模擬問題集一覧

AI-103 模擬問題集（練習問題）

Azure AI Engineer 合格に向けた本番形式の模擬問題集。すべての問題に詳しい解説と、ドメイン別の弱点分析つき。

2 練習テスト 160 問 合格ライン 70% 各 120 分

この模擬問題集で身につくこと

  • 本番と同じ形式・難易度の問題で実力を確認
  • 制限時間つきの試験モードで時間配分を体得
  • 演習モードで1問ずつ解説を読みながら学習
  • すべての問題に正解の根拠つきの詳しい解説
  • ドメイン別スコアで弱点分野をひと目で把握
  • 完了後も何度でも復習して本番前に仕上げ

練習テストの内容

2 テスト · 全 160 問
1
模擬問題集１先頭 15 問 無料
80 問 120 分 合格 70%
2
模擬問題集２ プラン限定
80 問 120 分 合格 70%

説明

AI-103（Azure AI Engineer）の合格に向けた、本番形式の模擬問題集です。全 160 問を2 回の練習テストに分割し、 試験モード／演習モードで受験できます。各問題には正解の根拠と誤答の理由を記した詳しい解説が付き、受験後はドメイン別のスコアで弱点を把握できます。 各試験は先頭の問題から無料でお試しいただけます。

月額 ¥980 で全 160 問＋全解説が受け放題

模試プラン（¥980/月）なら、ロックされた練習テストと詳しい解説、ドメイン別の弱点分析がすべて使い放題。本番に向けて実力を仕上げましょう。

AI-103 の操作は、実機のハンズオンラボで身につける

問題集で覚えた知識を、本物の Azure・AWS 環境で手を動かして確かめられます。 Pro プランなら AI-103 対応のハンズオンラボ 16 本と、この問題集の全 160 問がすべて使えます。 ラボは会員登録だけで 1 本無料で試せます。

AI-103 の対応ラボを見る（16 本）ラボを 1 本無料で試す

AI-103 の出題範囲（カバーしている分野）

全 160 問を、本番の試験ガイドに沿った次の分野から出題しています。 受験後はドメイン別の正答率が表示され、弱点が特定できます。 難易度・学習時間・合格までの進め方はAI-103 の学習ガイドにまとめています。

AI-103 の無料練習問題（15 問・解説つき）

会員登録なしで、全 160 問のうち 15 問を正解と解説つきでご覧いただけます。 問題をクリックすると選択肢と解説が開きます。

問題 1テキスト抽出の選択肢: Azure AI Search / Azure AI Vision / Azure AI Doc…自然言語処理ソリューションの実装
問題
PDF ファイルとして保存されたプレス リリースのコレクションがあります。 ファイルからテキストを抽出し、感情分析を実行する必要があります。 各タスクで使用すべきサービスはどれですか。 回答エリア テキストの抽出: ??? 感情分析の実行: ??? テキスト抽出の選択肢: Azure AI Search / Azure AI Vision / Azure AI Document Intelligence 感情分析の選択肢: Azure Cognitive Search / Azure AI Computer Vision / Azure AI Document Intelligence / Azure AI Language

選択肢と解説

  • ✓
    テキスト抽出: Azure AI Document Intelligence、感情分析: Azure AI Language
  • 2
    テキスト抽出: Azure AI Vision、感情分析: Azure AI Language
  • 3
    テキスト抽出: Azure AI Search、感情分析: Azure AI Document Intelligence
  • 4
    テキスト抽出: Azure AI Document Intelligence、感情分析: Azure AI Computer Vision
  • 5
    テキスト抽出: Azure AI Vision、感情分析: Azure Cognitive Search

解説

正解: テキスト抽出は Azure AI Document Intelligence、感情分析は Azure AI Language を使用します。
解説: PDF などの構造化/半構造化ドキュメントからテキストを抽出する用途には Azure AI Document Intelligence (旧 Form Recognizer) の Read モデルまたはレイアウト モデルが最適で、ページ構造を保ったまま高精度に OCR テキストを取得できます。抽出したテキストに対する感情分析 (Sentiment Analysis) は Azure AI Language サービスの機能であり、ドキュメント単位や文単位で positive/neutral/negative とその信頼度スコアを返します。
各選択肢の検討
  • テキスト抽出: Azure AI Document Intelligence、感情分析: Azure AI Language — PDF 内テキストの抽出は Document Intelligence、感情分析は Language の本来の役割であり要件に合致します。
  • テキスト抽出: Azure AI Vision、感情分析: Azure AI Language — Vision の OCR でも画像化テキストは読めますが、PDF ドキュメントの抽出は Document Intelligence が標準的な選択肢です。
  • テキスト抽出: Azure AI Search、感情分析: Azure AI Document Intelligence — AI Search は検索インデックス サービスでありテキスト抽出機能を直接提供しません。Document Intelligence には感情分析機能はありません。
  • テキスト抽出: Azure AI Document Intelligence、感情分析: Azure AI Computer Vision — Computer Vision に感情分析機能はなく不適切です。
  • テキスト抽出: Azure AI Vision、感情分析: Azure Cognitive Search — Cognitive Search 単独で感情分析は実行できず、Language のスキルを呼び出す必要があります。
参考: Microsoft Learn
Azure AI Document Intelligence の概要
感情分析とオピニオン マイニング
この問題のページを開く →
問題 2Content Moderator の Text Moderation API を使用してコンテンツのモデレーションを有…自然言語処理ソリューションの実装
問題
テキスト ベースの chatbot があります。 Content Moderator の Text Moderation API を使用してコンテンツのモデレーションを有効にする必要があります。 どの 2 つのサービス応答を使用すればよいですか。それぞれの正解は解決策の一部を提示します。

選択肢と解説

  • ✓
    個人データ (personal data)
  • 2
    成人向け分類スコア (adult classification score)
  • ✓
    テキスト分類 (text classification)
  • 4
    光学式文字認識 (OCR)
  • 5
    わいせつ分類スコア (racy classification score)

解説

正解: 個人データ (PII) と テキスト分類。テキスト モデレーション API はテキストの不適切表現の分類と個人情報 (PII) の検出を主な応答として返します。
解説: Content Moderator の Text Moderation API はテキスト コンテンツに対して、(1) プロファニティの検出、(2) 個人を特定できる情報 (PII) の検出、(3) テキスト分類 (Category1: 性的示唆、Category2: 攻撃的・侮蔑的、Category3: 不快な可能性) を行います。「adult/racy classification score」はテキスト モデレーションではなく Image Moderation API (画像モデレーション) で返されるスコアであり、テキスト用ではありません。OCR も画像モデレーション側の機能です。したがってテキスト モデレーションが提供する応答は「個人データ」と「テキスト分類」が該当します。
各選択肢の検討
  • 個人データ (personal data) — Text Moderation API は PII (メール、IP アドレス、電話番号など) を検出して返すため正解です。
  • 成人向け分類スコア — 画像モデレーション (Image Moderation API) の応答であり、テキスト モデレーションでは返りません。
  • テキスト分類 (text classification) — Category1/2/3 のスコアと組み合わせ判定 (ReviewRecommended) を返す中心機能であり正解です。
  • 光学式文字認識 (OCR) — Content Moderator の OCR は画像内テキスト抽出用で、テキスト モデレーション API の応答ではありません。
  • わいせつ分類スコア — adult スコアと同じく画像モデレーション側の応答です。
参考: Microsoft Learn
Content Moderator Text Moderation の概要
Azure Content Moderator の概要
この問題のページを開く →
問題 3app1 がパブリック インターネット経由でトラフィックをルーティングせずに service1 に直接接続できるようにす…Azure AI ソリューションの計画と管理
問題
注意: この質問は、同じシナリオを示す一連の質問の一部です。シリーズの各質問には、目標を達成する可能性のある一意の解決策が含まれています。問題セットによっては正解が複数ある場合もあれば、正解がない場合もあります。 このセクションで質問に回答した後は、その質問に戻ることはできません。そのため、これらの質問はレビュー画面には表示されません。 Azure 仮想ネットワーク vnet1 上の Azure 仮想マシン vm1 で実行される、app1 という名前の Web アプリを作成しました。 service1 という名前の新しい Azure Cognitive Search サービスを作成する予定です。 app1 がパブリック インターネット経由でトラフィックをルーティングせずに service1 に直接接続できるようにする必要があります。 解決策: service1 とパブリック エンドポイントを新しい仮想ネットワークにデプロイし、Azure Private Link を構成します。 これは目標を満たしますか。

選択肢と解説

  • 1
    はい
  • ✓
    いいえ

解説

正解: いいえ。Private Link を使うのは正しい方向性ですが、エンドポイントは「プライベート エンドポイント」を使用する必要があり、パブリック エンドポイントをデプロイした構成では要件を満たしません。
解説: Azure Cognitive Search (Azure AI Search) にプライベート接続するには、Search サービス側で Private Link を有効化し、クライアント VNet 上に「プライベート エンドポイント」を作成します。これにより VNet 内の NIC 経由でプライベート IP で接続でき、トラフィックはバックボーンを経由してパブリック インターネットを通りません。設問の解決策は「パブリック エンドポイントを新 VNet にデプロイ」となっており、プライベート エンドポイント構成ではないため要件を満たしません。
各選択肢の検討
  • はい — パブリック エンドポイントのままでは VNet からインターネット経由の名前解決と到達になり、要件 (パブリック インターネットを経由しない) を満たしません。
  • いいえ — プライベート エンドポイントを作成しない構成は不正解であるため、こちらが正しい判断です。
参考: Microsoft Learn
プライベート エンドポイントを使用して Azure AI Search に接続する
Azure Private Endpoint の概要
この問題のページを開く →
問題 4ツールにアップロードできるファイルはどれですか。生成 AI ソリューションの実装
問題
カスタム Azure OpenAI モデルがあります。次の表に示すファイルがあります。 Name | Size File1.tsv | 80 MB File2.xml | 25 MB File3.pdf | 50 MB File4.xlsx | 200 MB OpenAI CLI データ準備ツールを使用して、モデルのトレーニング データを準備する必要があります。 ツールにアップロードできるファイルはどれですか。

選択肢と解説

  • ✓
    File1.tsv のみ
  • 2
    File2.xml のみ
  • 3
    File3.pdf のみ
  • 4
    File4.xlsx のみ
  • 5
    File1.tsv と File4.xlsx のみ
  • 6
    File1.tsv、File2.xml、File3.pdf、および File4.xlsx

解説

正解: File1.tsv のみ。OpenAI CLI のデータ準備ツール (openai tools fine_tunes.prepare_data) は、CSV、TSV、XLSX、JSON、JSONL を入力として受け付けますが、最終的なファインチューニング ジョブにアップロードできるファイル サイズには上限があります。
解説: データ準備ツール自体は CSV/TSV/XLSX/JSON/JSONL を読み込めますが、変換後にアップロードする JSONL ファイルや Azure OpenAI のファイル アップロード API には実用上の制限があり、また XML や PDF はサポート対象外です。表のうち、PDF (File3) と XML (File2) はそもそも対応形式ではないため除外され、XLSX (File4) は形式自体は対応していてもサイズが大きすぎる場合があり、本問の組合せでアップロード可能なものとして列挙されるのは TSV (File1) のみです。
各選択肢の検討
  • File1.tsv のみ — TSV はデータ準備ツールがサポートする形式であり、サイズも実用範囲のため使用可能です。
  • File2.xml のみ — XML はデータ準備ツールの対応形式に含まれません。
  • File3.pdf のみ — PDF は対応形式に含まれません。
  • File4.xlsx のみ — XLSX は形式としては対応していますが、大きなファイルはツールが扱う前提に合わずアップロード対象として推奨されません。
  • File1.tsv と File4.xlsx のみ — File4 は前述のとおりサイズの問題で対象外です。
  • File1.tsv、File2.xml、File3.pdf、および File4.xlsx — XML/PDF が対応形式に含まれず誤りです。
参考: Microsoft Learn
Azure OpenAI モデルをファインチューニングする
ファインチューニング用データセットの準備
この問題のページを開く →
問題 5動画に映っている人物に基づいて動画を検索できるようにする必要があります。コンピューター ビジョン ソリューションの実装
問題
会社の Web サイトで会社の動画を検索するためのインターフェイスを提供する Azure Video Analyzer for Media (旧称 Video Indexer) サービスがあります。 動画に映っている人物に基づいて動画を検索できるようにする必要があります。 どうすればよいですか。

選択肢と解説

  • ✓
    人物モデル (person model) を作成し、そのモデルを動画に関連付ける。
  • 2
    人物オブジェクトを作成し、各オブジェクトに顔画像を提供する。
  • 3
    会社のスタッフ全員を Video Indexer に招待する。
  • 4
    動画内の顔を編集する。
  • 5
    言語モデルに名前をアップロードする。

解説

正解: 人物モデル (Person model) を作成し、そのモデルを動画に関連付ける。
解説: Azure Video Indexer (Video Analyzer for Media) では、コンテンツ モデルのカスタマイズで「People models」を作成し、識別したい人物の名前と顔画像を登録します。動画のインデックス時にこの Person model を関連付けることで、顔識別が行われ、人物名で動画を検索可能になります。
各選択肢の検討
  • 人物モデルを作成し、動画に関連付ける — Video Indexer のカスタム People model がまさに本要件向けに用意されている機能です。
  • 人物オブジェクトを作成し、各オブジェクトに顔画像を提供する — これは Face API (PersonGroup) の用語で、Video Indexer の構成手順ではありません。
  • スタッフを Video Indexer に招待する — ユーザー アカウントの招待は人物識別とは無関係です。
  • 動画内の顔を編集する — 顔のぼかし等の機能であり、検索を可能にする手段ではありません。
  • 言語モデルに名前をアップロードする — 言語モデルは音声テキストの単語認識を改善する用途であり、人物識別には使えません。
参考: Microsoft Learn
Video Indexer の Person モデルをカスタマイズする
Web サイトを使用して People モデルをカスタマイズする
この問題のページを開く →
問題 6- コンテンツ モデルのカスタマイズから [Brands] を選択する。コンピューター ビジョン ソリューションの実装
問題
特定の企業名への言及を識別するためにビデオ コンテンツを分析する必要があります。 次のうち、どの 3 つのアクションを順に実行すべきですか。 アクション候補: - 特定の企業名を除外リスト (exclude list) に追加する。 - 特定の企業名を含めるリスト (include list) に追加する。 - コンテンツ モデルのカスタマイズから [Language] を選択する。 - Custom Vision の Web サイトにサインインする。 - Azure Video Analyzer for Media の Web サイトにサインインする。 - コンテンツ モデルのカスタマイズから [Brands] を選択する。

選択肢と解説

  • ✓
    1. Azure Video Analyzer for Media の Web サイトにサインインする → 2. コンテンツ モデルのカスタマイズから [Brands] を選択する → 3. 特定の企業名を含めるリストに追加する
  • 2
    1. Custom Vision の Web サイトにサインインする → 2. コンテンツ モデルのカスタマイズから [Brands] を選択する → 3. 特定の企業名を含めるリストに追加する
  • 3
    1. Azure Video Analyzer for Media の Web サイトにサインインする → 2. コンテンツ モデルのカスタマイズから [Language] を選択する → 3. 特定の企業名を含めるリストに追加する
  • 4
    1. Azure Video Analyzer for Media の Web サイトにサインインする → 2. コンテンツ モデルのカスタマイズから [Brands] を選択する → 3. 特定の企業名を除外リストに追加する
  • 5
    1. Custom Vision の Web サイトにサインインする → 2. コンテンツ モデルのカスタマイズから [Language] を選択する → 3. 特定の企業名を除外リストに追加する

解説

正解: (1) Azure Video Analyzer for Media の Web サイトにサインイン → (2) コンテンツ モデルのカスタマイズから [Brands] を選択 → (3) 特定の企業名を Include リストに追加。
解説: 企業名 (ブランド) の検出は Video Indexer の Brands インサイト機能で実現します。Web ポータルにサインインし、[Content model customization] → [Brands] を開き、検出したい企業名を「include」リストに追加することで、新しくインデックス処理する動画でその企業名が音声/字幕/画面表示テキストから検出されます。Custom Vision は画像分類用であり本要件には使いません。
各選択肢の検討
  • Video Indexer サインイン → Brands → Include — Brands モデルに包含リストとして企業名を登録する正しい手順です。
  • Custom Vision サインイン → Brands → Include — Custom Vision には Brands カスタマイズはなく不正解です。
  • Video Indexer → Language → Include — Language モデルは音声認識辞書のカスタマイズで、ブランド検出ではありません。
  • Video Indexer → Brands → Exclude — 除外リストは検出を抑制するもので、特定企業名の検出が目的の本問では逆方向です。
  • Custom Vision → Language → Exclude — サービス選択も操作も誤りです。
参考: Microsoft Learn
Video Indexer Brands モデルのカスタマイズ概要
Web サイトを使用して Brands モデルをカスタマイズする
この問題のページを開く →
問題 7スキルセットにアタッチすべきものは何ですか。Azure AI ソリューションの計画と管理
問題
テキストを含むスキャンされた 50,000 件のドキュメントのコレクションがあります。 このテキストを Azure Cognitive Search を通じて利用できるようにする予定です。 光学式文字認識 (OCR) とテキスト分析を実行するエンリッチメント パイプラインを構成する必要があります。ソリューションはコストを最小限に抑える必要があります。 スキルセットにアタッチすべきものは何ですか。

選択肢と解説

  • 1
    新しい Computer Vision リソース
  • 2
    Free (制限付きエンリッチメント) の Cognitive Services リソース
  • 3
    Azure Machine Learning デザイナー パイプライン
  • ✓
    S0 価格レベルを使用する新しい Cognitive Services リソース

解説

正解: S0 価格レベルを使用する新しい Cognitive Services (マルチサービス) リソース。
解説: Azure Cognitive Search のスキルセットで OCR スキルや組み込みテキスト分析スキル (キー フレーズ、エンティティ抽出、言語検出など) を呼び出す場合、課金のために同じリージョンの Cognitive Services マルチサービス リソースをアタッチする必要があります。Free レベルでは 1 インデクサーあたり 20 ドキュメントまでというエンリッチメント上限があり、50,000 件のドキュメントには適しません。そのため Standard (S0) のマルチサービス リソースをアタッチします。Computer Vision の単独リソースはスキルセットに直接アタッチできません。
各選択肢の検討
  • 新しい Computer Vision リソース — エンリッチメント課金にはマルチサービスの Cognitive Services リソースが必要で、Computer Vision 単体リソースはアタッチできません。
  • Free (Limited enrichments) Cognitive Services リソース — エンリッチメントが 1 インデクサーあたり 20 ドキュメントまでに制限されるため 50,000 件処理には不適切です。
  • Azure Machine Learning デザイナー パイプライン — AML パイプラインはスキルセットの課金リソースとしてアタッチするものではなく、Custom Skill の対象です。
  • S0 価格レベルの新しい Cognitive Services リソース — エンリッチメントの本番運用に必要な要件を満たし、有償スキル呼び出しの課金が行われます。
参考: Microsoft Learn
スキルセットに Cognitive Services リソースをアタッチする
AI エンリッチメントの概要
この問題のページを開く →
問題 8チャットボットが無関係な質問に対して堅い (formal) 回答を返すようにする必要があります。生成 AI ソリューションの実装
問題
注意: この質問は、同じシナリオを示す一連の質問の一部です。シリーズの各質問には、目標を達成する可能性のある一意の解決策が含まれています。問題セットによっては正解が複数ある場合もあれば、正解がない場合もあります。 このセクションで質問に回答した後は、その質問に戻ることはできません。そのため、これらの質問はレビュー画面には表示されません。 Azure Cognitive Service for Language の質問応答 (question answering) を使用するチャットボットがあります。 ユーザーから、無関係な質問 (spurious questions) への回答で形式 (フォーマリティ) に欠けると報告されています。 チャットボットが無関係な質問に対して堅い (formal) 回答を返すようにする必要があります。 解決策: Language Studio で、雑談 (chit-chat) の質問と回答のペアをすべて削除し、モデルを再トレーニングして再発行します。 これは目標を満たしますか。

選択肢と解説

  • 1
    はい
  • ✓
    いいえ

解説

正解: いいえ。雑談ペアを削除するのではなく、雑談ペアセットのうち「Professional (堅い)」スタイルのものを採用する必要があります。
解説: question answering の chit-chat 機能には、Professional / Friendly / Witty / Caring / Enthusiastic などのパーソナリティが用意されています。フォーマルな回答にしたい場合は、既存の chit-chat を「Professional」スタイルで取り込み直し、再トレーニング/再発行することで目標を達成できます。すべてを削除してしまうと、無関係な質問への回答自体ができなくなり、目標を満たしません。
各選択肢の検討
  • はい — 削除では「堅い回答を返す」という要件を満たさないため不適切です。
  • いいえ — chit-chat を Professional パーソナリティに置き換える必要があり、単純な削除では要件未達となるためこちらが正解です。
参考: Microsoft Learn
質問応答に chit-chat を追加する
質問応答の概要
この問題のページを開く →
問題 9どの 4 つのアクションを順に実行すべきですか。ナレッジ マイニングとドキュメント インテリジェンスの実装
問題
Azure サブスクリプションに DI1 という名前の Azure AI Document Intelligence リソースと sa1 という名前のストレージ アカウントが含まれています。sa1 アカウントには blob1 という名前の Blob コンテナーと share1 という名前の Azure Files 共有が含まれています。 DI1 で Model1 という名前のカスタム モデルを構築する予定です。 Model1 用のサンプル フォームと JSON ファイルを作成しました。 Model1 をトレーニングし、モデルの ID を取得する必要があります。 どの 4 つのアクションを順に実行すべきですか。 注: 複数の順序が正解として認められます。 アクション候補: - Get info REST API を呼び出す - sa1 のアクセス キーを取得する - Build model REST API を呼び出す - フォームと JSON ファイルを share1 にアップロードする - フォームと JSON ファイルを blob1 にアップロードする - blob1 用の Shared Access Signature (SAS) URL を作成する - Get model REST API を呼び出す

選択肢と解説

  • ✓
    1. フォームと JSON ファイルを blob1 にアップロード → 2. blob1 の SAS URL を作成 → 3. Build model REST API を呼び出す → 4. Get model REST API を呼び出す
  • 2
    1. sa1 のアクセス キーを取得 → 2. フォームと JSON ファイルを share1 にアップロード → 3. Build model REST API を呼び出す → 4. Get info REST API を呼び出す
  • 3
    1. フォームと JSON ファイルを share1 にアップロード → 2. blob1 の SAS URL を作成 → 3. Build model REST API を呼び出す → 4. Get info REST API を呼び出す
  • 4
    1. フォームと JSON ファイルを blob1 にアップロード → 2. sa1 のアクセス キーを取得 → 3. Get info REST API を呼び出す → 4. Build model REST API を呼び出す
  • 5
    1. blob1 の SAS URL を作成 → 2. フォームと JSON ファイルを share1 にアップロード → 3. Build model REST API を呼び出す → 4. Get model REST API を呼び出す

解説

正解: (1) フォームと JSON ファイルを blob1 にアップロード → (2) blob1 用の SAS URL を作成 → (3) Build model REST API を呼び出す → (4) Get model REST API を呼び出してモデル ID を取得。
解説: Document Intelligence のカスタム モデルは、トレーニング データを Blob Storage コンテナーに配置し、コンテナーへの SAS URL を Build model API (POST /documentModels:build) に渡して非同期トレーニングを開始します。Build 要求のレスポンス ヘッダー (Operation-Location) を Get model API でポーリングしてトレーニング状態とモデル ID を取得します。Azure Files (share1) はトレーニング ソースとしてサポートされておらず、ストレージ アカウントの共有キー単独でもアクセスできず SAS が必要です。Get info は対象モデルではなくリソース全体の情報取得用なので本フローでは使いません。
各選択肢の検討
  • blob1 へアップロード → SAS URL → Build model → Get model — 公式手順どおりで、最後の Get model でモデル ID を取得できます。
  • アクセス キー取得 → share1 へアップロード → Build → Get info — Azure Files はトレーニング ソース非対応、アクセス キーでなく SAS が必要、Get info もモデル ID 取得用途ではありません。
  • share1 アップロード → SAS → Build → Get info — Azure Files 非対応のため誤りです。
  • blob1 アップロード → アクセス キー取得 → Get info → Build — トレーニング前に Get info を呼ぶフローは不要、SAS でなくアクセス キーも誤り。
  • SAS 作成 → share1 アップロード → Build → Get model — share1 を使う時点で誤りです。
参考: Microsoft Learn
カスタム モデルを構築する
トレーニング データ用の SAS トークンを作成する
この問題のページを開く →
問題 10どのサービスを使用すべきですか。コンピューター ビジョン ソリューションの実装
問題
食品を生産する工場があります。 個人用保護具 (PPE) の着用に関するスタッフのコンプライアンスを監視するソリューションを構築する必要があります。ソリューションは次の要件を満たす必要があります。 * マスクや保護メガネを外したスタッフを識別する。 * 15 分ごとにコンプライアンス チェックを実行する。 * 開発の労力を最小限にする。 * コストを最小限にする。 どのサービスを使用すべきですか。

選択肢と解説

  • 1
    Face
  • ✓
    Computer Vision
  • 3
    Azure Video Analyzer for Media (旧 Video Indexer)

解説

正解: Computer Vision。
解説: Computer Vision の Image Analysis では汎用的なオブジェクト/物体検出 (タグ付け、オブジェクト検出) により「mask」「goggles」などの装着物を画像から識別できます。15 分間隔で静止画 (スナップショット) を解析するアプローチであれば、Computer Vision の Analyze Image API を呼び出すだけで実装でき、開発工数とコストを最小化できます。Face API は顔の検出と認証/属性 (年齢など) には強いものの、マスクの有無のような PPE 検出を Computer Vision に比べて素直に提供しません。Video Analyzer for Media は完成動画のメディア検索向けで、リアルタイム監視や定期スナップショット解析には不向きでコストも高くなります。
各選択肢の検討
  • Face — 顔の照合や属性検出が中心で、PPE 全般 (メガネ、マスク等の装着物) の有無を要件レベルで識別する用途には Computer Vision のほうが適しています。
  • Computer Vision — オブジェクト検出/タグ付けで PPE の着用状況を静止画から識別可能で、定期スナップショットへの適用と低コストの要件を満たします。
  • Azure Video Analyzer for Media — メディア検索/インデックス用途であり、定期コンプライアンス チェックには過剰でコスト効率も悪くなります。
参考: Microsoft Learn
画像分析の概要 (Azure AI Vision)
オブジェクト検出の概念
この問題のページを開く →
問題 11システムは、異常な値に対してアラートを生成する必要があります。Azure AI ソリューションの計画と管理
問題
エンジンのセンサー データ (回転数、角度、温度、圧力など) を分析する監視システムを開発しています。システムは、異常な値に対してアラートを生成する必要があります。 ソリューションに含めるべきものは何ですか。

選択肢と解説

  • 1
    Azure Monitor の Application Insights
  • 2
    Azure Monitor のメトリック アラート
  • ✓
    多変量異常検出 (Multivariate Anomaly Detection)
  • 4
    単変量異常検出 (Univariate Anomaly Detection)

解説

正解: 多変量異常検出 (Multivariate Anomaly Detection)。
解説: 回転数・角度・温度・圧力など、相互に関連する複数のセンサー指標を同時に解析し、変数間の相関を考慮した異常を検出する必要があります。これは Azure AI Anomaly Detector の Multivariate Anomaly Detection (MVAD) が想定する典型的なシナリオです。Univariate は 1 つの時系列のみを対象とするため、複数センサーの組合せ異常を検出できません。Application Insights はアプリ依存テレメトリ向け、Azure Monitor のメトリック アラートは閾値ベースの単純なアラートで、変数間相関は捉えません。
各選択肢の検討
  • Azure Monitor の Application Insights — アプリケーションのパフォーマンス/可用性監視向けで、汎用センサー時系列の異常検出が主用途ではありません。
  • Azure Monitor のメトリック アラート — 単一メトリックの閾値ベース アラートが中心で、複数指標の相関を考慮した異常検出はできません。
  • 多変量異常検出 — 複数センサーを同時に解析する本シナリオに最適です。
  • 単変量異常検出 — 1 系列ずつしか扱えず、変数間の関係から生じる異常を見逃します。
参考: Microsoft Learn
多変量異常検出の概要
Anomaly Detector の概要
この問題のページを開く →
問題 12ソリューションは管理上の労力を最小限に抑える必要があります。ナレッジ マイニングとドキュメント インテリジェンスの実装
問題
Azure サブスクリプションに AIdoc1 という名前の Azure AI Document Intelligence リソースがあります。 AIdoc1 を使用する App1 というアプリがあり、App1 は名刺モデル v2.1 を呼び出して名刺を分析しています。 App1 が QR コードを解釈できるように更新する必要があります。ソリューションは管理上の労力を最小限に抑える必要があります。 最初に行うべきことは何ですか。

選択肢と解説

  • 1
    名刺モデルを v3.0 にアップグレードする。
  • ✓
    Read モデルを実装する。
  • 3
    カスタム モデルをデプロイする。
  • 4
    Contract (契約) モデルを実装する。

解説

正解: 名刺モデルを v3.0 にアップグレードする。
解説: Document Intelligence の Business card モデルは v3.0 以降で QR コードなどのバーコード/QR の抽出をサポートします (selectionMarks やバーコード フィールドの抽出が拡張)。App1 は既に v2.1 の Business card モデルを使っているため、まず v3.0 にアップグレードするのが最も管理コストが低く、QR コードの解釈が可能になります。Read モデルは生テキスト OCR 主体で QR コードを構造化フィールドとして名刺コンテキストに紐付けず、Contract モデルは別ドキュメント タイプ、カスタム モデルは追加の学習データと管理が必要で「管理労力最小化」の要件に反します。
各選択肢の検討
  • 名刺モデルを v3.0 にアップグレード — 既存ワークフローを維持したまま QR コード対応を得られ、管理労力が最小です。
  • Read モデル — テキスト OCR のみで、名刺の構造化抽出と QR を統合する用途には不向きです。
  • カスタム モデル — トレーニング データの収集とラベリングが必要で運用負荷が大幅に増えます。
  • Contract モデル — 契約書向けで名刺/ QR の要件には適合しません。
参考: Microsoft Learn
名刺モデル (Business card)
Document Intelligence の新機能
この問題のページを開く →
問題 13これらの新しい画像を分類器に追加する必要があります。コンピューター ビジョン ソリューションの実装
問題
注意: この質問は、同じシナリオを示す一連の質問の一部です。シリーズの各質問には、目標を達成する可能性のある一意の解決策が含まれています。問題セットによっては正解が複数ある場合もあれば、正解がない場合もあります。 このセクションで質問に回答した後は、その質問に戻ることはできません。そのため、これらの質問はレビュー画面には表示されません。 Custom Vision モデルをトレーニングして花の種類を識別するアプリケーションを開発しています。 新しい花の種類の画像を受け取りました。 これらの新しい画像を分類器に追加する必要があります。 解決策: 新しい画像を追加し、Smart Labeler ツールを使用します。 これは目標を満たしますか。

選択肢と解説

  • 1
    はい
  • ✓
    いいえ

解説

正解: いいえ。
解説: Smart Labeler は、既存のタグ (クラス) でトレーニング済みのモデルを使って未ラベル画像に推定タグを提示し、ラベル付け効率を上げるためのツールです。新規の花の種類 (新しいタグ) に対しては既存モデルが認識できないため、Smart Labeler は意味のあるラベル候補を生成できません。新クラスを追加するには、対象タグを作成し、その画像群を手動でラベル付けして再トレーニングする必要があります。
各選択肢の検討
  • はい — 新規クラスに対しては Smart Labeler が機能しないため、目標を満たしません。
  • いいえ — 新タグの作成と手動ラベリングおよび再トレーニングが必要であり、Smart Labeler のみでは要件を満たさないという正しい判断です。
参考: Microsoft Learn
Custom Vision の推奨タグ (Smart Labeler)
分類器を構築する
この問題のページを開く →
問題 14(選択肢: Audit / Food / General / General (compact) / Landmarks…コンピューター ビジョン ソリューションの実装
問題
iOS アプリで使用するモデルを構築しています。 猫と犬の画像があり、各画像には猫か犬のどちらかが映っています。 Custom Vision サービスを使用して、画像が猫か犬かを検出する必要があります。 Custom Vision ポータルでプロジェクトをどのように構成すればよいですか。 回答エリア プロジェクト タイプ: ??? (選択肢: Classification / Object Detection) 分類タイプ: ??? (選択肢: Multiclass (Single tag per image) / Multilabel (Multiple tags per image)) ドメイン: ??? (選択肢: Audit / Food / General / General (compact) / Landmarks / Landmarks (compact) / Retail / Retail (compact))

選択肢と解説

  • ✓
    Classification、Multiclass (Single tag per image)、General (compact)
  • 2
    Object Detection、Multilabel (Multiple tags per image)、General
  • 3
    Classification、Multilabel (Multiple tags per image)、General
  • 4
    Classification、Multiclass (Single tag per image)、Retail
  • 5
    Object Detection、Multiclass (Single tag per image)、General (compact)

解説

正解: プロジェクト タイプ = Classification、分類タイプ = Multiclass (Single tag per image)、ドメイン = General (compact)。
解説: 「猫または犬のいずれかである」という要件は 1 画像に 1 タグのみの分類であり、プロジェクト タイプは「Classification」、分類タイプは「Multiclass (Single tag per image)」が正解です。位置を特定する必要がないので Object Detection は不要です。さらに iOS アプリにモデルをエクスポート (Core ML) して端末上で実行できる必要があるため、エクスポートに対応する「compact」系ドメインを選びます。猫/犬は一般的な対象なので「General (compact)」が最適です。
各選択肢の検討
  • Classification + Multiclass + General (compact) — iOS にエクスポートできる compact ドメイン、1 タグ/画像、汎用対象という全要件に合致します。
  • Object Detection + Multilabel + General — オブジェクト検出は不要、Multilabel は 1 画像 1 タグの要件と矛盾、General は compact ではないためエクスポート不可。
  • Classification + Multilabel + General — 1 画像に複数タグ付くため要件不一致、ドメインも compact でないためエクスポート不可。
  • Classification + Multiclass + Retail — Retail ドメインは小売商品向けで、犬猫識別の汎用画像には適しません。
  • Object Detection + Multiclass + General (compact) — 検出ではなく分類でよく、Object Detection は不要です。
参考: Microsoft Learn
Custom Vision のドメインを選択する
モバイル デバイス向けにモデルをエクスポートする
この問題のページを開く →
問題 153) add_face は、1 つの person オブジェクトに複数の顔画像を追加するために複数回呼び出すことができま…コンピューター ビジョン ソリューションの実装
問題
Face Recognition API を使用して従業員の顔を認識するアプリケーションを開発しています。顔の画像は URI エンドポイントからアクセスできます。 アプリケーションには次のコードがあります。 def add_face(subscription_key, person_group_id, person_id, image_uri): headers = { 'Content-Type': 'application/json', 'Ocp-Apim-Subscription-Key': subscription_key } body = { 'url': image_uri } conn = httplib.HTTPSConnection('westus.api.cognitive.microsoft.com') conn.request('POST', f'/face/v1.0/persongroups/{person_group_id}/persons/{person_id}/persistedFaces', f'{body}', headers) response = conn.getresponse() response_data = response.read() 次の各文について、正しい場合は Yes、そうでない場合は No を選択してください。 1) このコードは、person グループ内の person オブジェクトに顔画像を追加します。 2) このコードは最大 10,000 人まで動作します。 3) add_face は、1 つの person オブジェクトに複数の顔画像を追加するために複数回呼び出すことができます。

選択肢と解説

  • ✓
    Yes、Yes、Yes
  • 2
    Yes、No、Yes
  • 3
    No、Yes、Yes
  • 4
    Yes、Yes、No
  • 5
    No、No、Yes

解説

正解: 1) Yes、2) Yes、3) Yes。
解説: コードは PersonGroup Person Add Face エンドポイント (POST /persongroups/{personGroupId}/persons/{personId}/persistedFaces) を呼び出しています。これは person グループ内の person オブジェクトに顔画像 (persistedFace) を追加する公式 API です。標準の Free レベルでも PersonGroup は最大 1,000 人、Standard (S0) レベルでは 1 PersonGroup あたり最大 10,000 人をサポートします (LargePersonGroup を使えば 100 万人まで)。したがって最大 10,000 人まで動作するという文も正しくなります。さらに、各 person に対し最大 248 枚までの persistedFace を追加でき、add_face を複数回呼び出して 1 person に複数顔を登録するのが想定された使い方です。
各選択肢の検討
  • Yes、Yes、Yes — 上述のとおり 3 つすべて Face API の仕様に一致します。
  • Yes、No、Yes — 10,000 人 (S0 の PersonGroup 上限) を否定するのは仕様と矛盾します。
  • No、Yes、Yes — エンドポイントは PersonGroup Person への persistedFace 追加であり 1 つ目も Yes が正解です。
  • Yes、Yes、No — 1 person に対し複数 persistedFace を登録できるため 3 つ目を No とするのは誤りです。
  • No、No、Yes — 1・2 とも仕様に反します。
参考: Microsoft Learn
Face 認識の概念 (PersonGroup と Person)
PersonGroup Person - Add Face From URL
この問題のページを開く →

AI-103 対策のハンズオンラボ

実際の Azure・AWS 環境を払い出して手を動かせます。問題演習と組み合わせると理解が定着します。

Azure Machine Learning Studio で基本パイプラインを構築する
advanced・約 90 分
Azure AI のセキュリティ設定の不備を Key Vault と Managed Identity で修正する
intermediate・約 60 分
Azure AI Vision で画像分析
beginner・約 60 分
Azure AI Search で Knowledge Mining を実装
intermediate・約 75 分
Azure AI Search で Scoring Profile と Synonym Map による検索結果をチューニングする
advanced・約 75 分
Azure AI Custom Vision で物体検出モデルを学習・公開する
intermediate・約 75 分
Azure OpenAI をデプロイしてチャット プレイグラウンドで挙動を確かめる
beginner・約 45 分
Cloud Shell の Python から Azure OpenAI を呼び出す
beginner・約 60 分
AI-103 のラボを全て見る（16 件）→

AI-103 模擬問題集についてよくある質問

AI-103 の練習問題は無料で試せますか？

はい。AI-103 は先頭 15 問を会員登録なしで、正解と全選択肢の解説つきでご覧いただけます。16 問目以降は模試プラン（月額 ¥980）または Pro プラン（月額 ¥4,980）でご利用ください。

問題は何問ありますか？

AI-103 は本番形式の練習テスト 2 回・全 160 問を収録しています。全問に解説が付いています。

解説は付いていますか？

全ての問題に、正解の理由と各選択肢がなぜ誤りなのかの解説を付けています。ドメイン（出題分野）別の正答率も受験後に確認できます。

AI-103 のハンズオン学習もできますか？

はい。AI-103 に対応するハンズオンラボを 16 件ご用意しています。実際の Azure・AWS 環境を払い出して手を動かしながら学習できます。