Azure AI ソリューションの計画と管理25–30% · 4項目

Q1. 毎日数万件の問い合わせを「請求」「配送」「その他」に分類したい。品質要件は中程度で、コストと遅延を抑えたい。最初に評価すべきモデルはどれか。

1. 小規模言語モデル（SLM）
2. 最大規模の推論特化モデル
3. 埋め込み（embedding）モデル
4. 微調整した大規模モデル

Q2. アプリから Foundry のモデルを呼び出す際の認証として最も推奨される方法はどれか。

1. サービス プリンシパルのクライアント シークレットを構成ファイルに保存する
2. 開発者の Entra ID アカウントでサインインし、そのトークンを共用する
3. API キーを Azure Key Vault に保管し、アプリ起動時に読み込んで呼び出す
4. マネージド ID を使い、RBAC で必要最小限のロールを付与する

Q1. 月末の締め処理時に、モデル呼び出しで 429 エラー（要求過多）が多発した。最初の対応として適切なものはどれか。

1. 失敗した要求を間隔を空けずに即時に再送し、成功するまで繰り返す
2. クォータとレート制限を確認し、指数バックオフ付きの再試行と容量計画を行う
3. 同じリージョンの同じリソースにデプロイを追加し、クォータの合計を増やして対応する
4. max_tokens を減らして応答を短くし、429 が出なくなるまで調整する

Q2. Foundry のプロジェクトを使うアプリの Azure インフラを設計する。本番環境の基本構成として最も適切なものはどれか。

1. マネージド ID、プライベート エンドポイント、ロール割り当て
2. Key Vault の API キー、パブリック アクセス、共同作成者ロール
3. 本番と開発で共用のリソース、キー認証、閲覧者ロール
4. サービス プリンシパルのシークレット、IP 制限、所有者ロール

Q1. 社内文書 Q&A で、回答が根拠文書から外れる傾向が出てきた。継続的に監視すべき指標として最も適切なものはどれか。

1. コンテンツフィルターの検出件数
2. トークン使用量と 1 日あたりの推論の費用
3. 根拠性（groundedness）などの品質指標
4. 応答の遅延（レイテンシ）の推移

Q2. エージェントが支払実行ツールを持つ場合のガバナンスとして最も適切なものはどれか。

1. 支払額の上限をプロンプトに記載し、超える場合は再確認させる
2. ツールの利用を制限し、実行前に人の承認を必須にする
3. システム メッセージで「高額の支払いは慎重に判断すること」と指示する
4. 支払実行ツールの結果をログに残し、月次でまとめて確認する

Q1. 有害な出力を防ぐため、モデルの入出力に対して最初に構成すべきものはどれか。

1. システム メッセージに「有害な内容を出力しない」と書く
2. temperature を下げ、出力の揺れを小さくする
3. 応答の最大トークン数を短く制限する
4. コンテンツフィルター（安全フィルター）とガードレール

Q2. 開発環境でエージェントの動作確認が終わった。本番展開の前に次に行うべきこととして最も適切なものはどれか。

1. 開発環境の API キーとエンドポイントを本番でも使う
2. 本番の利用者に先に公開し、問題は使いながら直す
3. 開発時のトレースを削除し、本番のログを空にしておく
4. テストデータで品質と安全性を評価し、基準を確認する