【第1回】AI-102（Azure AI Engineer Associate）合格ロードマップ：試験範囲とAzureの全体像

AI-102の勉強を始めたいのに、何から手を付ければいいか分からず困っていませんか。

この連載は「読み進めるだけでAI-102に合格できる状態に近づく」ことをゴールに、試験範囲を分解し、Azure側の全体像→各サービスの実装→本番運用の勘所まで順番に積み上げます。

第1回は、試験範囲（スキル領域と配点）と、Azure AIポートフォリオの地図をつくる回です。

まずは全体像を押さえて、以降の回で迷子にならない土台を作りましょう。

この連載の進め方と学習ロードマップ

この章で扱う主なポイントは以下のとおりです。

• 連載全体のゴールと前提スキル
• AI-102の配点から逆算した学習配分
• 第1回で作る「Azure AIの地図」

以上のポイントを踏まえると、試験対策を「暗記」ではなく「設計→実装→運用」の流れで理解できます。
この後では、連載の読み方と、短期・中期の学習計画を具体化します。

この連載のゴール：読み終わる頃に“設計して実装できる”状態へ

AI-102は、単にAPIの使い方を知っているだけでは点が伸びにくい試験です。

理由は、設計判断（どのサービスを選ぶか）、実装（SDK/RESTの扱い）、運用（監視・コスト・セキュリティ・責任あるAI）まで横断して問われるためです。

公式の試験ページでも、Azure上でAIソリューションを設計・実装できる人材像が前提として示されています。
【公式】Azure AI Engineer Associate（認定トップ）

この連載では、各サービスの「典型シナリオ」「よくある落とし穴」「試験で聞かれやすい判断ポイント」をセットで解説します。

さらに、章末に“手を動かす課題”を置き、学習が知識止まりにならないようにします。

配点から逆算する：まずは“計画・管理”と“生成AI”を厚くする

AI-102は6つのスキル領域で構成されます。
配点の目安は、公式Study guideの「Skills at a glance」に明記されています。
【公式】Exam AI-102 Study guide（配点・出題範囲）

配点を見ると「計画と管理」や「生成AI」が大きく、ここを落とすと合格が遠のきます。

一方で「エージェント」は比重が低めでも、概念が新しいため後回しにしすぎると当日焦りやすい分野です。

したがって学習配分としては、前半で“計画・管理の土台”を作りつつ、生成AI（Azure OpenAIとAzure AI Foundry）を早めに触り、残りのVision/NLP/Searchを順番に固めるのが効率的です。

おすすめの学習サイクル：インプット3割、ハンズオン7割

AI-102は、用語暗記よりも「実際に作れるか」が得点に直結します。

たとえばDocument IntelligenceやAzure AI Searchは、設定項目が多く、画面やSDKの手順を一度体験しておかないと設問の選択肢が読めません。

この連載では、各回で“最小構成の実装”を示し、次に“試験で差がつく設定”を追加して理解を深めます。

学習の回し方は、①記事を読む、②Microsoft Learnで同テーマのモジュールを流し読み、③Portalで同じ画面を再現、④SDKで呼ぶ、の順がおすすめです。

最後に“なぜその設定が必要か”を自分の言葉で説明できれば合格圏に入ります。

連載の全体構成：8回で一気に通し切る

本連載は、AI-102の6領域を“試験の順番”ではなく“実務の順番”で並べます。

実務ではまず計画（要件・セキュリティ・コスト）、次にデータ基盤（検索・抽出）、その上に生成AIやNLP/Visionを載せ、最後に運用で回します。

そのため連載は以下の流れを想定しています。

• 第1回：試験範囲とAzureの全体像（本記事）
• 第2回：計画と管理①（要件整理、サービス選定、責任あるAI）
• 第3回：計画と管理②（認証、ネットワーク、監視、コスト最適化）
• 第4回：生成AI①（Azure OpenAI、プロンプト設計、モデル選択）
• 第5回：生成AI②（RAG、Azure AI Search、評価とガードレール）
• 第6回：NLPと会話（Azure AI Language、Speech、翻訳、QnA）
• 第7回：VisionとDocument（Vision、Document Intelligence、Custom Vision）
• 第8回：エージェントと総仕上げ（Foundry Agent、模試、弱点潰し）

この設計により、連載を読み進めるほど“実務の設計がそのまま試験対策になる”状態を狙います。

AI-102の試験概要を押さえる

この章で扱う主なポイントは以下のとおりです。

• AI-102が評価する人物像（何ができれば合格か）
• 試験に出やすい設問パターン
• 公式リソース（Study guide / Exam Sandbox / Readiness）

以上のポイントを踏まえると、学習の軸を「公式が求める役割」に合わせられます。
この後では、試験の読み解き方と、公式リソースの使い分けを整理します。

AI-102が目指す役割：Azure上でAIを“設計して実装する”エンジニア

Azure AI Engineer Associate（AI-102）の受験者は、REST APIとSDKを用いて、画像処理、自然言語処理、検索、生成AIなどのソリューションをAzure上に構築できることが期待されています。
この前提は公式の試験ページやStudy guideの記述と整合します。
【公式】Azure AI Engineer Associate（認定トップ）
【公式】Exam AI-102 Study guide

ポイントは「モデルを作る研究者」ではなく「Azureのサービスを組み合わせてプロダクトにする実装者」だという点です。

そのため、データストレージの選定、キー管理、アクセス制御、監視、責任あるAIなど、クラウド実装の現実的な論点が多く含まれます。

この視点を持つと、設問で“正しそうな技術”ではなく“要件に合う構成”を選びやすくなります。

設問パターン：サービス選定＋設定判断＋SDK/RESTの読み取り

出題傾向としては、要件に対してどのサービスを使うべきか、そしてその結果をどう扱うべきかが問われやすいです。

たとえば「画像から文字を抽出したい」ならVisionのOCRかDocument Intelligenceか、あるいはSearchのインデクサーのエンリッチメントか、という選択が出ます。

さらに「認証はキーかManaged Identityか」「ネットワーク制限はPrivate Endpointか」「モデルのデプロイ方式は何か」といった運用寄りの判断も混ざります。

そのため、画面操作を知らないと解けない問題が一定数あります。
実装経験が少ない場合は、連載のハンズオンで“UIの場所”も含めて慣れていくのが近道です。

公式リソースは3つを固定：Study guide＋Sandbox＋Readiness

公式のStudy guideは、出題範囲の目次です。
【公式】Exam AI-102 Study guide（配点・出題範囲）
まずはStudy guideの「Skills at a glance」を見て、6領域と配点を把握します。

次にExam Sandboxで問題形式のUIに慣れると、本番で操作に迷いにくくなります。
Sandboxの入口は試験の体験説明ページにまとまっています。
【公式】Exam duration / Exam experience（試験UI・Sandbox案内）

さらにExam Readiness Zoneの公式動画は、各領域の重要ポイントを短時間で整理するのに向きます。
【公式】Exam Readiness Zone（試験対策動画）
この3点を“固定の軸”にして、補助として体験記を読むのが安全です。

試験範囲（6領域）と配点を理解する

この章で扱う主なポイントは以下のとおりです。

• 6つのスキル領域と配点
• 配点が高い領域で問われる中身
• 領域とAzureサービスの対応関係

以上のポイントを押さえると、学習の優先順位が明確になります。
この後では、各領域を“何ができる状態”に落とし込み、連載で扱う順番の意味を説明します。

6つのスキル領域と配点（最新版の前提）

AI-102は6つのスキル領域で構成され、配点はStudy guideに掲載されています。
【公式】Exam AI-102 Study guide（Skills at a glance）

配点の目安は、計画と管理が20～25%、生成AIが15～20%、エージェントが5～10%、コンピュータービジョンが10～15%、NLPが15～20%、ナレッジマイニングと情報抽出が15～20%です。

この配点を見ると、計画・管理と生成AIが“合否を分ける軸”になりやすいと分かります。

一方で、SearchやDocument Intelligenceを含むナレッジマイニングも15～20%と重く、現場感のある設問が多い領域です。

スキル領域	配点	関連する代表サービス
計画と管理	20～25%	Azure AI Foundry / Azure OpenAI / Azure AI Services 全般 / セキュリティ・監視
生成AI	15～20%	Azure OpenAI / Azure AI Foundry（評価、ガードレール）
エージェント	5～10%	Azure AI Foundry Agent Service
コンピュータービジョン	10～15%	Azure AI Vision / OCR
NLP	15～20%	Azure AI Language / Speech / Translator
ナレッジマイニングと情報抽出	15～20%	Azure AI Search / Document Intelligence

計画と管理で問われること：サービス選定＋運用設計

計画と管理は“設計者視点”の領域です。

具体的には、要件に応じたサービスの選定、リソース作成、デプロイ方式、そして運用（監視、コスト、セキュリティ、責任あるAI）まで含まれます。

つまり、Foundryを起点にポートフォリオ全体を俯瞰し、適切に組み合わせる能力が評価されます。

この連載では第2回と第3回で、設計判断の型を作ってから個別サービスに進みます。

生成AIで問われること：モデル活用、RAG、プロンプト、微調整

生成AI領域は、Azure OpenAIとAzure AI Foundryを中心に、LLMをアプリに組み込む力が問われます。

たとえば、チャットモデルの統合、プロンプト設計、RAG（社内データに基づく応答）の実装が含まれます。

ここは“触ったことがあるかどうか”で差がつくため、第4回と第5回を2回に分けて厚く扱います。

ナレッジマイニングが重い理由：Search＋抽出が“生成AIの土台”になる

ナレッジマイニングと情報抽出では、Azure AI SearchとDocument Intelligenceが中心になります。

RAGを作るとき、Searchの設計が弱いと“それっぽいけど当たらない回答”になりがちです。

つまり、生成AIに投資するほどSearchの理解が効いてくる構造があります。

エージェント領域は低配点でも要注意：新しい用語が多い

エージェント領域は5～10%と低めです。

ただし、Foundry Agent Serviceやツール連携、マルチステップのタスク実行といった新しい概念が登場します。

用語が分からないと選択肢が読めないため、生成AIの学習と並行して少しずつ触れる方が安全です。

Azureの基本：AIを学ぶ前に“クラウドの土台”を作る

この章で扱う主なポイントは以下のとおりです。

• サブスクリプション、リソースグループ、リージョン
• 認証（キー、Entra ID、Managed Identity）
• コスト・クォータ・ガバナンスの基本

以上のポイントを押さえると、AIサービスの設定でつまずきにくくなります。
この後では、AI-102で頻出の“クラウドあるある”を、最小限に絞って整理します。

サブスクリプションとリソースグループ：整理できる人が強い

Azureでは、課金の単位がサブスクリプションで、その中にリソース（サービスの実体）を作ります。

リソースはリソースグループで束ねるのが基本で、同じライフサイクルのものを同じグループに入れると運用が楽になります。

AI-102の学習では、練習用に「ai102-dev-rg」のようなリソースグループを作り、回ごとに作ったリソースを最後に削除する運用をおすすめします。

この癖が付くと、コスト事故を防ぎながら学習を継続できます。

リージョン選定：AIサービスは“対応リージョン”で詰まりやすい

Azure AIサービスはリージョンに依存します。

特にAzure OpenAIは利用可能リージョンやクォータが影響し、希望のモデルをそのまま使えないことがあります。

学習段階では、まず自分のサブスクリプションで利用可能なリージョンを確認し、固定のリージョンで統一して進めると迷いが減ります。

認証の3点セット：APIキー、Microsoft Entra ID、Managed Identity

AIサービスの呼び出しは、APIキーで始めると手軽です。

ただし本番運用では、キーの漏えいリスクやローテーションの手間が問題になります。
そこで重要になるのがMicrosoft Entra ID（旧Azure AD）とManaged Identityです。

設問では「キーをコードに埋め込まない」「Key Vaultで保護する」「Managed Identityで権限付与する」といった実務的な選択が頻出します。

この連載でも、前半はキーで素早く動かし、後半でManaged IdentityやKey Vaultに置き換える流れにします。

ガバナンスとコスト：学習者ほど“削除と見える化”が大事

AIの学習は、試行錯誤が多くなります。

その結果、リソースが増え、気付いたら課金が膨らむ事故が起こりがちです。

対策はシンプルで、①タグ（project=ai102など）を付ける、②週1回コスト分析を見る、③不要リソースを削除する、の3つです。

特にAzure OpenAIやSearchは、設定次第で費用が伸びるため、学習段階から“削除する習慣”を持つと安心です。

Azure AIポートフォリオの全体像：AI Foundryを中心に俯瞰する

この章で扱う主なポイントは以下のとおりです。

• Azure AI Foundry（旧Azure AI Studio）の位置づけ
• Azure OpenAI、Azure AI Services、Azure Machine Learningの関係
• 試験で迷いやすい“名前の揺れ”を整理する

以上のポイントを押さえると、サービス名が変わっても迷わず追従できます。
この後では、Foundryを“統合ポータル”として捉え、各サービスがどこに並ぶかを整理します。

Azure AI Foundryとは：モデル・ツール・ガバナンスをまとめた統合基盤

Azure AI Foundryは、AIアプリとエージェントを構築・デプロイ・スケールするための統合プラットフォームとして位置付けられます。

Foundryは“単体のAIサービス”ではなく、複数の要素を束ねる中枢だと理解すると整理が進みます。

機能の仕様確認は、まず公式ドキュメントを入口にするのが安全です。
【公式】Microsoft Foundry ドキュメント（総合）
Foundryの立ち位置そのものを確認したいときは、概要ページが役立ちます。
【公式】What is Microsoft Foundry?

名前の整理：Azure AI Services（旧Cognitive Services）と各サービス群

Azure AI Servicesは、Vision、Language、Speechなどの“すぐ使える認知機能API”を提供します。

一方でAzure Machine Learningは、独自データでモデルを学習し、デプロイまで行うプラットフォームです。

試験では「既製APIで足りるならAI Services」「精度や独自性が必要ならAzure ML」という使い分けが頻出します。

まずは既製APIで最短実装し、必要に応じてMLで補完する考え方が安全です。

Azure OpenAIは“独立サービス”だが、組み合わせが前提になる

Azure OpenAIは独立したサービスとして提供されます。

それでも実務では、VisionのOCR結果をGPTで要約する、Searchで引いた文書をLLMに渡す、といった組み合わせが典型です。

AI-102はこの“組み合わせの設計”が問われます。
そのため、単体のAPI仕様よりも、データの流れ（入力→前処理→抽出→生成→出力）を描けることが重要です。

Foundry Agent Service：エージェントを開発・運用する中枢

エージェント領域は、Foundry Agent Serviceの文脈で出題される可能性が高いです。

次回以降で生成AIを学ぶとき、エージェントは“LLM＋ツール実行＋状態管理”の延長だと捉えると理解が速くなります。

主要Azure AIサービスの概要：試験範囲と結び付けて覚える

この章で扱う主なポイントは以下のとおりです。

• Vision / Language / Speech / Search / Document Intelligenceの役割
• よくあるユースケースと試験での引っかけ
• “どのサービスを選ぶか”の判断基準

以上のポイントを押さえると、選択問題で迷う時間が減ります。
この後では、各サービスの「できること」「入力」「出力」を短い型で整理します。

Azure AI Vision：画像解析の万能枠だが、Documentと区別が必要

Azure AI Visionは、OCR、物体検出、画像分類など、画像や動画の解析機能を提供します。

試験で注意したいのは「文書の理解」を求める場合に、VisionだけでなくDocument Intelligenceが適切になるケースがある点です。

単なる文字抽出ならVisionのOCRで足りますが、請求書の項目抽出や構造化が必要ならDocumentを選ぶ方が自然です。

この違いを“入力と出力の粒度”で説明できるようにすると、引っかけに強くなります。

Azure AI Language：テキスト分析とQ&Aを束ねるサービス

Azure AI Languageは、感情分析、キーフレーズ抽出、固有表現抽出などのテキスト分析APIを提供します。

試験では「ユーザーの文章から何を抽出したいか」によって、Languageの機能を選び分ける問題が出やすいです。

第6回で、Language Studioの画面とSDKをセットで扱い、迷いどころを潰します。

Azure AI Speech：STT/TTS/翻訳で“音声I/O”を作る

Azure AI Speechは、音声認識（Speech to Text）、音声合成（Text to Speech）、音声翻訳を扱います。

NLP領域では、LanguageだけでなくSpeechが混ざる設問が出るため、I/Oの違いで整理すると覚えやすいです。

たとえば「音声を文字にする」ならSpeech、「文字の意味を抽出する」ならLanguage、という分離が基本になります。

Azure AI Search：キーワード検索ではなく“検索アプリの基盤”

Azure AI Searchは、企業内データにインデックスを構築し、関連性の高い情報を返す検索基盤です。

試験では、インデクサー、スキルセット、ベクトル検索、ハイブリッド検索などが絡むため、用語の整理が必須です。

特にRAGではSearchが“参照元の品質”を決めるので、生成AIとセットで理解しておくと強いです。

Document Intelligence：フォーム抽出の定番で、RAG前処理にも効く

Document Intelligence（旧Form Recognizer）は、契約書や請求書などからキー情報を抽出するサービスです。

RAGの前処理としても重要で、PDFをそのまま検索に入れるより、構造化してからSearchに載せると回答の精度が上がります。

試験では「既製モデルで足りるか」「カスタムモデルをトレーニングすべきか」「レイアウト抽出で十分か」といった判断が問われます。

第7回で、SDK手順と設計判断の基準をまとめます。

AI-900との違いと、AI-102で求められる前提スキル

この章で扱う主なポイントは以下のとおりです。

• AI-900（基礎）とAI-102（実装）の違い
• 必要な開発スキル（Python/C#、REST、JSON）
• 不足しがちなAzure基礎（ネットワークと権限）

以上のポイントを押さえると、学習の抜けを事前に埋められます。
この後では、合格に必要な“最低ライン”を具体化します。

AI-900は必須ではないが、用語の地ならしとして効く

AI-900はAzure AIの概念や代表サービスを広く浅く学ぶ試験で、AI-102より難易度は低い位置付けです。

一方のAI-102は、同じサービス群を「実装・運用」まで落とし込むので、用語が曖昧だと学習スピードが落ちます。

そのため、AI-900を受けるかどうかは別として、AI-900相当の用語（Vision、Language、Search、責任あるAIなど）を一度整理しておくと得になります。

すでに業務でAPI連携をしている人なら、AI-900を飛ばしてAI-102に集中しても問題ありません。

逆にクラウドやAIが初見の場合は、AI-900の学習モジュールだけ先に流し読みすると、AI-102の理解が一気に楽になります。

実装スキルは“重いフレームワーク”より、RESTとJSONの理解が重要

AI-102は、特定の言語に依存しない設問が多いです。

ただし、SDKやREST APIを扱う前提として、HTTPメソッド、ヘッダー、認証、JSONの入出力を読める必要があります。

たとえば「SDKで呼ぶ」といっても、裏側はRESTであり、失敗時はHTTPステータスやエラーメッセージを見て原因を特定します。

つまり、Pythonが得意でもHTTPが苦手だと詰まりますし、C#が得意でもJSONを読めないと手が止まります。

この連載では、SDKの書き方だけでなく「そのSDK呼び出しがどのRESTに対応するか」も意識して解説します。

Azure基礎で差が付くのは“権限”と“ネットワーク制限”

AIサービスの学習で意外と時間を取られるのが、権限不足とネットワーク制限です。

たとえば、リソース作成権限がなくて作れない、OpenAIのモデルデプロイ権限が足りない、あるいは組織のポリシーでパブリックアクセスが塞がれている、というパターンがあります。

試験でも「最小権限」「Private Endpoint」「Key Vault」など、クラウド運用の基本が絡みます。

最初は分からなくても大丈夫ですが、用語だけは早めに把握しておくと、設問の選択肢が読みやすくなります。

第3回で、AI-102に必要な範囲だけに絞って解説します。

公式Study guideの読み方：出題範囲を“チェックリスト化”する

この章で扱う主なポイントは以下のとおりです。

• 「Skills at a glance」を最初に見る理由
• 各領域の見出しを“やることリスト”に変換する手順
• 改定に追従するための定期チェック方法

以上のポイントを押さえると、教材選びに迷いにくくなります。
この後では、Study guideを“学習計画書”に変える実践手順を紹介します。

最初に見るのは配点と6領域の一覧だけでOK

Study guideは情報量が多く、全部読むと疲れます。

最初の目的は「どの領域をどれくらい勉強するか」を決めることなので、まずは6領域と配点の一覧に絞って確認します。

配点の確認はこちらの公式ページが起点になります。
【公式】Exam AI-102 Study guide

ここで、計画・管理と生成AIが重いことを再確認し、学習時間の半分以上をこの2領域に寄せる方針を立てます。

その上で、残りのVision/NLP/Searchを“得点源”にするために、ハンズオン中心で固めます。
この順序にすると、学習の途中で新しいサービス名が出ても、どの領域の知識かが分かるため混乱しにくいです。

見出しを“やること”に翻訳する：動詞で始まるチェックリストにする

Study guideの各領域には、細かいトピックが並びます。

これをそのまま読むのではなく、「実際に何をできるようになればいいか」に翻訳します。

たとえば生成AIなら「モデルをデプロイする」「プロンプトを評価する」「RAGの検索設定を調整する」といった動詞で書き換えます。

動詞で整理すると、学習は自然に“手を動かす課題”になります。
そして、その課題を連載の各回末の宿題に落とし込むことで、学習の抜け漏れが減ります。

改定への備え：月1回だけ公式ページを確認する

AI分野は更新が速く、試験範囲も改定されます。

学習を安定させるコツは、毎日ニュースを追うのではなく、月1回だけStudy guideの更新日や見出しを確認する運用にすることです。

もし変更が入っていれば、連載の学習計画に反映し、差分だけ追加で学べば十分です。
この習慣があると、改定に振り回されずに合格まで走り切れます。

AI-102の“典型アーキテクチャ”で全領域をつなげる

この章で扱う主なポイントは以下のとおりです。

• API連携型AIアプリの基本構成
• RAG（検索拡張生成）の基本構成
• 非機能要件（セキュリティ・監視・コスト）を入れる場所

以上のポイントを押さえると、個別サービスの知識が一本の線になります。
この後では、AI-102の6領域が実務アーキテクチャの中でどこに当たるかを説明します。

API連携型：アプリ→AIサービス→結果の後処理、が基本形

まず最もシンプルなのは、アプリケーションがAzure AI ServicesやAzure OpenAIにリクエストし、結果を受け取って表示する構成です。

この形では、計画・管理の領域で「認証」「キー管理」「監視」「スロットリング対策」が問われます。

VisionやLanguageなどは、入力と出力の形式が比較的分かりやすいので、まずはここでSDK/RESTの感覚を掴むと良いです。

一方で、この形だけだと“社内データに基づく回答”ができません。
そこで次に出てくるのがRAG構成です。

RAG基本構成：データ取り込み→検索→LLMで生成、の3段

RAGは、社内文書やFAQなどの独自データを使ってLLMに回答させるための定番パターンです。

構成は大きく、①データ取り込みと前処理、②検索（Azure AI Search）、③生成（Azure OpenAI）に分かれます。

前処理では、PDFをそのまま投入するだけでなく、Document Intelligenceで構造化し、検索品質を上げることが効果的です。

検索では、キーワード検索だけでなくベクトル検索やハイブリッド検索を使い、再現率と精度のバランスを取ります。

生成では、プロンプトに「検索結果を根拠として引用する」ルールを入れ、幻覚を抑えます。
この流れが分かると、生成AI・Search・Documentの設問が一気につながります。

非機能要件を入れる場所：最後に足すのではなく、最初から設計に入れる

AI-102で点を落としやすいのは、機能は正しいのに、セキュリティや運用要件を満たしていない選択肢を選んでしまうケースです。

対策は、認証はManaged Identity、秘密情報はKey Vault、ネットワークはPrivate Endpoint、監視はApplication InsightsやLog Analytics、という“置き場所”を覚えることです。

第2回以降で、この置き場所を図解しながら学習します。

サービス選定の早見表：試験で迷うポイントを潰す

この章で扱う主なポイントは以下のとおりです。

• よくある要件とサービスの対応
• 迷いやすい組み合わせ（Vision vs Document、Language vs Searchなど）
• “まずはこれ”の最短ルート

以上のポイントを押さえると、選択問題の処理速度が上がります。
この後では、要件→サービスの対応を表で整理します。

要件→サービスの対応（超ざっくり版）

やりたいこと	まず検討するサービス	補足
画像から文字を読みたい	Azure AI Vision（OCR）	帳票の項目抽出ならDocumentも検討
請求書の項目を抜き出したい	Document Intelligence	既製モデル→足りなければカスタム
文章の感情やキーワードを抽出したい	Azure AI Language	分類やNERもここ
音声を文字起こししたい	Azure AI Speech	意味理解はLanguageへ
社内文書を検索したい	Azure AI Search	OCR/抽出はスキルセットやDocumentで
社内文書に基づいて回答するチャットを作りたい	Azure OpenAI＋Azure AI Search（RAG）	前処理にDocument、評価はFoundry

VisionとDocumentの分岐：文字抽出か、文書理解か

判断基準は、必要な出力が「生テキスト」か「構造化されたフィールド」かです。

全文検索に使うだけならVisionのOCRで十分な場合が多いです。

請求書の金額や日付など、項目をキーで取りたいならDocument Intelligenceが本命になります。
この分岐を言語化できると、引っかけに強くなります。

LanguageとSearchの分岐：意味抽出か、検索アプリか

Languageは“文章から情報を抽出する”サービスです。

Searchは“情報を見つけるための検索アプリ基盤”です。

社内文書に基づく回答（RAG）ではSearchが要になり、Language単体では代替できません。
この違いを整理しておくと、ナレッジマイニング領域の設問で迷いにくいです。

学習環境の準備：第2回以降で詰まらないためのセットアップ

この章で扱う主なポイントは以下のとおりです。

• Azureアカウントと権限の確認
• 開発環境（VS Code、Python/C#、SDK）の準備
• 学習用リソースの“消し方”まで決める

以上のポイントを押さえると、実装回で時間を無駄にしません。
この後では、最低限の環境を短くまとめます。

Azureアカウント：学習リソースを公式導線で迷わず辿れる状態にする

学習も受験も同じ個人アカウントで統一しておくと、Learnの進捗や公式リソース利用がスムーズです。
公式の「試験準備」ページを入口にすると、Study guideや学習モジュールへの導線が揃います。
【公式】Prepare for an exam（学習の進め方）

開発環境：VS Code＋Azure CLI＋SDKが最短

Portal操作だけだと身に付きにくいです。

VS Codeでコードを書き、Azure CLIでログインし、SDKでAPIを叩くところまで一度通すと理解が深まります。

Pythonの場合は仮想環境を作り、azure-ai系のパッケージを入れて進めるのがシンプルです。
C#の場合は、.NET SDKとNuGetでクライアントライブラリを入れます。

学習用リソースの削除手順を“先に決める”

回ごとに「このリソースグループを削除する」という手順に寄せると安全です。

リソース名に「ai102-」の接頭辞を付ける、タグを付ける、も効果的です。
このあたりは地味ですが、学習を継続する上で大きな差になります。

責任あるAIと安全対策：AI-102で“落とし穴”になりやすい論点

この章で扱う主なポイントは以下のとおりです。

• 責任あるAI（Responsible AI）が出る理由
• コンテンツ安全対策（フィルタリング、モデレーション）の考え方
• 評価（Evaluation）と監視（Monitoring）をどう設計に入れるか

以上のポイントを押さえると、機能は合っているのに不合格になる事故を防げます。
この後では、“安全に動かす”ための設計を、最小限の型で整理します。

責任あるAIは“倫理の暗記”ではなく、要件として扱う

責任あるAIは、抽象的な理念ではなく、実装上の制約として現れます。

「不適切な出力を抑えたい」「個人情報を含む可能性がある」などの要件が、そのまま設問に登場します。

対策機能の候補を選べれば、設問は解きやすくなります。

コンテンツ安全対策：プロンプトだけに頼らず、層で守る

プロンプトだけに依存すると、想定外の入力で簡単に崩れます。

実務では、入力フィルタ、生成時フィルタ、出力フィルタ、監視と改善、という“層”で守ります。
設問では「どこで何を止めるか」が問われがちです。

評価（Evaluation）：モデルの良し悪しを“測れる形”にする

生成AIは正解が一つではないため、品質の議論が感覚論になりがちです。

正確性、根拠の提示、禁止事項の遵守、応答速度など、評価軸を決めて測ります。
第5回で、RAGの評価観点をテンプレ化します。

監視（Monitoring）：障害対応だけでなく、品質劣化を検知する

AIアプリでは、品質劣化（回答が外れる、拒否が増える、遅くなる）も監視対象になります。

ログに残す項目と、機密混入時の扱いを最初から決めるのがポイントです。
この“ログ設計”は計画・管理領域の得点源になりやすいので、第3回で深掘りします。

学習計画テンプレ：2週間・4週間・8週間の3パターン

この章で扱う主なポイントは以下のとおりです。

• 最短合格（2週間）でやること
• 標準（4週間）で実務レベルまで固める方法
• 余裕（8週間）でポートフォリオも作る方法

以上のポイントを押さえると、自分の状況に合わせて計画を調整できます。
この後では、配点とハンズオン量を基準にした学習計画を提示します。

2週間プラン：既にAzure経験がある人向けの詰め方

第1週は計画・管理と生成AIを集中し、最低限のRAGを作ります。

第2週はVision/NLP/Document/Searchを一周し、最後に模試と復習を回します。

このプランでは「サービス選定の判断」と「設定画面の位置」を押さえることが重要です。

4週間プラン：学習と仕事を両立しながら合格を狙う

1週目で全体像とAzure基礎を固め、2週目で生成AIとRAG、3週目でSearch/Document/NLP/Visionを作り込みます。

4週目は弱点潰しと模試に使い、理解が浅いところだけを補強します。

実務で使える小さなデモが残るため、資格取得後の価値も高くなります。

8週間プラン：合格＋ポートフォリオ化＋運用まで視野に入れる

後半4週間で、Managed IdentityやKey Vault、Private Endpoint、監視、評価とガードレールを追加し、本番運用に近い形へ育てます。

設計・運用の会話ができるようになるので、案件獲得を視野に入れるならこのプランが安心です。

学習の最小チェックリスト：これができれば合格圏に入りやすい

・6領域と配点を説明できる。
・AI Foundry、Azure OpenAI、AI Services、Search、Documentの関係を図で描ける。
・要件から「まず検討すべきサービス」を選べる。
・APIキーとManaged Identityの違いを説明できる。
・RAGの基本構成（取り込み→検索→生成）を説明できる。

ここまで言語化できれば、次回以降の学習はかなりスムーズになります。

試験当日のイメージ：Microsoft Learn参照（オープンブック）時代の戦い方

この章で扱う主なポイントは以下のとおりです。

• Microsoft Learn参照（オープンブック）の前提
• 時間配分と“調べる問題”の見極め
• 本番で焦らないための事前練習

以上のポイントを押さえると、本番での取りこぼしを減らせます。
この後では、オープンブック環境でも時間切れにならない考え方をまとめます。

Microsoft Learn参照は“万能”ではないので、使い所を決める

ロールベース試験ではMicrosoft Learnを参照できる仕組みがありますが、何でも調べれば勝てるわけではありません。

参照の仕様と注意点は、公式ページで先に確認しておくと安心です。
【公式】試験中のMicrosoft Learn参照（オープンブック）の仕様

基礎は自力で処理し、細部の確認だけ参照する、という使い方が現実的です。

時間配分の目安：まず解ける問題を取り切ってから調べる

最初から調べ始めると時間が溶けます。
まず自力で解ける問題を一通り進め、保留フラグを付けて後でまとめて調べる方法がおすすめです。

事前練習：Exam Sandboxで“UI操作”だけ先に慣れておく

Exam Sandboxで、マーク（見直し）やページ遷移の癖を知っておくと本番でのストレスが減ります。
Sandboxの入口は、試験体験の公式ページにまとまっています。
【公式】Exam duration / Exam experience（試験UI・Sandbox案内）

用語ミニ辞典：第1回で出てきた言葉を5分で復習

この章で扱う主なポイントは以下のとおりです。

• AI Foundry / Azure OpenAI / AI Services / Azure ML
• RAG / ベクトル検索 / ハイブリッド検索
• Managed Identity / Key Vault / Private Endpoint

以上のポイントを押さえると、次回からの理解が滑らかになります。
この後では、短い定義で復習します。

AI Foundry / Azure OpenAI / AI Services / Azure ML

AI Foundryは、モデルやツール、ガバナンスを統合してAIアプリを作るための“作業場”です。

Foundryの機能確認は公式ドキュメントを入口にすると迷いにくいです。
【公式】Microsoft Foundry ドキュメント（総合）

Azure OpenAIは、LLMや画像生成などのモデルをAzure上で利用するサービスになります。

Azure AI Servicesは、VisionやLanguageなどの既製APIを提供するサービス群です。

Azure Machine Learningは、モデル開発とMLOpsを回すプラットフォームと捉えると分かりやすいです。

RAG / ベクトル検索 / ハイブリッド検索

RAGは、検索で根拠文書を取ってきてからLLMに回答させるパターンです。

ベクトル検索は、意味的な近さで検索する仕組みで、曖昧な質問に強い傾向があります。

ハイブリッド検索は、キーワード検索とベクトル検索を組み合わせ、精度と再現率を両立させるアプローチです。

Managed Identity / Key Vault / Private Endpoint

Managed Identityは、アプリにAzure上の“身分証”を持たせ、キーを持たずにサービスへアクセスする仕組みです。

Key Vaultは、シークレットやキー、証明書を安全に保管し、アクセス制御と監査を行えます。

Private Endpointは、パブリックインターネットを経由せずにサービスへ接続するための仕組みです。

第1回のまとめと次にやること

この章で扱う主なポイントは以下のとおりです。

• 第1回で作った“地図”の再確認
• 次回までの宿題（環境準備）
• 第2回の予告

以上のポイントを踏まえると、次回からの「計画・管理」にスムーズに入れます。
この後では、今日からできる準備をチェックリスト化します。

今日の到達点：配点とサービス群が頭の中でつながった

今回は、AI-102が6領域で構成され、計画・管理と生成AIが高配点であることを確認しました。

あわせて、AI Foundryを中心に、Azure OpenAI、AI Services、Search、Documentがどう並ぶかを整理しました。

この“地図”ができると、次回以降に個別の設定を学んでも、全体のどこに当たる学習かが見失いにくくなります。

次回までの宿題：学習環境の最小セットを整える

①Azureサブスクリプションの確認。
②練習用リソースグループの作成。
③開発環境（VS Code、PythonまたはC#）の準備。
可能ならExam Sandboxを一度触り、問題UIに慣れておくと本番で落ち着けます。

第2回予告：計画と管理①（要件整理とサービス選定の型）

次回は、最重要領域である「計画と管理（20～25%）」を、試験で点が取れる形に分解します。

要件を読んで、生成AIにするのか、Visionにするのか、Searchを挟むのかを判断する“型”を作ります。

さらに、責任あるAIの観点をAzureの機能に落とし込む方法も扱います。

---

（付録）公式リソース一覧：迷ったらここに戻る

この章で扱う主なポイントは以下のとおりです。

• Study guide（配点・範囲）
• 試験ページ（認定トップ）
• Exam experience（Sandbox／UI）とオープンブック仕様
• Readiness動画と公式トレーニング

以上のリンクをブックマークしておくと、範囲改定や仕様変更があっても追従しやすくなります。
この後の連載でも、必要に応じて該当リンクへ戻りながら学習を進めてください。

• 【公式】Exam AI-102 Study guide（配点・出題範囲）
• 【公式】Azure AI Engineer Associate（認定トップ）
• 【公式】Exam duration / Exam experience（試験UI・Sandbox案内）
• 【公式】試験中のMicrosoft Learn参照（オープンブック）の仕様
• 【公式】Exam Readiness Zone（試験対策動画）
• 【公式】Microsoft Foundry ドキュメント（総合）
• 【公式】What is Microsoft Foundry?
• 【公式】AI-102T00-A: Develop AI solutions in Azure（コース概要）
• 【公式】Practice Assessments（練習問題の案内）

※この記事は2025年12月25日時点の情報に基づいています。最新情報は公式サイト等をご確認ください。
公式発表に加え、観測報道ベースの情報も含みますので、今後の動向を確認しながらご活用ください。

当サイトはリンクフリーです。記事URLは自由に共有いただけます。リンクを行う場合の許可や連絡は不要です。
ただし、インラインフレームの使用や画像の直リンクはご遠慮ください。
当ブログで掲載している文章や画像などにつきましては、無断転載することを禁止します。