最新的Microsoft Developing AI Apps and Agents on Azure (AI-103日本語版) - AI-103日本語免費考試真題
問題1
Agent1のモデル展開を技術要件を満たすように構成する必要があります。
何を設定すればよいですか？回答するには、回答欄で適切なオプションを選択してください。
注：正解ごとに1ポイントが加算されます。
Agent1のモデル展開を技術要件を満たすように構成する必要があります。
何を設定すればよいですか？回答するには、回答欄で適切なオプションを選択してください。
注：正解ごとに1ポイントが加算されます。
正確答案:
Explanation:
Deployment type: Standard
Version update policy: Once the current version expires
The correct deployment type is Standard . The case study specifies that Project1 is deployed in an EU Azure region and that model-processed data must remain within the EU. It also requires scalable, high-throughput generative AI workloads that dynamically handle variable customer support traffic without reserved throughput capacity. In Microsoft Foundry Models, Standard is a pay-per-token deployment type that processes data in a single Azure region, while Global Standard can process requests across regions and Global Provisioned uses reserved provisioned throughput. Microsoft's deployment-type guidance identifies Standard as single-region, pay-per-token, whereas Global Provisioned is cross-region with reserved capacity.
The correct version update policy is Once the current version expires . This keeps Agent1 on the selected model version during its supported lifecycle, which supports stable and consistent responses, but still preserves continuity by automatically moving to a supported replacement when the current version is retired.
Microsoft's model versioning guidance states that this policy updates only when the current model version expires, while upgrading when a new default is available changes the deployment sooner and opting out can cause the deployment to stop working after retirement. Reference topics: deployment types, regional data processing, model versioning, throughput capacity, and stable production deployments.
問題2
注：このセクションには、同じシナリオと問題に関する複数の質問セットが含まれています。各質問には、問題に対する固有の解決策が提示されています。提示された解決策が、提示された目標を満たしているかどうかを判断する必要があります。セット内の複数の解決策が問題を解決できる場合もあります。また、セット内のどの解決策も問題を解決できない場合もあります。
このセクションの質問に回答すると、前のセクションに戻ることはできません。そのため、これらの質問は復習画面には表示されません。
エージェントを含む Microsoft Foundry プロジェクトがあります。このエージェントは、取得したポリシー文書から概要を生成します。
ユーザーからは、取得したコンテンツに規定の規制条項が含まれている場合でも、一部の回答では必要な規制条項が省略されているとの報告がある。
回答の完全性を改善する必要があります。
解決策：温度パラメータの値を増やします。
これは目標を達成していると言えるでしょうか？
注：このセクションには、同じシナリオと問題に関する複数の質問セットが含まれています。各質問には、問題に対する固有の解決策が提示されています。提示された解決策が、提示された目標を満たしているかどうかを判断する必要があります。セット内の複数の解決策が問題を解決できる場合もあります。また、セット内のどの解決策も問題を解決できない場合もあります。
このセクションの質問に回答すると、前のセクションに戻ることはできません。そのため、これらの質問は復習画面には表示されません。
エージェントを含む Microsoft Foundry プロジェクトがあります。このエージェントは、取得したポリシー文書から概要を生成します。
ユーザーからは、取得したコンテンツに規定の規制条項が含まれている場合でも、一部の回答では必要な規制条項が省略されているとの報告がある。
回答の完全性を改善する必要があります。
解決策：温度パラメータの値を増やします。
これは目標を達成していると言えるでしょうか？
正確答案: A
說明：（僅 PDFExamDumps 成員可見）
問題3
PaymentAgent という名前のエージェントを含む Microsoft Foundry プロジェクトがあります。
PaymentAgentには、外部APIを使用して顧客への払い戻しを行う機能ツールが含まれています。
YAML形式でワークフローを作成しています。
ワークフローが人間の承認のために一時停止し、承認が得られた後にのみ返金処理に進むようにする必要があります。
ワークフロー定義はどのように完成させるべきですか？回答するには、回答欄で適切なオプションを選択してください。
注：正解ごとに1ポイントが加算されます。
PaymentAgent という名前のエージェントを含む Microsoft Foundry プロジェクトがあります。
PaymentAgentには、外部APIを使用して顧客への払い戻しを行う機能ツールが含まれています。
YAML形式でワークフローを作成しています。
ワークフローが人間の承認のために一時停止し、承認が得られた後にのみ返金処理に進むようにする必要があります。
ワークフロー定義はどのように完成させるべきですか？回答するには、回答欄で適切なオプションを選択してください。
注：正解ごとに1ポイントが加算されます。
正確答案:
Explanation:
type: ask_question
condition: approval == " approved "
The approval step must use type: ask_question because the workflow must pause and wait for a human response before the refund execution proceeds. Microsoft Foundry workflows support human-in-the-loop patterns where the workflow asks the user a question and awaits input before continuing; this pattern is explicitly intended for approval requests and clarifying questions. The workflow guidance also identifies workflows as declarative sequences that orchestrate agents and business logic, including branching logic and human-in-the-loop steps.
The refund execution step must use condition: approval == " approved " so that the second invocation of PaymentAgent runs only when the approval response matches the required approval value. Using true would always execute the refund, bypassing the approval control. Using propose_refund.output != null would only confirm that the first agent step produced output; it would not prove that a human approved the refund.
data_transformation is also incorrect for the approval node because it sets or parses values rather than pausing for user input. Reference topics: Microsoft Foundry workflows, human-in-the-loop workflow pattern, YAML workflow editing, agent orchestration, conditional execution, and workflow approval gates.
問題4
Agent1がstorage1に保存されている製品情報を使用するための、計画されている変更と技術要件をサポートするソリューションを提案する必要があります。
推薦状には何を含めるべきでしょうか？
Agent1がstorage1に保存されている製品情報を使用するための、計画されている変更と技術要件をサポートするソリューションを提案する必要があります。
推薦状には何を含めるべきでしょうか？
正確答案: C
問題5
エージェントを含む Microsoft Foundry プロジェクトがあります。
エージェントは、Azure Blob Storageに保存されているドキュメントから構築された知識ソースを使用します。これらのドキュメントには、複数ページの表を含むデジタルスキャンされたPDFファイルが含まれます。
プレーンテキストのみを抽出する取り込みジョブを使用しているため、テーブル構造、見出し、ページ番号などのメタデータが失われます。
ユーザーからは、複数のページにわたる特定の表の行を取得する必要があるという質問が頻繁に寄せられます。
スキャンされたPDFに対して光学文字認識(OCR)を実行し、表と見出しを構造を考慮したチャンクとして保持し、各チャンクにページ番号メタデータを保存する、検索拡張生成(RAG)パイプライン用の取り込みジョブを設定する必要があります。
データ取り込みジョブはどのように設定すればよいですか？
エージェントを含む Microsoft Foundry プロジェクトがあります。
エージェントは、Azure Blob Storageに保存されているドキュメントから構築された知識ソースを使用します。これらのドキュメントには、複数ページの表を含むデジタルスキャンされたPDFファイルが含まれます。
プレーンテキストのみを抽出する取り込みジョブを使用しているため、テーブル構造、見出し、ページ番号などのメタデータが失われます。
ユーザーからは、複数のページにわたる特定の表の行を取得する必要があるという質問が頻繁に寄せられます。
スキャンされたPDFに対して光学文字認識(OCR)を実行し、表と見出しを構造を考慮したチャンクとして保持し、各チャンクにページ番号メタデータを保存する、検索拡張生成(RAG)パイプライン用の取り込みジョブを設定する必要があります。
データ取り込みジョブはどのように設定すればよいですか？
正確答案: B
說明：（僅 PDFExamDumps 成員可見）
問題6
あなたは、Microsoft Foundryのマルチモーダルモデル展開を使用するApp1という名前のアプリを持っています。
App1はアップロードされた画像に対して光学文字認識(OCR)を実行し、OCRの出力結果をプロンプトに追加情報として表示します。
アップロードされた画像の中には、テキストが埋め込まれているものがあります。
モデルが潜在的に悪意のある命令を処理しないようにする必要があります。
何を使うべきでしょうか？
あなたは、Microsoft Foundryのマルチモーダルモデル展開を使用するApp1という名前のアプリを持っています。
App1はアップロードされた画像に対して光学文字認識(OCR)を実行し、OCRの出力結果をプロンプトに追加情報として表示します。
アップロードされた画像の中には、テキストが埋め込まれているものがあります。
モデルが潜在的に悪意のある命令を処理しないようにする必要があります。
何を使うべきでしょうか？
正確答案: B
說明：（僅 PDFExamDumps 成員可見）
問題7
デプロイ済みのチャットモデルを含むMicrosoft Foundryプロジェクトがあります。
Pythonサービスがあり、そこからモデルにAPIリクエストが送信されます。このサービスは、生成された出力を承認済みの応答パターンと比較する自動検証システムと統合されています。
関係者によると、わずかな文言の違いが検証結果の不一致を引き起こしているとのことだ。
出力の安定性を向上させるには、リクエストパラメータを更新する必要があります。解決策は推論の質を最大限に高めるものでなければなりません。
Pythonコードをどのように完成させるべきですか？回答するには、回答欄で適切なオプションを選択してください。
注：正解ごとに1ポイントが加算されます。
デプロイ済みのチャットモデルを含むMicrosoft Foundryプロジェクトがあります。
Pythonサービスがあり、そこからモデルにAPIリクエストが送信されます。このサービスは、生成された出力を承認済みの応答パターンと比較する自動検証システムと統合されています。
関係者によると、わずかな文言の違いが検証結果の不一致を引き起こしているとのことだ。
出力の安定性を向上させるには、リクエストパラメータを更新する必要があります。解決策は推論の質を最大限に高めるものでなければなりません。
Pythonコードをどのように完成させるべきですか？回答するには、回答欄で適切なオプションを選択してください。
注：正解ごとに1ポイントが加算されます。
正確答案:
Explanation:
temperature = 0
output_config = { " effort " : " high " }
The correct configuration is temperature = 0 and output_config = { " effort " : " high " }. The requirement is to reduce small wording variations that are breaking automated validation. In chat completion requests, temperature controls sampling randomness. Microsoft's Azure OpenAI reference states that temperature ranges between 0 and 2, and that higher values make output more random while lower values make output more focused and deterministic. Therefore, the most stable setting from the available choices is 0, because it minimizes randomness and improves repeatability for validation-sensitive response patterns.
The solution must also maximize reasoning quality. The code already enables thinking with thinking={ " type
" : " enabled " }, so the remaining reasoning-quality control is the effort setting. Microsoft Foundry model guidance states that the effort parameter controls the quality/cost tradeoff and supports low, medium, and high effort levels. Selecting " high " maximizes reasoning quality among the available options.
Using temperature values of 1 or 2 would increase variability and make validation mismatches more likely.
Selecting low or medium effort would not meet the requirement to maximize reasoning quality. Reference topics: Microsoft Foundry model inference, chat model parameters, temperature, thinking, effort, and output stability.