変更要約: 各節に図（figure）を追加＝cert-figure-retrofit。AI-200 第4章を新規作成（シークレット管理＝Key Vault/App Configuration/マネージドID キーレス/RBAC、可観測性＝OpenTelemetry 計装/分散トレース/Application Insights・Azure Monitor/KQL/AI 固有監視＝トークン・コスト・クォータ・生成品質）
4.2可観測性（監視・トレース・ログ）
分散した AI バックエンドの挙動を把握する可観測性——OpenTelemetry による計装、分散トレース、Application Insights / Azure Monitor、KQL によるログ分析、そしてトークン/コスト/品質の監視——を理解します。
イベント駆動・分散の AI パイプラインは、1つのリクエストが複数のサービスにまたがって処理されます。問題が起きたとき「どこで・なぜ遅い/失敗したか」を追えるよう、可観測性（observability）を設計します。標準は OpenTelemetry による計装（コードにトレース・メトリクス・ログを埋め込む）で、収集先として Application Insights / Azure Monitor を使います。
4.2.1分散トレースとログ分析
分散トレース は、1つのリクエストが通った各サービスの処理（スパン）を1本のトレースとしてつなぐ仕組みです。これにより「埋め込み生成は速いが AI 呼び出しで詰まっている」といったボトルネックを可視化できます。収集したログ/メトリクスは KQL（Kusto Query Language）で問い合わせ、エラー率・レイテンシ分布・特定エラーの追跡などを分析します。アラートをしきい値で設定し、異常を早期に検知します。
4.2.2AI 固有の監視
一般的なメトリクス（エラー・レイテンシ）に加え、AI 特有の指標も監視します。トークン使用量とコスト（入力＋出力）、レート制限（クォータ）への到達、そして生成品質（評価＝グラウンデッドネス/関連性、第2章の AI-103 と同様）です。これらを監視・評価することは、責任ある AI（信頼性と安全性・説明責任）を運用で担保することにもなります。