「画像認識のAIを自分で作らないとダメ?」
「昔のComputer Visionと同じもの?」
机に積もったレシートの束を、スマホで撮るだけで金額と日付が表になる。そんな処理を、AIモデルの自作なしで実現できます。
Azure AI Visionとは、画像に何が写っているかをAIが読み取って返すMicrosoftのサービスです。学習済みモデルが用意され、あなたは画像を送るだけで結果を受け取れます。
この記事では、画像を渡すと何が返るかを場面で追い、5つの機能を整理し、混同しやすい画像分類・物体検出・OCRを切り分け、最後にAI-900での問われ方まで示します。
1. 画像を1枚渡すと、何が返ってくるのか
Azure AI Visionの使い方は、拍子抜けするほど単純です。あなたが画像をAPI（外部から呼び出せる窓口）に送ると、その中身をAIが読み取り、テキストや数値にして返します。「画像をコンピュータで理解する技術」をコンピュータービジョンと呼び、Azure AI Visionはそれをクラウドで手軽に使えるようにしたものです。
1枚の店内写真を送れば、「棚に飲料が並んでいる」という説明文、物体の位置、書かれた文字が一度に返ります。あなたが画像認識のモデルをゼロから訓練する必要はなく、Microsoftが鍛えたモデルを必要なときだけ借りる形です。
なお、Azure AI Visionは以前はComputer Visionという名前で呼ばれていたサービスです。名称が新しくなっただけで、画像を分析するという中身は同じです。新しい資料や試験では「Azure AI Vision」という表記を使います。
2. 5つの分析機能を、目的別に整理する
Azure AI Visionには分析機能がいくつも用意されています。名前を覚えるより、「何を知りたいときに使うか」という目的とセットで押さえるほうが迷いません。代表的な機能を目的別に並べます。
| 機能 | 何を知りたいときに使うか | 返ってくるもの |
|---|---|---|
| 画像分類 | この写真は何のカテゴリか | 1つのラベル（例: 犬） |
| 物体検出 | どこに何がいくつあるか | 物体の名前＋位置の枠 |
| OCR（文字の読み取り） | 画像の中の文字を使いたい | テキストに起こした文字列 |
| 説明文生成 | 写真の内容を一言で表したい | 短い説明文 |
| 顔の検出 | 顔の位置を見つけたい | 顔のある座標 |
この中で初心者がいちばんイメージしやすいのがOCRです。看板やレシート、名刺に写った文字を、コンピュータが編集できるテキストに直す機能です。冒頭のレシート処理はまさにこれで、手で打ち直す作業がまるごと消えます。紙の情報をデータにまとめたい場面で、あなたの手間を大きく減らしてくれます。
3. 画像分類・物体検出・OCRはどう違うか
この3つは、同じ画像を渡しても返す答えの粒度が違います。混同すると道具の選択を誤ります。1枚の駐車場の写真を例に、それぞれが何を返すか並べます。
- 画像分類: 「この写真は駐車場だ」と、写真全体に1つのラベルを付ける。位置も個数も答えない
- 物体検出: 「左に車が3台、右にバイクが1台」と、何がどこにいくつあるかを枠で示す
- OCR: ナンバープレートや料金看板の文字を、そのままテキストに起こす
知りたいことが「全体が何か」なら画像分類、「どこに何が」なら物体検出、「書かれた文字」ならOCR。この対応さえ握っておけば、選択肢に3つ並んでも取り違えません。物体検出が枠で位置まで示す仕組みは 物体検出とは で、文字を読み取るOCRの中身は OCR（光学文字認識）とは でそれぞれ深掘りできます。
4. 画像を扱う業務の、どこに効くか
機能がつかめたら、次は「どんな仕事に効くか」です。Azure AI Visionは、人が目で見て処理していた作業の自動化に向きます。職場の「目で見て転記する仕事」を思い浮かべてください。
紙の申込書を撮ってOCRで文字を起こせば、手入力の時間が消えます。物体検出を使えば、棚に商品がいくつ並ぶかを写真から数えられます。共通するのは、AIの専門知識がなくても、画像を送って結果を受け取る流れさえ組めば動く点です。
ただし万能ではありません。極端に崩れた手書きや暗くぼやけた画像は、AIも取りこぼします。読み取れなかったものを人が確認する導線まで設計しておくのが、現場で破綻させない勘所です。
5. AI-900では、どの角度で問われるか
あなたがAI-900（Microsoft Azure AI Fundamentals）を受けるなら、Azure AI Visionはコンピュータービジョン領域の中心です。問われるのは細かい実装手順ではありません。
試験の定番は、「こういう画像の課題には、どの機能が向くか」を選ばせる形です。「レシートから金額を読み取りたい」ならOCR、「写真の内容を一言で説明したい」なら説明文生成、と課題と機能を結びつける力が問われます。第2章で目的別に整理したのは、この角度に効かせるためです。
もう1つ狙われやすいのが、「画像はVision、文章はLanguage」という担当の切り分けです。文章の要約や翻訳の課題にVisionを選ぶ取り違えが、引っかけとして用意されます。「見る係か、読む係か」で一拍おけば、ここで点を落とさずに済みます。
次のステップ
画像系のサービスは他にもあります。まず AI-900（Azure AI Fundamentals）の試験範囲と勉強法ガイド で出題範囲の全体像を見ておくと、その中でVisionが占める位置が見えてきます。
仕上げに AI-900 コンピュータービジョンの問題集 で、課題から機能を選ぶ設問を何問か解いておくと、知識が手を動かせる形に変わります。