AI-102 ソリューションの計画と運用AI-102 Solution Planning and Operations

答えは正しいと思います。
PUT: ファイルまたはリソースを特定の URI に、正確にその URI に配置します。
その URI にファイルまたはリソースがすでに存在する場合、PUT はそのファイルまたはリソースを置き換えます。
ファイルまたはリソースが存在しない場合は、PUT によってファイルまたはリソースが作成されます。
POST: POST は特定の URI にデータを送信し、その URI のリソースがリクエストを処理することを期待します。

I think answer is correct.
PUT: puts a file or resource at a specific URI, and exactly at that URI.
If there's already a file or resource at that URI, PUT replaces that file or resource.
If there is no file or resource there, PUT creates one.
POST: POST sends data to a specific URI and expects the resource at that URI to handle the request.

Web プログラミングや API 開発では、PUT は更新操作のための http(s) リクエスト メソッドです。ただし、更新するリソースがない場合でもリソースを作成できます。正確な理由はわかりませんが、Azure が実際にリソースを作成するための REST API リクエストを行うために使用するメソッドは、実際には「PUT」です。したがって、答えは正しいです。
参照:
https://docs.microsoft.com/en-us/rest/api/resources/resources/create-or-update

Although in Web Programming, and API dev, PUT is an http(s) request method for an update operation. I can however create a resource when there is no resource to update. I don't know why precisely but the method used by Azure to actually make a REST API request to create a resource is actually "PUT". So, the answers are correct.
See Ref:
https://docs.microsoft.com/en-us/rest/api/resources/resources/create-or-update

1. 置く
2. コグニティブサービス

1. PUT
2. CognitiveServices

答えは
置く
認識サービス
なぜ置くのか？なぜなら、POST は PUT のような新しいリソースを作成することもできますが、PUT のように冪等ではないため、サービスを作成するときは常に PUT を使用する方が良いからです。

The answer is
PUT
congnitiveservices
Why PUT? Because while POST can also create new resources like PUT but its not idempotent like PUT hence its always better to us PUT when creating services.

PUT と CognitiveServices

PUT and CognitiveSearvices

Cognitive Services は人間の認知 (Cognitive) を模倣した「AI パーツ」であり、WebAPI としてすぐに利用できます。組み込みアプリケーションは、AI やデータ サイエンスの技術的な知識を必要とせずに、視覚、音声、言語、意思決定、検索のための認知ソリューションを構築できます。

Cognitive Services are "AI parts" that mimic human cognition (Cognitive) and are immediately available as WebAPI. Embedded applications can build cognitive solutions for vision, speech, language, decision making, and search without the need for technical knowledge in AI or data science.

PUTが正しいかどうかについてChatGPTと意見が異なったとき、これが私が得たものです

Azure で新しいリソースを作成する場合、PUT メソッドを使用して、提供された構成でリソースを更新または作成します。 Azure Cognitive Services の場合、通常は PUT メソッドを使用して、指定した設定でサービスの新しいインスタンスをプロビジョニングします。

したがって、新しいリソースを作成するための正しい HTTP リクエストでは、POST ではなく PUT メソッドを使用する必要があります。

When i differed with ChatGPT about PUT being correct, this is what I got

When creating a new resource in Azure, the PUT method is used to update or create the resource with the provided configuration. In the case of Azure Cognitive Services, you typically use the PUT method to provision a new instance of the service with the specified settings.

Therefore, the correct HTTP request to create the new resource should use the PUT method, not POST.

ChatGPT、PUT、およびコグニティブサービスからの回答
curl -X PUT -H "認可: Bearer {access_token}" -H "Content-Type: application/json" \
-d '{"種類":"TextAnalytics","sku":{"名前":"F0"}}' \
「https://management.azure.com/subscriptions/{subscription_id}/resourceGroups/{resource_group_name}/providers/Microsoft.CognitiveServices/accounts/{api_name}?api-version=2021-04-30」

Answer from ChatGPT, PUT and cognitiveservices
curl -X PUT -H "Authorization: Bearer {access_token}" -H "Content-Type: application/json" \
-d '{"kind":"TextAnalytics","sku":{"name":"F0"}}' \
"https://management.azure.com/subscriptions/{subscription_id}/resourceGroups/{resource_group_name}/providers/Microsoft.CognitiveServices/accounts/{api_name}?api-version=2021-04-30"

与えられた答えは正しいです

The given answers are CORRECT

PUTは正しいです。
https://learn.microsoft.com/en-us/rest/api/resources/resources/create-or-update

PUT is correct.
https://learn.microsoft.com/en-us/rest/api/resources/resources/create-or-update

はい、入れます
https://learn.microsoft.com/en-us/rest/api/cognitiveservices/accountmanagement/accounts/create?tabs=HTTP

Yes, PUT
https://learn.microsoft.com/en-us/rest/api/cognitiveservices/accountmanagement/accounts/create?tabs=HTTP

1. 置く
2. コグニティブサービス

1. PUT
2. CognitiveServices

置く
コグナティブサービス

PUT
CognativeServices

PATCH は削除されます (アップデートのみに使用されます)。 POST と PUT (リソースの作成) の両方を使用できると思います。ただし、PUT を使用すると良いでしょう (API が再トリガーされた場合に備えて、失敗することはありません)。

そして 2 番目の答えは、多くのモデルを提供する「コグニティブ サービス」です。 (したがって、コンピュータービジョンも使用できます)。コンピューター ビジョンのみを選択した場合、センチメント分析と OCR (リソースを作成しようとしている) は使用できません。

PATCH is eliminated (It is only used for update). I think we can use both POST and PUT (to create resources). But good to use PUT (just in case if API has been re-trigerred, So it will not fail.

And 2nd answer is "Cognitive services" which provides a lot of models. (So we can use computer vision as well). if we select only computer vision, then we can't use Sentiment analysis and OCR (for which we are trying to create a resource).

PUT を使用する理由は、PUT リクエストが冪等である必要があるためと考えられます。クライアントが同じ PUT リクエストを複数回送信した場合、結果は常に同じになります (同じリソースが同じ値で変更されます)。 POST リクエストと PATCH リクエストは冪等であることが保証されていません。

May be the reason to use PUT is because , PUT requests must be idempotent. If a client submits the same PUT request multiple times, the results should always be the same (the same resource will be modified with the same values). POST and PATCH requests are not guaranteed to be idempotent.

最初のものは POST ではないでしょうか?それは、既存のリソースが更新されたのではなく、作成された新しいリソースであると述べています。

Shouldn’t the first one be POST? It says it’s a new resource created, not an existing one updated.

BとCが正解です。

B and C are correct answers.

AとB 100%、キーワードはモニタリング
透明性とは、結果を監視して、特定のユーザー グループに対して偏っていないことを確認できるように、システムがどのように機能し、どのように意思決定を行うかを明確にする必要があることを意味します。そして公平性とは、場所や背景に関係なく、すべてのユーザーを平等に扱うようにシステムを設計する必要があることを意味します。システムを監視して透明性と公平性を確保することで、結果における意図しないバイアスや差別を防ぐことができます。 AI システムの開発と使用において倫理と責任を負うことがすべてです。

A and B 100%, key word is to Monitor
Transparency means you should be clear about how the system works and how it makes decisions, so you can monitor the results and ensure that they're not biased against any particular group of users. And fairness means that the system should be designed to treat all users equally, regardless of their location or background. By monitoring the system to ensure that it's transparent and fair, you can help to prevent any unintended biases or discrimination in the results. It's all about being ethical and responsible in the development and use of AI systems.

今ではBとCでなければなりません。

Nowadays it has to be B and C.

これら 2 つの原則が連携して効果的な監視が可能になります。

公平性は監視対象を定義します (公平な扱い)
透明性により、監視方法が可能になります (システムの動作を可視化して説明可能にすることで)

These two principles work together to enable effective monitoring:

Fairness defines what you're monitoring for (equitable treatment)
Transparency enables how you monitor (by making the system's behavior visible and explainable)

BとCが正解です

B and C are Correct Answer

B - 背景、場所、性別、民族などに基づく差別はありません。
C - このシステムは、さまざまな地域、文化、背景を持つ人を含むすべての人にとって使用可能であり、効果的です。

B - No discrimination based on background, location, gender, ethnicity, etc.
C - The system is usable and effective for all people, including those from different regions, cultures, or backgrounds.

問題は、場所や背景を超えて公平な結果を確保するためにシステムを監視することに関するもので、これは公平性 (偏見の回避) と透明性 (システムの動作の理解と説明) に直接関係します。

なぜフォローしないのか:
C. 包括性 – 公平性の監視ではなく、アクセシビリティとあらゆる能力の人々がシステムを使用できるようにすることに焦点を当てます。
D. 信頼性と安全性 – システムが一貫して安全に動作することを保証しますが、公平性や偏りには直接対処しません。
E. プライバシーとセキュリティ – ユーザー データとシステムの完全性を保護しますが、公平な結果の監視とは無関係です。

The question is about monitoring a system to ensure equitable results across locations and backgrounds, which directly relates to Fairness (avoiding bias) and Transparency (understanding and explaining system behavior).

Why not following:
C. Inclusiveness – Focuses on accessibility and ensuring people of all abilities can use the system, not on monitoring for fairness.
D. Reliability and Safety – Ensures the system performs consistently and safely, but doesn’t directly address equity or bias.
E. Privacy and Security – Protects user data and system integrity, but is unrelated to monitoring for equitable outcomes.

包括性はシステムの構築に役立ちます。公平性と透明性がそれを監視するのに役立ちます。

Inclusiveness helps build the system; fairness and transparency help monitor it.

公平性 偏見を回避し、平等な待遇を確保する
包括性 アクセス、代表、平等な参加の確保

Fairness Avoiding bias, ensuring equal treatment
Inclusiveness Ensuring access, representation, and equal participation

なぜA&Bではないのでしょうか？
透明性
Azure Machine Learning の透明性: Responsible AI ダッシュボードのモデルの解釈可能性と反事実的な what-if コンポーネントにより、データ サイエンティストと開発者は、モデルの予測について人間が理解できる説明を生成できます。

公平性 - コメントはありません。明らかです。

Why not A&B?
Transparency
Transparency in Azure Machine Learning: The model interpretability and counterfactual what-if components of the Responsible AI dashboard enable data scientists and developers to generate human-understandable descriptions of the predictions of a model

fairness - no comment. it is clear.

それはBとCのはずです。

It must be B and C.

BCは明らかに正しい

BC is obviously correct

B. 公平性: この原則は、ユーザーの場所や背景に関係なく、AI システムが公平な結果を提供することを保証することに関するものです。これには、AI システムの結果における偏りを最小限に抑え、すべてのユーザーに平等な機会を提供することが含まれます。
C. 包括性: この原則は、場所や背景に関係なく、可能な限り幅広い人々がアクセスして使用できる AI システムを設計することに関するものです。これには、AI システムの設計と導入の際に、潜在的なユーザーの多様な特性を考慮することが含まれます。

B. Fairness: This principle is about ensuring that the AI system provides equitable results regardless of a user’s location or background. It involves minimizing bias in the AI system’s outcomes and providing equal opportunities for all users.
C. Inclusiveness: This principle is about designing AI systems that are accessible and usable by the widest possible range of people, regardless of their location or background. It involves considering the diverse characteristics of potential users during the design and deployment of the AI system.

要件は信頼性や安全性には言及せず、ユーザーの特性や背景に関係なく平等に扱われることのみです。

The requirements to not mention reliability and safety, only that the users are treated equally regardless of their characteristics or background.

非常に重要な問題を解決するために、Equidad y la inclusión al abordar que debe ser independiente de la ubicación を使用してください。

En la pregunta claramente hablan sobre Equidad y la inclusión al abordar que debe ser independiente de la ubicación

透明性 (A) は、AI システムの動作をユーザーに理解できるようにするために重要であり、信頼性と安全性 (D) は、プライバシーとセキュリティ (E) とともに、システムの信頼できる動作、ユーザーの安全性、データ保護を確保するために重要であり、公平性と包括性は、特に公平な結果を確保し、シナリオに記載されている監視要件に対処することを目的としています。

transparency (A) is important for making the operations of AI systems understandable to users, and reliability and safety (D), along with privacy and security (E), are crucial for ensuring the system's dependable operation, user safety, and data protection, fairness and inclusiveness are specifically targeted towards ensuring equitable results and addressing the monitoring requirements stated in your scenario.

私はそれがあるべきだと思います:
1. カスタム Docker ファイルを作成する
2. コンテナー イメージをプルします (dockerfile 内)
3. イメージを構築する
4 ACR へのプッシュ

I think the it should be:
1. Create a custom docker file
2. Pull the container image (in the dockerfile)
3. Build the image
4 Push to ACR

ChatGPT: 要件を満たすには、次のアクションを順番に実行します。

1. カスタム Dockerfile を作成します。これにより、コンテナー化されたデプロイメントの特定の構成と依存関係を定義できます。

2. イメージを構築する: Dockerfile を使用して、必要なコンポーネントと構成を含むコンテナー イメージを構築します。

3. イメージを Azure コンテナー レジストリにプッシュする: コンテナー イメージを Azure コンテナー レジストリに保存して、アクセスを制御し、安全なストレージを確保します。

4. docker run スクリプトを配布する: ローカル デバイスまたはオンプレミス データセンターでコンテナー化されたデプロイメントを実行するために使用できる docker run スクリプトを提供します。このスクリプトには、必要な環境変数または構成設定が含まれている必要があります。

注: Anomaly Detector コンテナー イメージをプルし、そのイメージを Docker Hub にプッシュするアクションは、要件には記載されていません。したがって、所定の要件を満たすためには必要ありません。

ChatGPT: To meet the requirements, perform the following actions in sequence:

1. Create a custom Dockerfile: This allows you to define the specific configuration and dependencies for your containerized deployment.

2. Build the image: Use the Dockerfile to build the container image with the necessary components and configurations.

3. Push the image to an Azure container registry: Store the container image in an Azure container registry to control access and ensure secure storage.

4. Distribute a docker run script: Provide a docker run script that can be used to run the containerized deployment on local devices or in on-premises datacenters. This script should include any necessary environment variables or configuration settings.

Note: The actions of pulling the Anomaly Detector container image and pushing the image to Docker Hub are not mentioned in the requirements. Therefore, they are not necessary for meeting the given requirements.

Microsoft の副操縦士は、Anomaly Detector コンテナ イメージのプルが出発点であると述べました。参照: https://learn.microsoft.com/en-us/azure/ai-services/anomaly-detector/anomaly-detector-container-howto その後、カスタム Dockerfile を作成できます

Microsoft Co-Pilot said Pull the Anomaly Detector container image is the starting point. See: https://learn.microsoft.com/en-us/azure/ai-services/anomaly-detector/anomaly-detector-container-howto Then you can Create a custom Dockerfile

Anomaly Detector コンテナー イメージをプルします。まず、Microsoft Container Registry から公式の基本イメージを取得します。
カスタム Dockerfile を作成する: CLI 履歴にシークレットが表示されないようにするには
イメージのビルド: Dockerfile を処理し、コンテナーの「強化された」バージョンをローカルに作成します。
イメージを Azure コンテナー レジストリにプッシュする: Azure Container Registry (ACR) は Azure RBAC をサポートします。

Pull the Anomaly Detector container image: first obtain the official base image from the Microsoft Container Registry.
Create a custom Dockerfile: To prevent secrets from appearing in CLI history
Build the image: To processes the Dockerfile and creates "hardened" version of the container locally.
Push the image to an Azure container registry: Azure Container Registry (ACR) supports Azure RBAC.

このような手順になるはずですか？

カスタム Dockerfile を作成する
Anomaly Detector コンテナ イメージをプルする
イメージを構築する
イメージを Azure コンテナー レジストリにプッシュします

it should be like this steps?

Create a custom Dockerfile
Pull the Anomaly Detector Container Image
Build the Image
Push the image to an Azure Container registry

正しくない。正しい答えは次のとおりです。
1. カスタム Docker ファイルを作成します (異常検出器の最新イメージを取得する手順が含まれているため)。
2. イメージを構築する
3. ACR へのプッシュ
4. Docker Runの配布

Incorrect. Correct answer is:
1. Create custom docker file (as it includes instructions to pull the latest image of anomaly detector)
2. Build the image
3. Push to ACR
4. Distribute Docker Run

Anomaly Detector コンテナー イメージをプルします (b):
まず、レジストリから公式の Anomaly Detector コンテナ イメージを取得します。 docker pull コマンドを使用してダウンロードできます。

カスタム Dockerfile を作成します (a):
次に、特定のイメージを構築するための手順を定義するカスタム Dockerfile を作成します。機密情報がコマンドライン履歴に保存されないようにするなど、要件を組み込むようにカスタマイズします。

イメージを構築します (e):
Dockerfile を使用してカスタム イメージを構築します。このステップでは、必要なコンポーネントと構成をコンパイルします。

イメージを Azure コンテナー レジストリにプッシュします (d):
最後に、カスタム イメージを Azure コンテナー レジストリに保存します。これにより、アクセスの制御と安全な保管が保証されます。

Pull the Anomaly Detector container image (b):
Start by retrieving the official Anomaly Detector container image from a registry. You can use the docker pull command to download it.

Create a custom Dockerfile (a):
Next, create a custom Dockerfile that defines the instructions for building your specific image. Customize it to include your requirements, such as preventing sensitive information from being stored in command-line histories.

Build the image (e):
Use the Dockerfile to build your custom image. This step compiles the necessary components and configurations.

Push the image to an Azure container registry (d):
Finally, store your custom image in an Azure container registry. This ensures controlled access and secure storage.

1. カスタム Docker ファイルを作成する
2. コンテナー イメージをプルします (dockerfile 内)
3. イメージを構築する
4 ACR へのプッシュ
これは多くの票を集めた回答です。それは正しいですか?....助けてください

1. Create a custom docker file
2. Pull the container image (in the dockerfile)
3. Build the image
4 Push to ACR
This is highly voted answer. Is it correct?....pls help

これが正しいものです:

1. Anomaly Detector コンテナー イメージをプルします。
2. カスタム Dockerfile を作成します。
3. イメージを構築します。
4. イメージを Azure コンテナー レジストリにプッシュします。

This is the right one:

1. Pull the Anomaly Detector container image.
2. Create a custom Dockerfile.
3. Build the image.
4. Push the image to an Azure container registry.

1. 異常検知器を引く
2. dockerファイルをビルドする
3. イメージのビルド
4. ACR に公開する
これは、すべてのデバイスがイメージをプルして ACR から実行するためのソースになります。

1. Pull the anomaly detector
2. build docker file
3. build image
4. publish to ACR
this now will become source for all devices to pull the image and run from ACR.

1.カスタムDockerfileを作成する
2.イメージを構築する
3.イメージを Azure コンテナー レジストリにプッシュします
4.docker runスクリプトを配布する

武田塾の観点から言えば、4日間勉強して2日間復習すれば合格の可能性は高くなります。

1.Create a custom Dockerfile
2.Build the image
3.Push the image to an Azure container registry
4.Distribute a docker run script

From Takedajuku perspective, if you study for 4 days and spend 2 days reviewing, you will have a better chance of passing the exam.

注: 複数の順序の回答選択肢が正しいことに注意してください。

it is important to note NOTE: More than one order of answer choices is correct.

1.画像をプルします
2.dockerfileを作成する
3. 構築する
4. 走る
5. 必要に応じて ACR にプッシュします

1. Pull the image
2. Create dockerfile
3. Build
4. Run
5. Push to ACR if required

1.作成します。
2. 構築します。
3.プッシュ
4. 走る
命令例 hello-world イメージ
https://learn.microsoft.com/en-us/azure/container-registry/container-registry-quickstart-task-cli

1. Create.
2. Build.
3. Push
4. Run
Instruction example hello-world image
https://learn.microsoft.com/en-us/azure/container-registry/container-registry-quickstart-task-cli

最終的な答え:
1.カスタムDockerfileを作成する
2.イメージを構築する
3.イメージを Azure コンテナー レジストリにプッシュします
4. docker run スクリプトを配布します。

Final Answer:
1.Create a custom Dockerfile
2.Build the image
3.Push the image to an Azure container registry
4.Distribute a docker run script:

私はそれがあるべきだと思います:
1. コンテナー イメージをプルします (dockerfile 内)
2. カスタム Docker ファイルを作成する
3. イメージを構築する
4 ACR へのプッシュ

I think the it should be:
1. Pull the container image (in the dockerfile)
2. Create a custom docker file
3. Build the image
4 Push to ACR

YouTube で Azure 公式を確認してください: https://www.youtube.com/watch?v=XLQLNazid4I
手順は次のとおりです。
1. コンテナー イメージをプルします (dockerfile 内)
2. カスタム Docker ファイルを作成する
3. イメージを構築する
4 ACR へのプッシュ

check Azure official on youtube: https://www.youtube.com/watch?v=XLQLNazid4I
The steps should be
1. Pull the container image (in the dockerfile)
2. Create a custom docker file
3. Build the image
4 Push to ACR

答えは正しいです - サンプル応答は次のようになります。
{
"キー1": "キー1",
"キー2": "キー2"
}
これは、Key1 がすでに存在しており、この JSON リクエストにより Key2 が生成されることを示しています。

Answer is correct - Sample response will be,
{
"key1": "KEY1",
"key2": "KEY2"
}
This shows, Key1 is already there and this JSON request will generate Key2.

なんてくだらない質問でしょう！サブスクリプション キーで再生成されているアカウント キーが混乱しています...それらは「クエリ キー」ではなくアカウント キーです。
唯一の一致オプションは「A. コグニティブ サービスのキーが生成されました」です。

しかし...
...再生成されました

他のオプションはさらに悪く、「クエリ キーが生成されました」(この呼び出しで行われるのはアカウント キーの再生成です)
または c または d では、「サブスクリプション キー」について話しますが、そのような名前のものはありません。

明らかに目的は混乱させることであり、この質問は可能な限りひどいものです。

What a crap question! it's confusing account keys which they are regenerating with the Subscription keys... those are aCcount keys not "query keys"
The only matching option is "A. a key for cognitive services was generated"

But...
... it was RE-generated

the other options are even worse, "a query key was generated" (what this call does is regenerate an account key)
or c or d, they talk about "subscription keys", which there is nothing by that name.

Clearly the goal is to confuse, this question is as bad as it can be.

regenerateKey API は、Cognitive Services リソースに対する認証に使用される 2 つのアクセス キー (Key1 または Key2) の 1 つを再生成します。これらはサブスクリプション キーであり、Azure Key Vault キーやクエリ キーではありません。

The regenerateKey API regenerates one of the two access keys (Key1 or Key2) used to authenticate against the Cognitive Services resource. These are subscription keys, not Azure Key Vault keys or query keys.

REST API を使用してキーを再生成できます。
POST https://management.azure.com/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.CognitiveServices/accounts/{accountName}/regenerateKey?api-version=2024-10-01
subscriptionId: Azure サブスクリプション ID。
resourceGroupName: リソース グループの名前。
accountName: Cognitive Services アカウントの名前。
{
"keyName": "Key1" // または "Key2"
}

You can use the REST API to regenerate keys:
POST https://management.azure.com/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.CognitiveServices/accounts/{accountName}/regenerateKey?api-version=2024-10-01
subscriptionId: Your Azure subscription ID.
resourceGroupName: The name of your resource group.
accountName: The name of your Cognitive Services account.
{
"keyName": "Key1" // or "Key2"
}

エンドポイントが regenerate の場合、返されたアクションは「リセットされた」ことになります。

make sense if endpoint is regenerate , the action retorned "was reset"

答えは D. Azure で検証されたソリューション

The answer is D. Solution verified in Azure

D が正しいです。 https://learn.microsoft.com/en-us/rest/api/aiservices/accountmanagement/accounts/regenerate-key?view=rest-aiservices-accountmanagement-2023-05-01&tabs=HTTP

D is correct. https://learn.microsoft.com/en-us/rest/api/aiservices/accountmanagement/accounts/regenerate-key?view=rest-aiservices-accountmanagement-2023-05-01&tabs=HTTP

解決策は d です。 regenerateKey 操作は、Azure Cognitive Services アカウントの主キーまたは副キーを再生成するために使用されます。リクエスト本文にキー名を指定することで、どのキーを再生成するかを指定します。キー名として使用できる値は、主キーの場合は「Key1」、副キーの場合は「Key2」です。

solution is d, The regenerateKey operation is used to regenerate either the primary or the secondary key for an Azure Cognitive Services account. You specify which key to regenerate by providing the key name in the request body. Possible values for the key name are 'Key1' for the primary key and 'Key2' for the secondary key.

D が正しい選択肢です。
共有される API は、本体内の key1 または key2 に基づいて主キーと副キーの両方を再生成します。以下に明確に記載されています。

https://learn.microsoft.com/en-us/rest/api/aiservices/accountmanagement/accounts/regenerate-key?view=rest-aiservices-accountmanagement-2023-05-01&tabs=HTTP

D is the correct option.
The Api being shared is to regenerate the both primary and secondary keys based on key1 or key2 in the body. Clearly mentioned below:

https://learn.microsoft.com/en-us/rest/api/aiservices/accountmanagement/accounts/regenerate-key?view=rest-aiservices-accountmanagement-2023-05-01&tabs=HTTP

Dが正解です。

D is right answer.

D は正しいです。

D is right.

D. セカンダリ サブスクリプション キーがリセットされました。

この応答は、要求本文の "keyName": "Key2" によって示され、セカンダリ サブスクリプション キー (Key2) を再生成する必要があることを指定します。

D. The secondary subscription key was reset.

This response is indicated by the "keyName": "Key2" in the request body, specifying that the secondary subscription key (Key2) should be regenerated.

実際、この API 呼び出しは Cognitive Service アカウントのセカンダリ キーを再生成します。key1 は同じままです。 「サブスクリプション」ではなく「アカウント」として言及されていれば明確だったかもしれません

indeed this API call will regenerate the secondary key for the Cognitive Service Account..key1 remains same. could have been clear if it is mentioned as 'account' instead of 'subscription'

言及した HTTP POST 要求は、Azure サブスクリプション自体ではなく、Azure Cognitive Services アカウントのキーを再生成するためのものです。明確にするための内訳は次のとおりです。

Azure Cognitive Services キー: これは、要求で再生成するキーです。 Cognitive Services キーは、コンピューター ビジョン、言語理解など、Azure によって提供されるさまざまなコグニティブ サービスに対する API 要求を認証するために使用されます。
Azure サブスクリプション キー: このキーは異なります。これは Azure サブスクリプションに関連付けられており、Azure 内のすべてのサービスにわたる請求とサービスの使用状況を管理するために使用されます。
つまり、要求により、指定された Cognitive Services アカウント (contoso1) のセカンダリ キー (Key2) が再生成され、新しいキーを使用して Cognitive Services API に継続的にアクセスできるようになります。 Azure サブスクリプション キーには影響しません。これは、キーが侵害された場合に、サービスやアクセスを中断することなくキーを再生成できるようにするため、セキュリティの実践にとって重要です。

The HTTP POST request you mentioned is specifically for regenerating the key of an Azure Cognitive Services account, not the Azure subscription itself. Here’s a breakdown to clarify:

Azure Cognitive Services Key: This is the key you’re regenerating with the request. Cognitive Services keys are used to authenticate API requests for the various cognitive services provided by Azure, like computer vision, language understanding, and more.
Azure Subscription Key: This key is different; it’s associated with your Azure subscription and is used to manage billing and service usage across all services within Azure.
So, in summary, the request regenerates the secondary key (Key2) for the specified Cognitive Services account (contoso1), allowing continued access to Cognitive Services APIs with the new key. It does not affect the Azure subscription key. This is important for security practices, ensuring that if a key is compromised, you can regenerate it without interrupting services or access.

MS LearnビデオはそのDを示唆しています

MS Learn video suggest its D

答えはBだと思います。
答え D - サブスクリプションと書かれているので、サブスクリプション キーのリセットはリソース キーに関係しているとは思いません。

I think answer is B.
on the answer D - I think because it says subscription, I dont think its resetting subscription key as this is more to do with the resource key

D. セカンダリ サブスクリプション キーがリセットされました。

この要求は、Azure Cognitive Services アカウント (contoso1) のキーを再生成するための Azure Management API に対するものです。要求の本文では、{"keyName": "Key2"} を指定します。これは、操作の対象がセカンダリ サブスクリプション キー (通常、Azure Cognitive Services 管理では Key2 と呼ばれます) であることを示します。 regenerateKey アクションにより、指定されたキーがリセットされ、古いキー値が無効になると同時に新しいキー値が生成されます。

D. The secondary subscription key was reset.

The request is to the Azure Management API to regenerate a key for an Azure Cognitive Services account (contoso1). The body of the request specifies {"keyName": "Key2"}, which indicates that the operation is targeted at the secondary subscription key (commonly referred to as Key2 in Azure Cognitive Services management). The regenerateKey action causes the specified key to be reset, generating a new key value for it while invalidating the old one.

正解は A の透明性です。「AI アプリケーションが、人物の画像を撮影して認識する顔認識システムなどの個人データに依存している場合、データがどのように使用および保持され、誰がデータにアクセスできるのかをユーザーに明確にする必要があります。」から: https://docs.microsoft.com/en-us/learn/paths/prepare-for-ai-engineering/

The correct answer is A, transparency: "When an AI application relies on personal data, such as a facial recognition system that takes images of people to recognize them; you should make it clear to the user how their data is used and retained, and who has access to it." from: https://docs.microsoft.com/en-us/learn/paths/prepare-for-ai-engineering/

「透明性: AI システムは理解できるものでなければなりません。」
「信頼性と安全性: AI システムは確実かつ安全に動作する必要があります。」
だから答えは正しい、信頼性と安全性
https://docs.microsoft.com/en-us/azure/cloud-adoption-framework/strategy/responsible-ai

"Transparency: AI systems should be understandable."
"Reliability and safety: AI systems should perform reliably and safely."
so the answer is correct, reliability and safety
https://docs.microsoft.com/en-us/azure/cloud-adoption-framework/strategy/responsible-ai

Aは正しいようです。 ChatGPTから質問したところ、透明性と表示されています。

A seems correct. I just asked from ChatGPT and it says transparency.

A が正解です

A is the correct answer

A が正解です。

A is the right answer.

透明性が正解です。

transparency is right answer.

透明性。データが処理されていることをユーザーに通知するためです。

Transparence, because you are informing users that their data is being processed.

透明性が正解です。
透明性: AI システムは理解できるものでなければなりません。

Transparency is the right answer.
Transparency: AI systems should be understandable.

データが販売システムによって処理されたことをユーザーに通知することは、A. 透明性の原則を満たすのに役立ちます。透明性には、データがどのように使用され、処理され、その背後にある目的についてユーザーに通知することが含まれ、それによってテクノロジープロバイダーとユーザーの間の信頼と理解を促進します。

Notifying users that their data has been processed by the sales system helps meet the A. transparency principle. Transparency involves informing users about how their data is used, processed, and the purpose behind it, thereby fostering trust and understanding between the technology providers and the users.

データが販売システムによって処理されたことをユーザーに通知することは、A. 透明性の原則を満たすのに役立ちます。透明性には、データがどのように使用され、処理され、その背後にある目的についてユーザーに通知することが含まれ、それによってテクノロジープロバイダーとユーザーの間の信頼と理解を促進します。

Notifying users that their data has been processed by the sales system helps meet the A. transparency principle. Transparency involves informing users about how their data is used, processed, and the purpose behind it, thereby fostering trust and understanding between the technology providers and the users.

透明性。
AI システムは理解できるものでなければなりません。ユーザーは、システムの目的、システムの仕組み、および予想される制限について十分に認識する必要があります。
参照: https://learn.microsoft.com/en-us/training/modules/prepare-to-develop-ai-solutions-azure/5- Understand-considerations-for-responsible-ai

Transparency.
AI systems should be understandable. Users should be made fully aware of the purpose of the system, how it works, and what limitations may be expected.
REF: https://learn.microsoft.com/en-us/training/modules/prepare-to-develop-ai-solutions-azure/5-understand-considerations-for-responsible-ai

システムは全員を失敗者として扱うべきだ

System should treat eveyone faily

私にとって正解です A

correct for me A

オフコースの透明性。どのような情報が AI ソリューションによって処理されるかをユーザーに通知する必要があります。

Transparency offcourse. Users should be notified what information will be processed by the ai solution.

A
明らかに透明性があるのに、なぜこの Web サイトは間違った答えを選択するのでしょうか?

A
it's clearly transparency, why this website selects the wrong answer?

ChatGPTの答え：
ユーザーのデータが販売システムによって処理されたことをユーザーに通知することで満たされる責任ある AI の原則は、A. 透明性です。

透明性は、AI システムを理解しやすくし、その決定と動作について明確な説明を提供する原則です。データが販売システムによって処理されたことをユーザーに通知することで、データが使用されているという事実とその使用方法について透明性を保つことができます。これは、ユーザーが自分のデータがどのように使用されているかを理解するのに役立ち、ユーザーと販売システムの間の信頼を構築するのに役立ちます。

ChatGPT answer :
The responsible AI principle that notifying users that their data has been processed by the sales system helps meet is A. transparency.

Transparency is the principle of making AI systems understandable and providing clear explanations of their decisions and actions. By notifying users that their data has been processed by the sales system, you are being transparent about the fact that their data is being used and how it is being used. This helps users understand how their data is being used and can help build trust between users and the sales system.

Aが正しいです

A is correct

この質問はまだ試験に出題されていないと思います。
2023 年 9 月 20 日以降、新しい Anomaly Detector リソースを作成できなくなります。 Anomaly Detector サービスは、2026 年 10 月 1 日に廃止されます。

I don't think this question is still in the exam :
Starting on the 20th of September, 2023 you won’t be able to create new Anomaly Detector resources. The Anomaly Detector service is being retired on the 1st of October, 2026.

A そうです。

A is right.

このシナリオで使用するのに最適な Azure サービスは、A. Anomaly Detector1 です。

The best Azure service to use in this scenario is A. Anomaly Detector1.

Azure Anomaly Detector は、このシナリオで使用する推奨される Azure サービスです。

Azure Anomaly Detector is the recommended Azure service to use for this scenario.

私の試験について (2023-01-16 合格)

私の答え:A

on my exam (2023-01-16 Passed)

My Answer:A

異常検知

Anomaly detection

A が正解: Anomaly Detector。

A is correct answer : Anomaly Detector.

2022 年 5 月 3 日に試験を受けました

Was on exam on 03-May-2022

コグニティブ サービスの貢献者
Cognitive Services のキーを作成、読み取り、更新、削除、管理できます。

Cognitive Services Contributor
Lets you create, read, update, delete and manage keys of Cognitive Services.

2024 年 5 月 25 日以降、シミュレーション問題は実際の試験には出題されません。 ET はこの種の質問を削除する必要があります。

Simulation questions will not appear on the actual exam as of May 25, 2024; ET should remove this type of question.

https://learn.microsoft.com/en-us/azure/role-based-access-control/role-assignments-portal

https://learn.microsoft.com/en-us/azure/role-based-access-control/built-in-roles#cognitive-services-user
クラシック ストレージ アカウント キー オペレーター サービス ロール:
クラシック ストレージ アカウントのキー オペレーターは、クラシック ストレージ アカウントのキーを一覧表示して再生成できます。

https://learn.microsoft.com/en-us/azure/role-based-access-control/role-assignments-portal

https://learn.microsoft.com/en-us/azure/role-based-access-control/built-in-roles#cognitive-services-user
Classic Storage Account Key Operator Service Role:
Classic Storage Account Key Operators are allowed to list and regenerate keys on Classic Storage Accounts

1. アカウントの資格情報を使用して Azure portal (https://portal.azure.com/) にサインインします。 2. 左側のナビゲーション メニューで、[すべてのサービス] をクリックし、[サブスクリプション] を検索します。 [サブスクリプション] サービスをクリックして、Azure サブスクリプションのリストを開きます。 3. ID「AAA12345678」のサブスクリプションを見つけてクリックし、サブスクリプションの詳細ページを開きます。 4. サブスクリプションの詳細ページの左側のナビゲーション メニューで、[アクセス制御 (IAM)] をクリックします。 5. [+ 追加] ボタンをクリックして、新しい役割の割り当てを追加します。これにより、「役割の割り当ての追加」ペインが開きます。 6. [ロール] ドロップダウン メニューで、[ユーザー アクセス管理者] ロールを検索して選択します。このロールを使用すると、ユーザーは最小特権の原則を守りながら、サブスクリプション キーの管理機能など​​、Azure リソースへのアクセスを管理できます。 7. 「選択」フィールドに「」と入力します。[メール 保護されています]」をクリックし、提案のリストからユーザーを選択します。 8. [保存] ボタンをクリックして、役割の割り当てプロセスを完了します。

1. Sign in to the Azure portal (https://portal.azure.com/) using your account credentials. 2. In the left-hand navigation menu, click on "All services" and search for "Subscriptions." Click on the "Subscriptions" service to open the list of your Azure subscriptions. 3. Find the subscription with the ID "AAA12345678" and click on it to open the subscription details page. 4. In the left-hand navigation menu of the subscription details page, click on "Access control (IAM)." 5. Click on the "+ Add" button to add a new role assignment. This will open the "Add role assignment" pane. 6. In the "Role" dropdown menu, search for and select the "User Access Administrator" role. This role allows a user to manage access to Azure resources, including the ability to manage subscription keys, while adhering to the principle of least privilege. 7. In the "Select" field, type "[email protected]" and select the user from the list of suggestions. 8. Click on the "Save" button to complete the role assignment process.

これは 2023 年 6 月 28 日の試験に出題されました

This came in the exam 28/06/2023

「2023 年 9 月 20 日以降、新しい Metrics Advisor リソースを作成できなくなります。Metrics Advisor サービスは 2026 年 10 月 1 日に廃止されます。」

ソース: https://learn.microsoft.com/en-us/azure/ai-services/metrics-advisor/overview

"Starting on the 20th of September, 2023 you won’t be able to create new Metrics Advisor resources. The Metrics Advisor service is being retired on the 1st of October, 2026."

source: https://learn.microsoft.com/en-us/azure/ai-services/metrics-advisor/overview

Azure Anomaly Detector (D): 最大 300 個の信号にわたる多変量検出をサポートしていますが、組み込みの根本原因分析とアラート機能を提供するのではなく、主に検出に焦点を当てているため、追加の開発作業が必要です。

Azure Anomaly Detector (D): While it supports multivariate detection across up to 300 signals , it focuses primarily on detection rather than providing built-in root cause analysis and alerting capabilities, requiring additional development work

Azure AI Anomaly Detector は、マルチセンサー相関分析用の事前構築モデルとローコード実装により、このシナリオに最適な選択肢です。
なぜ他の選択肢がないのでしょうか?
A. メトリクス アドバイザー: IoT センサー データではなく、ビジネス メトリクス (収益、Web トラフィックなど) に焦点を当てており、非推奨になります。
B. Form Recognizer: センサー分析には無関係なテキスト/データをドキュメントから抽出します。
C. Azure Machine Learning: カスタム モデルの開発が必要となり、Anomaly Detector の事前構築済み API と比較して時間とリソースが増加します。

Azure AI Anomaly Detector is the optimal choice for this scenario due to its prebuilt models for multi-sensor correlation analysis and low-code implementation.
Why Not Other Options?
A. Metrics Advisor: Focuses on business metrics (e.g., revenue, web traffic), not IoT sensor data, and is being deprecated.
B. Form Recognizer: Extracts text/data from documents, irrelevant for sensor analysis.
C. Azure Machine Learning: Requires custom model development, increasing time/resources compared to Anomaly Detector’s prebuilt APIs.

Azure Metrics Advisor は 2023 年 9 月 20 日に廃止され、Azure AI Anomaly Detector に置き換えられました。試験が更新された場合は D です

Azure Metrics Advisor was retired on September 20, 2023 and replaced by Azure AI Anomaly Detector. If the Exam is updated, is D

開発時間を最小限に抑えながら、相関する複数のセンサーにわたって異常検出を実行し、プロセス停止の根本原因を特定し、インシデント アラートを送信するアプリを構築するには、Azure Metrics Advisor を使用する必要があります。

Azure Metrics Advisor は、時系列データの異常を監視および検出するように設計されており、相関する複数のセンサーの処理に適しています。根本原因分析とインシデント警告機能も提供します

To build an app that performs anomaly detection across multiple correlated sensors, identifies the root cause of process stops, and sends incident alerts while minimizing development time, you should use Azure Metrics Advisor.

Azure Metrics Advisor is designed for monitoring and detecting anomalies in time-series data, making it suitable for handling multiple correlated sensors. It also provides root cause analysis and incident alerting capabilities

A のはずですが、引退しています。 D

Should be A, but it is retired. D

A. Azure メトリクス アドバイザー。複数のデータ ストリームにわたる異常を検出できるように設計されており、根本原因を特定し、インシデント アラートを送信できると同時に、開発時間を最小限に抑えることができます。

A. Azure Metrics Advisor. It’s designed for anomaly detection across multiple data streams, can identify root causes, and send incident alerts—all while minimizing development time

A である必要がありますが、2023 年 9 月 20 日以降、新しい Metrics Advisor リソースを作成できなくなります。 Metrics Advisor サービスは、2026 年 10 月 1 日に廃止されます。
出典: https://learn.microsoft.com/en-us/azure/ai-services/metrics-advisor/overview

Should be A, But starting on the 20th of September, 2023 you won’t be able to create new Metrics Advisor resources. The Metrics Advisor service is being retired on the 1st of October, 2026.
Source: https://learn.microsoft.com/en-us/azure/ai-services/metrics-advisor/overview

開発時間を最小限に抑えながら、相関する複数のセンサーにわたって異常検出を実行し、プロセス停止の根本原因を特定し、インシデント アラートを送信するアプリを構築するには、以下を使用する必要があります。

D. 異常検出器

Anomaly Detector サービスは、多変量異常検出を処理するように設計されています。つまり、複数の相関信号を分析して異常を特定できます。また、異常の根本原因を特定するのにも役立ち、アラート メカニズムと統合してインシデント アラートを送信することもできます⁵⁶。このサービスはお客様の要件に適しており、事前構築されたモデルと簡単な統合を提供することで開発労力を最小限に抑えます。

To build an app that performs anomaly detection across multiple correlated sensors, identifies the root cause of process stops, and sends incident alerts while minimizing development time, you should use:

D. Anomaly Detector

The Anomaly Detector service is designed to handle multivariate anomaly detection, which means it can analyze multiple correlated signals and identify anomalies. It also helps in pinpointing the root cause of anomalies and can be integrated with alerting mechanisms to send incident alerts⁵⁶. This service is well-suited for your requirements and minimizes development effort by providing pre-built models and easy integration.

Azure AI メトリクス アドバイザー

https://learn.microsoft.com/en-us/azure/ai-services/metrics-advisor/overview

Azure AI Metrics Advisor

https://learn.microsoft.com/en-us/azure/ai-services/metrics-advisor/overview

ストリーミング データの Metric Advisor はバッチ データの Analoly 検出器です。

Streaming data Metric Advisor where as batch data Anamoly detector.

Aが答えです。

A is the answer.

異常検出に関しては D が正解です

D is Correct for anomaly detection

A そうです。武田塾の観点から言えば、4日間勉強して2日間復習すれば合格の可能性は高くなります。

A is right. From Takedajuku perspective, if you study for 4 days and spend 2 days reviewing, you will have a better chance of passing the exam.

なぜAなのか？

Why is A?

メトリクス アドバイザがない場合は、二次オプションとして多変量異常検出を選択します。メトリクス アドバイザが最良の答えです。

if there is no metrics advisor, then choose Multivariate Anomaly detection as secondary option, Metrics Advisor is the best answer.

これは試験 28/06 に登場しました

This appeared in exam 28/06

正しい選択は C. 多変量異常検出です。
このシナリオでは、複数のエンジン センサー データ ポイント (回転速度、角度、温度、圧力など) が一緒に監視されており、相互依存している可能性があります。多変量異常検出では、これらの関連変数を同時に分析して、それらの組み合わせパターンから生じる異常を検出できます。このため、異常を検出するにはさまざまな変数間の関係が重要となる、エンジンなどの複雑なシステムでの異常な値を特定するのに適しています。
A. Azure Monitor の Application Insights は、主にアプリケーションのパフォーマンスの監視と診断に使用されます。
B. Azure Monitor のメトリック アラートは特定のメトリックを追跡しますが、通常は多変量関係ではなく単一変数に基づいています。
D. 単変量異常検出は、単一変数の異常の検出に重点を置いていますが、複数の相互依存変数が関係するこのシナリオではそれほど効果的ではありません。

The correct choice is C. Multivariate Anomaly Detection.
In this scenario, multiple engine sensor data points (such as rotation speed, angle, temperature, and pressure) are being monitored together, and they are likely interdependent. Multivariate Anomaly Detection can analyze these related variables simultaneously to detect anomalies that arise from their combined patterns. This makes it well-suited for identifying atypical values in complex systems like engines, where relationships between different variables are critical to detecting anomalies.
A. Application Insights in Azure Monitor is mainly used for monitoring application performance and diagnostics.
B. Metric alerts in Azure Monitor track specific metrics, but they are usually based on single variables rather than multivariate relationships.
D. Univariate Anomaly Detection focuses on detecting anomalies in a single variable, which would not be as effective in this scenario where multiple interdependent variables are involved

「多変量異常検出」が必要です。

"Multivariate Anomaly Detection" is needed.

正しい

Correct

C が正解です。

C is right anwer.

Cさんは正しいです。

C is right.

A は選択しないでください。これは機械学習のトピックであり、Azure Monitor とは関係ありません。

Please do not choose A, this is a machine learning topic and has nothing to do with Azure Monitor

C. 多変量異常検出は、最も包括的なソリューションです。これにより、複数のメトリクス間の複雑な関係を分析できます。これは、エンジンのように複雑なシステムの異常を正確に特定するために重要です。このアプローチは、異常が個々のメトリクスにあるのではなく、それらの予期しないパターンや組み合わせにある状況を検出するのに役立ちます。

C. Multivariate Anomaly Detection is the most comprehensive solution. It allows for the analysis of complex relationships between multiple metrics, which is crucial for accurately identifying anomalies in a system as intricate as an engine. This approach can help detect situations where the anomaly is not in the individual metrics but in their unexpected patterns or combinations.

多変量異常検出 - 時系列データのグループからシステム レベルの異常を検出することが目標の場合は、多変量異常検出 API を使用します。

Multivariate Anomaly Detection - If your goal is to detect system level anomalies from a group of time series data, use multivariate anomaly detection APIs.

異常検出はアラートをサポートしていませんが、

Anomaly detection does not support alerting though

多変量異常検出 API を使用すると、開発者は機械学習の知識やラベル付きデータを必要とせずに、メトリクスのグループから異常を検出する高度な AI を簡単に統合できるようになります。


https://learn.microsoft.com/en-us/azure/cognitive-services/anomaly-detector/overview#multivariate-anomaly-detection