変更要約: 各節に図（figure）を追加＝cert-figure-retrofit。AI-901 第5章を新規作成（ドメイン2: Content Understanding=多モーダル情報抽出（文書/フォーム/画像/音声/動画→構造化）、スキーマ/フィールド定義、prebuilt vs custom、Document Intelligence/Vision/Speech との位置づけ、構築の流れ＝アナライザー→スキーマ→解析→結果、RAG/エージェントとの連携）
5.2情報抽出アプリを構築する
Content Understanding を使って軽量な情報抽出アプリを作る流れ（アナライザーの作成→スキーマ定義→入力を解析→構造化結果を受け取る）と、Foundry や SDK との組み合わせ、典型的なユースケースを理解します。
情報抽出アプリ作りの基本は「
①アナライザーを作る →
②抽出スキーマ（フィールド）を定義する →
③ファイルを解析させる →
④構造化された結果を受け取る」という流れです。アナライザー（analyzer）は「どの種類のコンテンツを・どのスキーマで抽出するか」をまとめた設定で、これにファイルを渡すと、各フィールドが埋まった結果（JSON など）が返ります。Foundry のポータルでスキーマを設計・試行し、アプリからは SDK で解析を呼び出す、という組み合わせが一般的です。
5.2.1構築の流れ
| ステップ | 内容 |
|---|---|
| 1. アナライザー作成 | 対象コンテンツ種別に合わせて作成 |
| 2. スキーマ定義 | 抽出したいフィールド（名前・型）を指定 |
| 3. 解析 | ファイルを渡して解析を実行 |
| 4. 結果取得 | 各フィールドが埋まった構造化データを受領 |
5.2.2Foundry・生成 AI・エージェントとの組み合わせ
情報抽出は単体でも有用ですが、他のワークロードと連携するとさらに力を発揮します。抽出した構造化データを グラウンディング（RAG）の根拠として生成 AI に渡せば、ファイルの中身に基づく回答ができます。また エージェント のツールの1つとして情報抽出を組み込めば、「書類を読み取って→内容を判断して→次の処理を実行」という自律フローが作れます。第2〜4章で学んだ Foundry のモデル・グラウンディング・エージェントと、この情報抽出が結びつく、という全体像を押さえましょう。