Q1.あなたの会社は、AIを活用したカスタマーサポートエージェントを開発しています。
ソリューションがMicrosoftの責任あるAI原則に従うことを確実にする必要があります。
どの2つのアクションを実行すべきですか。
最も適切なものを2つ選択してください。
それぞれの正解はソリューションの一部を示します。
A. すべての顧客との会話を保持する。
B. 応答が包括的で文化的に配慮されていることを確認するためにエージェントをテストする。
C. エージェントが独立して動作できるようにする。
D. エージェントが複数の目的で使用できるようにする。
E. ユーザーがAIソリューションとやり取りしていることを明確に示す免責事項を提供する。
回答
- B. 応答が包括的で文化的に配慮されていることを確認するためにエージェントをテストする。
E. ユーザーがAIソリューションとやり取りしていることを明確に示す免責事項を提供する。 -
Microsoftの責任あるAI原則では、公平性と透明性が重要です。
Bは、多様なユーザーや文化に配慮した応答を検証することで、公平性と包括性を確保し、バイアスや差別的表現のリスクを低減するため正解です。
また、Eは、ユーザーがAIと対話していることを明示することで透明性を確保し、誤解や過度な信頼を防ぐため正解です。
Aはデータ最小化の原則に反する可能性があり不適切です。
Cは人間の監督を弱め説明責任を損ないます。
Dは用途拡大によりリスクが増大するため適切ではありません。
Microsoft Foundry における責任ある AI
Q2.各タスクに対してどのサービスを使用すべきですか。
回答するには、解答エリアで適切な選択肢を選択してください。
・フォームや請求書から構造化データを抽出する
・業務レポートから文章内容を要約する
・アップロードされた画像に対して説明文を生成する
回答
- (下記画像参照）
-
この問題はAzure AIサービスの用途理解が問われています。Azure Document Intelligence（旧称：FormRecognizer）は、フォームや請求書などのドキュメントから構造化データを抽出するためのサービスであり、この用途に最適です。
また、Azure Languageはテキスト分析サービスであり、文章の要約や自然言語処理を行う機能を持つため、業務レポートの要約に適しています。
さらに、Azure Visionは画像解析を担当し、画像の内容説明（キャプション生成）などを実現します。
それぞれのサービスは役割が明確に分かれているため、用途に応じた正しい選択が重要です。
Microsoft Foundry のドキュメント
Q3.文を正しく完成させる解答を選択してください。
回答
- （下記画像参照）
-
Microsoft 365 Copilot コネクタは外部データをMicrosoft Graphに取り込み、Microsoft 365全体で検索・活用できるようにする仕組みであるため、接続先はMicrosoft Graphとなります。
また、取り込まれたデータはCopilotやMicrosoft Searchから自然言語で検索・要約可能となり、LOBデータの活用を実現する基盤として機能します。
Azure AI SearchはRAGなど独自検索向け、Microsoft Purviewはガバナンス用途、Microsoft SharePointは保存先の一つであり、いずれも本設問の接続先としては適切ではありません。
Microsoft 365 Copilot コネクタの概要
Q4.あなたの会社は、業務プロセスの自動化と従業員のセルフサービスを支援するためにMicrosoft Copilot Studioの使用を評価しています。
Copilot Studioで直接サポートされる機能はどれですか。
完全な解決策となるものを2つ選択してください。
A. エージェントを使用してセキュリティインシデントを特定し対応する。
B. ドキュメントのセキュリティを構成する。
C. Microsoft WordおよびPowerPointでファイルの作成や要約を行う。
D. ビジネスデータに接続し、ユーザー操作を自動化するエージェントを構築する。
E. エージェントの動作や応答をカスタマイズする。
回答
- D. ビジネスデータに接続し、ユーザー操作を自動化するエージェントを構築する。
E. エージェントの動作や応答をカスタマイズする。 -
Copilot Studioは、業務データに接続して処理を自動化するカスタムエージェントを構築できるサービスであり、Dの「ビジネスデータ連携と自動化」は中核機能に該当するため正解です。 また、エージェントの会話フローや応答内容、ガードレールなどを調整できるカスタマイズ機能も提供されており、Eも正解です。
AはSecurity Copilotの領域、BはMicrosoft Purviewなどの情報保護機能、CはMicrosoft 365 Copilot（WordやPowerPoint）の機能であり、Copilot Studioの直接機能ではありません。
Copilot Studio の概要
Q5.次の各記述について、正しい場合はYes、誤っている場合はNoを選択してください。
回答
- （下記画像参照）
-
モバイルデバイスから組織データへアクセスするだけであれば、Microsoft 365の通常ライセンスで可能であり、Copilotライセンスは必須ではないためNoが正解です。
一方で、Microsoft Graphを活用した推論やCopilotの高度な機能（Analystエージェントを含む）は、Microsoft 365 Copilotライセンスによって提供されるためYesが正解です。
CopilotはGraphを通じて組織データを理解・活用する仕組みであり、これらの高度機能は追加ライセンスに依存します。
Microsoft 365 Copilot の概要
Q6.次の各記述について、正しい場合はYes、誤っている場合はNoを選択してください。
回答
- （下記画像参照）
-
Copilot in Outlookはメールの下書き作成や支援は可能ですが、自動的にフォローアップ返信を送信する機能はなく、送信はユーザー操作が必要なためNoが正解です。
一方で、メール内容の要約や重要事項（タスク・期限）の抽出、アクションの可視化はCopilotの主要機能であり、文脈理解に基づいてユーザーの業務効率を高めるためYesが正解です。 Copilotはユーザー支援を目的とした設計であり、自律的なメール送信のような完全自動処理は想定されていません。
Outlook で Copilot を使用してメール メッセージを下書きする
Q7.あなたの会社は、Azure OpenAIを使用する概念実証（PoC）エージェントの導入を計画しています。
このソリューションは、小規模から開始し、需要の増加に応じて柔軟にスケールできる必要があります。
どの料金モデルを使用すべきですか。
A. Microsoft 365 Copilot
B. Batch API
C. Provisioned PTUs
D. Standard On-Demand
回答
- D. Standard On-Demand
-
PoC段階では利用量が不確定であり、小さく始めて必要に応じてスケールできる従量課金モデルが最適であるため、Standard On-Demandが正解です。
また、Standard On-Demandはトークン使用量に応じた課金で初期コストを抑えられ、需要変動に柔軟に対応できるため、検証フェーズに適しています。
Provisioned PTUsは本番環境向けの固定キャパシティモデルであり、Batch APIは非同期処理向け、Microsoft 365 Copilotは別のSaaSライセンスであるため本ケースには適しません。
Microsoft Foundry モデルの展開の種類
Q8.正しい文を完成させる解答を選択してください。
回答
- （下記画像参照）
-
高品質なグラウンディングデータは、信頼できる情報源に基づいて応答を生成するため、AIの出力の精度と信頼性を向上させる点が重要です。
また、適切なコンテキストを与えることでモデルの推測（ハルシネーション）を減らし、より一貫性のある実用的な回答を可能にします。
ただし、すべての回答の正確性を保証するものではなく、モデルの処理性能やストレージ要件を直接向上させるものではありません。
Azure OpenAI On Your Data (クラシック)
Q9.次の各記述について、正しい場合はYes、誤っている場合はNoを選択してください。
回答
- （下記画像参照）
-
テキストから画像を生成するモデルは画像生成が目的であり、翻訳は自然言語処理の領域であるため用途が異なりNoが正解です。
また、予測分析モデルは過去データから将来の傾向を予測するためのものであり、新しいコンテンツ生成は生成AIの役割であるためNoとなります。
一方で、生成AIチャットボットは自然言語での対話やレコメンドが可能であり、顧客対応の高度化に適しているためYesが正解です。
Azureが直接販売する鋳造モデル
Q10.事前学習済みの生成AIモデルとファインチューニングされた生成AIモデルの違いを正しく説明しているものはどれですか。
A. 事前学習済みモデルはラベル付きデータを必要とし、ファインチューニングモデルは必要としない。
B. 事前学習済みモデルはパラメータが少ないため、ファインチューニングモデルよりも学習が速い。
C. 事前学習済みモデルは広範なデータセットで学習され、ファインチューニングモデルはより狭い特定ドメインのデータに適応される。
D. 事前学習済みモデルは特定タスク向けに最適化され、ファインチューニングモデルは汎用用途向けである。
回答
- C. 事前学習済みモデルは広範なデータセットで学習され、ファインチューニングモデルはより狭い特定ドメインのデータに適応される。
-
事前学習済みモデルは大規模かつ多様なデータで学習され、汎用的な言語や知識のパターンを獲得する基盤モデルである点が重要です。
また、ファインチューニングはその基盤モデルに対して特定のタスクやドメインデータを追加学習させることで、より専門的で高精度な応答を可能にする手法です。
Aはデータ要件の誤り、Bは学習特性の誤解、Dは役割が逆であるため不正解です。
Azureが直接販売する鋳造モデル
