第1回 問題集（全般）

正解: B. B. Azure Storage Account・Key Vault・Container Registry

正解の根拠・詳細解説

ワークスペース作成時にはアーティファクト保存用のStorageアカウント、シークレット管理用のKey Vault、コンテナーイメージ保存用のContainer Registryが自動的にリンクされます。

正解: B. 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個人用の開発環境として設計されており、Jupyter NotebookやVS Codeをブラウザから直接実行できます。

正解: B. B. データソースへの接続情報を安全に一元管理する

正解の根拠・詳細解説

データストアはAzure Blob StorageやADLS Gen2などへの接続情報（資格情報・URI）を安全に管理します。実際のデータはストレージ側に保存されます。

正解: B. B. Azure Machine Learning Data Scientist

正解の根拠・詳細解説

Azure ML Data Scientistロールはデータサイエンス作業（実験実行・モデル登録）を許可しますが、コンピューティングの管理は制限されます。

正解: B. B. Conda YAMLファイルまたはDockerfileから定義できる

正解の根拠・詳細解説

Azure ML EnvironmentはConda YAMLファイル（pip依存関係含む）またはDockerfileから定義できます。これをもとにコンテナーイメージが自動ビルドされます。

正解: B. B. コストを大幅に削減できる（最大80〜90%引き）

正解の根拠・詳細解説

低優先度VMはAzureの余剰キャパシティを利用するためコストが大幅に安くなります。ただしジョブが中断される可能性があります。

正解: B. B. ジョブ実行コンテキストでは自動的にAzure MLワークスペースに向けられる

正解の根拠・詳細解説

Azure MLのジョブ実行コンテキスト内ではMLflowトラッキングURIが自動設定されます。ローカル開発時はws.get\_mlflow\_tracking\_uri()で取得できます。

正解: B. B. 不使用時のコスト削減

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常時起動するとコストがかかります。アイドル時の自動シャットダウンで不使用時の課金を防げます。

正解: B. B. コードにシークレットを埋め込まずAzureリソースへ安全にアクセスできる

正解の根拠・詳細解説

マネージドIDを使用すると認証情報をコードに記載せずにStorage・Key VaultなどのAzureリソースへ安全にアクセスできます。

正解: D. D. Parquet Stream（ストリーミングデータ）

正解の根拠・詳細解説

Azure MLのデータアセットはURI file・URI folder・MLTableの3種類です。Parquet Streamというタイプは存在しません。

正解: B. B. カスタムDockerイメージをビルド・保存する

正解の根拠・詳細解説

ACRはAzure MLのEnvironmentで定義されたDockerイメージのビルドと保存に使われます。ジョブ実行・デプロイ時にここからイメージが取得されます。

正解: B. B. 実験アーティファクト・モデルファイル・ログの保存

正解の根拠・詳細解説

ワークスペースのストレージアカウントは実験のアーティファクト（出力ファイル）・モデルの重みファイル・ジョブのログを保存するために使われます。

正解: B. B. VNet内のプライベートネットワークへのアクセスを限定しセキュリティを高める

正解の根拠・詳細解説

プライベートエンドポイントを設定するとワークスペースへの接続がVNet内部のプライベートIPアドレス経由に限定され、パブリックインターネットからのアクセスを遮断できます。

正解: B. B. Azure Application Insights

正解の根拠・詳細解説

Azure Application InsightsがワークスペースにリンクされAzure ML内での実験ログ・エラー情報・パフォーマンスメトリクスの監視に使われます。

正解: B. B. MLClientクラスとDefaultAzureCredentialを使って接続

正解の根拠・詳細解説

SDK v2ではMLClient(credential=DefaultAzureCredential(), subscription\_id=…, resource\_group\_name=…, workspace\_name=…)で接続します。config.jsonからはMLClient.from\_config()も利用できます。

正解: B. B. 中断不可の重要なジョブは専用、コスト優先で中断許容なら低優先度を選択

正解の根拠・詳細解説

専用VMはリソースが確保されジョブが中断されないため本番・重要なジョブに適します。低優先度VMはコストを削減できますが余剰キャパシティ依存でジョブが中断する可能性があります。

正解: B. B. Microsoftが事前にビルド・テスト済みでセットアップ時間を短縮できる

正解の根拠・詳細解説

キュレーション済み環境はAzure MLチームが事前にビルド・テストしたDockerイメージです。初回ビルドが不要なためジョブの開始が速くなります。

正解: B. B. 同じデータセットの複数バージョンを管理でき実験の再現性を確保できる

正解の根拠・詳細解説

データアセットのバージョン管理で異なる時点のデータを複数バージョンとして登録できます。実験で使用したデータバージョンを記録することで後から同じデータで結果を再現できます。

正解: B. B. 画像分類・物体検出などに必要なアノテーション付きデータセットを効率的に作成する

正解の根拠・詳細解説

データラベリングプロジェクトでは画像・テキストなどのデータにラベルを付けるワークフローを管理できます。ML支援ラベリング（事前ラベル付け）も活用できます。

正解: B. B. 前処理済みの特徴量を組織全体で共有・再利用できるようにする

正解の根拠・詳細解説

フィーチャーストアは特徴量の定義・変換ロジック・データを一元管理し複数のプロジェクトで再利用できます。学習時と推論時で同じ特徴量変換を保証します。

正解: B. B. SSH接続またはブラウザベースの統合ターミナルで接続できる

正解の根拠・詳細解説

コンピューティングインスタンスへはSSH接続またはAzure MLスタジオのブラウザベース統合ターミナルでアクセスできます。

正解: B. B. データ主権要件（データを特定の国に保持する義務）とレイテンシを考慮する

正解の根拠・詳細解説

ワークスペースのリージョン決定で最重要なのはデータ主権要件（法規制上のデータ保持場所の制約）とデータソース・エンドユーザーへのレイテンシです。

正解: B. B. az ml job create –file job.yml

正解の根拠・詳細解説

Azure ML CLI v2ではaz ml job create –file コマンドでジョブを送信します。YAMLファイルにジョブタイプ・コンピューティング・環境・コードなどを定義します。

正解: B. B. タグ（Tags）を活用してプロジェクト・チーム・環境ごとに分類する

正解の根拠・詳細解説

Azureタグはkey-valueペアでリソースにメタデータを付与します。プロジェクト名・コストセンター・環境（開発/本番）でタグ付けすることでリソース管理・コスト追跡が効率化されます。

正解: B. B. 複数ノードのGPUコンピューティングクラスター

正解の根拠・詳細解説

大規模な分散学習には複数のGPUノードを持つコンピューティングクラスターが最適です。PyTorchやTensorFlowの分散学習フレームワークと組み合わせて効率的に実行できます。

正解: B. B. Environmentを事前にビルド・登録しておきジョブ実行時に再利用する

正解の根拠・詳細解説

EnvironmentをAzure MLに事前登録してコンテナーイメージをビルドしておくと初回ビルド後はキャッシュされたイメージが再利用されます。環境セットアップの待ち時間を大幅に短縮できます。

正解: B. B. コンピューティングインスタンスへの自動シャットダウン設定とクラスターの最小ノード数を0にする

正解の根拠・詳細解説

コンピューティングインスタンスのアイドル時自動シャットダウンと、クラスターの最小ノード数を0（ゼロスケール）に設定することで不使用時の課金を防ぎコストを最適化できます。

正解: B. B. AMLワークスペースのMLflowトラッキングURIを取得しmlflow.set\_tracking\_uri()で設定する

正解の根拠・詳細解説

ローカルからAzure MLにメトリクスを送信するにはws.get\_mlflow\_tracking\_uri()でトラッキングURIを取得しmlflow.set\_tracking\_uri()で設定します。

正解: B. B. Azure Blob Storageデータストア

正解の根拠・詳細解説

Azure Blob Storageは非構造化データや大容量ファイルの保存に最適で、機械学習の学習データセット（画像・動画・CSV・Parquetなど）の保存に広く使われます。

正解: B. B. モデルの公平性・説明可能性・エラー分析などを包括的に評価しAIの倫理的利用を支援する

正解の根拠・詳細解説

Responsible AI ダッシュボードは、Azure Machine Learningで学習したモデルを、精度指標だけでは見えない観点から点検するための統合ツールです。エラー分析ではデータをコホートに分割して誤りが集中している部分集合を特定でき、モデル全体の精度は高くても特定の属性を持つデータでだけ性能が落ちるといった問題を発見できます。解釈可能性のコンポーネントは各特徴量が予測にどれだけ寄与したかを可視化し、モデルが何を根拠に判断しているかを説明します。公平性の評価では、性別や年齢のようなセンシティブな特徴ごとに指標の差を比較し、グループ間の不均衡を検出します。さらにデータ分析や反実仮想分析、因果推論の機能を組み合わせることで、モデルの改善方針や運用上のリスクを判断しやすくなります。コンピューティングのコストや使用率の可視化、データストアへのアクセスログの監視は、Azure Monitorやコスト管理が担う領域であり、このダッシュボードが提供する機能ではありません。

正解: B. B. 列定義・変換を含む構造化データのメタデータ形式

正解の根拠・詳細解説

MLTableはデータの読み込み方法・列定義・変換（フィルタリング・列選択など）をYAML形式で定義するメタデータです。AutoMLなどで構造化データを扱う際に使われます。

正解: B. B. データストアを登録しデータアセット（URI file/URI folder）として参照する

正解の根拠・詳細解説

データストアを登録することで接続情報をコードから分離できます。データアセットとして登録するとバージョン管理も可能になり、ジョブへの入力として簡単に参照できます。

正解: B. B. 前処理ステップとモデルを1つのオブジェクトにまとめ学習・推論時の一貫性を保てる

正解の根拠・詳細解説

scikit-learnのPipelineは前処理ステップ（スケーリング・エンコーディングなど）とモデルを1つにまとめます。fit()で学習データのみからパラメーターを推定しtransform()でテストデータに同じ変換を適用できます。

正解: B. B. 特徴量のスケールを揃え距離ベース・勾配ベースのアルゴリズムの学習を安定させる

正解の根拠・詳細解説

特徴量の値域が大きく異なるとk-NNやSVM・ニューラルネットワークなどのアルゴリズムで学習が不安定になります。正規化（0〜1の範囲に変換）や標準化（平均0・分散1）でスケールを揃えます。

正解: D. D. 欠損値はすべて必ず0で埋める

正解の根拠・詳細解説

欠損値を必ず0で埋めることは誤りです。0が意味のある値（例：測定値0）の場合に情報を損なったり、偏ったモデルを作る可能性があります。文脈に応じた補完方法（平均・中央値・予測値など）を選ぶべきです。

正解: B. B. カテゴリ数が多い（高カーディナリティ）場合は次元爆発が起きる可能性がある

正解の根拠・詳細解説

One-Hotエンコーディングはカテゴリ数だけの列を生成します。カテゴリ数が多い場合（例：郵便番号・商品ID）は次元数が爆発的に増え、学習が遅くなりオーバーフィッティングのリスクが高まります。

正解: B. B. 単一の学習/検証分割に依存せずモデルの汎化性能をより正確に評価する

正解の根拠・詳細解説

クロスバリデーションではデータをk個に分割しk回の学習・評価を繰り返します。単一の分割では偶然の影響を受けやすいため、複数の分割でモデルの汎化性能を安定して評価できます。

正解: C. C. 評価指標にAccuracyのみを使用する

正解の根拠・詳細解説

クラス不均衡の場合、少数クラスでも多数クラスでも正解できるAccuracyは不適切な評価指標です。PrecisionとRecallのバランスを示すF1スコア・AUC-ROC・Precision-Recallカーブなどを使うべきです。

正解: B. B. 列指向ストレージのため特定の列のみ読み込めコスト・速度で効率的

正解の根拠・詳細解説

Parquetは列指向ストレージ形式のため必要な列のみ読み込め、IoとメモリをCSVより効率的に使えます。また圧縮効率が高く大容量データに適しています。

正解: B. B. 将来のデータが学習に混入し（データリーク）実際より楽観的な評価になるから

正解の根拠・詳細解説

時系列データをランダム分割すると未来の情報が学習データに混入（データリーク）し、実際の本番環境より楽観的な評価になります。時系列では時間的順序を保った分割（時系列分割）が必要です。

正解: B. B. 予測に寄与しない特徴量を特定して除去しモデルをシンプルにする

正解の根拠・詳細解説

特徴量の重要度分析により予測への寄与が低い特徴量を特定できます。不要な特徴量を除去することでモデルのシンプル化・過学習の抑制・推論速度の向上が期待できます。

正解: B. B. デプロイ後に入力データの分布が学習時と乖離していないか監視する

正解の根拠・詳細解説

データドリフトとは本番環境の入力データ分布が時間経過で学習時と変化する現象です。定期的に入力データの統計量を監視し大きな乖離があれば再学習のトリガーとなります。

正解: B. B. 少数クラスの既存サンプル間を補間して合成サンプルを生成する

正解の根拠・詳細解説

SMOTE（Synthetic Minority Oversampling Technique）は少数クラスの既存サンプルを選びその近傍サンプルとの線形補間で新しい合成サンプルを生成します。単純なコピーより汎化性能が高まります。

正解: B. B. 欠損値・外れ値・分布・相関などデータの統計的特性を把握して品質を評価する

正解の根拠・詳細解説

データプロファイリングは各特徴量の統計量（平均・分散・最大最小・欠損率）・分布・相関係数などを計算してデータ品質の問題を発見する工程です。前処理の計画立案に不可欠です。

正解: B. B. 標準化は平均0・分散1に変換（Zスコア）、正規化は0〜1の範囲に変換する

正解の根拠・詳細解説

標準化（StandardScaler）はZスコア変換で平均0・分散1に変換します。正規化（MinMaxScaler）は最小値0・最大値1の範囲に変換します。外れ値がある場合はRobustScalerが有効です。

正解: D. D. すべての特徴量を主成分分析（PCA）で1次元に圧縮する

正解の根拠・詳細解説

PCAはすべての特徴量から新しい主成分を生成する次元削減手法です。特徴量「選択」（元の特徴量のサブセットを選ぶ）ではなく「抽出」（変換）です。1次元に圧縮すると情報が大きく失われます。

正解: B. B. IQR法やZスコアで外れ値を検出しビジネス文脈に基づき対処方法を決める

正解の根拠・詳細解説

外れ値の対処法（削除・クリッピング・変換・そのまま利用）はデータの性質やビジネス文脈によります。センサー異常なら削除が妥当ですが、実際の希少事例（詐欺検知）なら削除してはいけません。

正解: B. B. トークナイズ・ストップワード除去・ステミング・TF-IDFやWord2Vecで数値変換する

正解の根拠・詳細解説

テキストの前処理は一般的にトークナイズ→ストップワード除去→ステミング（語幹化）→TF-IDF/Word2Vec/BERTなどで数値ベクトルに変換します。

正解: B. B. 全データでスケーリングなどの前処理を行ってから学習/テストに分割する

正解の根拠・詳細解説

全データからスケーリングパラメーター（平均・標準偏差など）を計算してから分割すると、テストデータの情報が間接的に学習に混入します（データリーク）。前処理パラメーターは学習データのみから求めてテストデータに適用する必要があります。

正解: B. B. 列の選択・フィルタリング・変換などのデータ操作を定義できる

正解の根拠・詳細解説

MLTableは列選択（keep\_columns/drop\_columns）・行フィルタリング（filter）・値変換（convert\_column\_types）などのデータ操作をYAML形式で定義できます。

正解: B. B. Microsoftがホストする公開済みデータセット（天気・人口統計など）を追加のデータ取得コストなしに利用できる

正解の根拠・詳細解説

Azure Open DatasetsはMicrosoftがホストする公開データセット（NOAA天気・米国国勢調査・ニューヨークタクシーデータなど）をAzure MLから直接利用できます。追加のストレージコストなしに特徴量追加に活用できます。

正解: B. B. データの変更や更新のたびに新しいバージョンを作成し実験との対応を記録する

正解の根拠・詳細解説

データアセットのバージョン管理により学習に使ったデータを後から特定できます。モデルとデータのバージョンを対応させることで実験の再現性と追跡可能性が確保されます。

正解: B. B. PrecisionとRecallの調和平均で両方のバランスを評価でき少数クラスの性能も反映できる

正解の根拠・詳細解説

クラス不均衡データでは多数クラスの正解が多いとAccuracyが高くなりますが実際には少数クラスを全く予測できていない場合があります。F1スコアはPrecisionとRecallのバランスを取り少数クラスの予測性能も評価します。

正解: B. B. scikit-learnのPipeline/ColumnTransformerを使って変換をオブジェクト化しMLflowでモデルと一緒に保存する

正解の根拠・詳細解説

scikit-learnのPipeline/ColumnTransformerで変換とモデルを1つのオブジェクトにまとめMLflowで保存することで、推論時も同じ前処理が自動的に適用されデータリークを防げます。

正解: B. B. 高次元データを低次元に変換し次元の呪いを軽減しながら情報を保持する

正解の根拠・詳細解説

PCAは分散が最大方向に沿った主成分を求め高次元データを低次元に変換します。次元の呪い（Curse of Dimensionality）の軽減・可視化・モデル学習速度向上に有効ですが解釈可能性は低下します。

正解: B. B. 複数ラベラーのアノテーション結果を集約し品質を向上させる

正解の根拠・詳細解説

コンセンサス機能では同じデータに複数のラベラーがアノテーションを行い、多数決や加重平均でラベルの質を向上させます。ラベラー間の一致率（Agreement Rate）も品質指標として活用できます。

正解: B. B. 特徴量間の線形相関を把握し多重共線性の問題がある特徴量を特定する

正解の根拠・詳細解説

相関行列で特徴量間の相関係数を確認することで、高い相関がある特徴量（多重共線性）を発見できます。多重共線性は線形モデルの解釈を不安定にするため、除去や結合などの対処が必要です。

正解: B. B. AutoMLの学習プロセス中に自動的に行われる

正解の根拠・詳細解説

AutoMLは学習プロセス中に自動的に特徴量エンジニアリング（欠損値補完・エンコーディング・スケーリング・特徴量生成など）を行います。時系列タスクではラグ特徴量やローリング統計も自動生成されます。

正解: B. B. クラス不均衡な分類問題で各フォールドのクラス比率を学習データ全体と揃えたい場合

正解の根拠・詳細解説

Stratified K-Foldは各フォールドのクラス比率を元のデータと同じに保ちます。クラス不均衡データで通常のK-Foldを使うと一部のフォールドに少数クラスがほとんど含まれない場合があります。

正解: B. B. ドメイン知識に基づくルールベースの検証（例：年齢>150は誤り）と異常検知アルゴリズムの組み合わせ

正解の根拠・詳細解説

測定誤りは、センサーの故障、単位の取り違え、入力ミスなどによって本来ありえない値が記録される問題です。統計的な外れ値検出だけに頼ると、分布の裾に位置する正当な値まで誤りとして除外してしまう一方、分布の中心付近に紛れ込んだ誤入力は見逃されます。そのため、まず業務知識に基づいた妥当性ルールを定義し、年齢が負の値や150を超える、割合が1を超える、日付が未来になっているといった論理的にありえない値を確実に弾くことが有効です。そのうえでIsolation Forestのような異常検知アルゴリズムを併用すると、単純なルールでは表現しきれない複数変数の組み合わせの不自然さも捉えられます。Z-scoreは正規分布を仮定したうえで平均からの乖離を測る指標にすぎず、その値が現実として妥当かどうかまでは判断できません。相関行列やt-SNEは変数間の関係や全体の構造を把握するための探索的手法であり、個々のレコードが誤っているかを特定する用途には適していません。

正解: B. B. コマンド・コンピューティングターゲット・環境の指定

正解の根拠・詳細解説

コマンドジョブにはcommand（実行するコマンド）・compute（コンピューティングターゲット）・environment（実行環境）の3つが必須です。inputs/outputsでデータの受け渡しも設定できます。

正解: D. D. 強化学習（Reinforcement Learning）

正解の根拠・詳細解説

AutoMLは分類・回帰・時系列予測・画像分類・テキスト分類などに対応していますが、強化学習には対応していません。強化学習はカスタムスクリプトで実装する必要があります。

正解: A. A. グリッドサーチ・ランダムサーチ・ベイズ最適化が利用できる

正解の根拠・詳細解説

Azure MLのスウィープジョブではグリッドサンプリング（全組み合わせ）・ランダムサンプリング・ベイズ最適化（前の試行結果を活かした探索）を選択できます。

正解: B. B. コンポーネントの入力・出力・コマンド・環境をYAMLまたはPythonで定義する

正解の根拠・詳細解説

Azure MLコンポーネントはinputs（入力データ・パラメーター）・outputs（出力データ）・command（実行コマンド）・environment（実行環境）を定義します。再利用可能なモジュールとして登録できます。

正解: B. B. distributionにPyTorchDistributionを指定し複数インスタンス数（instance\_count）を設定する

正解の根拠・詳細解説

Azure MLのCommandJobでdistribution=PyTorchDistribution(process\_count\_per\_instance=N)とinstance\_count=Mを設定することで、M台のノードそれぞれでN個のプロセスを使ったDDP学習が実行されます。

正解: B. B. サポートされるフレームワーク（scikit-learn・PyTorchなど）のメトリクス・パラメーター・モデルを自動記録する

正解の根拠・詳細解説

mlflow.autolog()はscikit-learn・PyTorch・TensorFlow・XGBoostなどのフレームワークに対応し、学習中のメトリクス（loss・accuracy）・モデルパラメーター・モデルファイルを自動的に記録します。

正解: B. B. クラス不均衡で少数クラスの予測性能を重視したい場合

正解の根拠・詳細解説

AUC\_weightedは各クラスの面積を重み付け平均したもので、クラス不均衡データでの性能評価に適しています。クラスが均衡している場合はaccuracyでも問題ありません。

正解: B. B. 性能が改善しない試行を早期終了しコンピューティングコストを削減する

正解の根拠・詳細解説

バンディット法・メディアンストップ・截断選択などの早期終了ポリシーにより、性能が芳しくない試行を早期終了できます。全試行を完了するより大幅にコンピューティングコストを削減できます。

正解: B. B. 前のコンポーネントの出力を次のコンポーネントの入力として直接バインドし依存関係を定義できる

正解の根拠・詳細解説

パイプラインではcomp\_a\_step.outputs.output\_dataをcomp\_b\_step.inputs.input\_dataとして直接バインドできます。このバインドからコンポーネント間の依存関係が自動推論されます。

正解: B. B. カスタム前処理ロジックを含めた推論パイプライン全体を保存したい場合

正解の根拠・詳細解説

mlflow.pyfunc.log\_model()を使うと前処理・後処理を含むカスタム推論ロジック（PythonModel）全体をMLflowで保存できます。複雑な推論パイプラインをデプロイに適した形でパッケージ化する際に使います。

正解: B. B. PipelineJobにRecurrenceTriggerまたはCronTriggerを設定してScheduleを作成する

正解の根拠・詳細解説

Azure MLのScheduleにRecurrenceTrigger（毎時・毎日など）またはCronTrigger（Cron式）を設定することで、パイプラインジョブを定期的に自動実行できます。

正解: B. B. バージョン管理され複数のパイプラインで再利用でき変更追跡も容易になる

正解の根拠・詳細解説

コンポーネントをワークスペースに登録するとバージョン管理されます。複数のパイプラインで同じコンポーネントを再利用でき、更新時はバージョンを上げるだけで変更を管理できます。

正解: B. B. 大量のデータファイルやアイテムに対して同じ処理を並列実行してスループットを上げたい場合

正解の根拠・詳細解説

Parallel Jobは入力データを分割して複数のワーカーノードで並列処理します。バッチ推論（大量画像への推論）や大規模な前処理パイプラインに適しています。

正解: B. B. 各ハイパーパラメーターの組み合わせに対して実行される個別の学習ジョブ

正解の根拠・詳細解説

スウィープジョブでは各ハイパーパラメーター候補（試行）が子ジョブとして実行されます。各子ジョブで一次指標をMLflowでログすることでスウィープが最適な組み合わせを特定します。

正解: B. B. 学習の中断・失敗時に途中から再開できるようにする

正解の根拠・詳細解説

長時間の学習ジョブでは中断（低優先度VMの強制終了など）のリスクがあります。チェックポイントを定期保存することで中断時に最初からやり直さず途中から再開できます。

正解: B. B. ジョブの「メトリクス比較」タブでグラフや表形式で複数ジョブを並べて比較できる

正解の根拠・詳細解説

Azure ML スタジオのジョブ一覧から複数のジョブを選択すると「メトリクスを比較する」ビューが表示され、loss・accuracyなどのメトリクスを時系列グラフで並べて視覚的に比較できます。

正解: B. B. 特定の特徴量に対して自動特徴量エンジニアリングの方法をカスタマイズするため

正解の根拠・詳細解説

featurization=”custom”とColumnTransformerを設定することで、特定の列に対して異なるエンコーディング方法・スケーリング・欠損値補完戦略を指定できます。

正解: B. B. 失敗したステップのログを確認し問題のあるコンポーネントを単独でローカル実行する

正解の根拠・詳細解説

Azure ML スタジオでパイプラインの失敗したステップを選択すると出力ログを確認できます。コンポーネントをローカルで単独実行することで問題を素早く再現・デバッグできます。

正解: B. B. mlflow.log\_metric(key, value, step=N)

正解の根拠・詳細解説

mlflow.log\_metric(key, value, step=N)でstepを指定することでエポックやイテレーションごとのメトリクスを記録できます。Azure MLスタジオでは時系列グラフとして可視化されます。

正解: B. B. 特徴量の重要度（SHAP値）と予測への貢献度を自動的に計算して表示する

正解の根拠・詳細解説

AutoMLはSHAP（SHapley Additive exPlanations）を使って各特徴量が予測にどれだけ貢献したかを計算します。Azure MLスタジオの説明ダッシュボードで全体・個別サンプルレベルの説明を確認できます。

正解: B. B. 整数値のパラメーター（バッチサイズ・ノード数など）に等間隔でサンプリングしたい場合

正解の根拠・詳細解説

QUniform(min\_value, max\_value, q)はmin〜maxの範囲でq刻みの値をサンプリングします。バッチサイズ（32・64・128）やネットワーク層数など整数で等間隔にサンプリングしたい場合に適しています。

正解: B. B. outputs引数でOutput(type=”uri\_folder”)を定義し次のジョブのinputsに接続する

正解の根拠・詳細解説

コマンドジョブやパイプラインコンポーネントではoutputs引数でOutput(type=”uri\_folder”/”uri\_file”/”mltable”)を定義します。パイプラインで接続することでAzure MLが自動的にデータの受け渡しを管理します。

正解: B. B. NCシリーズまたはNDシリーズ（NVIDIA GPU搭載）

正解の根拠・詳細解説

GPU学習にはNVIDIA GPU（V100・A100など）を搭載したNCシリーズ（NC6・NC24rs v3など）またはNDシリーズが適しています。ディープラーニングフレームワークのCUDA演算が大幅に高速化されます。

正解: B. B. コマンド文字列内で${{inputs.lr}}のように記述しinputs引数で値を定義する

正解の根拠・詳細解説

コマンドジョブのcommand文字列では${{inputs.パラメーター名}}の形式でinputs引数から値を参照できます。スクリプト側ではargparse等で受け取ります。

正解: B. B. Pythonのifステートメントでコンポーネント呼び出し自体を条件分岐するか、コンポーネント内でロジックを実装する

正解の根拠・詳細解説

Azure MLパイプラインはDAGとして実行されるため、条件分岐はPythonコードでコンポーネントの接続自体を条件付けするか、コンポーネント内で条件ロジックを実装します。

正解: B. B. n\_cross\_validations

正解の根拠・詳細解説

AutoMLのn\_cross\_validationsパラメーターでK-Foldの分割数を指定します。これにより各モデル候補がK回の学習・評価で評価され、過学習を検出しながらより安定した性能評価が行われます。

正解: B. B. MLflowのmlflow.log\_artifact()でスクリプトファイルを記録し、ジョブのcodeパラメーターでGitリポジトリを指定する

正解の根拠・詳細解説

ジョブのcodeパラメーターで指定されたコードはジョブ実行時にスナップショットとして保存されます。GitリポジトリをAzure ML Workspaceに連携することでgit commitハッシュも記録できます。

正解: B. B. 同じ入力で同じコンポーネントが再実行された場合に前の実行結果を再利用しコスト・時間を削減する

正解の根拠・詳細解説

パイプラインのキャッシュ機能が有効な場合、同じ入力データ・コード・パラメーターでのコンポーネント実行は前の結果が再利用されます。データ変更がない場合の反復実行で大幅にコスト・時間を削減できます。

正解: B. B. 前の試行結果を活かして有望な領域を重点的に探索しランダムより少ない試行で最適解に近づける

正解の根拠・詳細解説

ベイズ最適化は代理モデル（Gaussian Processなど）で目的関数を近似し、次に試す組み合わせを賢く選択します。ランダムサーチより少ない試行で良い組み合わせを見つけられます。

正解: B. B. パイプラインレベルの入力値をコンポーネント内から参照する

正解の根拠・詳細解説

Azure Machine LearningのパイプラインジョブをYAMLで定義する場合、ジョブ全体のinputsセクションでパイプラインレベルの入力を宣言し、各ステップであるコンポーネントのinputsからその値を参照します。この参照に使う式が${{ parent.inputs.名前 }}で、parentはパイプラインジョブそのものを指します。これにより、学習データのパスやハイパーパラメーターといった値を一か所で定義して複数のコンポーネントで共有できるため、条件を変えて再実行する際もYAMLの一箇所を修正するか、ジョブ送信時に値を上書きするだけで済み、記述の重複や設定漏れを防げます。ステップ間で前のステップの出力を次のステップへ渡す場合は${{ parent.jobs.ステップ名.outputs.名前 }}の形式で記述し、この参照関係からパイプラインの実行順序が自動的に決まります。環境変数の参照、Key Vaultからのシークレット取得、コンピューティングターゲットの指定は、いずれもこれとは別の記法や仕組みで扱う設定項目です。

正解: B. B. リアルタイムの単一・少量リクエストにはオンライン、大量データの非同期バッチ処理にはバッチエンドポイントを使う

正解の根拠・詳細解説

オンラインエンドポイントはリアルタイム推論（ミリ秒〜秒単位のレスポンス）に、バッチエンドポイントは大量データを非同期でスコアリング（分・時間単位）するために使います。

正解: B. B. インフラ管理（VM・ネットワーク・スケーリングなど）をMicrosoftが担当し開発者はモデルに集中できる

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Azure MLがインフラを完全管理します。スケーリング・モニタリング・ネットワーク設定などを自動処理するため、デプロイを素早く行えます。

正解: B. B. 新バージョンを本番環境に安全に段階的にリリースし問題があれば即座に旧バージョンに切り替えられるようにする

正解の根拠・詳細解説

ブルー/グリーンデプロイでは「ブルー（現行）」と「グリーン（新バージョン）」の2つのデプロイを維持します。検証後にトラフィックをグリーンに切り替え、問題があればブルーに即座にロールバックできます。

正解: B. B. バージョン管理されたモデルの中央リポジトリを持ちデプロイに活用する

正解の根拠・詳細解説

モデルレジストリにはモデルのバージョン・学習に使ったRunの情報・タグを保存できます。デプロイ時にバージョンを指定することで再現性と追跡可能性が確保されます。

正解: B. B. init()とrun()

正解の根拠・詳細解説

スコアリングスクリプトにはモデルのロードを行うinit()（起動時に一度実行）とリクエストデータを受け取り推論結果を返すrun(data)（リクエストごとに実行）の2つの関数が必須です。

正解: B. B. リクエスト数・レイテンシ（P50/P95/P99）・エラー率・データドリフト

正解の根拠・詳細解説

本番エンドポイントでは毎秒リクエスト数（RPS）・応答レイテンシ（パーセンタイル）・エラー率（4xx/5xx）・入力データドリフトを定期的にモニタリングし、性能劣化を早期に検知します。

正解: B. B. データアセット（URI folder/URI file/MLTable）を入力に指定しジョブとして非同期実行される

正解の根拠・詳細解説

バッチエンドポイントはデータアセットを入力にジョブとして非同期実行されます。結果はAzure Storage（CSVやParquet）に保存されます。画像・テキスト・表形式データいずれも処理できます。

正解: B. B. トラフィックの増減に応じてデプロイのインスタンス数を自動調整しコストと性能のバランスを保つ

正解の根拠・詳細解説

自動スケーリングにより負荷が高い時は自動でインスタンス数を増やしレイテンシを維持し、負荷が低い時は削減してコストを最適化できます。最小・最大インスタンス数と閾値を設定します。

正解: B. B. 1つのエンドポイントに複数のデプロイメントを作成しトラフィック分割率（例：A=80%・B=20%）を設定する

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1つのエンドポイントに複数のデプロイメントを持ちトラフィック配分比（合計100%）を設定できます。これにより新モデルを少量のトラフィックで本番評価できます。

正解: B. B. 入力・出力のデータ型とスキーマを明示しデプロイ時の入力バリデーションを可能にする

正解の根拠・詳細解説

モデルシグネチャはinputsとoutputsのスキーマ（列名・データ型・形状）を定義します。デプロイ時に不正な入力データを検知しエラーメッセージを返せます。mlflow.models.infer\_signature()で自動推論も可能です。

正解: B. B. Azure MLスタジオのエンドポイントページまたはaz ml online-endpoint get-logsコマンドで確認できる

正解の根拠・詳細解説

デプロイのログはAzure MLスタジオのエンドポイント詳細ページのログタブで確認できます。CLIではaz ml online-endpoint get-logs –name –deployment で取得できます。

正解: B. B. MLflowモデルはNo-code deploymentに対応しスコアリングスクリプトなしでデプロイできる

正解の根拠・詳細解説

MLflowフォーマットで保存されたモデルはno-code deploymentに対応しています。modelパラメーターにMLflowモデルを指定するだけでスコアリングスクリプトなしでデプロイできます。

正解: B. B. 新デプロイメントを少量のトラフィック（例：10%）から開始し問題なければ段階的にトラフィックを増やす

正解の根拠・詳細解説

トラフィックを100%一度に切り替えると問題発生時の影響が大きくなります。新デプロイに10%→50%→100%と段階的にトラフィックを移行し、各段階でメトリクスを確認するセーフロールアウトを推奨します。

正解: B. B. 古いバージョンや使わなくなったモデルを非アクティブ状態にして整理する

正解の根拠・詳細解説

モデルをアーカイブするとデフォルトのリスト表示から除外されますが削除はされません。古いバージョンや実験的なモデルをアーカイブすることでモデルレジストリを整理できます。

正解: B. B. APIキー認証（key-based）またはAzure Active Directory（AAD）トークン認証が使用できる

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APIキー認証（簡易）またはAzure AD（エンタープライズ向けRBACと連携）によるトークン認証をサポートします。セキュリティ要件に応じて選択します。

正解: B. B. init()とrun(mini\_batch)が必要でrun()はファイルパスのリストを受け取り処理済みリストを返す

正解の根拠・詳細解説

バッチエンドポイントのカスタムスクリプトではinit()でモデルをロードし、run(mini\_batch)でファイルパスのリストを受け取りバッチ処理して結果リストを返します。

正解: B. B. 同じテストデータセットで全バージョンを評価しメトリクスを比較してから本番昇格を決める

正解の根拠・詳細解説

モデルのバージョン比較はホールドアウトのテストデータセットで全バージョンの精度・F1スコア・AUCなどを評価し客観的に判断します。実験の再現性確保のため同じデータバージョンを使います。

正解: B. B. ドリフトの原因を分析し必要に応じて新しいデータでモデルを再学習して再デプロイする

正解の根拠・詳細解説

データドリフトはモデルの性能低下につながります。原因（季節性・市場変化・データパイプラインの問題など）を分析し、最新データでの再学習・特徴量の見直し・モデル選択の再検討を行います。

正解: D. D. 学習時と同じ低優先度VMをデプロイに使用する

正解の根拠・詳細解説

低優先度VMはデプロイには使用できません。デプロイには専用VMが必要です。レイテンシ最適化には高性能SKU・ONNX変換・インスタンス数の確保・モデルの軽量化などが有効です。

正解: C. C. モデルのファイルサイズが一定以下であること

正解の根拠・詳細解説

責任あるAIのチェックポイントはモデルの公平性・説明可能性・プライバシー・信頼性・セキュリティ・包摂性などです。モデルのファイルサイズは技術的な制約であり責任あるAIの評価項目ではありません。

正解: B. B. 既存のAKSクラスターを流用したい・オンプレとのハイブリッドデプロイ・高度なネットワーク制御が必要な場合

正解の根拠・詳細解説

Kubernetes Online EndpointはAzure Arc対応のKubernetesクラスター（AKS・オンプレクラスター含む）を使います。既存インフラの活用・オンプレとのハイブリッド運用・カスタムネットワーク設定が必要な場合に適しています。

正解: B. B. 長時間かかるリクエストを打ち切りリソースの無駄遣いを防ぐとともにクライアントへの応答を保証する

正解の根拠・詳細解説

タイムアウト設定により推論に異常な時間がかかるリクエストを打ち切り、サーバーのリソースを次のリクエストに解放できます。クライアント側もタイムアウトを知ることで適切な再試行処理を実装できます。

正解: B. B. Development→Staging→Productionのステージを設け各ステージでテスト・検証を経て本番昇格を決める

正解の根拠・詳細解説

モデルのライフサイクル管理ではDev（開発・実験）→Staging（統合テスト・負荷テスト）→Production（本番）のステージを設け各ステージでの検証を経て本番昇格を決めます。

正解: B. B. Azure StorageのBlob・ADLS Gen2・その他データストア（デフォルトのワークスペースストレージか指定したストレージ）

正解の根拠・詳細解説

バッチエンドポイントのデフォルト出力はワークスペースに関連付けられたAzure Blob Storageに保存されます。output\_actionとoutput\_file\_nameを設定して出力先・形式（CSV/Parquet）をカスタマイズできます。

正解: B. B. リクエスト数・レイテンシ・エラー率を収集しアラートで異常検知や可視化ができる

正解の根拠・詳細解説

Azure Machine Learning のオンラインエンドポイントは、Azure Monitor および Application Insights と連携させることで、リクエスト数、応答時間（レイテンシ）、ステータスコード別の失敗率といった運用メトリックを自動的に収集します。さらにスコアリングスクリプト内のログ出力もトレースとして送信できるため、前処理で発生した例外や入力データの異常を、エンドポイント全体の指標と突き合わせて調査できます。収集したメトリックにはアラートルールを設定でき、レイテンシや失敗率が閾値を超えた時点で通知を発行して、性能劣化や依存サービスの障害を早期に検知できます。ただしこれらはあくまで監視と可視化の仕組みであり、選択肢Aのようにモデルの再学習が自動的に開始されるわけではありません。再学習は、アラートやイベントを契機にトレーニングパイプラインを起動する形で別途実装する必要があり、予測精度そのものの劣化を捉えるにはデータドリフトの監視を併用します。