オプションCが正解です。Cortex Analystはリクエストをイベントテーブルに記録し、管理者は関数を使用してクエリを実行できます。この関数では、ユーザー、質問、生成されたSQL、エラーなどの詳細を取得するために、モデル名またはビュー名とともに、セマンティックモデルタイプ（YAMLファイルの場合は「FILE ON STAGE」、ネイティブセマンティックビューの場合は「SEMANTIC VIEW」）を指定する必要があります。オプションAは不正解です。Cortex Analystのクレジット使用量は、処理されたメッセージ数（1,000メッセージあたり67クレジット）に基づいており、各メッセージのトークン数に基づいていません。オプションBは不正解です。Cortex Analystは会話履歴を渡すことでマルチターンの会話をサポートしていますが、以前の応答をキャッシュするわけではありません。ソースでは、解釈が難しい場合は長い会話をリセットすることを推奨していますが、コスト最適化のために「RESET CONVERSATION」コマンドを使用することは推奨されていません。オプションDは不正解です。Snowflakeは、このレガシーパス経由でのAzure OpenAIモデルの使用を強く推奨していません。特に、有効にした場合、Azure OpenAIモデルはRBAC制限を尊重せず、メタデータ/プロンプトがSnowflakeのガバナンス境界外になることを明記しています。オプションEは不正解です。Cortex Analyst関数（「COMPLETE」を含む）は、呼び出し間で状態を保持しません。ステートフルな会話エクスペリエンスを提供するには、以前のすべてのユーザープロンプトとモデル応答を配列の一部として明示的に渡す必要があります。

オプション A は正解です。Cortex Search Services をディメンションの定義に統合し (「サービス」とフィールドを含むフィールドを使用)、基礎となる列でセマンティック検索を実行することでリテラル マッチングを改善できます。これは、製品名の「あいまい」検索に特に役立ちます。オプション C は正解です。「verified_querieS セクション」を使用すると、特定の自然言語の質問に対して正確な SQL クエリを事前に定義できます。エントリに対して「use_as_onboarding_question true」を設定すると、これらのクエリが関連する場合に使用され、ユーザーに提案された質問として、またはオンボーディングの質問として提示されます。オプション B は不正解です。「VARIANT」、「OBJECT」、「GEOGRAPHY」、「ARRAY」データ型は現在、セマンティック モデルのディメンション、ファクト、メトリック列ではサポートされていません。オプション D は不正解です。 「sample_values」フィールドは、リテラルのセマンティック検索を支援するため、比較的カーディナリティの低いディメンション（1～10個程度の異なる値）に使用することをお勧めします。数百万の顧客IDのような高カーディナリティのディメンションには使用しないでください。選択肢Eは不正解です。セマンティックモデル内の「base_table」は、ステージの場所を直接参照するのではなく、物理的なデータベーステーブルまたはビューを参照する必要があるためです。

オプションAは、Cortex LLM機能（Cortex AnalystやCortex Agentsで使用されるものを含む）とのマルチターンインタラクションにおいて、会話状態を維持するための最も重要かつ適切な方法です。基盤となるCOMPLETE関数（および同等のREST API）は、ある呼び出しから次の呼び出しまで状態を保持しません。したがって、クライアント アプリケーションは、ステートフルなエクスペリエンスを提供するために、以前のすべてのユーザー プロンプトとモデル (アシスタント/アナリスト) 応答を、新しいリクエストごとに 'messages' (または配列) 内に時系列で明示的に渡す必要があります。オプション B は不正解です。Cortex LLM 関数は呼び出し間で状態を自動的に保持しないためです。オプション C は不正解です。これらの API の会話履歴を暗黙的に管理するための 'session_id' パラメーターは文書化されていません。オプション D は不正解です。部分的な履歴のみを渡すと、会話のコンテキスト全体が失われ、フォローアップ応答の品質が低下します。オプション E は不正解です。Cortex Analyst は長い会話の要約エージェントを内部的に使用して質問を再構成しますが、クライアント アプリケーションは、API を介して 'messages' 配列内の完全な会話履歴を管理および送信する責任があります。

選択肢Dが正解です。SNOWFLAKE.CORTEX.EXTRACT_ANSWER関数は、テキスト文書から特定の質問に対する回答を抽出するために特別に設計されています。選択肢AはCOMPLETE関数について、選択肢BはSENTIMENT関数について、選択肢CはCLASSIFY_TEXT関数について、選択肢EはSUMMARIZE関数について説明しています。

オプションAは正解です。「generate_answer」関数を「GENERATION」スパンタイプでインストルメントすることは、「answer_relevance」や「groundednesS」などの指標についてLLMの出力を正しく取得・評価するために不可欠です。これらを別々の「TruApp」バージョンまたは実行として登録することで、並べて比較することができます。オプションCは正解です。検索コンポーネントを「RETRIEVAL」スパンタイプでインストルメントすることで、「context_relevance」の計算が可能になり、これは検索結果の品質を直接評価し、RAG評価に不可欠な要素となるためです。オプション D は正解です。特定の構成 ( など) で個別の実行を作成し、「answer_relevance」や「groundedness」などの必要なメトリックを明示的に計算することが、AI オブザーバビリティで体系的な評価と比較を設定する標準的な方法です。オプション B は不正解です。リージョン間の推論はモデルの可用性に必要になる場合がありますが、AI オブザーバビリティ内の比較「機能」を直接有効にするものではありません。オプション E は不正解です。「prompt_tokens」と「completion_tokens」はコストを追跡しますが、「answer_relevance」や「groundednesS」などの品質側面を直接追跡するものではなく、RAG パフォーマンス評価の鍵となるためです。