メインコンテンツへスキップ
見出し画像

DBスペシャリストは新試験でどう生まれ変わる? | 公式シラバスから読み解く「データ・AI」分野の出題意図と出題予想

    はじめに

    「DBスペシャリストの勉強をしていれば、新試験にも対応できる?」
    「AIは用語だけ覚えればいい? 統計やデータサイエンスまで必要?」
    「データマネジメント試験とは何が違う?」

    2027年度から開始予定のIPA新試験「プロフェッショナルデジタルスキル(データ・AI)試験(仮称)」について、2026年10月30日、ついにシラバス案Ver.0.1と科目Bのサンプル問題が公表されました。

    確認して最も注目したのは、データベース技術を土台としながら、データマネジメント、統計・データサイエンス、AI活用、生成AI・AIエージェントまで範囲が広がっていることです。この記事では、公式資料に書かれた事実と筆者の出題予想を分けて、新試験の全体像と学習の優先順位を整理します。

    また、これらの分野をまとめて学ぼうとしても、従来のDBスペシャリスト向け教材だけでは手が届かないテーマが少なくありません。そこで記事後半では、新試験の出題範囲と、私が公開しているデータサイエンス・データマネジメント・AIの解説記事との対応も紹介します。何から勉強すればよいか迷っている方は、ぜひ参考にしてください。

    ※本試験の名称・シラバスは現時点では「仮称」「案」です。正式決定や今後の改定によって変更される可能性があります。この記事で「予想」と明記する部分はIPAの公式見解ではありません。


    1.新試験「データ・AI」は、どんな試験?

    IPAは、従来の応用情報技術者試験と高度試験を大括り化して再編し、新たに「マネジメント」「データ・AI」「システム」の3領域からなるプロフェッショナルデジタルスキル試験を設ける方針を発表しています。

    このうち「データ・AI」は、従来のデータベーススペシャリスト試験に近い技術的な専門性を持ちながら、組織がデータを整え、分析し、AIを安全かつ有効に使える環境を実現する力を評価する方向です。

    公式の試験概要案は以下のとおりです。

    画像

    注意したいのは、「科目A-2が23問、科目Bが12問」であり、両科目の合計時間が120分という点です。「A-2が120分、Bも120分」ではありません。また、ここで示した問題数は公式の計画であり、最終的な実施要領では確認が必要です。

    応用情報・データベーススペシャリストと何が違う?

    従来のデータベーススペシャリストは、データモデル、正規化、SQL、排他制御、性能、障害回復など、DBシステムの設計・管理に深く踏み込む試験でした。新試験でもこれらは引き続きシラバスに明記されています。

    しかし、新試験ではそれに加えて、データを組織横断で適切に管理するガバナンスや、分析の妥当性を見極める統計、LLM/RAG・AIエージェントの活用まで対象です。「DBの専門知識が不要になる」のではなく、「DBの知識だけでは全体をカバーしきれなくなる」と捉えるのが正確でしょう。

    画像

    なお「データマネジメント試験(仮称)」は別の新設試験です。こちらは主にビジネス部門を想定し、ITパスポートの次のステップと位置付けられています。PD-Dは、より専門的なデータ基盤の構築・データ整備・分析・AI活用まで含む別の試験です。

    2.公式シラバスの出題範囲を読み解く

    科目A-2:知識はどこまで必要?

    2026年10月30日公開の専門知識シラバス案では、主に次の8分野が扱われています。

    画像

    ※上表はシラバスの用語例を要約したものです。公式シラバスの全項目を列挙したものではなく、科目A-1(共通知識)の範囲も別途あります。

    ここから特に重要な3点を見ていきましょう。

    ① データベース:DBスペシャリストの知識は生きる

    ER図、概念・論理・物理設計、正規化、関係代数、SQL、分離レベル、MVCC、デッドロック、索引、バックアップ・リカバリなどが引き続き対象です。加えて、NoSQL、シャーディング、CAP定理なども含まれています。

    従来のDBスペシャリストの過去問は、DB分野の基礎固め・深掘りとして引き続き価値があります。ただし、過去問だけで新試験の全範囲を網羅することはできません。

    ② データサイエンス:統計は「出るかもしれない」ではなく明示済み

    シラバスには、正規分布、二項分布、ベイズの定理、回帰分析、主成分分析、最尤推定、仮説検定、p値、t検定、因果推論、疑似相関、p値ハッキングなどが登場します。つまりデータを集計するだけでなく、結果が何を意味し、どのような誤解が生じるかを判断する力が重要です。

    例えば、決定係数R²=0.949を「94.9%の確率で予測が当たる」と解釈するのは不適切です。説明変数を増やすことで決定係数が高まる場合もあり、分析目的と前提を踏まえた評価が必要です。

    ③ AI:生成AIだけでなく、モデルの原理やエージェントまで

    AIは想像以上に広い範囲です。専門知識として、機械学習の評価指標(適合率・再現率・F値・AUC)、深層学習、Transformer、LLM、RAG、プロンプト設計、Temperature、マルチモーダル、AIエージェント、MCP、A2Aなどが明記されています。

    ただし、シラバスに用語があることと、その技術の実装を試験で全て要求することは別です。科目Bの技能では、適用可能性の判断、技術選定、構成設計、品質・リスクの評価などが重視されています。学習では、単語の暗記だけでなく「どの課題に、なぜその方法を選ぶのか」を説明できる状態を目指しましょう。

    画像

    3.科目Bは4領域。新試験らしさが最も見える部分

    公式シラバス案の科目Bは、以下の4つの大項目から構成されています。

    1. データマネジメント:データ戦略、ガバナンス、品質、メタデータ、組織的な定着・改善。

    2. データ・AIの活用:分析設計、統計・機械学習、BI、生成AI・RAG・エージェント、AI倫理。

    3. データ基盤の構築:DB設計、整合性、トランザクション、DWH、データパイプライン構築・運用。

    4. データ処理とアルゴリズム:SQL、データ構造、アルゴリズム、擬似言語による処理。

    画像

    個人的には、データマネジメントが独立した大項目になった点を重視しています。従来の「DBを正しく設計・運用する力」だけでなく、部門間でデータを安全に共有し、品質を維持し、データの活用を継続できる仕組みをつくることが、試験の柱になっているからです。

    4.サンプル問題6問から、出題意図が見えてきた

    2026年10月30日公開の科目Bサンプル問題は6問です。本番で予定されている12問とは別であり、この6問の内訳をそのまま本番の出題割合とみなすことはできません。

    画像

    問1から分かること:「値が正しい」だけでは足りない

    データコントラクトで「千円単位」と定めていた売上列の単位を、既存利用者との合意なしに「円単位」に変える設定です。数値が突然1,000倍になり、解約予測AIにも悪影響が出ます。

    出題の核は、セマンティクス(値の意味)を変える破壊的変更と、その変更を管理するルールです。AIでメタデータを自動生成していても、人が承認した旧定義が残れば問題を防げません。ここからは、データの品質指標だけでなく、定義変更・後方互換性・データリネージ・提供者と利用者の合意形成を理解しておく必要があると読み取れます。

    問2から分かること:「統計の暗記」より「結果の解釈」

    重回帰分析の表には、SNS広告費の係数約3.637、メール配信数の係数約−0.586、決定係数R²=0.949が示されます。メール配信数を固定したとき、SNS広告費を1万円増やせば利益が約3.6万円増えるというモデル上の予測は読み取れます。

    一方、決定係数を「予測的中率」とみなすことはできません。また、回帰係数をそのまま因果効果と断定することもできません。相関・モデルの予測・因果関係を区別する姿勢が実務にも試験にも有効です。

    問3から分かること:生成AIは「技術選択と信頼性」が重要

    頻繁に改訂される製品仕様書を、現場のエンジニアが参照するケースです。仕様書の更新を速やかに回答へ反映し、どの文書が根拠かを確認できる必要があります。

    ここでは追加学習と、文書を入力コンテキストに与える方式を比較します。情報の更新頻度・出典確認の必要性から、文脈内学習などの方式を適切に選べるかがポイントです。

    問4〜6が示すこと:データ基盤・SQL・アルゴリズムも健在

    問4は、データレイク、DWH、データマートの役割を区別し、要件に応じてデータを置く場所を判断します。問5はSQLの条件式、集計、統計情報から結果件数を見積もります。問6は中央値を使って得点を補正する擬似言語を追跡する問題です。したがって、AIだけに集中した対策は危険です。DBとアルゴリズムの問題を解ける基礎を保ちつつ、新しいデータ・AI領域を積み上げる必要があります。

    画像

    5.なぜこの試験を設置するのか? 求められる人材像

    IPAが公表した出題趣旨では、データドリブンな意思決定を支えるデータマネジメント・ガバナンス・基盤構築に加え、AIの出力を多角的に検証し、偏りや誤りを踏まえて使う能力の重要性が示されています。

    これを踏まえると、新試験が評価したいのは「データベースに詳しい人」だけではありません。データを整え、分析の妥当性を見極め、AIを業務に組み込み、その品質と責任を管理できる人材です。

    例えば、営業・製造・保守の部門ごとにバラバラなデータを統合するとき、データモデルを設計するだけでは十分ではありません。更新責任者を決め、名称・単位をそろえ、データの変更を利用側に伝え、分析・AIの結果を検証できるようにする必要があります。これが新試験の対象領域をつなぐ具体例でしょう。

    6.出題予想:これから重点になるテーマは?

    以下は2026年11月3日時点のシラバス案・サンプル問題を踏まえた筆者予想であり、出題確率や出題数をIPAが保証したものではありません。

    画像

    初回の本試験で特に意識したいこと

    公式のサンプル問題は、単独の用語の意味を問うよりも、現実の業務課題から「何を確認し、どの方式を選び、どんな影響を防ぐか」を判断させる構成です。そのため、学習時には「A技術の定義」を覚えるだけで終えず、「AとBの使い分け」「採用条件」「失敗時の影響」「評価指標」までセットで整理することをおすすめします。

    画像

    7.今から始める学習ロードマップ

    教材の選び方も従来とは変わりそうです。DB、データマネジメント、データサイエンス、AIは、書籍では別の専門分野として扱われることが多く、この新試験の公式シラバスを1冊で過不足なく網羅する専用教材が十分そろっているかは、現時点では不確かです。

    そこで、最初から1冊で完結させようとせず、次の順で学ぶ方法を推奨します。

    1. DBの基礎を固める:ER図・正規化・SQL・トランザクション・索引。データベーススペシャリストの既存教材・過去問を活用。

    2. データマネジメントを理解する:データ品質、データガバナンス、メタデータ、MDM、データカタログ、データリネージ。

    3. 統計・データサイエンスを学ぶ:平均・分散・相関から、回帰、仮説検定、モデル評価へ。計算結果を日本語で説明する練習をする。

    4. 機械学習・生成AIの実務判断へ進む:機械学習の評価指標、LLM、RAG、AIエージェント、AIガバナンス。どの技術が課題に合うかを整理する。

    5. 科目Bサンプル6問で横断演習する:選択肢の正誤だけでなく、なぜ他の方式では不十分なのかを説明する。

    新試験の学習に役立つ、筆者のnoteマガジン2選

    「DBは勉強したことがあるけれど、統計・データマネジメント・AIはどこから始めればいいか分からない」そんな方にこそ、私のnoteマガジンを活用していただきたいと考えています。

    新試験では、データベースに加えて、データ品質・ガバナンス、統計的な分析、生成AIの導入判断などが横断的に扱われます。ところが、これらを一つの試験の学習範囲として体系的に学べる教材は、2026年11月3日時点ではまだ十分にそろっているか不確かです。

    そこで私は、IPA試験対策の学び直しに使えるように、基礎概念から実務での使いどころまで解説した記事を、分野別のマガジンに整理しています。公式シラバスで学習すべき範囲を把握し、分からない分野を私の記事で補強し、サンプル問題で理解を確かめる、という使い方がおすすめです。

    ① データサイエンス・データ管理・データ分析|統計とデータマネジメントを補強する

    こちらでは、データを整える・管理する・分析する・結果を正しく解釈するための知識をまとめています。具体的には、以下のようなテーマを解説しています。

    • データマネジメント:DMBOKの知識領域、メタデータ、データリネージ、AI-Readyなど

    • データ基盤:DWH、データレイク、レイクハウスの違いと使い分け

    • データ品質・前処理:欠損値、外れ値、重複、表記ゆれへの対処方法

    • 統計・データサイエンス:平均・分散・標準偏差、相関・回帰、仮説検定、p値、t検定

    • 分析結果の解釈:疑似相関、交絡因子、p値ハッキング、誤解を生むグラフなど

    特に、科目Bサンプル問題の問1(データ品質・データ契約)、問2(回帰分析)、問4(データ分析基盤)を復習したい方におすすめです。 問題の前提となる概念を図解や具体例で確認し、正解の理由だけでなく「なぜ別の選択肢は適切でないのか」まで理解するための補助教材として使えます。

    統計に苦手意識がある方は、最初に「データサイエンス入門」「高校数学『確率・統計』を総復習」の記事から読み始めると、個別技術につながりやすくなります。


    ② AI関連|生成AI・LLM・AIエージェントを体系的に学ぶ

    こちらでは、AIを単なる流行語として覚えるのではなく、仕組み・技術選択・業務への活用・リスクの観点から整理しています。

    • AIの基礎:機械学習、ディープラーニング、生成AI、LLM、RAGなどの重要用語

    • LLMの仕組み:GPT、Transformer、Attention、文章生成の考え方

    • AIとの連携:MCP、AIエージェント、従来のAPIとの違い

    • AIの活用設計:プロンプトエンジニアリング、コンテキストエンジニアリング

    • AIの品質・リスク:AIガバナンス、シャドーAI、ディープフェイク、セキュリティ対策など

    特に、科目Bサンプル問題の問3(LLMを用いた業務支援システム)を理解する際におすすめです。 LLMに何を学習させ、何をその都度参照させるべきかという判断には、生成AIの仕組みや情報の鮮度、根拠の追跡可能性への理解が欠かせません。初めてAIを学ぶ方は、「AI関連 重要用語」の記事から始め、その後にGPTの仕組み、MCP、AIエージェントと順に読むと学びやすくなります。


    サンプル問題から逆引きする、おすすめの読み進め方

    画像

    ※この対応表は、公開済み記事のテーマに基づく学習上のおすすめです。各サンプル問題の解法をそのまま収録しているという意味ではありません。

    新試験向けの勉強を始めるなら、まずはこの2つのマガジンをブックマークし、苦手な領域から読み進めてみてください。 記事は個別テーマごとに読めるため、基礎から通読するだけでなく、サンプル問題を解いて理解が曖昧だった用語を調べ直す使い方にも向いています。

    もちろん、これらは筆者による学習補助コンテンツであり、PD-Dの公式教材ではなく、現時点で公式シラバスの全項目を完全網羅していると保証するものでもありません。IPAの公式シラバス・サンプル問題と、DB・アルゴリズム分野の既存教材を組み合わせるのが基本です。


    8.まとめ:DBの知識を「データ活用・AI」へ広げる試験

    2027年度開始予定の「プロフェッショナルデジタルスキル(データ・AI)試験」は、データベーススペシャリストの学習資産を活用しながら、データマネジメント、統計、AIを横断的に学ぶことが合格対策の軸になると考えています。公式シラバスはすでに幅広い知識を示しており、サンプル問題も「業務の現場でデータとAIを正しく使いこなせるか」という方向性を強く打ち出しています。

    まずは公開された6問を解き、苦手分野を洗い出しましょう。DB・統計・データ管理・AIの四つをつなぐ視点が、新試験の準備では重要になるはずです。統計・データ管理に不安があればデータサイエンス・データ管理・データ分析マガジン、LLMやAIの技術選択を学び直したければAI関連マガジンへ。 学ぶべきテーマを一つずつ潰しながら、新試験の対策を進めてみてください。


    関連記事



    参考資料



     
     
    IT資格の勉強法・合格ノウハウを発信。 書籍では追いにくい最新技術や最新動向まで。 試験対策だけでなく実務にも活きる知識をお届け。 【保有資格】 ・IPA:FE、AP、SC ・DB:OracleDB-Gold、OSSDB-Gold ・Cloud:AWS-SAP、OCI-AP

    あなたへのおすすめ