Explanation:
ほとんどの生成型AI言語モデルの料金体系はトークン消費量に基づいており、これはモデルが処理するテキストの量を測定するものです。トークンとは、言語モデルが内部的に使用する単語以下の単位（例えば、単語の一部、単語全体、句読点など）です。プロンプトを送信すると、モデルは入力トークン（プロンプト、システム指示、取得した背景コンテキスト）を消費します。応答を生成する際には、出力トークン（生成された補完文）を消費します。コストは通常​​、処理される入力トークンと出力トークンの合計に比例するため、プロンプトが長かったり、背景となる文章が長かったり、応答が長かったりすると、費用が増加します。このため、プロンプトの最適化、応答の長さ制限、キャッシュ、慎重な背景設定は、エンタープライズソリューションにおける一般的なコスト管理手法となっています。
対照的に、「ドキュメント」は粗すぎる単位です（ドキュメントは1ページの場合もあれば500ページの場合もあります）。「リクエスト」は、リクエストのサイズが大きく異なるため、ほとんどのLLM価格設定モデルの主要な単位ではありません。「単語」は、モデルの実際の計算単位がトークンであり、トークン化は言語やテキストパターンによって異なるため使用されません。
したがって、最も正確な補完はトークンです。

Explanation:
Azure Machine Learning
過去の販売データから製品需要を予測することは、予測分析／機械学習のユースケースの一つである。
一般的には、適切な予測手法（回帰分析、ツリーベースの手法、時系列モデルなど）を選択し、過去データを準備して分割し、モデルをトレーニングして検証し、ハイパーパラメータを調整し、その後、継続的な推論のためにモデルをデプロイする必要があります。このエンドツーエンドの機械学習ライフサイクルをサポートするために設計されたマイクロソフトのサービスはAzure Machine Learningであり、そのため、この文を正しく完成させることができます。
Azure Machine Learning は、データセットの管理、スケーラブルなコンピューティング環境でのトレーニング ジョブの実行、実験の追跡、モデル パフォーマンスの比較、モデルの登録、マネージド エンドポイントとパイプラインを通じたモデルの運用化に必要なツールとインフラストラクチャを提供します。そのため、新しいデータで定期的に再トレーニングを行い、ドリフトを監視し、製品ライン、プロモーション、季節性パターンなどの変化に応じてモデルを更新するような、反復的な予測作業に最適です。
その他のオプションは、予測のための「モデルのトレーニング」に直接適合しません。Azure AI Search は、生成型 AI レスポンスを検索して検証するためのインデックス作成/取得サービスであり、予測モデルのトレーニング用ではありません。Azure OpenAI は、生成タスク (ドラフト作成、要約、質疑応答) 用の大規模言語モデルおよびマルチモーダルモデルへのアクセスを提供しますが、従来の予測モデルを構築するための主要プラットフォームではありません。Microsoft Foundry は、AI アプリとエージェントの構築および管理のためのより広範なプラットフォームですが、過去の販売データに基づいて予測モデルをトレーニングするための特定のサービスは Azure Machine Learning です。

AIカスタマーサポートエージェントをMicrosoftの責任あるAI原則に合わせるには、公平性/包括性の検証とユーザーへの透明性という2つの重要なアクションが必要です。Bが正解です。包括性と文化的感受性のある応答をテストすることは、公平性を直接的にサポートし、害を軽減するのに役立ちます。実際には、多様なユーザーペルソナ、言語/方言、アクセシビリティシナリオ、およびデリケートな状況にわたって応答を評価します。偏った仮定、ステレオタイプ、排他的な言葉、およびサービス品質の不均衡を探します。また、プロンプト、知識ソース、およびユーザー入力が進化するにつれてモデルの動作が変化する可能性があるため、継続的な監視も必要です。
Eが正解です。明確な免責事項は透明性を高めるからです。顧客は、自分がAIシステムとやり取りしていること、AIシステムが提供できる支援の種類、そして応答が間違っている場合や人間の対応が必要な場合の対処法を知るべきです。また、情報開示は、過度な依存を減らし、制限事項に関する期待値を設定する実用的なリスク管理策でもあります。
その他の選択肢は、責任あるAIの整合性にとって最適とは言えません。A（すべての会話を保持する）はプライバシー/データ最小化と矛盾する可能性があり、保持は自動的に行われるのではなく、正当化され、管理される必要があります。C（独立して運用する）は説明責任と人間の監視を損ないます。D（複数の目的）は、責任ある利用を改善するのではなく、範囲とリスクを拡大します。

Explanation:
ボックス：バッチAPI
Azure OpenAI モデルを使用して継続的かつ大規模なワークロードを実行する組織は、_______ 料金モデルを選択する必要があります。
Azure OpenAI モデルを使用して、継続的かつ大規模で、時間制約のないワークロードを実行する組織は、Batch API の料金モデルを選択する必要があります。
このアプローチは、大量の非同期タスクにおいて、大幅なコスト削減と運用上のメリットをもたらします。
継続的で緊急性の低いワークロードの場合、バッチAPIはコスト効率とスループットの最適なバランスを提供し、多くの場合、組織は拡張性を最大限に高めながらAI推論コストを半減させることができます。
参照：
https://learn.microsoft.com/en-us/azure/ai-foundry/openai/how-to/batch?view=foundry-classic

Explanation:
ボックス1：いいえ
テキストから画像を生成するツール（DALL-EやMidjourneyなど）は、テキストによる説明を受け取り、それを視覚的な画像に変換します。言語翻訳のワークフローは実行しません。言語翻訳には、自然言語処理（NLP）または大規模言語モデル（LLM）が必要です。
ボックス2：いいえ
予測分析モデルは、過去のデータと機械学習アルゴリズムに基づいて、将来の傾向、行動、または数値的な結果（クリック率や将来の売上など）を予測します。
彼らはマーケティングテキストや広告コピーのような全く新しい創造的な成果物を作成したり合成したりするわけではありません。それは生成型AIの役割です。
ボックス3：はい
生成型AIチャットボット（カスタムLLMやCopilot Studioを使用して構築されたものなど）は、動的で人間らしい文脈を維持することに優れています。ユーザープロファイルの入力に基づいて高度にパーソナライズされた会話を処理し、関連性の高い製品を動的に生成することができます。