第1回 問題集（全般）

正解: C. Azure AI Language

正解の根拠・詳細解説

テキストの分析、感情分析（ポジティブ/ネガティブの判定）、キーフレーズ抽出などを行うには「Azure AI Language（旧 Text Analytics）」が最適です。

正解: B. Azure AI Custom Vision

正解の根拠・詳細解説

独自の画像データ（この場合は自社の製品画像）をアップロードして、画像内の特定の物体や欠陥を検出する独自のモデルをトレーニングするには「Azure AI Custom Vision」を使用します。

正解: A. Azure Machine Learning デザイナー

正解の根拠・詳細解説

「Azure Machine Learning デザイナー」は、コードを記述することなく、データセットやモジュールをキャンバスにドラッグ＆ドロップして接続することで機械学習パイプラインを視覚的に構築できるツールです。

正解: B. Azure AI Search と Azure OpenAI Service

正解の根拠・詳細解説

企業の独自データに基づいてAIが回答を生成する「RAG（検索拡張生成）」パターンの典型的な構成です。「Azure AI Search（旧 Cognitive Search）」でドキュメントを検索し、その結果を「Azure OpenAI Service」に渡して自然言語で回答を生成させます。

正解: C. 公平性 (Fairness)

正解の根拠・詳細解説

「公平性 (Fairness)」の原則は、AIシステムがすべての人を公平に扱い、特定の人種、性別、年齢などのグループに対してバイアス（偏見）を持たず、不当な不利益を与えないことを保証するものです。

正解: A. 異常検出 (Anomaly Detection)

正解の根拠・詳細解説

通常のパターンから外れたデータ（外れ値）を自動的に見つけ出すワークロードは「異常検出」に分類されます。不正取引の検知、製造ラインのセンサー異常、サーバー負荷の急変などが代表例です。コンピュータービジョンは画像や動画、自然言語処理はテキストや音声を扱うワークロードであり、知識マイニングは大量の文書から情報を抽出して検索可能にするものなので、いずれもこのシナリオには当てはまりません。

正解: B. 知識マイニング (Knowledge Mining)

正解の根拠・詳細解説

非構造化データ（PDF、画像、音声など）から情報を抽出してインデックス化し、検索可能な知識ストアを作るワークロードを「知識マイニング」と呼びます。Azureでは Azure AI Search がこの中心的なサービスです。予測分析は将来の数値や分類を予測するもの、会話型AIはチャットボットなどの対話、強化学習は試行錯誤で方策を学ぶ手法であり、いずれも本シナリオの主目的とは異なります。

正解: C. 信頼性と安全性 (Reliability and safety)

正解の根拠・詳細解説

「信頼性と安全性」は、AIシステムが想定される条件下だけでなく、予期しない状況でも一貫して安全かつ確実に動作することを求める原則です。厳格なテスト、検証、監視はこの原則を実現する代表的な手段です。包括性は多様な利用者を排除しないこと、透明性は仕組みや限界を理解できること、アカウンタビリティは人が責任を負う体制のことを指します。

正解: D. プライバシーとセキュリティ (Privacy and security)

正解の根拠・詳細解説

「プライバシーとセキュリティ」の原則は、AIが利用する個人データを保護し、不正アクセスや意図しない開示から守ることを求めます。暗号化、アクセス制御、匿名化はその典型的な対策です。公平性はバイアスの排除、信頼性と安全性は安定した動作、透明性は仕組みの説明可能性に関する原則であり、データ保護そのものを扱う原則ではありません。

正解: A. 包括性 (Inclusiveness)

正解の根拠・詳細解説

「包括性」は、能力、年齢、言語、文化などの違いに関わらず、すべての人がAIの恩恵を受けられるようにする原則です。アクセシビリティへの配慮や多様な利用者を想定した設計がこれに当たります。公平性が「不当な差別をしない」ことに焦点を当てるのに対し、包括性は「誰も取り残さない」ことに焦点があります。

正解: B. 透明性 (Transparency)

正解の根拠・詳細解説

「透明性」の原則は、AIシステムがどのように動作し、何を根拠に判断したのか、そしてどのような制約があるのかを利用者が理解できるようにすることを求めます。モデルの解釈可能性（特徴量の重要度など）を提示するのは透明性の実践です。公平性は差別的な結果を防ぐこと、包括性は誰もが使えるようにすることであり、説明責任の提示とは目的が異なります。

正解: C. アカウンタビリティ (Accountability)

正解の根拠・詳細解説

「アカウンタビリティ（説明責任）」は、AIシステムの設計者や運用者である人間が、その挙動と結果に対して責任を負うことを求める原則です。ガバナンス体制、社内ポリシー、監査の仕組みがこれを支えます。透明性は「仕組みを説明できること」であり、「誰が責任を取るか」を定めるアカウンタビリティとは区別されます。

正解: D. 収益性 (Profitability)

正解の根拠・詳細解説

Microsoftの責任あるAIの6原則は「公平性」「信頼性と安全性」「プライバシーとセキュリティ」「包括性」「透明性」「アカウンタビリティ」です。「収益性（Profitability）」はビジネス上の指標であって倫理原則ではないため含まれません。

正解: A. 機械学習による予測分析（回帰）

正解の根拠・詳細解説

過去のデータから将来の「数値」を予測するのは機械学習の予測分析、特に回帰タスクに該当します。売上金額のような連続値が対象なので分類ではなく回帰です。コンピュータービジョンは画像、知識マイニングは文書検索、生成AIは新しいコンテンツ生成が目的であり、数値予測の手法ではありません。

正解: B. コンピュータービジョン / Azure AI Document Intelligence

正解の根拠・詳細解説

スキャン画像やPDFから文字と項目を読み取るのは、コンピュータービジョン（特に光学式文字認識＝OCR）のワークロードです。Azure AI Document Intelligence には請求書用の事前構築済みモデルがあり、請求元・金額・日付などのフィールドをキーと値のペアとして抽出できます。Azure AI Speech は音声用、Azure OpenAI は文章生成用であり、帳票の構造化抽出には特化していません。

正解: C. Azure AI Speech の音声テキスト変換

正解の根拠・詳細解説

音声をテキストに変換するには Azure AI Speech の音声テキスト変換（Speech to Text）を使用します。文字起こし後にテキストを分析したい場合は Azure AI Language を組み合わせます。Azure AI Translator は言語間の翻訳、Azure AI Vision と Document Intelligence は画像・文書が対象であり、音声の入力は扱えません。

正解: D. 生成AI

正解の根拠・詳細解説

入力に基づいて新しい文章・画像・コードなどのオリジナルコンテンツを作り出すワークロードは「生成AI」です。Azureでは Azure OpenAI Service の言語モデルがこれを担います。異常検出は外れ値の発見、コンピュータービジョンは画像の理解、知識マイニングは既存文書からの情報抽出であり、いずれも新しいコンテンツを創作するものではありません。

正解: A. 会話型AI (Conversational AI)

正解の根拠・詳細解説

人間と自然言語でやり取りするボットやアシスタントを扱うワークロードは「会話型AI」に分類されます。Azureでは Azure AI Language の会話言語理解 (CLU) やカスタム質問応答と、Azure AI Bot Service を組み合わせて実装します。予測分析は数値・カテゴリの予測、異常検出は外れ値の発見、セマンティックセグメンテーションは画像のピクセル単位の分類であり、対話とは無関係です。

正解: B. 透明性

正解の根拠・詳細解説

モデルがどの特徴量を重視して予測したかを可視化する解釈可能性（Interpretability）は、AIの判断根拠を人が理解できるようにするものであり、「透明性」の原則を支えます。責任あるAI ダッシュボードにはこのほか、公平性評価やエラー分析、反事実分析などの機能も含まれています。

正解: C. Azure AI Content Safety

正解の根拠・詳細解説

Azure AI Content Safety は、テキストと画像に含まれる憎悪、性的、暴力、自傷といった有害カテゴリを検出し、重大度レベルを返すサービスです。Azure AI Translator は翻訳、Azure AI Search は検索、Azure Machine Learning デザイナーは独自モデルの構築ツールであり、有害コンテンツの判定に特化した機能は備えていません。

正解: D. 透明性

正解の根拠・詳細解説

利用者が「今やり取りしている相手が人間ではなくAIである」と理解できるようにすることは、「透明性」の原則の実践です。AIの正体や能力・限界を隠さず伝えることで、利用者は結果を適切に受け止め、必要に応じて人間の担当者に切り替える判断ができます。

正解: A. アカウンタビリティ

正解の根拠・詳細解説

重要な意思決定をAIに完全に委ねず、人間が最終判断と記録の責任を持つ運用は「アカウンタビリティ」の原則を体現しています。人間が結果に責任を負える仕組みを作ることが要点です。透明性は判断根拠の説明、公平性はバイアスの排除に関する原則であり、責任の所在を定めるものではありません。

正解: B. 異常検出

正解の根拠・詳細解説

時系列データの中から通常の変動範囲を外れた挙動を見つけるのは「異常検出」のワークロードです。予知保全（Predictive Maintenance）の中核となる技術で、故障前の微細な兆候を捉えられます。画像分類・OCRはコンピュータービジョン、機械翻訳は自然言語処理のワークロードであり、センサー数値の監視には該当しません。

正解: C. Azure AI services マルチサービスリソース

正解の根拠・詳細解説

Azure AI services のマルチサービスリソースを作成すると、複数のAIサービスを1つのエンドポイントとキーのペアで利用でき、課金も統合されます。単一サービスリソースはサービスごとにキーとエンドポイントが分かれるため、サービス別に課金を分離したい場合や無料枠を使いたい場合に向いています。Azure ML ワークスペースやストレージアカウントは、AIサービスの認証情報を提供するリソースではありません。

正解: D. エンドポイントURLとキー

正解の根拠・詳細解説

Azure AI サービスを利用するには、リソース固有の「エンドポイントURL」と「キー（サブスクリプションキー）」が必要です。キーはリクエストヘッダーに含めて認証に使います。より安全な方法として Microsoft Entra ID による認証やマネージドIDも利用できますが、基本形はエンドポイントとキーです。サブスクリプションIDやリソースグループ名はリソース管理用の情報であり、API呼び出しの認証情報ではありません。

正解: A. Azure AI Foundry ポータル

正解の根拠・詳細解説

Azure AI Foundry ポータル（旧 Azure AI Studio）は、モデルカタログの閲覧、プレイグラウンドでの検証、プロンプトフローによるワークフロー構築、評価やデプロイまでを一箇所で行える生成AI開発の統合環境です。Azure Monitor は監視、Microsoft Purview はデータガバナンス、コスト管理は請求の分析用であり、モデル開発環境ではありません。

正解: B. 自然言語処理 / Azure AI Translator

正解の根拠・詳細解説

言語間の翻訳はテキストを扱う自然言語処理のワークロードであり、Azure AI Translator が担当します。Translator は1回のリクエストで複数の対象言語へ同時に翻訳できます。Azure AI Vision は画像、Azure AI Search は検索インデックスの構築、Azure Machine Learning は独自モデルの学習基盤であり、翻訳の専用サービスではありません。

正解: C. Fairlearn

正解の根拠・詳細解説

Fairlearn は、性別や年齢などのセンシティブな属性ごとにモデルの性能差を測定し、緩和アルゴリズムを適用できるオープンソースパッケージで、Azure Machine Learning の責任あるAI ダッシュボードにも統合されています。MLflow は実験の追跡、ONNX Runtime はモデルの推論実行、Pandas はデータ操作のためのライブラリであり、公平性評価が目的ではありません。

正解: D. 生成AI

正解の根拠・詳細解説

テキストの説明から新しい画像を作り出すのは生成AIの代表的なタスクで、Azure OpenAI Service の DALL-E などの画像生成モデルが利用できます。画像分類や物体検出は「既にある画像」を解析するコンピュータービジョンのタスク、OCRは画像内の文字を読み取るタスクであり、いずれも新規の画像を生成するものではありません。

正解: A. 偏ったデータで学習させると、モデルの予測も偏る可能性が高い

正解の根拠・詳細解説

機械学習モデルは学習データのパターンをそのまま反映するため、特定の属性に偏ったデータで学習させると予測にもバイアスが生じます（公平性の課題）。データの品質と代表性は精度に直結し、一般にデータが少なすぎると過学習を起こして汎化性能が下がります。個人情報はプライバシー原則に基づき匿名化や最小化を行うべきです。

正解: B. 自然言語処理

正解の根拠・詳細解説

テキストの意味を解析して主要な話題やキーワードを抽出するのは自然言語処理のワークロードです。Azure AI Language のキーフレーズ抽出機能を使えば、文章から重要な語句を自動で取り出せます。コンピュータービジョンは画像、異常検出は外れ値、強化学習は行動方策の学習を扱うため、テキスト解析には該当しません。

正解: C. サービスごとに個別に課金状況を確認でき、無料レベルを利用できる場合がある

正解の根拠・詳細解説

単一サービスリソースはサービスごとに独立したキー・エンドポイントを持つため、利用状況や課金をサービス別に管理でき、多くのサービスで無料レベル (F0) を利用できます。1つのキーで複数サービスを使えるのはマルチサービスリソースの利点です。リソースの種類によって推論速度が変わるわけではなく、モデルの自動再学習も行われません。

正解: D. 潜在的な害を特定する (Identify)

正解の根拠・詳細解説

Microsoftが示す責任ある生成AIのプロセスは「特定 (Identify) → 測定 (Measure) → 軽減 (Mitigate) → 運用 (Manage/Operate)」の順です。まずソリューションが引き起こしうる潜在的な害を洗い出し、その発生度合いを測定してから、対策を講じて運用に移ります。デプロイやフィードバック収集は最終段階の運用フェーズに含まれます。

正解: A. 顧客レビューの文章から満足度を判定する

正解の根拠・詳細解説

文章から満足度（感情）を判定するのは、テキストを扱う自然言語処理のワークロードです。映像からの人物検出（物体検出）、レシート画像の文字認識（OCR）、写真の動物判別（画像分類）はいずれも画像・映像を入力とするコンピュータービジョンのタスクです。ワークロードの分類は「入力データが何か」で見分けると整理しやすくなります。

正解: B. ラベル (Label)

正解の根拠・詳細解説

予測の対象となる値を「ラベル（目的変数）」と呼び、予測の手がかりとなる入力値を「特徴量（説明変数）」と呼びます。ここでは広さ・築年数・距離が特徴量、販売価格がラベルです。ハイパーパラメーターは学習の設定値、エポックは学習データを何回繰り返すかを示す値であり、データの列を指す用語ではありません。

正解: C. 教師あり学習

正解の根拠・詳細解説

入力とその正解ラベルのペアからパターンを学ぶ手法を「教師あり学習」と呼び、回帰と分類が代表的なタスクです。教師なし学習はラベルのないデータから構造を見つける手法（クラスタリングなど）、強化学習は報酬を最大化する行動を試行錯誤で学ぶ手法です。転移学習は既存の学習済みモデルを別のタスクに応用する手法を指します。

正解: D. 回帰 (Regression)

正解の根拠・詳細解説

レンタル台数のような連続した数値を予測するタスクは「回帰」です。分類はカテゴリを予測するタスク、クラスタリングはラベルなしデータをグループに分けるタスク、物体検出は画像内の対象を見つけるコンピュータービジョンのタスクであり、数値予測には適していません。

正解: A. 二項分類 (Binary Classification)

正解の根拠・詳細解説

2つのカテゴリのいずれかを予測するタスクは「二項分類」です。3つ以上のカテゴリを予測する場合は多クラス分類になります。回帰は連続値の予測、クラスタリングはラベルなしのグループ分け、次元削減は特徴量の数を減らす前処理であり、いずれもこのシナリオには当てはまりません。

正解: B. 多クラス分類 (Multiclass Classification)

正解の根拠・詳細解説

3つ以上のあらかじめ定義されたカテゴリの中から1つを選ぶタスクは「多クラス分類」です。カテゴリが2つなら二項分類になります。クラスタリングは正解ラベルが存在せずデータの類似性だけでグループを作る手法なので、品種名が既知のこのケースとは異なります。

正解: C. クラスタリング (Clustering)

正解の根拠・詳細解説

正解ラベルがない状態でデータの類似性に基づいてグループ分けを行う教師なし学習の手法が「クラスタリング」で、K-Meansが代表的なアルゴリズムです。回帰と分類は正解ラベルが必要な教師あり学習であり、時系列予測は将来の数値を予測する回帰の一種なので、このシナリオには適しません。

正解: D. 未知のデータに対する性能を客観的に評価するため

正解の根拠・詳細解説

学習に使ったデータでそのまま評価すると、モデルが答えを覚えているだけでも高いスコアが出てしまいます。学習に使っていないデータで評価することで、未知のデータに対する汎化性能を客観的に測れます。一般には70〜80%を訓練用、残りを検証用に分割します。学習時間短縮やデータ圧縮が目的ではありません。

正解: A. 真陽性・偽陽性・真陰性・偽陰性の件数

正解の根拠・詳細解説

混同行列は、実際の分類と予測の組み合わせを表にしたもので、真陽性 (TP)、偽陽性 (FP)、真陰性 (TN)、偽陰性 (FN) の件数を示します。ここから正解率、適合率、再現率などの指標が計算されます。特徴量の統計量や学習時間、クラスター中心は混同行列とは無関係です。

正解: B. 正解率だけでは不十分で、再現率などの指標も確認すべきである

正解の根拠・詳細解説

不均衡データでは、多数派クラスだけを予測しても正解率（Accuracy）が高く出てしまいます。本当に検出したい不正取引を1件も見つけられていないため、この場合は再現率（Recall）や適合率（Precision）、F1スコア、AUCといった指標を併せて確認する必要があります。学習データを減らすことは根本的な解決になりません。

正解: C. 陽性と予測したもののうち、実際に陽性だった割合

正解の根拠・詳細解説

適合率は「陽性と予測したもののうち実際に陽性だった割合」で、TP / (TP + FP) で計算されます。誤検知（偽陽性）を減らしたい場面で重視されます。なお「実際の陽性のうち正しく陽性と予測できた割合」は再現率 (Recall)、「全予測のうち正解した割合」は正解率 (Accuracy)、「予測値と実測値の差の平均」は回帰の平均絶対誤差 (MAE) の説明です。

正解: D. 再現率 (Recall)

正解の根拠・詳細解説

再現率は「実際に陽性であるもののうち、正しく陽性と予測できた割合」で、TP / (TP + FN) で計算されます。見逃し（偽陰性）を減らしたい医療診断のような場面で最重視されます。適合率は誤検知の少なさを測る指標、MAEは回帰の誤差指標、シルエット係数はクラスタリングの評価指標です。

正解: A. F1 スコア

正解の根拠・詳細解説

F1スコアは適合率と再現率の調和平均であり、両者のバランスを1つの値で表せます。どちらか一方が極端に低いとF1も低くなるため、不均衡データの評価に有効です。R2スコアとRMSEは回帰モデルの指標、正解率は全体の正答割合であり、適合率と再現率のバランスは表しません。

正解: B. モデルがクラスをほぼ完璧に識別できている

正解の根拠・詳細解説

AUCはROC曲線の下の面積で、0.5がランダムな予測、1.0が完全な識別を意味します。1.0に近いほどモデルが陽性と陰性をよく区別できていることを示します。学習速度や特徴量の数、データの分布形状とは関係のない指標です。

正解: C. 平均絶対誤差 (MAE)

正解の根拠・詳細解説

MAE (Mean Absolute Error) は予測値と実測値の差の絶対値を平均した指標で、値が小さいほど誤差が少ないことを示します。単位が元のデータと同じなので直感的に解釈しやすいのが特長です。正解率、F1スコア、AUCはいずれも分類モデルの評価指標であり、回帰には使いません。

正解: D. MAEに比べ、大きな誤差により強くペナルティを与える

正解の根拠・詳細解説

RMSEは誤差を二乗してから平均し平方根を取るため、大きな外れ値の誤差が強く反映されます。MAEと同様、値は小さいほど良いモデルです。0〜1に収まる保証はなく（元データの単位に依存します）、分類ではなく回帰の指標です。

正解: A. モデルが目的変数の変動の約95%を説明できている

正解の根拠・詳細解説

R2（決定係数）は、モデルが目的変数のばらつきをどの程度説明できているかを0〜1で表す指標で、1に近いほど当てはまりが良いことを意味します。予測が完全一致する確率ではなく、誤差の絶対量を表すものでもありません。誤差の大きさそのものを知りたい場合はMAEやRMSEを確認します。

正解: B. 過学習 (Overfitting)

正解の根拠・詳細解説

訓練データに過度に適合し、未知のデータに対して性能が出ない状態を「過学習（オーバーフィッティング）」と呼びます。学習データを増やす、特徴量を減らす、正則化を行う、交差検証を使うなどの対策があります。未学習は訓練データですら精度が出ない逆の状態、推論は学習済みモデルで予測を行うことです。

正解: C. 複数のアルゴリズムと前処理の組み合わせを自動で試し、最良のモデルを選ぶ

正解の根拠・詳細解説

自動MLは、指定したデータとタスク（分類・回帰・時系列予測など）に対して、さまざまなアルゴリズムとハイパーパラメーター、前処理（フィーチャライゼーション）の組み合わせを自動的に試行し、指定した主要メトリックが最も良いモデルをランキング表示します。データ収集や課金最適化、OCRは自動MLの機能ではありません。

正解: D. トレーニングデータ、タスクの種類、主要メトリック

正解の根拠・詳細解説

自動MLジョブでは、学習に使うデータ（と目的列＝ラベル）、タスクの種類（分類・回帰・時系列予測など）、モデルを比較するための主要メトリック、そして実行するコンピューティング先を指定します。アルゴリズムの選択やコードの記述は自動MLが担うため不要です。Dockerfileやドライバーのバージョンを手作業で指定する必要もありません。

正解: A. 欠損値の補完やカテゴリ値のエンコードなどの前処理

正解の根拠・詳細解説

フィーチャライゼーションは、欠損値の補完、カテゴリ変数のエンコード、数値のスケーリング、不要な列の削除といった特徴量エンジニアリングの前処理を自動で行う機能です。デプロイやデータ収集、コンピューティングリソースの作成は別の作業であり、フィーチャライゼーションには含まれません。

正解: B. コンピューティングインスタンス

正解の根拠・詳細解説

コンピューティングインスタンスは、開発者1人向けのクラウド上のワークステーションで、Jupyter や VS Code を使った実験やコード開発に使います。コンピューティングクラスターは学習ジョブに応じてノードを自動スケールするバッチ処理向け、推論クラスター（AKSなど）は本番推論のホスティング向けです。

正解: C. 最小ノード数0のコンピューティングクラスター

正解の根拠・詳細解説

コンピューティングクラスターは、ジョブが投入されたときにノードを起動し、完了後は最小ノード数まで縮小します。最小ノード数を0に設定しておけば、アイドル時のコンピューティング料金が発生しません。コンピューティングインスタンスは手動で停止しない限り課金が続き、ストレージアカウントやFunctionsは学習ジョブの実行基盤ではありません。

正解: D. 機械学習の資産（データ、ジョブ、モデル、エンドポイント）をまとめて管理する最上位リソース

正解の根拠・詳細解説

Azure Machine Learning ワークスペースは、データ資産、コンピューティング、実験ジョブ、学習済みモデル、環境、エンドポイントといった機械学習に関わる資産を一元管理する最上位のリソースです。作成時に関連するストレージアカウントやKey Vaultなども併せて用意されます。

正解: A. リアルタイム（オンライン）エンドポイントへのデプロイ

正解の根拠・詳細解説

リアルタイム（オンライン）エンドポイントは、HTTPS のREST APIとしてモデルを公開し、リクエストごとに即座に推論結果を返します。対話的なアプリからの利用に適しています。バッチエンドポイントは大量データをまとめて非同期に処理する用途向けで、即時応答は返しません。

正解: B. バッチエンドポイント

正解の根拠・詳細解説

大量のデータを一括で非同期に処理し、結果をストレージへ出力する用途にはバッチエンドポイントが適しています。処理中だけコンピューティングクラスターがスケールするためコスト効率も良好です。リアルタイムエンドポイントは1件ごとの即時応答向けで、大量一括処理には向きません。

正解: C. データ資産 (Data asset)

正解の根拠・詳細解説

データ資産は、データストア上のファイルやフォルダー、テーブルに名前とバージョンを付けて登録する仕組みで、複数のジョブから同じデータを一貫して参照できます。環境は実行に必要なライブラリ構成、コンピューティングターゲットは実行基盤、エンドポイントは推論の公開先であり、それぞれ役割が異なります。

正解: D. データラベル付け (Data labeling) プロジェクト

正解の根拠・詳細解説

Azure Machine Learning のデータラベル付けプロジェクトでは、画像分類や物体検出、テキスト分類などのラベル付けタスクを作成し、複数のラベル付け担当者に割り当てて進捗を管理できます。ML支援ラベル付けにより作業を効率化することも可能です。デザイナーはパイプライン構築、モデルレジストリは学習済みモデルの管理機能です。

正解: A. 多層のニューラルネットワークを用い、画像や音声など複雑なデータのパターンを学習する手法

正解の根拠・詳細解説

ディープラーニングは、多層のニューラルネットワークによって特徴を階層的に自動学習する機械学習の一分野で、画像認識、音声認識、自然言語処理などで高い性能を発揮します。大量のデータと計算資源（GPUなど）を必要とする点が特徴です。クラスタリング専用の手法でもインフラ技術でもありません。

正解: B. 時系列予測 (Time series forecasting)

正解の根拠・詳細解説

日付や時刻の順序を持つデータから将来の値を予測する場合は「時系列予測」タスクを選びます。自動MLでは時間列と予測期間（ホライズン）を指定して学習させます。分類はカテゴリの予測、クラスタリングはグループ分けであり、自動MLがサポートするタスクは分類・回帰・時系列予測などです。

正解: C. 画像分類は画像全体に1つのラベルを付け、物体検出は個々の対象の位置（境界ボックス）とラベルを返す

正解の根拠・詳細解説

画像分類は「この画像は犬の写真である」のように画像全体に対してラベルを予測します。一方、物体検出は画像内に写る複数の対象それぞれについて、クラス名・信頼度スコアと、その位置を示す境界ボックス（バウンディングボックス）の座標を返します。カラー/白黒や静止画/動画の違いによる区別ではなく、文字認識はOCRの役割です。

正解: D. 物体検出

正解の根拠・詳細解説

同一画像内の複数の対象について、それぞれの位置（境界ボックス）と種類を特定するタスクは「物体検出」です。検出された境界ボックスの数を数えることで台数を把握できます。画像分類は画像全体に1つのラベルを付けるだけで位置も個数もわからず、OCRは文字読み取り、キャプション生成は説明文の作成が目的です。

正解: A. セマンティックセグメンテーション

正解の根拠・詳細解説

セマンティックセグメンテーションは、画像をピクセル単位で分類し、対象領域を正確に塗り分ける技術で、自動運転や医用画像解析でよく使われます。物体検出が四角い境界ボックスで囲むのに対し、輪郭に沿った領域を得られる点が異なります。キーフレーズ抽出はテキスト向けの自然言語処理タスクです。

正解: B. OCR (Read) 機能

正解の根拠・詳細解説

Azure AI Vision の OCR（Read）機能は、画像やPDF内の印刷文字と手書き文字の両方を読み取り、行・単語単位のテキストと座標、信頼度スコアを返します。スマートクロップはサムネイル用の切り抜き、背景の削除は被写体の切り出し、タグ付けは画像内容を表すキーワードの付与であり、いずれも文字の抽出は行いません。

正解: C. キャプション生成 (Caption)

正解の根拠・詳細解説

Azure AI Vision の Image Analysis には、画像の内容を人が読める1文で説明する「キャプション」機能と、画像内の領域ごとに説明を付ける「高密度キャプション」機能があります。事前構築済みモデルなので、独自の学習データを用意せずに利用できます。顔の検証は同一人物かの判定、空間分析は映像内の人の動きの解析が目的です。

正解: D. スマートクロップ（サムネイル生成）

正解の根拠・詳細解説

Azure AI Vision のスマートクロップ機能は、画像内の関心領域（主要な被写体）を判定し、指定したアスペクト比で最適な切り抜き座標を返します。単純に中央を切り取るのではなく、被写体が欠けないサムネイルを作れます。OCRは文字認識、顔識別は人物特定、カスタム物体検出は独自の対象検出であり、切り抜き位置の最適化は行いません。

正解: A. 画像内の各顔の境界ボックス座標と、頭部の向きやぼやけ具合などの属性

正解の根拠・詳細解説

Azure AI Face の検出機能は、画像内で見つかった各顔の境界ボックス（位置とサイズ）と、頭部の姿勢、ぼやけ、露出、遮蔽、眼鏡の有無といった属性を返します。氏名などの個人情報を勝手に返すことはなく、人物の特定（識別）は事前に登録したPersonグループが必要で、責任あるAIの観点から利用が制限されています。撮影位置の推定機能もありません。

正解: B. 検証 (Verification)

正解の根拠・詳細解説

検証 (Verification) は2つの顔が同一人物かどうかを1対1で判定する操作です。一方、識別 (Identification) は登録済みの多数の人物の中から該当者を1対多で探し出す操作、検出 (Detection) は画像内の顔の位置を見つける操作、グループ化は似た顔をまとめる操作です。本人確認では検証が適しています。

正解: C. Azure AI Custom Vision で自社画像にタグを付けて分類モデルを学習させる

正解の根拠・詳細解説

汎用の事前構築済みモデルが認識できない独自の対象を扱う場合は、Azure AI Custom Vision に自社の画像をアップロードしてタグを付け、独自の分類モデルを学習させます。少数の画像（クラスあたり最低15枚程度、実用には数十枚以上）から転移学習で構築できるのが特長です。Azure AI Language や Translator はテキスト向けのサービスです。

正解: D. 対象ごとに領域（境界ボックス）を指定し、その領域にタグを付ける

正解の根拠・詳細解説

物体検出モデルは対象の「位置」も学習する必要があるため、学習画像ごとに対象を囲む領域を指定し、その領域にタグを付ける作業が必要です。画像全体に1つのタグを付ける方式は画像分類モデルの学習方法です。Custom Vision には領域を提案するスマートラベラー機能もありますが、人の確認は必要です。

正解: A. トレーニング用リソースと予測 (Prediction) 用リソース

正解の根拠・詳細解説

Custom Vision では、モデルの学習を行う「トレーニングリソース」と、公開したモデルへの推論リクエストを処理する「予測（Prediction）リソース」を使い分けます。両方の役割を持つ単一リソースを作成することも可能です。モデルを利用するには学習後に「公開 (Publish)」して予測エンドポイントを有効にする必要があります。

正解: B. 予測した結果はおおむね正しいが、検出すべき対象の多くを見逃している

正解の根拠・詳細解説

精度（適合率）92%は「モデルが陽性と判定したもののうち92%が正しかった」ことを、再現率60%は「本来検出すべき対象のうち60%しか見つけられなかった」ことを意味します。つまり誤検出は少ないが見逃しが多い状態です。改善には、見逃されている対象の学習画像を増やすことが有効です。

正解: C. Azure AI Document Intelligence の事前構築済みレシートモデルを使う

正解の根拠・詳細解説

Azure AI Document Intelligence には、レシート、請求書、身分証明書、名刺、健康保険証などに対応した事前構築済みモデルが用意されており、学習なしで主要なフィールドを構造化データとして抽出できます。独自の帳票様式に対応したい場合のみカスタムモデルを学習させます。Custom Vision は文書のフィールド抽出には適していません。

正解: D. 自社の書式のサンプル文書でカスタムモデルをトレーニングする

正解の根拠・詳細解説

事前構築済みモデルが対応していない独自書式の帳票では、Document Intelligence のカスタムモデルを使います。数枚（一般に5枚以上）のサンプル文書にラベルを付けて学習させることで、その書式に特化した抽出モデルを構築できます。名刺モデルは名刺専用であり、発注書の項目抽出には対応しません。

正解: A. Azure AI Video Indexer

正解の根拠・詳細解説

Azure AI Video Indexer は、動画から音声の文字起こし、話者の識別、顔やオブジェクトの検出、キーワードやトピックの抽出、シーン分割などを行い、動画コンテンツを検索可能なメタデータに変換するサービスです。Custom Vision は静止画向けの独自モデル構築、Content Safety は有害コンテンツ検出が目的です。

正解: B. Azure AI Face の顔識別・顔検証などの機能は、責任あるAIの観点から限定的アクセス（Limited Access）の申請が必要である

正解の根拠・詳細解説

Microsoftは責任あるAIの方針に基づき、Azure AI Face の顔識別・顔検証といった人物特定に関わる機能を「限定的アクセス」とし、利用目的を申請・承認された組織にのみ提供しています。顔検出（位置や属性の取得）自体は一般に利用できますが、氏名が自動的に返されることはありません。

正解: C. 学習用の画像やラベル付け作業が不要ですぐに利用できる

正解の根拠・詳細解説

事前構築済みモデルは、Microsoftが大量のデータで学習済みのモデルをAPI経由で利用するため、学習データの準備やラベル付け、トレーニング時間が不要ですぐ使えます。一方、自社固有の製品や部品など汎用モデルが知らない対象を識別するには Custom Vision で独自モデルを学習させる必要があります。どのAIモデルも100%の正確さは保証されません。

正解: D. キーフレーズ抽出

正解の根拠・詳細解説

キーフレーズ抽出は、文章の中から主要な話題を表す語句を抜き出す機能で、大量のテキストの内容を素早く把握するのに役立ちます。言語検出は文章が何語かの判定、PII検出は個人情報の検出、音声合成は Azure AI Speech の機能であり、要点となる語句の抽出は行いません。

正解: A. 固有表現認識 (Named Entity Recognition)

正解の根拠・詳細解説

固有表現認識 (NER) は、テキスト中の語句を人名・組織名・場所・日時・数量などのカテゴリに分類して抽出する機能です。契約書からの項目抽出に適しています。感情分析はポジティブ/ネガティブの判定、要約は文章の短縮、言語検出は使用言語の特定であり、目的が異なります。

正解: B. 個人情報 (PII) の検出と編集

正解の根拠・詳細解説

Azure AI Language の PII 検出機能は、テキスト中の個人を特定できる情報（氏名、電話番号、住所、メールアドレス、クレジットカード番号など）を検出し、伏せ字に置き換えた編集済みテキストを返します。責任あるAIの「プライバシーとセキュリティ」の実践にも役立ちます。エンティティリンクは語句をWikipediaなどの知識ベースに紐付ける別の機能です。

正解: C. 検出した言語名とISO言語コード、信頼度スコアを返す

正解の根拠・詳細解説

言語検出は、入力テキストの主要言語名（例: Japanese）、ISO 6391 の言語コード（例: ja）、および判定の信頼度スコアを返します。判定できない場合は unknown が返ります。翻訳を行うのは Azure AI Translator、感情スコアの算出は感情分析の機能であり、言語検出とは別です。

正解: D. オピニオンマイニング（意見マイニング）

正解の根拠・詳細解説

オピニオンマイニング（アスペクトベースの感情分析）は、感情分析を拡張した機能で、文章中の対象（ターゲット）と、それに対する評価語（アセスメント）を組にして抽出します。これにより「部屋＝ポジティブ」「朝食＝ネガティブ」のように側面ごとの評価を把握できます。キーフレーズ抽出は語句を取り出すだけで、評価の極性までは示しません。

正解: A. 抽出型要約 (Extractive summarization)

正解の根拠・詳細解説

抽出型要約は、元の文章から重要度の高い文をそのまま選び出して要約を構成する方式です。一方、抽象型要約は元の文章にない新しい言い回しで内容を言い換えて要約します。Azure AI Language は両方式の要約に対応しています。機械翻訳やトークン化は要約とは別の処理です。

正解: B. Azure AI Language のカスタム質問応答 (Custom question answering)

正解の根拠・詳細解説

カスタム質問応答（旧 QnA Maker）は、FAQページのURLやドキュメントを取り込んで質問と回答のペアからなるナレッジベースを自動生成し、ユーザーの質問に最も適合する回答を返す機能です。Azure AI Bot Service と組み合わせてチャットボット化するのが一般的です。OCRや話者認識、自動MLは質問応答の仕組みを提供しません。

正解: C. インテント (Intent)

正解の根拠・詳細解説

CLU では、ユーザーが達成したい目的を「インテント（意図）」、その中に含まれる具体的な情報（この例では「明日」「東京」）を「エンティティ」、ユーザーが実際に入力する文そのものを「発話 (Utterance)」と呼びます。モデルは各インテントに対する例文（発話）を複数登録して学習させます。

正解: D. 各インテントに対して、言い回しの異なる例文（発話）を十分な数だけ登録する

正解の根拠・詳細解説

CLU モデルは登録された例文（発話）からパターンを学ぶため、同じ意図でも多様な言い回しの例文を十分に用意することが精度向上の基本です。運用開始後も実際のユーザー発話を確認して例文を追加し、再学習することが推奨されます。エンティティは必要な情報を取り出すために重要な要素であり、省くべきものではありません。

正解: A. 1回のリクエストで1つの原文を複数の対象言語へ同時に翻訳できる

正解の根拠・詳細解説

Azure AI Translator はニューラル機械翻訳を提供し、1回のリクエストで複数の対象言語へ同時に翻訳できます。原文の言語は自動検出も可能です。対応言語は100以上あり英日に限りません。音声の翻訳は Azure AI Speech の音声翻訳機能が担当します。

正解: B. カスタム翻訳 (Custom Translator) で対訳データを使って翻訳モデルをカスタマイズする

正解の根拠・詳細解説

Custom Translator は、業界固有の用語や社内表現を含む対訳データ（バイリンガルコーパス）を使って翻訳モデルをカスタマイズし、専門用語を一貫した訳語に統一できる機能です。標準モデルでは訳し分けが難しい専門領域で有効です。OCR や感情分析は翻訳品質の改善とは関係ありません。

正解: C. Azure AI Translator のドキュメント翻訳

正解の根拠・詳細解説

ドキュメント翻訳は、Word、PowerPoint、PDF などのファイルを元の書式やレイアウトを維持したまま翻訳する Azure AI Translator の機能で、Blob ストレージ上のファイルを非同期でまとめて処理できます。テキスト翻訳APIは文字列単位の翻訳で、ファイルの書式は保持しません。

正解: D. バッチ文字起こし (Batch transcription)

正解の根拠・詳細解説

バッチ文字起こしは、ストレージに保存済みの大量の音声ファイルを非同期にまとめて処理する機能で、リアルタイム性が不要な過去データの処理に適しています。リアルタイム音声テキスト変換はマイク入力やストリーミングをその場で文字にする用途向けです。テキスト読み上げは逆方向の変換になります。

正解: A. Azure AI Speech のテキスト読み上げ（音声合成）

正解の根拠・詳細解説

テキスト読み上げ（Text to Speech）は、テキストを人間らしいニューラル音声で読み上げる機能です。SSML を使えば読み上げ速度、抑揚、間の取り方などを細かく制御できます。音声テキスト変換は逆に音声を文字にする機能なので、この用途には当てはまりません。読み上げ対応は責任あるAIの「包括性」の実践にもつながります。

正解: B. 音声翻訳 (Speech translation)

正解の根拠・詳細解説

音声翻訳は、話された音声を認識して別の言語のテキストや音声に変換する Azure AI Speech の機能で、リアルタイム字幕や同時通訳のような用途に使えます。話者認識は誰が話しているかの識別、カスタムニューラル音声は独自の合成音声の作成であり、翻訳は行いません。

正解: C. カスタム音声 (Custom Speech) で自社ドメインの語彙や音声データを使ってモデルを調整する

正解の根拠・詳細解説

カスタム音声 (Custom Speech) では、業界固有の用語リストや実際の音声とその書き起こしデータを使ってベースモデルを調整し、専門用語や特徴的な発音の認識精度を高められます。音量調整だけでは語彙の問題は解決せず、翻訳や画像変換は精度改善とは無関係です。

正解: D. テキストを単語やサブワードなどの処理単位に分割すること

正解の根拠・詳細解説

トークン化は、文章を単語やサブワードといった処理単位（トークン）に分割する前処理で、その後の頻度分析や埋め込み表現の作成の基礎になります。暗号化のトークン化とは意味が異なります。画像の数値変換はコンピュータービジョンの前処理、モデルの配置はデプロイ作業です。

正解: A. 入力された文脈をもとに、次に来る可能性が高いトークンを確率的に予測して並べていく

正解の根拠・詳細解説

LLMは膨大なテキストで学習した統計的なパターンに基づき、与えられた文脈に続く「次のトークン」を確率的に予測することを繰り返して文章を生成します。データベースから既存の回答を検索しているわけではないため、事実と異なる内容をもっともらしく生成する「ハルシネーション」が起こり得ます。既定では学習データに含まれない最新情報も持ちません。

正解: B. モデルが処理する単語や単語の一部といったテキストの最小単位であり、課金や上限の基準になる

正解の根拠・詳細解説

トークンは、モデルがテキストを扱う際の最小単位で、英語ではおおよそ単語や単語の一部に相当します。入力と出力のトークン数の合計がモデルのコンテキストウィンドウの上限に収まる必要があり、Azure OpenAI の課金もトークン数に基づきます。認証情報や精度指標とは無関係です。

正解: A. GPT: テキスト生成 / DALL-E: 画像生成 / Whisper: 音声の文字起こし

正解の根拠・詳細解説

Azure OpenAI Service では、GPT系モデルが自然言語やコードの生成、DALL-E がテキストからの画像生成、Whisper が音声の文字起こしと翻訳、Embeddings モデルがテキストのベクトル化を担当します。用途ごとに適切なモデルをデプロイして使い分けます。

正解: C. 埋め込み (Embeddings) モデル

正解の根拠・詳細解説

埋め込み (Embeddings) モデルは、テキストを意味的な特徴を表す数値ベクトルに変換します。ベクトル同士の距離を比べることで、キーワードが一致しなくても意味の近い文書を検索できます（ベクトル検索）。RAG構成では Azure AI Search のベクトルインデックスと組み合わせて使われます。DALL-E は画像生成、Whisper は音声認識用のモデルです。

正解: D. システムメッセージ

正解の根拠・詳細解説

システムメッセージ（メタプロンプト）は、モデルの役割、口調、答えてよい範囲などの振る舞いを指定するもので、会話の先頭に設定します。モデルを再学習させずに挙動を方向づけられる点が利点です。コンテンツフィルターは有害コンテンツの遮断、ファインチューニングは追加学習によるモデル自体の調整であり、目的も手間も異なります。

正解: A. Few-shot（少数ショット）プロンプト

正解の根拠・詳細解説

プロンプト内に入出力の例をいくつか示して期待する形式や判断基準を伝える手法を Few-shot プロンプトと呼びます。例を1つだけ示す場合は One-shot、例をまったく示さない場合は Zero-shot です。モデルの重みを更新するファインチューニングとは異なり、プロンプトを工夫するだけで実現できます。

正解: B. 低い値（0に近い値）にする

正解の根拠・詳細解説

temperature は出力のランダム性を制御するパラメーターで、値を小さくするほど確率の高いトークンが選ばれやすくなり、決定的で一貫した回答になります。逆に値を大きくすると多様で創造的な表現が出やすくなる代わりに、内容がぶれやすくなります。事実に基づく回答が求められる用途では低めの設定が適しています。

正解: C. 生成される応答の長さの上限を制御し、コストや応答時間を抑えるため

正解の根拠・詳細解説

max_tokens は生成される応答の最大トークン数を制限するパラメーターで、応答が長くなりすぎるのを防ぎ、コストと応答時間を抑えられます。値が小さすぎると文章が途中で切れる点に注意が必要です。正確性の保証や学習データの増加、リージョン指定とは無関係です。

正解: D. ハルシネーション（幻覚）

正解の根拠・詳細解説

ハルシネーションは、モデルが学習した統計的パターンに従って自然な文章を生成する結果、根拠のない情報を事実のように出力してしまう現象です。信頼できるデータをプロンプトに与えるグラウンディング（RAG）、出力の引用元表示、人によるレビューなどが対策になります。オーバーフィッティングは学習データへの過剰適合という別の概念です。

正解: A. 検索拡張生成 (RAG) で関連文書を検索し、その内容をプロンプトに含める

正解の根拠・詳細解説

RAG（検索拡張生成）は、質問に関連する文書を検索して取得し、その内容を根拠としてプロンプトに添えて回答を生成させる手法です。モデルの再学習が不要で、文書を更新するだけで最新情報に追随できます。全文をプロンプトに貼るのはコンテキスト長とコストの面で現実的ではなく、temperature の変更は事実性の担保になりません。

正解: B. Azure AI Search などのデータソースを接続し、自社データに基づいた回答を生成できるようにする

正解の根拠・詳細解説

「独自のデータ (On Your Data)」は、Azure AI Search や Blob ストレージなどのデータソースを接続し、RAG の仕組みで自社データを根拠にした回答を生成させる機能です。モデルの重みを再学習するわけではないため、データを更新すればすぐ反映されます。データが一般公開されることもありません。

正解: C. 大量の例を通じて、特定の出力形式や文体を安定して再現させたい場合

正解の根拠・詳細解説

ファインチューニングは、多数の学習例を使ってモデル自体を追加学習させる手法で、特定の文体・出力形式・専門的な振る舞いを安定して再現させたい場合に有効です。一方、頻繁に変わる最新情報を反映したい場合は、再学習が不要なRAGの方が適しています。まずはプロンプトエンジニアリング、次にRAG、最後にファインチューニングという順で検討するのが一般的です。

正解: D. 入力プロンプトと生成された応答の両方について、有害カテゴリを検出して重大度に応じてブロックする

正解の根拠・詳細解説

Azure OpenAI のコンテンツフィルターは、憎悪、性的、暴力、自傷といったカテゴリについて、入力プロンプトと出力の両方を評価し、設定した重大度のしきい値を超えた場合にブロックします。既定で有効になっており、責任ある生成AIの「軽減 (Mitigate)」層のひとつとして機能します。翻訳や課金削減の機能ではありません。

正解: A. システムメッセージで回答範囲を制限し、ユーザーに免責事項を表示する

正解の根拠・詳細解説

責任ある生成AIの軽減策は、モデル層、安全システム層（コンテンツフィルターなど）、メタプロンプトとグラウンディング層、ユーザーエクスペリエンス層の複数レイヤーで構成されます。システムメッセージによる制約や免責事項の表示は、アプリケーション側での軽減策にあたります。GPU台数の増加は性能の話であり、リスク軽減とは無関係です。

正解: B. Word や Excel、Teams などの業務アプリに統合され、ユーザーのアクセス権の範囲内の組織データを踏まえて作業を支援する

正解の根拠・詳細解説

Microsoft 365 Copilot は、Word・Excel・PowerPoint・Outlook・Teams などのアプリに統合され、Microsoft Graph を通じてユーザーが本来アクセスできるメール、文書、会議などのデータを踏まえて下書き作成や要約を支援します。既存のアクセス許可は厳格に維持され、権限のないデータが参照されることはありません。

正解: C. GitHub Copilot

正解の根拠・詳細解説

GitHub Copilot は、Visual Studio Code などのエディターに統合され、コメントや書きかけのコードを文脈として次のコードを提案する開発者向けの生成AIツールです。Azure Monitor は監視、Azure AI Search は検索、Power BI はデータ可視化のサービスであり、コード補完機能は提供しません。

正解: D. Microsoft Copilot Studio

正解の根拠・詳細解説

Microsoft Copilot Studio は、ローコードのグラフィカルな環境で、トピックやナレッジソース、アクションを設定して独自のカスタムコパイロットを構築・公開できるツールです。Azure ML デザイナーは従来型の機械学習パイプライン構築、Custom Vision は画像モデル、Data Factory はデータ統合のサービスです。

正解: A. トランスフォーマー (Transformer)

正解の根拠・詳細解説

現代のLLMの多くはトランスフォーマーアーキテクチャに基づいており、アテンション（注意）機構によって文中の離れた語同士の関係を捉えられる点が特徴です。エンコーダーとデコーダーの構成要素があり、GPT系はデコーダー中心の構造をとります。決定木、K-Means、線形回帰は従来型の機械学習アルゴリズムで、言語生成の基盤ではありません。

正解: B. DALL-E などの画像生成モデル

正解の根拠・詳細解説

DALL-E はテキストの説明（プロンプト）から新しい画像を生成するモデルで、ラフ案やコンセプトビジュアルの作成に活用できます。Whisper は音声の文字起こし、Embeddings はテキストのベクトル化、Translator は翻訳のサービスであり、画像を生成する機能は持ちません。

正解: C. 目的・対象読者・出力形式・文字数などを具体的に指定する

正解の根拠・詳細解説

プロンプトエンジニアリングの基本は、何をしてほしいのかを具体的かつ明確に伝えることです。目的、対象読者、出力形式（箇条書き・表・JSONなど）、分量、口調といった制約を明示するほど、期待に近い出力が得られます。曖昧な指示ではモデルが意図を推測するしかなく、結果が安定しません。

正解: D. 利用するモデルの「デプロイ」を作成し、そのデプロイ名を指定して呼び出す

正解の根拠・詳細解説

Azure OpenAI では、リソースを作成した後、使いたいモデル（GPT-4o、埋め込みモデルなど）の「デプロイ」を作成します。API 呼び出しではこのデプロイ名を指定します。基盤モデルはMicrosoftが用意しているため、自分で実装したり学習させたりする必要はなく、GPUの管理も不要です。

正解: A. マルチモーダルモデル

正解の根拠・詳細解説

マルチモーダルモデルは、テキスト・画像・音声など複数の種類（モダリティ）の入力を扱えるモデルで、GPT-4o などが該当します。写真を添えて「この図の要点を説明して」と尋ねるような使い方ができます。線形モデルや決定木は数値・表形式データを扱う従来型の手法で、画像とテキストの同時理解はできません。

正解: B. 過去のやり取り（会話履歴）をリクエストに含めて送信する

正解の根拠・詳細解説

言語モデルのAPI呼び出しは基本的にステートレスで、モデル側が過去の会話を記憶しているわけではありません。文脈を保った対話にするには、これまでのユーザーとアシスタントのメッセージを履歴としてリクエストに含める必要があります。履歴が長くなるとコンテキスト長の上限とトークンコストに影響するため、要約や打ち切りの工夫が必要になります。