Microsoft Azure AI Engineer Associate(AI-102)教科書

AI-102 は Microsoft 認定の Associate レベル の AI 認定で、Azure AI Fundamentals(AI-900)の上位 に位置します。AI-900 が概念 ・ サービス選択中心だったのに対し、AI-102 は実装 ・ コード ・ API 呼出 ・ デプロイ ・ 監視まで を測ります。

• 主催: Microsoft
• 形式: CBT(Pearson VUE)or オンライン監督受験
• 問題数 / 時間: 約 40 〜 60 問 / 100 分
• 回答方式: 選択式 + ケーススタディ + 並べ替え + ドラッグ&ドロップ + コード補完
• 合格スコア: 700 / 1000
• 有効期限: 1 年(Microsoft Learn での再認定で延長)
• 受験料: 一般 21,103 円(165 USD、参考)
• 前提知識: C# または Python、REST API、JSON、Git の基礎

AI-900 との比較

• AI-900(Foundational): AI / ML / 生成 AI 概念、Azure サービス選択、Microsoft 責任ある AI 6 原則。コード問題ほぼなし
• AI-102(Associate、本資格): SDK / REST API / Bicep / ARM / Container 配備、Azure OpenAI 実装、RAG パイプライン、監視。コード問題あり
• 両方推奨: AI-900 で土台を作ってから AI-102 で実装力を測る

出題ドメイン(2024 年改訂シラバス)

1. Domain 1: AI ソリューションの計画と管理(15 〜 20%): Cognitive Services リソース ・ コスト ・ セキュリティ ・ デプロイ
2. Domain 2: 生成 AI ソリューションの実装(15 〜 20%): Azure OpenAI / Azure AI Foundry / プロンプト / ファインチューニング
3. Domain 3: エージェント ソリューションの実装(10 〜 15%): Azure AI Agent Service
4. Domain 4: コンピュータビジョン ソリューションの実装(15 〜 20%): Azure AI Vision / Custom Vision / Face / Document Intelligence
5. Domain 5: 自然言語処理ソリューションの実装(15 〜 20%): Azure AI Language / Translator / Speech
6. Domain 6: ナレッジマイニングと情報抽出(15 〜 20%): Azure AI Search / RAG / AI Enrichment

120 〜 200 時間プラン

1. Week 1 〜 2: AI-900 範囲を復習 + Azure 環境セットアップ
2. Week 3 〜 4: Cognitive Services リソース ・ SDK ・ REST API
3. Week 5 〜 6: Azure OpenAI + Prompt Flow + Fine-tuning
4. Week 7: Azure AI Search + RAG パイプライン
5. Week 8: AI Vision + Speech + Language の実装
6. Week 9: Document Intelligence + Custom Vision
7. Week 10: AI Agent Service + Function Calling
8. Week 11 〜 12: 模擬試験 + 過去問

• Azure AI services リソース(マルチサービス): 1 つのキー / エンドポイントで複数 AI サービス利用可能
• 個別サービスリソース: AI Vision / Speech / Language など独立
• Azure OpenAI リソース: 別途、申請承認が必要
• 料金プラン: F0(Free)/ S0 〜 S4(Standard)・ コミット単位課金あり
• リージョン: サービスごとに利用可能リージョンが異なる
• Container Deployment: オンプレ / エッジで AI サービスを動かす

• Subscription Key + Endpoint: 最も単純、長期保管に注意
• Microsoft Entra ID(旧 Azure AD)認証: 推奨、Managed Identity と統合
• Managed Identity: アプリ / VM / Function に自動配布
• RBAC: Azure ロールベースアクセス制御
• Customer-Managed Key(CMK): 暗号鍵を顧客側で管理
• Private Endpoint: VNet 内のみで利用
• Sensitivity Labels: Microsoft Purview 統合の機密ラベル

• Azure Monitor: メトリクス + ログの一元監視
• Application Insights: アプリケーション側のトレース
• Log Analytics: KQL でログ分析
• Cost Management + Budgets: 利用コスト管理
• Health alerts: サービス障害通知
• Diagnostic settings: ログのアーカイブ ・ 連携

• GPT-4o / GPT-4 Turbo / o1 / o3: 汎用テキスト + マルチモーダル
• GPT-3.5 Turbo: 軽量 ・ 低コスト
• DALL-E 3: 画像生成
• Whisper: 音声認識
• text-embedding-3-large / 3-small: 埋め込みモデル
• Standard デプロイ: トークン課金
• Provisioned Throughput Units(PTU): スループット予約、本番大規模向け
• Global Standard / Data Zone Standard: データ常駐の地理的制約に対応

from openai import AzureOpenAI

client = AzureOpenAI(
    azure_endpoint="https://your-resource.openai.azure.com/",
    api_key="YOUR_KEY",
    api_version="2024-10-21",
)

response = client.chat.completions.create(
    model="gpt-4o",  # デプロイ名
    messages=[
        {"role": "system", "content": "あなたは親切なアシスタントです。"},
        {"role": "user", "content": "Azure OpenAI とは?"},
    ],
    temperature=0.3,
    max_tokens=500,
)
print(response.choices[0].message.content)

• REST API: HTTP POST で直接呼出
• Python / .NET / JavaScript / Java SDK: 各言語の SDK
• Azure AI Foundry: モデル選択 ・ プロンプト試作 ・ デプロイの IDE
• Streaming: 部分応答を逐次受信
• Function Calling: モデルに関数を呼ばせる
• Structured Outputs: JSON Schema での出力強制
• Vision API: 画像入力でマルチモーダル

• Supervised Fine-tuning(SFT): ラベル付きデータでの微調整
• Distillation(蒸留): 大モデル → 小モデル
• RLHF(Reinforcement Learning from Human Feedback)
• LoRA / QLoRA: 効率的な部分微調整
• Continuous fine-tuning: 継続的な微調整

• 全文検索: BM25 / TF-IDF
• ベクトル検索: 埋め込みベクトルの類似度
• ハイブリッド検索: 全文 + ベクトル + リランキング
• Semantic Ranker: ML ベースのリランキング
• スコアリングプロファイル: フィールド重み付け
• ファセット ・ フィルタ ・ 自動補完
• Geospatial Search: 地理空間検索

RAG(Retrieval Augmented Generation) は社内ドキュメントを使った Q&A の標準パターン。Azure AI Search + Azure OpenAI が定番構成です。

RAG パイプラインの段階

1. インジェスト: 文書を取込み、チャンク分割
2. 埋め込み生成: text-embedding-3 でベクトル化
3. インデキシング: Azure AI Search にベクトル + メタデータを保存
4. クエリ埋め込み: ユーザ質問をベクトル化
5. 検索: ベクトル + 全文のハイブリッド検索
6. リランキング: Semantic Ranker で上位調整
7. プロンプト構築: 検索結果をシステムプロンプトに含める
8. 生成: GPT モデルが回答を生成
9. Grounding: 出典を含めて回答

• Skills: 個別の AI 処理(OCR / 言語検出 / エンティティ抽出 / 画像説明)
• Skillset: 複数 Skill の組合せ
• Indexer: データソース → Skillset → インデックスの自動パイプライン
• Custom Skill: Azure Function などで独自 AI 処理
• Knowledge Store: 抽出済情報を別ストアに保存
• Debug Session: スキルセットのデバッグ
• Incremental indexing: 差分インデキシング

• 画像分析(Image Analysis): タグ / オブジェクト / 説明 / 顔検出 / OCR
• Read API(OCR): 高度な OCR、多言語、手書き対応
• Image Captioning(Floating Point): 自然言語による画像説明
• Spatial Analysis: 動画から人の動き分析
• Content Moderation: 不適切コンテンツ検出
• Background Removal: 背景削除
• Vector Embeddings: 画像のベクトル化(類似画像検索向け)

• プロジェクト種別: 分類(複数 / 単一ラベル)・ 物体検出
• Domain: General / Food / Landmarks / Retail / Compact(エッジ向け)
• Quick Test ・ Predict API
• Iteration: モデルバージョン管理
• Performance タブ: 精度 ・ 適合率 ・ 再現率
• Export: TensorFlow Lite / ONNX / CoreML / Docker

• 事前構築モデル: 請求書 ・ レシート ・ ID ・ 名刺 ・ W-2 ・ 健康保険カード
• Layout モデル: 表 ・ チェックボックス ・ 段落構造抽出
• Read モデル: 純粋な OCR + 言語検出
• General Document: 汎用的な KV 抽出
• Custom モデル: 独自フォームの学習(Template / Neural)
• Studio: ノーコードのアノテーション + 学習
• Composed model: 複数カスタムモデルの統合

• Language Detection: 入力テキストの言語識別
• Sentiment Analysis: ポジティブ / ネガティブ / ニュートラル + 信頼度
• Key Phrase Extraction: 主要キーワード
• Named Entity Recognition(NER): 人 / 場所 / 組織 / 日付
• PII Detection: 個人情報の検出 / マスキング
• Linked Entities: Wikipedia 等へのリンク
• Text Analytics for Health: 医療文書特化
• Summarization: 抽出型 + 抽象型(生成型)要約
• Question Answering: FAQ ベースの質問応答
• Custom Text Classification / NER: 独自データで分類器構築

CLU(旧 LUIS の後継)は意図(Intent)+ エンティティ(Entity)を抽出するサービス。Azure AI Bot Service と組合せてチャットボットを構築する。

• Intent: ユーザの意図(『フライト予約』『天気確認』など)
• Entity: パラメータ(『東京』『2024 年 3 月 1 日』)
• Utterance: 訓練用の発話例
• Orchestration Workflow: 複数 CLU プロジェクト + Question Answering の統合
• Multi-language: 同一プロジェクトで多言語対応

• Azure AI Translator: 100 以上の言語の機械翻訳
• Document Translation: 文書全体の翻訳(レイアウト保持)
• Custom Translator: 独自対訳データで業界特化翻訳
• Speech to Text: 音声 → テキスト
• Text to Speech: テキスト → 音声(Neural Voice)
• Speech Translation: 音声 → 翻訳音声 / テキスト
• Speaker Recognition: 話者識別 ・ 検証
• Custom Speech / Custom Voice: 独自データで音声モデル
• Real-time captioning: リアルタイム字幕

Azure AI Foundry(旧 Azure AI Studio)は 生成 AI アプリ開発の統合プラットフォーム。モデル選択 ・ プロンプト試作 ・ 評価 ・ デプロイ ・ 監視を 1 か所で完結できます。

• Hub / Project: 環境とプロジェクトの階層
• Model Catalog: OpenAI / Microsoft / Meta / Mistral / Cohere など複数ベンダー
• Prompt Flow: プロンプト + RAG + Function Calling のオーケストレーション
• Evaluation: 自動評価(Groundedness / Relevance / Coherence / Fluency)
• Content Safety: 入出力の安全性スキャン
• Tracing: プロンプト → 検索 → 生成のトレース
• Compute: 開発 ・ 学習 ・ 推論の計算リソース

• AI Agent Service: 自律的なタスク実行エージェントの構築 ・ 実行サービス
• Tools: File Search / Code Interpreter / Function Calling
• Threads: 会話履歴の管理
• Knowledge sources: AI Search との統合
• Multi-Agent: 複数エージェントの協調
• Tracing & Evaluation: エージェント挙動の監視 ・ 評価

• Text Moderation: 暴力 / 性的 / 自傷 / 憎悪の 4 カテゴリ + 重大度
• Image Moderation: 同 4 カテゴリの画像版
• Prompt Shields: プロンプトインジェクション対策(Direct / Indirect)
• Groundedness Detection: ハルシネーション検出
• Protected Material: 著作権保護コンテンツの検出
• Custom Categories: 業界 ・ 用途特化の安全分類
• Studio: ノーコードでカテゴリ閾値調整

• Groundedness: 回答が提供された情報に基づいているか
• Relevance: 質問に関連した回答か
• Coherence: 回答が論理的か
• Fluency: 文として自然か
• Similarity / BLEU / ROUGE / METEOR: 機械翻訳 ・ 要約評価
• A/B テスト: モデル ・ プロンプトの比較
• 人間レビュー: 自動評価では拾えない側面
• Continuous monitoring: 本番後の品質監視

• Azure App Service: マネージド Web アプリ
• Azure Functions: サーバレス、AI トリガー処理
• Azure Kubernetes Service(AKS): 大規模コンテナ
• Azure Container Apps: サーバレスコンテナ
• Azure Logic Apps / Power Automate: ノーコード統合
• Bicep / ARM Template / Terraform: IaC
• Azure DevOps / GitHub Actions: CI/CD
• Container Deployment: AI services をオンプレ / エッジで

• モデル選択: GPT-3.5 vs GPT-4o ・ Mini を要件に応じて使い分け
• Batch API: 50% 割引(処理に時間許容)
• Provisioned Throughput Units(PTU): 安定スループット + 予測可能コスト
• プロンプト最適化: 不要な指示削減
• Embedding キャッシュ: 同じテキストの再計算を避ける
• Tier 切替: Free → Standard → Premium の段階利用
• Reserved Capacity: 1 / 3 年予約割引

• Multi-region デプロイ
• Azure Front Door: グローバルロードバランサ + CDN
• Traffic Manager: DNS ベースのルーティング
• Backup と Restore: モデル / インデックスのバックアップ
• Capacity planning: トラフィックスパイクの吸収
• Throttling 対策: Retry with exponential backoff

1. 第 2 章: マルチサービス vs 個別 / Subscription Key vs Entra ID / Private Endpoint
2. 第 3 章: GPT-4o デプロイ / Python SDK / PTU / Function Calling / Structured Outputs
3. 第 4 章: AI Search ハイブリッド検索 / Semantic Ranker / RAG パイプライン 9 段
4. 第 5 章: AI Vision / Custom Vision / Face / Document Intelligence の使い分け
5. 第 6 章: AI Language / CLU / Translator / Speech
6. 第 7 章: Azure AI Foundry / Prompt Flow / AI Agent Service
7. 第 8 章: 責任ある AI 6 原則 / Content Safety / Groundedness 評価
8. 第 9 章: App Service / Functions / AKS / Bicep / コスト最適化

試験当日のコツ

• 40 〜 60 問 / 100 分 = 1 問 約 2 分。コード補完問題は時間配分注意
• ケーススタディ: 長文 + 複数問。ケースを保存しておけるので戻って見直し可
• コード補完問題: Python / C# / REST API のシグネチャを暗記
• サービス名: 旧名(Cognitive Services / Form Recognizer)が混じる選択肢に注意
• Microsoft Learn の練習問題 + 実機ハンズオンを必ず

AI-102 合格 → DP-100(Azure Data Scientist Associate) で ML 寄りに、または DP-203(Azure Data Engineer Associate) でデータ基盤側に進むのが王道。Azure Solutions Architect Expert(AZ-305) で全体アーキテクトに進む道もあります。本サイトの[Azure AI-900](/certs/azure-ai-900) ・ [AWS AI Practitioner](/certs/aws-ai-practitioner) ・ [GCP Generative AI Leader](/certs/gcp-gen-ai-leader)で三大クラウドを揃えるのもおすすめ。