Azure AI 資格（AI-102）のバックアップ(No.5) - マイクロソフト系技術情報 Wiki

[ トップ ] [ 新規 | 一覧 | 単語検索 | 最終更新 | ヘルプ ]

「マイクロソフト系技術情報 Wiki」は、「Open棟梁Project」,「OSSコンソーシアム .NET開発基盤部会」によって運営されています。

戻る
- Azure AI 資格（AI-900）
- Azure AI 資格（AI-102）

目次 †

概要 †

コース AI-102T00-A: Azure で AI ソリューションを開発する

生成 AI アプリを開発 †

https://learn.microsoft.com/ja-jp/training/paths/create-custom-copilots-ai-studio/

責任ある人工知能 (AI) の原則 †

引き続き重要：責任ある人工知能 (AI) の原則

AI 機能 †

生成AI ≒ LLM
（LLM）エージェント
画像処理、音声処理、（NLP）自然言語処理
情報抽出（OCRやDocument Intelligence、構造化出力）
意思決定支援（BI/AI、データ・アナリシス）
LLM関連キーワード：LLM、SLM、自然言語処理、マルチモーダル、エージェント、構造化出力

Available Foundry Tools †

（事前構築済みの拡張ツール群）

OpenAI
Vision、Speech、Language、Translator
AI Face、AI Custom Vision
Document Intelligence
Content Understanding
Microsoft Foundry Content Safety
AI Search

Microsoft Foundry プロジェクト †

鋳造所プロジェクト
- Microsoft Foundryのモデル、Agent Service
- Tools、評価と責任ある AI 開発のためのツール

ハブベースのプロジェクト
- 鋳造所プロジェクトを含む
- Prompt Flow、ファインチューニングなど
- Azure Storage と Azure Key Vaultを含む

開発者ツールと SDK †

開発ツールと環境
- Microsoft Foundry for VS Code 拡張機能
- GitHub と GitHub Copilot

プログラミング言語、API、SDK
- Microsoft Foundry SDK（統合的利用）
- Foundry Tools SDK（個別利用）
- Microsoft Foundry Models API
- Microsoft Foundry Agent Service

AI エージェントを開発 †

https://learn.microsoft.com/ja-jp/training/paths/develop-ai-agents-on-azure/

モデルカタログからモデルを選択する。 †

GitHub
Hugging Face
Microsoft Foundry（主要なエンタープライズ要件が満たす）

LLM系ユースケース †

音声テキスト変換とテキスト読み上げ変換
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
理由の解説

モデル選択 †

ユースケースに最適なモデルを選択

タスクの種類
- モダリティ、ツール
- 地域固有およびドメイン特化のモデル

精度/オープン性
- オープンモデルと独自モデルの間で柔軟性とパフォーマンスのバランスを取る
- 精度・パフォーマンスでモデルをフィルター処理

デプロイ
- 大規模/小規模
- パフォーマンス（必要になるリソース的な意味で）

パフォーマンスのベンチマーキング
- 精度：0/1なので主には分類問題
- 一貫性：人間の言語に近いか？
- 流暢さ：自然に聞こえるか？
- グラウンデッドネス：検証データで入出力のアラインメントを測定
- GPT類似性：検証データで出力のセマンティック類似性を定量化
- 品質インデックス：0-1 の比較集計スコア
- 費用：トークンあたりの価格

スケーリング †

プロトタイプをスケーリングする際の考慮事項

モデルのデプロイ
モデルの監視と最適化
プロンプト管理
モデルライフサイクル

デプロイオプション †

Microsoft Foundry を使用して言語モデルをエンドポイントにデプロイする

標準デプロイ: Microsoft Foundry プロジェクトリソースでホスト
サーバーレスコンピューティング: Microsoft Foundry ハブプロジェクトの Microsoft が管理する専用サーバーレスエンドポイントでホスト
マネージドコンピューティング: モデルは、Microsoft Foundry ハブプロジェクトのマネージドVMでホスト

	サポート・モデル	ホスティング	課金基準
標準	Foundry モデル	Foundry リソース	トークン
サーバーレス	Foundry モデル	Hub内のリソース	トークン
マネージド	OSS、カスタム	Hub内のリソース	コンピューティング

出力最適化 †

プロンプト・パターンを適用してモデルの出力を最適化する

（システムプロンプトで）モデルにペルソナを指示
（システムプロンプト、ユーザープロンプトで）モデルをガイド
（システムプロンプト、ユーザープロンプトで）出力形式を指定
（システムプロンプトで）モデルに理由を求める。
（ユーザープロンプトで）モデルにコンテキストを追加。

モデル最適化戦略 †

RAGとファインチューニングがある。

モデルのデプロイの一例はコチラを参考にできる。

自然言語ソリューションを開発 †

https://learn.microsoft.com/ja-jp/training/paths/develop-language-solutions-azure-ai/

基本機能 †

テキストから言語検出、感情分析、抽出（キー・フレーズ、名前付きエンティティ、エンティティリンク）

機能
- 感情分析：0-1の肯定/中立/否定の3値
- キー・フレーズ：名刺に限らない。
- エンティティ：人、場所、住所、日時、組織、URI系
- エンティティリンク：同音異義語などWikiにリンクするので違いが解る。

演習
ポータルで準備してPython（WebAPI）でテスト

Q&A †

Azure Language の質問に回答する機能（Q＆A サービス）

KBのタイプ
- タイトルとリンク
- 構造化されたテキスト
- 定義済みのチャットパターン

RAGのIndex
Azure AI Search：クエリ（質問、top(-K)、しきい値、メタデータでフィルタ）

精度向上施策
- マルチターン会話の実装（フォローアップ・プロンプトと応答を定義）
- アクティブ・ラーニング（学習し代替質問のKB追加を提案する）
- シノニム定義、

演習
ポータルで準備してPython（WebAPI）でテスト

CLU †

Azure Language の会話言語理解（CLU）モデルを構築

事前構成済みの機能（前述の①の機能）
概要、固有表現認識、PII検出、キーフレーズ抽出、感情分析、言語検出など

学習済み機能
- トレーニングとデプロイを行う必要がある。
- 会話言語理解 (CLU)、カスタム固有表現認識、カスタムテキスト分類、質問応答

エンティティ定義
- エンティティ定義（発話、意図（インテント）、種類（学習/リスト））
- 発話のパターンを定義して類似した発話の意図を区別できる。
- 1 つのエンティティにつき、最大 5 つの事前構築済みコンポーネントを使用できる。

演習はポータルで準備してPython（WebAPI）でテスト
- Azure Language リソースを作成：モデルをホストするクラウド環境を準備
- Language Studio でプロジェクト作成：NLU モデルの「器」を作る
- 発話・意図の登録：モデルに「意図分類」を学習させる
- モデルをトレーニング & デプロイ：実際に使える形にする
- エンティティ定義：発話から詳細情報（場所・曜日・日付）を抽出
- 再トレーニング & 再デプロイ：エンティティ対応後のモデルを更新

分類 †

2 種類のプロジェクト：単一ラベル分類、複数ラベル分類
分類問題のモデルの評価と改善（一般論）
APIペイロード（JSONインターフェイス）
データ（ラベル定義、タグを付け）、モデル（トレーニング、表示、改善、デプロイ最大10）、WebAPIで分類実行
WebAPIが特徴的で、分類テキストをPOSTで送信した後、operation-location応答ヘッダにGETして結果を取得

演習はポータルで準備してPython（WebAPI）でテスト

Azure リソースの準備
- Language Service の作成
- ストレージアカウントの確認（StorageV2）
- RBACの設定

学習データの準備
- サンプル記事のダウンロード
- ストレージ・アカウントへのアップロード
- コンテナ設定（匿名アクセスの一時的許可）

Language Studio プロジェクトの作成
- リソース選択
- プロジェクトタイプ（Single label classification）
- コンテナの接続
- プロジェクト基本情報の設定

データのラベル付け
- クラス（4分類）の作成
- 各記事へのラベル付与
- Training / Testing の割り当て
- ラベルの保存

モデルのトレーニング
- トレーニングジョブの作成
- 手動データ分割の利用
- トレーニング完了の確認

モデルの評価
- モデル性能の確認
- 誤分類の確認
- 改善ポイントの把握

モデルのデプロイ
- デプロイメントの作成
- デプロイ名とモデルの指定
- API利用準備

Cloud Shell でのアプリ開発
- Cloud Shell（PowerShell）の起動
- GitHub リポジトリの取得
- Python 仮想環境の構築
- .env の設定（エンドポイント・キー）
- classify-text.py の編集
- SDK を使った分類コードの追加
- プログラムの実行と結果確認

Language Studio プロジェクトの削除

NER †

https://learn.microsoft.com/ja-jp/training/modules/custom-name-entity-recognition/

カスタムの名前付きエンティティ認識 (カスタム固有表現認識)

CVソリューションを開発 †

https://learn.microsoft.com/ja-jp/training/paths/create-computer-vision-solutions-azure-ai/

AI 情報抽出ソリューションを開発 †

https://learn.microsoft.com/ja-jp/training/paths/ai-extract-information/

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。

参考 †

リンク(公式) †

Training | Microsoft Learn †

学習ガイド †

試験 AI-102: Microsoft Azure AI ソリューションの設計と実装に関する学習ガイド | Microsoft Learn
https://learn.microsoft.com/ja-jp/credentials/certifications/resources/study-guides/ai-102

製品ドキュメント系 †

ネット情報 †

https://udemy.benesse.co.jp/development/qualification/ai-102.html
- AI-102 Microsoft Azure AI Solution Complete Exam Prep 2024
  https://www.udemy.com/course/ai102-azure/?couponCode=MT251203JP
- 【AI-102 Azure AI Engineer Associate】試験対策講座
  https://www.udemy.com/course/ai-102-azure-ai-engineer-associate/?couponCode=MT251203JP

試験前 †

模擬試験 †

プラクティス評価 | Microsoft Learn

https://udemy.benesse.co.jp/development/qualification/ai-102.html
- AI-102 Microsoft Azure AI Engineer Associate Exam
  https://www.udemy.com/course/ai-102-microsoft-azure-ai-engineer-associate-exam/?couponCode=MT251203JP
- AI-102: Azure AI Engineer：模擬試験問題集 | Udemy
  https://www.udemy.com/course/ai-102-azure-ai-engineer/?couponCode=MT251203JP

AI-102 Exam - Free Actual Q&As, Page 1 | ExamTopics?
https://www.examtopics.com/exams/microsoft/ai-102/view/

申し込み †

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

Tags: :.NET開発, :構成管理ツール, :CI, :BI/AI