AIAI Agent Dev Labaiagentdev-lab.com
3分適性診断 →
トップ›無料資格学習›AI-103

無料資格学習 · AI-103

AI-103Azure AI アプリ＆エージェント開発者

Microsoft Certified: Azure AI Apps and Agents Developer Associate

Associate試験提供中難易度：中級（Python によるアプリ開発経験が前提）学習時間：60〜80時間（目安・当サイト推定）

Microsoft Foundry を使い、生成 AI・エージェント・画像・テキスト・文書抽出の機能を業務アプリに組み込む開発者。

スキル概要は 2026-04-16 時点版（公式スタディガイド記載）。

公式情報（2026-10-03 確認）

資格名（公式）
Microsoft Certified: Azure AI Apps and Agents Developer Associate
試験
Exam AI-103: Developing AI Apps and Agents on Azure
レベル
Associate／Intermediate（公式表記）
想定ロール
AI Engineer / Developer（公式表記）
試験時間
120分（公式ページ記載）
合格基準
スケールスコア700以上（公式スタディガイド記載）
提供言語
英語・日本語ほか（公式ページ記載）
前提条件
必須の前提資格なし（公式ページに記載なし）。Python でのアプリ開発経験と、生成 AI・Azure サービスへの理解が想定されている。

出題分野と比率（公式）

比率は公式スタディガイド記載の範囲です。問題数：独自問題バンク 298問（うち複数選択 17問・並べ替え 10問・微差問題 110問・ケーススタディ 5件 19問）。模擬試験は 50問・75分（当サイト独自の設定）。

学習：分野別の要点

01

Azure AI ソリューションの計画と管理

Plan and manage an Azure AI solution

25–30%

学習目標

  • タスクに応じて LLM・小規模言語モデル・マルチモーダルモデル・Foundry Tools を選べる
  • マネージド ID・プライベートネットワーク・キーレス認証・RBAC でセキュリティを構成できる
  • クォータ・レート制限・コストを管理し、品質と安全性を監視できる
  • ガードレール・評価・トレース・承認フローで責任ある AI を実装できる

要点

  • モデル選択は「品質・遅延・コスト」のバランス。大量の定型分類なら小規模言語モデル、複雑な推論は大規模モデル、画像を含むならマルチモーダル。
  • 認証はキーレスが原則：アプリにはマネージド ID を割り当て、RBAC で必要最小限のロールを付与する。API キーをコードやリポジトリに置かない。
  • ネットワークはプライベートエンドポイント等で閉域化し、公開範囲を絞る。
  • 429（レート制限）対策はクォータ確認・指数バックオフ付き再試行・容量計画。コストはトークン量とデプロイ形態で決まる。
  • 監視対象はモデル性能だけでなく、根拠性（grounding）の品質、安全性イベント、検索インデックスの健全性まで含める。
  • 責任ある AI：コンテンツフィルター・ガードレール、評価、トレースと出所メタデータ、承認ワークフロー、ツールアクセス制御をセットで設計する。

業務での使いどころ

  • 営業提案書ドラフト生成は大規模モデル、問い合わせ分類は小規模モデル、と用途別にモデルを分けてコストを抑える。
  • 総務社内規程 Q&A アプリをマネージド ID と閉域ネットワークで構成し、API キーの管理負担と漏えいリスクをなくす。
  • 経理支払関連ツールはエージェントから直接実行させず、承認ワークフローを経由。トレースで「誰が何を根拠に承認したか」を残す。

公式の評価項目（英語）

  • Choose the appropriate Foundry services for generative AI and agents
  • Set up AI solutions in Foundry
  • Manage, monitor, and secure AI systems
  • Implement responsible AI across generative AI and agentic systems

公式の学習リソース

この分野の練習問題（85問）へ →

02

生成 AI とエージェントソリューションの実装

Implement generative AI and agentic solutions

30–35%

学習目標

  • RAG とツール連携を含む生成アプリを Foundry SDK で実装できる
  • 役割・目標・ツールスキーマ・会話管理を定義したエージェントを構築できる
  • マルチエージェントと承認付きの半自律ワークフローを設計できる
  • 生成パラメーター調整・トレース・トークン分析で運用を最適化できる

要点

  • RAG は「検索で根拠を集め、モデルに渡して回答させる」仕組み。モデルを再学習せずに社内情報を反映できる。
  • エージェントのツールは名前・説明・パラメーターの型を明確に定義する。説明が曖昧だと誤ったツールが呼ばれる。
  • 会話の継続には会話履歴（スレッド）の管理が必要。何を記憶し何を捨てるかを決める。
  • マルチエージェントは役割を分け、オーケストレーターが調整する。全部を1つのエージェントに詰め込まない。
  • 発注・送金など影響の大きい操作は、自律実行させず承認フローを必須にする。
  • 評価は品質（関連性・根拠性）と安全性の両面。捏造（根拠のない回答）を検出する評価を組み込む。
  • 一貫性が重要な業務では temperature 等を下げる。観測性はトレース・トークン分析・遅延の内訳で確保する。

業務での使いどころ

  • 営業顧客ごとの過去商談メモを RAG で参照し、次回訪問の論点を下書き。最終提案は担当者が確認。
  • 総務備品発注エージェント：在庫確認ツールと発注ツールを分け、発注は承認後にのみ実行。
  • 経理請求書照合をマルチエージェント化（抽出担当・照合担当・例外報告担当）し、差異は人が判断。

公式の評価項目（英語）

  • Build generative applications by using Foundry
  • Build agents by using Foundry
  • Optimize and operationalize generative AI systems

公式の学習リソース

この分野の練習問題（99問）へ →

03

コンピュータービジョンソリューションの実装

Implement computer vision solutions

10–15%

学習目標

  • テキストと参照画像からの画像・動画生成と編集（インペインティング等）を実装できる
  • マルチモーダルモデルと Content Understanding で画像・動画を解析できる
  • 画像内テキストによる間接プロンプトインジェクションなど、マルチモーダル特有のリスクに対処できる

要点

  • 画像生成はテキストプロンプトに加えて参照画像を使える。一部だけ直すならマスクを指定するインペインティング。
  • 画像の内容に基づく質問応答・キャプション・代替テキスト（alt-text）生成はマルチモーダルモデルの得意分野。代替テキストはアクセシビリティ要件に沿わせる。
  • Content Understanding は画像・動画から構造化された特徴を取り出す用途に使う。動画は区間（セグメント）単位で処理する。
  • 画像に埋め込まれた文字が指示として解釈される「間接プロンプトインジェクション」に注意。画像由来のテキストは指示として扱わない設計にする。
  • 生成物には透かし付与・禁止表現の検出・ブランド規定の適用などのポリシーを掛ける。

業務での使いどころ

  • 営業商品画像からカタログ用の説明文と代替テキストを生成し、担当者が表現を確認して掲載。
  • 総務社内掲示物の画像生成にブランドガイドラインと透かしを適用。
  • 経理領収書画像を読み取る際、画像内の文字列を指示として実行しない設計にしてインジェクションを防ぐ。

公式の評価項目（英語）

  • Design and implement image- and video-generation solutions
  • Design and implement multimodal understanding workflows
  • Implement responsible AI for multimodal content

公式の学習リソース

この分野の練習問題（38問）へ →

04

テキスト分析ソリューションの実装

Implement text analysis solutions

10–15%

学習目標

  • 生成プロンプトと Foundry Tools でエンティティ・要約・構造化 JSON を抽出できる
  • 感情・トーン・機微情報の検出、翻訳を実装できる
  • 音声認識・音声合成・音声翻訳をエージェントに組み込める

要点

  • 抽出結果は後工程で使うため、JSON などの構造化出力をスキーマで指定する。
  • 感情・トーン・安全性・機微情報（個人情報など）の検出は、問い合わせ振り分けや情報管理に直結する。
  • 翻訳は Azure Translator と LLM による翻訳を用途で使い分ける。用語の統一が必要なら辞書・用語集の仕組みも検討する。
  • 業界用語や社内用語の認識率が低い場合はカスタム音声モデルで改善する。
  • 音声はエージェントの入出力モダリティの一つ。音声→テキスト→推論→音声の流れで設計する。

業務での使いどころ

  • 営業商談録音を文字起こしし、要点・次回アクション・競合名を JSON で抽出して CRM 下書きに反映。
  • 総務社内問い合わせから個人情報を検出し、マスキングしてから記録。
  • 経理海外取引先の英文請求条件を翻訳し、勘定科目などの用語を社内辞書で統一。

公式の評価項目（英語）

  • Apply language model text analysis
  • Implement speech solutions

公式の学習リソース

この分野の練習問題（38問）へ →

05

情報抽出ソリューションの実装

Implement information extraction solutions

10–15%

学習目標

  • 文書・画像・音声・動画を取り込みインデックス化できる
  • セマンティック検索・ハイブリッド検索・ベクター検索を構成できる
  • OCR・レイアウト分析・フィールド抽出で文書から構造化データを取り出せる

要点

  • ハイブリッド検索はキーワード検索とベクター検索の組み合わせ。型番や固有名詞と、言い換えの両方に強い。
  • セマンティックランキングは検索結果を意味的に並べ替え、上位の関連性を高める。
  • スキャン PDF は OCR を含む取り込みフローが必要。表や見出しの構造はレイアウト分析で保つ。
  • エンリッチメント（スキル）でテキスト・画像・レイアウトの情報を付加してから索引化する。
  • Content Understanding で Markdown 等の構造化出力を作ると、RAG やエージェントの後工程で扱いやすい。
  • 検索パイプラインはエージェントのツールとして直接接続できる。

業務での使いどころ

  • 営業過去の提案書・見積書をハイブリッド検索で横断し、型番指定でも曖昧な質問でも探せるようにする。
  • 総務紙の規程集を OCR とレイアウト分析で取り込み、章立てを保ったまま Q&A の根拠にする。
  • 経理請求書から取引先・金額・支払期日をフィールド抽出し、照合エージェントへ渡す。

公式の評価項目（英語）

  • Build retrieval and grounding pipelines
  • Extract content from documents

公式の学習リソース

この分野の練習問題（38問）へ →

出典（公式・2026-10-03 確認）

本ページの事実情報（資格名・試験番号・分野・比率・前提条件等）は上記の公開ページに基づきます。内容は変更される場合があります。