
【G検定対策】模擬問題15 シラバス1.3版 2025年7月試験対応
章末の「ご利用にあたって」を読んでからご利用ください。
公式サイトのシラバスが2025年5月25日第1.3版として更新されています。
追加は
統計的自然言語処理(機械学習)
単回帰分析(教師あり学習)
SARSA(強化学習)
真陽性・真陰性(モデルの選択・評価)
また、表記や名称が「変更」されたキーワードは次の通りです。
生成AI(変更前:LLM(大規模言語モデル)/ディープラーニング)
平均二乗誤差関数(変更前:平均二乗誤差/誤差関数)
マルチエージェント強化学習(MARL)(変更前:マルチエージェント, 強化学習/深層強化学習)
ということは7月はここから数問は出そうですね。今回作成分はそのあたりを意識して作成しております。新キーワード問題多め。
模擬問題として160問、解答時間は120分を想定しております。また最後に10問のチャレンジ問題を追加しています。(少しだけ長い読解・文脈判断的な問題)
解答解説は最後にPDF添付しています。
問題作成の情報は2025/6/13です。
模擬問題 160問 120分
Q1.
単回帰分析の目的として最も適切なものを選べ。
① 多数の変数間の複雑な関係をモデル化する
② 非線形関係をニューラルネットで予測する
③ 一つの説明変数から目的変数を予測する
④ 異常検知のための外れ値予測を行う
Q2.
「統計的自然言語処理」に該当する技術として最も適切なものを選べ。
① 文字認識における画像処理アルゴリズム
② ルールベースの文法パーサー
③ 単語や文の出現頻度に基づく言語モデル
④ 人間の感情認識による対話システム
Q3.
Attention機構における「スケーリング」とは何を意味するか?
① 出力を一定の長さに調整する操作
② ソフトマックスのスパース性を高める工夫
③ クエリとキーの内積を正規化する処理
④ バッチサイズの自動最適化
Q4.
以下の文章を読み、( )に当てはまる適切な選択肢を1つ選べ。
「平均二乗誤差関数は、( )に対するペナルティを大きく与える性質を持つ。」
① 学習率の小さい変化
② 小さな誤差
③ 正則化項の影響
④ 大きな誤差
Q5.
次のうち、SARSAアルゴリズムに特有の特徴として最も適切なものを選べ。
① 最適方策を事前に与える必要がある
② エピソードの終了後に報酬を更新する
③ 行動価値関数を逐次的に更新する
④ 環境モデルを必要とする
Q6.
マルチエージェント強化学習(MARL)に関する説明として最も不適切なものを選べ。
① 各エージェントは独立に学習することが原則である
② 他のエージェントの行動が環境に影響を与える
③ 協調や競合といった相互作用を扱う
④ 各エージェントが同一報酬を得る必要がある
Q7.
深層学習モデルの学習時に用いられる「早期終了(Early Stopping)」の主な目的は何か?
① 学習速度の向上
② 勾配消失の防止
③ 過学習の抑制
④ 学習データの自動増強
Q8.
データに「外れ値」が含まれるとき、平均二乗誤差関数の主な影響は何か?
① ロバスト性が高まる
② モデルが過学習しにくくなる
③ 外れ値の影響を大きく受けやすい
④ 勾配がゼロになりやすくなる
Q9.
以下のうち、生成AIが他の従来AIと比べて優れている点として最も適切なものを選べ。
① 決定木のような分岐制御がしやすい
② 未知のデータに対する予測精度が必ず高い
③ データなしでゼロから出力を創出できる
④ 特定の業務に特化してしか使えない
Q10.
モデルの評価指標である「真陽性率」が最も関係する用途として適切なものを選べ。
① 不正検知における偽通報の削減
② 医療診断における病気の見逃し低減
③ 売上予測における外れ値の検出
④ 顧客分類におけるクラスタ数の最適化
Q11.
強化学習と教師あり学習の主な違いとして最も適切なものを選べ。
① 教師あり学習は報酬を用いて学習する
② 強化学習では正解ラベルが必須である
③ 教師あり学習は単一エージェントに限られる
④ 強化学習は試行錯誤を通じて方策を学ぶ
Q12.
以下のうち、オートエンコーダの典型的な応用として最も適切なものを選べ。
① 言語モデルによる文章生成
② 時系列予測による株価予測
③ ノイズ除去や異常検知
④ テキスト分類の強化学習
Q13.
ケーススタディ:AI導入を検討する製造企業が「転移学習」を選択する適切な理由はどれか?
① ラベル付きデータが大量にあるから
② 新規タスクにおいて既存モデルを活用したいから
③ 非構造データを扱うから
④ GPUが使えない環境であるから
Q14.
単語分散表現(word embedding)に関して正しいものを選べ。
① 各単語にユニークな数値IDを割り当てる
② 単語の意味情報をベクトル空間に表現する
③ TF-IDFスコアを用いてベクトル化する
④ 正規化された画像特徴と同一手法を用いる
Q15.
データ拡張の効果として最も不適切なものを選べ。
① 学習データ量の増加
② 汎化性能の向上
③ ラベルの正確性が必ず向上する
④ 学習の過学習抑制
Q16.
トランスフォーマーアーキテクチャの「位置エンコーディング」の主な目的は何か?
① 文の文法性を強化する
② 単語の出現順序情報を埋め込む
③ 計算量を削減する
④ 多言語学習への対応をする
Q17.
GAN(敵対的生成ネットワーク)の構造において、判別器の主な役割は何か?
① 本物と偽物のデータを区別する
② 画像の中に存在する物体を検出する
③ ノイズを除去する
④ 文法的な出力を生成する
Q18.
BERTの特徴として最も適切なものを選べ。
① 生成型モデルであり文章を自由に出力する
② 文脈双方向性を持つ言語モデルである
③ 過去の文脈のみに基づく予測を行う
④ 統計モデルに基づきTF-IDFで出力する
Q19.
ROC曲線の用途として最も適切なものを選べ。
① データの正規化の可視化
② クラスタ間距離の可視化
③ モデルの識別性能評価
④ ニューラルネットの構造表示
Q20.
「Attention is all you need」が提案した技術の意義として正しいものを選べ。
① 再帰構造を用いて長文処理を改善した
② CNNによる画像分類性能を高めた
③ アテンション機構のみで高性能を達成した
④ ハードマックス選択で学習効率を上げた
Q21.
強化学習における「エクスプロレーション」と「エクスプロイテーション」の関係として最も適切なものを選べ。
① 状況に応じて一方を完全に無視する戦略が有効
② 常に過去の最良行動のみを選ぶことで学習が加速する
③ 新しい行動を試みることと、既知の最良行動を選ぶことのバランスを取る必要がある
④ エクスプロレーションは初期学習にのみ使用し、後は不要
Q22.
統計的自然言語処理の手法として最も古典的なものを1つ選べ。
① BERT
② Word2Vec
③ N-gramモデル
④ Transformer
Q23.
以下の記述のうち、生成AIに関する説明として最も不適切なものを選べ。
① 新しい画像や文章の生成が可能
② プロンプトの内容に応じて出力が変化する
③ 完全に独自の知識ベースを持ち、外部データに依存しない
④ 事前学習により大規模な知識を獲得している
Q24.
強化学習において、状態と行動のペアに価値を割り当てて学習する手法として最も適切なものを選べ。
① 方策勾配法
② モデルベース強化学習
③ Q学習
④ モデル蒸留
Q25.
以下の記述において、( )に入る最も適切な語句を選べ。
「GANは、( )と判別器が競合することで、現実に近いデータを生成することを目的とする。」
① エンコーダ
② 自己符号化器
③ 生成器
④ 強化学習エージェント
Q26.
以下のうち、注意機構(Attention)の特徴として最も適切なものを選べ。
① 時系列順に処理を行うため、処理速度が遅い
② 入力系列全体の関係性を同時に捉えることができる
③ 入力が長くなると処理が不安定になるため不向き
④ 単語間の意味的関係を無視して学習される
Q27.
平均二乗誤差関数の特徴として最も適切なものを選べ。
① 分類問題に向いた評価指標である
② 外れ値に対する感度が低く、堅牢である
③ 誤差の正負による相殺を防ぐ特性を持つ
④ 二乗誤差の代わりに絶対誤差を計算する関数
Q28.
ケーススタディ:小売企業がAIを活用して顧客行動を分析し、レコメンデーションを実施した。このケースで活用されているAI技術として最も関連性が高いものを選べ。
① 強化学習による在庫最適化
② 自然言語処理による感情分析
③ 協調フィルタリングによる推薦システム
④ 画像分類による不良品検出
Q29.
ディープラーニングにおける活性化関数「ReLU」の主な利点として最も適切なものを選べ。
① 常に非負値を返すことで、学習の非線形性を保持しつつ計算効率が良い
② 出力範囲が固定されており、勾配消失を防ぐ
③ 入力を指数関数的に拡大するため学習速度が向上する
④ 常に出力を正規化することでモデル安定性を保つ
Q30.
マルチエージェント強化学習(MARL)の課題として最も適切なものを選べ。
① 単一環境での学習が難しい
② 他エージェントの行動が固定であることを前提とする
③ 環境が静的であるため学習が早く終わる
④ エージェント間の相互作用により環境が非定常となる
Q31.
自然言語処理において、「BERT」が採用している事前学習タスクに該当しないものを選べ。
① マスク付き言語モデル(MLM)
② 次文予測(NSP)
③ ラベル伝播分類(LPA)
④ 双方向エンコーディング
Q32.
データ前処理のうち、「正規化」と「標準化」の違いとして最も適切なものを選べ。
① 正規化はデータの平均を0、分散を1に変換する
② 標準化は0〜1の範囲にデータをスケーリングする
③ 正規化は分布に基づく変換であり、標準化は最小最大に基づく
④ 正規化は最小最大スケーリング、標準化は平均と分散に基づくスケーリング
Q33.
プロンプトエンジニアリングにおいて、「Chain-of-Thought(思考の連鎖)」技術の目的として最も適切なものを選べ。
① モデルの出力を短く要約する
② 複数のタスクを同時に処理する
③ 推論過程を明示し、論理的思考を促す
④ 入力を定型的に整形して精度を高める
Q34.
単回帰分析を行う際、以下の条件のうち適切でないものを選べ。
① 説明変数と目的変数の関係は線形である
② 外れ値は分析結果に強い影響を与える可能性がある
③ 説明変数は複数存在してもよい
④ 説明変数と目的変数の独立性が必要である
Q35.
次の文章を読み、最も適切な選択肢を選べ。
「AIの倫理的設計を進める中で、意思決定の根拠を説明できる能力が求められる。この能力は( )と呼ばれ、近年の規制要件にも明示されている。」
① 公平性
② 説明可能性
③ プライバシー保護
④ バイアス最小化
Q36.
以下のうち、「敵対的サンプル」に関する特徴として最も適切なものを選べ。
① 学習データに存在する明らかな誤差
② モデルの重みを正則化するための入力例
③ 人間には違いが分からないが、モデルに誤判断を引き起こす入力
④ モデルに適用されたデータ拡張の一形態
Q37.
AIの社会実装において、PoC(Proof of Concept)の段階で実施すべき事項として適切でないものを選べ。
① 技術的な実現可能性の検証
② 商用展開前の大規模運用
③ 初期費用の見積もりとROI仮説の検討
④ 関係者間の要件定義と合意形成
Q38.
以下のうち、「多クラス分類」問題に特有の手法として最も適切なものを選べ。
① ロジスティック回帰
② Softmax関数の利用
③ k-最近傍法(kNN)
④ 二値分類のAUC評価
Q39.
以下のうち、「説明可能AI(XAI)」の技術として用いられるものを選べ。
① バッチ正規化
② シャプレーバリュー
③ アテンションマスク
④ Early Stopping
Q40.
ケーススタディ:ある自治体がAIを用いた顔認識技術を導入しようとしている。この際、最も重要な倫理的検討事項として適切なものを選べ。
① モデルの精度評価基準の選定
② データの正規化方式の決定
③ 個人識別情報の取り扱いとプライバシー確保
④ ラベル付け作業の外部委託先選定
Q41.
統計的自然言語処理における「品詞タグ付け」の役割として最も適切なものはどれか?
① 単語を固有表現として分類する
② 単語の主語・述語関係を解析する
③ 単語に文法的なラベルを付与する
④ 単語の同義語をクラスタリングする
Q42.
SARSAとQ学習の主な違いとして適切なものを選べ。
① SARSAはバッチ学習に特化している
② Q学習はオンポリシー学習である
③ SARSAは行動方策に基づき更新を行うオンポリシー学習である
④ SARSAは状態遷移の予測にLSTMを用いる
Q43.
次のうち、生成AIと呼ばれる技術に該当しないものを選べ。
① ChatGPT
② Stable Diffusion
③ AlphaGo
④ DALL·E
Q44.
以下の文を読み、( )に最も適切な語句を選べ。
「単回帰分析は、( )と目的変数との線形関係を分析する手法である。」
① 目的変数
② 説明変数
③ ダミー変数
④ カテゴリ変数
Q45.
モデル評価指標に関する記述として不適切なものを選べ。
① 精度は正例・負例の分類全体の正確さを示す
② 再現率は真陽性の割合を表す
③ 真陰性は誤って陽性と判断された件数である
④ 適合率は陽性予測のうち正しかった割合を表す
Q46.
平均二乗誤差関数の特徴として適切なものを選べ。
① 誤差の符号を保持して評価する
② 大きな誤差を抑える効果がある
③ 微分可能で学習に使いやすい
④ 分類問題での評価に最も適している
Q47.
マルチエージェント強化学習(MARL)の課題として最も関連性の高いものを選べ。
① 時系列データの不足
② 非定常な学習環境
③ クラス不均衡問題
④ 過学習の発生しやすさ
Q48.
統計的自然言語処理のタスクに該当しないものはどれか?
① 機械翻訳
② 品詞推定
③ ハイパーパラメータ最適化
④ 意味解析
Q49.
以下はAIプロジェクトの進行過程で発生するリスクである。最も技術的リスクに分類されるものを選べ。
① ステークホルダーの要件変更
② モデルの過学習
③ 法的コンプライアンス違反
④ ユーザーからのフィードバック未収集
Q50.
Diffusionモデルにおいて、「逆拡散プロセス」の役割として適切なものはどれか?
① 画像を高解像度に変換するプロセス
② ノイズを付加する処理
③ ノイズからデータを再構成する処理
④ ランダムな画像を分類する処理
Q51.
ある企業が生成AIをカスタマーサポートに導入したところ、誤情報を返答してしまう事例が発生した。この問題に対して最も適切な対応策はどれか?
① モデルの学習データ量をさらに増やす
② 応答文を人間が全て手動で監視する
③ 応答の信頼度に応じたフィルタリング機構を導入する
④ モデルの出力に翻訳処理を加える
Q52.
Transformerモデルにおいて、位置情報を考慮するために用いられる技術はどれか?
① アテンションマスク
② バッチ正規化
③ 位置エンコーディング
④ セルフアテンション
Q53.
以下の手法のうち、「過学習の抑制」に特化した技術はどれか?
① バッチ正規化
② ドロップアウト
③ アテンションマスク
④ グラジエントクリッピング
Q54.
次のうち、拡散モデル(Diffusion Models)の代表例として適切なものを選べ。
① DALL·E
② GPT-4
③ Stable Diffusion
④ ChatGPT
Q55.
真陽性率(True Positive Rate)の同義語として最も適切なものはどれか?
① 再現率
② 精度
③ 特異度
④ F値
Q56.
AIモデル軽量化の手法に該当しないものはどれか?
① モデルプルーニング
② モデル蒸留
③ モデル圧縮
④ モデルの層数を増やす
Q57.
以下の説明のうち、「One-Shot学習」の特徴として最も適切なものを選べ。
① 少量の例示で新しいクラスに対応できる
② 学習中に複数の出力を生成する
③ プロンプトに全ての情報を埋め込む
④ 1回だけ学習して再学習は行わない
Q58.
生成AIのリスクに関する説明として最も不適切なものを選べ。
① 出力が訓練データを過剰に模倣し、著作権侵害を引き起こす可能性がある
② 出力の曖昧さにより誤解や誤用のリスクがある
③ 出力内容が常に最新の法規制を反映している
④ 悪意のある利用によりフェイク情報の拡散が懸念される
Q59.
AIガバナンス体制に関する説明として最も不適切なものを選べ。
① 倫理委員会はプロジェクトのリスクを事前に評価する
② モデルの精度が高ければガバナンス体制の整備は不要である
③ 説明責任や監査性の確保が求められる
④ インシデント発生時の対応プロセスがあらかじめ策定されている
Q60.
ある医療AIが誤診を頻発し、患者の信頼を失っている。この問題に対処するため、最も優先して行うべき取り組みはどれか?
① 出力文の言い回しを丁寧にする
② 医療専門家と連携して評価と再学習を行う
③ モデルの規模を拡大してみる
④ 医療データをすべて匿名化する
Q61.
「平均二乗誤差関数」とは何を目的とする評価指標か、最も適切なものを選べ。
① 予測誤差の絶対値の平均を示す指標
② 誤差の符号を考慮せず平方化し評価する指標
③ 分類結果の正解率を示す指標
④ モデルの複雑さを評価する指標
Q62.
テキスト生成において、Zero-Shotプロンプトの効果を最大化するために最適なのはどれか?
① タスク例を複数提示する
② 明確な自然言語の命令文のみを提示する
③ 温度パラメータを0.9以上に設定
④ ラベル付きデータで微調整する
Q63.
「多クラス分類」でSoftmax関数を使用する理由として最も適切なものを選べ。
① 出力をスパース化するため
② 各クラスの出力を確率として解釈可能にするため
③ 層の重みの学習速度を向上させるため
④ 出力の次元数を減らすため
Q64.
「モデル評価において、( )とは、実際に陰性であるものを正しく陰性と予測した割合を指す。」
① 精度
② 再現率
③ 特異度
④ 適合率
Q65.
以下の説明のうち、Weak Supervisionの説明として最も不適切なものを選べ。
① ノイズのある弱いラベルで教師ありデータを作成する
② 高品質な全手動ラベル提供のみでモデルを構築する
③ ルールベースで自動的に仮ラベルを生成する
④ ラベル付け工数を削減するために活用する
Q66.
案件管理システムで「優先度が高いタスク」を自動分類したい。そのために最も適切なAI技術を選べ。
① GAN
② 単回帰分析
③ 自然言語処理によるテキスト分類
④ 強化学習による方策学習
Q67.
「ドロップアウト」と「バッチ正規化(BatchNorm)」の主な違いとして正しいものはどれか。
① 両方とも過学習抑制効果があり効果は同じ
② ドロップアウトはノード単位で無効化し、BatchNormは入力分布を正規化
③ ドロップアウトは推論時にもノードをランダムに無効化する
④ BatchNormはデータ拡張手法である
Q68.
ECサイトにて、購入履歴と閲覧履歴を元に「次に購入されそうな商品」を予測するAI導入時の課題で、最も技術的に重要な項目はどれか。
① サービスの利用規約変更
② 再現率の高いレコメンド精度
③ アルゴリズムバイアスによる特定商品の過剰推薦
④ UIデザインの刷新
Q69.
エッジデバイス上でAI推論を行う際、処理速度とメモリ消費のバランスを保てる軽量化手法として最も適切なものはどれか。
① モデルのパラメータ数を倍に増やす
② モデル蒸留(Knowledge Distillation)
③ 入力データの画質を上げる
④ 推論にGPUを必須とする
Q70.
以下のうち、データプライバシー保護の方法として不適切なものを選べ。
① フェデレーテッドラーニングの活用
② 差分プライバシーを適用する
③ 個人データを広く社内共有する
④ データ匿名化を行う
Q71.
「MARL(マルチエージェント強化学習)」において「協調学習」が成立する条件として最適なのはどれか。
① エージェントが完全に独立して報酬を取得する
② 共通の報酬をもとに複数エージェントが協力できる
③ 各エージェントが異なる環境で学習している
④ 単一エージェントでタスクを学習する
Q72.
「真陰性(True Negative)」とは何を意味するか、最も適切なものを選べ。
① 陰性サンプルをモデルが陽性と誤分類したもの
② 陽性サンプルを陰性と誤分類したもの
③ 陰性サンプルを陰性と正しく予測したもの
④ 全体正例数に占める真陽性の割合
Q73.
テキスト分類タスクでラベル付きデータが極めて少ない場合、効果的なアプローチはどれか?
① ルールベースで分類を行う
② 生成AIを用いて自動で仮ラベルを生成しWeak Supervisionを組む
③ 大規模なTransformerをフルに再学習する
④ GANによる画像合成
Q74.
「Q学習」と「SARSA」の違いとして最も適切なものを選べ。
① Q学習はオンポリシー、SARSAはオフポリシーである
② SARSAは行動方策に従って更新し、Q学習は最適行動を仮定して更新する
③ Q学習では行動価値関数を使わない
④ 両者は更新式に違いはない
Q75.
「データ前処理において、( )とは、各特徴の分布を平均0・分散1に変換する処理を指す。」
① 正規化
② 標準化
③ エンコーディング
④ クラスタリング
Q76.
あるSNSプラットフォームでユーザーの投稿内容を分析し有害投稿を自動検出したい。最初に取り組むべき課題として最も優先すべきものはどれか。
① アルゴリズムモデルの選定
② 有害データの定義とラベル付け基準の設計
③ 推論APIのレスポンス速度改善
④ UIのユーザビリティ調査
Q77.
「ドロップアウト」とは機械学習モデルにおいて何を意図する手法か?
① データの一部を削除するデータ拡張手法
② 隠れ層ニューロンをランダムに無効化する正則化手法
③ 勾配の大きさを制限する正則化手法
④ ネットワーク全体を複数に分割するアンサンブル手法
Q78.
SARSAにおける「オンポリシー学習」とはどのような更新を指すか?最も適切なものを選べ。
① 実行した行動に対して価値関数を更新する学習
② 常に理想的な行動で更新する
③ 他エージェントの行動方策を参考にする
④ 学習後に行動方策を変更して評価する
Q79.
製造ラインでAIを使って不良品を検出するには、主にどの手法が適しているか?
① 時系列予測モデル
② セマンティックセグメンテーション
③ 強化学習モデル
④ LLMによる文書生成
Q80.
以下のうち、AIシステムにおけるMLOpsの目的として不適切なものを選べ。
① モデルのデプロイと監視を自動化する
② データパイプラインの再現性を担保する
③ モデルのバージョン管理を行う
④ モデルを開発者以外に一切触れさせない体制を作る
Q81.
統計的自然言語処理において、頻度に基づき単語の意味を推定する手法の一例として最も適切なものを選べ。
① One-Hotエンコーディング
② Word2Vec
③ 正規化
④ TF-IDF除外
Q82.
以下の文章を読み、( )に当てはまる適切な選択肢を1つ選べ。
「SARSAは強化学習において、( )に基づいて状態価値を更新するオンポリシー手法である。」
① 最大報酬を持つ行動
② 実際に選択した行動
③ ランダムな行動
④ 過去の報酬履歴
Q83.
AIモデルの出力を解析したところ、「真陽性」が多く「偽陰性」が少なかった。このモデルの性質として最も適切な説明はどれか。
① モデルの精度は低い
② モデルの感度は高い
③ モデルの特異度は高い
④ モデルは過学習している
Q84.
平均二乗誤差関数(MSE)に関する説明として最も不適切なものを選べ。
① 誤差の平方を取るため大きな誤差に敏感
② 回帰問題でよく使われる損失関数
③ 分類問題に最適な損失関数
④ 値の単位が平方になる
Q85.
Deep Learningの発展において、ImageNetの役割として最も適切なものを選べ。
① 音声認識の大規模データセットを提供
② 畳み込みニューラルネットワークの進展を促進した画像データセット
③ 自然言語処理の教師なし学習手法を確立した
④ 強化学習のロボット環境を標準化した
Q86.
ケーススタディ:ある小売企業はAIを用いた需要予測システムの構築を検討している。導入に際し「エクスプレイナビリティ(説明可能性)」が重視される理由として最も適切なものを選べ。
① モデルの実装コストが下がる
② モデルの予測根拠を人間が理解できる
③ モデルの再学習が不要になる
④ モデルの速度が向上する
Q87.
ディープフェイク検出技術に関する説明として最も適切なものを選べ。
① ディープフェイク検出は自然言語処理のみで対応可能
② CNNやViTなどの画像解析手法が有効
③ ディープフェイク検出では視覚的情報は使用されない
④ 生成AIとディープフェイクは全く関係がない
Q88.
適用事例問題:以下のうち、マルチエージェント強化学習(MARL)の実用例として最も適切なものを選べ。
① 医療診断における個別患者予測モデル
② ロボット群による倉庫内配送の協調制御
③ 単体の音声認識アプリケーション
④ 顔認証による個人識別
Q89.
「SARSA」と「Q学習」の主な違いとして最も適切なものを選べ。
① SARSAはオフポリシー、Q学習はオンポリシー
② SARSAは予測不能な環境に強い
③ SARSAは実際の行動に基づいて更新、Q学習は最適行動に基づいて更新
④ 両者は全く同一のアルゴリズムである
Q90.
画像生成AIにおける「逆拡散プロセス」の特徴として最も適切なものを選べ。
① 入力画像をノイズに変換する処理
② ランダムノイズから画像を段階的に復元する処理
③ 音声信号から画像を復元する処理
④ 画像からラベルを生成する処理
Q91.
以下のうち、平均二乗誤差関数を最も多く使用する場面として適切なものを選べ。
① 音声分類
② テキスト分類
③ 連続値の予測
④ クラスタリング
Q92.
モデルの精度と公平性のトレードオフについての説明として最も適切なものを選べ。
① 精度を上げれば公平性も必ず向上する
② 公平性を高めるとモデルがバイアスを増加させる
③ 精度と公平性は独立しており無関係である
④ 公平性を向上させると精度が下がることがある
Q93.
ケーススタディ:製造業のAI導入において「異常検知モデル」を使用する場合、誤検出の影響を最小限に抑えるため最も考慮すべき評価指標はどれか。
① 精度(Accuracy)
② 再現率(Recall)
③ 真陰性率(Specificity)
④ F値(F1 Score)
Q94.
統計的自然言語処理における「コーパス」の役割として最も適切なものを選べ。
① 音声データのノイズ除去
② モデルの構造の最適化
③ 言語モデルを学習するための大規模テキストデータ
④ モデルのハイパーパラメータ管理
Q95.
AIプロジェクトにおける「MLOps」の意義として最も適切なものを選べ。
① モデル開発にかかるコストを全て回避できる
② モデルの精度よりも速度だけを重視する
③ モデル開発と運用を一体化して効率化する
④ モデルのパラメータを手動で毎回設定する
Q96.
プロンプトエンジニアリングにおけるFew-Shotの特徴として最も適切なものを選べ。
① 明示的なタスク指示なしで回答を求める
② 複数の出力例を連続して生成する手法
③ タスクの入出力例をプロンプトに含めることで精度を向上させる
④ 一度だけ学習させる設定手法
Q97.
畳み込みニューラルネットワーク(CNN)におけるプーリング層の主な役割として最も適切なものを選べ。
① 入力データの次元数を増やす
② 入力画像の色を正規化する
③ 特徴マップの空間的サイズを縮小する
④ フィルター数を減らす
Q98.
説明可能AI(XAI)の手法として「LIME」の特徴として最も適切なものを選べ。
① モデル内部の重みを直接可視化する
② モデル全体の構造を簡素化する
③ 局所的に線形モデルで近似して説明を提供する
④ 大規模モデルにしか対応できない
Q99.
ディープラーニングにおける勾配消失問題の原因として最も適切なものを選べ。
① 活性化関数の出力が常に正であるため
② 重みが大きくなりすぎるため
③ 深い層で勾配が極端に小さくなり更新できなくなるため
④ バッチサイズが大きすぎるため
Q100.
以下のうち、「データ前処理」の一環として正しくないものを選べ。
① 欠損値の補完
② 外れ値の除去
③ データのシャッフル
④ 学習後の推論速度の向上
Q101.
機械学習における「バギング(Bagging)」の目的として適切なものを選べ。
① モデルの学習時間を短縮する
② データの次元を削減する
③ 過学習を防ぎ予測精度を向上させる
④ 特徴量の重要度を可視化する
Q102.
以下の文章を読み、( )に当てはまる適切な選択肢を1つ選べ。
「活性化関数の一つであるReLUは、( )ことにより勾配消失問題を緩和する効果がある。」
① 出力値を確率分布として扱う
② 入力値が負の場合に微分可能である
③ 非線形性を導入しつつ、入力が正の範囲で勾配を一定に保つ
④ 負の入力値に対して小さな勾配を保つ
Q103.
次のうち、マルチラベル分類に最も適している評価指標はどれか。
① MSE(平均二乗誤差)
② 精度(Accuracy)
③ Hamming Loss
④ ROC AUC
Q104.
「Attention機構」の利点として最も適切なものを選べ。
① 学習データの圧縮に寄与する
② 長期依存関係を保持したまま情報を処理できる
③ 学習時のラベルを不要にする
④ データのノイズ除去に有効である
Q105.
次のうち、ドロップアウトの役割として最も適切なものを選べ。
① パラメータの更新を加速する
② ネットワークの深さを制限する
③ 過学習を抑制するため、学習時に一部のユニットを無効化する
④ 活性化関数の計算コストを削減する
Q106.
RNN(再帰型ニューラルネットワーク)が抱える「勾配消失問題」への対処法として不適切なものを選べ。
① LSTMやGRUの導入
② バッチ正規化の適用
③ 入力系列の長さを制限する
④ 高速フーリエ変換の併用
Q107.
CNN(畳み込みニューラルネットワーク)におけるパラメータ数の削減手法として最も適切なものを選べ。
① バッチ正規化
② グループ畳み込み
③ ドロップアウト
④ 活性化関数の変更
Q108.
アンサンブル学習の一種である「スタッキング」の特徴として正しいものを選べ。
① 複数モデルの平均をとる単純な手法
② 弱学習器を直列に結合して学習する手法
③ 異なるモデルの出力をメタモデルで学習する手法
④ 決定木を多数構築して平均をとる手法
Q109.
強化学習において、行動価値関数Q(s, a)を用いる意義として最も適切なものを選べ。
① 最適な報酬関数を決定するため
② 状態sのみに基づく価値を評価するため
③ 任意の行動aをとったときに得られる期待報酬を計算するため
④ モデルの汎化性能を定量化するため
Q110.
「教師なし学習」の代表例として最も適切なものを選べ。
① 線形回帰
② ランダムフォレスト
③ K平均法
④ サポートベクターマシン
Q111.
次のうち、回帰分析の特徴として正しいものを選べ。
① 目的変数がカテゴリ変数である
② 入力変数のカテゴリ変数を変換する必要がある
③ 多クラス分類問題に特化している
④ 出力が確率になることを前提とする
Q112.
ディープニューラルネットワークにおいて、「バッチ正規化」の利点として不適切なものを選べ。
① 勾配消失の緩和
② 学習の安定化
③ モデルの表現力を高める
④ 層ごとの分布のばらつきを抑える
Q113.
次のうち、自然言語処理における「トークナイゼーション」の目的として正しいものを選べ。
① テキストの意味を抽出する
② テキストを構文解析する
③ 文書の要約を行う
④ テキストを意味の単位ごとに分割する
Q114.
Transformerにおいて「位置エンコーディング」が必要な理由として最も適切なものを選べ。
① 各単語の品詞を推定するため
② 単語間の順序情報をモデルに組み込むため
③ 訓練データのバッチサイズを固定するため
④ 活性化関数の非線形性を確保するため
Q115.
畳み込み層で「パディング(padding)」を行う理由として正しいものを選べ。
① モデルの収束速度を上げるため
② 計算量を削減するため
③ 特徴マップの空間的サイズを保持するため
④ 勾配爆発を防ぐため
Q116.
次のうち、データセットの「クラス不均衡」がある場合に有効な対処法として不適切なものを選べ。
① 重み付き損失関数の使用
② ダウンサンプリング
③ クロスバリデーションの採用
④ SMOTEによるオーバーサンプリング
Q117.
「説明可能AI(XAI)」の目的として最も適切なものを選べ。
① モデルの推論を高速化する
② 学習データの拡張を行う
③ AIの出力の理由を人間に理解可能にする
④ AIによる誤分類を完全に防止する
Q118.
「正則化(Regularization)」が持つ機能として正しいものを選べ。
① 学習データのシャッフル
② モデル構造の単純化による過学習防止
③ ハイパーパラメータの自動調整
④ 活性化関数の変更による勾配の安定化
Q119.
ディープラーニングにおいて「転移学習(Transfer Learning)」が有効となる状況として最も適切なものを選べ。
① ラベル付きデータが豊富にある場合
② タスクごとにゼロからモデルを学習する必要がある場合
③ 類似タスクに学習済みモデルが存在する場合
④ 過学習を強化したい場合
Q120.
モデルの性能評価において、「ホールドアウト法」と「クロスバリデーション」の違いとして適切な説明を選べ。
① ホールドアウト法は全データを学習に使用する
② クロスバリデーションは検証データの使い回しを防ぐ
③ ホールドアウト法は複数回の評価で平均をとる
④ クロスバリデーションはデータを複数分割し、すべてが検証に使われる
Q121.
統計的自然言語処理において、単語同士の関係性を統計的に捉えるために用いられる代表的な手法はどれか。
① n-gramモデル
② 畳み込みニューラルネットワーク
③ 転移学習
④ 強化学習
Q122.
以下の文章を読み、( )に当てはまる適切な選択肢を1つ選べ。
「教師あり学習の目的は、入力と出力の関係を学習し、( )を用いて予測を行うことである。」
① 決定境界
② 誤差逆伝播法
③ 強化信号
④ 潜在変数
Q123.
AIのバイアスに関する記述として最も不適切なものを選べ。
① 学習データの偏りは予測結果の公平性に影響を与える
② モデルが公正であればデータの偏りを無視しても問題ない
③ バイアス除去には前処理・学習中・後処理の段階での対応がある
④ 公平性の定義は一つではなく複数存在する
Q124.
単回帰分析に関する説明として最も適切なものを選べ。
① 1つの説明変数を用いて目的変数を予測する手法
② 複数の説明変数を用いた回帰手法
③ 目的変数がカテゴリの場合に使う手法
④ 説明変数間の相関を前提とする手法
Q125.
次のうち、モデルの汎化性能を高めるために用いられる技法として最も適切なものはどれか。
① ドロップアウト
② 学習率の増加
③ 層を深くする
④ 活性化関数を外す
Q126.
SARSAアルゴリズムの特徴として最も適切なものを選べ。
① 行動選択における方策を学習と同時に更新するオンポリシー手法
② 最適行動のみを考慮するオフポリシー手法
③ 深層学習と組み合わせる前提で開発された手法
④ 環境モデルが既知であることが前提となる手法
Q127.
平均二乗誤差関数に関する記述として正しいものを選べ。
① 予測値と実際の値の二乗誤差の平均をとった損失関数
② 分類問題で用いることが多い損失関数
③ 活性化関数として使用される関数
④ 正則化項としての役割を担う関数
Q128.
真陽性・真陰性に関する記述として最も適切なものを選べ。
① 真陽性は実際に陽性であり、モデルも陽性と予測した場合を指す
② 真陰性は誤って陽性と予測した場合を指す
③ 真陽性は感度を下げる要因となる
④ 真陰性と偽陰性は同じ意味である
Q129.
顔認識システムの導入に際し、倫理的に最も配慮すべき懸念はどれか。
① プライバシーの侵害と監視の強化
② 認識精度の向上による利便性の低下
③ リアルタイム処理のための高コスト
④ 画像データの保存容量の増加
Q130.
不適切選択問題:生成AIに関する記述として最も不適切なものを選べ。
① Zero-shot学習はラベルなしでの学習を行う
② Few-shot学習は少数の例から学習を行う
③ テキスト生成にTransformerベースのモデルが使われる
④ 生成AIは常に現実に即した正確な情報を生成する
Q131.
統計的自然言語処理で利用される手法の中で、意味的な文脈をベクトル空間に反映するために用いられる技術はどれか。
① Word2Vec
② バギング
③ データ拡張
④ 強化学習
Q132.
不適切選択問題:ディープラーニングにおけるバッチ正規化に関する記述として最も不適切なものを選べ。
① 学習の安定化と収束の高速化に寄与する
② 過学習の抑制に役立つ
③ 推論時にもバッチサイズを変更して適用する
④ 層ごとに内部共変量シフトを減少させる
Q133.
ケーススタディ形式:ある企業が新規製品開発にAIを活用しようとしている。まず最初に実施すべき工程として最も適切なものはどれか。
① 問題の定義とゴールの明確化
② モデルのデプロイ
③ モデルの学習
④ モデルの評価指標の確認
Q134.
畳み込みニューラルネットワーク(CNN)の基本的な構成要素として含まれないものはどれか。
① プーリング層
② 畳み込み層
③ 再帰層
④ 活性化関数層
Q135.
不適切選択問題:マルチエージェント強化学習(MARL)に関する記述として最も不適切なものを選べ。
① 複数のエージェントが同一環境内で学習・行動する
② 各エージェントは環境を独立して認識・操作する
③ 協調行動や競争が学習対象となる
④ 他のエージェントの行動を無視しても性能は維持される
Q136.
Attention機構の主な利点として正しいものを選べ。
① 重要な入力に重みを割り当てることで効率的な情報処理を可能にする
② モデルの深さを物理的に削減できる
③ 活性化関数を不要にする
④ 過学習の直接的な防止策となる
Q137.
Transformerモデルにおける位置エンコーディングの目的として最も適切なものを選べ。
① 順序情報を保持するためにトークンに追加される情報
② 出力の次元数を削減する技術
③ エンコーダ層を圧縮する処理
④ 単語の意味を明示的に保持する方法
Q138.
異常検知タスクにおいて、教師なし学習が適している理由として最も適切なものを選べ。
① 異常データのラベルが十分に存在しないため
② 異常検知に教師ありモデルは使えないため
③ 正常データが存在しないため
④ データがすべて数値であるため
Q139.
クラスタリング手法のK-means法の特性として正しいものを選べ。
① クラスタ数をあらかじめ指定する必要がある
② クラスタごとにラベルを自動生成する
③ 教師あり学習に分類される
④ 距離に基づかない非線形手法である
Q140.
AI導入時の費用対効果分析において、最も重要な要素はどれか。
① 投資に対する期待利益
② 使用するクラウドサービスのブランド
③ モデルの理論的性能
④ 学習データの可視化手法
Q141.
ケーススタディ:金融業界でクレジットカードの不正利用検出にAIを活用する場合、最も重視すべき評価指標はどれか?
① 再現率(Recall)
② 精度(Accuracy)
③ F値(F1 Score)
④ 特異度(Specificity)
Q142.
「Attention(Q, K, V)=softmax(QKT/√dk)V」の数式で、√dk の役割として最も適切なものを選べ。
① スケーリングによって安定した勾配を保つ
② 活性化関数を線形化する
③ 入力の次元を削減する
④ 正規化項として作用する
Q143.
定義・概念問題:エッジAIとは何を指すか、最も適切なものを選べ。
① モデルをクラウドへ送って処理するAI
② デバイス上で推論を完結させる分散型AI
③ GPU専用で高精度なAI処理
④ ラベル付き学習に特化したAI
Q144.
深層強化学習における「Experience Replay」の目的として最も適切なものはどれか?
① モデルの出力を人間が確認する
② 同じデータを複数回学習できるようにする
③ データのシャッフルとミニバッチ学習を可能にする
④ 行動方策をランダム化する
Q145.
不適切選択問題:生成AIにおける潜在拡散モデル(LDM)に関して、最も不適切な説明を選べ。
① 潜在空間でのノイズ除去を行う
② CLIP埋め込みを経由してテキスト条件付けする
③ 画素空間で直接学習することを目的とする
④ モデルが軽量で処理が高速
Q146.
モデルの「量子化(Quantization)」に関する説明として最も適切なものを選べ。
① モデルを複数のGPUに分散訓練する
② 数値を低ビットで表現し、モデルの軽量化と速度向上を図る
③ モデルを量子コンピュータ向けに変換する
④ 勾配を量子化して精度を保つ
Q147.
比較問題:教師あり学習で「ロジスティック回帰」と「線形回帰」の主な違いとして正しいものはどれか。
① ロジスティック回帰は確率の予測、線形回帰は連続値の予測
② ロジスティック回帰は教師なし学習、線形回帰は教師あり
③ 両者とも分類に使われるが線形回帰は回帰目的
④ ロジスティック回帰は非線形回帰、線形回帰は線形分類
Q148.
ケーススタディ:自治体がAIを使って住民問い合わせの自動応答チャットボットを導入した。最も初めに実施すべき取り組みはどれか?
① チャット履歴の大量自動登録
② 問い合わせカテゴリの定義と構造化
③ モデルをオフライン環境でテスト
④ 応答文のトーン設定
Q149.
定義・概念問題:マルチエージェント強化学習(MARL)における「非定常性」とは何を指すか?
① 環境の報酬が定数である
② 他エージェントの行動によって環境状態が変動する性質
③ 学習率が時間とともに変化する特性
④ エージェントが常に固定方策を使うこと
Q150.
不適切選択問題:AIガバナンスに関する以下の説明で、最も不適切なものはどれか?
① インシデント対応フローを整備する
② モデルの透明性を公開しない企業は問題ない
③ 倫理委員会を設置してリスク評価する
④ 説明可能性や監査ログを制度化する
Q151.
定義・概念問題:生成AIにおける「Zero-Shot学習」とは何か?
① ラベル付きデータを増やした上で学習すること
② 例示なしでプロンプトに応答させる方式
③ 数ショットだけで構築する学習方式
④ タスクを事前学習で固定する方式
Q152.
ディープラーニングの訓練において「Early Stopping」が実装される目的として最も適切なものを選べ。
① 訓練時間を短縮するため
② 検証データにおける性能が低下し始める前に学習を停止して過学習を防ぐ
③ テストデータで精度を最大化するため
④ モデルの構造を動的に変更するため
Q153.
平均二乗誤差関数(MSE)と「平均絶対誤差(MAE)」の違いとして最も適切なものはどれか?
① MSEは外れ値に敏感で、MAEは外れ値に鈍感
② MAEは二乗誤差を取るため滑らかである
③ MSEは0〜1の値に制約される
④ MAEは分類問題に向く
Q154.
時事枠問題:2025年5月に英国で議論されたAI規制法案に関する説明として、最も適切なものを選べ。
① AI企業に対して、著作権保護された素材の使用を全面的に禁止する
② AI企業に対して、著作権保護された素材の使用を許可するが、透明性の確保や権利者によるオプトアウトを義務付ける
③ AI企業に対して、著作権保護された素材の使用を無条件で許可する
④ AI企業に対して、著作権保護された素材の使用を禁止するが、特定の条件下で例外を認める
Q155.
比較問題:DiffusionモデルとGANの生成プロセスの違いとして最も適切なものを選べ。
① GANはノイズ除去、Diffusionはノイズ付加から始める
② Diffusionは逆拡散で生成、GANは拡散過程のみ
③ Diffusionは確率過程に基づき段階的生成、GANは直接マッピング
④ GANは条件付き生成のみ、Diffusionは無条件のみ
Q156.
モデル軽量化技術としての「プルーニング(Pruning)」の目的はどれか?
① モデルの層を追加する
② 不要なパラメータを削減してモデルを軽くする
③ モデルを量子コンピュータ対応にする
④ 学習率を下げる
Q157.
不適切選択問題:XAI(説明可能AI)の目的に関して、最も不適切な説明はどれか?
① モデルの予測過程を明示し、透明性を高める
② モデルの内部構造を単純化して処理速度を上げる
③ 利用者の信頼性向上を図る
④ モデルが偏った判断を下さないように設計を助ける
Q158.
ケーススタディ:ECサイトで特定の商品のレビュー評価が低いためAIで要約を提示する機能を企画中。まず取り組むべきはどれか?
① 既存レビューの収集と要約ニーズの定義
② モデルを高性能にアップグレード
③ フロントエンドUIデザインの刷新
④ APIのレスポンスタイム改善
Q159.
時事枠問題(重複注意):英国2025年5月議論AI規制法案に関する説明として再掲。最も適切なものを選べ。
① AI企業に対して、著作権保護された素材の使用を全面的に禁止する
② AI企業に対して、著作権保護された素材の使用を許可するが、透明性の確保や権利者によるオプトアウトを義務付ける
③ AI企業に対して、著作権保護された素材の使用を無条件で許可する
④ AI企業に対して、著作権保護された素材の使用を禁止するが、特定の条件下で例外を認める
Q160.
比較問題:バッチ正規化(BatchNorm)とレイヤー正規化(LayerNorm)の違いとして最も正しいものを選べ。
① BatchNormはバッチ単位で正規化、LayerNormは一インスタンス単位で正規化
② LayerNormは訓練時のみ機能し、BatchNormは推論時も機能する
③ BatchNormはRNNに利用されやすく、LayerNormはCNNに適用されやすい
④ 両者ともバッチ単位の正規化を行う

チャレンジ問題 10問
Q1.
AIプロジェクトで、データセットに顕著なバイアスが含まれていると判明した。この状況で最も適切な対応方針を選べ。
① データのバイアスを受け入れた上でモデルを学習する
② モデルアーキテクチャを変更してバイアスの影響を軽減する
③ バイアス検出後のアルゴリズム選定は不要である
④ バイアスの軽減をデータ前処理・学習・評価の各段階で行う方針を取る
Q2.
次の文を読んで、適切な推論を行うために用いるべき技術を選べ:
「あるユーザーが投稿したテキストとアップロード画像の関係性を理解し、自動でキャプションを生成する。」
① 画像分類モデル
② テキスト生成特化型LLM
③ マルチモーダルトランスフォーマー
④ ハードマージンSVM
Q3.
Diffusionモデルにおいて、「ノイズ予測器」として機能するネットワークの設計方針として最も適切でないものを選べ。
① 再帰型ネットワークをベースに設計する
② U-Net構造を採用する
③ テキスト条件を中間層に組み込む
④ 時刻情報を埋め込みとして加える
Q4.
Chain-of-Thought型プロンプティングを用いたLLM推論の利点として最も適切なものはどれか。
① 計算量を削減できる
② 人間の論理展開に近い思考をトレースできる
③ 推論の際にモデルサイズを縮小できる
④ 過学習を防止する正則化の役割を果たす
Q5.
ケーススタディ:
ある病院がディープラーニングを用いたX線画像診断モデルを導入した。しかし、特定の人種に対する偽陽性率が高く、患者の不信感を招いている。この場合、最も適切な説明責任対応はどれか。
① 特定人種をデータから除外し、モデル精度を保つ
② モデル設計は技術的判断であり説明責任の対象外とする
③ 偽陽性の傾向と公平性指標の定量評価を提示する
④ 推論過程を遮断して外部検証を回避する
Q6.
トランスフォーマーのマルチヘッドアテンション機構における利点として最も適切でないものを選べ。
① 多様な表現空間の学習が可能になる
② 複数の視点からの関係性を同時に学習できる
③ 入力系列の長さに比例して計算量が削減される
④ 単一のアテンションでは捉えきれない依存関係を補完できる
Q7.
平均二乗誤差(MSE)と平均絶対誤差(MAE)の違いに関する記述として適切なものを選べ。
① MAEは外れ値に敏感であるため、ノイズの多いデータに向いている
② MSEは誤差が小さいほど重みを大きくつける性質がある
③ MAEは偏微分可能ではないため勾配法では使用できない
④ MSEは誤差分布の非対称性を補正できる指標である
Q8.
統計的自然言語処理において、単語の同時出現確率を推定する際、疎なデータへの対応策として最も適切なものはどれか。
① ロジスティック回帰
② ベイズ推定によるスムージング
③ サポートベクターマシン
④ PCAによる次元削減
Q9.
SARSAアルゴリズムの特徴として正しくないものを選べ。
① 実際に選択された行動を使って価値更新を行う
② 最適行動とは限らない行動を価値評価に用いる
③ 次状態の最大Q値を参照して更新する
④ 探索性と方策の一貫性が高い
Q10.
マルチエージェント強化学習において、「相互依存性」が引き起こす学習の課題として最も直接的なものを選べ。
① 行動空間の縮小
② 環境の定常性の喪失
③ エージェントの通信不能
④ 状態遷移関数の簡素化
ご利用にあたって
本問題は、一般社団法人日本ディープラーニング協会(JDLA)が公開する「G検定(ジェネラリスト検定)シラバス 2024」 に基づいて、出題範囲の理解促進を目的として独自に作成されたものです。
JDLAならびにG検定の試験実施機関とは一切関係ありません。
出題形式や選択肢、解説は正確性・網羅性を完全に保証するものではありません。
本資料の利用はあくまで学習補助・理解促進の参考資料としてご活用ください。 利用によって生じた結果や損害について、制作者は一切の責任を負いません。
問題は基礎を中心として単純な知識選択型(定義や特徴などの正誤や適合判断)としております。そこそこ問題配分は考えて作成しています。
【★ / ★★ / ★★★】は各問題の難易度(Difficulty)を表しています。
★(1つ星)=基礎レベル
→ 基本定義や単語の意味理解など、暗記で解ける問題。
例:AIの定義、教師あり学習の代表例、PCAの目的など。★★(2つ星)=応用レベル
→ 概念の比較や誤り選択、複数要素の組み合わせ理解が必要。
例:L1とL2正則化の違い、F1スコアの意味、クラスタ数の決定方法など。★★★(3つ星)=実践・高度レベル
→ 実際のケース適用、評価指標の選択、数式・法的適用、時事モデル理解など。
例:GPT-4oのマルチモーダル特徴、AI倫理の制度設計、過学習の評価法など。