AI-103：Developing AI Apps and Agents on Azure Azure AI ソリューションの計画と管理 問1
Azure AI ソリューションの計画と管理／生成AI/エージェントに適した Foundry サービスの選択ある通信会社が、毎日数十万件届く短い問い合わせ文を「請求」「故障」「解約」などの数種類に分類する処理を、Microsoft Foundry にデプロイしたモデルで実装します。分類ルールは単純で、要件は応答の遅さとトークン単価を抑えることです。モデル選定の方針として適切なものはどれですか。
当サイトのオリジナル問題（AI-103：Developing AI Apps and Agents on Azureの出題範囲「Azure AI ソリューションの計画と管理」に対応。実際の試験問題ではありません）
- A小型で低コスト・低遅延のチャット向けモデルを候補にし、実際の問い合わせ文を使った評価で分類精度が要件を満たすことを確認してデプロイする
- B多段の推論を行う大規模な推論モデルを選び、分類の精度を最大化するためにすべての問い合わせ文を同じモデルで処理する
- C埋め込みモデルをデプロイし、問い合わせ文から出力されるベクトルの値をそのまま分類ラベルとして利用する
- Dモデルカタログで最大のコンテキスト長を持つモデルを選び、1回の要求に多数の問い合わせ文をまとめて入力する
正解：A
解説
単純な分類を大量に処理する用途では、遅延とトークン単価の要件を満たす範囲で小型のモデルを選び、実データによる評価で精度を確認するのが基本的な選定方法です。モデルの規模や推論能力が高いほど、単価と遅延は一般に大きくなります。モデルカタログ上の特性は目安であり、最終的には自社のデータでの評価結果で判断します。
選択肢ごとの解説
- A正しい。要件が単純な分類で、遅延とコストを重視するため、小型モデルを評価で確かめながら採用する方針が適切です。
- B誤り。大規模な推論モデルは、単純な分類にはオーバースペックで、遅延とトークン単価の要件に反します。精度のためだけに全件へ適用する必要はありません。
- C誤り。埋め込みモデルが出力するのは意味を表すベクトルであり、そのままではラベルになりません。分類にはラベルを生成するモデルや別途の分類処理が必要です。
- D誤り。コンテキスト長が長いことは分類のコストや遅延の削減にはつながりません。入力トークンが増えれば、むしろ単価と遅延の面で不利になります。