MicrosoftLevel 3
Level とは ?

難易度は Level 1(やさしめ)〜Level 5(難関) の5段階です。

AI-103 問題集

合格報告 116 件 →

50問は会員登録なしで解答できます。

受験日が明日でも、先生が今夜の分を組みます。公式の出題範囲のうち、出る所から先に解く順番を組みます。

Developing AI Apps and Agents on Azure

公式の配点比率に沿って収録しています

公式の配点比率に沿って収録しています
分野公式の配点収録の配分問数
Azure AI ソリューションを計画・管理する25–30%23%128
生成 AI とエージェント ソリューションを実装する30–35%27%146
コンピューター ビジョン ソリューションを実装する10–15%11%60
テキスト分析ソリューションを実装する10–15%10%56
情報抽出ソリューションを実装する10–15%11%60
分野の記録なし—18%100

公開前に、公式の配点との差を検査しています。

問題の品質管理を見る →

栞先生この資格にも、全141資格を知る先生が付きます。持っている資格をもとに、受験日までの計画を組みます。
無料で50問解く →

この50問は、販売中の全550問から取り出した、有料分と同じ収録問題です。

2,980円で買う(模試 9 回・テキスト 3 点)

税込・買い切り・追加課金なし

購入には無料の会員登録が必要です(Google アカウントならワンクリックで登録でき、そのまま決済画面へ進みます)。

この価格に、下の全部が入っています

問題550問も、教科書も、模試も、これ一冊。

この教材だけで、合格ラインまで。

本番の形式:1 回 60 問・100 分・合格ライン 700点(1,000点満点のスケールスコア)

  • 問題と解説

    全550問

    • 選択式 全384問 :ほかの形式の問題と合わせて全550問で、うち540問を本番形式の模試9回に入れています・スマホで1問ずつ・進捗は自動保存
    • ケーススタディ 11事例・66問 :模試の全 9 回に入れています。長い要件文を読み、同じ事例の複数の設問に答える:本試験のケーススタディ型の設問に合わせた形式
    • 組み立て式 46問 :対応付け・並べ替えをタイルのドラッグで解く(スマホはタップ):本試験の操作型の設問に合わせた形式
    • 表から選ぶ形式 24問 :記述ごとの はい/いいえ など、表の各行で選んで答える:本試験の回答領域型の設問に合わせた形式
    • 空欄を選んで完成させる形式 30問 :文・コード・設定画面の空欄をプルダウンで埋める:本試験の画面操作型の設問に合わせた形式
    • ラボ形式の演習 10本 :Azure portal と Cloud Shell を再現した練習用の画面。Microsoft の試験でラボが出る場合の形式に合わせた練習
  • 模試 9 回

    1 回 60問・本番 100分

    • テキスト 3 点

      学習用テキスト・頻出度別ノート・暗記用ノート

      • テキスト3点(PDF) :参考書の買い足し不要。収録問題はテキストだけで解けるよう検品済み

    第2回以降をまとめて解放

    買うと、有料 8 回 480 問の模試(第2〜9回)・分野別の演習の問題10問・テキスト3点(PDF)が使えます。

    ご購入で使える物

    • 本番形式の模試 第2〜9回(全9回)
    • テキスト3点(PDF・参考書の買い足し不要)
    • ラボ形式の演習 10本

    最終更新: 2026-10-05(学習用テキストに説明を書き足しました)

    • ラボ形式の演習 10本(Azure portal と Cloud Shell を再現した練習用の画面)
    2,980円で買う(模試 9 回・テキスト 3 点)

    税込・買い切り

    合格報告 116 件 →

    部署・研修でまとめて使う場合は 法人まとめ買い(引き換えコード) をご覧ください。

    1. クレジットカードで決済します(Stripe の決済ページ)
    2. 決済が終わると、お使いのアカウントにすぐ解放されます
    3. 全 9 回・540 問の模試を、いつでも何度でも受けられます
    4. 購入者限定テキスト3点(PDF)を、このページからダウンロードできます

    テキストの見本を見る →

    栞先生

    買うと、家庭教師がつきます。

    先生が決めるのは、毎日解く問題と、間違えた問題を出し直す日です。受験前の学習の段取りを組む機能です。

    続きを読む ↓

    買ったあと受験日を入れると、マイページに「今日の分 ○ 問・約 ○ 分」が表示されます。間違えた問題は 1・3・7 日後にもう一度出題されます。

    忙しい日は「今日は休む」を押すと、残りの日で組み直します。

    この資格と重なる資格

    AI-103(Developing AI Apps and Agents on Azure・AI-102 の後継)の日本語問題集です。

    続きを読む ↓

    全550問・本番形式の模試9回・購入者限定の学習テキスト3点(PDF)が入っています。うち50問は、会員登録なしで無料で解答できます。

    Microsoft Foundry を使って生成 AI アプリとエージェントを開発するデベロッパー向けの中級資格で、2026 年に始まった試験です。

    AI ソリューションの計画と管理、生成 AI とエージェントの実装、コンピュータービジョン、テキスト分析、情報抽出までを扱います。

    本番と同じ 1 回 60 問・100 分の模試で、ケーススタディを含みます。合格ラインは 1,000 点満点中 700 点です。

    問題文は本番の日本語版の表現に合わせています。

    試験の情報
    主な学習トピック
    • Azure AI ソリューションの計画と管理(Foundry サービスの選定・構築・監視・セキュリティ・責任ある AI)
    • 生成 AI・エージェントソリューションの実装(Foundry でのアプリ/エージェント構築・最適化・運用化)
    • コンピューター ビジョンソリューションの実装(画像・動画生成、マルチモーダル理解)
    • テキスト分析ソリューションの実装(言語モデルによるテキスト分析、音声ソリューション)
    • 情報抽出ソリューションの実装(検索・グラウンディングパイプライン、ナレッジマイニング)
    出題範囲と試験の要点

    AI-103 の出題範囲(2026年4月16日版)に対応しています

    この問題集は、Microsoft 公式の学習ガイドにある出題範囲(2026年4月16日版)に沿って作った全550問の本番試験準拠の問題です。公式が示す次の5分野が、そのまま出題の軸になっています。

    • ・Azure AI ソリューションの計画と管理(配点25〜30%)
    • ・生成 AI とエージェント ソリューションの実装(配点30〜35%)
    • ・コンピューター ビジョン ソリューションの実装(配点10〜15%)
    • ・テキスト分析ソリューションの実装(配点10〜15%)
    • ・情報抽出ソリューションの実装(配点10〜15%)

    出題範囲が改定された場合も、追加料金なしで更新します(買い切り・アップデート無料)。

    出典: Microsoft Learn「AI-103 学習ガイド」(2026年9月確認)

    AI-103 試験の要点

    認定名
    Microsoft Certified: Azure AI Apps and Agents Developer Associate
    試験時間
    100分(受験者の画面。公式ページの表記は120分)
    問題数
    60問
    合格点
    700点以上(1,000点満点)
    受験料
    受験する国・地域で決まります。公式FAQでは、アソシエイト・エキスパートの試験は通常US$165とされています
    試験の言語
    日本語を含む10言語

    出典: Microsoft Learn「AI-103 試験ページ」・学習ガイド(2026年9月確認)。申し込み前に公式ページもご確認ください。

    この問題集でできること

    • ・本番形式の模試9回・全550問に、スマホでも1問ずつ解答できます。進捗は、この端末に自動で保存されます。
    • ・うち50問は、会員登録なしで解答できます。
    • ・学習用テキスト3点(PDF)が付くので、参考書を買い足さずに進められます。

    AI-103 試験のよくある質問

    AI-103 は日本語で受験できますか?
    できます。公式の試験ページでは、日本語を含む10言語で提供されています。
    公式の練習問題はありますか?
    あります。公式ページでは、AI Skills Navigator で練習問題(Practice Assessment)を受けられると案内されています。受けるにはサインインが必要です。
    どの分野から手をつければよいですか?
    配点がいちばん大きいのは「生成 AI とエージェント ソリューションの実装」の30〜35%です。次が「Azure AI ソリューションの計画と管理」の25〜30%で、この2分野で全体の半分を超えます。
    受験料はいくらですか?
    公式ページには、受験する国・地域で価格が決まるとあり、金額は載っていません。公式FAQでは、アソシエイト・エキスパートの試験は通常US$165とされています。円での金額は、Pearson VUE の申し込み画面で確認できます。

    AI-103 の模試を解く

    全 550 問のうち 540 問を、本番形式の模試 9 回(1 回 60 問)に分けました。

    続きを読む ↓

    残りの 10 問は、模試の各回を 60 問にそろえるため模試に入れず、分野別の演習で解答できます。50問は会員登録なしで解答できます。

    模試の第1回(60問)は、無料の会員登録で利用できます。

    会員登録(無料)で解く

    本番形式で挑戦

    本番試験の制限時間(100分)でカウントダウン。途中で正誤は出ません。

    ランダムな順で解く ▸

    「ランダム」は出題順だけ変わります(選択肢の並びは変えません)。

    購入者限定テキスト(3点)

    問題集のご購入で、AI-103の学習テキスト3点(PDF)をダウンロードできます。

    続きを読む ↓

    この3点は参考書の買い足しが要らないように作っています。収録しているすべての問題を、テキストの記述だけで解けるところまで、問題との突き合わせ検品を重ねて仕上げました。

    学習用テキストと頻出度別ノート、暗記用ノートの3冊と問題演習で、合格ラインまでここで完結します。

    形式はPDFです。スマホに保存しておけばログインなしでいつでも見返せますし、紙で勉強したい方は印刷して紙のテキストとしても使えます。

    3冊の使い方

    1. 学習用を読む
    2. 頻出度別で解き方を掴む
    3. 問題演習で腕試し
    4. 頻出度別に戻って再確認(試験直前もここ)

    暗記用ノートは、空き時間の反復と用語の確認に使います。

    スマホ・タブレットはA5版、PCはA4版が読みやすい設計です。

    2026年9月1日 改訂:学習用テキストに図解を30枚追加しました(構成図・流れ図・対応表など、本文の理解を助ける技術図解です)。

    ご購入済みの方は、下のボタンから再ダウンロードすると最新版になります。

    無料サンプルを見る(学習用テキストの第1章・PDF)→

    テキストはご購入者本人の学習用です。PDFの各ページにはご購入者を識別できる透かしが入ります。再配布・転載・AI学習利用はできません。

    改訂の履歴

    • 2026年10月5日:学習用テキストに説明を書き足しました
    • 2026年10月2日:模試の回ごとの組み合わせを見直しました
    • 2026年9月1日:学習用テキストに図解を30枚追加しました

    ご購入済みの方は、最新版をお使いいただけます。

    ラボ形式の演習(全10本)

    Microsoft の試験でラボが出る場合の形式に合わせた練習です。

    続きを読む ↓

    課題の一覧を読み、ラボ用のアカウントでサインインして、Azure portal・Foundry portal・Cloud Shell(Bash/PowerShell)を再現した練習用の画面で環境を仕上げます。

    採点は提出した時点の最後の状態で行い、どの画面で操作したかは問いません。提出すると、課題ごとの達成・足りなかった設定・模範の手順が表示されます。

    いま無料で開けるのは1本です(会員登録も不要です)。問題集のご購入で残り9本が解放されます。

    ケーススタディ形式 ── 事例演習

    Microsoft の認定試験で使われる出題形式のうち、長い要件文を読んで複数の設問に答えるケーススタディを、事例ごとに練習できます。ここでは出題範囲のテーマに沿った全11事例・66問を、事例文+選択式の設問で演習できます。事例1は無料の会員登録で解答できます。問題集のご購入で残り10事例も解放されます。

    見本 10 問(無料 50 問から)

    問 1. ある製造会社は、製品マニュアルの PDF を Azure Blob Storage に大量に保存しており、毎週新しい版が追加される。これらを Azure AI Search で検索できるようにしたい。担当者が手作業でアップロードする運用は避け、Blob Storage から内容を定期的に取得して、検索インデックスへ自動で投入する仕組みが必要である。Azure AI Search で構成すべきコンポーネントはどれか。
    1. インデックス(Index)
    2. インデクサー(Indexer)(正解)
    3. スキルセット(Skillset)
    4. エージェント(Agent)

    解説

    インデクサー(Indexer)は、Blob StorageやAzure SQL Databaseなどのサポートされたデータソースからコンテンツを取得し、必要に応じてスキルセットで加工したうえでインデックスに投入する、データ取り込みを自動化するコンポーネントです。「インデックス(Index)」は誤りです。インデックスはインデクサーによって投入されたデータを実際に格納・検索する対象そのものであり、データを取得する役割を担うコンポーネントではありません。「エージェント(Agent)」は誤りです。エージェントはAzure AI Search自体の構成要素ではなく、検索インデックスを利用する側(例: Microsoft Foundryのエージェント)を指す用語です。

    問 2. ある会社は、Microsoft Foundry のモデル カタログから複数のモデルを使い分ける計画を立てている。用途ごとにサーバーレス API・プロビジョニングスループット・マネージド コンピューティング・バッチのどれでデプロイするかを決めるため、チームが各方式の特徴を書き出した。デプロイ方式に関する説明として、正しいものはどれか。
    1. マネージド コンピューティングへのデプロイでは、基盤となる仮想マシンのインスタンス タイプやスケール台数をチーム側で意識する必要がない
    2. サーバーレス API(Models as a Service)では、トークン単位の従量課金で使え、推論を実行する GPU のインフラをチーム側で用意する必要がない(正解)
    3. プロビジョニングスループット(PTU)は、実際に処理したトークン数に応じて課金され、呼び出し量が少ない月は料金がほとんど発生しない
    4. バッチ デプロイは、即時の応答が必要な対話型アプリ向けの方式であり、Standard の同期呼び出しよりも応答が速く返る

    解説

    サーバーレス API(Models as a Service)は Microsoft 側の基盤で動き、トークン単位で課金されるため、チームが GPU のインフラを用意する必要がありません。「マネージド コンピューティングへのデプロイでは、基盤となる仮想マシンのインスタンス タイプやスケール台数をチーム側で意識する必要がない」は正解になりません。マネージド コンピューティングでは VM(GPU インスタンス)の SKU やスケール台数をチーム側で選択・管理する必要があるので、誤りです。「プロビジョニングスループット(PTU)は、実際に処理したトークン数に応じて課金され、呼び出し量が少ない月は料金がほとんど発生しない」は正解になりません。PTU は確保した処理容量に対して課金され、呼び出し量が少ない月でも料金は変わらないので、誤りです。「バッチ デプロイは、即時の応答が必要な対話型アプリ向けの方式であり、Standard の同期呼び出しよりも応答が速く返る」は正解になりません。バッチは非同期で処理する代わりに単価が下がる方式で、リアルタイム応答向けでも応答が速いわけでもないので、誤りです。

    問 3. ある会社は、Microsoft Foundry で問い合わせの要約と回答の下書きを作るアプリを開発している。チームは最新でベンチマークの点が最も高いモデルを使いたいと主張しているが、予算と応答時間の制約もある。生成 AI アプリで使うモデルを選定する際に考慮すべき基準として、最も適切な組み合わせはどれか。
    1. ベンチマークの総合スコアが最も高いモデルを、トークン単価やレイテンシの要件を確かめずに選んで使う
    2. 最新の世代のモデルを選び、タスクの複雑さとトークン単価、必要なコンテキスト長は導入した後に確認する
    3. 対応言語数とモデルの提供元を基準にし、タスクの複雑さは問わずに選ぶ
    4. タスクの複雑さ、必要なコンテキスト長、レイテンシ要件、トークン単価などのコストとのバランス(正解)

    解説

    モデル選定では、解きたいタスクの複雑さや必要な文脈長、要求されるレイテンシ、コスト(トークン単価)など複数の観点をバランスさせて判断する必要があります。「ベンチマークの総合スコアが最も高いモデルを、トークン単価やレイテンシの要件を確かめずに選んで使う」は誤りです。スコアが高いモデルでも、単価やレイテンシが要件に合わなければ適切とは言えず、限定的なタスクでは小型のモデルで足りることがあります。「最新の世代のモデルを選び、タスクの複雑さとトークン単価、必要なコンテキスト長は導入した後に確認する」は誤りです。最新のモデルが要件に最適とは限らず、単価やコンテキスト長を導入後に確かめるのでは、費用やレイテンシの問題を事前に防げません。「対応言語数とモデルの提供元を基準にし、タスクの複雑さは問わずに選ぶ」は誤りです。対応言語数や提供元だけでは、タスクに要る推論能力・コンテキスト長・コストのつり合いを判断できません。

    問 4. あるスタートアップは、社内文書の件名を「経費」「休暇」「その他」に分ける定型の分類だけを行う軽量な機能を、できるだけ低コストで動かしたい。将来、複雑な自由記述の要約が必要になった場合は、その時点で別のモデルへの切り替えを検討する方針である。現時点の定型の分類のタスクに使うモデルの選び方として、最も適切なものはどれか。
    1. 将来の複雑な自由記述の要約に備え、現時点の定型の軽量な分類にも最大規模のフロンティアモデルを使い、後からモデルを切り替える検討の手間を省く
    2. タスクの狭さ・定型性に見合った軽量な Small Language Model(SLM)を選び、必要に応じて狭いタスクに特化したファインチューニングを検討する(正解)
    3. モデルを使わず、件名の語に正規表現でキーワードを当てる分類を作り、軽量化を最優先にする
    4. 埋め込みモデルで件名をベクトル化し、検討した分類ごとの代表ベクトルとの近さで分類する軽量な仕組みを、モデルのデプロイなしで低コストに作る

    解説

    定型的で狭いタスクには SLM のような軽量モデルが低コスト・低レイテンシで適しており、必要に応じて特化のファインチューニングを行うことで実用十分な精度を得やすくなります。将来的に複雑なタスクが必要になった時点で、大規模モデルへの切り替えを検討すればよいという設計です。「将来の複雑な自由記述の要約に備え、現時点の定型の軽量な分類にも最大規模のフロンティアモデルを使い、後からモデルを切り替える検討の手間を省く」は誤りです。将来の要件のために今から最大のモデルを使うと、定型の分類には過剰で、低コストで動かす現時点の要件に反します。「モデルを使わず、件名の語に正規表現でキーワードを当てる分類を作り、軽量化を最優先にする」は誤りです。正規表現のキーワードマッチは表記揺れや曖昧な件名に弱く、分類の精度が不十分になりやすいです。「埋め込みモデルで件名をベクトル化し、検討した分類ごとの代表ベクトルとの近さで分類する軽量な仕組みを、モデルのデプロイなしで低コストに作る」は誤りです。埋め込みにも埋め込みモデルのデプロイが要り、近さの判定の作り込みも必要です。定型の分類を低コストで動かすなら、タスクに見合った SLM を選ぶのが素直です。

    問 5. あるソフトウェア会社は、社内の開発者向けに、エディターで書きかけの関数の続きを提案し、テストのコードを書くアシスタントを導入したい。チームは、汎用の会話向けの大規模言語モデルと、プログラミングに特化したモデル(コード モデル)のどちらを採用するかを比べている。コード モデルが汎用の会話向けモデルと比べて一般的に優れている点はどれか。
    1. 一般的な雑談や幅広い時事的な話題に対する、自然な受け答えの精度が十分に高いこと
    2. 画像に写っている物体の種類と位置を正しく識別する、画像認識の精度が優れていること
    3. ソースコードの補完・生成や、プログラミング言語特有の構文・慣用パターンの精度(正解)
    4. 複数の言語間で音声を翻訳する音声翻訳の精度が高いこと

    解説

    コードモデルはソースコードのコーパスで重点的に学習されており、コードの補完・生成やプログラミング言語特有の構文パターンの再現精度で汎用会話モデルより優れる傾向があります。「一般的な雑談や幅広い時事的な話題に対する、自然な受け答えの精度が十分に高いこと」は誤りです。雑談や幅広い時事知識への対応は汎用会話モデルの得意領域であり、コードモデルの優位点ではありません。「画像に写っている物体の種類と位置を正しく識別する、画像認識の精度が優れていること」は誤りです。コードモデルはテキスト(コード)に特化しており、画像認識能力を主目的として学習されているわけではありません。「複数の言語間で音声を翻訳する音声翻訳の精度が高いこと」は誤りです。音声翻訳はコードモデルの学習目的や得意領域ではありません。

    問 6. ある商社の開発部門は、生成 AI のモデルの出力を JSON で受け取っている。JSON mode(response_format を json_object に指定)と Structured Outputs(json_schema によるスキーマの指定)の両方が使えるため、設計書に両者の違いを書く。違いについて、正しい説明はどれか。
    1. JSON modeもStructured Outputsも、出力が指定したJSON Schemaのフィールド構成に一致することを保証し、両者の違いは指定の書き方だけである
    2. JSON modeは出力が構文的に有効なJSONであることを保証するに留まり、Structured Outputsはさらに指定したJSON Schemaへの準拠まで保証する(正解)
    3. JSON modeは指定したJSON Schemaへの準拠まで保証し、Structured Outputsは出力が構文として有効なJSONであることだけを保証するのにとどまる
    4. JSON modeもStructured Outputsも、生成AIモデル側の機能ではなく、Azure AI Language のテキスト分析の API に備わる、出力の形式を指定する機能である

    解説

    JSON modeは出力が構文的に正しいJSON文字列であることを保証しますが、フィールド名や型がスキーマ通りである保証はありません。Structured Outputsはさらに一歩進み、指定したJSON Schemaへの準拠(必須フィールド・型)まで保証します。「JSON modeもStructured Outputsも、出力が指定したJSON Schemaのフィールド構成に一致することを保証し、両者の違いは指定の書き方だけである」は誤りです。JSON mode が保証するのは構文的に有効な JSON であることだけで、スキーマへの準拠まで保証するのは Structured Outputs です。「JSON modeは指定したJSON Schemaへの準拠まで保証し、Structured Outputsは出力が構文として有効なJSONであることだけを保証するのにとどまる」は誤りです。説明が逆です。構文の妥当性だけを保証するのが JSON mode、スキーマへの準拠まで保証するのが Structured Outputs です。「JSON modeもStructured Outputsも、生成AIモデル側の機能ではなく、Azure AI Language のテキスト分析の API に備わる、出力の形式を指定する機能である」は誤りです。JSON modeとStructured Outputsはいずれも生成AIモデル(チャット補完API)側の機能であり、Azure AI Languageの機能ではありません。

    問 7. ある会社は、社内の製品情報に基づいて、自社の決まった文体で答えるチャットボットを作りたい。製品情報は頻繁に更新される。チームでは、RAG とファインチューニングのどちらを使うべきか、両方を使えるのかで意見が分かれている。説明として最も適切なものはどれか。
    1. RAGとファインチューニングは排他的な選択肢で、ファインチューニングしたモデルにはRAGの検索結果をプロンプトとして渡せない
    2. RAGはモデルの重みを変更せずに外部知識を回答に反映させる手法であり、モデルの振る舞いや文体を調整するファインチューニングと組み合わせて使うこともできる(正解)
    3. ファインチューニングで社内データを学習させれば、データが更新されても再学習なしで最新の内容に沿って回答できるので、外部知識を都度検索するRAGの仕組みは不要になる
    4. RAGは外部知識を反映するためにモデルの重みを更新する手法で、ファインチューニングの一種として扱われる

    解説

    RAGは検索した外部データをプロンプトに組み込む仕組みで、モデルの重み自体は変更しません。一方ファインチューニングはモデルの振る舞い・文体・特定タスクへの適応を目的として重みを調整する手法であり、両者は補完的に併用できます。「RAGとファインチューニングは排他的な選択肢で、ファインチューニングしたモデルにはRAGの検索結果をプロンプトとして渡せない」は誤りです。RAG とファインチューニングは目的が異なる補完的な技術で、ファインチューニングしたモデルにも検索結果を渡して組み合わせて使えます。「ファインチューニングで社内データを学習させれば、データが更新されても再学習なしで最新の内容に沿って回答できるので、外部知識を都度検索するRAGの仕組みは不要になる」は誤りです。ファインチューニングは学習時点のデータに基づく調整で、更新されたデータを反映するには再学習が要ります。頻繁に変わるデータにはRAGの検索が有効です。「RAGは外部知識を反映するためにモデルの重みを更新する手法で、ファインチューニングの一種として扱われる」は誤りです。RAG はモデルの重みを変えずに、検索した外部知識をプロンプトに足して回答させる手法で、ファインチューニングの一種ではありません。

    問 8. ある会社は、社内の問い合わせ窓口に RAG のチャットボットを導入しようとしている。経営層への説明資料を作るため、チームが RAG で何ができて何ができないかを説明として書き出した。RAG に関する説明として、正しいものはどれか。
    1. RAGは、モデルの重みを更新して社内固有の情報を学習させる手法であり、最新情報を反映するには都度の再学習が必要になる
    2. RAGを使うと、回答の根拠となった文書の内容はモデルの内部に取り込まれるため、回答に引用(citation)を付けて提示することはできなくなる
    3. RAGは、検索対象のデータが大規模・頻繁に更新される場合に、都度ファインチューニングし直すより効率的なことが多い(正解)
    4. RAGを導入すれば、LLMが事実に基づかない内容を生成する現象(ハルシネーション)は理論上完全にゼロになる

    解説

    データが変わるたびに学習し直すより、インデックスの更新で済む RAG の方が、大規模で更新の多いデータには効率的なことが多いです。「RAGは、モデルの重みを更新して社内固有の情報を学習させる手法であり、最新情報を反映するには都度の再学習が必要になる」は正解になりません。RAG はモデルの重みを変えず、検索した情報をプロンプトに足して回答させる手法で、再学習は要らないので、誤りです。「RAGを使うと、回答の根拠となった文書の内容はモデルの内部に取り込まれるため、回答に引用(citation)を付けて提示することはできなくなる」は正解になりません。RAG は根拠にした文書が分かっているので、引用元を示しやすくなる手法なので、誤りです。「RAGを導入すれば、LLMが事実に基づかない内容を生成する現象(ハルシネーション)は理論上完全にゼロになる」は正解になりません。RAG はハルシネーションを低減しますが、検索の質や取得漏れなどにより完全にゼロにはならないので、誤りです。

    問 9. ある部品メーカーは、Azure AI Search で社内の技術文書を検索させている。利用者は「RX-200」のような型番で探すこともあれば、「振動が大きいときの対処」のような言い回しで探すこともある。型番の完全一致にも強く、意味の近さも考えた検索精度を両立させる必要がある。Azure AI Search で選ぶべき検索方式はどれか。
    1. キーワード検索(全文検索)
    2. ベクトル検索(埋め込みによる類似度検索)
    3. ベクトル検索とキーワード検索を組み合わせたハイブリッド検索(正解)
    4. キーワード検索の結果をセマンティック ランカーで並べ替える構成

    解説

    ベクトル検索(意味的類似性)とキーワード検索(語彙一致)を組み合わせたハイブリッド検索は、両方の強みを活かせるため、完全一致の強さと意味的な近さの両方が求められる要件に適しています。「キーワード検索(全文検索)」は誤りです。キーワード検索だけでは、語が一致しないが意味の近い文書を取りこぼすことがあります。「ベクトル検索(埋め込みによる類似度検索)」は誤りです。ベクトル検索だけでは、型番のような完全一致が重要な語で精度が下がることがあります。「キーワード検索の結果をセマンティック ランカーで並べ替える構成」は誤りです。セマンティック ランカーは結果を並べ替えるだけで、キーワードが一致しない文書は最初の候補に入らず、意味の近い文書を拾えません。

    問 10. ある会社は、RAG の検索に Azure AI Search のベクトル検索を導入しようとしている。設計のレビューで、メンバーがベクトル検索・ハイブリッド検索・セマンティック ランカーについての理解を書き出した。説明として、正しいものはどれか。
    1. ベクトル検索を導入すれば、チャンク分割やインデックスの更新頻度を意識しなくても、最新かつ最適な検索結果が得られる
    2. ハイブリッド検索は、ベクトル検索とキーワード検索を組み合わせることで、双方の弱点を補い合える点が強みである(正解)
    3. Azure AI Search のセマンティック ランカーは、ベクトル検索で見つからなかった文書を新たに候補へ加えて、検索の候補そのものを増やす機能である
    4. 埋め込みモデルによるベクトル検索は、キーワードが完全に一致する文書を最上位に返すため、型番のような完全一致の検索にも向いている

    解説

    ハイブリッド検索は、完全一致に強いキーワード検索と意味に強いベクトル検索を組み合わせるので、双方の弱点を補い合える場合があります。「ベクトル検索を導入すれば、チャンク分割やインデックスの更新頻度を意識しなくても、最新かつ最適な検索結果が得られる」は正解になりません。チャンク分割の粒度やインデックスの更新頻度によって検索結果の質は変わるので、誤りです。「Azure AI Search のセマンティック ランカーは、ベクトル検索で見つからなかった文書を新たに候補へ加えて、検索の候補そのものを増やす機能である」は正解になりません。セマンティック ランカーは得られた候補を意味的な関連性で並べ替える機能で、候補を増やすものではないので、誤りです。「埋め込みモデルによるベクトル検索は、キーワードが完全に一致する文書を最上位に返すため、型番のような完全一致の検索にも向いている」は正解になりません。ベクトル検索は意味の近さを測るもので、キーワードの完全一致を上位に返すとは限らないので、誤りです。

    無料 50 問を解く →

    よくある質問

    利用期限はありますか?
    ありません。買い切りです。内容を改定した場合も、追加の料金なしでそのまま使えます。
    スマホでも解答できますか?
    解答できます。ブラウザでそのまま使えるので、アプリのインストールは不要です。通勤中の演習にも向いています。
    アカウントは必要ですか?
    いいえ、50問は会員登録なしで解答できます。模試の第1回(60問)は、無料の会員登録で利用できます。会員登録(無料・Google なら 1 押し)は、このほか購入の時に要ります。購入後はどの端末からでもログインして続きを再開できます。
    返品・返金はできますか?
    デジタルデータのため、ご購入後の返品・返金はお受けしておりません。決済の重複などの不具合があった場合は、お問い合わせページからご連絡ください。買う前に、同じ問題集の収録問題を登録なしで50問解いて確かめられます。
    サービスが終了した場合はどうなりますか?
    サービスを終了する場合は、終了日の3ヶ月以上前にサイトとメールでお知らせし、購入済みの問題・解説をダウンロードできる形で提供します。

    詳しくは特定商取引法に基づく表記をご覧ください。

    分野別の実力と、出る順

    出題比率が高い分野から並べています。

    並べ方と出典 ?

    Microsoft Learn 公式 Study guide for Exam AI-103に沿って、収録問題を分野ごとに分けています。公式が示す出題比率が高い分野から並べているので、上から順に潰していけば、限られた時間を比率の高い分野に集中できます。

    出典: Microsoft Learn 公式 Study guide for Exam AI-103(Skills measured as of April 16, 2026・2026年10月確認)。 収録550問のうち450問に分野を付けています。分野別の集計に含まれない問題が100問あります。

    • 生成 AI とエージェント ソリューションを実装する—
      公式の配点比率 30–35%解答 0 問
    • Azure AI ソリューションを計画・管理する—
      公式の配点比率 25–30%解答 0 問
    • コンピューター ビジョン ソリューションを実装する—
      公式の配点比率 10–15%解答 0 問
    • テキスト分析ソリューションを実装する—
      公式の配点比率 10–15%解答 0 問
    • 情報抽出ソリューションを実装する—
      公式の配点比率 10–15%解答 0 問

    いまの実力の見込み

    読み込み中です。

    公式の合格ライン: 700点(1,000点満点のスケールスコア)。

    復習の定着

    読み込み中です。

    全部やらなくても、範囲は1周できます

    無料で解ける第1回(60問)の中を、公式の出題比率が高い分野から並べ替えて解答できます。全範囲を対象にした「最短1周セット」は、ご購入後にこの欄に表示されます。

    AI-103 についての記事

    次に選ばれている資格

    AI-103 の合格報告

    ご購入いただいた方から届いた合格のご報告です。お名前は出していません。

    合格報告 116 件・平均の学習期間 3.6 週間

    「見覚えがある」は、同じ出題範囲を先に解いたからです。本番の問題は 1 問も載せていません。

    • 2026年10月受験・学習期間 4週間(約1か月)

      情シスの一人部署、2年目です。同僚に負けたくなくて昼休みに4週間。解説が短いぶん詰まった所だけ深く読めました。次も使います。

    • 2026年10月受験・学習期間 8週間(約2か月)

      資格手当のため、PCとスマホを行き来しながら8週間。用語が日本語で揃っていて調べ直しが減り、複数選択でも迷わなくなりました。

    • 2026年10月受験・学習期間 3週間

      先月の PL-900 に続いて2つ目。頻出度別のノートを直前の見直しに使いました。合格できてほっとしています。

    すべて見る(116 件)→

    合格報告をお送りいただいた方には、お礼として次回使える500円クーポンをお渡ししています。