Explanation:
回答欄
* AIモデルが自律的な意思決定を行うことを許可することは、マイクロソフトの責任あるAI原則である説明責任を支えるものです。回答：いいえ
* AIモデルの公平性と包括性を定期的にテストすることで、マイクロソフトの責任あるAI原則に準拠していることを確認できます。回答：はい
* ユーザーデータの保護と個人情報へのアクセス制限は、プライバシーとセキュリティに関するマイクロソフトの責任あるAI原則をサポートします。 回答: はい マイクロソフトの責任あるAI原則では、個人と組織はAIシステムとその結果について責任を負わなければならないと強調しています。説明責任は、ガバナンス、人間の監視、明確な所有権、監査可能性、および問題のレビューと対処のプロセスによって強化され、モデルがチェックされない自律的な決定を下すことによって強化されるのではありません。したがって、ステートメント1はいいえです。説明責任には決定と影響に対する明確な責任が求められるため、人間が関与する制御と明確なエスカレーションパスと組み合わせない限り、自律性を高めることは実際にリスクを高める可能性があります。
声明2は「はい」です。なぜなら、公平性と包括性は継続的な評価を通じて明確に支持されているからです。
定期的なテストは、影響のばらつき、ユーザーグループ間のパフォーマンスのギャップ、データドリフトや使用パターンの変化によって生じる意図しないバイアスを検出するのに役立ちます。これは一度きりの活動ではなく、状況の変化に応じてシステムが適切に動作することを継続的に保証するものです。
ステートメント3は「はい」です。なぜなら、個人情報や機密データの保護、最小権限アクセスの徹底、データ損失防止、暗号化、アクセスログ記録、強力なIDガバナンスといった制御策の実装によって、プライバシーとセキュリティが直接的に支えられるからです。個人情報へのアクセスを制限することで、リスクへの露出を減らし、コンプライアンス義務を遵守できるだけでなく、AI対応ソリューションにおけるプライバシー・バイ・デザインとセキュリティ・バイ・デザインの期待にも合致します。

Explanation:
回答欄
* データセットが大きいほど、Azure Machine Learningワークスペースを使用する生成型AIソリューションのコストが増加する可能性があります。回答：はい
* Azure OpenAI モデルの利用コストは、主に処理された入力トークンと出力トークンの数によって決まります。回答: はい
* カスタム生成型AIソリューションのコストは、使用するモデルのバージョンや機能に関係なく常に一定です。 回答：いいえ
* はい - Azure Machine Learning では、コストはデータの保存、処理、トレーニングに使用するリソースによって決まります。データセットが大きいほど、前処理、トレーニング、評価、実験に必要なストレージ容量、データ転送量、計算時間が増加します。基盤となるモデルをトレーニングしない場合でも、大規模なデータセットを扱うと、パイプラインの所要時間と使用するコンピューティング インスタンスの数/サイズが増加し、全体的なコストが増加する可能性があります。
* はい - Azure OpenAI の Standard (オンデマンド) 利用の場合、料金は主にトークンベースの消費量 (入力トークン + 出力トークン) に基づいて決定されます。送信するコンテキストが多いほど、また生成される応答が長くなるほど、消費するトークンが増え、コストも高くなります。そのため、プロンプトの最適化、応答長の制御、およびグラウンディング戦略がコスト管理において重要になります。
いいえ。コストはモデルの選択と機能によって異なります。モデルの種類やバージョンによって価格帯が異なり、一般的に、より大規模で高性能なモデルは、トークンあたりまたはスループット単位あたりのコストが高くなります。さらに、アーキテクチャの選択（RAG、ベクトル検索、キャッシング）、使用パターン、スループット要件によって総コストが大きく変わる可能性があるため、常に同じということはありません。

Explanation:
ボックス：AI戦略を策定し、責任あるAI監視を確保し、事業部門間の連携を促進する。
組織が信頼できるAI原則に従うことを確実にするために、組織はAIガバナンス評議会を設立し、_____________________を行うべきです。
AIガバナンス評議会は、AIソリューションの開発、導入、評価を監督し、それらが倫理的で安全であり、組織の価値観に合致していることを保証する、部門横断的かつ学際的な組織であるべきです。主な機能には、説明責任の確立、リスク管理、規制遵守（プライバシーなど）の確保、透明性と公平性の促進などが含まれます。
主な責任
同評議会の任務は通常、AIのライフサイクル全体を網羅する。
*-> 戦略とポリシー：社内AI利用ポリシーの策定と、リスクの高い利用事例の特定。
*-> リスク監視：展開前に、偏見、プライバシー、セキュリティに関する影響評価を実施する。
継続的な監視：ライブモデルを追跡し、「ドリフト」（時間の経過に伴う性能低下）や新たな倫理的問題の発生を監視する。
文化とリテラシー：組織全体でトレーニングを実施し、AIに関する知識と責任あるAI文化を構築する。
監査および報告：利害関係者および規制当局に対する説明責任を示すために、透明性の高い記録と「モデルカード」を維持する。
参照：
https://athena-solutions.com/ai-governance-framework-2025/

Explanation:
生成
この文は、大規模なデータセットからパターンを学習することで、新しいオリジナルのコンテンツ（テキスト、画像、音声、コードなど）を生成するAIシステムを説明しています。これが生成AIの決定的な特徴です。
「generative」が正しい補完語です。
両者の違いを明確にするために説明すると、予測型AIは主に過去のデータを使用して結果を予測したり、確率を推定したりします（例えば、次四半期の売上予測、機器の故障予測、取引が不正かどうかを分類するなど）。新しいコンテンツを生成するのではなく、何が起こる可能性が高いか、あるいは何かがどのカテゴリに属する​​かに焦点を当てます。処方型AIはさらに一歩進んで、最適化やビジネス上の制約などを活用しながら、行動や意思決定を推奨します（例えば、「在庫をX増やす」、「チケットをYチームに振り分ける」、「来週メンテナンスをスケジュールする」など）。
一方、生成型AIはコンテンツ合成に重点を置いています。トレーニングデータ内の統計的なパターンや関係性を識別し、学習した分布に似た新しいシーケンスを生成しつつ、プロンプトにも応答します。ビジネスにおけるユースケースとしては、メールや文書の作成、レポートの要約、会議議事録の作成、製品説明の作成、マーケティングコピーの作成、チャットベースのアシスタントの構築などが挙げられます。これら3つのカテゴリはすべて「パターンを認識する」ことができますが、生成型AIだけが、新規かつオリジナルのコンテンツを生成する能力を明確に特徴としており、今回の質問はその能力をテストするものです。