トップクラスMicrosoft AI-103日本語オンライン問題集で更新された[2026年09月]
AI-103日本語練習問題集で検証済みのJPNTest更新された159問題あります
質問 # 59
Agent1がstorage1に保存されている製品情報を使用するための、計画されている変更と技術要件をサポートするソリューションを提案する必要があります。
推薦状には何を含めるべきでしょうか？
- A. Azure AI検索
- B. Foundry Tools の Azure Translator
- C. Foundry Tools の Azure Document Intelligence
- D. Bing検索でグラウンディング
正解：A
解説：
The correct recommendation is Azure AI Search. The case study states that the product detail sheets are stored as PDFs in storage1, and that Agent1 must be enabled to retrieve and use detailed product information from those sheets. It also specifies that the indexing pipeline must enable semantic and vector search, and that Agent1 must answer natural language questions about product details by using the product sheet information.
Azure AI Search is the Azure service designed to ingest content from sources such as Azure Blob Storage, create searchable indexes, and support keyword, semantic, hybrid, and vector retrieval for Retrieval Augmented Generation (RAG) solutions.
Microsoft's Azure AI Search guidance states that integrated vectorization can chunk content and generate embeddings during indexing, enabling vector search over source documents. It also states that Azure AI Search supports text and vector queries and can improve raw content for search-related scenarios through enrichment pipelines. Azure Translator is unrelated to retrieval. Document Intelligence can extract document structure, but it is not the retrieval index for Agent1. Grounding with Bing Search retrieves public web content, not Contoso's private PDFs in storage1. Reference topics: Azure AI Search, RAG, semantic search, vector search, Azure Blob Storage indexing, and agent grounding.
質問 # 60
ホットスポットに関する質問
あなたはMicrosoft Foundryプロジェクトを持っています。
- 次の条件を満たすカスタマーサポートエージェントを作成する必要があります
要件：
- 厳選された社内ポリシー文書に保存されている回答のみを根拠とする
リポジトリ
- 複数のチャットセッション間で顧客の設定を保持します
エージェントはどのように設定すればよいですか？回答するには、回答欄で適切なオプションを選択してください。
注：正解ごとに1ポイントが加算されます。
正解：
解説：
Explanation:
Box 1: Configure retrieval from approved data sources
You should configure retrieval from approved data sources to meet this requirement.
In Microsoft Foundry (and broader Azure AI Foundry / Azure OpenAI architectures), grounding an agent exclusively in company policy documents requires implementing a Retrieval-Augmented Generation (RAG) pattern. This ensures the AI model only answers using the provided context and does not hallucinate or rely on its public training data.
Box 2: Enable agent memory that uses persistent storage
To retain user preferences across completely separate chat sessions or conversations, you must use persistent agent memory. Traditional chat history only tracks messages within a single active thread or session. By contrast, the Memory Store feature provides a managed, long-term memory system that structurally indexes user preferences and facts across different devices and separate sessions.
Reference:
https://techcommunity.microsoft.com/blog/azure-ai-foundry-blog/announcing-new-capabilities-for-azure-openai-on-your-data/4144636
質問 # 61
Azure OpenAIリソースを含むAzureサブスクリプションをお持ちです。
与えられた商品説明から商品名を提案するアプリを開発する必要があります。
どのモデルを使用すべきですか？
- A. 埋め込み
- B. DALL-E
- C. ささやき
- D. GPT-4
正解：D
解説：
To suggest product names from a given product description, the ideal model is GPT-4. GPT-4 is a powerful language model that can understand and generate human-like text based on given inputs, making it well-suited for tasks such as generating creative suggestions like product names from descriptions.
Whisper is used for speech-to-text conversion, not for generating text suggestions.
DALL-E is designed for generating images from text prompts, not for text generation tasks like naming products.
Embeddings are used for tasks involving similarity search and semantic understanding but not for generating new text like product names.
質問 # 62
顧客サポートWebアプリで使用されるプロンプトエージェントを含むMicrosoft Foundryプロジェクトがあります。
エージェントは、Foundryポータル内で実行されていないPythonサービスから呼び出されます。
エージェント実行全体にわたる遅延の異常や例外を捕捉するために、エンドツーエンドのトレースを実装する必要があります。
どの2つの部品を使用すればよいでしょうか？それぞれの正解は完全な解決策を示しています。
注：正解ごとに1ポイントが加算されます。
- A. OpenTelemetry
- B. Azure Monitor Agent
- C. Log Analyticsワークスペース
- D. アプリケーションのインサイト
- E. マイクロソフトセンチネル
正解：A、D
解説：
To implement end-to-end tracing for a Microsoft Foundry prompt agent invoked from an external Python service, you should use a combination of Azure Application Insights, the Azure AI Projects SDK, and OpenTelemetry.
Core Components
Azure Application Insights: This serves as the centralized telemetry store. You must connect an Application Insights resource to your Foundry project via the Tracing tab in the Foundry portal to enable ingestion.
Azure AI Projects SDK (azure-ai-projects): Used in your Python service to create an AIProjectClient, which authenticates and communicates with the Foundry agent.
OpenTelemetry Python SDK: Foundry tracing is built on the OpenTelemetry standard. You will need opentelemetry-sdk and azure-monitor-opentelemetry to instrument your external service.
Reference:
https://learn.microsoft.com/en-us/azure/foundry/observability/how-to/trace-agent-setup
質問 # 63
Azure AI Content Safety を構成して、生成アプリケーションでユーザーがアップロードした画像をモデレートするようにします。テスト中に、同僚が、ある画像が暴力の深刻度スコア 3 を返したと主張しました。
なぜこのような結果はあり得ないのか？
- A. 画像モデレーションは常にブロックまたは許可のバイナリフラグを返し、深刻度は返しません。
- B. コンテンツセーフティは画像ではなくテキストのみを審査します。
- C. 重症度3は自傷行為のカテゴリーのみに適用されます
- D. 画像コンテンツモデルは、深刻度値0、2、4、6のみを返します。
正解：D
解説：
The Azure AI Content Safety image model uses a trimmed severity scale that returns only 0, 2, 4, and 6, so an odd value such as 3 cannot occur for image content. The text model uses the full 0 to 7 scale, which is where odd-numbered severities appear.
質問 # 64
ドラッグアンドドロップ問題
社内ドキュメントに基づいたカスタマーサポートエージェントを含むMicrosoft Foundryプロジェクトがあります。
最近のアップデート後、ユーザーから以下の問題が報告されています。
- 一部の回答は、取得された文書によって裏付けられていません。
- ごく一部の回答がポリシー違反としてフラグ付けされています。
それぞれの問題を評価する必要があります。
各課題に対して、どの可観測性シグナルを使用すべきでしょうか？回答するには、適切な可観測性シグナルを正しい課題にドラッグしてください。各可観測性シグナルは、1回、複数回、または全く使用しない場合があります。コンテンツを表示するには、ペイン間のスプリットバーをドラッグするか、スクロールする必要がある場合があります。
注：正解ごとに1ポイントが加算されます。
正解：
解説：
質問 # 65
事例研究1 - コントソ社
概要
会社情報
Contoso, Ltdは、Microsoft Foundryを使用して生成型AIおよびエージェントベースのソリューションを構築、展開、管理する多国籍小売企業です。
既存の環境
アイデンティティ環境
Contosoは、エージェントが組織のリソースやサービスにアクセスできるようにするID管理、認証、認可機能にMicrosoft Entra IDを使用しています。
Contosoは最近、既存のAIソリューションを最適化および保守するために、Agent1Dev Teamという新しいAIエンジニアリングチームを結成しました。
チームは、ソリューションアーキテクト、DevOpsエンジニア、セキュリティエンジニアと協力して、AIアプリケーションの設計、実装、監視、およびセキュリティ対策を行います。
Contosoには、AIソリューションの導入前にその妥当性を検証する「Agent1Test Team」というチームも存在する。
生成環境
Contosoは、Project1とProject2という名前の2つのプロジェクトを含むMicrosoft Foundry環境を構築しています。
プロジェクト1
Project1には、顧客からの製品に関する問い合わせやトラブルシューティングの依頼に対応する、Agent1という名前のカスタマーサポートエージェントが含まれています。
Agent1には以下の設定があります。
- Agent1は基本モデルのデプロイメントを使用します。
安全性評価パイプラインは有効になっていません。
ツール呼び出し承認ワークフローは有効になっていません。
会話メモリの制約は設定されていません。
Agent1は、デジタルサポートチャネルを使用して顧客とやり取りし、Contoso製品に関する一般的な質問に回答します。
Project1は、欧州連合(EU)域内にあるAzureリージョンにデプロイされています。
Agent1開発チームは、Project1を使用してAgent1の最適化と保守を行います。
プロジェクト2
Project2には、既に展開済みの動画生成モデルが含まれています。Contoso社のマーケティング部門はProject2にアクセスでき、このモデルを用いて動画制作ソリューションを開発する予定です。
解決策の開発は未完了です。
データ環境
Contosoは、AIアプリケーションをサポートするAzureリソースに製品関連情報を保存します。
Azure環境には、Contoso製品の製品詳細シートを保存するstorage1という名前のAzure Blob Storageアカウントが含まれています。
製品仕様書には、仕様、機能説明、および製品サポート情報が記載されており、エージェント1はこれらを使用して顧客からの質問に回答できます。製品仕様書はPDF形式で保存されます。
問題提起
コントソ氏は以下の問題点を指摘している。
- Agent1はContoso製品に関する一般的な知識しか持っていません。
- Agent1との最近のチャットのやり取りについて、感情分析が行われました。分析結果はまだ処理されていません。
- Agent1は、顧客からの質問に回答する際に、storage1に保存されている製品シートの詳細な製品情報を使用しません。
コントソ社の財務部門によると、仕入先からの請求書は、契約書に定められた条件と一致していることを確認するため、手作業で精査する必要があるとのことです。請求書には表やロゴ、様々なレイアウトが含まれているため、一貫した処理が困難です。
要件
計画されている変更
コントソ氏は以下の変更を実施する予定です。
プロジェクト1向けに、仕入先請求書の視覚的なレイアウトとテキスト内容の両方を評価することで請求書を分析し、仕入先との契約条件と照合できるソリューションを実装する。
- Agent1で使用される基本モデルのデプロイメントを更新し、モデルのバージョンを標準化して、継続性と一貫した応答を確保します。
- Agent1がstorage1に保存されている製品シートから詳細な製品情報を取得して使用できるようにします。
- Agent1が顧客からの質問に回答するために使用できる製品シートのインデックス作成ソリューションを実装する。
・動画制作ソリューションの開発を完了する。
技術要件
Contoso社は、以下の技術要件を特定しました。
- Agent1で使用されるモデル展開は、拡張性が高く、高スループットの生成型AIワークロードをサポートし、予約済みのスループット容量を必要とせずに、変動する顧客サポートトラフィックを処理するために動的に拡張する必要があります。
- 製品シートは、セマンティック検索とベクトル検索を可能にするインデックス作成パイプラインを使用して処理され、Agent1が関連する製品情報を取得できるようにする必要があります。
製品シートの情報に基づいて生成される回答は、関連性があり、完全かつ正確でなければなりません。
- エージェント1は、製品シートを使用して、製品の詳細に関する自然言語の質問に答えることができなければなりません。
- エージェント1が使用するモデルのバージョンは、安定した応答を確保するために一貫している必要があります。
- モデルによって処理されるデータは、EU域内に留まらなければならない。
セキュリティおよびコンプライアンス要件
Contosoは、以下のセキュリティおよびコンプライアンス要件を特定しています。
- APIキーを使用してFoundryにデプロイされたモデルにアクセスしてはなりません。
Azureリソースへのアクセスは、最小権限の原則に従う必要があります。
Contosoの開発者は、Microsoft Entra認証を使用してMicrosoft Foundryリソースへの認証を行う必要があります。
- Project1へのアクセス権は、SC_Agent1_Devという名前のセキュリティグループを使用して、Agent1Devチームのメンバーに割り当てる必要があります。
- Project1へのアクセス権は、SC_Agent1_Testという名前のセキュリティグループを使用して、Agent1Testチームのメンバーに割り当てる必要があります。
- Agent1は、顧客データを含む文書がストレージ1の製品シートリポジトリに誤って追加された場合でも、顧客情報を決して開示してはならない。
製品仕様書には、テキストが埋め込まれた画像が含まれている場合があります。Agent1は、画像内に隠されている可能性のある悪意のある命令から保護される必要があります。
ビジネス要件
Contosoは以下のビジネス要件を特定しました。
- Agent1とやり取りするユーザーは、今後のやり取りにおいてパーソナライズされた体験を得る必要があり、そのためにはAgent1が会話の文脈を保持し、過去のやり取りから関連情報を想起できる機能が必要です。
- エージェント1は、Contosoが販売する製品に関する質問のみに回答しなければならない。
財務部門から報告された問題を解決する請求書レビューソリューションを提案する必要があります。提案には何を含めるべきでしょうか？
- A. チャット完了
- B. Foundry Tools の Azure Document Intelligence
- C. 画像解析
- D. Foundry Tools における Azure コンテンツの理解
正解：B
解説：
Scenario:
Problem Statements: Contoso identifies the following issues:
The finance department at Contoso reports that vendor invoices must be reviewed manually to ensure that the invoices match the terms defined in the vendor contracts. The invoices contain tables, logos, and varied layouts that make the documents difficult to process consistently.
The correct tool to include in your solution is Azure Document Intelligence in Foundry Tools.
Structured Data Extraction: Azure Document Intelligence is a cloud-based AI service specifically optimized for extracting structured data, key-value pairs, and text from complex documents such as vendor invoices, receipts, and contracts.
Layout and Table Handling: Invoices frequently contain unpredictable tables, complex spacing, logos, and mixed image-and-text variations. Azure Document Intelligence uses dedicated, prebuilt invoice models and layout analysis capabilities engineered to map and preserve the semantic structure of tabular data across inconsistent layouts.
Confidence Scoring for Manual Review: The service generates confidence scores for extracted fields. This allows you to automatically flag low-confidence Extractions and seamlessly route complex anomalies to human operators for manual validation against vendor contracts.
Incorrect:
[Not C]
Azure Content Understanding: While useful for multi-modal analysis and schema-based image querying, it currently lacks the specialized, highly optimized parsing engine required for complex multi-page tables. Using it for varied invoice processing often results in inconsistent line-item mapping and tabular errors compared to the robust, specialized Document Intelligence invoice models.
Reference:
https://medium.com/@meetalpa/part-9-building-an-intelligent-invoice-processing-system-with-microsoft-foundry-and-ai-agents-0cd181df4b2e
質問 # 66
トラフィック量の多いエージェントを含む Microsoft Foundry プロジェクトがあります。
最近のアップデート後、運用コストが大幅に増加しました。
監視の結果、エージェントへのユーザーアクセス量は変化していないことが確認されました。
リクエストまたはレスポンスの特性の変化が、増加の原因となっているのではないかと疑っている。
追加コストの原因が、モデルの入力サイズ、出力サイズ、またはツール使用範囲の拡大のいずれにあるかを特定する必要があります。
どの可観測性機能を使用すべきでしょうか？
- A. レイテンシー
- B. トークンの使用
- C. 実行成功率
- D. 評価指標
正解：B
解説：
To identify whether model input, model output, or expanded tool usage is driving the cost spike, you should focus on token usage.
Granular tracking of token usage breaks down the costs directly:
Input vs. Output Tokens: Tracing token usage isolates whether the user prompt (input) has grown or if the model is generating longer, more expensive responses (output).
Tool Calling: Expanded tool usage consumes extra tokens each time the agent schema processes an execution loop, which will clearly reflect as inflated token counts.
Reference:
https://www.mindstudio.ai/blog/subtraction-principle-agent-harness-optimization
質問 # 67
Microsoft Foundry プロジェクトで画像編集ワークフローを作成しています。
ワークフローは以下の要件を満たす必要があります。
- マスクを適用することで背景オブジェクトを削除できることを確認してください。
インペインティング編集に基づいています。
編集後の画像の元の照明とスタイルを維持する。
- カスタムモデルではなく、内蔵の画像編集コントロールを使用してください。
画像編集は、マスクされた領域内のみに適用されるようにする必要があります。
ワークフローはどのように設定すればよいでしょうか？
- A. 生成モードをimage_variationに設定し、元の画像を参照として提供します。
- B. プロンプトに基づいて完全な画像を再生成するには、image_to_image モードと高強度値を有効にします。
- C. テキストから画像への変換モードを有効にし、希望する背景除去方法を説明するプロンプトを表示します。
- D. mask_inpaintingを有効にし、入力画像と、画像内のどの部分を変更するかを示すマスクの両方を指定します。
正解：D
質問 # 68
ホットスポットに関する質問
あなたは画像内の物体を検出するモデルを構築しています。
訓練データに基づくモデルの性能を以下の図に示します。
図に示された情報に基づいて、各記述を完成させる選択肢をドロップダウンメニューを使用して選択してください。
注：正解ごとに1ポイントが加算されます。
正解：
解説：
Explanation:
Box 1: 0
The percentage of false positives is 0%.
Because the model made zero incorrect positive predictions, the count and percentage of false positives must be exactly zero.
Box 2: 25
The value for the number of true positives divided by the total number of true positives and false negatives is 25% (or 0.25).
High Precision (100%): Every single object your model detects is correct; it generates zero false alarms.
Low Recall (25%): Your model misses 75% of the actual objects it was supposed to find.
'
Reference:
https://medium.com/grabngoinfo/how-to-evaluate-the-performance-of-a-binary-classification-model-6e7193dcbbf9
質問 # 69
副操縦士は、会話の以前のやり取りに依存する複数の質問に答える必要があります。システムが複雑な質問をそれぞれ焦点を絞ったサブクエリに分割し、それらを並列実行し、回答を作成する前に結果を意味的に再ランク付けするようにしたい場合、Azure AI Search のどの機能がこれを提供しますか？
- A. 単一キーワードクエリにおけるトップk値の増加
- B. 高い類似度閾値を持つ単一ベクトルクエリ
- C. エージェントによる検索
- D. スコアリングプロファイルを使用したクラシックなキーワード検索
正解：C
解説：
Agentic retrieval in Azure AI Search uses a large language model to decompose a complex query into focused subqueries, runs them in parallel, semantically reranks each set of results, and merges them into a unified response, while taking conversation history into account. That is precisely the behaviour the scenario describes.
質問 # 70
ドラッグアンドドロップ問題
Azure AI Search を使用する Web アプリケーションをお持ちです。
アクティビティをレビューしたところ、予想を上回る検索クエリ数が確認されました。クエリキーが侵害された疑いがあります。
検索エンドポイントへの不正アクセスを防止し、ユーザーがドキュメントコレクションに対して読み取り専用アクセスのみを許可されるようにする必要があります。また、アプリケーションのダウンタイムを最小限に抑えるソリューションが求められます。
どの3つの行動を順番に実行すべきでしょうか？回答するには、行動リストから適切な行動を回答欄に移動させ、正しい順序に並べ替えてください。
正解：
解説：
Explanation:
Enforces Read-Only Permissions: Query keys are specifically designed to provide read-only access to the documents collection of an index. Admin keys provide full read-write administrative privileges and should never be distributed to consumer-facing applications.
Zero Downtime: Azure AI Search lets you generate up to 50 individual query keys. Creating a new one allows the app to stay online throughout the entire key rotation process Reference:
https://learn.microsoft.com/en-us/azure/search/search-security-api-keys
質問 # 71
ドラッグアンドドロップ問題
エージェントを含む Microsoft Foundry プロジェクトがあります。このエージェントはスレッドとファイルアップロードを使用し、Azure OpenAI モデルのデプロイメントを呼び出します。
負荷テスト中に、呼び出しが断続的に失敗し、HTTP 429 レート制限超過エラーが返されます。
一部のユーザーによるアップロードが失敗し、HTTP 400 ファイルサイズ超過エラーが発生します。
エラーを軽減し、呼び出しの失敗を減らす必要があります。解決策は、サービスおよびモデルの制限内に収まるものでなければなりません。
各エラーを解決するにはどうすればよいでしょうか？回答するには、適切な操作を正しいエラーにドラッグしてください。各操作は、1回、複数回、またはまったく使用しない場合があります。コンテンツを表示するには、ペイン間の分割バーをドラッグするか、スクロールする必要がある場合があります。
注：彗星の選択はそれぞれ1ポイントです。
正解：
解説：
Explanation:
Box 1: Implement exponential backoff and jitter in the retry logic
To remedy intermittent HTTP 429 rate limit errors while staying within service limits, you must implement a retry policy that uses exponential backoff and jitter.
Because the agent uses threads and file uploads, load testing triggers short-window concurrency spikes (bursting). Azure OpenAI evaluates rate limits in small slices (like 1- to 10-second windows), meaning overlapping file processing or concurrent thread steps will trigger a 429 even if your total Tokens-Per-Minute (TPM) or Requests-Per-Minute (RPM) look safe overall.
Box 2: Split content into smaller files before uploading the files.
Instead of uploading a large document in a single standard files.create request, utilize the Chunked Uploads REST API path. This splits the file payload on your client application layer before streaming it to Azure.
Note: To resolve the HTTP 400 file size exceeded error in your Microsoft Foundry agent, you need to bypass the strict payload constraints of standard single-request uploads. In Azure OpenAI and Microsoft Foundry Agent architectures, a multipart standard upload has a rigid request body limit (typically 30 MB or 50 MB.
Reference:
https://learn.microsoft.com/en-us/answers/questions/2265002/getting-error-after-deployed-a-model-in-azure-ai-f
https://learn.microsoft.com/en-us/answers/questions/5521436/getting-400-error(request-body-too-large)-for-batc
質問 # 72
お客様のカスタマーサポート担当者は、Microsoft Foundry Agent Service を使用しています。
顧客が数日後に同じサポート案件を再開するためにセッションに戻ってくる場合があり、エージェントはすべての履歴情報を引き継いで対応する必要があります。エージェントは以下の情報を提供する必要があります。
* セッション内での複数ターン連続性
* 同一事件に関する複数セッションにわたる継続性
* ユーザーメッセージ、エージェントメッセージ、ツール呼び出し、ツール出力を含む、完全なインタラクション履歴へのアクセス。エージェントが新しいターンごとに完全な履歴を自動的に再読み込みするようにする必要があります。
あなたはどうすべきでしょうか？
- A. エージェント定義でメモリ集計を有効にして、コンテキストを自動的に永続化します。
- B. 会話のIDを保存し、後続のリクエストでそのIDを指定することで、会話を作成して再利用します。
- C. クライアントアプリケーションに保存された最終モデル応答のみを保持し、その応答を今後のプロンプトの先頭に追加します。
正解：B
解説：
The correct approach is to create and reuse a conversation by storing the conversation's ID and supplying that ID on subsequent requests . In Microsoft Foundry Agent Service, conversations are durable objects with unique identifiers that can be reused across sessions. The official runtime guidance states that conversations store items, including messages, tool calls, tool outputs, and other data, and are intended for multi-turn continuity, cross-session continuity, and inspection of what happened over time. This directly satisfies the requirement to resume the same support case days later with the full historical context.
Persisting only the final model response is insufficient because it loses the full interaction chain, especially tool calls and tool outputs that may be essential to case state. Memory summarization is also not the best fit because the requirement asks for the complete history, not a compressed representation that may omit details.
Reusing the conversation ID allows Foundry to maintain the conversation server-side so the next turn can reuse prior context without the client manually rebuilding prompts. Reference topics: Foundry Agent Service runtime components, conversations, conversation items, multi-turn continuity, cross-session continuity, and tool output history.
質問 # 73
ホットスポットに関する質問
貴社は、Microsoft Foundryプロジェクト「Project1」において、顧客サポートエージェントの試験運用を行っています。
Project1は既存のApplication Insightsリソースに接続されており、同社のサポートチームは「トレース」タブで実行結果を確認します。
Foundryエージェントサービスは、以下の動作を実行するように構成されています。
- Application Insights の接続文字列を取得するには、次の関数を呼び出します。
project_client.telemetry.get_application_insights_connection_string()。
- configure_azure_monitor(connection_string=...) を呼び出して有効化します
テレメトリー。
別のLangChainサービスがOpenTelemetryを使用するように構成されており、以下の設定になっています。
- AzureAIOpenTelemetryTracer(connection_string=...,
enable_content_recording=False)
- config={"callbacks":[azure_tracer]} を使用してトレーサーを渡します。
会社の方針には以下の要件があります。
- LangChainとOpenTelemetryからのテレメトリは区別可能である必要がある
同じ Application Insights リソース内。
- プロンプトやツールに秘密情報や認証情報を保存してはいけません
引数、またはスパン属性。
以下の各記述について、正しい場合は「はい」を選択してください。そうでない場合は「いいえ」を選択してください。
注：正解ごとに1ポイントが加算されます。
正解：
解説：
質問 # 74
エージェントを含む Microsoft Foundry プロジェクトがあります。
エージェントは、Azure AI Search の Retrieval Augmented Generation (RAG) を使用します。
あなたはPDF形式の製品マニュアルを取り込んでインデックス化する計画を立てています。
意味的類似性マッチングをサポートするソリューションを構築する必要があります。このソリューションは、ユーザーからの質問が製品マニュアルとは異なる表現を使用している場合でも、エージェントが関連データを取得できるようにする必要があります。
どのインデックス作成方法を採用すべきでしょうか？
- A. 意味的ランキング
- B. 分析装置
- C. ベクトル検索
- D. サジェスター
正解：C
解説：
Vector search is the correct indexing and retrieval type to use for this solution.
Vector search versus semantic ranking
While both features help bridge the gap between different wordings, vector search is specifically designed at the indexing and retrieval layer to handle semantic similarity matching by converting text into mathematical vectors (embeddings) based on conceptual meaning. Semantic ranking is a secondary re-ranking layer applied after initial retrieval to improve precision, but it cannot function as the primary indexing method on its own.
Reference:
https://www.scribd.com/document/866453317/Agentforce-Specialist
質問 # 75
ホットスポットに関する質問
エージェントを含む Microsoft Foundry プロジェクトがあります。
エージェントは保存済みのアクセスキーを使用してAzureキーコンテナーからシークレットを取得しますが、これはキーレス認証情報の要件に違反します。
エージェントが機密情報を取得できることを保証する必要があります。解決策は最小権限の原則に従う必要があります。
何を設定すればよいですか？回答するには、回答欄で適切なオプションを選択してください。
注：正解ごとに1ポイントが加算されます。
正解：
解説：
Explanation:
Box 1: Enable a system-assigned managed identity at the project level
The correct configuration is to enable a system-assigned managed identity at the project level.
This is the correct approach. Azure AI Foundry (formerly Azure Machine Learning) allows you to enable a system-assigned managed identity directly at the project level. This identity acts as a keyless credential native to Azure. To follow the principle of least privilege, you then assign this project-level identity a specific role (such as Key Vault Secrets User) restricted only to the required Azure Key Vault. This ensures that the agent can retrieve secrets securely without exposing credentials to other projects or resources Box 2: Assign the Key Vault Secrets User role to the managed identity To comply with the keyless-credentials requirement and follow the principle of least privilege, you should configure the Key Vault authorization method to assign the Key Vault Secrets User role to the managed identity using Azure Role-Based Access Control (Azure RBAC).
Reference:
https://learn.microsoft.com/en-us/azure/foundry/agents/how-to/ai-gateway
https://learn.microsoft.com/en-us/azure/app-service/app-service-key-vault-references
質問 # 76
Project1という名前のMicrosoft Foundryプロジェクトがあり、その中に以下のものが含まれています。
* 外部APIを呼び出すOpenAPIツール
* 外部 API の API キーを格納する Connection1 という名前のプロジェクト接続 エージェントが OpenAPI ツールを呼び出すと、API は 401 認証エラーを返し、トレースでは API キー ヘッダーが送信されていないことが示されます。
OpenAPIツールが、すべてのリクエストにConnection1のAPIキーを自動的に含めるようにする必要があります。
あなたはどうすべきでしょうか？
- A. ツールをProject1のデフォルト接続を使用するように設定します。
- B. ツールを接続1に接続します。
- C. OpenAPI仕様にAPIキーヘッダーを手動で追加します。
- D. IDパススルーを有効にして、ツールが呼び出し元のMicrosoft Entraトークンを使用するようにします。
正解：B
解説：
The correct action is to connect the OpenAPI tool to Connection1 . In Microsoft Foundry Agent Service, an OpenAPI tool does not automatically use every project connection in the project. For API key authentication, the tool must be explicitly configured to use the project connection that contains the required secret.
Microsoft's OpenAPI tool guidance states that API key or token authentication requires a project connection configured with the API key or token, and the tool is then created or configured to use that connection for authentication. The documentation also notes that the agent calls the external API by using the stored API key when the OpenAPI tool is configured with the project connection.
Option A is incorrect because a project's default connection is not automatically the authentication source for a specific OpenAPI tool. Option C is incorrect because identity passthrough or managed identity only applies when the target API accepts Microsoft Entra ID tokens; this scenario uses an external API key. Option D is also incorrect as a credential value should not be manually embedded in the OpenAPI specification. The specification defines the security scheme, while the secret value is stored in the Foundry connection.
Reference topics: OpenAPI tools, project connections, API key authentication, tool authentication configuration, and agent tracing.
質問 # 77
注：このセクションには、同じシナリオと問題に関する複数の質問セットが含まれています。各質問には、問題に対する固有の解決策が提示されています。提示された解決策が、提示された目標を満たしているかどうかを判断する必要があります。セット内の複数の解決策が問題を解決できる場合もあります。また、セット内のどの解決策も問題を解決できない場合もあります。
このセクションの質問に回答すると、前のセクションに戻ることはできません。そのため、これらの質問は復習画面には表示されません。
画像のアップロードを受け付け、抽出した画像テキストを使用して応答を生成する、マルチモーダルなAI生成モデルをお持ちです。
ユーザーが安全でない画像をアップロードしたり、モデルを操作するための隠された指示を画像に埋め込んだりできることが分かります。
リスクを軽減するための対策を実施する必要があります。
解決策：画像を処理する前に、安全でないコンテンツをブロックするように画像モデレーションを設定します。
これは目標を達成していると言えるでしょうか？
- A. はい
- B. いいえ
正解：B
解説：
The solution does not fully meet the goal. Image moderation is appropriate for one part of the risk: blocking unsafe image content before the image is processed. Azure AI Content Safety provides image APIs that detect harmful content, and its harm categories and severity levels can be used to classify and block objectionable image content. This addresses unsafe photos, but it does not address hidden instructions embedded in images.
The second risk is prompt manipulation through extracted image text. After OCR extracts text from the uploaded image, that text becomes untrusted third-party content supplied to a generative model. Microsoft defines document attacks as malicious instructions embedded in third-party content, where the objective is to cause the model to execute unintended commands or alter intended behavior. Prompt Shields are the control designed to detect user prompt attacks and document attacks, including indirect attacks that come from uploaded or referenced content.
Therefore, image moderation alone is incomplete. A complete mitigation would combine image moderation for harmful visual content with Prompt Shields for document attacks, and optionally Spotlighting, so extracted or embedded text is treated as lower trust. Reference topics: Azure AI Content Safety, image moderation, Prompt Shields, document attacks, indirect prompt injection, and multimodal safety.
質問 # 78
......
最新（2026)Microsoft AI-103日本語試験問題集：https://www.jpntest.com/shiken/AI-103-JPN-mondaishu