AI901-Foundry#86-1
注: この問題は、同じ前提を持つ一連の問題の一部です。それぞれの問題には異なる解決策が提示されます。
前提
ある B2C EC サイトが、商品レビュー (1 日 50,000 件、多言語) から「ネガティブ評価の主要原因」と「言及される商品名・ブランド名」を自動抽出するパイプラインを Azure AI Foundry で構築します。リアルタイム性は 5 分以内の遅延で十分、コスト最適化と運用負荷の低さが重視されます。
解決策
Foundry hub に Azure AI Language の connection を追加し、Azure Functions から Text Analytics SDK で sentiment 分析 + NER を呼び出し、結果を Azure Data Lake と Power BI ダッシュボードに集約するパイプラインを構築します。
この解決策は目的を満たしますか?
解説
【判定: はい】の理由
本構成は Microsoft 公式が EC レビュー解析の参照アーキテクチャとして推奨する light-weight text-based ソリューションの典型例です。Azure AI Language の sentiment / NER は事前学習済みで多言語対応しており、レビューを文単位で分析して negative スコアと言及エンティティ (商品名 / ブランド名は Product カテゴリで抽出可能) を抽出するのに最適です。Azure Functions のサーバーレス実行は 1 日 50,000 件 / 5 分遅延の要件に対しコスト効率が高く、Data Lake + Power BI への集約は分析業務の標準パターンです。Foundry hub の connection 経由で endpoint と認証情報を中央管理でき、運用負荷も低く保てます。生成 AI を使わない分、推論コストと再現性の両面で有利になり、ビジネス要件と完全に整合します。
【「いいえ」が違う理由】
本ソリューションは Microsoft 推奨アーキテクチャに沿った構成で、要件 (リアルタイム性 5 分 / コスト最適 / 運用負荷低) を完全に満たします。「目的を満たさない」と判断する根拠はありません。
本構成は Microsoft 公式が EC レビュー解析の参照アーキテクチャとして推奨する light-weight text-based ソリューションの典型例です。Azure AI Language の sentiment / NER は事前学習済みで多言語対応しており、レビューを文単位で分析して negative スコアと言及エンティティ (商品名 / ブランド名は Product カテゴリで抽出可能) を抽出するのに最適です。Azure Functions のサーバーレス実行は 1 日 50,000 件 / 5 分遅延の要件に対しコスト効率が高く、Data Lake + Power BI への集約は分析業務の標準パターンです。Foundry hub の connection 経由で endpoint と認証情報を中央管理でき、運用負荷も低く保てます。生成 AI を使わない分、推論コストと再現性の両面で有利になり、ビジネス要件と完全に整合します。
【「いいえ」が違う理由】
本ソリューションは Microsoft 推奨アーキテクチャに沿った構成で、要件 (リアルタイム性 5 分 / コスト最適 / 運用負荷低) を完全に満たします。「目的を満たさない」と判断する根拠はありません。
コメント