そのため、回答後の見直し画面には表示されません。
取得したポリシードキュメントから要約を生成するエージェントを含むMicrosoft Foundryプロジェクトがあります。
取得したコンテンツに必須の規制条項が含まれている場合でも、一部の応答でその条項が省略されているとユーザーから報告されています。
応答の完全性を向上させる必要があります。
解決策：temperature パラメーターの値を増やす。
この解決策は目標を満たしていますか？
正解：
B
解説：
temperatureパラメーターを増やすと、モデルの出力がよりランダムで創造的になり、一貫性が低下します。規制条項を正確かつ完全に含めるといった事実ベースの要約タスクにおいては、むしろハルシネーションのリスクを高めるため、不適切な解決策です。
未挑戦
☆
問 11 シナリオ問題
2：生成 AI とエージェント ソリューションの実装 / 2.3：生成 AI システムの最適化と運用化
2：生成 AI とエージェント ソリューションの実装 / 2.3：生成 AI システムの最適化と運用化
本問題は、同一のシナリオに対して異なる解決策を個別に提示する一連の問題群に含まれています。各問題には独自の解決策が提示されており、正解が複数存在する場合もあれば、正解がない場合もあります。
実際の試験において、このセクションの問題は、一度回答すると前の画面に戻ることはできません。そのため、回答後の見直し画面には表示されません。
取得したポリシードキュメントから要約を生成するエージェントを含むMicrosoft Foundryプロジェクトがあります。
取得したコンテンツに必須の規制条項が含まれている場合でも、一部の応答でその条項が省略されているとユーザーから報告されています。
応答の完全性を向上させる必要があります。
解決策：応答の完全性をスコアリングし、定義されたしきい値を下回る応答をブロックする評価フロー を実行する。
この解決策は目標を満たしていますか？
正解：
B
解説：
評価フローを実行して不完全な応答をブロックすることは、低品質な回答の出力を防ぐのには役立ちますが、ブロックされた後に「完全な応答をユーザーに確実に生成して返す」仕組みが組み込まれていない限り、応答自体の完全性を自律的に向上させる解決策にはなっていません。
未挑戦
☆
問 12 シナリオ問題
2：生成 AI とエージェント ソリューションの実装 / 2.3：生成 AI システムの最適化と運用化
2：生成 AI とエージェント ソリューションの実装 / 2.3：生成 AI システムの最適化と運用化
本問題は、同一のシナリオに対して異なる解決策を個別に提示する一連の問題群に含まれています。各問題には独自の解決策が提示されており、正解が複数存在する場合もあれば、正解がない場合もあります。
実際の試験において、このセクションの問題は、一度回答すると前の画面に戻ることはできません。そのため、回答後の見直し画面には表示されません。
取得したポリシードキュメントから要約を生成するエージェントを含むMicrosoft Foundryプロジェクトがあります。
取得したコンテンツに必須の規制条項が含まれている場合でも、一部の応答でその条項が省略されているとユーザーから報告されています。
応答の完全性を向上させる必要があります。
解決策：必須の条項が欠落している場合に応答を再生成する反省パス を追加する。
この解決策は目標を満たしていますか？
正解：
A
解説：
応答の完全性を向上させるためのベストプラクティスは、エージェントのワークフローに反省パスまたは自己評価ループを追加することです。これにより、モデルが生成した初期回答に必須の規制条項が含まれているかをエージェント自身で検証し、欠落している場合はプロンプトを再評価・再生成することで、最終的に完全な回答のみが提供されるようになります。
未挑戦
☆
問 13 選択問題
5：情報抽出ソリューションの実装 / 5.1：リトリーバルパイプラインとグラウンディングパイプラインを構築する
5：情報抽出ソリューションの実装 / 5.1：リトリーバルパイプラインとグラウンディングパイプラインを構築する
エージェントを含む Microsoft Foundry プロジェクトがあります。
このエージェントは、検索拡張生成（RAG）のために Azure AI Search を使用します。
PDF の製品マニュアルを取り込んでインデックス化する予定です。
意味的類似性のマッチングをサポートするソリューションを構築する必要があります。このソリューションは、ユーザーの質問が製品マニュアルとは異なる表現を使っていても、エージェントが関連データを取得できるようにしなければなりません。
どのインデックス作成手法を使用すべきですか？
正解：
A
解説：
ベクトル検索は、テキストを埋め込み（ベクトル）に変換して意味的な類似性でマッチングする手法です。ユーザーの質問がマニュアルと異なる表現でも、意味が近ければ関連データを取得できるため要件に合致します。セマンティックランキングは取得済み結果の再ランク付けを行う機能で、意味的類似性による検索そのものを実現するインデックス作成手法ではありません。サジェスターはオートコンプリートや検索候補の提示に使うもので、意味的マッチングには対応しません。アナライザーはテキストのトークン化や正規化を行う字句解析の仕組みで、表現の違いを超えた意味的類似性の検索はできません。よってベクトル検索が正解です。
未挑戦
☆
問 14 選択問題
1：Azure AI ソリューションの計画と管理 / 1.3：AI システムの管理、監視、セキュリティ保護
1：Azure AI ソリューションの計画と管理 / 1.3：AI システムの管理、監視、セキュリティ保護
Agent1 という名前のエージェントを含む Microsoft Foundry プロジェクトがあります。
エージェントは正常に実行されますが、Foundry Control Plane にエラー率、実行数、トークン使用量の値が表示されず、Traces タブも空です。
Foundry Control Plane が Agent1 の適切な値を表示するようにする必要があります。
何をすべきですか？
正解：
D
解説：
Foundry Control Plane がエラー率、実行数、トークン使用量、トレースを表示するには、テレメトリの収集先として Application Insights が必要です。Agent1 に対して Application Insights を有効にすると、トレースやメトリックが収集され、Control Plane に適切な値が表示されるようになります。エージェントを新しいバージョンに更新しても、テレメトリ収集が構成されていなければ値は表示されません。エージェントの再起動は一時的な動作であり、監視データの欠落原因を解決しません。Log Analytics ワークスペースはログの保存先ですが、エージェントのトレースやメトリックを Control Plane に表示するために必要なのは Application Insights の有効化です。よって D が正解です。
未挑戦
☆
問 15 ホットスポット（項目独立）
1：Azure AI ソリューションの計画と管理 / 1.3：AI システムの管理、監視、セキュリティ保護
1：Azure AI ソリューションの計画と管理 / 1.3：AI システムの管理、監視、セキュリティ保護
エージェントを含む Microsoft Foundry プロジェクトがあります。
このエージェントは、Azure キーコンテナからシークレットを取得するために、保存されたアクセスキーを使用しており、これはキーレス資格情報の要件に違反しています。
エージェントがシークレットを取得できるようにする必要があります。このソリューションは、最小特権の原則に従わなければなりません。
何を構成すべきですか？
注：正解1つにつき1点が与えられます。
マネージドIDのスコープ：
キーコンテナーの認可方法：
正解：
マネージドIDのスコープ： ② プロジェクトレベルでシステム割り当てマネージドIDを有効にする
キーコンテナーの認可方法： ③ マネージドIDにキーコンテナー シークレット ユーザー ロールを割り当てる
解説：
キーレス資格情報の要件を満たしつつ最小特権に従うには、必要な範囲に限定したプロジェクトレベルのシステム割り当てマネージドIDを有効にします。これによりキーの保存が不要になり、IDの範囲もプロジェクトに限定されます。Foundry レベルの有効化は範囲が広すぎ、最小特権に反します。サービスプリンシパルのクライアントシークレット保存は、シークレットを保存する時点でキーレス要件に違反します。認可には、シークレット読み取りに必要な権限のみを付与する RBAC ロール「キーコンテナー シークレット ユーザー」をマネージドIDへ割り当てるのが最小特権に合致します。APIキーの追加はキーレス要件に反し、アクセスポリシーは RBAC より粒度が粗く最小特権の観点で劣ります。よって上記が正解です。
未挑戦
☆
問 16 選択問題
4：テキスト分析ソリューションの実装 / 4.2：音声ソリューションを実装する
4：テキスト分析ソリューションの実装 / 4.2：音声ソリューションを実装する
GPT リアルタイムモデルを使用する、App1 という名前のカスタマーサポート Web アプリを Microsoft Foundry で構築しています。
App1 は次をサポートしなければなりません。
- Azure OpenAI を使用する、ライブで低遅延の音声会話
- ユーザーからのストリーミング音声入力と、音声応答の再生
クライアントアプリケーションでのリアルタイム音声ストリーミングをサポートし、約 100 ミリ秒の遅延を目標とする接続方法を構成する必要があります。
どの接続方法を使用すべきですか？
正解：
B
解説：
WebRTC は、ブラウザーやクライアントアプリケーションでのリアルタイムな双方向音声・映像ストリーミング向けに設計されており、約 100 ミリ秒という低遅延を実現できます。GPT リアルタイムモデルでのライブ音声会話にはクライアント側で WebRTC 接続が推奨されます。WebSocket はサーバー間（サーバーサイド）のリアルタイム連携に適しており、クライアント音声ストリーミングでは WebRTC ほどの低遅延を保証しにくいです。RTMP は主にライブ配信向けで双方向の対話用途には最適化されていません。SIP は VoIP のセッション確立プロトコルであり、モデルへの音声ストリーミング接続方法としては該当しません。よって WebRTC が正解です。
未挑戦
☆
問 17 選択問題
4：テキスト分析ソリューションの実装 / 4.1：言語モデルのテキスト分析を適用する
4：テキスト分析ソリューションの実装 / 4.1：言語モデルのテキスト分析を適用する
サポートチケット向けに、Azure Language in Foundry Tools でカスタム固有表現認識（NER）プロジェクトがあります。プロジェクトのスキーマには、ContactInfo という名前のエンティティタイプが含まれています。
タグ付けされたトレーニングファイルでは、ContactInfo は電話番号、メールアドレス、ソーシャルメディアのハンドルに使用されています。
モデル評価では、ContactInfo の適合率が低く、近くのテキストが ContactInfo として抽出される誤検出が含まれています。
プロジェクトの適合率を改善する必要があります。
モデルを再トレーニングする前に、何をすべきですか？
正解：
D
解説：
ContactInfo は電話番号、メール、ソーシャルメディアという性質の異なる複数の形式を1つのエンティティタイプに混在させており、これがモデルの識別を難しくし、近接テキストを誤って抽出する誤検出（適合率の低下）を招いています。エンティティを Phone、Email、SocialMedia のように意味的に一貫した個別タイプへ分割し、一致するスパンを再ラベル付けすることで、各タイプのパターンが明確になり適合率が向上します。信頼度しきい値を下げると誤検出はむしろ増えます。自動ラベル付けは既存の混在スキーマの問題を解決しません。データ量の追加（C）は主に再現率の底上げに寄与し、根本原因である異種混在の解消にはなりません。よって D が正解です。
未挑戦
☆
問 18 選択問題
4：テキスト分析ソリューションの実装 / 4.2：音声ソリューションを実装する
4：テキスト分析ソリューションの実装 / 4.2：音声ソリューションを実装する
テキストファイル内のスクリプトから指示を読み上げるために、Azure Speech in Foundry Tools を使用する text-to-speech ソリューションを構築しています。
このソリューションが技術用語をしばしば誤って発音することがわかりました。
誤った発音を防ぐ必要があります。このソリューションは開発の労力を最小限に抑えなければなりません。
何をすべきですか？
正解：
B
解説：
特定の技術用語の発音を正しく制御するには、SSML の phoneme 要素を使って音素（発音記号）を明示的に指定するのが最も直接的で、開発の労力も小さく済みます。say-as は日付・数値・電話番号などテキストの解釈方法を指定する要素で、任意の用語の発音そのものを修正する用途には適しません。prosody はピッチ・速度・音量などの韻律を調整するもので、発音の誤りは修正できません。カスタムニューラルボイスのトレーニングは大量データと時間を要し、労力が過大です。Whisper は音声認識（speech-to-text）モデルであり、text-to-speech の発音修正には使えません。よって B が正解です。
未挑戦
☆
問 19 選択問題
4：テキスト分析ソリューションの実装 / 4.1：言語モデルのテキスト分析を適用する
4：テキスト分析ソリューションの実装 / 4.1：言語モデルのテキスト分析を適用する
コンテンツ管理システムを設計しています。
ディスレクシアなどの理解力の低下や学習障害を持つユーザー向けに、読書体験が最適化されるようにする必要があります。このソリューションは開発の労力を最小限に抑えなければなりません。
ソリューションにどの Azure サービスを含めるべきですか？
正解：
C
解説：
Azure AI Immersive Reader は、テキストの読み上げ、行フォーカス、音節分割、品詞の色分け、翻訳などをすぐに利用できる、読解支援に特化したサービスです。ディスレクシアなど学習障害を持つユーザーの読書体験を、最小限の開発労力で最適化できます。Azure Document Intelligence は文書からの構造化データ抽出が目的で、読解支援機能は提供しません。Azure Language はテキスト分析（感情分析やエンティティ抽出など）が中心で、読書体験の最適化には直接対応しません。Azure Translator は翻訳のみを担い、読解支援全般はカバーしません。よって Azure AI Immersive Reader が正解です。
未挑戦
☆
問 20 ホットスポット（項目独立）
5：情報抽出ソリューションの実装 / 5.1：リトリーバルパイプラインとグラウンディングパイプラインを構築する
5：情報抽出ソリューションの実装 / 5.1：リトリーバルパイプラインとグラウンディングパイプラインを構築する
Azure AI Search を使用する強化パイプラインを作成しています。ナレッジストアには、非構造化 JSON データと、スキャンされた PDF ドキュメントからのテキストが含まれます。
各データタイプにどのプロジェクションタイプを使用すべきですか。回答するには、回答エリアで適切なオプションを選択してください。
注：正解1つにつき1点が与えられます。
JSONデータ：
抽出されたテキストデータ：
正解：
JSONデータ： ② Object projection
抽出されたテキストデータ： ③ Table projection
解説：
ナレッジストアのプロジェクションには3種類あります。Object projection は強化された JSON ドキュメントを BLOB として保存するもので、非構造化・階層的な JSON データの保持に適しています。したがって JSON データには Object projection を使用します。Table projection はデータをリレーショナルな行・列構造として保存するもので、スキャンされた PDF から抽出されたテキストを分析用に構造化して格納するのに適しています。よって抽出されたテキストデータには Table projection を使用します。File projection は正規化された画像などのバイナリファイルの保存専用であり、JSON やテキストデータの格納には該当しません。よって上記が正解です。
未挑戦
☆
問 21 ドラッグ＆ドロップ（順序並び替え）
3：コンピューター ビジョン ソリューションを実装する / 3.2：マルチモーダル理解ワークフローの設計と実装
3：コンピューター ビジョン ソリューションを実装する / 3.2：マルチモーダル理解ワークフローの設計と実装
工場の生産ラインで生産される欠陥部品を検出するアプリケーションを開発しています。部品はあなたのビジネスに固有のものです。
一般的な欠陥の検出に役立てるため、Azure Custom Vision API を使用する必要があります。
以下の選択肢から適切な 3 つのアクションを選択し、正しい順序に並べてください。
利用可能なアクション：
💡 選択肢（クリックして選択し、下の回答枠に配置）
【回答エリア】
ステップ 1
選択肢を選んで配置
ステップ 2
選択肢を選んで配置
ステップ 3
選択肢を選んで配置
正解：
③ プロジェクトを作成する
④ 画像をアップロードしてタグ付けする
⑤ 物体検出モデルをトレーニングする
解説：
Custom Vision で部品上の欠陥を検出し、その位置を特定するには物体検出プロジェクトが適しています。正しい手順は、まず物体検出用のプロジェクトを作成し（③）、次に欠陥部分をタグ付けした画像をアップロードして学習データを用意し（④）、最後に物体検出モデルをトレーニングします（⑤）。分類モデルのトレーニング（②）は、画像全体に単一ラベルを付与するもので、部品内の欠陥箇所を特定する検出用途には適しません。トレーニングデータセットの初期化（①）は Custom Vision のワークフローに含まれない不要な手順です。よって上記の順序が正解です。
未挑戦
☆
問 22 ドラッグ＆ドロップ（対応付け）
1：Azure AI ソリューションの計画と管理 / 1.3：AI システムの管理、監視、セキュリティ保護
1：Azure AI ソリューションの計画と管理 / 1.3：AI システムの管理、監視、セキュリティ保護
💡 選択肢（クリックして選択し、下の回答枠に配置）
マルチエージェントソリューションを含む Microsoft Foundry プロジェクトがあります。エージェントは、内部システムに対してクエリを実行するためにツール呼び出しを使用します。
次の要件を満たす責任ある AI の監査を実装する必要があります。
- エージェント実行全体にわたるすべてのネストされた操作をキャプチャする
- ツール呼び出しの引数と返された結果をメタデータとして記録する
各要件に対して、適切な選択肢を選択してください。各選択肢は、1回のみ、複数回、またはまったく使用されない場合があります。
選択肢：
対象項目：
エージェント実行全体にわたるすべてのネストされた操作をキャプチャする
選択肢を選んで配置
ツール呼び出しの引数と結果を記録する
選択肢を選んで配置
正解：
エージェント実行全体にわたるすべてのネストされた操作をキャプチャする： ① 階層スパン
ツール呼び出しの引数と結果を記録する： ④ ツール呼び出し属性
解説：
分散トレーシングでは、親子関係を持つ階層スパン（hierarchical spans）によって、エージェント実行全体にわたる入れ子になった一連の操作を漏れなくキャプチャできます。したがって、ネストされた操作のキャプチャには階層スパンが適切です。ツール呼び出しの引数や返された結果といった詳細情報は、スパンに付随するツール呼び出し属性（メタデータ）として記録します。KQLクエリフィルターは記録済みデータの検索・抽出用で、キャプチャ手段ではありません。サンプリングやトレースサンプリングポリシーは記録対象を間引く仕組みであり、「すべて」を捕捉する要件にはむしろ反します。よって上記が正解です。
未挑戦
☆
問 23 ホットスポット（はい/いいえ）
3：コンピューター ビジョン ソリューションを実装する / 3.2：マルチモーダル理解ワークフローの設計と実装
3：コンピューター ビジョン ソリューションを実装する / 3.2：マルチモーダル理解ワークフローの設計と実装
Azure Vision in Foundry Tools API への呼び出しから取得した結果を検証するテストメソッドを開発しています。この呼び出しは、画像内の会社ロゴの存在を分析するために使用されます。呼び出しは brands という名前のブランドのコレクションを返します。
次のコードセグメントがあります。
python
for brand in image_analysis.brands:
if brand.confidence >= 0.75:
print(f"\nLogo of {brand.name} between {brand.rectangle.x}, {brand.rectangle.y} and {brand.rectangle.w}, {brand.rectangle.h}")
次の各ステートメントが正しい場合は「はい」を選択してください。そうでない場合は「いいえ」を選択してください。
注：正解1つにつき1点が与えられます。
| ステートメント | はい | いいえ |
|---|---|---|
| このコードは、信頼度が 75 パーセント以上で検出された各ブランドの名前を表示する | ||
| このコードは、表示されたブランドのブランドロゴを含む四角形の左上隅の座標を表示する | ||
| このコードは、表示されたブランドのブランドロゴを含む四角形の右下隅の座標を表示する |
正解：
ステートメント1： はい
ステートメント2： はい
ステートメント3： いいえ
解説：
条件式 brand.confidence >= 0.75 により、信頼度 75 パーセント以上のブランドのみが名前とともに表示されるため、ステートメント1は正しいです。rectangle.x と rectangle.y は四角形の左上隅の座標を表すため、ステートメント2も正しいです。一方 rectangle.w と rectangle.h は四角形の幅と高さを表すものであり、右下隅の座標ではありません。右下隅を得るには x+w、y+h の計算が必要ですが、コードは幅と高さをそのまま出力しているため、ステートメント3は誤りです。よって上記が正解です。
未挑戦
☆
問 24 ホットスポット（文脈埋め込み）
1：Azure AI ソリューションの計画と管理 / 1.3：AI システムの管理、監視、セキュリティ保護
1：Azure AI ソリューションの計画と管理 / 1.3：AI システムの管理、監視、セキュリティ保護
エージェントを含み、KV1 という名前の Azure キーコンテナを使用する、Project1 という名前の Microsoft Foundry プロジェクトを作成する予定です。
Project1 から KV1 への接続を構成する必要があります。
Bicep コードをどのように完成させるべきですか。
注：正解1つにつき1点が与えられます。
bicep
resource existingKeyVault 'Microsoft.KeyVault/vaults@2024-11-01' existing = {
name: 'KV1'
scope: resourceGroup()
}
resource connection 'Microsoft.CognitiveSevices/accounts/connections@2025-04-01-preview' = {
name: '${aiFoundryName}-keyvault'
parent: aiFoundry
properties: {
category:
target: existingKeyVault.id
authType:
isSharedToAll:
metadata: {
ApiType: 'Azure'
ResourceId: existingKeyVault.id
location: existingKeyVault.location
}
}
}
正解：
解答箇所1 ② 'AzureKeyVault'
解答箇所2 ② 'AccountManagedIdentity'
解説：
接続先が Azure キーコンテナ（KV1）であるため、接続の category にはリソース種別に一致する 'AzureKeyVault' を指定します。'AzureAIService' や 'AzureOpenAI' は別サービス種別であり、キーコンテナ接続には該当しません。認証方式（authType）は、キーの保存が不要でセキュアなマネージドID認証を用いる 'AccountManagedIdentity' が適切です。'AccountKey' や 'ApiKey' はキーやシークレットの保存・管理を伴い、キーレス資格情報のベストプラクティスに反します。よって上記が正解です。
未挑戦
☆
問 25 ホットスポット（はい/いいえ）
4：テキスト分析ソリューションの実装 / 4.1：言語モデルのテキスト分析を適用する
4：テキスト分析ソリューションの実装 / 4.1：言語モデルのテキスト分析を適用する
言語モデルにプロンプトテキストを送信する前に機密情報を秘匿する Python アプリケーションがあります。このアプリケーションには次のコードがあります。
python
sample_text = "Contact John Doe at 312-555-1234 or john.doe@contoso.com. His SSN is 859-98-0987."
def redact_for_model(input_text):
payload = {
"kind": "PiiEntityRecognition",
"parameters": {
"modelVersion": "latest",
"piiCategories": ["Person", "PhoneNumber"],
"redactionPolicies": [
{
"policyKind": "entityMask"
}
]
},
"analysisInput": {
"documents": [
{
"id": "1",
"language": "en",
"text": input_text
}
]
}
}
...
return {
"text for model": doc.get("redactedText", ""),
"audit": [
(entity["text"], entity["category"], entity["confidenceScore"])
for entity in doc["entities"]
]
}
result = redact_for_model(sample_text)
次の各ステートメントが正しい場合は「はい」を選択してください。そうでない場合は「いいえ」を選択してください。
注：正解1つにつき1点が与えられます。
| ステートメント | はい | いいえ |
|---|---|---|
| sample_text に対して、audit には Contact と SSN のエンティティレコードが含まれる | ||
| sample_text に対して、text_for_model には john.doe@contoso.com と 859-98-0987 が含まれる | ||
| sample_text に対して、text_for_model には John Doe と 312-555-1234 のエンティティタイプマスクが含まれる |
正解：
ステートメント1： いいえ
ステートメント2： はい
ステートメント3： はい
解説：
piiCategories は ["Person", "PhoneNumber"] に限定されているため、検出されるエンティティは John Doe（Person）と 312-555-1234（PhoneNumber）のみです。"Contact" は一般語でエンティティではなく、SSN はカテゴリーに含まれないため検出されず、audit には含まれません（ステートメント1＝いいえ）。メール（john.doe@contoso.com）と SSN（859-98-0987）はカテゴリー外で秘匿されないため、redactedText にそのまま残ります（ステートメント2＝はい）。policyKind が entityMask のため、検出された Person と PhoneNumber はエンティティタイプのマスクに置換され、John Doe と 312-555-1234 はマスク表記となります（ステートメント3＝はい）。よって上記が正解です。
本番模擬試験（Associate/Expert仕様 (約50問/100分/700点合格)）
本番同様の出題数と時間配分で実力を測ります。
※選択肢は自動的にシャッフルされ、試験終了時に元の順序で正解・解説が表示されます。