AI-200のサンプル問題（本番形式・解説付き）

AI-200（Microsoft・Azure Developer 相当（AZ-204 後継））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250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

Azure Functions において、関数の実行を開始するイベント源と、関数コード内で外部サービスとのデータ入出力を宣言的に扱う仕組みを、それぞれ何と呼ぶか。正しい組み合わせを選べ。

実行開始のきっかけとデータ入出力を「トリガー」とまとめて呼ぶ
実行開始のきっかけを「トリガー」、データ入出力を「入力/出力バインディング」と呼ぶ（正解）
実行開始のきっかけとなるものを「バインディング」と呼び、データの入出力を担う仕組みのほうを「トリガー」と呼ぶ
実行開始のきっかけとデータ入出力の両方をまとめて「バインディング」とだけ呼び、両者の間に区別はいっさい設けられていない

解説

関数の実行を開始するイベント源はトリガーと呼ばれ、1つの関数には必ず1つ設定します。関数コード内でストレージやメッセージングサービスなどとの入出力を、SDKクライアントを明示的に書かずに宣言的に扱う仕組みは入力バインディング/出力バインディングと呼ばれ、トリガーとは役割が区別されます。

他の選択肢が誤りである理由

「実行開始のきっかけとデータ入出力を「トリガー」とまとめて呼ぶ」トリガーと入出力バインディングは役割が異なる別々の概念であり、両方をまとめて「トリガー」と呼ぶのは誤りです。
「実行開始のきっかけとなるものを「バインディング」と呼び、データの入出力を担う仕組みのほうを「トリガー」と呼ぶ」実行開始のきっかけと入出力の仕組みの名称が入れ替わっています。正しくは実行開始＝トリガー、データ入出力＝バインディングです。
「実行開始のきっかけとデータ入出力の両方をまとめて「バインディング」とだけ呼び、両者の間に区別はいっさい設けられていない」トリガーと入出力バインディングは役割が異なる別々の概念であり、両方をまとめて「バインディング」と呼ぶのは誤りです。

設問2

自然言語のテキストを、意味的な類似性がベクトル空間上の距離や角度として表現されるように高次元の数値ベクトルへ変換する技術は何と呼ばれるか。

トークン化(トークナイゼーション)
ファインチューニング
埋め込み(エンベディング)（正解）
プロンプトエンジニアリング

解説

埋め込み(embedding)は、テキストなどのデータを高次元の数値ベクトルに変換する技術であり、意味的に近い内容ほどベクトル空間上で近い位置に配置される性質を持ちます。この性質が類似検索やRAGの検索フェーズの基盤になります。

他の選択肢が誤りである理由

「トークン化(トークナイゼーション)」トークン化はテキストを単語やサブワード単位の離散的なトークンIDへ分割する前処理であり、意味的な近さを連続的なベクトル空間で表す技術ではありません。
「ファインチューニング」ファインチューニングは学習済みモデルを追加データで再学習し特定タスクへの適応度を高める手法で、テキストをベクトルに変換する処理そのものではありません。
「プロンプトエンジニアリング」プロンプトエンジニアリングはモデルへの入力(指示文)を工夫して望む出力を引き出す手法であり、テキストをベクトルに変換する技術ではありません。

設問3

コンテナ型仮想化と、ハイパーバイザー型の仮想マシン(VM)を比較した説明として最も適切なものはどれか。

VMはアプリケーションと依存関係だけをパッケージ化する技術であり、OSは含まない
コンテナもVMも、必ずゲストOS全体を含めて仮想化する点で同じ仕組みである
コンテナは各インスタンスごとに独立したゲストOSを持ち、VMはホストOSのカーネルを共有する
コンテナはホストOSのカーネルを共有して動作するため、VMに比べて起動が速く消費リソースが少ない傾向がある（正解）

解説

コンテナはホストOSのカーネルを共有するプロセス分離の仕組みのため、ゲストOSごと起動するVMに比べて一般的に起動が速く、消費リソースも少なくて済みます。VMはハイパーバイザー上でゲストOSを含めて仮想化するため、コンテナより重くなる傾向があります。

他の選択肢が誤りである理由

「VMはアプリケーションと依存関係だけをパッケージ化する技術であり、OSは含まない」OSを含めずアプリと依存関係だけをパッケージ化するのはコンテナの特徴であり、VMの説明ではありません。
「コンテナもVMも、必ずゲストOS全体を含めて仮想化する点で同じ仕組みである」コンテナはゲストOS全体を持たずホストOSのカーネルを共有する点がVMとの大きな違いであり、「同じ仕組み」とはいえません。
「コンテナは各インスタンスごとに独立したゲストOSを持ち、VMはホストOSのカーネルを共有する」説明が逆です。ゲストOSを個別に持つのはVMであり、コンテナはホストOSのカーネルを共有します。

設問4

従量課金（Consumption）プランで実行される Azure Functions の説明として最も適切なものはどれか。

関数の実行時間とメモリ消費量に応じて従量課金され、負荷に応じてインスタンス数が自動的に増減する（正解）
常に一定数のインスタンスが起動し続け、待機時間の分も含め固定額が課金される
スケールアウトのインスタンス数は、管理者があらかじめ手動で設定する仕様である
既定の状態では実行時間に上限が設けられておらず、処理が完了するまで何時間でも実行し続けることができる

解説

Consumption プランは実行時間とメモリ消費に応じたサーバーレス課金で、負荷に応じてインスタンス数が自動的に増減します。実行時間には既定の上限があり（既定5分、設定変更で最大10分まで延長可能）、無制限に実行し続けることはできません。常時起動インスタンスへの固定課金は専用（App Service）プランの特徴です。

他の選択肢が誤りである理由

「常に一定数のインスタンスが起動し続け、待機時間の分も含め固定額が課金される」常時起動インスタンスに待機時間分も課金されるのは専用（Dedicated/App Service）プランの特徴であり、Consumption プランの説明ではありません。
「スケールアウトのインスタンス数は、管理者があらかじめ手動で設定する仕様である」Consumption プランのスケールアウトは負荷に応じて自動的に行われ、管理者が事前に台数を手動設定する仕組みではありません。
「既定の状態では実行時間に上限が設けられておらず、処理が完了するまで何時間でも実行し続けることができる」Consumption プランには既定で実行時間の上限があり、無制限に実行し続けられるという説明は誤りです。

設問5

埋め込みモデル(embedding model)にテキストを入力した場合の出力として適切なものはどれか。

入力文を要約した自然文
入力文の感情分析ラベル(ポジティブ/ネガティブ等)
入力文を別言語に翻訳したテキスト
固定次元数の浮動小数点数からなる数値ベクトル（正解）

解説

埋め込みモデルの出力は、意味を数値化した固定次元の浮動小数点数配列(ベクトル)です。文章を生成するチャット補完モデルとは異なり、人間が読める文章そのものを返すわけではありません。

他の選択肢が誤りである理由

「入力文を要約した自然文」要約文の生成はチャット補完(生成)モデルの役割であり、埋め込みモデルは数値ベクトルを返すのみで自然文の要約は生成しません。
「入力文の感情分析ラベル(ポジティブ/ネガティブ等)」感情分析ラベルの出力は分類タスク向けの用途であり、汎用の埋め込みモデルが直接返す出力ではありません。
「入力文を別言語に翻訳したテキスト」翻訳文の生成は生成モデルの役割であり、埋め込みモデルの出力はあくまで数値ベクトルです。

続きは、会員登録なしでそのまま50問解けます。採点と解説つきで、上と同じ本物の問題です。

登録なしで50問解く

← AI-200 の資格ページへ