Azure認定資格 WEB問題集＆徹底解説
AI-900：Microsoft Azure AI Fundamentals
解説
正解はBです。Sentiment Analysis（感情分析）を用いることで、作業報告書に含まれる従業員の業務満足度や肯定的・否定的な感情を自動で評価できます。また、Custom Named Entity Recognition（カスタムエンティティ認識）を使用することで、企業独自の設備名称や作業工程コードといったドメイン固有の専門用語を学習させ、標準モデルでは検出できないエンティティを正確に抽出できます。この組み合わせにより、感情の把握と独自エンティティの抽出という2つの要件を同時に満たせます。
選択肢 A：Prebuilt Named Entity Recognition は汎用的なエンティティ（人名、地名、日付など）の抽出には有効ですが、企業独自の専門用語には対応できません。また、Language Detection は言語の識別を行うものであり、感情分析や業務満足度の評価には寄与しません。
選択肢 C：Custom Text Classification はテキストをカテゴリに分類する機能であり、感情分析とは異なります。Key Phrase Extraction は重要なフレーズを抽出しますが、カスタムエンティティの学習・抽出はできないため、独自の設備名称や工程コードの正確な抽出には不十分です。
選択肢 D：Conversational Language Understanding は会話型アプリケーションにおける意図認識とエンティティ抽出に特化しており、大量の作業報告書の分析には適しません。Opinion Mining は感情分析の一部ですが、カスタムエンティティの抽出機能は含まれていません。
選択肢 A：Prebuilt Named Entity Recognition は汎用的なエンティティ（人名、地名、日付など）の抽出には有効ですが、企業独自の専門用語には対応できません。また、Language Detection は言語の識別を行うものであり、感情分析や業務満足度の評価には寄与しません。
選択肢 C：Custom Text Classification はテキストをカテゴリに分類する機能であり、感情分析とは異なります。Key Phrase Extraction は重要なフレーズを抽出しますが、カスタムエンティティの学習・抽出はできないため、独自の設備名称や工程コードの正確な抽出には不十分です。
選択肢 D：Conversational Language Understanding は会話型アプリケーションにおける意図認識とエンティティ抽出に特化しており、大量の作業報告書の分析には適しません。Opinion Mining は感情分析の一部ですが、カスタムエンティティの抽出機能は含まれていません。
関連サービスの解説
Azure AI Language＋ 質問 / コメント
解答・解説に疑問がある場合や、よりよい解説がある場合など、お気軽にコメントください。ただし、短文コメントは表示されません。また、中傷などコメントの内容によっては、会員機能を停止させて頂きます。教え学び合える場になれば嬉しいです。（コメント投稿にはログインが必要です）
正答率 %
No.34 解説
ある製造業の企業では、工場現場から寄せられる数万件の作業報告書を分析し、従業員の業務満足度を評価すると同時に、自社独自の設備名称や作業工程コード（標準的なモデルでは認識されない専門用語）を正確に抽出する必要があります。Azure AI Language を用いてこの要件を満たすには、どの機能の組み合わせを採用すべきですか？
- Prebuilt Named Entity Recognition と Language Detection
- Sentiment Analysis と Custom Named Entity Recognition
- Custom Text Classification と Key Phrase Extraction
- Conversational Language Understanding と Opinion Mining