第1回 問題集（全般）

正解: D. D. Azure SQL Database

正解の根拠・詳細解説

ワークスペース作成時にはStorageアカウント・Key Vault・Application Insights・（任意で）Container Registryが関連リソースとして自動作成されます。Azure SQL Databaseは作成されません。

正解: B. B. Azure Storageなど外部データソースへの接続情報を安全に管理し、データアセットから参照できるようにするため

正解の根拠・詳細解説

データストアはBlob StorageやADLS Gen2などへの接続情報（認証情報含む）を保存し、データアセットがそれを参照してデータにアクセスする仕組みです。

正解: B. B. Compute Cluster

正解の根拠・詳細解説

Compute Clusterはオンデマンドで起動・スケールし、ジョブが無くなれば指定のアイドル時間後に自動的に0ノードまでスケールダウンするため、コスト効率に優れます。

正解: B. B. Azure RBAC（ロールベースアクセス制御）

正解の根拠・詳細解説

Azure RBACを使い、Contributor・Reader・AzureML Data Scientist等の組み込みロールやカスタムロールをユーザー・グループ・マネージドIDに割り当てることで、ワークスペースリソースへの最小権限アクセスを実現します。

正解: A. A. データのバージョン管理と再現性の確保ができる

正解の根拠・詳細解説

データアセットはデータソースへの参照とバージョンをセットで管理するため、どのバージョンのデータで学習・評価したかを追跡でき、実験の再現性が高まります。

正解: A. A. Dockerfileまたはconda/pip依存関係の指定のみで構築可能

正解の根拠・詳細解説

環境はDockerfile指定やconda/pip依存関係の記述（YAML）で定義でき、SDK/CLIから作成・バージョン管理が可能です。

正解: B. B. チーム間でコンポーネントを共有し、同じ処理ロジックを複数のパイプラインで再利用できる

正解の根拠・詳細解説

コンポーネントは入出力インターフェースを明確に定義した再利用可能な処理単位で、レジストリ経由でチーム間・ワークスペース間で共有・再利用が可能です。

正解: A. A. レジストリ (Registry)

正解の根拠・詳細解説

レジストリはモデル・コンポーネント・環境などの資産をワークスペースの境界を越えて共有するための仕組みで、複数チーム間でのガバナンスを効かせた資産共有に使われます。

正解: B. B. フェデレーテッドID（OIDC）やGitHub Secretsを使い、Azure側の資格情報をリポジトリに直接保存しない

正解の根拠・詳細解説

OIDCフェデレーテッドIDを利用することで、長期間有効なシークレットをGitHubに保存せずにAzureリソースへ安全に認証できます。機密情報が必要な場合もGitHub Secretsで暗号化保管します。

正解: B. B. インフラ構成をコードとして記述し、バージョン管理・再現可能なデプロイを実現できる

正解の根拠・詳細解説

BicepによるIaCはワークスペースやその関連リソースの構成をコードとして記述し、Gitでのバージョン管理や環境間での一貫したデプロイを可能にします。

正解: B. B. コードの変更をトリガーに、一貫した手順でインフラ・パイプラインを自動的にデプロイできる

正解の根拠・詳細解説

GitHub Actionsのワークフローにより、コードのpushやPRをトリガーにテスト・デプロイのプロセスを自動化し、人為的ミスを減らし一貫性を確保できます。

正解: B. B. パブリックインターネットからの不正アクセスを防ぎ、セキュリティを強化するため

正解の根拠・詳細解説

プライベートエンドポイントを使用してワークスペースをVNet内に閉じることで、パブリックインターネットからの直接アクセスを遮断し、セキュリティ境界を強化できます。

正解: D. D. 学習データそのものを永続的にバージョン管理できる

正解の根拠・詳細解説

Gitはコード・設定・パイプライン定義の管理に適していますが、大容量の学習データそのものの管理にはデータアセットやデータストアを使うのが適切です。

正解: B. B. 個人の開発者がNotebookやインタラクティブな開発を行うための専用マシン

正解の根拠・詳細解説

Compute Instanceは個人の開発・実験用に割り当てられるマネージドなワークステーションで、Notebookでの対話的な開発に向いています。大規模ジョブや本番推論にはCompute ClusterやManaged Endpointが使われます。

正解: B. B. 資格情報をコードに埋め込まずに、Azureリソース間で安全に認証できる

正解の根拠・詳細解説

マネージドIDを利用すると、Key VaultやStorageなど他のAzureリソースへのアクセス時にシークレットをコードや設定ファイルに保存せず、Azure ADベースで安全に認証できます。

正解: B. B. どの学習・評価がどのデータバージョンに基づくかを追跡し、結果の再現性と説明責任を確保するため

正解の根拠・詳細解説

データのバージョン管理により、特定のモデル学習や評価結果がどのデータスナップショットに基づくかを正確に追跡でき、監査やデバッグ、再現性の確保に役立ちます。

正解: A. A. 既存のKubernetesクラスター上でMLワークロードを運用したい場合

正解の根拠・詳細解説

既にAKSクラスターを運用している組織が、その基盤上で学習や推論のワークロードを統合的に管理したい場合にAKSをアタッチされたコンピュートとして利用します。

正解: A. A. 課金・アクセス制御・リソースのライフサイクル管理の境界を明確にするため

正解の根拠・詳細解説

階層構造を適切に設計することで、課金管理、RBACによるアクセス制御の境界、リソースのライフサイクル（作成・削除）の管理がチームやプロジェクト単位で整理しやすくなります。

正解: A. A. 毎回ゼロから依存関係をインストールする必要がなくなり、ジョブ起動が高速化・再現性が向上する

正解の根拠・詳細解説

ビルド済みのDockerイメージをACRにキャッシュすることで、ジョブ実行時に依存関係を都度インストールする必要がなくなり、起動時間の短縮と環境の再現性向上が図れます。

正解: A. A. データストアを通じて接続情報を登録し、データアセットとして参照する

正解の根拠・詳細解説

データストア機能を使って外部データソースへの接続情報を安全に登録し、データアセットとして参照することで、様々な場所にあるデータを統一的な方法で利用できます。

正解: B. B. Bicepのパラメータファイルやモジュールを使い、共通テンプレートに環境固有の値を注入する

正解の根拠・詳細解説

Bicepのパラメータファイルやモジュール化により、共通のテンプレートロジックを保ったまま環境ごとの差分（SKUサイズ、ネットワーク設定など）だけを切り替えられます。

正解: B. B. ジョブが無いときはノード数を0にしてコストを発生させないため

正解の根拠・詳細解説

最小ノード数を0に設定することで、ジョブが実行されていない間はコンピュートノードが起動せず、コンピュート費用の発生を抑えられます。

正解: A. A. RBACによるアクセス制御とクラスターのクォータ管理を適切に設計し、リソース競合やコスト超過を防ぐ必要がある

正解の根拠・詳細解説

Azure Machine Learningのコンピュートクラスターは、最小ノード数と最大ノード数を指定して自動スケールする共有リソースです。複数のチームが同一クラスターを使う場合、あるチームの大規模ジョブが最大ノード数を占有すると、他チームのジョブはキューで待たされ実行時間が読めなくなります。そのためAzure RBACでワークスペースやコンピュートへの操作権限をロール単位に分け、誰がクラスターを作成・変更・実行できるかを明確にする必要があります。さらにサブスクリプション単位のコアクォータ、クラスターの最大ノード数、ジョブの優先度設定を組み合わせて利用上限を設計します。アイドル時のスケールダウン待ち時間も重要で、短くしすぎるとノード起動待ちが増え、長くしすぎると使われないノードの課金が続くため、チームごとのコスト配分を可視化したうえで調整します。共有すれば自動的に安全になるということはなく、権限設計を怠るとむしろ他チームのデータや実行環境に触れられるリスクが高まります。

正解: D. D. ユーザーのパスワード

正解の根拠・詳細解説

MLflowはパラメータ・メトリクス・モデルアーティファクト・タグなどの実験情報を記録しますが、パスワードのような機密情報を記録対象とすべきではありません。

正解: B. B. 複数のアルゴリズムと前処理の組み合わせを自動的に探索し、候補モデルを効率的に比較できる

正解の根拠・詳細解説

AutoMLは特徴量エンジニアリングやアルゴリズム選択、ハイパーパラメータの組み合わせを自動的に探索し、複数の候補モデルを生成・比較する効率化の手段です。最高精度を保証するものではありません。

正解: B. B. データの可視化や仮説検証を伴う対話的な試行錯誤

正解の根拠・詳細解説

Notebookはコードと結果を対話的に確認しながら進める試行錯誤や可視化に向いており、データサイエンティストの探索的な分析や初期モデル検証によく使われます。

正解: D. D. 手動での総当たり確認のみ

正解の根拠・詳細解説

ハイパーパラメータチューニングの自動化では、ランダムサンプリング・グリッドサーチ・ベイズ最適化などのアルゴリズムを使って探索空間を効率的に探索します。手動の総当たりは自動化に反します。

正解: B. B. 大規模なデータセットや深層学習モデルで、単一マシンのメモリ・計算能力では学習に時間がかかりすぎる場合

正解の根拠・詳細解説

分散学習は大規模データやディープラーニングモデルなど、計算負荷が高く単一ノードでは非効率な学習を、複数ノード・GPUに分散して高速化するために用いられます。

正解: A. A. 前処理・学習・評価などのステップを再現可能かつ自動化された形で連結すること

正解の根拠・詳細解説

学習パイプラインはデータ前処理・特徴量エンジニアリング・学習・評価といった複数ステップを再利用可能なコンポーネントとして連結し、再現性と自動化を実現する仕組みです。

正解: B. B. MLflowの実験管理機能を使い、メトリクスやパラメータを横断的に比較・可視化する

正解の根拠・詳細解説

MLflowの実験トラッキングUIやAPIを使うことで、複数の実行（Run）間のメトリクスやパラメータを一覧・グラフで横断的に比較できます。

正解: B. B. 推論時に学習時と同じ特徴量を一貫した方法で取得できるようにし、学習・推論間のスキューを防ぐため

正解の根拠・詳細解説

特徴量取得仕様をモデルと一緒に管理することで、本番推論時にも学習時と同じロジックで特徴量を取得でき、トレーニング・サービング間のデータスキューを防止できます。

正解: A. A. フレームワークに依存しない標準化された形式でモデルを保存・管理・デプロイできる

正解の根拠・詳細解説

MLflowモデル形式は標準化されたパッケージング方法を提供し、異なるMLフレームワークで学習したモデルでも一貫した方法で登録・バージョン管理・デプロイできるようにします。

正解: D. D. サーバーのCPU使用率

正解の根拠・詳細解説

責任あるAI評価では公平性・解釈可能性・エラー分析・因果推論などモデルの振る舞いに関する観点を確認します。CPU使用率はインフラの運用監視の観点であり責任あるAI評価の対象ではありません。

正解: A. A. 使用されなくなった古いモデルバージョンを整理し、レジストリの管理性を維持するため

正解の根拠・詳細解説

古くなった、または非推奨となったモデルバージョンをアーカイブすることで、レジストリ内のモデル一覧を整理し、誤って古いバージョンが本番で使われることを防ぎます。

正解: A. A. リアルタイムエンドポイントは低レイテンシで単発のリクエストに応答し、バッチエンドポイントは大量データを非同期にまとめて処理する

正解の根拠・詳細解説

リアルタイムエンドポイントは同期的に低レイテンシで個々のリクエストに応答するのに対し、バッチエンドポイントは大量のデータをまとめて非同期に処理するのに適しています。

正解: A. A. インフラのプロビジョニングやスケーリングの管理がAzureに委ねられ、運用負荷が下がる

正解の根拠・詳細解説

マネージドオンラインエンドポイントはVM管理、スケーリング、可用性などのインフラ運用をAzureがマネージドサービスとして提供するため、利用者はモデルのデプロイと監視に集中できます。

正解: D. D. 学習データの取得元データベースのスキーマ定義のみ

正解の根拠・詳細解説

エンドポイントの問題調査ではコンテナログ、レイテンシ、スコアリングスクリプトのエラーなどを確認します。学習データのスキーマ定義自体は推論時のトラブルシューティングの直接対象ではありません。

正解: A. A. 新バージョンを一部のトラフィックにのみ適用し、問題があれば影響範囲を限定して安全に検証できるようにするため

正解の根拠・詳細解説

プログレッシブロールアウト（カナリアデプロイなど）では新モデルを一部のトラフィックに限定して適用し、メトリクスを確認しながら徐々に展開範囲を広げることでリスクを抑えます。

正解: A. A. 新バージョンに問題が発生した場合に、迅速かつ安全に以前の安定版に戻せるようにするため

正解の根拠・詳細解説

セーフロールバックの仕組みを用意しておくことで、新バージョンのデプロイ後に問題（精度低下やエラー増加）が検出された場合、迅速に安定していた以前のバージョンへ切り戻すことができます。

正解: A. A. 入力データの分布が学習時と大きく変化していないかを監視し、モデル性能の劣化を早期に把握するため

正解の根拠・詳細解説

データドリフト検知は本番環境での入力データ分布の変化を監視する仕組みで、学習時のデータ分布から大きく外れた場合、モデルの予測性能が劣化するリスクを早期に把握するために行います。

正解: A. A. 精度・再現率などの予測品質指標とレイテンシ・スループットなどの運用指標

正解の根拠・詳細解説

本番モデルのモニタリングでは精度や再現率といった予測品質の指標に加え、レイテンシ・スループット・エラー率などの運用面の指標を継続的に追跡します。

正解: A. A. 性能劣化やデータドリフトが一定の基準を超えた場合に、自動的または半自動的に再学習プロセスを起動できるようにするため

正解の根拠・詳細解説

事前に設定した精度低下やドリフトの閾値を超えた場合にアラートや再学習パイプラインを自動的にトリガーすることで、モデル劣化への対応を迅速化し、運用負荷を下げられます。

正解: A. A. コードを変更せずに主要なフレームワークのパラメータ・メトリクスを自動的に記録できる

正解の根拠・詳細解説

MLflowのautolog機能は対応するフレームワーク（scikit-learn、PyTorchなど）を使うコードに最小限の変更で、ハイパーパラメータやメトリクスの記録を自動化します。

正解: B. B. 同じモデルのコピーを複数ノードに配置し、データを分割してそれぞれで学習・勾協を集約する

正解の根拠・詳細解説

データ並列ではモデルのコピーを各ノードに配置し、学習データを分割してそれぞれのノードで処理した勾配を集約・同期することで学習を高速化します。モデル自体の分割はモデル並列と呼ばれます。

正解: A. A. モデルのライフサイクル上の状態を明確にし、どのバージョンが本番運用中かを管理しやすくするため

正解の根拠・詳細解説

ステージやタグによってモデルのライフサイクル状態（開発中・検証中・本番運用中など）を明示することで、チーム間でどのバージョンが現在使われているかを正確に管理できます。

正解: A. A. 必要なときだけスケールしてリソースを確保し、ジョブ終了後は自動的にスケールダウンしてコストを抑えられる

正解の根拠・詳細解説

コンピュートクラスターはオートスケール機能によりジョブ実行時にのみノードを起動し、完了後は指定のアイドル時間でスケールダウンするため、リソース効率とコストの両立が可能です。

正解: B. B. 定期的に大量の顧客データに対してまとめてスコアリングを行うレポート生成処理

正解の根拠・詳細解説

バッチ推論は即時応答が不要で、大量データをまとめて非同期に処理する用途（例：夜間バッチでの顧客スコアリング）に適しています。

正解: A. A. 学習に使用していないデータでモデルを評価し、未知データへの一般化性能を確認するため

正解の根拠・詳細解説

ホールドアウト（学習に使われていない）データセットでモデルを評価することで、過学習の有無を確認し、未知データに対する一般化性能をより正確に見積もることができます。

正解: A. A. 2つ以上のモデルバージョンを実際のトラフィックの一部に振り分けて比較し、どちらが優れているかを実データで検証するため

正解の根拠・詳細解説

A/Bテストでは複数のモデルバージョンに実際のトラフィックを振り分け、ビジネスKPIや精度指標を比較することで、どのバージョンが実環境でより優れた性能を発揮するかを検証します。

正解: A. A. 過去の実験を後から振り返り、再現性の検証やトラブルシューティングに活用できる

正解の根拠・詳細解説

実験のログやメトリクスを保持しておくことで、後から「なぜこのモデルがこの精度になったのか」を振り返ったり、問題発生時の原因調査に役立てたりすることができます。

正解: A. A. コンピュートインスタンスは個人用の対話的開発環境、コンピュートクラスターは複数ノードに自動スケールするジョブ実行用リソースである

正解の根拠・詳細解説

コンピュートインスタンスは個人の開発・検証用の単一マシンであり、コンピュートクラスターはジョブの負荷に応じて複数ノードまでオートスケールするバッチ実行向けのリソースです。

正解: A. A. 統計的な精度指標だけでなく、実際のビジネス成果への影響を把握し、モデルの実用的な価値を評価するため

正解の根拠・詳細解説

精度や再現率などの統計的指標が良好でも、実際のビジネス成果（売上、コンバージョン率など）に結びつかない場合があるため、ビジネス指標と紐づけた評価がモデルの実用的価値を判断する上で重要です。

正解: A. A. モデルの入力となる特徴量の質が予測性能に直接影響するため

正解の根拠・詳細解説

従来型の機械学習では、モデルに入力する特徴量の選択・変換・生成の質が予測性能に大きく影響するため、特徴量エンジニアリングは精度向上の重要な工程です。

正解: A. A. 各ステップを独立して再実行・デバッグ・再利用できる

正解の根拠・詳細解説

ステップを独立したコンポーネントとして分離することで、特定のステップだけを再実行したり、デバッグしたり、他のパイプラインで再利用したりすることが容易になります。

正解: A. A. 問題発生時に旧バージョンへ即座にロールバックできるようにするため

正解の根拠・詳細解説

旧バージョンを残しておくことで、新バージョンに問題が見つかった場合に迅速にロールバックでき、サービスの安定性を保てます。

正解: A. A. モデルのロードと、リクエストされた入力データに対する推論処理を実装する

正解の根拠・詳細解説

スコアリングスクリプトはエンドポイントがリクエストを受け取った際に、モデルをロードし、前処理・推論・後処理を行って結果を返す処理を実装します。

正解: A. A. 勾協やパラメータの同期に時間がかかると、ノード数を増やしても学習速度の向上が限定的になることがあるため

正解の根拠・詳細解説

分散学習ではノード間で勾配やパラメータを同期する必要があり、この通信コストが大きいとノードを増やしても期待したほどの高速化が得られない（スケーラビリティの限界）ことがあります。

正解: A. A. モデルのトレーサビリティを確保し、後から学習条件を正確に再現・検証できるようにするため

正解の根拠・詳細解説

学習条件に関するメタデータを記録することで、後から「どのデータ・パラメータでこのモデルが学習されたか」を追跡し、再現性や監査対応を確保できます。

正解: A. A. コストを抑えられるが、他の優先度の高いワークロードによってプリエンプト（中断）される可能性がある

正解の根拠・詳細解説

低優先度VM（現在はSpot VMとして提供）は、Azure側で余っている空き容量を安価に払い出す仕組みで、通常の従量課金ノードより大幅に低いコストで学習ジョブを実行できます。ただし空き容量が減ったり、より優先度の高いワークロードが要求されたりすると、実行中のノードがプリエンプト（強制的に回収）され、走っていたジョブが中断されます。したがって学習スクリプト側でチェックポイントを定期的に保存し、中断後に途中から再開できるようにしておくこと、ジョブのリトライ設定を入れておくことが前提となります。用途としては、多少時間がかかっても構わないハイパーパラメーター探索や大量のバッチ推論、実験段階の学習ジョブに適します。一方、応答時間の保証が求められるオンラインエンドポイントの推論基盤には向きません。低優先度VMが中断されないという説明や、通常VMより高コストであるという説明は、いずれもこの仕組みの性質と逆です。

正解: B. B. 生成AIアプリケーション開発に必要なモデル・接続・データなどのリソースを整理するための作業単位

正解の根拠・詳細解説

Foundryのプロジェクトは、モデルデプロイ、データ接続、評価などの生成AI開発に関わるリソースをまとめて管理するための論理的な作業単位です。

正解: A. A. シークレットをコードに保存せずに、必要な権限のみをアプリケーションやサービスに付与できる

正解の根拠・詳細解説

マネージドIDを使うことで資格情報をコードに埋め込む必要がなくなり、RBACで必要最小限の権限のみを付与する最小権限の原則を実現できます。

正解: A. A. パブリックインターネットからの直接アクセスを制限し、組織のネットワーク境界内でのみリソースにアクセスできるようにするため

正解の根拠・詳細解説

プライベートエンドポイントやVNet統合を用いることで、Foundryリソースへのアクセスを組織のネットワーク内に限定し、外部からの不正アクセスのリスクを低減します。

正解: A. A. 環境構成をコード化し、複数環境（開発・検証・本番）で一貫した構成を再現できる

正解の根拠・詳細解説

BicepによるIaCはFoundry環境の構成をコードとして管理し、複数の環境間で一貫性のあるデプロイを再現可能にします。

正解: A. A. 専用のコンピュートインフラを自分で管理する必要がなく、使用量に応じた課金でモデルを利用できる

正解の根拠・詳細解説

サーバーレスAPIエンドポイントでは、利用者がコンピュートリソースを自分でプロビジョニング・管理する必要がなく、トークン使用量などに応じた課金体系でモデルを呼び出せます。

正解: A. A. 一定以上の安定したスループットが必要で、専用インフラによるレイテンシの予測可能性を重視する場合

正解の根拠・詳細解説

マネージドコンピュートは専用のインフラを確保するため、安定した高いスループットや予測可能なレイテンシが求められる本番ワークロードに適しています。

正解: D. D. モデルのアイコンの色

正解の根拠・詳細解説

モデル選定ではコンテキストウィンドウ、レイテンシ・コスト、タスク精度などの実質的な性能・運用要件を考慮します。アイコンの色のような表示上の要素は選定基準になりません。

正解: A. A. 高頻度・大量のリクエストに対して予測可能な処理能力とレイテンシを確保するため

正解の根拠・詳細解説

PTU（Provisioned Throughput Units）は専用の処理能力を事前に確保する仕組みで、高頻度・大量のリクエストが見込まれる本番環境において、安定したスループットとレイテンシを保証します。

正解: A. A. モデルプロバイダー側の更新や非推奨化に対応しつつ、アプリケーションの動作を安定的に維持するため

正解の根拠・詳細解説

基盤モデルは提供元によって新バージョンがリリースされたり旧バージョンが非推奨化されたりするため、バージョンを明示的に管理し、計画的に移行することでアプリケーションの安定性を保てます。

正解: A. A. モデルの振る舞いやペルソナ、回答のルールなど全体的な指示を設定するため

正解の根拠・詳細解説

システムメッセージはモデルに対して回答の方針やトーン、制約条件などの全体的な振る舞いを指示するために使われ、各ユーザーリクエストの文脈の基盤となります。

正解: A. A. 異なる表現や構造のプロンプトのうち、どれが望む出力品質やコストに対して最も優れているかを評価するため

正解の根拠・詳細解説

同じタスクに対して複数のプロンプト表現（バリアント）を試し、出力品質・コスト・レイテンシなどの観点で比較することで、最適なプロンプト設計を見極めることができます。

正解: A. A. プロンプトの変更履歴を追跡し、過去のバージョンに戻したり、チームでレビューしたりできる

正解の根拠・詳細解説

プロンプトをコードと同様にGitで管理することで、変更履歴の追跡、レビュープロセスの導入、問題があった場合の以前のバージョンへの復元が可能になります。

正解: A. A. 各メンバーが業務上必要な権限のみを持つようにし、誤操作やセキュリティリスクを低減するため

正解の根拠・詳細解説

ロールを細分化し最小権限の原則を適用することで、誤って本番リソースを変更してしまうリスクや、不必要な権限による情報漏洩リスクを低減できます。

正解: A. A. 複数のレイヤーでアクセス制御を行う多層防御（Defense in Depth）を実現できる

正解の根拠・詳細解説

NSGによるサブネットレベルの制御とプライベートエンドポイントによるリソースレベルの制御を組み合わせることで、複数層にわたるセキュリティ対策（多層防御）を実現できます。

正解: A. A. 一度のリクエストで処理できる入力・出力トークン量の上限を決定し、長文ドキュメントの処理可否に影響するため

正解の根拠・詳細解説

コンテキストウィンドウサイズは一度の呼び出しで扱える入力・出力の合計トークン量を制限し、長い文書やRAGで多くの参照情報を渡したい場合に重要な選定基準となります。

正解: A. A. 利用量の変動性、レイテンシの予測可能性、運用負荷とコストのバランス

正解の根拠・詳細解説

利用量がスパイクしやすいか安定しているか、レイテンシの予測可能性が必要か、運用の手間とコストのバランスをどう取るかが、デプロイオプション選定の主な検討軸となります。

正解: A. A. 外部のデータソースやサービスへの認証情報・接続設定を安全に一元管理するため

正解の根拠・詳細解説

Connectionsは外部のデータソースやAPIサービスへの認証情報を安全に保存・管理し、プロジェクト内のコンポーネントから再利用できるようにする仕組みです。

正解: A. A. プロンプト・関数呼び出し・各処理ステップの流れを可視化し、デバッグやチームでの理解を容易にする

正解の根拠・詳細解説

フローをグラフィカルに表現することで、各ステップ（プロンプト呼び出し、関数実行、条件分岐など）の流れを直感的に把握しやすくなり、デバッグやチームメンバーへの説明が容易になります。

正解: B. B. リソースの状態や設定を参照できるが変更はできない

正解の根拠・詳細解説

閲覧者（Reader）ロールは一般的にリソースの参照のみを許可し、構成の変更やデプロイの実行といった操作権限は付与されません。

正解: A. A. 移行計画を立て、後継モデルでのテスト・評価を行った上で計画的に切り替える

正解の根拠・詳細解説

非推奨化のアナウンスを受けた場合、後継モデルでの動作確認・評価を行い、計画的に移行スケジュールを立てて切り替えることで、サービスの継続性を保ちます。

正解: A. A. 変更内容をチームでレビューしてから本番プロンプトへ反映でき、品質と一貫性を保てる

正解の根拠・詳細解説

PRプロセスを通じてプロンプトの変更を他のメンバーがレビューすることで、意図しない品質低下や一貫性の欠如を防ぎ、変更管理の質を高めることができます。

正解: A. A. 組み込みロールでは要件に合わない、より細かい権限の組み合わせが必要な場合

正解の根拠・詳細解説

組み込みのロールが提供する権限の粒度が組織の要件に合わない場合、特定のアクションのみを許可・拒否するカスタムロールを定義することで、より細かいアクセス制御が可能になります。

正解: A. A. 新環境を並行して用意し、切り替え時のダウンタイムやリスクを最小化できる

正解の根拠・詳細解説

ブルーグリーンデプロイでは新バージョン用の環境（グリーン）を本番環境（ブルー）と並行して用意し、準備が整った時点でトラフィックを切り替えることで、ダウンタイムやリスクを抑えた移行が可能になります。

正解: A. A. コンテキストウィンドウの制約とAPI呼び出しコストの両方に直接影響するため

正解の根拠・詳細解説

プロンプトや応答のトークン数はコンテキストウィンドウの上限に関わるだけでなく、多くのAPI課金がトークン量に基づくため、コスト管理の観点でも重要です。

正解: A. A. 人手を介さず自動化されたパイプラインから安全にリソースを操作できるようにするため

正解の根拠・詳細解説

サービスプリンシパルはアプリケーションやCI/CDパイプラインがAzureリソースを操作するための非対話型のID（アプリケーションID）であり、自動化されたデプロイの認証手段として使われます。

正解: A. A. コスト管理・アクセス制御・リソースのライフサイクルを部門単位で明確に分離できる

正解の根拠・詳細解説

部門やプロダクトごとにプロジェクトを分離することで、コストの内訳管理、アクセス制御の境界、リソースのライフサイクル管理を整理しやすくなります。

正解: A. A. プロンプトがログや履歴に残った場合に機密情報が漏洩するリスクがあるため

正解の根拠・詳細解説

プロンプトの内容はログやトレースとして保存されることが多く、機密情報やAPIキーを直接含めると、ログ閲覧者への漏洩や不正利用のリスクが生じます。シークレットはKey Vaultなど専用の仕組みで管理すべきです。

正解: A. A. 商用利用の制約やデータ取り扱いに関するポリシーを理解し、コンプライアンス上の問題を避けるため

正解の根拠・詳細解説

モデルによって商用利用条件やデータの取り扱いに関するポリシーが異なるため、選定前にライセンスや規約を確認し、組織のコンプライアンス要件に適合するかを確認する必要があります。

正解: A. A. 同じ構造を保ったまま入力値だけを差し替えて再利用でき、保守性が向上する

正解の根拠・詳細解説

プロンプトのテンプレート化とは、指示文や出力形式といった固定部分をテンプレートとして定義し、ユーザー入力や検索で取得したコンテキストなど変化する部分だけを変数として差し込む設計です。呼び出し箇所ごとに文字列をべた書きすると、指示の言い回しが少しずつずれ、出力品質に差が出たときに原因を特定できなくなります。テンプレート化しておけば修正は一箇所で済み、変更前後の出力を同じ条件で比較できるため、評価やA/Bテストの再現性が高まります。さらにテンプレートをファイルとして管理すればGitでバージョン管理でき、どの版のプロンプトがどの評価結果に対応するかを追跡できます。実装面でも、ユーザー入力を変数として明確に区切ることで、指示文と入力データの境界があいまいになることによるプロンプトインジェクションのリスクを下げられます。テンプレート化それ自体が応答速度を必ず下げたり、コストを必ず増やしたりするわけではありません。

正解: B. B. モデルの応答が提供されたコンテキスト（参照情報）に基づいており、根拠のない内容を生成していないか

正解の根拠・詳細解説

グラウンデッドネスは、モデルの応答が与えられたコンテキスト（取得した文書など）に忠実で、ハルシネーション（事実に基づかない内容の生成）を起こしていないかを評価する指標です。

正解: A. A. 応答がユーザーの質問や意図にどれだけ的確に答えているか

正解の根拠・詳細解説

関連性はモデルの応答がユーザーの質問・意図に対してどれだけ的確で有用な内容を提供しているかを測る評価指標です。

正解: A. A. 応答が論理的に矛盾なく、文脈として自然に繋がっているか

正解の根拠・詳細解説

一貫性は応答全体が論理的な矛盾を含まず、文と文のつながりが自然で読みやすいかを評価する指標です。

正解: A. A. 文法的な正しさや自然な言葉遣いなど、言語表現としての品質

正解の根拠・詳細解説

流暢性は文法・語彙選択・表現の自然さなど、言語としての品質的側面を評価する指標です。

正解: A. A. 評価指標を計算するための入力と期待される（または参照される）出力のペアを用意し、体系的に品質を評価できるようにするため

正解の根拠・詳細解説

テストデータセット（入力と期待出力やコンテキストのペア）を用意することで、グラウンデッドネスや関連性などの評価指標を体系的・再現可能な形で計測できます。

正解: C. C. ネットワークの帯域使用率

正解の根拠・詳細解説

リスク・安全性評価は暴力・差別・自己傷害助長・性的に不適切な内容など、ユーザーに有害となりうるコンテンツの生成有無を確認するものであり、ネットワーク帯域とは無関係です。

正解: A. A. 標準的な品質観点を効率的に評価しつつ、ドメイン固有の要件に対応したカスタム指標で補完できる

正解の根拠・詳細解説

組み込み指標は汎用的な品質観点（関連性、流暢性など）を効率的に評価できますが、特定業界やユースケースに特化した要件にはカスタム指標を追加することで、より適切な評価が可能になります。

正解: A. A. プロンプトやモデルの変更が品質指標に悪影響を与えていないかを、リリース前に自動的に検証するため

正解の根拠・詳細解説

自動評価ワークフローをCI/CDに統合することで、プロンプトやモデルバージョンの変更がリリースされる前に、品質指標の低下を検知し、リグレッションを防止できます。

正解: A. A. 本番運用中のアプリケーションの応答品質・パフォーマンス・コストなどを継続的に追跡すること

正解の根拠・詳細解説

継続的モニタリングは本番稼働中の生成AIアプリケーションについて、応答品質、レイテンシ・スループットなどのパフォーマンス、トークン消費などのコストを継続的に観測する取り組みです。

正解: A. A. ユーザー体験に直接影響する応答性能の劣化や異常を早期に検知するため

正解の根拠・詳細解説

レイテンシやスループットの劣化はユーザー体験の悪化に直結するため、これらを継続的に監視し、異常があれば早期に対応することが重要です。

正解: A. A. 多くの生成AIサービスの課金がトークン使用量に基づいているため、コスト管理に直結する

正解の根拠・詳細解説

多くの基盤モデルAPIはトークン数に基づいて課金されるため、トークン消費量の追跡はコスト管理・予算超過の早期発見に直結する重要な指標です。

正解: A. A. 1つのリクエストが処理される過程での各ステップ（検索、プロンプト構築、モデル呼び出しなど）の詳細な実行経路

正解の根拠・詳細解説

トレーシングはリクエストが処理される際の各ステップ（データ取得、プロンプト構築、モデル呼び出し、後処理など）の実行経路と所要時間を記録し、ボトルネックや問題箇所の特定に役立てます。

正解: A. A. エラー発生時の入力・出力・実行経路を後から確認し、根本原因を特定しやすくなる

正解の根拠・詳細解説

詳細なログを保存しておくことで、問題発生時に入力内容、モデルの応答、処理経路などを後から確認し、根本原因の特定や再現に役立てることができます。

正解: A. A. 様々なユースケースやエッジケースを網羅することで、本番で発生し得る多様な入力パターンへの対応力を評価できるため

正解の根拠・詳細解説

限られたパターンのテストデータだけでは本番での多様な入力（エッジケースや異常系を含む）への対応力を正しく評価できないため、カバレッジを意識したデータセット設計が重要です。

正解: A. A. コンピュートやストレージの使用率に加え、API呼び出し回数やトークン消費量など

正解の根拠・詳細解説

コスト監視ではコンピュート・ストレージの使用状況だけでなく、API呼び出し回数やトークン消費量など、課金に直結する複数の指標を組み合わせて追跡します。

正解: A. A. モデルの応答を参照コンテキストやグラウンドトゥルースと比較し、根拠のない記述がないかをグラウンデッドネス指標などで評価する

正解の根拠・詳細解説

ハルシネーションは、モデルが根拠のない内容をもっともらしい文章として生成する現象です。自動評価では、生成された応答を、与えた参照コンテキスト（検索で取得した文書など）や人手で用意した正解データと突き合わせ、応答中の各主張がその根拠によって裏付けられているかを判定します。この観点を数値化したものがグラウンデッドネス指標で、根拠のない記述が含まれるほどスコアが下がります。判定には別のモデルを評価者として使う手法が一般的で、関連性・一貫性・流暢性といった他の指標と組み合わせ、応答を多面的に測ります。重要なのは、評価の基準をモデルの内部知識ではなく提示したコンテキストに限定する点で、そうすることで事実らしく見えても提示文書に書かれていない内容を検出できます。応答の長さのような表層的な特徴だけでは、内容に根拠があるかどうかは判断できません。

正解: A. A. 検索精度と、モデルに渡すコンテキストの粒度・量のバランスを最適化するため

正解の根拠・詳細解説

チャンクサイズが小さすぎると文脈が断片化し、大きすぎると無関係な情報が混入しやすくなるため、検索精度とコンテキストの質のバランスを取るために調整が必要です。

正解: A. A. 検索結果として採用する文書の関連性の基準を制御し、ノイズの多い低関連文書の混入を防ぐため

正解の根拠・詳細解説

類似度しきい値を適切に設定することで、関連性の低い文書がコンテキストに混入することを防ぎ、RAGの出力品質を向上させることができます。

正解: A. A. ドメイン特有の用語や文脈をより正確にベクトル空間上で表現でき、検索精度が向上するため

正解の根拠・詳細解説

汎用埋め込みモデルでは専門用語やドメイン特有の文脈を十分に捉えられない場合があり、ドメインに適した埋め込みモデルを選定・ファインチューニングすることで検索精度を高めることができます。

正解: A. A. 意味的な類似性検索とキーワードマッチングの両方の強みを組み合わせ、検索の再現率と精度を高められる

正解の根拠・詳細解説

セマンティック検索は意味的な類似性を捉えるのに優れ、キーワード検索は専門用語や完全一致が必要な場合に強みがあるため、両者を組み合わせることで検索の網羅性と精度を両立できます。

正解: A. A. 異なる検索・生成設定（チャンクサイズや埋め込みモデルなど）を実データで比較し、より優れた構成を見極めるため

正解の根拠・詳細解説

RAGの構成パラメータ（チャンクサイズ、しきい値、埋め込みモデルなど）の異なる組み合わせを実際のトラフィックでA/Bテストすることで、関連性メトリクスなどに基づき最も優れた構成を特定できます。

正解: A. A. 検索された文書がユーザーの質問にどれだけ適合しているか

正解の根拠・詳細解説

関連性メトリクスは検索された文書やチャンクがユーザーの質問・意図にどれだけ適合しているかを定量的に評価する指標です。

正解: A. A. 全パラメータを更新するフルファインチューニングに比べて計算コストとメモリ使用量を抑えながらモデルを適応させられる

正解の根拠・詳細解説

LoRA（Low-Rank Adaptation）などの効率的なファインチューニング手法は、モデル全体のパラメータを更新する代わりに少数の追加パラメータのみを学習することで、計算コストとメモリ使用量を抑えつつモデルをタスクに適応させます。

正解: A. A. 実データが不足している場合や、特定のシナリオ・エッジケースを補強したい場合に学習データを補完するため

正解の根拠・詳細解説

実データの収集が困難な場合や、特定の希少なシナリオ・エッジケースのカバレッジを高めたい場合に、合成データを生成して学習データセットを補強することがあります。

正解: A. A. 本番データの傾向変化や時間経過によるモデル性能の劣化を検知し、再学習やロールバックの判断に役立てるため

正解の根拠・詳細解説

本番投入後も入力データの傾向は変化する可能性があるため、ファインチューニング済みモデルの性能を継続的にモニタリングし、劣化が見られた場合は再学習やロールバックを検討する必要があります。

正解: A. A. 評価・検証を経た上で段階的に本番投入し、ライフサイクル全体を通じてバージョンを追跡管理すること

正解の根拠・詳細解説

ファインチューニング済みモデルも通常のMLモデルと同様に、評価・段階的デプロイ・バージョン管理を含むライフサイクル管理を行うことで、安定的かつ安全な本番運用が可能になります。

正解: D. D. コンピュートクラスターのVMの色

正解の根拠・詳細解説

リトリーバル戦略の最適化ではチャンク化、top-kの件数、リランキングの有無などが検討対象となります。VMの色のような表示上の属性は性能とは無関係です。

正解: A. A. 特定ドメインの用語・文脈に対する類似度計算の精度が向上する

正解の根拠・詳細解説

埋め込みモデルをドメイン特有のデータでファインチューニングすることで、専門用語や文脈に対する類似度計算（ベクトル表現）の精度を高めることができます。

正解: A. A. 生成過程で元のモデルの偏りが合成データに反映され、ファインチューニング後のモデルにも偏りが継承される可能性があるため

正解の根拠・詳細解説

合成データを生成する際、生成元のモデル自体が持つバイアスや偏りが合成データに反映され、それを使ってファインチューニングしたモデルにも同様の偏りが継承されるリスクがあるため、品質・バイアスのチェックが重要です。

正解: A. A. 初期検索で得られた候補文書を、より精緻なモデルでスコアリングし直し、最終的にコンテキストへ含める文書の関連性を高めるため

正解の根拠・詳細解説

初期検索（高速だが粗い）で得られた候補を、より精度の高いモデルで再評価・再順位付け（リランキング）することで、最終的にコンテキストへ含める文書の関連性をさらに高めることができます。

正解: A. A. 埋め込みモデルのドメイン適応の方が、検索（リトリーバル）段階の精度向上に直接的に寄与する

正解の根拠・詳細解説

RAGの検索段階の精度はクエリと文書のベクトル類似度計算に依存するため、埋め込みモデルをドメインに適応させることが検索精度向上に直接的に寄与します。生成モデルのファインチューニングは主に応答の生成品質に影響します。

正解: A. A. データやユーザーの問い合わせ傾向が時間とともに変化するため、定期的な見直しと改善が品質維持に必要となるため

正解の根拠・詳細解説

RAG もファインチューニングも、構築した時点のデータ分布と利用者の問い合わせ傾向を前提に最適化されています。実運用では製品仕様や社内規程といった元データが更新され、質問の言い回しや対象範囲も変化していくため、検索で取得される文脈が古くなったり、想定外の質問に対して検索精度が落ちたりします。これはデータドリフトと呼ばれる現象で、モデル自体に手を加えていなくても回答品質は時間とともに劣化します。したがって、チャンク分割やインデックス構成、検索の取得件数、リランキングといった RAG 側のパラメータと、ファインチューニング済みモデルを再学習すべきかどうかを、評価指標とユーザーフィードバックに基づいて定期的に見直す運用が必要です。選択肢Bのように一度の最適化が永久に有効という前提は成り立たず、最適化はコストだけでなく回答品質そのものに影響します。RAG で最新の知識を補い、ファインチューニングで出力形式や文体を安定させるというように両者は補完関係にあり、併せて検討するのが実務的です。