Microsoft Azure AI Fundamentals
最終確認：2026年5月
AI-900 試験で問われるアーキテクチャパターンのスキャン可能なリファレンス。上から順に読むか、セクションへジャンプ。
トレーニングデータにおける表現不足のため、特定のデモグラフィックグループに対してAIモデルのパフォーマンスが低い。
Azure Machine LearningのResponsible AIダッシュボードを使用して、公平性の格差（例：デモグラフィックパリティ）を特定し測定する。データ拡張、リサンプリング、または公平性認識アルゴリズムの使用によりバイアスを軽減する。
理由: 公平性とは、すべてのグループにわたる公平な扱いを必要とする。保護された属性を単に削除するだけでは不十分であり、プロキシ変数によってバイアスが依然としてエンコードされる可能性がある。
規制当局は、AIによる融資否決の決定すべてに対して説明を求めている。
Responsible AIダッシュボードを介してSHAP (SHapley Additive exPlanations) のようなモデル解釈性・説明性手法を使用し、個々の予測に対する特徴量重要度スコアを生成する。
理由: 透明性とは、AIの決定を理解可能にすることである。集計された精度メトリクスだけでは、個々の結果を説明するには不十分である。
利害関係の大きいAIシステム（例：医療診断）は、その推奨事項が実行される前に人間の監視を必要とする。
資格のある人間がAIが生成した推奨事項をレビュー、承認、または上書きするヒューマン・イン・ザ・ループワークフローを実装する。
理由: 説明責任は、特に重要なアプリケーションにおいて、AIシステムの成果に対して最終的に人間が責任を負うことを保証する。
AIを搭載したチャットボットが、医療などの機密性の高い分野で有害または不正確なアドバイスを提供するのを防ぐ必要がある。
厳格なテスト、パフォーマンス監視、およびコンテンツフィルタリングを実装する。意図しない、または有害なコンテキストでの使用を防ぐための運用上の境界を確立する。
理由: 信頼性と安全性は、AIシステムが一貫して動作し、危害を加えないことを要求する。
大規模で多様な非構造化ドキュメント（PDF、DOCX、画像）のコーパスから、検索可能な洞察、エンティティ、および関係を抽出する。
Azure AI Searchを使用する。AIスキル（例：OCR、エンティティ認識、言語検出）を使用してコンテンツをセマンティック検索のためにインデックス化するエンリッチメントパイプラインを作成する。
理由: ナレッジマイニングは、個々のドキュメントを処理するだけでなく、非構造化データから構造化された検索可能なインデックスを作成するためのものである。
工場設備のリアルタイムセンサーデータを監視し、差し迫った故障を示す異常なパターンを検出する。
Azure Anomaly Detectorサービスを使用する。時系列データをサービスAPIにストリーミングし、リアルタイムで外れ値を識別する。
理由: Anomaly Detectorは、カスタムモデルトレーニングを必要とせずに、時系列データ内の異常なパターンを識別するために最適化された、事前構築済みのサービスである。
工場フロアのAI搭載品質検査システムは、50ミリ秒未満の推論時間を必要とし、断続的なインターネット接続にもかかわらず動作する必要がある。
最適化されたAIモデル（例：ONNX形式）をエッジデバイス（Azure IoT Edgeなど）に展開し、ローカルで推論を行う。
理由: Edge AIは、データをローカルで処理することで、クラウドへのネットワーク往復を回避し、低レイテンシーとオフラインの要件を満たす。
住宅価格や将来の売上収益などの連続的な数値予測を行う。
回帰アルゴリズム（例：線形回帰、ブーストツリー）を使用する。二乗平均平方根誤差 (RMSE) や平均絶対誤差 (MAE) などのメトリクスで評価する。
理由: 回帰は「どれくらいか？」または「いくつあるか？」という質問に答えるためのものである。「どのカテゴリか？」という質問には分類を使用する。
取引が「不正」か「正当」かのような、離散的なカテゴリを予測する。
分類アルゴリズム（例：ロジスティック回帰、ランダムフォレスト）を使用する。2つのカテゴリには二項分類を、3つ以上には多クラス分類を使用する。混同行列、精度、再現率で評価する。
理由: 分類は、事前に定義されたカテゴリのセットからラベルを予測する。
顧客データセットから自然なグループを発見し、事前に定義されたカテゴリなしにターゲットを絞ったマーケティングセグメントを作成する。
K-Meansのような教師なしクラスタリングアルゴリズムを使用する。データはラベル付けされていない。
理由: クラスタリングは、ラベル付けされていないデータ内の構造を見つけるために使用される教師なし手法である。予測する事前定義されたターゲットがない場合に使用する。
MLの専門知識が限られたチームが、複数のアルゴリズムとハイパーパラメータを自動的にテストして、迅速にモデルを構築する必要がある。
Azure Machine Learningの自動ML (AutoML) を使用する。タスク（分類、回帰）を指定し、AutoMLにモデルを繰り返し処理させて最高のパフォーマンスを発揮するものを見つけさせる。
理由: AutoMLは、アルゴリズム選択とハイパーパラメータチューニングという時間のかかるタスクを自動化し、モデル開発を加速させる。
市民データサイエンティストが、視覚的でノーコードのドラッグアンドドロップインターフェースを使用してMLパイプラインを構築する必要がある。
Azure Machine Learningデザイナーを使用する。データ取り込み、変換、トレーニング、スコアリングのための事前構築済みモジュールを視覚的なキャンバス上で接続する。
理由: デザイナーは、コードファーストのSDKアプローチとは異なり、MLパイプラインを構築するためのノーコード/ローコードソリューションである。
データサイエンティストが、対話型開発環境 (Jupyter) と、バッチトレーニング用のスケーラブルなマルチノードリソースを必要としている。
対話型開発にはAzure MLコンピューティングインスタンスを使用する。スケーラブルな分散トレーニングにはAzure MLコンピューティングクラスターを使用する。
理由: コンピューティングインスタンスは開発用のシングルノードワークステーションである。コンピューティングクラスターは、本番トレーニングおよびバッチ推論用のマルチノード、自動スケーリングリソースである。
あるモデルはウェブアプリに即座の予測を提供する必要があり、別のモデルは夜間に数百万件のレコードをスコアリングする必要がある。
ウェブアプリモデルをリアルタイムマネージドオンラインエンドポイントにデプロイする。バッチスコアリングモデルをバッチエンドポイントにデプロイする。
理由: オンラインエンドポイントは低レイテンシーの同期推論用である。バッチエンドポイントは大規模データセットのハイスループットな非同期スコアリング用である。
99%が不正でない取引であるデータでトレーニングされた不正検出モデルのパフォーマンスが低く、実際のほとんどの不正ケースを見逃している。
深刻なクラスの不均衡に対処する。手法には、少数派クラスのオーバーサンプリング（例：SMOTE）、多数派クラスのアンダーサンプリング、またはクラス重み付き損失関数の使用が含まれる。
理由: 不均衡なデータでは、モデルは単に多数派クラスを予測するだけで高い精度を達成できる。少数派クラスについては再現率や精度のようなメトリクスに焦点を当てる。
倉庫のコンベアベルト上にある複数のアイテムを識別し、各アイテムの位置をバウンディングボックスで提供する。
オブジェクト検出モデルを使用する。このタスクは、検出された各オブジェクトに対してクラスラベルとバウンディングボックスの座標の両方を返す。
理由: オブジェクト検出は「この画像に何があり、どこにあるか？」に答える。画像分類は「この画像に何があるか？」にのみ答える。
スキャンされた画像から手書きの市議会議事録をデジタル化し、検索可能にする。
Azure AI VisionサービスをRead API (OCR) と共に使用する。これは印刷テキストと手書きテキストの両方をサポートしている。
理由: OCR (光学式文字認識) は、画像からテキストを抽出するための特定のタスクである。Read APIはAzureで最も高度なOCRエンジンである。
MRIスキャンにおける腫瘍の正確な境界を識別し、各ピクセルを「腫瘍」または「健康な組織」として分類する。
画像セグメンテーションを使用する。この手法は画像内のすべてのピクセルを分類し、オブジェクトの正確な輪郭を提供する。
理由: セグメンテーションはピクセルレベルの詳細を提供し、オブジェクト検出のバウンディングボックスよりも正確である。
カテゴリあたりわずか75枚のラベル付き画像を使用して、50種類の料理のタイプを分類するモデルを構築する。
Azure AI Custom Visionサービスを使用する。これは転移学習を利用して、少量のデータセットで効果的なカスタム分類器を構築する。
理由: Custom Visionは、トレーニングデータが限られている場合にドメイン固有の分類タスクに最適であり、大規模な汎用モデルの必要性を回避する。
セキュリティシステムが人物を検出し、おおよその年齢を判断し、写真ではなく生身の人間であることを検証する必要がある。
Azure AI Faceサービスを使用する。属性（年齢、眼鏡）の顔検出と、なりすましを防ぐための生体検知を使用する。
理由: Faceサービスは、一般的なビジョンサービスにはない、顔検出、属性分析、検証、識別、なりすまし防止のための専門的な機能を提供する。
さまざまな形式の数千枚の請求書から、構造化データ（ベンダー名、請求書番号、明細項目、合計）を自動的に抽出する。
Azure AI Document Intelligence (旧 Form Recognizer) を、その事前構築済み請求書モデルと共に使用する。
理由: Document Intelligenceは、ドキュメントの構造を理解し、キーと値のペアやテーブルを抽出するために特別に構築されており、単純なOCRができることをはるかに超える。
ビデオライブラリを分析し、話された言葉、識別された話者、視覚的なテキスト、トピックの検索可能なインデックスを自動的に作成する。
Azure AI Video Indexerを使用する。これは複数のAIモデル（音声認識、OCR、顔検出、トピックモデリング）を単一のサービスに結合し、詳細なビデオ分析を行う。
理由: Video Indexerは、個々のフレームを分析するだけでなく、ビデオコンテンツからマルチモーダルな洞察を抽出するための包括的なサービスである。
小売店が、リアルタイムビデオで特定のプロモーションゾーンに入る人の数を数えることで、歩行者の通行量を分析したいと考えている。
Azure AI Visionの空間分析機能を使用する。ゾーンとラインクロッシングイベントを設定して、人々の動きを監視する。
理由: 空間分析は、ビデオフィードを使用して物理空間における人々の動きを理解するために設計されており、一般的なオブジェクト検出を超える専門的なタスクである。
アプリケーションが、ニュース記事内の特定の企業、人物、および場所への言及を自動的に識別してタグ付けする必要がある。
Azure AI Languageサービスの固有表現認識 (NER) 機能を使用する。
理由: NERは、既知のエンティティを事前に定義されたタイプに具体的に識別し分類する。キーフレーズ抽出は重要なトピックを見つけるが、それらを分類はしない。
製品レビューを分析して、全体的な感情だけでなく、「バッテリー寿命」が肯定的に評価され、「画面」が否定的に評価されたことも判断する。
Azure AI Languageサービスのオピニオンマイニング機能を持つ感情分析を使用する。
理由: オピニオンマイニング（アスペクトベース感情分析）は、テキスト内の特定の属性（ターゲット）に感情をリンクさせることで、きめ細かい洞察を提供する。
企業の既存のFAQドキュメントと製品マニュアルをナレッジベースとして使用し、顧客の質問に答えるチャットボットを作成する。
Azure AI Languageのカスタム質問応答機能を使用する。ドキュメントを取り込んで、サービスがクエリできるナレッジベースを作成する。
理由: 質問応答は、与えられたテキストコーパスから最適な回答を見つけるように設計されており、FAQやナレッジベースのシナリオに最適である。
「パスワードをリセット」や「フライトを予約」のようなユーザーの意図を理解し、関連するエンティティ（例：目的地、日付）を抽出する仮想アシスタントを構築する。
Azure AI LanguageのConversational Language Understanding (CLU) を使用して、発話から意図とエンティティにマッピングするカスタムモデルを構築する。
理由: CLUは、短い発話における会話の意図を理解するために特別に構築されており、長文ドキュメントの分析とは異なる。
受信したサポートメールを「請求」、「技術」、または「アカウントに関する問い合わせ」のような事前に定義されたカテゴリに自動的に分類する。
Azure AI Languageのカスタムテキスト分類機能を使用する。各カテゴリのラベル付き例でモデルをトレーニングする。
理由: これは古典的なドキュメント分類タスクである。カスタム分類により、独自のビジネス固有のカテゴリを定義できる。
音声対応アプリケーションが、話されたコマンドをテキストに変換し、その後自然な音声応答を生成する必要がある。
Azure AI Speechサービスを使用する。音声認識 (speech-to-text) APIで文字起こしを行い、音声合成 (text-to-speech) APIで音声を生成する。
理由: Speechサービスは、文字起こし、合成、翻訳、話者認識など、すべての音声関連AIタスクのための一元化されたハブである。
音声ベースのセキュリティシステムが、話している人物が本人であると主張しているかを検証する必要がある。
Azure AI Speechの話者認識機能を使用して、登録されたボイスプリントに対して話者検証を実行する。
理由: 話者認識は、単に話された内容を文字起こしするのとは異なり、個人の固有の音声特性によって人物を識別または検証する。
Eコマースプラットフォームが、HTML書式を保持しながら、製品説明を30種類の言語に翻訳する必要がある。
Azure AI Translatorサービスを使用する。これは100以上の言語でテキストとドキュメントの翻訳をサポートし、書式を保持できる。
理由: Translatorは、多言語翻訳専用のスケーラブルなサービスであり、汎用言語モデルよりもこのタスクに最適化されている。
企業ウェブサイト、Microsoft Teams、Slackなどの複数のチャネルに、単一のコードベースからチャットボットをデプロイする。
Azure Bot Serviceを使用する。これは、さまざまなプラットフォーム間での通信を管理するためのフレームワークとチャネルコネクタを提供する。
理由: Bot Serviceは、会話型AIコア（CLUやQnAなど）を異なるチャットプラットフォームの特定のプロトコルに適応させる複雑さを処理する。
チャットボットが、会社の内部で頻繁に更新されるナレッジベースにのみ基づいて質問に答え、一般的な事前トレーニングされた知識に基づかないようにする必要がある。
Retrieval-Augmented Generation (RAG) パターンを実装する。Azure AI Searchを使用して関連ドキュメントを取得し、それらをAzure OpenAIモデルのコンテキストとして渡し、根拠のある回答を生成する。
理由: RAGは、高価な再トレーニングなしにモデルを特定の最新データに基づかせ、ハルシネーションを減らし、信頼できる情報源からの事実の正確性を保証する。
開発者がGPTモデルに特定の形式（例：JSON）で応答させる必要がある。
Few-shotプロンプトを使用する。実際の要求の前に、プロンプト内で希望する入出力形式の例を2〜3個直接提供する。
理由: Few-shotプロンプトは、コンテキスト内の例を通じてモデルの動作と出力構造をガイドし、ファインチューニングよりも高速かつ安価である。
複数ステップの推論問題（例：数学の文章題）におけるモデルの精度を向上させる。
プロンプトに「段階的に考える」のようなフレーズを追加して、Chain-of-Thought (CoT) プロンプトを使用する。
理由: CoTはモデルに問題を分解し、その推論を示すことを促し、複雑な論理タスクにおけるパフォーマンスを大幅に向上させる。
生成モデルのテキスト出力における創造性と予測可能性を制御する。
`temperature` パラメータを調整する。低い値（約0.1）は出力をより決定的で集中したものにし、高い値（約0.9）はより創造的でランダムなものにする。
理由: Temperatureはトークン選択のランダム性を直接制御し、特定のユースケース（例：事実の要約 vs 創造的なライティング）に合わせて出力スタイルを調整できる。
企業が、OpenAIのGPT-4およびDALL-Eモデルを、セキュアなAzure環境内で、プライベートネットワークと統合されたID管理と共に使用する必要がある。
Azure OpenAI Serviceを使用する。これはAzureのエンタープライズグレードのセキュリティ、コンプライアンス、リージョンアベイラビリティ、およびコンテンツフィルタリングを備えたOpenAIモデルを提供する。
理由: Azure OpenAIは、OpenAIモデルの周りにセキュアでエンタープライズ対応のラッパーを提供し、Azureエコシステムに統合する。
キーワードマッチだけでなく、意味に基づいてドキュメントを見つける検索システムを構築する（例：「車のメンテナンス」で「車両のサービス間隔」を見つける）。
Azure OpenAIの埋め込みモデル（例：`text-embedding-ada-002`）を使用して、ドキュメントとクエリを数値ベクトルに変換する。ベクトルデータベース（Azure AI Searchなど）を使用して、コサイン類似度で最も近いベクトルを見つける。
理由: 埋め込みはテキストのセマンティックな意味を捉え、語彙の重複ではなく概念的な類似性に基づく検索を可能にする。
Azure OpenAIを使用するアプリケーションが、暴力、ヘイトスピーチ、性的コンテンツ、自傷行為に関連するコンテンツの生成を自動的に防ぐ必要がある。
Azure AI Content Safetyによって提供される組み込みのコンテンツフィルタリングに頼る。各危害カテゴリの重要度レベル（低、中、高）を設定する。
理由: Azure OpenAIには、責任あるAIの原則に沿うようにプロンプトと完了の両方をフィルタリングする、必須の多層安全システムが含まれている。
マーケティングチームが、テキスト記述から広告キャンペーン用のカスタム製品画像を生成する必要がある。
Azure OpenAI Serviceを通じて利用可能なDALL-Eモデルを使用する。希望する画像を記述した詳細なプロンプトを作成する。
理由: DALL-Eはテキストから画像を生成するモデルであり、自然言語のプロンプトから新しい画像を生成するために特別に設計されている。
生成AIアシスタントが、外部APIを呼び出すことでリアルタイムデータ（例：現在の株価）にアクセスしたり、アクション（例：会議を予約）を実行したりする必要がある。
Azure OpenAIモデルの関数呼び出し機能を使用する。APIリクエストで利用可能な関数を定義する。モデルは、どの関数をどの引数で呼び出すかを指定する構造化されたJSONオブジェクトを生成する。
理由: 関数呼び出しにより、LLMは外部ツールやAPIと対話でき、静的なトレーニングデータの制限を克服し、アクションを実行できるようになる。
チームが、視覚的なワークフローでLLM呼び出し、Pythonスクリプト、およびプロンプトテンプレートをオーケストレーションすることにより、複雑な生成AIアプリケーションを構築、評価、およびデプロイする必要がある。
Azure AI Foundry (旧 AI Studio) とそのPrompt flow機能を使用する。接続されたツールの視覚的なグラフとしてアプリケーションを構築する。
理由: Prompt flowは、複雑なLLMベースのアプリケーションを構築およびテストするためのオーケストレーションツールであり、複数のコンポーネントを再現可能なワークフローに連結する。
ITチームが、ローコードプラットフォームを使用して、従業員の質問に答え、エンタープライズシステム（例：ServiceNow、SAP）と統合できる社内用のカスタムcopilotを構築する必要がある。
Microsoft Copilot Studioを使用する。これは、事前構築済みコネクタと生成AI機能を備えたカスタムcopilotを構築するためのローコードのグラフィカルインターフェースを提供する。
理由: Copilot Studioは、エンタープライズグレードのAIアシスタントを構築する複雑さを抽象化し、広範なコーディングなしで迅速な開発を可能にする。
