Microsoft Azure AI Fundamentals（AI-900）の5分野を横断した総合模擬試験30問です。本番形式で実力をチェックしましょう。解けなかった問題は、各問の解説末尾のリンクから対応する解説記事に進んでください。登録不要・すべて無料でご利用いただけます。
Q1. センサーの値がいつもの傾向から大きく外れた珍しい動きを自動で見つけ出すAIワークロードとして、もっとも適切なものはどれですか？
回答
解説
正解は「C」です。
異常検知は、ふだんのデータの傾向から大きく外れた珍しい動きを自動で見つけ出すワークロードです。機械の故障の予兆や不正な取引の発見などに使われ、いつもの並びから外れた一つを見つけ出すイメージに近いです。
A のコンピュータービジョンは画像の理解、B の自然言語処理は言葉の処理、D の生成AIは新しいデータを生み出す働きであり、いずれも珍しい動きを見つけるワークロードそのものではありません。
Q2. 問い合わせメールの文章を読み取り、内容を要約したり返信を補助したりするAIワークロードとして、もっとも適切なものはどれですか？
回答
解説
正解は「A」です。
自然言語処理（NLP）は、人が使う言葉（テキストや音声）をAIが読み取り、意味を理解して扱うワークロードです。文章の要約・感情の判定・翻訳・チャットボットの応答などが含まれ、言葉でやり取りできる窓口をつくるイメージです。
B のコンピュータービジョンは画像、C の異常検知は珍しい動きの発見、D の数値予測は将来の数値の見積もりが中心で、いずれも言葉そのものを扱うワークロードとは異なります。
Q3. 責任あるAIの原則のうち、性別や人種など特定の人だけが不利にならないよう、どんな人も偏りなく扱うことを求める原則として、もっとも適切なものはどれですか？
回答
解説
正解は「D」です。
責任あるAIの公平性は、AIが人種・性別・年齢などによって特定の人を不当に有利・不利に扱わず、どんな人も偏りなく扱うことを求める原則です。学習データに含まれる偏り（バイアス）がそのまま結果に出ないよう注意することが大切です。
A の透明性は判断の根拠が分かること、B の包括性は誰もが使えること、C の説明責任は人が最終的に責任を持つことで、いずれも偏りなく扱う原則とは別の観点です。
Q4. 責任あるAIの原則のうち、AIの動作やその結果について最終的に人が責任を負い、適切に管理することを求める原則として、もっとも適切なものはどれですか？
回答
解説
正解は「B」です。
責任あるAIの説明責任（アカウンタビリティ）は、AIを設計・運用する 人や組織が、その動作と結果に最終的な責任を負う ことを求める原則です。AIに判断を丸投げせず、人が管理・統制する仕組みを保つ考え方です。
A の包括性は誰もが使えること、C の信頼性と安全性は安定して安全に動くこと、D のプライバシーとセキュリティはデータの保護で、いずれも人の責任を中心にした原則とは異なります。
Q5. 責任あるAIの原則のうち、AIが想定外の状況でも一貫して安定し、安全に動作することを求める原則として、もっとも適切なものはどれですか？
回答
解説
正解は「A」です。
責任あるAIの信頼性と安全性は、AIが 想定外の入力や状況でも一貫して安定し、安全に動作する ことを求める原則です。十分なテストを行い、危険な振る舞いをしないよう設計・検証することが大切です。
B の公平性は偏りなく扱うこと、C の透明性は判断の根拠が分かること、D の包括性は誰もが使えることで、いずれも安定・安全な動作を中心にした原則とは別の観点です。なお、責任あるAIの6原則は「公平性／信頼性と安全性／プライバシーとセキュリティ／包括性／透明性／説明責任」です。
Q6. 採用判定AIが過去データの偏りを学習し、特定の属性の応募者に不利な結果を出してしまう問題の主な原因として、もっとも適切なものはどれですか？
回答
解説
正解は「D」です。
AIは 学習データの傾向をそのまま学ぶ ため、過去のデータに性別や人種などの偏りが含まれていると、その偏りを引き継いだ不公平な結果を出してしまいます。これを AIバイアス と呼び、責任あるAIの「公平性」を脅かす代表的な問題です。偏りの少ないデータ選びや結果の点検で対策します。
A〜C はいずれもハードウェアや表示の話であり、判定の偏りそのものの原因ではありません。
Q7. 過去の気温データから明日の気温（連続した数値）を予測する機械学習の種類として、もっとも適切なものはどれですか？
回答
解説
正解は「B」です。
回帰は、入力から 連続した数値（気温・価格・売上など）を予測する教師あり学習の手法です。「いくつになるか」を見積もる問題に使われます。
A の分類は「どのグループか」を当てる手法、C のクラスタリングは似たもの同士をまとめる教師なし学習、D の次元削減はデータの特徴を圧縮する手法であり、数値そのものを予測するのは回帰です。
Q8. 受信メールを「迷惑メール」か「通常メール」かのいずれかに振り分ける機械学習の種類として、もっとも適切なものはどれですか？
回答
解説
正解は「C」です。
分類は、入力データを あらかじめ決められたグループ（ラベル）のどれかに振り分ける 教師あり学習の手法です。「迷惑メールか通常メールか」「合格か不合格か」のように、カテゴリを当てる問題に使われます。
A の回帰は数値の予測、B のクラスタリングはラベルなしで似たもの同士をまとめる手法、D の強化学習は試行錯誤で良い行動を学ぶ手法であり、決まったグループに振り分けるのは分類です。
Q9. 正解ラベルのない顧客データから、購買傾向の似た人どうしを自動的にグループ分けする機械学習の種類として、もっとも適切なものはどれですか？
回答
解説
正解は「D」です。
クラスタリングは、正解ラベルのないデータから 似た特徴を持つもの同士を自動的にグループ分けする教師なし学習の代表的な手法です。顧客のセグメント分けなどに使われます。
A の回帰と B の分類は正解ラベルを使う教師あり学習、C の物体検出は画像内の物体を見つけるコンピュータービジョンの処理であり、ラベルなしでまとめるのはクラスタリングです。
Q10. 入力データに正解（ラベル）を付けて学習させ、その対応関係をAIに学ばせる学習方法として、もっとも適切なものはどれですか？
回答
解説
正解は「B」です。
教師あり学習は、入力データに 正解（ラベル）を付けたデータセットで学習し、入力と正解の対応関係をAIに学ばせる方法です。回帰や分類はこの教師あり学習に含まれます。先生が答え合わせをしながら教えるイメージです。
A の教師なし学習はラベルを使わない、C の強化学習は試行錯誤と報酬で学ぶ、D の転移学習は既存モデルの知識を別の課題に流用する方法であり、いずれもラベル付きで対応を学ぶ方法とは異なります。
Q11. 機械学習で、予測の手がかりとしてモデルに入力する個々のデータ項目（例: 部屋数や築年数）を指す用語として、もっとも適切なものはどれですか？
回答
解説
正解は「A」です。
特徴量（features）は、予測の手がかりとしてモデルに入力する 個々のデータ項目です。住宅価格を予測するなら「部屋数」「築年数」「駅からの距離」などが特徴量にあたります。
B のラベルは予測したい正解の値、C のハイパーパラメータは学習の設定値、D のエポックは学習を繰り返す回数を表す用語であり、入力する項目そのものを指すのは特徴量です。
Q12. 機械学習モデルの性能を公平に評価するために、手元のデータを学習用と評価用に分ける主な理由として、もっとも適切なものはどれですか？
回答
解説
正解は「C」です。
データを学習用と評価用に分けるのは、学習に使っていない未知のデータでモデルの性能を測り、本番でどれだけ通用するかを公平に確かめるためです。学習に使ったデータだけで評価すると、丸暗記でも高得点に見えてしまい、実力を見誤ります。
A の時間短縮、B の容量節約、D のラベル付けの手間は、データ分割の主な目的ではありません。
Q13. 学習データには高い精度を出すのに、新しいデータでは精度が大きく下がってしまう状態を指す用語として、もっとも適切なものはどれですか？
回答
解説
正解は「B」です。
過学習（オーバーフィッティング）は、モデルが学習データに過剰に適合してしまい、学習データでは高精度なのに未知のデータでは精度が落ちる状態です。問題集の答えを丸暗記して、初見の問題に弱くなるイメージに近いです。
A の正則化と D の交差検証は過学習を抑えるための手法、C の正規化はデータの尺度をそろえる前処理であり、状態そのものを指すのは過学習です。
Q14. 機械学習モデルの作成・学習・デプロイをクラウド上で一貫して行え、複数の手法を自動で試す自動ML機能も備えるAzureのサービスとして、もっとも適切なものはどれですか？
回答
解説
正解は「C」です。
Azure Machine Learningは、機械学習モデルの 作成・学習・評価・デプロイをクラウド上で一貫して行えるサービスです。複数のアルゴリズムや設定を自動で試して良いモデルを探す 自動ML（Automated ML）機能も備えています。
A の Azure Blob Storage はファイル保存、B の Azure Virtual Network はネットワーク構成、D の Azure AI Speech は音声処理のサービスであり、機械学習の開発基盤を指すのは Azure Machine Learning です。
Q15. 1枚の画像全体が「猫」か「犬」かといったカテゴリのどれに当てはまるかを判定するコンピュータービジョンの処理として、もっとも適切なものはどれですか？
回答
解説
正解は「A」です。
画像分類は、画像全体が、あらかじめ決めたカテゴリのどれに当てはまるかを判定する処理です。1枚の写真に対して「猫」「犬」などのラベルを1つ付けるイメージです。
B の物体検出は画像内のどこに何があるかを枠で示す処理、C の光学文字認識（OCR）は画像中の文字の読み取り、D の感情分析は文章から気持ちを判定する自然言語処理であり、画像全体のカテゴリ判定は画像分類です。
Q16. 1枚の画像の中から複数の物体を見つけ、それぞれの位置を四角い枠（バウンディングボックス）で示すコンピュータービジョンの処理として、もっとも適切なものはどれですか？
回答
解説
正解は「D」です。
物体検出は、画像の中にある 複数の物体を見つけ、それぞれの位置を四角い枠（バウンディングボックス）で示し、何であるかを分類する処理です。画像分類が「画像全体に1つのラベル」を付けるのに対し、物体検出は「どこに・何が・いくつあるか」まで分かる点が違いです。
A の画像分類は位置を示さず全体のカテゴリのみ、B のOCRは文字の読み取り、C のキーフレーズ抽出は文章処理であり、位置を枠で示すのは物体検出です。
Q17. 紙の請求書や看板の写真から、書かれている文字を読み取ってテキストデータに変換する技術として、もっとも適切なものはどれですか？
回答
解説
正解は「C」です。
光学文字認識（OCR: Optical Character Recognition）は、画像の中に写った 文字を読み取り、編集可能なテキストデータに変換する技術です。請求書のデータ入力や名刺の取り込みなどに使われます。
A の物体検出は物体の位置の特定、B の顔検出は顔の位置の特定、D の翻訳は言語の変換であり、画像中の文字をテキスト化するのはOCRです。
Q18. 写真の中から人の顔がある位置を見つけ出す処理を担うコンピュータービジョンの機能として、もっとも適切なものはどれですか？
回答
解説
正解は「A」です。
顔検出は、画像や映像の中から 人の顔がある位置を見つけ出すコンピュータービジョンの機能です。Azure AI Vision の Face 機能などで提供され、顔の位置の特定や属性の推定に使われます。
B の感情分析と D のエンティティ認識は文章を扱う自然言語処理、C の音声合成は文字を音声に変える処理であり、画像から顔の位置を見つけるのは顔検出です。
Q19. 画像分類・物体検出・OCRなど、画像や映像を解析する機能をまとめて提供するAzureのサービスとして、もっとも適切なものはどれですか？
回答
解説
正解は「D」です。
Azure AI Visionは、画像や映像を解析する機能（画像分類・物体検出・OCRによる文字読み取り・顔検出など）をまとめて提供するAzureのサービスです。コンピュータービジョンの代表的なサービスにあたります。
A の Azure AI Language はテキスト分析、B の Azure OpenAI Service は生成AI、C の Azure AI Speech は音声処理のサービスであり、画像解析を担うのは Azure AI Vision です。
Q20. 画像認識で高い性能を発揮し、コンピュータービジョンの中心的な技術として広く使われるディープラーニングのモデルとして、もっとも適切なものはどれですか？
回答
解説
正解は「B」です。
畳み込みニューラルネットワーク（CNN）は、画像の局所的な特徴（輪郭や模様）を段階的にとらえることに優れたディープラーニングのモデルで、画像認識やコンピュータービジョンの中心的な技術として広く使われています。
A の決定木、C の線形回帰、D のk近傍法はいずれも古典的な機械学習の手法で、画像認識で中心的に使われる深層学習モデルとしてはCNNが代表的です。
Q21. 商品レビューの文章が肯定的か否定的かを判定する自然言語処理の機能として、もっとも適切なものはどれですか？
回答
解説
正解は「A」です。
感情分析（センチメント分析）は、文章が 肯定的・否定的・中立のどれかを判定する自然言語処理の機能です。商品レビューやSNS投稿の評判を分析する用途に使われます。
B の物体検出と C の画像分類は画像を扱うコンピュータービジョン、D の異常検知は珍しい動きの発見であり、文章の気持ちを判定するのは感情分析です。
Q22. 文章の中から人名・地名・日付・組織名などの固有の情報を見つけ出して分類する自然言語処理の機能として、もっとも適切なものはどれですか？
回答
解説
正解は「B」です。
エンティティ認識（固有表現抽出）は、文章の中から 人名・地名・日付・組織名・金額などの固有の情報を見つけ出し、種類ごとに分類する自然言語処理の機能です。文書から必要な情報を自動で拾い出す用途に使われます。
A の感情分析は気持ちの判定、C の顔検出は画像処理、D の音声合成は文字を音声に変える処理であり、文章中の固有情報を抜き出すのはエンティティ認識です。
Q23. 日本語の文章を英語の文章に変換するなど、ある言語を別の言語に変換する自然言語処理の機能として、もっとも適切なものはどれですか？
回答
解説
正解は「D」です。
翻訳は、ある言語のテキストを 別の言語のテキストに変換する自然言語処理の機能です。Azure では Azure AI Translator などで提供されます。
A の要約は文章を短くまとめる機能、B のOCRは画像中の文字の読み取り、C のクラスタリングは似たデータをまとめる機械学習の手法であり、言語を変換するのは翻訳です。
Q24. 会議の録音音声を聞き取り、話された内容を文字（テキスト）に書き起こす機能を提供するAzureのサービスとして、もっとも適切なものはどれですか？
回答
解説
正解は「C」です。
Azure AI Speechは、音声をテキストに書き起こす 音声認識（Speech to Text）や、テキストを音声に変える音声合成（Text to Speech）、音声翻訳などの機能を提供するAzureのサービスです。会議の文字起こしや読み上げに使われます。
A の Azure AI Vision は画像解析、B の Azure Machine Learning は機械学習の開発基盤、D の Azure Blob Storage はファイル保存のサービスであり、音声を扱うのは Azure AI Speech です。
Q25. 長い文章から要点となる重要な語句を自動的に取り出し、内容をつかみやすくする自然言語処理の機能として、もっとも適切なものはどれですか？
回答
解説
正解は「B」です。
キーフレーズ抽出は、文章の中から 要点となる重要な語句（キーフレーズ）を自動的に取り出す自然言語処理の機能です。大量の文書の内容をすばやくつかんだり、検索のタグを付けたりするのに役立ちます。
A の物体検出と D の画像分類は画像を扱うコンピュータービジョン、C の回帰は数値の予測であり、文章から重要語句を取り出すのはキーフレーズ抽出です。
Q26. 生成AI（生成系AI）の特徴を説明したものとして、もっとも適切なものはどれですか？
回答
解説
正解は「C」です。
生成AIは、学習した大量のデータをもとに、新しい文章・画像・音声・コードなどをその場で作り出すAIです。「こういう文章を書いて」と頼むと下書きを返してくれるように、ゼロから生み出す点が特徴です。
A の分類や B の並べ替えは既存データを判定・整理する処理で新しく生み出す働きではなく、D はネットワーク機器の説明であり、いずれも生成AIの特徴とは異なります。
Q27. 膨大な量のテキストで学習し、文章の続きを予測する形で自然な文章を生成する、生成AIの中核となるモデルとして、もっとも適切なものはどれですか？
回答
解説
正解は「A」です。
大規模言語モデル（LLM: Large Language Model）は、膨大なテキストで学習し、文章の続きを予測する形で自然な文章を生成する、生成AIの中核となるモデルです。ChatGPT などの対話AIの土台になっています。
B のリレーショナルデータベースはデータの保存・管理、C の決定木は古典的な機械学習の手法、D のロードバランサーは負荷分散の仕組みであり、いずれも文章を生成するモデルではありません。
Q28. 生成AIに対して「何をしてほしいか」を伝えるために入力する指示文を指す用語として、もっとも適切なものはどれですか？
回答
解説
正解は「D」です。
プロンプトは、生成AIに対して 「何をしてほしいか」を伝えるために入力する指示文です。指示の出し方を工夫して望む出力を引き出す取り組みをプロンプトエンジニアリングと呼びます。
A のデータセットは学習に使うデータの集まり、B のラベルは正解の値、C のアルゴリズムは処理の手順であり、AIへの指示文を指すのはプロンプトです。
Q29. GPTなどの大規模言語モデルを、Azureのセキュリティやガバナンスのもとで利用できるようにするAzureのサービスとして、もっとも適切なものはどれですか？
回答
解説
正解は「A」です。
Azure OpenAI Serviceは、GPT などの大規模言語モデルを Azure のセキュリティ・ガバナンスのもとで利用できるサービスです。企業が自社データを守りながら生成AIを業務に組み込むために使われます。
B の Azure AI Vision は画像解析、C の Azure Virtual Network はネットワーク構成、D の Azure Cost Management はコスト管理のサービスであり、生成AIモデルを提供するのは Azure OpenAI Service です。
Q30. 生成AIが、事実ではない内容をもっともらしい文章で作り出してしまう現象を指す用語として、もっとも適切なものはどれですか？
回答
解説
正解は「C」です。
ハルシネーション（幻覚）は、生成AIが 事実ではない内容を、もっともらしい文章で作り出してしまう現象です。生成AIの出力は必ずしも正確とは限らないため、重要な情報は人が裏付けを取ることが大切で、責任あるAIの観点でも注意すべきリスクです。
A のオーバーフィッティングは過学習、B のスケーリングは規模の拡大、D のクラスタリングはデータのグループ分けを指す用語であり、事実でない内容を作り出す現象はハルシネーションです。
試験全体の流れを俯瞰したい時は、AI-900（Azure AI Fundamentals）試験全体概要 に戻れます。