AI-103のサンプル問題（本番形式・解説付き）
AI-103（Microsoft・Developing AI Apps and Agents on Azure（ベータ試験））の出題形式を、実際の問題で確かめられます。ここに掲載する5問は、無料の会員登録ですぐ解ける模試 第1回（50問）の冒頭から抜粋したオリジナル問題です。当サイトは全310問を本番CBT準拠の形式で収録しており、この5問はそのごく一部にあたります。
設問1
あるチームは、Azure OpenAI を使った社内向けチャットボットを本番運用しており、利用量は日々大きく変動するが、ピーク時にも応答レイテンシが安定していることが業務上必須になっている。トークン単位の従量課金ではなく、あらかじめ確保した処理能力でレイテンシのばらつきを抑えたい場合、選択すべきデプロイ方法はどれか。
- Standard（グローバル標準）のデプロイ
- プロビジョニングスループット（PTU）によるデプロイ（正解）
- バッチ（Batch）デプロイ
- サーバーレス API（Models as a Service）によるデプロイ
解説
プロビジョニングスループット（PTU）は処理能力をあらかじめ予約して確保する方式で、負荷が変動してもレイテンシが安定しやすく、予約分に対して課金されます。安定したレイテンシが業務要件の場合に適しています。
他の選択肢が誤りである理由
- 「Standard（グローバル標準）のデプロイ」グローバル標準はトークン単位の従量課金でレート制限内であれば柔軟に使えますが、負荷変動時のレイテンシは保証されず、安定したレイテンシという要件には適しません。
- 「バッチ（Batch）デプロイ」バッチデプロイは即時応答を必要としない非同期の一括処理向けで、リアルタイムのチャットボット応答には使えません。
- 「サーバーレス API（Models as a Service）によるデプロイ」サーバーレス API（MaaS）はサブスクリプションの計算リソースを確保せず従量課金で呼び出す方式で、レイテンシ安定のための予約容量の仕組みではありません。
設問2
エッジデバイス上でも動作させたい低レイテンシ・低コストなテキスト分類タスクがある。要求される精度は中程度でよく、パラメータ数の大きい汎用LLMほどの汎化性能は不要である。この要件に最も適したモデルの種類はどれか。
- パラメータ数が数千億規模の汎用大規模言語モデル(LLM)
- Phi シリーズなどの小規模言語モデル(SLM)（正解）
- 画像・音声・テキストを同時に扱うマルチモーダルモデル
- モデルを使わず、ルールベースのif-else分岐のみで実装する
解説
小規模言語モデル(SLM)は、汎用LLMに比べてパラメータ数が少なく、推論コストやレイテンシを抑えつつエッジやリソース制約下でも動作しやすい設計になっています。中程度の精度で十分な限定タスクにはSLMが適切な選択肢になります。
他の選択肢が誤りである理由
- 「パラメータ数が数千億規模の汎用大規模言語モデル(LLM)」大規模LLMは汎化性能が高い分、推論コストやレイテンシも大きく、低コスト・低レイテンシが要件の限定タスクには過剰投資になりやすいです。
- 「画像・音声・テキストを同時に扱うマルチモーダルモデル」マルチモーダルモデルは画像・音声等複数のモダリティを扱うためのモデルであり、テキスト分類だけが要件の場合はモダリティ対応が不要な機能まで抱えることになります。
- 「モデルを使わず、ルールベースのif-else分岐のみで実装する」モデルを使わないルールベース実装は、自然言語の多様な表現やゆらぎへの対応力に欠け、分類タスクの精度・保守性の面で不利になりやすいです。
設問3
あるチーム開発者が、Microsoft Foundryにデプロイした画像生成モデルに対して、テキストのプロンプトだけを送信し、新しい画像を生成させたい。この用途に対応するAzure OpenAIのAPIエンドポイントとして最も適切なものはどれか。
- Chat Completions API（/chat/completions）
- Image generation API（/images/generations）（正解）
- Image edits API（/images/edits）
- Embeddings API（/embeddings）
解説
テキストプロンプトのみから新しい画像を生成する処理は、Azure OpenAIのImage generation API（/images/generations）エンドポイントが担います。既存画像の一部を書き換える/images/editsとは別のエンドポイントです。
他の選択肢が誤りである理由
- 「Chat Completions API（/chat/completions）」Chat Completions APIはテキスト（および画像入力）を使った対話応答生成のためのエンドポイントであり、画像そのものの生成には使用しません。
- 「Image edits API（/images/edits）」/images/editsは既存の入力画像とマスクを使って画像の一部を編集するためのエンドポイントで、ゼロから新規画像を生成する今回の用途には対応しません。
- 「Embeddings API（/embeddings）」Embeddings APIはテキストや画像をベクトル表現に変換するためのもので、画像そのものを生成する機能はありません。
設問4
大量のカスタマーレビューから「言及されている商品カテゴリ」「感情の傾向」「改善提案の要約」をまとめて1回のAPI呼び出しで得たい。開発チームは事前定義のエンティティ種別に縛られず、レビューごとに異なる着眼点で柔軟に情報を拾いたいと考えている。最も適した実装アプローチはどれか。
- Azure AI Language の Named Entity Recognition (NER) をそのまま呼び出し、固定のエンティティカテゴリのみを抽出する
- 生成AIモデル(チャット補完)に、抽出したい項目と出力形式を指示するプロンプトを与えて実行する(generative promptingによるテキスト分析)（正解）
- Azure AI Translator を使ってレビューを一度英語に翻訳してから人手で読む
- Azure AI Speech でレビュー音声を文字起こしする
解説
固定カテゴリに縛られず、要約・トピック・感情傾向など複数種類の情報を1回の呼び出しで柔軟に取り出したい場合は、生成AIモデルにプロンプトで指示するgenerative promptingが適します。Language ServiceのNERは事前定義エンティティのみを固定的に返す決定論的な機能であり、柔軟な着眼点には向きません。
他の選択肢が誤りである理由
- 「Azure AI Language の Named Entity Recognition (NER) をそのまま呼び出し、固定のエンティティカテゴリのみを抽出する」NERは事前定義された固定のエンティティカテゴリのみを抽出する決定論的な機能で、レビューごとに異なる柔軟な着眼点での抽出には向きません。
- 「Azure AI Translator を使ってレビューを一度英語に翻訳してから人手で読む」Translatorは翻訳に特化したサービスで、商品カテゴリの言及や感情傾向、改善提案の要約を抽出する機能はありません。
- 「Azure AI Speech でレビュー音声を文字起こしする」Azure AI Speechは音声認識・合成のサービスで、テキストレビューの分析には使いません。ここでは音声データは扱っていません。
設問5
Azure AI Search で、Blob Storage 上に保存された大量の PDF ファイルを定期的に取り込み、自動的にインデックスへ反映させたい。この「データソースからコンテンツを取得してインデックスに投入する」役割を担うコンポーネントはどれか。
- インデックス（Index）
- インデクサー（Indexer）（正解）
- スキルセット（Skillset）
- 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。
他の選択肢が誤りである理由
- 「インデックス（Index）」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。
- 「スキルセット（Skillset）」スキルセットはインデクサーの処理過程でコンテンツを加工（AI強化）するためのパイプライン定義であり、データソースからの取得そのものを担うわけではありません。
- 「エージェント（Agent）」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。
続きは無料の会員登録ですぐ解けます。第1回模試（50問）は、これから先もずっと無料です。
第1回模試（無料）を解く