AI ワークロードの種類の要点整理と想定問題

正解: C 【A（不正解）】 ？ 業務システムを作るときの部品です。 これらは一般的な業務システムの部品で、公式が挙げるエージェントの要素ではない。 【B（不正解）】 ？ 言語モデルの単位や生成の設定です。 これらはモデルの単位や設定で、エージェントを形づくる 3 要素ではない。 【C（正解）】 ？ 考える頭脳・役割の説明・外とやり取りする道具です。 公式の解説どおり、エージェントは LLM、役割を定める指示（システム プロンプト）、ツールの 3 つで成り立つ。 【D（不正解）】 ？ 個別の AI 機能の名前です。 これらはツールとして使われることはあるが、エージェントの 3 要素そのものではない。

出典: AI エージェント（モジュール「生成 AI とエージェントの概要」）

正解: B 【A（不正解）】 ？ 文章が肯定的か否定的かを判定する機能です。 文章の気持ちを判定するだけで、手順を進めて行動する仕組みではない。 【B（正解）】 ？ 知識のツールと行動のツールを使う AI の使い方です。 知識を得るツールと行動のツールを組み合わせ、調べてから発注するまでを進められる。 【C（不正解）】 ？ 画像から文字を読み取る技術です。 文字を読み取るだけで、判断して発注まで進める仕組みではない。 【D（不正解）】 ？ テキストから新しい画像を作ることです。 画像を作るワークロードで、業務の手順を進めるものではない。

出典: AI エージェント（モジュール「生成 AI とエージェントの概要」）

正解: D 【A（不正解）】 ？ 文章から主な語句を取り出す機能です。 既にある文章から語句を取り出す機能で、新しい文章を書くものではない。 【B（不正解）】 ？ 人名や地名などを見つけて分類する機能です。 文中の固有名詞を見つける機能で、文章を新しく作るものではない。 【C（不正解）】 ？ 画像の中の物体と位置を見つける機能です。 画像を分析する機能で、紹介文は書けない。 【D（正解）】 ？ LLM などを使って内容を作り出す AI の総称です。 指示に沿って新しい文章を作るのは生成 AI の典型的な使い方である。

出典: 大規模言語モデル（LLM）（モジュール「生成 AI とエージェントの概要」）

正解: A 【A（正解）】 ？ 役割の違うエージェントが協力する構成です。 公式は、専門を持つ複数のエージェントがプロンプトでやり取りして協力するマルチエージェント システムを説明している。 【B（不正解）】 ？ 1 つのモデルを追加学習させる構成です。 役割ごとに分けて協力させる考え方ではなく、問いの趣旨に合わない。 【C（不正解）】 ？ 人が都度操作する運用です。 自動化にならず、エージェントどうしが協力する構成でもない。 【D（不正解）】 ？ 検索のための下準備です。 検索の準備にはなるが、分析や実行を分担する仕組みにはならない。

出典: AI エージェント（モジュール「生成 AI とエージェントの概要」）

正解: C 【A（不正解）】 ？ テキストから声を作ることです。 向きが逆で、文字から声を作る技術である。 【B（不正解）】 ？ 画像に何が写っているかを判定することです。 画像を扱う技術で、音声は扱わない。 【C（正解）】 ？ speech to text とも呼ばれる技術です。 録音した通話を文字にするのは音声認識（音声テキスト変換）の典型的な使い方である。 【D（不正解）】 ？ 文章が何語かを判定することです。 書かれた文章の言語を判定する機能で、音声を文字にはしない。

出典: 音声テキスト変換の概要（Azure Speech）

正解: A 【A（正解）】 ？ Content Understanding などが担うワークロードです。 請求書から決まった項目を取り出すのは情報抽出で、インテリジェント ドキュメント処理の代表例である。 【B（不正解）】 ？ テキストから声を作ることです。 文字を読み上げる技術で、項目を取り出すことはできない。 【C（不正解）】 ？ テキストから新しい画像を作ることです。 画像を作る技術で、書類から値を取り出すものではない。 【D（不正解）】 ？ 文章の肯定・否定を判定することです。 気持ちを判定するだけで、金額や期日を取り出すものではない。

出典: Azure Content Understanding in Foundry Tools とは

正解: B 【A（不正解）】 ？ 文章から情報を取り出す自然言語処理です。 文章を対象とする技術で、画像の中の物は見つけられない。 【B（正解）】 ？ Azure Vision などのサービスが担う分野です。 画像から物体と位置を見つけるのはコンピューター ビジョンの代表的な使い方である。 【C（不正解）】 ？ 話し言葉をテキストに変える技術です。 音声を扱う技術で、画像の分析はしない。 【D（不正解）】 ？ 話された音声を別の言語にする技術です。 音声の翻訳で、カメラの画像は扱わない。

出典: Azure Vision in Foundry Tools とは／画像分析とは（Azure Vision）

正解: D 【A（不正解）】 ？ 長い文章を短くまとめる機能です。 内容を短くするだけで、何語かは判定しない。 【B（不正解）】 ？ 主な語句を取り出す機能です。 話題の語句を取り出すだけで、言語の判定には使わない。 【C（不正解）】 ？ 対象ごとの評価を取り出す機能です。 意見の肯定・否定を見る機能で、言語の判定はしない。 【D（正解）】 ？ Azure Language の事前構築済みのコア機能の 1 つです。 言語検出は文書ごとに主な言語と ISO 639-1 のコード、信頼度スコアなどを返す。

出典: Azure Language の言語検出とは

正解: A 【A（正解）】 ？ Azure Language の機能で、語句のリストを返します。 公式の例どおり、キー フレーズ抽出は文章の主な概念を語句のリストで返す。 【B（不正解）】 ？ 文章が何語かを判定する機能です。 返すのは言語の名前やコードで、話題の語句ではない。 【C（不正解）】 ？ 重要な文を選んで並べる要約です。 返すのは原文の文そのもので、短い語句の一覧ではない。 【D（不正解）】 ？ 個人を特定できる情報を見つける機能です。 氏名や電話番号などを見つける機能で、話題の語句を取り出すものではない。

出典: Azure Language のキー フレーズ抽出とは

正解: C 【A（不正解）】 ？ 文章の肯定・中立・否定を判定する機能です。 満足度の傾向はわかるが、何が話題かの一覧は返らない。 【B（不正解）】 ？ 文章が何語かを判定する機能です。 言語がわかるだけで、話題はつかめない。 【C（正解）】 ？ Azure Language の機能で、語句のリストを返します。 各回答から主な語句を取り出せば、よく出る話題を集計して傾向をつかめる。 【D（不正解）】 ？ テキストから声を作る機能です。 読み上げの機能で、話題の分析には使わない。

出典: Azure Language のキー フレーズ抽出とは

正解: D 【A（不正解）】 ？ 自分の画像で画像分類などを学習させるサービスです。 画像を扱うサービスで、文章からキーワードを取り出す用途ではない。 【B（不正解）】 ？ 顔を検出・照合するサービスです。 顔を扱うサービスで、文章の分析とは関係ない。 【C（不正解）】 ？ テキストや文書を翻訳するサービスです。 翻訳だけでは語句は取り出せない。手作業も増える。 【D（正解）】 ？ Foundry Models の言語モデルを使う方法です。 キー フレーズ抽出は 2029 年 3 月 31 日に Azure Language から廃止予定で、新しい開発は Foundry へ向けるよう告知されている。

出典: Azure Language のキー フレーズ抽出とは

正解: B 【A（不正解）】 ？ 主な話題の語句を取り出す機能です。 話題の語句を返すだけで、人名か地名かといった種類には分けない。 【B（正解）】 ？ NER と略される、Azure Language の事前構築済みの機能です。 固有表現認識（NER）は、決まった種類の一覧に沿って文中の実体を見つけて分類する。 【C（不正解）】 ？ 肯定・中立・否定を判定する機能です。 文章の気持ちを判定する機能で、固有名詞の分類はしない。 【D（不正解）】 ？ 文章の言語を判定する機能です。 何語かを判定する機能で、実体の分類はしない。

出典: Azure Language の固有表現認識（NER）とは

正解: D 【A（不正解）】 ？ 長い文章を短くまとめる機能です。 全体を短くするだけで、名前や場所を見つけて示すものではない。 【B（不正解）】 ？ 文章の言語を判定する機能です。 言語がわかるだけで、名前や場所は見つけない。 【C（不正解）】 ？ 文章の肯定・否定を判定する機能です。 請求者の気持ちはわかっても、名前や場所は取り出せない。 【D（正解）】 ？ NER と略される、Azure Language の機能です。 公式も、保険金請求で名前や場所を強調して審査を助ける例を挙げている。

出典: Azure Language の固有表現認識（NER）とは

正解: A 【A（正解）】 ？ 自分の用途に合わせて実体の種類を学習させる方法です。 公式の説明どおり、カスタム NER では用途に固有の実体を認識するようモデルを学習させられる。 【B（不正解）】 ？ あらかじめ決まった種類だけを使う方法です。 事前構築済みの NER は決まった種類の一覧だけを認識するため、社内の語は拾えない。 【C（不正解）】 ？ 文章の気持ちの強さで判定する方法です。 感情のスコアは実体の判定とは関係ない。 【D（不正解）】 ？ 言語の判定結果で選ぶ方法です。 言語検出は文書の言語を返すもので、語ごとの実体判定には使えない。

出典: Azure Language の固有表現認識（NER）とは

正解: B 【A（不正解）】 ？ 個人を特定できる情報を見つける機能です。 個人情報を見つけて伏せる機能で、Wikipedia へのリンクは返さない。 【B（正解）】 ？ 2028 年 9 月 1 日に廃止予定の Azure Language の機能です。 公式の例どおり、「Seattle」を識別して Wikipedia の情報へのリンクを返す。2028 年 9 月 1 日に廃止予定である。 【C（不正解）】 ？ 主な話題の語句を取り出す機能です。 語句は取り出せても、何を指すかの見分けやリンクは返さない。 【D（不正解）】 ？ 文章の言語を判定する機能です。 言語を判定する機能で、語句の指す対象は扱わない。

出典: Azure Language のエンティティ リンク設定とは

正解: C 【A（不正解）】 ？ 主な話題の語句を取り出す機能です。 話題を取り出す機能で、個人情報を伏せる処理はしない。 【B（不正解）】 ？ 長い文章を短くまとめる機能です。 短くしても個人情報が残ることがあり、伏せ字にする機能ではない。 【C（正解）】 ？ Azure Language の機能で、テキスト・会話・文書に対応します。 PII 検出はテキスト・会話・文書から機密データを見つけて分類し、伏せた結果を返せる。 【D（不正解）】 ？ 対象ごとの意見の肯定・否定を取り出す機能です。 意見を分析する機能で、個人情報の伏せ字には使わない。

出典: Azure Language の PII 検出とは

正解: B 【A（不正解）】 ？ 感情の種類を細かく分ける考え方です。 感情分析が付けるのはこうした細かな感情の種類ではない。 【B（正解）】 ？ 文章の評価の向きを表すラベルです。 公式の説明どおり、感情分析は「positive」「neutral」「negative」などのラベルを付ける。 【C（不正解）】 ？ 情報の大切さを表すラベルです。 重要度を判定する機能ではない。 【D（不正解）】 ？ 文の種類を表すラベルです。 文の種類を分ける機能ではない。

出典: Azure Language の感情分析とオピニオン マイニングとは

正解: C 【A（不正解）】 ？ 文書ごとに 1 つの点数を付ける形です。 感情分析は文と文書の両方の単位で評価し、0〜1 の信頼度スコアを返す。 【B（不正解）】 ？ 単語ごとに分ける形です。 感情分析は文単位と文書単位で評価する。 【C（正解）】 ？ 評価の単位とスコアの範囲に着目した説明です。 公式の説明どおり、文と文書の両方で評価し、肯定・中立・否定それぞれの 0〜1 の信頼度スコアを返す。 【D（不正解）】 ？ 音声の抑揚を使う考え方です。 感情分析はテキストを分析する機能で、声の高さは使わない。

出典: Azure Language の感情分析とオピニオン マイニングとは

正解: D 【A（不正解）】 ？ 口コミ全体の評価を 1 つにまとめる見方です。 全体のラベルだけでは、画面と電池のどちらが良くどちらが悪いかがわからない。 【B（不正解）】 ？ 主な話題の語句を取り出す機能です。 「画面」「電池」は取り出せても、それぞれへの評価の良し悪しは返らない。 【C（不正解）】 ？ 文章の言語を判定する機能です。 何語かがわかるだけで、評価は分析しない。 【D（正解）】 ？ 感情分析に含まれる、より詳しい分析の機能です。 オピニオン マイニングは感情分析の機能で、製品の属性などの対象ごとに意見を詳しく取り出す。

出典: Azure Language の感情分析とオピニオン マイニングとは

正解: B 【A（不正解）】 ？ 新しい短い文を作って要点をまとめる方法です。 抽象型は原文をそのまま使わず、新しい文を作る。 【B（正解）】 ？ 結果に、文ごとのランク スコアが付く方法です。 抽出型は原文の重要な文を取り出し、その位置の情報とともに返す。 【C（不正解）】 ？ 主な語句を取り出す機能です。 返すのは短い語句で、文の要約ではない。 【D（不正解）】 ？ 文章を別の言語に訳すサービスです。 翻訳のサービスで、要約はしない。

出典: 要約とは（Azure Language）

正解: A 【A（正解）】 ？ 結果に、要約に使った入力の範囲が付く方法です。 抽象型要約は、原文の文をそのまま抜き出さずに簡潔な文を生成する。 【B（不正解）】 ？ 原文の文を選んで並べる方法です。 原文の文をそのまま使うため、新しい言い回しにはならない。 【C（不正解）】 ？ 文章の言語を判定する機能です。 言語を判定するだけで、要点はまとめない。 【D（不正解）】 ？ 人名や地名を見つける機能です。 固有名詞を取り出すだけで、文章の要点はまとめない。

出典: 要約とは（Azure Language）

正解: C 【A（不正解）】 ？ 原文の重要な文を選ぶ方法です。 文は選べても、問題と解決策に分けた形にはならない。 【B（不正解）】 ？ 肯定・否定を判定する方法です。 満足度はわかっても、問題と解決策の中身はまとまらない。 【C（正解）】 ？ 会話の要約にある機能の 1 つです。 公式の説明どおり、問題と解決策の要約はコールセンター向けの機能で、顧客の問題と試した解決策をまとめる。 【D（不正解）】 ？ 人名や製品名などを見つける方法です。 製品名は取り出せても、問題と解決策の要約にはならない。

出典: 要約とは（Azure Language）

正解: D 【A（不正解）】 ？ 言語判定の信頼度のことです。 言語の判定は言語検出の役割で、ランク スコアの意味ではない。 【B（不正解）】 ？ 感情の向きの強さのことです。 感情の度合いは感情分析が返すもので、ランク スコアではない。 【C（不正解）】 ？ 文の長さを数えた値のことです。 長さではなく、主題との関係の強さを表す。 【D（正解）】 ？ 文の重要さの順位付けのことです。 公式の説明どおり、ランク スコアは文が主題にどれだけ関係するかを示し、上位の文を要約として返せる。

出典: 要約とは（Azure Language）

正解: B 【A（不正解）】 ？ 保存した大量の音声を非同期でまとめて変換する方法です。 あとでまとめて処理する方法で、話している最中の字幕には使えない。 【B（正解）】 ？ 音声ストリームを対象とする文字起こしの方法です。 公式は、ライブの字幕にはストリーミング音声のリアルタイム文字起こしを勧めている。 【C（不正解）】 ？ 録音済みのファイルを短時間で文字にする方法です。 録音済みファイル向けで、話している最中の音声を順に文字にする方法ではない。 【D（不正解）】 ？ テキストから声を作る機能です。 向きが逆で、字幕は作れない。

出典: 音声テキスト変換の概要（Azure Speech）

正解: D 【A（不正解）】 ？ その場で流れる音声を順に文字にする方法です。 通話中の支援などに向く方法で、大量の録音の一括処理には向かない。 【B（不正解）】 ？ テキストを話す人物の動画に変える機能です。 動画を作る機能で、録音の文字起こしはしない。 【C（不正解）】 ？ 発音の正確さや流暢さを評価する機能です。 語学学習などの評価に使う機能で、大量の通話の文字起こし用ではない。 【D（正解）】 ？ REST API で非同期に処理する文字起こしの方法です。 公式は通話後の品質確認やコンプライアンスの分析にバッチ文字起こしを勧めている。

出典: 音声テキスト変換の概要（Azure Speech）

正解: C 【A（不正解）】 ？ ブランド固有の読み上げ音声を作る機能です。 音声合成の機能で、聞き取りの精度は上がらない。名前が似ているので注意。 【B（不正解）】 ？ 音声合成の発音や速さを指定する言語です。 読み上げ側の設定で、音声認識の精度には関係ない。 【C（正解）】 ？ Custom Speech とも呼ばれる、音声認識側のカスタマイズです。 公式は、分野の語彙の認識を上げるために、関連する文章や音声で custom speech を学習させる方法を示している。 【D（不正解）】 ？ 話されている言語を判定する機能です。 言語を見分ける機能で、同じ言語の中の専門用語の精度は上がらない。

出典: 音声テキスト変換の概要（Azure Speech）

正解: A 【A（正解）】 ？ diarization とも呼ばれる機能です。 公式の説明どおり、話者分離は複数の話し手の発言を区別し、会議などの文字起こしに役立つ。 【B（不正解）】 ？ 話されている言語を判定する機能です。 何語かがわかるだけで、誰が話したかは区別しない。 【C（不正解）】 ？ 発音の正確さを評価する機能です。 発音の良し悪しを見る機能で、話し手の区別はしない。 【D（不正解）】 ？ 音声合成の読み上げを細かく指定する言語です。 読み上げ側の指定で、録音の話し手は区別しない。

出典: 音声テキスト変換の概要（Azure Speech）

正解: D 【A（不正解）】 ？ 話し言葉をテキストに変える技術です。 向きが逆で、音声から文字を作る技術である。 【B（不正解）】 ？ 文章が何語かを判定する技術です。 言語を判定するだけで、声は作らない。 【C（不正解）】 ？ 画像から文字を読み取る技術です。 画像の文字をテキストにする技術で、声は作らない。 【D（正解）】 ？ text to speech とも呼ばれる技術です。 テキスト読み上げ（text to speech）は音声合成とも呼ばれ、自然な合成音声を作る。

出典: テキスト読み上げの概要（Azure Speech）

正解: A 【A（正解）】 ？ XML をもとにしたマークアップ言語です。 公式の説明どおり、SSML で高さ・間・発音・速さ・音量を調整できる。 【B（不正解）】 ？ 録音の話し手を区別する機能です。 音声認識側の機能で、読み上げの調整はできない。 【C（不正解）】 ？ 音声認識の精度を上げるために学習させるモデルです。 聞き取りの精度を上げるもので、読み上げの発音や速さは変えない。 【D（不正解）】 ？ 話されている言語を判定する機能です。 言語を判定する機能で、読み上げの調整はできない。

出典: テキスト読み上げの概要（Azure Speech）

正解: C 【A（不正解）】 ？ 録音なしで声を作る考え方です。 カスタム音声には、いくつかの音声ファイルとその書き起こしが必要である。 【B（不正解）】 ？ 読み上げの指定で声を変える考え方です。 SSML は発音や速さを調整するもので、専用の声そのものは作れない。 【C（正解）】 ？ 責任ある利用のために利用者を審査する仕組みです。 公式の説明どおり、カスタム音声は制限付きアクセスで、申請して認められてから使う。 【D（不正解）】 ？ 音声認識の精度を上げるモデルです。 音声認識のための機能で、読み上げの声は作れない。

出典: テキスト読み上げの概要（Azure Speech）

正解: B 【A（不正解）】 ？ 流れてくる音声をその場で文字にする機能です。 音声認識の機能で、読み上げの音声は作れない。 【B（正解）】 ？ 結果をポーリングして受け取る API です。 公式の説明どおり、10 分を超える音声の非同期の合成にはバッチ合成 API を使う。 【C（不正解）】 ？ 録音の話し手を区別する機能です。 音声認識側の機能で、読み上げの音声は作らない。 【D（不正解）】 ？ 発音の正確さを評価する機能です。 話した音声を評価する機能で、長い読み上げの作成には使わない。

出典: テキスト読み上げの概要（Azure Speech）

正解: B 【A（不正解）】 ？ 画像の中の物体の種類と位置を返すタスクです。 位置まで返すタスクで、画像全体へのラベル付けとは区別される。 【B（正解）】 ？ Custom Vision で作れる 2 種類のモデルの 1 つです。 公式の説明どおり、画像分類は画像全体に 1 つ以上のラベルを付ける。 【C（不正解）】 ？ 画像の文字を読み取るタスクです。 文字を読み取るもので、写真の種類の判定ではない。 【D（不正解）】 ？ 画像の中の人の顔を見つけるタスクです。 顔の位置を返すもので、写真全体の種類は判定しない。

出典: Custom Vision とは

正解: C 【A（不正解）】 ？ 画像全体にラベルを付けるタスクです。 画像全体の判定で、箱ごとの位置は返さない。 【B（不正解）】 ？ 画像の文字を読み取るタスクです。 箱のラベルの文字は読めても、箱そのものの位置は返さない。 【C（正解）】 ？ Custom Vision や画像分析で使えるタスクです。 物体検出はタグ付けに加えて座標を返すため、同じ物が複数あっても区別できる。 【D（不正解）】 ？ テキストから画像を作るタスクです。 画像を作る技術で、写真の中の物は見つけない。

出典: 画像分析とは（Azure Vision）／Custom Vision とは

正解: B 【A（不正解）】 ？ 1 つの顔を多数の登録済みの顔と照合する機能です。 1 対多の照合で、多数の中から人物を探す場面に使う。2 枚の照合とは目的が違う。 【B（正解）】 ？ Face サービスの「1 対 1」の照合です。 公式は、写真付き身分証と新しい自撮りを照合する銀行アプリの例を、1 対 1 の検証として挙げている。 【C（不正解）】 ？ 画像の中の物体と位置を見つける機能です。 物体の場所はわかるが、同じ人物かどうかは判定できない。 【D（不正解）】 ？ 画像全体にラベルを付ける機能です。 写真の種類を判定するだけで、人物の照合はできない。

出典: Azure Face サービスとは

正解: A 【A（正解）】 ？ Face の機能の 1 つで、使うには申請が必要です。 公式の説明どおり、ライブネス検出は写真・動画・マスクなどによるなりすましを防ぐ。 【B（不正解）】 ？ 顔を登録済みの多数の顔と照合する機能です。 誰かを特定する機能で、本物の人かどうかは判定しない。 【C（不正解）】 ？ 画像全体にラベルを付ける機能です。 写真の種類の判定で、なりすましの検知には使わない。 【D（不正解）】 ？ 画像の文字を読み取る機能です。 文字を読み取る機能で、顔のなりすましは見抜けない。

出典: Azure Face サービスとは

正解: B 【A（不正解）】 ？ Document Intelligence に含まれる OCR です。 公式は、本や報告書などの文書にはこちらを、看板などの一般の写真には Azure Vision の OCR を勧めている。 【B（正解）】 ？ Azure Vision の画像分析 4.0 に含まれる OCR です。 公式は、看板・ポスターなどの写真には画像向けの OCR（バージョン 4.0）を勧めている。画像分析 4.0 は 2028 年 9 月 25 日に廃止予定である。 【C（不正解）】 ？ テキストから画像を作るモデルです。 画像を作る技術で、写真の文字を読み取る用途ではない。 【D（不正解）】 ？ 人の顔を見つけて照合するサービスです。 顔を扱うサービスで、看板の文字は読めない。

出典: OCR（光学式文字認識）の概要

正解: D 【A（不正解）】 ？ 画像全体にラベルを付けることです。 既にある画像を判定する技術で、新しい画像は作らない。 【B（不正解）】 ？ 画像の中の物体と位置を見つけることです。 既にある画像を分析する技術で、画像は作らない。 【C（不正解）】 ？ 画像の文字を読み取ることです。 画像から文字を取り出す技術で、画像は作らない。 【D（正解）】 ？ gpt-image 系列のモデルが担うワークロードです。 画像生成モデルは、利用者のテキストの指示（と任意の画像）から画像を作る。

出典: 画像生成モデルを使う（Microsoft Foundry）

正解: A 【A（正解）】 ？ 画像生成モデルの編集機能の一種です。 公式の説明どおり、マスクとプロンプトを使うと画像の一部だけを描き直せる。 【B（不正解）】 ？ 物体の種類と位置を見つける方法です。 空の位置を見つけることはできても、描き直しはできない。 【C（不正解）】 ？ 画像全体にラベルを付ける方法です。 写真の種類を判定するだけで、画像の編集はしない。 【D（不正解）】 ？ 画像の文字を読み取る方法です。 文字を読み取る技術で、背景は描き直せない。

出典: 画像生成モデルを使う（Microsoft Foundry）

正解: C 【A（不正解）】 ？ OpenAI の画像生成モデルの 1 つです。 DALL-E 3 は 2026 年 3 月 4 日に廃止され、新しいデプロイはできない。 【B（不正解）】 ？ 意味の近さで検索するためのモデルです。 埋め込みモデルは画像を作らない。 【C（正解）】 ？ OpenAI の画像生成モデルの系列です。 公式は、DALL-E 3 の廃止に伴い gpt-image 系列を使うよう案内している。GPT-Image-2 などは一般提供である。 【D（不正解）】 ？ テキストを自然な声にするものです。 声を作る技術で、画像は作れない。

出典: 画像生成モデルを使う（Microsoft Foundry）

正解: D 【A（不正解）】 ？ 生成を続けて注意書きを付ける動きです。 有害と判定された依頼では画像は作られない。 【B（不正解）】 ？ 画像を加工して返す動きです。 公式の説明に、ぼかした画像を返すという動きはない。 【C（不正解）】 ？ 生成の設定を変えて作り直す動きです。 画像生成の安全対策は温度の変更ではなく、モデレーションのフィルターである。 【D（正解）】 ？ API がエラー コードを返す動きです。 画像の API にはモデレーションのフィルターがあり、有害と判定すると画像を作らずにエラーを返す。

出典: 画像生成モデルを使う（Microsoft Foundry）

正解: B 【A（不正解）】 ？ テキストや文書を翻訳するサービスです。 翻訳のサービスで、音声や動画から項目を取り出すことはできない。 【B（正解）】 ？ Foundry Tools の 1 つで、アナライザーを使うサービスです。 Content Understanding は文書・画像・動画・音声を、利用者が決めた出力形式に変換する。 【C（不正解）】 ？ 顔の検出・照合を行うサービスです。 顔を扱うサービスで、文書や音声から項目は取り出せない。 【D（不正解）】 ？ 自分の画像で分類や物体検出を学習させるサービスです。 画像だけを扱うサービスで、2028 年 9 月 25 日までのサポートと告知されている。

出典: Azure Content Understanding in Foundry Tools とは

正解: C 【A（不正解）】 ？ 取り出した値の確かさを 0〜1 で示す数値です。 値の確かさはわかるが、元の書類のどこから来たかは示さない。 【B（不正解）】 ？ 文書や動画を意味のある区切りに分ける処理です。 区切りを作る処理で、値の出どころを示すものではない。 【C（正解）】 ？ Content Understanding の値に付く情報の 1 つです。 公式の説明どおり、グラウンディングで値の出どころをたどれるため、人がすぐ正しさを確かめられる。 【D（不正解）】 ？ 取り出したい項目を定義したものです。 何を取り出すかの定義で、値の出どころを示す情報ではない。

出典: Azure Content Understanding in Foundry Tools とは

正解: A 【A（正解）】 ？ 通話向けにあらかじめ用意されたアナライザーです。 公式の prebuilt-callCenter は、話者の役割つきの文字起こし・要約・感情・会社名などを返す。 【B（不正解）】 ？ 画像の分類を学習させるサービスです。 画像向けのサービスで、通話の内容は分析できない。 【C（不正解）】 ？ テキストから声を作る技術です。 読み上げの技術で、録音から情報は取り出せない。 【D（不正解）】 ？ 文章の言語を判定する機能です。 何語かはわかっても、要約や感情は得られない。

出典: Content Understanding の音声の概要

正解: D 【A（不正解）】 ？ 顔を検出・照合するサービスです。 人物ごとの照合で、話題ごとの章分けや説明の生成はできない。 【B（不正解）】 ？ 大量の音声をまとめて文字にする方法です。 文字起こしだけでは章分けと説明は自動で作られない。 【C（不正解）】 ？ 画像全体にラベルを付けるタスクです。 1 枚ずつのラベル付けで、話題のまとまりや説明は作れない。 【D（正解）】 ？ Content Understanding で enableSegment を使う処理です。 Content Understanding の動画分析は、ニュース番組を話題ごとの章に分ける例を挙げ、区切りごとの説明も生成できるとしている。

出典: Content Understanding の動画の概要

正解: B 【A（不正解）】 ？ 入力に書かれた値をそのまま取り出す方法です。 書かれた値を取り出す方法で、文書だけに対応する。決まった選択肢から選ぶ方法ではない。 【B（正解）】 ？ フィールドの method に指定できる値の 1 つです。 公式の説明どおり、通話の感情やグラフの種類などを決まった区分から選ぶには分類を使う。 【C（不正解）】 ？ 入力から自由に値を作る方法です。 要約や場面の説明のように自由な値を作る方法で、選択肢から選ぶ方法ではない。 【D（不正解）】 ？ 文書や動画を区切りに分ける処理です。 区切りを作る処理で、フィールドの値の作り方ではない。

出典: Azure Content Understanding in Foundry Tools とは