QnA MakerはクラウドベースのAPIサービスであり、既存のデータの上に会話型の質問と回答のレイヤーを作成できます。これを使用して、FAQ、マニュアル、ドキュメントなどの半構造化コンテンツから質問と回答を抽出することにより、ナレッジベースを構築します。ナレッジベースのQnAからのベストアンサーを使用して、ユーザーの質問に自動的に回答します。ナレッジベースも、ユーザーの行動から継続的に学習するため、よりスマートになります。
不正解：
A：Azure Custom Visionは、独自の画像分類子を構築、デプロイ、および改善できるコグニティブサービスです。画像分類器は、画像の視覚的特性に応じて、画像にラベル（クラスを表す）を適用するAIサービスです。コンピュータービジョンサービスとは異なり、カスタムビジョンでは、適用するラベルを指定できます。
D：Azure Cognitive Services顔検出API：少なくとも、検出された各顔は、応答のfaceRectangleフィールドに対応します。左、上、幅、高さのこのピクセル座標のセットは、配置された面をマークします。これらの座標を使用して、顔の位置とそのサイズを取得できます。APIレスポンスでは、面はサイズの大きいものから小さいものの順にリストされます。
参照：
https://azure.microsoft.com/en-us/services/cognitive-services/qna-maker/

説明

ボックス1：感情分析
感情分析は、文章がポジティブ、ネガティブ、ニュートラルのいずれであるかを判断するプロセスです。
ボックス2：広範なエンティティの抽出
幅広いエンティティの抽出：キーフレーズの抽出を含むテキスト内の重要な概念の特定/幅広いエンティティの抽出：キーフレーズや人、場所、組織などの名前付きエンティティを含むテキスト内の重要な概念の特定。
ボックス3：エンティティの認識
名前付きエンティティの認識：テキスト内のエンティティを、人、場所、組織、日付/時刻、数量、パーセンテージ、通貨などとして識別および分類します。よく知られているエンティティも認識され、Web上の詳細情報にリンクされています。
参照：
https://docs.microsoft.com/en-us/azure/architecture/data-guide/technology-choices/natural-language-processing
https://azure.microsoft.com/en-us/services/cognitive-services/text-analytics

参照：
https://docs.microsoft.com/en-us/dotnet/machine-learning/resources/tasks

セクション：Azureでのコンピュータービジョンワークロードの機能について説明する
Explanation:
オブジェクトの検出はタグ付けに似ていますが、APIは、見つかった各オブジェクトのバウンディングボックスの座標（ピクセル単位）を返します。たとえば、画像に犬、猫、人物が含まれている場合、検出操作では、これらのオブジェクトが画像内の座標とともに一覧表示されます。この機能を使用して、画像内のオブジェクト間の関係を処理できます。また、画像内に同じタグのインスタンスが複数あるかどうかを判断することもできます。
Detect APIは、画像で識別されたオブジェクトまたは生物に基づいてタグを適用します。現在、タグ付け分類法とオブジェクト検出分類法の間に正式な関係はありません。概念レベルでは、Detect APIはオブジェクトと生物のみを検出しますが、Tag APIには、バウンディングボックスでローカライズできない「屋内」などのコンテキスト用語を含めることもできます。
参照：
https://docs.microsoft.com/en-us/azure/cognitive-services/computer-vision/concept-object-detection

セクション：Azureでの機械学習の基本原則を説明する
Explanation:
良いモデルはどのように見えますか？
100％の真陽性率と0％の偽陽性率で左上隅に近づくROC曲線が最良のモデルになります。ランダムモデルは、左下から右上隅に向かって平らな線として表示されます。ランダムよりも悪いのは、y=xの線より下に沈むでしょう。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-understand-automated-ml#classification