Azure AI Languageの「質問応答（Question Answering）」機能について、正しい説明はどれですか。
1.Azure SQLデータベースにクエリを実行できる
2.リアルタイム音声入力を自動で文字変換して回答を返す
3.ユーザーの「意図（インテント）」を判別できる
4.類似質問に対して一貫した回答を返す
4
1.Azure SQLデータベースにクエリを実行できる
2.リアルタイム音声入力を自動で文字変換して回答を返す
3.ユーザーの「意図（インテント）」を判別できる
👍4.類似質問に対して一貫した回答を返す
Azure AI Languageの質問応答機能は、FAQや文書から最適な回答を抽出するサービスです。
この機能は、異なる言い回しの質問にも一貫した回答を返せる点が特長です。
例えば「営業時間は何時ですか？」と「何時に開いていますか？」のような類似質問にも同じ回答を提示します。
これにより、ユーザーごとの表現の違いに左右されず、安定した情報提供が可能です。
SQLデータベースへの直接クエリ実行や音声入力処理機能は持っていません。
また、ユーザーの意図（インテント）判別も対象外で、CLUなど別サービスが対応します。
質問応答は、FAQの自動化やチャットボットの構築に広く使われます。
高精度な自然言語理解を活用し、効率的な情報検索を実現します。
ナレッジベースを活用した応答は業務効率化にも貢献します。
柔軟な言語対応が求められる場面に最適なソリューションです。
ある小売企業では、FAQをもとにチャットボットを作成しました。
追加の開発なしで、このボットが実行できる動作はどれですか。
1.多数の顧客の質問に同時に応答する
2.顧客の支払い履歴を確認する
3.会員情報の更新手続きを完了させる
4.商品の返品申請を処理する
1
👍1.多数の顧客の質問に同時に応答する
2.顧客の支払い履歴を確認する
3.会員情報の更新手続きを完了させる
4.商品の返品申請を処理する
FAQをもとに作成されたチャットボットは、あらかじめ登録された質問と回答を用いて対応します。
追加開発を行わなくても、複数の顧客からの質問に同時に応答する機能が標準で備わっています。
たとえば、同時に「送料は？」「営業時間は？」と質問されても、個別に即座に回答が可能です。
この並列処理は、FAQ型ボットの基本機能として自動的に動作します。
一方で、顧客の支払い履歴の確認や会員情報の更新、返品申請の処理などは行えません。
これらは個別のユーザーデータへのアクセスやシステム連携、書き込み処理が必要となるためです。
そのため、業務システムと連携するには追加の開発やAPIの導入が必要になります。
FAQボットは、主に情報提供や一般的な問い合わせ対応に特化しています。
簡易な導入で運用でき、カスタマーサポートの負荷軽減に貢献します。
しかし高度な処理には拡張機能や別システムとの統合が求められます。
あなたのチームでは、売上予測モデルを複数回の実験により改良し続けています。
異なるバージョンのモデルを後から簡単に呼び出して比較・再利用できるようにするには、Azure Machine Learningでどの操作を行うべきですか。
1.モデルの説明を有効にする
2.推論用クラスターを作成する
3.モデルを登録する
4.学習用データを登録する
3
1.モデルの説明を有効にする
2.推論用クラスターを作成する
👍3.モデルを登録する
4.学習用データを登録する
Azure Machine Learningで売上予測モデルを継続的に改善する際、モデルの**登録**が重要です。
モデル登録を行うと、学習済みモデルがクラウド上に保存され、バージョン管理が自動で行われます。
これにより、「売上予測モデル v1」「v2」のように、異なるモデルの比較や再利用が簡単になります。
登録されたモデルは、デプロイや再学習にもすぐに使える状態で保持されます。
一方、「モデルの説明」は予測理由の可視化であり、バージョン管理とは異なります。
また、「推論用クラスターの作成」はデプロイ先のリソースを指すため、保存には関与しません。
「学習用データの登録」は再現性の確保には役立ちますが、モデルそのものの管理には不十分です。
モデル登録を通じて、チーム全体での一貫したモデル運用が実現できます。
過去のモデルとの性能比較も容易になり、実験の成果を明確に評価できます。
そのため、継続的な開発と効率的な管理には「モデルを登録する」操作が最適です。
あなたは、防犯カメラを使って不審者を特定するシステムを構築しています。このシステムでは認証されたスタッフだけが制限されたエリアに立ち入れるようにする必要があります。
どのComputer Visionの技術を組み合わせて実現することができますか。（２つ選択）
1.光学式文字認識（OCR)
2.顔検出
3.セマンティックセグメンテーション
4.画像分析
5.顔認識
25
1.光学式文字認識（OCR)
👍2.顔検出
3.セマンティックセグメンテーション
4.画像分析
👍5.顔認識
防犯カメラで不審者を特定し、認証スタッフのみが立ち入れるシステムには、
**顔検出**と**顔認識**の技術を組み合わせるのが適切です。
顔検出は映像内に人物の顔があるかを検知し、対象を特定する第一段階です。
顔認識は検出した顔が登録済みスタッフと一致するかを照合します。
この2つを連携させることで、許可された人物のみを入室させる制御が可能になります。
OCR（文字認識）はテキスト抽出に使われるため、この用途には適しません。
セマンティックセグメンテーションは画像中の領域分類であり、個人認証には不向きです。
画像分析は全体的な内容把握に使われ、顔の識別には特化していません。
顔検出と顔認識を活用することで、高精度な入退室管理と不審者対策が実現できます。
これらの技術はAzureなどのクラウドAIサービスで簡単に実装可能です。
ノーコードで自然言語処理モデルを使用したアプリケーションを構築できるサービスはどれですか。
1.Microsoft Copilot Studio
2.Microsoft Bot Framework
3.質問応答
4.Azure AI Document Intelligence
1
👍1.Microsoft Copilot Studio
2.Microsoft Bot Framework
3.質問応答
4.Azure AI Document Intelligence
ノーコードで自然言語処理（NLP）モデルを活用したアプリを構築するには、
**Microsoft Copilot Studio**の利用が最も適しています。
このサービスは、コーディング不要で会話型ボットを作成できるツールです。
ユーザーはビジュアルエディターを使って、質問応答やフローを直感的に設計できます。
これにより、自然言語を理解する対話型アプリを手軽に開発・運用できます。
一方で、**Bot Framework**は柔軟性は高いものの、開発にはコードが必要です。
**質問応答**は簡易的なFAQ用で、複雑なアプリには向きません。
**Azure AI Document Intelligence**は文書解析専用で、NLPアプリの構築には不向きです。
Copilot Studioは旧Power Virtual Agentsと統合されて発展したサービスです。
試験では旧名称で出題される可能性があるため、両方を把握しておくと安心です。
あなたは社内のイベントで撮影された写真から、参加した社員の顔を自動的に認識して名前をタグ付けするシステムを開発しようとしています。
この目的に最も適したAzure AI サービスはどれですか。
1.Azure AI Custom Vision
2.Azure AI Vision
3.Azure AI Face
4.Azure AI Form Intelligence
3
1.Azure AI Custom Vision
2.Azure AI Vision
👍3.Azure AI Face
4.Azure AI Form Intelligence
社内イベントの写真から社員の顔を識別し、名前をタグ付けするには、
**Azure AI Face**が最適なサービスです。
このサービスは、画像内の人物の顔を検出し、表情や特徴を分析できます。
さらに、登録済みの顔と照合する**顔認識**機能により、個人の特定が可能です。
例えば、事前に社員の顔データを登録しておけば、写真内の人物を自動で特定し、
「山田さん」「佐藤さん」などの名前タグを自動的に付与できます。
これにより手作業の手間が省け、管理が効率化されます。
一方、**Custom Vision**や**Vision**は顔の識別には向いていません。
**Form Intelligence**は帳票処理向けで、顔認識には使用できません。
このように、個人特定を伴う顔認識には**Azure AI Face**が適しています。
あなたは、以下のような顧客データを使って、購入傾向を予測する機械学習モデルを作成しています。
その過程で、年収の数値が非常に大きく、年齢に比べてモデルへの影響が過剰になっていることが分かりました。そこで、年収や年齢など、スケールが異なる数値変数を0〜1の範囲に統一するスケーリング処理を実施しました。
この処理は、次のうちどのステップに該当しますか。
1.特徴量エンジニアリング（Feature Engineering）
2.特徴量選択（Feature Selection）
3.データ取り込み（Data Ingestion）
4.モデル学習（Model Training）
1
👍1.特徴量エンジニアリング（Feature Engineering）
2.特徴量選択（Feature Selection）
3.データ取り込み（Data Ingestion）
4.モデル学習（Model Training）
機械学習モデルでは、異なるスケールの数値をそのまま扱うと、影響に偏りが生じます。
今回の例では、年収が年齢よりも大きな数値であり、モデルへの影響が過剰でした。
このようなバランスの悪さを防ぐために行うのがスケーリング処理です。
数値を0〜1の範囲に正規化することで、各変数の影響を均等にします。
この処理は、データの加工を伴う「特徴量エンジニアリング」に該当します。
「特徴量選択」は列の選別であり、スケーリングとは異なります。
「データ取り込み」は読み込み工程で、変換処理は含みません。
「モデル学習」は前処理後のデータを使って学習する段階です。
スケーリングはモデルの安定性と精度向上に寄与する重要な工程です。
よって、今回の処理は「特徴量エンジニアリング」に分類されます。
Azure AI Bot Serviceについて、空欄に最も適した選択肢を選んでください。
記述１：Azure AI Bot Serviceは________と統合できる。
記述２：Azure AI Bot Service は、FAQ（よくある質問）の内容を________ことができる。
1.
記述1：Microsoft Office 365 アカウント
記述2：インポートする
2.
記述1：Azure AI Services
記述2：インポートする
3.
記述１：Azure AI Services
記述２：外部のナレッジベースから呼び出し4.
記述1：Microsoft Office 365 アカウント
記述2：外部のナレッジベースから呼び出して応答する
3
1.
記述1：Microsoft Office 365 アカウント
記述2：インポートする
2.
記述1：Azure AI Services
記述2：インポートする
👍3.
記述１：Azure AI Services
記述２：外部のナレッジベースから呼び出し4.
記述1：Microsoft Office 365 アカウント
記述2：外部のナレッジベースから呼び出して応答する
Azure AI Bot Serviceは、ユーザーとの会話を自動化するボットを構築できるサービスです。
記述1の空欄には「Azure AI Services」が最も適しています。
これにより、自然言語処理や質問応答機能をボットに追加可能です。
例えば、Azure AI Languageの質問応答機能と連携できます。
記述2の空欄には「外部のナレッジベースから呼び出して応答する」が正解です。
Bot ServiceはFAQをインポートせず、外部の知識を参照して回答します。
そのため、FAQの管理は別のサービスで行います。
Microsoft Office 365との直接統合はサポートされていません。
誤った選択肢では機能の役割を正しく理解できません。
正しい理解により、Azure Botの設計精度が向上します。
あなたは、AIシステムを構築しています。
Microsoftの責任あるAIの「透明性の原則」を満たすアクションはどれですか。
1.コードのデバッグを行うための情報を開発者に提供する
2.ユーザーの属性に応じて、異なるインターフェースを表示する
3.AIシステムに倫理ガイドラインを適用してバイアスを軽減する
4.トレーニングに使用するデータが、法律に準拠して収集されていることを確認する
1
👍1.コードのデバッグを行うための情報を開発者に提供する
2.ユーザーの属性に応じて、異なるインターフェースを表示する
3.AIシステムに倫理ガイドラインを適用してバイアスを軽減する
4.トレーニングに使用するデータが、法律に準拠して収集されていることを確認する
AIシステムの「透明性の原則」とは、AIの仕組みや判断過程を理解・説明できるようにすることを指します。
開発者がコードのデバッグや挙動の検証を行えるよう情報を提供することは、この原則を満たす行動です。
透明性を確保することで、AIがどのように判断を下したのかを説明でき、信頼性が高まります。
一方で、ユーザーの属性に応じたUI変更は体験設計の工夫であり、透明性とは別の領域です。
また、倫理ガイドラインの適用は「公平性」の原則に関連し、透明性の観点とは異なります。
さらに、法令遵守やデータ収集の適正確認は「プライバシー」や「コンプライアンス」に関わります。
透明性を実現するためには、AIの仕組みを可視化し、開発者に理解可能な情報を提供することが重要です。
アルゴリズムの動作や結果の根拠を明示することで、説明責任を果たすことができます。
これにより、AIシステムの信頼性と倫理性が確保され、社会的受容性が向上します。
Microsoftの責任あるAIの透明性原則は、こうした説明可能性の確保を重視しています。
Azure AI サービスのSpeech-to-Textの使用例はどれですか。（２つ選択）
1.Webサイトや電子書籍においてテキストを読み上げる
2.音声アシスタントがユーザーの音声コマンドを理解して応答する
3.車のナビゲーションシステムが、ユーザーに行き先を音声で案内する
4.Webミーティングで自動文字起こしを有効にする
5.動画に自動的に字幕（クローズドキャプション）をつける
45
1.Webサイトや電子書籍においてテキストを読み上げる
2.音声アシスタントがユーザーの音声コマンドを理解して応答する
3.車のナビゲーションシステムが、ユーザーに行き先を音声で案内する
👍4.Webミーティングで自動文字起こしを有効にする
👍5.動画に自動的に字幕（クローズドキャプション）をつける
Azure AI サービスの Speech-to-Text は、音声をテキストに変換する技術であり、リアルタイムや録音データの解析に利用されます。
この技術の代表的な使用例は、「Webミーティングで自動文字起こしを有効にする」と「動画に自動的に字幕をつける」の２つです。
Webミーティングでの文字起こしでは、発言内容をリアルタイムでテキスト化し、会話を視覚的に追跡できます。
これにより、聴覚障がい者の支援や議事録の自動生成、話者識別による精度向上が実現します。
動画への自動字幕生成では、録画された音声を解析してテキスト化し、視聴者が音声なしでも内容を理解できます。
この機能は教育・研修動画やオンラインコースなどで特に有効です。
一方、「テキストを読み上げる」や「ナビが音声で案内する」は Text-to-Speech 技術に該当します。
また、「音声アシスタントの応答」は Speech-to-Text に加え、NLP や Text-to-Speech も関係します。
Speech-to-Text は、アクセシビリティ向上と情報共有効率化に大きく貢献するAI技術です。
Azureでは高精度な音声認識モデルにより、多様な言語や状況での利用が可能となっています。
あなたの会社では、Webサイト、電話、LINEチャットを通じて寄せられるよくある質問に自動で対応できる仕組みを導入したいと考えています。
業務の負担を軽減し、24時間対応を実現するには、どのAIソリューションを使うべきですか。
1.機械学習
2.チャットボット
3.コンピュータービジョン
4.自然言語処理（NLP）
2
1.機械学習
👍2.チャットボット
3.コンピュータービジョン
4.自然言語処理（NLP）
Webサイトや電話、LINEなど複数チャネルでよくある質問に自動対応するには、「チャットボット」の導入が最適です。
チャットボットは、AIを活用してユーザーの質問に即時応答する仕組みで、24時間対応と業務負担の軽減を実現します。
特にFAQをもとにした自動応答により、サポート対応の効率化と一貫性のあるサービス提供が可能です。
機械学習は予測や分類に強い技術ですが、会話対応の仕組み自体は提供しません。
コンピュータービジョンは画像解析技術であり、テキストや音声によるやり取りには適しません。
自然言語処理（NLP）は会話文を理解する技術で、チャットボットの構成要素の一つです。
近年のチャットボットはNLPを組み込み、より自然で柔軟な対話を実現しています。
例えば、「返品方法を教えて」といった質問に対して自動で手順を案内できます。
また、電話対応ではボイスボットとして発話によるやり取りにも対応可能です。
このようにチャットボットは、効率的でユーザーフレンドリーなサポート体制を支えるAIソリューションです。
あなたは保険会社のデータサイエンティストです。以下のような数値データをもとに、顧客の年齢や既往症の数、健康診断のスコアなどの情報から、年間保険料（円）を予測するモデルを構築しています。
このとき、使用している機械学習モデルの種類として最も適切なのはどれですか。
1.クラスタリング
2.回帰
3.分析
4.異常検知
2
1.クラスタリング
👍2.回帰
3.分析
4.異常検知
保険会社で顧客データをもとに年間保険料を数値で予測する場合、最も適切な機械学習モデルは「回帰（Regression）」です。
回帰モデルは、年齢・既往症数・健康診断スコアなどの数値的特徴量を入力し、連続的な数値を出力として予測します。
この手法は、金額・温度・売上・体重などのように、実数値を扱う問題に適しています。
モデルはデータ間の関係性を数式的に学習し、未知のデータに対しても予測を行えます。
クラスタリングはラベルのないデータを自動でグループ化する手法で、数値予測には使用されません。
また、「分析」はデータを調査・可視化する工程であり、モデルの種類そのものではありません。
「異常検知」は通常とは異なるパターンを識別する目的で使われ、予測とは異なる用途です。
回帰モデルを活用することで、保険料を適正に算出し、リスクに応じた価格設定が可能になります。
このような予測精度の向上は、顧客満足度や経営の効率化にも貢献します。
したがって、本ケースでは回帰モデルが最も妥当な選択といえます。
あなたは、複数のニュース記事を対象に、それぞれの記事で扱われている主要な話題やキーポイントを抽出して要約する処理を自動化したいと考えています。
このタスクに適している自然言語処理（NLP）の機能はどれですか。
1.キーフレーズ抽出
2.感情分析
3.エンティティ認識
4.言語検出
1
👍1.キーフレーズ抽出
2.感情分析
3.エンティティ認識
4.言語検出
ニュース記事から主要な話題やキーポイントを自動で抽出・要約するには、「キーフレーズ抽出」が最も適した自然言語処理（NLP）機能です。
キーフレーズ抽出は、文章内で繰り返し登場し重要と判断される語句を自動で抽出し、文書の主題を明確にします。
例えば「経済成長」「金利政策」「中央銀行」などが主要トピックとして抽出されます。
この機能により、複数の記事を比較して内容の傾向を効率的に把握できます。
一方、感情分析は文章のポジティブ・ネガティブ傾向を判定するもので、話題抽出には不向きです。
エンティティ認識は固有名詞（人名・地名など）の抽出に特化し、要約目的とは異なります。
また、言語検出は文章がどの言語で書かれているかを識別する機能です。
Azure AI の Text Analytics サービスでは、このキーフレーズ抽出機能を提供しています。
これにより、非構造的なテキストから自動的に情報を整理・要約できます。
ニュース要約やトピック分析には、この技術が最も効果的です。
あなたは、ユーザーが入力した短い文章をもとに、意味の通った段落（パラグラフ）を生成・補完するAI機能を開発したいと考えています。
この目的に最も適したAzure AIサービスはどれですか。
1.Azure OpenAI Service
2.Azure AI Content Safety
3.Azure Translator
4.Azure AI Language
1
👍1.Azure OpenAI Service
2.Azure AI Content Safety
3.Azure Translator
4.Azure AI Language
ユーザーの短い文章をもとに意味の通った段落を生成・補完するには、「Azure OpenAI Service」が最適です。
このサービスは GPT-3.5 や GPT-4 などの大規模言語モデルをクラウド上で利用でき、自然で一貫性のある文章を生成します。
モデルは膨大な文章データで学習され、文脈を理解して適切な文章を補完できます。
例えば「春は桜が咲いて美しい季節です」と入力すると、公園での花見や季節感を含む自然な段落を生成可能です。
Azure AI Content Safety は生成内容の安全性をチェックするサービスで、文章生成は行いません。
Azure Translator は翻訳専用で、段落生成機能はありません。
Azure AI Language はテキスト分析に優れるものの、長文生成には対応していません。
Azure OpenAI Service は文章作成支援や教育アプリ、チャットボットなど幅広い生成AI用途に活用できます。
自然な文脈のつながりを持つ文章を作る能力は、他の Azure AI サービスでは困難です。
このため、短文から段落を生成・補完するAI機能の開発には Azure OpenAI Service が中心的役割を果たします。
下記の記述はそれぞれ、Microsoftが掲げる「責任あるAIの基本原則」のどれに当てはまりますか。
記述１：自動車メーカーは、AIシステムによる自動運転の制御において、不測の事態が発生しても安全に対応できるようシステムを設計する
記述２：企業は、採用プロセスにおいてジェンダーバイアスを排除し、全ての候補者に対して一貫した評価基準を適用する
1.
記述１：公平性
記述２：包括性
2.
記述１：アカウンタビリティ
記述２：公平性
3.
記述１：信頼性と安全性
記述２：包括性
4.
記述１：信頼性と安全性
記述２：公平性
4
1.
記述１：公平性
記述２：包括性
2.
記述１：アカウンタビリティ
記述２：公平性
3.
記述１：信頼性と安全性
記述２：包括性
👍4.
記述１：信頼性と安全性
記述２：公平性
Microsoftの「責任あるAIの基本原則」では、AIの倫理的・社会的責任が明確に示されています。
記述１では、自動車メーカーが自動運転AIを不測の事態でも安全に動作するよう設計する点が示されています。
これは、AIシステムが常に安全かつ一貫した結果を出すことを重視する「信頼性と安全性」の原則に該当します。
クリティカルな場面でのAIの安全設計は、ユーザーや社会へのリスクを最小化する重要な要素です。
記述２では、採用プロセスでジェンダーバイアスを排除し全候補者に一貫した評価を行うことが示されています。
これは、AIが特定の属性に基づき不利益を与えないよう設計される「公平性」の原則に当たります。
公平性は、採用やローン審査など人に影響を与える判断に特に重要です。
誤って信頼性や包括性など他の原則に分類すると、本来の意図がずれてしまいます。
Microsoftの原則は、AIが倫理的かつ社会的責任を果たすためのガイドラインとして機能します。
正確に原則を理解し適用することで、安全で公平なAIシステムの構築が可能となります。
あなたは、メールのスパム判定モデルを作成するプロジェクトに参加しています。
モデルの性能がどれくらい良いかを判断するために、評価指標（例えばF1スコアや精度）を確認する最適なタイミングはいつですか。
1.モデルの設計を始める前
2.モデルの種類を検討する前
3.前処理済みのデータセットを作成した直後
4.モデルを実際にテストして予測結果を得た後
4
1.モデルの設計を始める前
2.モデルの種類を検討する前
3.前処理済みのデータセットを作成した直後
👍4.モデルを実際にテストして予測結果を得た後
メールのスパム判定モデルを開発する際、性能を判断するための評価指標（F1スコア、精度、再現率、適合率など）は、モデルをテストして予測結果を得た後に確認します。設計段階やデータ準備段階では、まだ予測結果が存在しないため、評価を行うことはできません。モデル開発の一般的な流れは、①データの収集と前処理、②モデルの選定と学習、③テストデータによる評価、④結果を基にした改善です。この中で③の段階が、評価指標を確認する最適なタイミングです。評価指標は、モデルがスパムと通常メールをどれだけ正確に分類できるかを数値で示し、性能を客観的に比較・分析するために用いられます。したがって、モデルの予測が完了した後に確認することが正しい手順となります。
あなたは、Azure AI Visionのオブジェクト検出（Object Detection）を使用して製造ラインの欠陥品チェックを行いたいと考えています。
オブジェクト検出で対応できない内容はどれですか。
1.製造中の製品画像から破損部位の位置を画像内に示すことができる
2.異なる形状や材質に合わせた破損状況をそれぞれ認識することができる
3.1枚の画像内に複数存在する欠陥製品をすべて検出できる
4.破損箇所に対して適切な修理方法を提案できる
4
1.製造中の製品画像から破損部位の位置を画像内に示すことができる
2.異なる形状や材質に合わせた破損状況をそれぞれ認識することができる
3.1枚の画像内に複数存在する欠陥製品をすべて検出できる
👍4.破損箇所に対して適切な修理方法を提案できる
Azure AI Visionのオブジェクト検出は、画像内の対象物を見つけて位置を特定する技術であり、製造ラインの欠陥品検出にも活用できます。破損箇所をバウンディングボックスで示したり、複数の欠陥を同時に検出したり、異なる形状や材質の製品にも対応可能です。Custom Visionを使えば、特徴の異なる欠陥を学習させて分類することもできます。しかし、この技術が担えるのは「検出と位置特定」までであり、破損の原因分析や修理方法の提案といった高度な判断には対応していません。修理方法を提案するには、専門知識を持つエンジンや生成AIとの連携が必要です。したがって、オブジェクト検出では破損箇所の特定は可能でも、修理方法の提示までは行えません。
ある開発チームは、リアルタイム推論が可能なサービスをAzure上で構築し、予測処理を即座に提供したいと考えています。
Azure Machine Learning デザイナーで作成したパイプラインをこの目的で使用するには、どのプラットフォームにモデルをデプロイすべきですか。
1.Azure Machine Learning コンピューティングインスタンス
2.自社サーバーにあるローカルサービス
3.Azure Container Instances
4.Azure Kubernetes Service（AKS）
4
1.Azure Machine Learning コンピューティングインスタンス
2.自社サーバーにあるローカルサービス
3.Azure Container Instances
👍4.Azure Kubernetes Service（AKS）
リアルタイム推論を実現するために、Azure Machine Learning デザイナーで構築したモデルを本番環境へ展開する際は、**Azure Kubernetes Service（AKS）** にデプロイするのが最適です。AKSは、Azure上で提供されるKubernetes環境であり、高い可用性とスケーラビリティを備えています。リアルタイム推論では、ユーザーからのリクエストに即座に応答し、アクセス量の増減に応じて自動的にスケールできることが求められます。AKSはこの要件を満たし、安定した応答性を維持しながら商用運用にも対応します。一方、コンピューティングインスタンスは学習・開発用、自社サーバーは拡張性に欠け、Container Instancesは短期テスト向けであり、本番推論には適していません。したがって、リアルタイム推論にはAKSの利用が最も効果的です。
機械学習の基本的な概念について、正しい記述はどれですか。
1.ラベリング（Labelling）とは、訓練用データに既知の正解（ラベル）を付けるプロセスのことである
2.モデルの性能を正しく評価するには、訓練に使ったデータをそのまま使うのが最も良い方法である
3.機械学習モデルは、事前に決められたパラメータだけを使って学習する
4.モデルの評価では、常に精度（Accuracy）だけを使うのが正しい
1
👍1.ラベリング（Labelling）とは、訓練用データに既知の正解（ラベル）を付けるプロセスのことである
2.モデルの性能を正しく評価するには、訓練に使ったデータをそのまま使うのが最も良い方法である
3.機械学習モデルは、事前に決められたパラメータだけを使って学習する
4.モデルの評価では、常に精度（Accuracy）だけを使うのが正しい
ラベリング（Labelling）は、機械学習において訓練用データに既知の正解（ラベル）を付与する重要なプロセスです。例えば、犬と猫の画像を分類する場合、それぞれに「犬」「猫」というラベルを付けることで、AIは特徴を学習し、未知の画像でも判断できるようになります。これは「教師あり学習（supervised learning）」と呼ばれ、ラベル付きデータがなければモデルは正しく学習できません。訓練に使ったデータを評価に使うと過学習の原因となるため、評価専用のデータが必要です。また、精度（Accuracy）のみで性能を判断すると偏りを見落とす恐れがあり、F1スコアや再現率なども併用すべきです。ラベリングはAIの精度を左右する基盤的な工程です。
Azure Machine Learningの自動機械学習（AutoML）の機能や用途について、正しい記述はどれですか。
1.自動機械学習では、あらかじめ定義された1つのアルゴリズムのみが使用される
2.専門的なプログラミングスキルがなくても、機械学習モデルの作成と評価を自動で行える
3.自動機械学習の設定は、ドラッグ＆ドロップ操作で処理フローを構築する形式になっている
4.ユーザーが任意のPythonコードを挿入してアルゴリズムの挙動を直接変更できる
2
1.自動機械学習では、あらかじめ定義された1つのアルゴリズムのみが使用される
👍2.専門的なプログラミングスキルがなくても、機械学習モデルの作成と評価を自動で行える
3.自動機械学習の設定は、ドラッグ＆ドロップ操作で処理フローを構築する形式になっている
4.ユーザーが任意のPythonコードを挿入してアルゴリズムの挙動を直接変更できる
Azure Machine Learningの自動機械学習（AutoML）は、機械学習モデルの作成や評価を自動化する機能です。
複数のアルゴリズムを自動的に試行し、最適なモデルを選択します。
専門的なプログラミングスキルがなくても利用可能です。
AutoMLはGUI上で設定できますが、ドラッグ＆ドロップで処理フローを作るわけではありません。
ユーザーが独自のPythonコードでアルゴリズムの挙動を直接変更することもできません。
通常はアルゴリズム選定や特徴量処理、ハイパーパラメータ調整、評価実行などが必要です。
これらをAutoMLが自動で処理するため、ユーザーは基本設定を行うだけで済みます。
データ選択、ラベル指定、評価指標や時間制限を設定するだけでモデルが自動生成されます。
複数のモデルが試され、最も性能の良いモデルが提案されます。
これにより、専門知識がなくても手軽に予測モデルを構築・評価できます。
あるデータサイエンティストが、Azure Machine Learning デザイナーで構築したモデルをWebサービスとして公開しました。
エンドユーザーがこのモデルを利用して予測を行うために、モデルの作成者から受け取るべき情報はどれですか。（２つ選択）
1.学習時のエポック数
2.認証キー
3.REST エンドポイント
4.モデルの学習に使用したデータセット
5.モデル作成時に使用したアルゴリズムの種類
23
1.学習時のエポック数
👍2.認証キー
👍3.REST エンドポイント
4.モデルの学習に使用したデータセット
5.モデル作成時に使用したアルゴリズムの種類
あるデータサイエンティストがAzure Machine Learning デザイナーで作成したモデルをWebサービスとして公開しました。
エンドユーザーがこのモデルで予測を行うには、作成者から必要な情報を受け取る必要があります。
学習時のエポック数や学習データ、使用アルゴリズムは推論には不要です。
必要な情報は「RESTエンドポイント」と「認証キー」の2つです。
RESTエンドポイントは、モデル予測を呼び出すためのURLの役割を持ちます。
ユーザーのアプリケーションがデータを送信すると、モデルの出力を取得できます。
認証キーはアクセスを許可されたものと証明するために使用されます。
これによりセキュリティを確保しつつ、外部からモデルに予測依頼が可能です。
Webサービス化により、専門知識がなくてもモデルを利用できる仕組みが提供されます。
この仕組みにより、安全かつ簡単に予測モデルを活用できます。
Azure AI Custom Visionの「物体検出モデル」に関して、空欄に最も適した選択肢を選んでください。
記述１：物体検出モデルを作成する際には、あらかじめ定義されたドメイン（領域）のセットを_____。
記述２：物体検出モデルを作成する際は、マルチラベルまたはマルチクラスの分類タイプを_____。
1.
記述１：選択できる
記述２：選択する必要がある
2.
記述１：選択できない
記述２：選択する必要がある
3.
記述１：選択できない
記述２：選択できない
4.
記述１：選択できる
記述２：選択できない
4
1.
記述１：選択できる
記述２：選択する必要がある
2.
記述１：選択できない
記述２：選択する必要がある
3.
記述１：選択できない
記述２：選択できない
👍4.
記述１：選択できる
記述２：選択できない
Azure AI Custom Visionには、画像分類モデルと物体検出モデルの2種類があります。
物体検出モデルでは、画像内の特定の物体を認識し、その位置とラベルを出力します。
モデル作成時には、あらかじめ定義された「ドメイン（領域）」を**選択でき**、
General（一般）、Retail（小売）、Landmarks（ランドマーク）などの中から目的に応じて選択します。
ドメインを選ぶことで、Microsoftの事前学習済みアルゴリズムが活用され、
少ないデータでも高精度なモデルを構築可能になります。
一方で、分類モデルで必要となる「マルチラベル」や「マルチクラス」の選択は不要です。
物体検出では、1枚の画像に複数のラベル付きオブジェクトを含められるため、
分類タイプの設定を行わなくても自動的に対応します。
したがって正解は「記述１：選択できる」「記述２：選択できない」です。
X（旧：Twitter）に投稿されたメッセージの感情を、ポジティブかネガティブかといった観点で判定するには、どのAI技術を使用すべきですか。
1.自然言語処理（NLP）
2.Computer Vision
3.異常検出
4.ナレッジマイニング
1
👍1.自然言語処理（NLP）
2.Computer Vision
3.異常検出
4.ナレッジマイニング
X（旧Twitter）に投稿されたメッセージの感情を判定するには、
「自然言語処理（NLP）」の技術を用いるのが最も適切です。
NLPは、人間の言語をコンピューターが理解・解析・生成する技術であり、
感情分析（センチメント分析）はその代表的な応用分野です。
この技術では、テキストを解析してポジティブ・ネガティブ・ニュートラルなど
感情の極性を自動的に分類します。
例えばSNSの投稿や商品レビューなどの文中から、
単語の選択や文脈を考慮して投稿者の感情を推定します。
Computer Visionや異常検出、ナレッジマイニングは用途が異なり、
テキストの感情分析には適していません。
NLPは企業の顧客分析やマーケティングに広く活用されています。
以下のシナリオ例のように、生成AIの応答品質を向上させるために文脈情報（コンテキスト）を提供することは、どのようなAI技術の例に当てはまりますか。
シナリオ例：社員が「経費精算の締切はいつですか？」とチャットボットに質問。
内容：あらかじめ、経理部の社内ルールや経費精算マニュアルの内容をプロンプトに含める。モデルはその文書を参考にして、正確な締切日やルールを回答に反映する。
1.グラウンディング
2.トークナイズ
3.意図認識
4.ファインチューニング
1
👍1.グラウンディング
2.トークナイズ
3.意図認識
4.ファインチューニング
生成AIの応答品質を高めるために、外部の文脈情報をプロンプトに含める手法は、
「グラウンディング（Grounding）」と呼ばれます。
これは、モデルが学習していない最新情報や社内固有の知識を補足し、
応答の正確性や関連性を高めるための技術です。
例えば、社員が「経費精算の締切はいつですか？」と質問した場合、
経理部のマニュアルや社内ルールをプロンプトに含めることで、
モデルがその内容を参照して正しい締切日を答えられます。
一方で、トークナイズはテキストを処理単位に分ける技術であり、
意図認識やファインチューニングも文脈情報の提供とは異なります。
したがって、このシナリオはグラウンディングの代表的な活用例です。
音声合成技術はどのようなシナリオで利用されていますか。（２つ選択）
1.音声アシスタントとの対話機能
2.動画の自動字幕起こし機能
3.テキストベースのチャットボット
4.テキストの読み上げ機能
5.ユーザーの音声をテキストに書き起こす機能
14
👍1.音声アシスタントとの対話機能
2.動画の自動字幕起こし機能
3.テキストベースのチャットボット
👍4.テキストの読み上げ機能
5.ユーザーの音声をテキストに書き起こす機能
音声合成技術（Speech Synthesis）は、テキストを人間の声のような音声に変換するAI技術です。
これにより、視覚情報だけでなく聴覚を通じて内容を伝えることができます。
代表的な活用例の一つが「テキストの読み上げ機能」で、
入力された文章を自然な声で読み上げ、視覚障がい者支援などに利用されます。
もう一つは「音声アシスタントとの対話機能」で、
SiriやAlexaなどが音声で応答する際にこの技術が使われています。
一方、「動画の自動字幕起こし」や「音声のテキスト化」は音声認識技術であり、
音声合成とは逆の処理を行います。
また、「テキストチャットボット」も音声を扱わないため該当しません。
したがって正しい選択は、音声アシスタントとテキスト読み上げ機能です。
次の選択肢の中から、Microsoftの「責任あるAIの基本原則」に該当するものを選択してください。（３つ選択）
1.信頼性と安全性
2.公平性
3.プライバシーとセキュリティ
4.機密性
5.多様性
123
👍1.信頼性と安全性
👍2.公平性
👍3.プライバシーとセキュリティ
4.機密性
5.多様性
Microsoftの「責任あるAIの基本原則」には、AIを安全かつ公平に運用するための指針が定められています。
その中で重要な原則の一つが「信頼性と安全性」です。
AIシステムが意図通りに機能し、予期せぬ状況でも安全に対応することを求めます。
次に「公平性」があり、性別や民族、年齢などに基づく偏りなくすべての人に平等に対応することが重要です。
さらに「プライバシーとセキュリティ」も基本原則で、
個人データを安全に保護し、承認された人のみがアクセスできるよう管理することが求められます。
一方、機密性や多様性は重要ですが、基本原則として明確には定義されていません。
Microsoftはこれらの原則を通じて、責任ある信頼できるAIの運用を目指しています。
AIが安定して正確な結果を提供するための指針として、
信頼性、安全性、公平性、プライバシーとセキュリティが中核的な役割を担っています。
あなたはマーケティング部門の担当者です。RFM（Recency、Frequency、Monetary）分析を活用して顧客の購買傾向ごとの特徴を明らかにし、それぞれに最適なマーケティング施策を検討したいと考えています。
このときに最も適した機械学習の手法はどれですか。
1.異常検知
2.回帰
3.分類
4.クラスタリング
4
1.異常検知
2.回帰
3.分類
👍4.クラスタリング
マーケティング部門で顧客の購買傾向を分析する際、RFM分析は有効な手法です。
RFM分析では、Recency（最終購入日）、Frequency（購入頻度）、Monetary（購入金額）の3指標を用います。
これに基づき顧客を評価し、ロイヤルカスタマーや離反傾向の顧客、新規顧客などを分類可能です。
顧客の特徴を把握し最適な施策を検討するには、教師なし学習の「クラスタリング」が適しています。
クラスタリングは、似たデータ同士を自動的にグループ化する手法です。
事前にラベルがなくても、共通点を見つけて自然に分類できる点が特徴です。
異常検知は例外データの発見、回帰は数値予測、分類は既知カテゴリの識別に使われますが、
未知の顧客グループを発見する目的には適していません。
RFM分析とクラスタリングを組み合わせることで、顧客ごとの最適施策を設計できます。
この手法により、マーケティング戦略の精度向上と効果的な顧客対応が可能になります。
あなたは、以下のデータセットを使用して不動産価格を予測する機械学習モデルを構築しようとしています。
このデータセットにおいて、ラベルと特徴をそれぞれ何に設定するのが適切ですか。（複数選択）
1.ラベル：物件の広さ
2.特徴：不動産価格
3.特徴：物件の広さ
4.特徴 ： 築年数
5.ラベル：築年数
6.ラベル ： 不動産価格
346
1.ラベル：物件の広さ
2.特徴：不動産価格
👍3.特徴：物件の広さ
👍4.特徴 ： 築年数
5.ラベル：築年数
👍6.ラベル ： 不動産価格
不動産価格を予測する機械学習モデルでは、ラベルと特徴の設定が重要です。
ラベルとは、モデルが最終的に予測する出力値のことです。
この場合、予測対象は「不動産価格」であり、ラベルとして設定します。
一方、特徴（特徴量）は予測に使用する入力データを指します。
モデルは、特徴をもとにラベルを予測するため、正しい設定が必要です。
このデータセットでは、「物件の広さ」と「築年数」が特徴として適しています。
物件の広さは価格に影響を与える要素であり、入力として利用されます。
築年数も価格決定の要因の一つであり、予測に活用されます。
不動産価格自体は入力ではなく出力のため、特徴には含めません。
適切なラベルと特徴の設定により、正確な価格予測モデルを構築できます。
あなたは、社内のFAQデータを活用したチャットボットを開発しています。
ユーザーが「返品ポリシーは？」のような自然言語を使用して質問を入力した際に、ナレッジベースから該当する情報を抽出して回答できるAIサービスはどれですか。
1.Azure AI Speech
2.Azure AI Language
3.Azure AI Bot Service
4.Azure Storage
2
1.Azure AI Speech
👍2.Azure AI Language
3.Azure AI Bot Service
4.Azure Storage
社内FAQデータを活用したチャットボットで、自然言語の質問に応答するには、
Azure AI Languageが適したAIサービスです。
このサービスは自然言語処理（NLP）を用いて、ユーザーの質問を理解します。
例えば「返品ポリシーは？」といった質問に対し、ナレッジベースから
最適な回答候補を抽出する質問応答（Question Answering）機能を提供します。
Azure AI Searchと連携することで、検索結果をプロンプトに渡すRAG構成も可能です。
これにより、最新かつ根拠のある応答を生成できます。
Azure AI Speechは音声変換、Bot Serviceは会話のインターフェース提供に特化し、
Azure Storageはデータ保存用で質問応答機能はありません。
Azure AI Languageを活用することで、FAQや文書から関連情報を自動抽出し、
顧客サポートや社内ヘルプデスクの効率的な応答が可能になります。
あなたは、住宅ローンの審査を行うAIシステムを開発しています。地域の住民にとって公平な判断ができるよう、バイアス（偏り）を最小限に抑えたモデルを作成したいと考えています。
この目的を達成するために、最も適切な対応はどれですか。
1.国外の住宅ローン申請者のデータを加える
2.顧客の人種や性別に関する項目を完全に除外する
3.地域の住民構成を正確に反映した学習用サンプルを用意する
4.データをランダムに抽出して学習に使用する
3
1.国外の住宅ローン申請者のデータを加える
2.顧客の人種や性別に関する項目を完全に除外する
👍3.地域の住民構成を正確に反映した学習用サンプルを用意する
4.データをランダムに抽出して学習に使用する
住宅ローン審査のAIシステムでは、公平な判断を行うためにバイアスを最小限に抑えることが重要です。
バイアスとは、特定の属性やグループに対して不公平な判断を下す状態を指します。
特定の人種や年齢層、地域に偏ったデータで学習すると、
実際の社会構成と異なる予測が行われ、不当な差別や機会の不均等が生じます。
国外データの追加や、特定属性の除外は逆効果や不十分な対応となる可能性があります。
最も適切な方法は、地域の住民構成を正確に反映した学習用サンプルを用意することです。
高齢者や低所得者層、地域ごとの多様な属性を含むことで、公平性が向上します。
データ抽出は母集団を代表する形で行うことが重要です。
こうした対応により、モデルは地域住民にとって公平な審査が可能になります。
バイアス対策は、社会的影響が大きいAIシステムにおいて欠かせない工程です。
あなたは、製造ラインにおける製品の異常検知モデルを構築しています。モデルの性能を評価するために、テストデータを用いて予測を行い、次のような混同行列（Confusion Matrix）が得られました。
※1 = 異常（positive）、0 = 正常（negative）
この混同行列において、次の記述に該当する数字はどれですか。
記述１：モデルによって正しく検出された異常の数（真陽性の数）
記述２：実際には異常であるにもかかわらず、モデルが正常と誤って予測した数（偽陰性の数）
1.
記述１：20
記述２：1898
2.
記述１：2
記述２：1898
3.
記述１：1898
記述２：20
4.
記述１：20
記述２：80
4
1.
記述１：20
記述２：1898
2.
記述１：2
記述２：1898
3.
記述１：1898
記述２：20
👍4.
記述１：20
記述２：80
製造ラインの異常検知モデルでは、混同行列を用いて性能を評価します。
異常（positive）は1、正常（negative）は0で表されます。
記述１は「モデルによって正しく検出された異常（真陽性）の数」です。
これは、実際に異常でモデルも異常と予測したケースで、混同行列の左上の値20です。
記述２は「実際は異常なのにモデルが正常と誤って予測した数（偽陰性）」です。
これは、実際は異常だがモデルが正常と予測した左下のセルで、値は80です。
異常検知モデルでは、真陽性を増やし、偽陰性を減らすことが重要です。
偽陰性の見逃しは不良品や故障に直結し、品質や安全性に重大な影響を及ぼします。
混同行列により、モデルの正確さや誤分類の傾向を可視化できます。
正しい評価により、異常検知モデルの改善や運用判断が可能になります。
下記の記述はそれぞれ、Microsoftが掲げる「責任あるAIの基本原則」のどれに当てはまりますか。
記述１：企業は、ユーザーの同意を得て収集した購買履歴データを活用し、商品レコメンドモデルを構築する。
記述２：病院は、患者の診療記録を活用し、疾患リスクを予測するAIモデルの導入を検討している。検査データに異常値や欠損値が含まれても、誤診を防ぐ仕組みを備える必要がある。
1.
記述１：信頼性と安全性
記述２：透明性
2.
記述１：プライバシーとセキュリティ
記述２：信頼性と安全性
3.
記述１：プライバシーとセキュリティ
記述２：アカウンタビリティ
4.
記述１：アカウンタビリティ
記述２：信頼性と安全性
2
1.
記述１：信頼性と安全性
記述２：透明性
👍2.
記述１：プライバシーとセキュリティ
記述２：信頼性と安全性
3.
記述１：プライバシーとセキュリティ
記述２：アカウンタビリティ
4.
記述１：アカウンタビリティ
記述２：信頼性と安全性
Microsoftの「責任あるAI」の基本原則には明確な役割があります。
記述１は、企業がユーザーの同意を得て購買履歴データを活用し、
商品レコメンドモデルを構築する内容です。
これは個人データの取り扱いに関する話であり、「プライバシーとセキュリティ」に該当します。
ユーザーのデータを安全に扱い、同意に基づいて収集・利用することを重視しています。
記述２は、病院が診療記録を用いて疾患リスク予測モデルを導入する場面です。
異常値や欠損値があっても誤診を防ぐ仕組みを備える必要があり、
AIが予期せぬ状況でも正しく動作することを求めています。
これは「信頼性と安全性」に該当し、特に医療分野での正確性と安全性を担保します。
両方の事例により、AIの安全・公平・適切な運用が重要であることが示されます。
自動機械学習（AutoML）の機能として正しいのはどれですか。（２つ選択）
1.提供されたユースケースからトレーニングデータを自動的に推論することができる
2.データセットを指定するだけで、自動的にどのラベルを予測すべきかを理解する
3.指定された指標をもとにモデルを評価し、最適なトレーニング結果を選択して動作する
4.機械学習モデルの開発における時間のかかる繰り返し作業を自動化する
34
1.提供されたユースケースからトレーニングデータを自動的に推論することができる
2.データセットを指定するだけで、自動的にどのラベルを予測すべきかを理解する
👍3.指定された指標をもとにモデルを評価し、最適なトレーニング結果を選択して動作する
👍4.機械学習モデルの開発における時間のかかる繰り返し作業を自動化する
自動機械学習（AutoML）は、専門知識がなくても高品質なモデルを開発できる仕組みです。
AutoMLの特徴の一つは、機械学習開発における時間のかかる繰り返し作業を自動化することです。
具体的には、特徴量の前処理やアルゴリズム選定、ハイパーパラメータ調整、
モデルの反復トレーニングなどを自動で実行します。
さらに、指定された評価指標をもとにモデルを評価し、
最適なトレーニング結果を選択して動作させることも可能です。
例えば、分類問題では精度やF1スコア、回帰問題ではMAEやRMSEが指標として用いられます。
AutoMLは複数のアルゴリズムやパラメータの組み合わせを試し、
最も高いスコアのモデルを自動で選び出します。
一方で、トレーニングデータや予測ラベルはユーザーが事前に提供する必要があります。
この仕組みにより、開発者は効率的かつ迅速に有用なモデルを構築できます。
下記の要件を満たすComputer Visionの機能はそれぞれ何ですか。
要件１：交通監視システムにおいて異常な行動をする車両を特定する
要件２：動物の写真からその動物の種類を特定し、それに基づいてキャプションを生成する
1.
要件１：物体検出
要件２：画像分類
2.
要件１：物体検出
要件２：顔認識
3.
要件１：光学式文字認識（OCR)
要件２：画像分類
4.
要件１：画像分類
要件２：光学式文字認識（OCR)
1
👍1.
要件１：物体検出
要件２：画像分類
2.
要件１：物体検出
要件２：顔認識
3.
要件１：光学式文字認識（OCR)
要件２：画像分類
4.
要件１：画像分類
要件２：光学式文字認識（OCR)
交通監視システムで異常な行動をする車両を特定する場合、物体検出が適しています。
物体検出は、画像内の特定の物体の位置を正確に把握し、動きや行動パターンを分析できます。
これにより、異常行動の車両を効率的に特定可能です。
一方、動物の写真から種類を特定しキャプションを生成する場合は、画像分類が適しています。
画像分類は、画像内の主要なオブジェクトや要素を識別し、カテゴリごとに分類する技術です。
分類結果をもとに、ライオンやゾウなど動物の種類を判定できます。
この情報をキャプション生成に活用することで、画像内容を説明する文章を作成可能です。
OCRや顔認識は、テキスト抽出や人物識別に特化しており、動物や車両の識別には不向きです。
物体検出と画像分類を適切に使い分けることで、交通監視や動物識別のニーズに対応できます。
AIによる画像解析は、位置情報やカテゴリ判定を基に効率的な分析・説明を可能にします。
会話型AIならびにAzure AI Bot Serviceについて正しい記述はどれですか。（２つ選択）
1.スマートスピーカーが「明日の天気予報を教えて」という問いに答えるのは会話型AIの応用例である
2.
録画された講義ビデオに対して自動的にキャプションを付けるのは会話型AIの応用例である
3.
オンラインストアで顧客サポートを提供する対話式チャットインターフェースはAzure AI Bot Serviceで実装できる
4.
医療診断のため患者の画像を解析する機能はAzure AI Bot Serviceで実装できる
13
👍1.スマートスピーカーが「明日の天気予報を教えて」という問いに答えるのは会話型AIの応用例である
2.
録画された講義ビデオに対して自動的にキャプションを付けるのは会話型AIの応用例である
👍3.
オンラインストアで顧客サポートを提供する対話式チャットインターフェースはAzure AI Bot Serviceで実装できる
4.
医療診断のため患者の画像を解析する機能はAzure AI Bot Serviceで実装できる
会話型AIは、人間とコンピューターの自然な対話を可能にする技術であり、主に自然言語処理（NLP）を活用して実現されます。
スマートスピーカーが「明日の天気予報を教えて」といった質問に答えるのは、その代表的な応用例です。
このようなシステムは音声を理解し、適切な情報を返すことで人間の会話に近い体験を提供します。
一方、録画された講義ビデオに自動で字幕を付けるタスクは、音声認識やComputer Vision技術の領域に該当します。
Azure AI Bot Serviceは、Microsoftが提供するクラウドベースのチャットボット開発・運用プラットフォームです。
このサービスを利用することで、オンラインストアなどで顧客対応を自動化する対話型チャットを実装できます。
Bot Serviceは、対話の設計、管理、デプロイを統合的に支援します。
一方、医療画像の解析などはBot Serviceの範囲外であり、Computer Vision技術が必要です。
会話型AIとAzure AI Bot Serviceは、人間との自然な対話を実現し、業務効率化に貢献します。
これらはAIの中でも、特にユーザー体験を高める分野に位置付けられています。
Azure AI Languageの使用例として正しいものはどれですか。（２つ選択）
1.特定の話者の声を識別して話者ごとに分離する
2.問い合わせ文から特定の値（エンティティ）を抽出する
3.音声による問い合わせをテキストに変換する
4.モデルの学習パイプラインを構築する
5.ユーザーの問い合わせから意図（インテント）を特定する
25
1.特定の話者の声を識別して話者ごとに分離する
👍2.問い合わせ文から特定の値（エンティティ）を抽出する
3.音声による問い合わせをテキストに変換する
4.モデルの学習パイプラインを構築する
👍5.ユーザーの問い合わせから意図（インテント）を特定する
Azure AI Languageは、自然言語処理（NLP）を用いてテキストから意味や情報を抽出するクラウドサービスです。
主に文書分類、感情分析、質問応答、エンティティ認識、会話理解などの機能を備えています。
ユーザーの問い合わせから意図（インテント）を特定する機能により、発言の背後にある目的を理解し、適切な応答を導くことができます。
例えば「パスワードをリセットしたい」という入力から、「パスワード再設定」という意図を判断します。
また、問い合わせ文から特定の値（エンティティ）を抽出する機能もあります。
これは文中の「日付」「場所」「人名」「商品名」などの情報を自動で識別する技術です。
「5月10日に東京で会議があります」という文では、「5月10日」と「東京」が抽出されます。
一方、話者の声を識別したり音声をテキスト化する処理はAzure AI Speechの領域です。
また、モデル学習やパイプライン構築はAzure Machine Learningの機能です。
したがって、Azure AI Languageは主にテキスト理解に特化したサービスといえます。
あなたはショッピングモール向けのマーケティングアプリを開発しています。アプリでは、店舗前を通る人々の年齢層とサングラス着用の有無を分析して、広告の表示内容を動的に変更したいと考えています。
これらの情報をリアルタイムで取得するには、Azure AI Faceのどの機能を使用するのが最も適切ですか。
1.顔検証（Face Verification）
2.顔のグループ化（Group faces）
3.顔検出（Face Detection）
4.似た顔の検索（Find similar faces）
3
1.顔検証（Face Verification）
2.顔のグループ化（Group faces）
👍3.顔検出（Face Detection）
4.似た顔の検索（Find similar faces）
ショッピングモール向けのマーケティングアプリでは、通行人の年齢層やサングラス着用の有無を分析し、広告内容を動的に変える仕組みが求められます。
このようなリアルタイム分析には、Azure AI Faceの「顔検出（Face Detection）」機能が最も適しています。
顔検出は、カメラ映像から顔の位置を特定するだけでなく、年齢・性別・表情・アクセサリーの有無などの詳細属性を抽出できます。
これにより、通行人の特徴をもとにターゲットを絞った広告表示が可能となります。
一方、「顔検証」は2つの顔画像が同一人物かを確認する機能であり、属性分析は行いません。
また、「顔のグループ化」は似た顔をクラスタリングするもので、個別の属性情報を取得する目的には不向きです。
「似た顔の検索」も照合や検索に特化しており、年齢や表情の取得には対応していません。
したがって、広告最適化には顔検出機能の活用が最適解といえます。
顔検出による属性情報は、マーケティング効果の最大化に直結します。
Azure AI Faceは、リアルタイムな顧客分析を可能にする強力なツールです。
以下のワークロードはどのAI技術で実現可能ですか。
・画像内の各ピクセルからそのオブジェクトを識別する
・画像の内容を説明するテキストを生成する
1.会話型AI
2.自然言語処理（NLP）
3.異常検知
4.Computer Vision
4
1.会話型AI
2.自然言語処理（NLP）
3.異常検知
👍4.Computer Vision
Computer Vision（コンピュータビジョン）は、画像や映像の内容を解析し、「何が写っているか」を理解するAI技術です。
画像内の各ピクセルごとにオブジェクトを識別するタスクは、Computer Visionの主要な応用例の一つです。
これは「セグメンテーション」や「オブジェクト検出」と呼ばれる技術を用いて実現されます。
ピクセルレベルでの識別により、画像内の人物、物体、背景などを細かく分類することが可能です。
また、画像の内容を説明するテキストを自動生成する「画像キャプション生成」もComputer Visionの機能です。
これは画像を理解し、その内容を自然言語で表現する技術であり、視覚情報とNLPの橋渡し的な役割を果たします。
一方、会話型AIは対話を目的とした技術であり、画像解析は行いません。
自然言語処理（NLP）はテキスト理解に特化し、画像のピクセル分析には適していません。
異常検知は時系列データの分析に使われ、画像分類とは異なります。
したがって、これらのワークロードに最も適するのはComputer Visionです。
バリデーションセット（Validation Set）について正しい記述はどれですか。
1.すべてのトレーニングデータがモデルの学習に使われたかどうかを検証するために使用される
2.モデルがラベルをどれだけ正確に予測するかを判断するために使用される
3.モデルの学習に直接使用される入力データのひとつである
4.トレーニングデータと同一のデータで構成されている
2
1.すべてのトレーニングデータがモデルの学習に使われたかどうかを検証するために使用される
👍2.モデルがラベルをどれだけ正確に予測するかを判断するために使用される
3.モデルの学習に直接使用される入力データのひとつである
4.トレーニングデータと同一のデータで構成されている
バリデーションセット（Validation Set）は、機械学習モデルの性能を評価するために用いられるデータセットです。
学習の途中でモデルの予測精度を確認し、過学習の防止やハイパーパラメータ調整に役立てます。
トレーニングセットとは異なり、モデルの重み更新には使用されません。
あくまで学習済みモデルが未知のデータにどれほど正確に予測できるかを判断する目的で利用されます。
例えば、猫と犬を分類するモデルでは、バリデーションセットの画像を使い正しい分類が行えるかを確認します。
これにより、学習データに偏りすぎたモデルを防ぐことができます。
「トレーニングデータの使用状況を検証する」目的や、
「トレーニングデータと同一のデータを使う」ことは誤りです。
また、バリデーションセットは学習データとは独立して分割されます。
最終的な性能評価には、さらに別のテストデータが用いられます。
次のうち、ユーザーの入力「商品の返品方法を教えて」の意味を解釈するために使用できるAIサービスはどれですか。
1.Azure AI Translator
2.Text Analytics
3.会話言語理解（CLU）
4.Azure AI Speech
3
1.Azure AI Translator
2.Text Analytics
👍3.会話言語理解（CLU）
4.Azure AI Speech
ユーザーの入力「商品の返品方法を教えて」の意味を解釈するには、Azureの会話言語理解（CLU）が適しています。
CLUは、ユーザーの発言から「何をしたいのか（インテント）」と「どんな情報が含まれているか（エンティティ）」を特定するAIサービスです。
例えば、この発言から「返品に関する問い合わせ」という意図を抽出し、「商品」という対象を認識できます。
これにより、チャットボットやアプリが適切な応答を自動で返せるようになります。
Azure AI Translatorは翻訳機能を提供しますが、意味や意図の理解はできません。
Text Analyticsは感情分析やキーフレーズ抽出が可能ですが、意図の解釈は行えません。
Azure AI Speechは音声をテキスト化する機能のみで、意味理解は含まれません。
CLUは旧LUISの後継として設計され、高精度かつ柔軟な会話理解を実現します。
これにより、ユーザーとの自然な対話や問い合わせ対応が可能となります。
AzureのNLP機能の一部として、会話型アプリケーション開発に広く活用されています。
あなたは、手書きのアンケート用紙の内容をデジタル化して分析したいと考えています。
この場合、Azure AIサービスのどの機能またはサービスを使用するのが適切ですか。
1.Azure AI Speech
2.Azure AI Vision
3.会話言語理解 (CLU)
4.Azure AI Face
2
1.Azure AI Speech
👍2.Azure AI Vision
3.会話言語理解 (CLU)
4.Azure AI Face
手書きのアンケート用紙をデジタル化して分析する場合、最適なAzure AIサービスは「Azure AI Vision」です。
Azure AI Visionは、画像から印刷文字や手書き文字を抽出するOCR機能を提供します。
これにより、スキャンや写真で取得したアンケートの内容をテキストデータ化できます。
OCR機能は日本語を含む多言語の手書き文字認識に対応しており、高精度で文字を抽出可能です。
チェックボックスや自由記述欄など、さまざまな回答形式にも対応しています。
こうして取得したデジタルデータは、分析や統計処理に活用できます。
Azure AI Speechは音声認識専用で、手書き文字の認識には不向きです。
会話言語理解（CLU）は発話内容の理解向けで、アンケートのOCRには適しません。
Azure AI Faceは顔認識や属性分析を行うサービスで、文字認識には対応していません。
そのため、アンケートのデジタル化と分析にはAzure AI Visionが最適です。
分類モデルの評価指標として使用されるものはどれですか。
1.TPR（真陽性率）
2.R²（決定係数）
3.RMSE（二乗平均平方根誤差）
4.MAE（平均絶対誤差）
1
👍1.TPR（真陽性率）
2.R²（決定係数）
3.RMSE（二乗平均平方根誤差）
4.MAE（平均絶対誤差）
分類モデルの評価指標として代表的なのはTPR（真陽性率）です。
TPRは、実際に陽性であるデータをモデルがどれだけ正確に陽性と予測できたかを示します。
これはRecall（再現率）とも呼ばれ、真陽性（TP）と偽陰性（FN）を用いて計算されます。
式はTPR = TP ÷ (TP + FN)で表されます。
分類モデルにおいて、特に陽性の見逃しが重大な場合に重要な指標です。
例えば、医療診断やスパムメール検出などで活用されます。
一方、R²（決定係数）は回帰モデルの性能を評価する指標であり、分類には適していません。
RMSE（二乗平均平方根誤差）も回帰向けで、分類モデルの評価には不適です。
MAE（平均絶対誤差）も同様に回帰モデル専用の指標です。
したがって、分類モデルの性能評価にはTPRが重要な指標となります。
X
LINE
はてな
アプリ
QRコード
URLコピー