Microsoft Azure AI Fundamentals（AI-900）ドメイン⑤「生成AI」の練習問題9問です。生成AI・大規模言語モデル（LLM）・プロンプト・トークン・基盤モデル・ハルシネーション・責任ある利用・Azure OpenAI Service など頻出テーマの理解度を確認できます。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。
ご注意：AI-900（Azure AI Fundamentals）は2026年6月30日に退役し、後継のAI-901へ移行する予定です（同じ「Azure AI Fundamentals」認定の新しい試験です）。これから受験する方は、最新の試験コードと出題範囲を Microsoft Learn 公式 でご確認ください。この問題集はAI-900向けの内容です。
Q1. 「生成AI（ジェネレーティブAI）」の説明として、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とは、大量のデータから学んだパターンをもとに、文章・画像・音声・プログラムコードなどのコンテンツを新しく作り出すAIのことです。ChatGPT のように、話しかけると文章を返してくれるサービスが代表例です。
A はふだんと大きく違うデータを見つける処理、B の数値予測は、いずれも分類や予測を行う従来型のAIの説明です。D はルールベースのプログラムで、学習を行わない点が生成AIとは異なります。
Q2. 文章を生成する生成AIの中心にある「大規模言語モデル（LLM）」の説明として、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、膨大なテキストを学習し、与えられた文脈から「次にどんな言葉が来そうか」を確率的に予測しながら文章を組み立てていくモデルです。GPT などが代表例で、自然な文章生成や要約、質問応答に使われます。
B は画像向けの説明、C は検索エンジン、D は定型文の選択にすぎず、いずれも文脈から言葉を生成する LLM とは異なります。
Q3. 生成AIにおける「プロンプト」と「プロンプトエンジニアリング」の説明として、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。
プロンプトとは、生成AIに与える指示文（質問や依頼の文章）のことです。プロンプトエンジニアリングは、そのプロンプトを工夫して、より望ましい答えを引き出す取り組みを指します。料理のレシピを少し書き換えると仕上がりが変わるように、指示の書き方しだいで AI の答えの質が変わります。
A・B・C はいずれもプロンプトの意味を取り違えており、プロンプトはモデルや学習データではなく「指示文」である点がポイントです。
Q4. 大規模言語モデルで使われる「トークン」の説明として、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。
トークンとは、大規模言語モデルが文章を処理するときの基本単位で、文章を単語や単語の一部などの小さなかたまりに分割したものです。モデルはこのトークンの並びを見て次のトークンを予測します。利用料金や一度に扱える文章の長さも、このトークン数を基準に決まることが多くあります。
A はアクセス用のトークン（認証情報）という別の意味、C はスコア、D は確認作業の話で、いずれも言語モデルが扱う処理単位としてのトークンとは異なります。
Q5. GPT のような生成AIの土台になっている「基盤モデル（ファウンデーションモデル）」の説明として、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。
基盤モデル（ファウンデーションモデル）とは、大量で多様なデータを使って広く事前学習しておき、その後さまざまな下流タスクに応用できる土台となる大規模モデルのことです。1つの大きな土台を用意しておき、用途に合わせて調整して使う考え方で、生成AIの中心的な仕組みになっています。
B は用途が限定的すぎる点、C はデータベースとしている点、D は学習を行わない点で、いずれも基盤モデルの説明とは異なります。
Q6. 生成AIで問題になる「ハルシネーション」の説明として、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。
ハルシネーションとは、生成AIが事実と異なる内容を、もっともらしい文章で自信ありげに出力してしまう現象です。AI は「次に来そうな言葉」を予測して文章を作るため、知らないことでも自然な文章として作り上げてしまうことがあります。そのため、出力をそのまま信じず、人が事実を確認する責任ある使い方が大切です。
A は応答速度、B はセキュリティの問題、D は出力の固定化に関する話で、いずれも事実誤りを生む現象であるハルシネーションとは異なります。
Q7. 生成AIが事実と異なる答えをするのを減らすため、社内文書などの外部情報を参照させて回答させる手法を何と呼びますか？
回答
解説
正解は「B」です。
RAG（検索拡張生成 / Retrieval-Augmented Generation）は、生成AIが答える前に、社内文書や信頼できる資料などの外部情報を検索して参照させ、その内容にもとづいて回答を作らせる手法です。モデルが学習していない最新情報や社内固有の情報にも答えやすくなり、ハルシネーション（事実と異なる出力）を減らす効果が期待できます。
A の過学習は学習データに過度に適合する問題、C のセグメンテーションは画像の塗り分け、D の強化学習は試行錯誤で学ぶ手法で、いずれも外部情報を参照させる RAG とは異なります。
Q8. Microsoft の「Azure OpenAI Service」の説明として、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 OpenAI Serviceは、GPT などの生成AIモデルを Microsoft のクラウド「Azure」上で利用できるサービスです。Azure のセキュリティ・アクセス管理・コンプライアンス機能と組み合わせて使えるため、企業が安心して生成AIを業務に取り入れやすいのが特徴です。AI-900 では、Azure 上で生成AIを活用する代表的なサービスとして押さえておきたい概念です。
A の画像専用処理、B のストレージ、C の表計算自動化はいずれも別の用途で、Azure 上で生成AIモデルを使えるようにするサービスという説明とは異なります。
Q9. 既存の基盤モデルを、自分たちの目的のデータで追加学習して特化させる手法を何と呼びますか？
回答
解説
正解は「A」です。
ファインチューニング（微調整）とは、すでに広く学習された基盤モデルに対し、自分たちの目的に合ったデータで追加学習を行い、特定の用途に特化させる手法です。一から学習し直すより少ない手間で、自社の業務や専門分野に合った答えを出しやすくできます。基本の自転車の乗り方を覚えた人が、競技用に少し練習を足すようなイメージです。
B のハルシネーションは事実誤りの現象、C のトークン化は文章を処理単位に分割すること、D の暗号化はデータ保護の技術で、いずれも追加学習で特化させるファインチューニングとは異なります。
試験全体の流れを俯瞰したい時は、AI-900 試験全体概要 に戻れます。
学習の全体像と次に進む分野は、AI-900 学習ロードマップ で確認できます。