選択肢Bが正解です。「SNOWFLAKE.CORTEX.SUMMARIZE」関数は、要約対象となる英語の入力テキストを単一の文字列引数として受け取ります。この関数は、元のテキストの要約を含む文字列を返します。選択肢A、C、D、Eは、誤った構文、戻り値の型、または「SUMMARIZE」関数でサポートされていない追加の引数について説明しています。

オプション A は正解です。「ModelVersion」オブジェクトの「run」メソッドは、Python API を介して Snowpark Container Services にデプロイされたモデルで推論を実行するために使用されます。オプション B は正解です。Snowflake Model Serving は、「service_name!method_name」という名前の SQL サービス関数を作成し、SQL から SPCS で実行されているモデルへのブリッジとして機能するためです。オプション C は正解です。サービスの作成中にイングレスを有効にすると、専用の HTTP エンドポイントを介してモデルを呼び出すことができるためです。オプション D は不正解です。このアプローチはデプロイされた Snowpark Container Service を完全にバイパスし、SPCS にデプロイされたモデルはそこで実行されることを意図しており、異なる環境やリソース制約がある可能性のある標準の UDF ランタイムに再ロードされるものではありません。オプション E は不正解です。組み込みの Snowflake Cortex LLM 関数であり、モデルレジストリおよび Snowpark Container Services を介してデプロイされたカスタムモデルを呼び出すメカニズムではないためです。Cortex 関数のモデル引数には、カスタムサービス名ではなく、特定の定義済みモデル名が必要です。

'AI_COMPLETE Structured OutputS（およびその前身である 'COMPLETE Structured OutputS）では、JSONスキーマを 'response_format'引数として提供することで、完了応答が定義済みの構造に従うことを保証できます。これにより、AIデータパイプラインでの後処理の必要性が大幅に軽減され、確定的な応答を必要とするシステムとのシームレスな統合が可能になります。JSONスキーマオブジェクトは、必須フィールドを含む構造、データ型、制約を定義します。複雑なタスクの場合、モデルにJSONで応答するように促すことで精度を向上させることができますが、 'response_format'引数はスキーマを適用するための直接的なメカニズムです。 'temperature'を0に設定すると、構造化出力タスクでより一貫性のある結果が得られます。オプションAはプロンプトエンジニアリングの一種で、役立ちますが、 'response_formatのように厳密な準拠を保証するものではありません。オプションBは、出力構造ではなく、ランダム性と長さを制御します。オプションDでは、「AI_EXTRACT」（またはEXTRACT ANSWER）で情報を抽出できますが、複数回使用して結果を手動で組み合わせる方法は、複数の関連フィールドに対応する構造化された出力スキーマを持つ単一の「AI_COMPLETE」呼び出しよりも効率性が低く、堅牢性も低くなります。オプションEの「ガードレール」は、安全でないコンテンツや有害なコンテンツをフィルタリングするためのものであり、出力形式を強制するためのものではありません。

選択肢Aが正解です。最も一貫した結果を得るには、
完了
（微調整されたモデルによる推論に使用されます）を使用する場合、使用するタスクやモデルに関係なく、温度オプションを 0 に設定することを明示的に推奨します。 オプション B は不正解です。微調整ジョブは、特定のワークシートセッションに関連付けられた長時間実行プロセスとして設計されているため、ユーザーは開始後にステータスを個別に確認できます。 オプション C は正解です。 FINETUNE 関数は特定のリージョンでのみ使用できるため、微調整ジョブの作成は、サポートされているリージョンのアカウントに制限されます。リージョン間の推論は、主に LLM 推論の COMPLETE 関数呼び出しに適用され、微調整トレーニング プロセス自体には適用されません。 オプション D は不正解です。微調整用の関数も含め、Snowflake Cortex 関数は動的テーブルをサポートしていません。さらに、動的テーブルには、複雑な AI パイプラインに関係することが多い非決定論的コードやストアド プロシージャに関する制限があります。 オプション E は正解です。微調整ジョブは長時間実行され、生成されたジョブ ID を指定して 'DESCRIBE' 引数で FINETUNE 関数を呼び出すことで、ジョブのステータスと進行状況を監視できます。

オプション B は正解です。Snowflake では、 を含む Cortex AISQL 関数を呼び出すクエリを、より小さなウェアハウス (MEDIUM 以下) で実行することを推奨しています。ウェアハウスを大きくしても、これらの関数のパフォーマンスは向上しません。オプション C は正解です。「EMBED TEXT 768」で使用できる「snowflake-arctic-embed-m-vl .5」モデルには 512 トークンのコンテキスト ウィンドウがあるためです。この制限を超える入力テキストは、埋め込まれる前に切り捨てられます。オプション D は正解です。Cortex Search と RAG で最適な検索結果を得るために、Snowflake ではテキストを 512 トークン以下のチャンクに分割することを推奨しています。このチャンク サイズが小さいほど、通常、検索と下流の LLM 応答の品質が向上します。オプション A は不正解です。関数の場合、出力トークンではなく「入力トークン」のみが課金合計にカウントされます。選択肢Eは不正解です。モデル（「e5-base-v2」、「snowflake-arctic-embed-m」、「snowflake-arctic-embed-m-v1.5」など）のコストは、処理トークン100万個あたり0.03クレジットです。100万トークンあたり1.50クレジットは、「EMBED_TEXT_768」ではなく、「TRANSLATE」関数に適用されます。