Microsoft AI-900(Azure AI Fundamentals) 1-10

機械学習では、モデルを学習させる前にデータの状態を確認し、適切な形に整える工程が非常に重要です。この工程をデータ準備（Data Preparation）と呼びます。
データ準備には、欠損値の確認・補完、外れ値の検出、データ分布の把握、正規化や標準化、カテゴリ変数のエンコードなどが含まれます。

B のモデル評価は学習後に性能を確認する工程、C のモデルデプロイは本番環境への展開、D のハイパーパラメータ調整は学習手法の設定を最適化する工程です。
Azure Machine Learning を使用してモデルをトレーニングする

Azure Machine Learning デザイナーで、1つのデータセットを「トレーニング用」と「テスト用」に分ける場合は、データの分割（Split Data）モジュールを使用します。
このモジュールでは、指定した比率（例：70% / 30%）や条件に基づいてデータを分割でき、学習と評価を適切に行うための前提を整えます。

B の列の選択は特徴量の取捨選択、C のデータの結合は複数データセットの統合、D の正規化は数値スケールの調整を行う処理です。
Split Data (データの分割) コンポーネント

画像内に含まれる特定の対象（この場合は「車」）を見つけ出し、それぞれの位置を境界ボックス（四角い枠）で示すタスクは、コンピュータビジョンにおける物体検出（Object Detection）に該当します。物体検出は、「何が写っているか」だけでなく、「どこに写っているか」も同時に特定できる点が特徴です。

一方、画像分類は画像全体に対して1つのラベルを付与するだけで位置情報は扱いません。
OCRは画像内の文字を認識する技術、感情分析は主にテキストや音声から感情を推定する処理です。
オブジェクトの検出

Azure AI Language サービスで、テキストが「肯定的」「否定的」「中立的」といった感情的なトーンを判定する機能は、感情分析（Sentiment Analysis）です。
感情分析は、文章全体や文単位で感情スコアや分類結果を返し、顧客レビュー分析やSNS投稿の評価などに広く利用されます。

一方、キーフレーズ抽出は重要語句の抽出、固有表現認識は人名や地名などの識別、言語検出は文章の言語判定を行う機能です。
感情分析とオピニオン マイニングとは

チャットボットが「こんにちは」「調子はどうですか？」といった目的を持たない日常的な挨拶や雑談に対応する機能は、チットチャット（Chit-chat）と呼ばれます。
チットチャットは、ユーザーの質問解決や業務処理ではなく、自然な会話を通じて親しみやすさや利用継続性を高めることを目的としています。

マルチターン会話は「複数ターンの対話を維持する仕組み」を指す概念であり、チットチャットを実現するための前提技術の1つです。
アクティブラーニングは学習効率を高める手法、ナレッジマイニングは文書から情報を抽出する技術です。

したがって、挨拶や雑談への対応機能そのものを指す用語としては「チットチャット」が最も適切です。
プロジェクトでおしゃべりを使用する

特定の種類の動物（例：珍しい種類の鳥）を識別するために、独自に収集した画像を使ってモデルをトレーニングしたい場合は、Azure AI Custom Visionが最適です。Custom Vision は、ユーザーが用意した画像にラベル付けを行い、カスタムの画像分類や物体検出モデルを簡単に作成できるサービスです。

A の Azure AI Vision は汎用的な画像分析（タグ付けや説明生成など）を行う既成モデルが中心で、特定対象に特化した学習はできません。
C の Azure AI Face は顔認識専用、D の Azure AI Document Intelligence は文書解析向けです。
Azure AI Custom Vision

将来の「売上金額」や「気温」のように、連続した数値を予測する機械学習の手法は回帰（Regression）です。
回帰では、入力となる特徴量と、予測したい数値（ラベル）との関係性を学習し、実数値として結果を出力します。

一方、分類は「承認／拒否」「はい／いいえ」のような離散的なカテゴリを予測する手法です。
クラスタリングは正解ラベルを持たないデータを類似性に基づいてグループ化する手法で、将来値の予測には直接用いません。
Azure Machine Learning のアルゴリズムの選択方法

「AIシステムは、障がいを持つ人を含むすべての人に力を与え、関与させるべきである」という考え方は、包括性（Inclusiveness）の原則を指します。
包括性は、年齢・性別・文化・身体的能力の違いに関係なく、誰もが利用でき、参加できるAIを設計・提供することを重視します。
アクセシビリティ（支援技術への対応、使いやすいUIなど）を確保することも含まれます。

公平性は不当な偏りを避けること、透明性は仕組みの理解可能性、アカウンタビリティは責任の所在を明確にすることが中心です。本設問の趣旨に最も合致するのは包括性です。
責任ある AI とは?

Azure OpenAI のモデルの中で、テキストから高品質な画像を生成するために使用されるのは DALL·E です。
DALL·E は、自然言語で記述されたプロンプト（例：「夕焼けの海辺を歩くロボット」）をもとに、構図やスタイルを反映した画像を生成できる画像生成モデルです。

GPT-4 は主にテキスト理解・生成を行う大規模言語モデル、Whisper は音声認識（音声→テキスト）向け、Codex はコード生成・補完に特化したモデルです。

したがって、テキストから画像を生成する用途に最も適しているのは DALL·E となります。
Azure OpenAI イメージ生成モデルを使用する方法

異常検出（Anomaly Detection）は、通常のパターンから外れた挙動や値を見つけ出すことを目的とした機械学習手法です。
代表的な用途には、不正取引の検知、設備の故障予兆検知、センサー値の異常監視などがあり、時系列データを分析して平常時と異なる変化を特定します。

Aは自然言語処理、BとDは画像分類に関する説明であり、異常検出の本質とは異なります。

したがって、データの推移をもとに異常な変化を識別するCが、異常検出に使用できる機械学習手法として正解です。
AI Anomaly Detector