オプションBが正解です。スキーマ検証自体は追加コストが発生しませんが、スキーマが大規模または複雑になるとトークンの消費量が増加する可能性があります。スキーマフィールドに正確かつ簡潔な説明を提供することで、LLMは必要なフォーマットをより効率的に理解し、それに準拠できるようになります。これにより、正確なレスポンスのために消費されるトークンの総量を削減できる可能性があります。選択肢Cは正解です。「COUNT_TOKENS」関数を使用すると、開発者は特定のモデルの入力プロンプトのトークン数を決定できるため、モデルのコンテキストウィンドウの超過を事前に回避でき、再実行によるエラーや無駄な計算を回避できます。選択肢Eは正解です。Cortex Analystのマルチターン会話では、要約エージェントが特に使用され、以前のコンテキストを組み込むことでフォローアップの質問を言い換えます。これにより、長くなる可能性のある会話履歴全体を渡す必要はありません。これにより、各ターンでメインLLMに送信される「prompt_tokens」が大幅に削減され、推論時間が最適化されます。選択肢Aは不正解です。「COMPLETE」（および「TRY_COMPLETE」）関数はステートレスです。会話のコンテキストを維持するために、以前のすべてのユーザープロンプトとモデルの応答を配列に含める必要があり、トークン数が比例して増加します。最新のプロンプトを単に送信すると、コンテキストが失われます。選択肢Dは不正解です。「温度」値を高く設定すると（例：0.7）、ランダム性と多様性が高まります。 LLMの出力は必ずしも簡潔性を重視したものではなく、コスト最適化のための簡潔性を重視したものではありません。最も一貫性のある（そして多くの場合直接的な）結果を得るには、「温度」を0にすることをお勧めします。

オプション A は正解です。「SUMMARIZE」関数は英語の入力テキストを受け取り、元のテキストの要約を含む文字列を返します。オプション B は不正解です。「SENTIMENT」関数は、INTEGER ではなく、否定的または肯定的な感情のレベルを示す -1 から 1 (両端を含む) の浮動小数点数を返します。オプション C は不正解です。「EXTRACT_ANSWER」関数は、JSON オブジェクトではなく、指定された質問に対する回答を含む文字列を返します。オプション D は正解です。「CLASSIFY_TEXT」関数は、自由形式のテキストをカテゴリに分類し、カテゴリを指定する「ラベル」フィールドを持つ OBJECT 値 (VARIANT) を返します。「AI_CLASSIFY」はこの関数の最新バージョンです。オプション E は不正解です。「AI_AGG」は、テキスト列を集計し、ユーザー定義のプロンプトに基づいて複数の行にわたる分析情報を返します。重要なのは、コンテキスト ウィンドウの制限を受けないことです。

オプション A は、アカウントパラメーターを使用してクロスリージョン推論を有効にするため、正解です。CORTEX_ENABLED_CROSS_REGION を 'Aws us' に設定すると、オハイオなどのローカル AWS US リージョンから、バージニア北部などの任意の AWS US リージョンで推論リクエストを処理できるようになります。オプション B は、クロスリージョン推論中にユーザー入力、サービス生成プロンプト、および出力が明示的に保存またはキャッシュされないため、不正解です。オプション C は、クロスリージョン推論が、インバウンドまたはアウトバウンドの推論リクエストのいずれに対しても US SnowGov リージョンでサポートされていないため、不正解です。オプション D は、ソースが AWS US East 1 (N. Virginia) でネイティブに利用可能であり、AWS US リージョン内でのクロスリージョン推論に対して AI_COMPLETE (llama4-maverick) でサポートされていることを示しているため、米国東部 (オハイオ) のアカウントの有効なターゲットになるため、正解です。オプション E は、リージョン間のレイテンシーがクラウドプロバイダーのインフラストラクチャとネットワークの状態に依存するため、不正解です。Snowflake では、クロスリージョン推論を有効にして特定のユースケースをテストすることを推奨しています。

オプションDは正解です。「EMBED_TEXT_768」などのSnowflake Cortex LLM関数がSnowflakeデータ（例：Snowpark Python UDF内）で呼び出された場合、データが実際にはSnowflakeのネットワーク境界を離れることはありません。これにより、データガバナンスとセキュリティが維持されます。オプションAは不正解です。「EMBED_TEXT_768」を含むSnowflake Cortex関数は動的テーブルをサポートしていません。オプションBは不正解です。リージョンでネイティブに利用できない場合は、「CORTEX_ENABLED_CROSS_REGION」パラメーターを使用して、リージョン間推論を有効にできます。オプションCは不正解です。「VECTOR」データ型はハイブリッドテーブルのプライマリまたはセカンダリインデックスキーとしてサポートされていません。オプションEは不正解です。「VECTOR」データ型は「VARIANT」列では明示的にサポートされていません。

選択肢Aは不正解です。ベクトル相似関数には、

トークンベースのコストは発生しません。選択肢Bは不正解です。VECTORデータ型は、32ビット整数（INT）または32ビット浮動小数点数（FLOAT）のいずれかの要素をサポートし、その次元は特定の次元値に関係なく、最大4096の正の整数にすることができます。選択肢Cは不正解です。

トークンベースのコストは発生しません。逆に、EMBED_TEXT_768 のような関数を用いて埋め込みを生成する場合、入力トークンに基づく計算コストが発生します。選択肢Dは正解です。VECTOR_INNER_PRODUCT や VECTOR_L1_DISTANCE などのベクトル類似度関数は、埋め込み関数とは異なり、トークンベースのコストが発生しないことが明示的に規定されています。選択肢Eは不正解です。VECTORデータ型の最大次元は4096です。