AI-103：Developing AI Apps and Agents on Azure コンピュータービジョンソリューションの実装問10

コンピュータービジョンソリューションの実装／マルチモーダル理解ワークフロー

現場の点検担当者が撮影した設備の写真について、アプリから「この写真に写っている異常は何か」という自然言語の質問を送り、写真の内容に基づいて回答させたい。最も適したアプローチはどれか。

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「コンピュータービジョンソリューションの実装」に対応。実際の試験問題ではありません）

正解：B

解説

画像の内容に関する質問に答えるには、視覚入力に対応したマルチモーダルモデルに画像と質問（プロンプト）を渡し、視覚的根拠に基づいて回答させます。音声合成・質問文だけのベクトル化・画像を渡さないテキスト専用モデルでは、写真の内容に基づく回答はできません。

下線の用語は用語集で意味を確認できます。