補足（AI-900 の位置づけ）: AI-900（Azure AI Fundamentals）は
**Fundamentals レベル（入門）**の資格で、
実装よりも「どのサービスをどの用途に選ぶか」を問われる。
上位資格は
AI-102（Azure AI Engineer Associate）
（Azure AI 資格（AI-102））で、
こちらは SDK / REST を使った実装が中心になる。
有効期限は Fundamentals には無い（更新不要）。

詳細

以下、機械学習や深層学習の知識のみで回答可能なものは省略してある。

G 系

責任ある人工知能 (AI) の原則

信頼性と安全性、プライバシーとセキュリティ、透明性、公平性、包括性、
アカウンタビリティ（説明責任）

信頼性と安全性
プライバシーとセキュリティ
透明性
ココでは、仕様や技術的な透明性を言っていて、制限事項を認識できる。
- AI ベースのソリューションの限界（制限）についての認識を高める原則
- AI ベースのソリューションの動作の説明可能性及び検証可能性を確保
公平性
- AI モデルの特徴によってもたらされるバイアスの評価と軽減が含まれる原則
- AI が公平に動作することを保証し、
  個人やグループに不当な悪影響を及ぼすような決定を回避する。
包括性
- AI ベースのソリューションの潜在的な排除障壁を理解し
  社会のすべての部分に利益をもたらす原則
- AI ベースのソリューションが一部のユーザーを除外することなく、
  全ての人に AI 技術の利点がもたらされるよう配慮
アカウンタビリティ（説明責任）
- 透明性を確保し説明責任を果たすため、技術的な説明能力を高めることを
  目的とした原則。
- AI ベースのソリューションの倫理的および法的基準を満たす
  ガバナンスと組織の原則のフレームワークを定義
- AI ベースのソリューションの設計 / 実装の情報開示から
  結果 / 決定の説明までを利害関係者に説明して納得してもらう責任

移行メモ（誤字）: 「技術的な説明能力を高めるを事を目的とした」の
助詞を修正した。

NIST AI リスク管理フレームワーク

統治（Govern）：AI システムのリスク管理を組織全体で統括し、
リスク管理の方針や手順を確立。法規制の遵守や倫理的なガイドラインの設定が含まれる。
マップ（Map）：AI システムのリスクを特定し、評価するプロセス。
リスクの特定には、AI システムの設計、開発、運用の各段階での
リスク要因を洗い出すことが含まれる。
測定（Measure）：特定されたリスクを定量的または定性的に評価し、
その影響を測定。リスクの重大性や発生可能性を評価し、優先順位を付けることができる。
管理（Manage）：評価されたリスクに対して適切な対策を講じ、
リスクを軽減または回避するためのアクションを実行。
リスクの監視や継続的な改善が含まれる。

※ 最初に「潜在的な損害を特定」する。

各種、Azure AI Service

Azure Machine Learning、Azure AI Vision、Azure AI Language、Azure OpenAI
（各節は下記）
Azure Machine Learning 以外の AI サービスは、
- Azure 上で事前構築済みで、すぐに＆ API（RESTful Web API）を通して使用できる。
- モデルの選択、トレーニング、評価などの「機械学習プロセス」が不要になる。

Azure AI Service Resource

単一サービスとマルチサービスの 2 種類がある
（マルチは、資格情報やコスト管理に優れる）。

単一サービス：個別に資格情報やコスト管理を行う場合にはコチラを選択する。
マルチサービス：複数の種類の Azure AI X サービスのリソースを
Azure AI サービスに追加した状態
1 つのキーとエンドポイントだけで複数の種類の Azure AI X サービスに
アクセスできるようにする場合、Azure サブスクリプションで作成するリソース。

移行メモ（誤字）: 「アクセスできるようにしる場合」を
「できるようにする場合」に修正した。

補足（試験でよく問われる対比）: 単一 / マルチの選択は AI-900 の
定番の設問である。要点は次のとおり。

単一サービスリソースマルチサービスリソース

キー / エンドポイントサービスごとに別 1 組を共有

課金サービスごとに分離できるまとめて 1 つ

無料レベル (F0) サービスごとに使える使えないことが多い

「コストをサービス単位で把握したい → 単一」
「複数サービスを 1 つのキーで簡単に使いたい → マルチ」と
覚えると迷わない。

	単一サービスリソース	マルチサービスリソース
キー / エンドポイント	サービスごとに別	1 組を共有
課金	サービスごとに分離できる	まとめて 1 つ
無料レベル (F0)	サービスごとに使える	使えないことが多い

Service Studio Interface

Service Studio Interface を使用し、AI Service Resource を「関連付け」る。
- CLI や SDK が提供され裏で WebAPI にアクセスする。
- 認証には、ポータルでの認証や、API キーを使用する（その他、OAuth などもある）。
演習目次
- Studio の操作
- Resource を Studio に関連付ける
- Studio で機能を試してみる
- キーとエンドポイントを確認する

機械学習：Azure Machine Learning

Machine Learning Studio

Machine Learning Studio にアクセスするには、ワークスペースを作成する。
モデル準備
- 既に存在するトレーニング済みのモデルを選択
- 若しくは、新しくトレーニングされたモデルを作成
デザイナを使用して新しいモデルをトレーニングするには、
- 最初に、パイプラインを作成する。
- 次いで、データセット（リソース）を作成する。
- 最後に、トレーニングのジョブを作成する。
デプロイ
- 推論パイプラインを作成する。
- デプロイ先（コンテナーインスタンスや AKS クラスター）を作成する。

変換モジュール

見つからないデータのクリーンアップ：データ準備の一部。
データセット内の列の選択：データセットから目的の列のサブセットを選択
データの正規化：データセット内の数値列の値を共通のスケールに変更

Computer Vision：Azure AI Vision

Computer Vision 機能を提供
- 画像分析：分類、イメージのタグ付け、画像キャプション、画像分析 API
- 光学式文字認識 (OCR)：OCR、Read API、OCR API
- ビデオ分析
- Face サービス：顔検出、顔認識、Face API
- 空間分析：Azure AI Vision Spatial Analysis → Video Indexer
Microsoft の責任ある AI 標準をサポートするために、制限付きアクセスポリシーがある。
参考
- https://learn.microsoft.com/ja-jp/azure/ai-services/computer-vision/

画像分析

機能：
- 分類
- 検出
  - 画像キャプション
  - 画像記述タスクでタグ付け（タグ＋信頼度スコア）
- 画像分析 API
ドメイン固有モデル
- celebrities：著名人の認識
  （people_ カテゴリに分類された画像についてサポート）
- landmarks：ランドマークの認識
  （outdoor_ または building_ カテゴリに分類された画像についてサポート）

移行メモ（括弧の対応）: ドメイン固有モデルの 2 項目は
閉じ括弧が欠けていたため補った。

OCR

Read API を呼び出すと、次の階層に配置された結果が返される

ページ - ページサイズと向きに関する情報を含む、テキストの各ページ。
行 - ページ上のテキスト行。
単語 - 境界ボックスの座標とテキストそのものを含む、テキストの行内の単語。

Face サービス

アプリケーション：
- SNS
- 広告
- 行方不明者
- ID 検証
- セキュリティ
- インテリジェントな監視
機能：顔認識（識別・検証）、顔検出、Face API
- 顔認識
  - 識別：1 対多照合
  - 検証：1 対 1 照合（Face ID）
- 顔検出
  - Face Landmarks：顔パーツの位置
  - Face Rectangle：顔の向きの検出、年齢、感情、顔上パーツ、
    アクセサリ（ヒゲ・眼鏡）属性を抽出
画像ファイル
- 形式 - JPEG、PNG、GIF、BMP
- サイズ - 6 MB、36 x 36 - 4096 x 4096 px

補足（顔認識は制限付きアクセス）: 「制限付きアクセスポリシー」に
該当する代表が Face サービスで、顔の識別・検証は申請して
承認された用途でのみ使用できる（2022 年から）。
加えて、年齢・性別・感情などの推定機能は提供が停止された。
顔「検出」（矩形やランドマーク）と、
なりすまし対策の Liveness 検出は引き続き利用できる。

Custom Vision

独自の画像モデルを構築してデプロイ

自然言語処理：Azure AI Language/Speech/Translator

自然言語処理（NLP：Natural Language Processing）
ユースケース
- 音声テキスト
- テキスト読上
- 機械翻訳
- テキスト分類
- エンティティ抽出
- テキストの要約
- 質問の回答
トークン化（文・単語）のステップ
- 正規化（句読点を削除しすべての単語を小文字に変更）
- ストップワード（前置詞、冠詞など）の削除
- n-gram（単語を単語グループとして扱う）
- ステミングと見出し語化（基本形統一）
- ベクトル化（頻度：TF-IDF、埋込：Word2Vec）
参考

Azure AI Language

テキスト分析
- エンティティ認識
  - 固有表現認識、名前付きエンティティ認識：タイプ、サブ・タイプ
  - エンティティリンク：Wikipedia へのリンク
- キー・フレーズ識別：非構造化テキストから主要な概念を一覧。
- 個人を特定できる情報 (PII) の検出
- 言語検出：en、ja などの言語コードを返す。
- 感情分析とオピニオンマイニング：コンテキストを与える。
- テキスト要約：最も重要な情報を識別してテキストを要約。
質問応答機能
- チャット、メール、SNS-PF
- Language Studio で質疑応答を使用
- FAQ のインポートが可能
- QnA Maker：テキストの一節に対してクエリを実行して応答を取得
- カスタム質問応答：コンテンツソースから抽出された質問と回答のペアを抽出
- 近年は LLM + RAG が主流になってきているが、コチラの機能のエンジンは不明。

補足（QnA Maker は終了した）: QnA Maker は
2025 年 3 月に提供終了し、後継は Azure AI Language の
**カスタム質問応答（Custom Question Answering）**である。
元ページが「エンジンは不明」としているが、こちらは
**LLM ではなく、Azure AI Search による検索＋
意味的なランキング（Transformer ベース）**で動いている。
生成 AI で回答文を作る RAG とは異なり、
登録済みの回答をそのまま返す方式である点が本質的な違いになる。

会話言語理解 (CLU)
- 意図を使用することで、音声コマンドの実行、チャットボットなどに利用する。
- 人間が発した言葉を 3 つの主要な概念に整理、
  あらかじめ登録しておいたキー（意図）に紐づける。
  - 発話：話した内容
  - エンティティ：項目
  - 意図：目的または目標
- 学習（Authoring）
- 予測
  - カスタムの質問応答で会話言語理解を使用できる。

補足（CLU は LUIS の後継）: 会話言語理解（CLU）は
Azure LUISの後継で、
LUIS は 2025 年 10 月に提供終了している。
「発話（utterance）/ エンティティ / 意図（intent）」という
3 概念の構成は LUIS から引き継がれており、AI-900 の頻出項目である。

Azure AI Speech

音声認識
- 言語識別
- 話者認識
- 発音評価
- 会話の文字起こし（音声アシスタント（ディクテーション））
音声合成
- テキスト読み上げ（音声アシスタント（音声インターフェイス））
リアルタイム翻訳

移行メモ（括弧の対応）: 「ディクテーション」「音声インターフェイス」の
2 行は閉じ括弧が欠けていたため補った。

Azure AI Translator

正確で完全な翻訳を生成する、ニューラル機械翻訳 (NMT)
機能
- テキスト翻訳
- ドキュメント翻訳：元のドキュメント構造を維持しながら翻訳
- カスタム翻訳：カスタマイズされた NMT システムを構築
音声翻訳は Azure AI Speech（経由？）

補足（音声翻訳の担当）: 音声翻訳は Azure AI Speech の
Speech Translation 機能が担当する（Translator ではない）。
内部的には音声認識 → 機械翻訳 → 音声合成を繋いでいるが、
API としては Speech 側に一本化されている。
試験では「音声を別言語の音声にする → Speech」
「文書を翻訳する → Translator」と切り分ければよい。

ドキュメント系：Azure AI Document Intelligence/Search

ナレッジ化して活用するみたいな。
参考
- https://learn.microsoft.com/ja-jp/azure/ai-services/document-intelligence/
- https://learn.microsoft.com/ja-jp/azure/search/

Azure AI Document Intelligence

スキャンしたドキュメントからのデータ収集を管理および高速化する
ソリューションをビルド
アプリケーションとワークフローでのドキュメント処理の自動化、戦略強化、
検索機能強化
機能
- ドキュメント分析：テキスト、レイアウト、キーと値のペアを抽出
- 事前構築済みモデル：一般的なドキュメント
  （≒ 公知のドキュメント（名刺、証書、請求書、領収書など））
  - 身分証明書モデル：パスポート、運転免許証、ID カード、居住許可証
  - 健康保険証モデル
  - 結婚証明書モデル
  - 米国税モデル
  - 米国住宅ローンモデル
  - 請求書モデル：請求書、発注書
  - 領収書モデル：レシートや手書きの領収書
  - クレカ・モデル、名刺モデルなど
- カスタムモデル：既存のモデルには含まれない特定のフィールドを
  識別するようにトレーニング
- Document Intelligence Studio や、その他のプログラミング言語で使用およびテスト

補足（Document Intelligence は旧 Form Recognizer）: 本サービスは
Form Recognizer から改称されたもので、
学習モジュールの URL（analyze-receipts-form-recognizer）に旧名が残っている。
なお、Read（OCR）機能は Azure AI Vision 側にもあり、
**「文字を読むだけ → Vision の OCR」
「帳票の項目を構造化して取り出す → Document Intelligence」**と
使い分ける。

Azure AI Search

インデックスを作成するためのツールを備えた
プライベートなエンタープライズ検索ソリューション
インデックスは、内部のみならずインターネット公開アセットのコンテンツも検索可能
機能
- エンリッチメント（AI スキルセット）
  - フィールド名：場所、キーフレーズ、感情、画像タグ、画像キャプション
  - ストアに保存：画像、文書、ページ、キーフレーズ、エンティティ、
    画像の詳細、画像参照
- インデクサーによるインデクシング：
  - 入力は JSON
  - AI スキルセットを指定しないとフルテキスト検索のみサポートされる。
- ユーザによる検索：
  - 単純なクエリ構文
  - Lucene 検索構文

Azure OpenAI Service

生成 AI 系
- 自然言語の生成
- コード生成
- 画像の生成
モデル
- 言語系は Transformer 系 LLM の GPT 系
  - 安全システム層には、危害の軽減に役立つプラットフォームレベルの
    構成と機能（コンテンツフィルターなどの）が含まれる。
  - 生成 AI モデルの応答の制約とスタイルを識別するために
    システムメッセージ（システムプロンプト）が使用できる。
- 画像系は Diffusion 系
  - DALL-E
  - 画像系の生成 AI の画像生成の 3 つの機能
    ・新しい画像の作成
    ・画像のバリエーションを作成
    ・画像の編集
参考
- https://learn.microsoft.com/ja-jp/azure/ai-services/

Copilot

生成 AI のフロントエンド・アプリケーションで
主に言語系のプロンプト・エンジニアリングを行う。
様々な O365 アプリにアドオンされ
様々な O365 アプリデータをプロンプト・エンジニアリングで活用できる。

Studio

2 つある。

Copilot Studio：ローコード（プロンプト・エンジニアリング、プロンプトフロー、
LLM エージェント・システム、O365 連携）
Azure AI Studio：... 今後は、Azure AI Foundry と呼ばれるらしい。
- Azure AI 関連サービスを 1 つの統合開発環境にまとめた Web ポータル
- プロジェクトは、すべての AI プロジェクトに対して一元化されたハブを提供する。
  - モデルカタログとプロンプトフローの開発機能。
  - Azure OpenAI サービスの生成 AI モデルデプロイ、テスト、
    カスタムデータ統合機能。
  - 音声、視覚、言語、ドキュメントインテリジェンス、
    コンテンツの安全性のための Azure AI サービスとの統合。
- 詳細を制御（学習（追加学習、ファイン・チューニング）、
  プロンプト・エンジニアリング、プロンプトフロー）
  - インタラクティブな GUI が用意されているが、
    コードを書く柔軟性は Notebook ほど高くない。
  - よりカスタマイズされた処理が必要な場合、
    Azure Machine Learningの
    Notebook インターフェイスを使用。

補足（改称は完了した）: 「今後は Azure AI Foundry と呼ばれるらしい」と
あるが、改称は 2024 年 11 月に実施済みである
（Azure AI Studio → Azure AI Foundry）。
Azure OpenAI Serviceのページの手順にも
「Azure AI Foundry ポータル」として登場する。

言語モデルのカタログ
- 概要
  - 機能（タスク）
  - 事前トレーニングデータ
  - 制限と偏り
  - 言語サポート
- 評価
  モデルベンチマークとも言う。
  - 一貫性（出力のみ）
  - 流暢性（出力のみ）
  - 精度（一致度合い）
  - GPTSimilarity（内積）
  - 現実性（入出力の「合致」度合い）
  - 関連性（入出力の「関連」度合い）
- 課金
  デプロイ先のインフラとエンドポイントのトークンに対して課金。
  - SaaS 系：トークンのみ（Azure OpenAI など）
  - FaaS 系：インフラとトークン
  - IaaS 系：インフラのみ
最適化
- プロンプト・エンジニアリング
  - ユーザーメッセージ
    ・明確な指示
    ・書式の指定
    ・合図
  - システムメッセージ
    ・ワンショットまたはフューショット
    ・思考の連鎖
    ・コンテキスト
  - ファイン・チューニング（下記参照）
  - RAG（グラウンディング）
    （LLMのRAG）
  - 組合？

移行メモ（リンク切れ）: 「ファイン・チューニング」の項目は
元ページでリンク先が空のリンクになっていたため、
本ページ下部の「ファイン・チューニング」節への参照に置き換えた。

RAG
- Indexing and Searching
  - 上記「Azure AI Search」を活用
  - 一般的な話は
    LlamaIndex が
    参考になる。
- サポートされている Index の種類
  - キーワード検索
  - セマンティック検索
  - ベクトル検索
  - ハイブリッド検索（キーワード＋ベクトル）
ファイン・チューニング
- ユーザによるファイン・チューニングは口調程度のチューニングしか
  できないとされる（故に、グラウンディングでは、RAG が主流となっている）。
- ユースケースとしては、以下が考えられる
  - 業界タブーを学習させるなど
    （例：XBOX サポートによる「XBOX とプレステのどちらが優れているか？」と
    言う質問への回答）。
  - 業界ノウハウ、店舗の強みを学習させる
    （例：ソリューション営業による顧客ニーズに対するサービス提案）。
プロンプトフロー
- 入力 / ノード / 出力があり、
  データフロー・オーケストレーション・ツールの LLM 版の様な仕様
- サイクルには、初期化 / 実験 / 評価と調整 / 運用がある。
- 再設計、修正後は「実験」にもどり、「運用」の前に「評価と調整」を行う。
- ノードの分類
  - ツール：LLM / Python / プロンプトがある。
  - 種類：標準フロー / チャットフロー / 評価フローがある。
- ノードの具体例：...
- 特殊なノード
  - 外部（サービスや Python 環境）への接続：Azure OpenAI、OpenAI、
    Cognitive Search、Serp、Custom
  - 評価フローに分類される、プロンプトフローバリアントと
    評価メトリック監視オプション

責任ある生成 AI ソリューションを稼働させる

潜在的な害を特定する
- 潜在的な害を特定する
- 特定された害を優先度付けする
- 優先度付けした害をテストして検証する
- 検証済みの害を文書化して共有する
潜在的な危害を測定する
- 各潜在的な危害を引き起こす可能性のある入力プロンプトの多様な選択肢を準備。
- プロンプトをシステムに送信し、生成された出力を取得
- 出力に含まれる潜在的な危害のレベルに従って出力を分類
潜在的な危害を軽減する
- 小規模モデル、ファイン・チューニング
- メタプロンプトおよびグラウンディングで無害化
- ユーザーエクスペリエンス（バリデーション、サニタイジングみたいな）
生成 AI ソリューションの運用
- リリース前レビューを完了
- ソリューションをリリースして運用
- Azure AI Content Safety を利用

補足（4 段階の順序が問われる）: 「特定 → 測定 → 軽減 → 運用」の
4 段階（Identify / Measure / Mitigate / Operate）は
AI-900 でも AI-102 でも順序を問う設問が出る。
「まず何をするか」と問われたら 潜在的な害の特定が答えになる
（本文の「※ 最初に『潜在的な損害を特定』する」と対応する）。
また、軽減の 4 層（モデル / 安全システム / メタプロンプトとグラウンディング /
ユーザーエクスペリエンス）という整理も併せて押さえておくとよい。

その他

組み合わせ

言語系
- OCR サービス
- 音声サービス
- 翻訳サービス
論点・エンティティ特定：キーフレーズ抽出、固有表現認識

Azure AI Bot Service

ソフトウェアエージェントが会話に参加できるようにする、会話型 AI 用のプラットフォーム

Azure AI Contents Safety

アプリケーションおよびサービス内の有害なユーザー生成コンテンツや
AI 生成コンテンツを検出する AI サービス

参考

リンク（公式）

Training | Microsoft Learn

学習ガイド

試験 AI-900: Microsoft Azure AI の基礎の学習ガイド | Microsoft Learn
https://learn.microsoft.com/ja-jp/credentials/certifications/resources/study-guides/ai-900

製品ドキュメント系

Azure AI サービス → Azure AI Studio、Azure OpenAI、Content Safety、Speech、
Vision、Azure Machine Learning、Vision Studio、Language Studio、Speech Studio、
Azure AI 翻訳

【第1層：統合ハブ】
 └─ Azure AI Studio
       ├─ Azure OpenAI（LLM）
       ├─ Speech（音声）
       ├─ Vision（画像）
       ├─ Azure AI 翻訳（翻訳）
       ├─ Content Safety（安全性）
       └─ Azure Machine Learning（ML基盤）

【第2層：AI サービス（API/モデル）】
 ├─ Azure OpenAI
 ├─ Speech
 ├─ Vision
 ├─ Azure AI 翻訳
 ├─ Content Safety
 └─ Azure Machine Learning

【第3層：スタジオ系（GUIツール）】
 ├─ Vision Studio（Vision 用）
 ├─ Language Studio（Language/翻訳 用）
 └─ Speech Studio（Speech 用）

ネット情報

https://www.softbank.jp/biz/blog/cloud-technology/articles/202408/azure-ai900/

Qiita

https://qiita.com/yuuuka/items/9bde5829294ec801970b

Zenn

試験前

模擬試験

プラクティス評価 | Microsoft Learn
試験サンドボックス（デモを体験する）
Microsoft 認定資格試験受験者規則同意書 - AA-001
https://go.microsoft.com/fwlink/?linkid=2226877
Microsoft AI 900 Free Certification Exam | ExamTopics
https://www.examtopics.com/exams/microsoft/ai-900/
Microsoft AI-900 Real Exam Questions and Answers FREE - ITExams.com
https://www.itexams.com/info/AI-900
Free AI-900 Exam braindumps download (AI-900 exam dumps Free)
https://free-braindumps.com/microsoft/free-ai-900-braindumps.html

補足（braindump サイトの扱い）: 上記のうち「dumps / braindumps」を
掲げるサイトは、実際の試験問題を流出させたものを扱っている場合がある。
これは Microsoft 認定資格試験の受験者規約（NDA）違反にあたり、
発覚すると資格の取消や受験禁止の対象になる。
対策には、公式の「プラクティス評価」と
上記の学習ガイド・Learn のモジュールを使うのが安全である。
（GitHub Foundations模擬試験でも
同じ注意を記載している。）

申し込み

https://learn.microsoft.com/ja-jp/credentials/certifications/azure-ai-fundamentals/?practice-assessment-type=certification

本 Wiki 内

Tags: .NET開発, 構成管理ツール, CI, BI/AI

MS_AzureAI900 - NetDevInfraWGinOSSConsortium/NetDevInfraWiki GitHub Wiki

Azure AI 資格（AI-900）

概要

AI の概要

AI の基本的な概念

機械学習の基礎

Azure AI サービスの基礎

Computer Vision

コンピューター ビジョンの基礎

顔認識の基礎

光学式文字認識の基礎

自然言語処理

言語サービスを使用したテキスト分析の基礎

言語サービスを使った質問応答の基礎

会話言語理解の基礎

Azure AI 音声の基礎

言語翻訳の基礎

ドキュメント インテリジェンスとナレッジ マイニング

Azure AI Document Intelligence の基礎

ナレッジ マイニングと Azure AI Search の基礎

生成 AI

生成 AI の基礎

Azure AI Studio の概要

AI Studio での責任ある生成 AI

詳細

G 系