メインコンテンツへスキップ
見出し画像

【G検定対策】模擬問題18 2025年9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。
    公開している問題も2000問を超えて重複する内容も増えてきました。
    7月試験の傾向から次に出題しそうものを絞って10問程度設問&解説をしていきます。記事末尾に、他の問題へのリンクもご用意しました。ぜひご覧ください
    問題作成の情報は2025/7/26です。

    模擬問題 10問


    Q1. 生成AIの基盤モデル(Foundation Models)利用時に特に懸念されるリスクはどれか?
    ① 学習データのバイアス増幅
    ② プライバシー情報の漏洩
    ③ 計算コストや環境負荷の増加
    ④ 上記すべて


    1.要点まとめ 🔥
    Foundation Modelsは偏り・漏洩・高コストの全リスクを同時に抱える

    2.なぜ正解か 💡
    ・バイアス増幅:大量データの偏りが強化されやすい
    ・プライバシー漏洩:モデル内部から個人情報が再現される可能性がある
    ・環境負荷:膨大な計算資源が必要で電力消費・CO₂排出が増大
    → これら①~③すべてを無視すると、社会実装時に深刻な問題を招く。

    3.よくある誤答 ⚠️
    部分的なリスク(例:バイアスだけ)に注目して他の重大項目を見落としがち。
    4.図解 or 比喩 🖼️

       [バイアス] ↘
               [Foundation Model] → [プライバシー情報の漏洩]
       [コスト]  ↗

    【正解】④
    【難易度】★★
    【出題】第1章 人工知能とは


    Q2. 小売店が顧客の購買履歴や閲覧行動データ(クリック、滞在時間など)に基づき、顧客のリアルタイムな行動変化にも素早く対応できる商品推薦システムを構築したい場合、最も適したAI手法は次のうちどれか?
    ① 強化学習による推薦方策の最適化
    ② 教師なし学習(クラスタリング)による顧客セグメンテーション
    ③ 協調フィルタリングによるパーソナライズされた商品推薦
    ④ 大規模言語モデル(LLM)を用いた商品レビュー要約


    1.要点まとめ 🔥
    ・ユーザーの行動・嗜好を即時に反映して推薦
    ・大規模データでも高速にマッチング可能
    ・他手法は解析や生成が主で即時性に欠ける

    2.なぜ正解か 💡
    ・協調フィルタリングはユーザー×アイテム行列を元に、類似ユーザーや類似アイテムをリアルタイムで探索しレコメンドを生成する。
    ・強化学習(①)はシーケンス最適化に強いが即時推薦には計算コストが高く、通常はバッチ学習向け。
    ・教師なしクラスタリング(②)はグループ化分析に有効だが、個別レコメンドの即応性は低い。
    ・レビュー要約生成(④)はテキスト生成タスクで、推薦ロジックには直接関与しない。

    3.よくある誤答 ⚠️
    ・「クラスタリングでまとめて推薦できる」と考えがちだが、個別最適化は難しい。
    ・強化学習も推薦に使えるが、リアルタイム更新は技術的ハードルが高い。

    4.図解 or 比喩🖼️

    顧客Aの行動履歴(購入・閲覧) + 顧客Bの行動履歴 + ...
              ↓
       [協調フィルタリング]
              ↓
      類似ユーザー・類似アイテムの発見
              ↓
    リアルタイムな「あなたへのおすすめ」リスト

    — 類似ユーザーやアイテムを瞬時に結びつけるイメージ。

    【正解】③
    【難易度】★★
    【出題】第2章 人工知能をめぐる動向


    Q3. F1スコアが最も有効な評価となる状況はどれか?
    ① 回帰モデルの精度評価時
    ② クラス分布が均等なとき
    ③ 偽陽性と偽陰性を等しく重視したいとき
    ④ 二値分類以外の場面


    1.要点まとめ 🔥
    ・Precision(適合率)とRecall(再現率)のバランスを評価
    ・偽陽性・偽陰性の両方が業務に大きな影響を与える場合
    ・単純なAccuracyが誤解を招く状況で有効

    2.なぜ正解か 💡
    ・F1スコアはPrecisionとRecallの調和平均を取り、どちらか一方だけ高くてもスコアが下がる。
    ① 回帰モデルでは適用できず、④ 多クラス時はマクロ/Micro平均が別途必要。
    ② クラス均等時はAccuracyも有効だが、クラス不均衡やコスト重みづけ時にはF1が優れる。
    ③ 偽陽性・偽陰性双方が業務リスク(例:医療診断での見逃し/誤診)に直結する場合に最適。

    3.よくある誤答 ⚠️
    ・「Accuracyで十分」と考え、Rareクラス見逃しを無視しがち。
    ・「Recall重視ならF1ではなくRecall単独評価」と判断するケースがある。

    4.図解 or 比喩🖼️

    Precision ↑     ↑ 2 × Precision × Recall
                F1 = ────────────────  
                 ↓     Precision + Recall
    Recall    ↓    

    — PrecisionとRecallが両輪となり、どちらか一方だけ高くてもF1が低くなるイメージ。

    【正解】③
    【難易度】★★
    【出題】第3章 機械学習の概要


    Q4. DiffusionモデルがGANより優れている理由はどれか?
    ① 多様な画像生成と安定学習が可能
    ② 入力データなしで推論可能
    ③ 画像分類精度のみ向上
    ④ 常に学習速度が速い


    1.要点まとめ 🔥
    ・ノイズ除去過程で段階的に生成しモード崩壊を防止
    ・多様なサンプルを安定的に生み出せる
    ・GANの不安定性を解消する構造

    2.なぜ正解か 💡
    ① Diffusionモデルは画像生成をノイズ添加→除去の繰り返しで学習し、多様性を保持しつつ安定収束する。
    ② は誤り。入力データ(画像やノイズ)が必須。
    ③ は分類モデルでなく生成モデルの話題。
    ④ Diffusionはステップ数が多く、学習・推論速度はGANより遅いことが多い。

    3.よくある誤答 ⚠️
    ・「GANより常に速い」と思い込むが、実際は多くの反復ステップで重い。
    ・「入力不要」と勘違いし、ノイズの重要性を見落としがち。

    4.図解 or 比喩🖼️

    [ノイズ添加] → → → [ノイズ除去] → クリア画像  
      ↳ 安定×多様 ← 比較:GANの“一足飛び生成”→時に破綻

    【正解】①
    【難易度】★★★
    【出題】第4章 ディープラーニングの概要


    Q5. 自己注意(Self-Attention)が時系列データ解析にもたらす利点はどれか?
    ① 長期依存関係を効果的に捉える
    ② 入力順序を完全に無視できる
    ③ パラメータ数を大幅に減らせる
    ④ 誤差を必ず減らせる

    1.要点まとめ 🔥
    ・各時点の全情報を同時に重み付け可能
    ・長距離の依存関係を一度に学習
    ・従来RNNで陥りやすい勾配消失を緩和

    2.なぜ正解か 💡
    ① Self-Attentionは全時点の入力をキー・クエリで比較し、離れた位置の重要情報を直接取り込む。
    ② は誤解。位置エンコーディングで順序を保持しつつ並列処理を実現する。
    ③ は必ずしも減らない。Attentionヘッドや埋め込み次元でパラメータは多くなる場合がある。
    ④ 誤差削減はモデル全体の設計次第で、Self-Attention単体で保証されない。

    3.よくある誤答 ⚠️
    ・「順序を無視できる=②」と混同し、位置情報の役割を軽視しがち。
    ・Attentionの演算量軽減と勘違いし、パラメータ数も少ないと思い込むことがある。

    4.図解 or 比喩🖼️

    [t1] →🔑🔍← [t5]  
    [t2] →🔑🔍← [t6]  
    ...→🔑🔍← ...  

    — 各時刻(t1,t2,…,tN)が相互に「鍵🔑」と「探索🔍」を行い、必要な情報を直接取得するイメージ。

    【正解】①
    【難易度】★★
    【出題】第5章 ディープラーニングの要素技術


    Q6. RLHF(人間フィードバック付き強化学習)が用いられる目的はどれか?
    ① バイアス除去
    ② 教師なし特徴学習
    ③ モデル出力の倫理的調整
    ④ 自己教師あり学習


    1.要点まとめ 🔥
    ・人間からの評価を報酬信号に利用
    ・モデルの望ましい/倫理的出力を強化
    ・安全性・品質向上のためのチューニング

    2.なぜ正解か 💡
    ③ RLHFはヒトの好ましい反応や倫理的基準を報酬として取り込み、言語モデルなどの出力を制御・調整する手法。
    ① バイアス除去は副次的効果であり、主目的は出力の品質と安全性。
    ② 教師なし特徴学習は自己教師ありや事前学習で担い、RLHFとは別領域。
    ④ 自己教師あり学習はラベルなしデータ活用技術で、RLHFとは目的も手法も異なる。

    3.よくある誤答 ⚠️
    ・「RLHFはバイアス除去手法と同じ」と考えがちだが、主眼は人間の好みに合わせること。
    ・「自己教師ありと混同し、ラベル不要の学習法と誤解」するケースがある。

    4.図解 or 比喩🖼️

    Human 👍/👎  
       ↓ reward  
    [RL Agent] → “より望ましい発言” 

    — 評価を報酬として学習し、AIの出力を磨き上げるイメージ。

    【正解】③
    【難易度】★★★
    【出題】第5章 ディープラーニングの要素技術


    Q7. 転移学習とファインチューニングの違いを最も適切に説明したものはどれか?
    ① 事前学習済みモデルを新タスクに応用し、追加学習で最適化する
    ② ファインチューニングは教師なし学習のみ
    ③ 両者は完全に同じ意味
    ④ 転移学習は画像タスクに限定


    1.要点まとめ 🔥
    転移学習は既存モデルの知識を新タスクへ活用
    ファインチューニングはそのモデルを追加学習で最適化
    両者は連続的な関係にあるが、役割が異なる

    2.なぜ正解か 💡
    ① は事前学習済みモデルをベースにし、新しいデータで微調整(ファインチューニング)する流れを正しく示す。
    ② ファインチューニングは教師あり/自己教師ありいずれにも適用可能で、教師なし限定ではない。
    ③ 完全同義ではなく、転移学習の一部としてファインチューニングが位置づけられる。
    ④ 転移学習は画像以外のNLPや音声など多分野で使われる汎用手法である。

    3.よくある誤答 ⚠️
    「ファインチューニング=教師なし学習」と誤認し、追加学習の手法を混同しがち。
    「転移学習は画像専用」と思い込み、他分野適用を見落とすケース。

    4.図解 or 比喩🖼️

    [事前学習済みモデル]
           ↓ 転移学習
    [新タスク用初期モデル]
           ↓ ファインチューニング
    [最適化済みモデル]

    【正解】①
    【難易度】★★
    【出題】第4章 ディープラーニングの概要


    Q8. AIシステムが個人データを扱う際、法令遵守のため必要な対応はどれか?
    ① バイアス検知ツールの導入
    ② 利用目的の明確化や同意取得
    ③ 匿名加工や仮名加工の活用
    ④ すべて該当


    1.要点まとめ 🔥
    ・個人情報保護には複数の対策が必須
    ・同意取得、加工技術、バイアス検知を併用
    ・単一施策ではリスクをカバーできない

    2.なぜ正解か 💡
    ② 利用目的を明確化し、事前に本人同意を得ることは基本原則。
    ③ 匿名加工・仮名加工で個人識別リスクを低減し、法的要件を満たす。
    ① バイアス検知は差別防止の観点からも必要で、プライバシー以外のリスクにも対応。
    → それぞれ単独では不十分で、法令遵守にはこれら全てを組み合わせた包括的対策が求められる。

    3.よくある誤答 ⚠️
    ・「匿名化だけでOK」と考え、同意取得やバイアス検査を軽視しがち。
    ・「同意さえ取れば他は不要」と誤解し、追加の技術的対策を怠るパターン。

    4.図解 or 比喩🖼️

    [同意取得] ─┐
                  ├─▶ 完全な個人情報保護
    [匿名加工] ─┘
    [バイアス検知] ─▶ 安全性強化

    — 三本柱を組み合わせて初めて「法令遵守」の屋根が完成するイメージ。

    【正解】④
    【難易度】★★
    【出題】第7章 AIの社会実装に向けて


    Q9. 期待値 E[X]E[X] の定義式として正しいものはどれか?

    ①E[X]=∑xxP(x)E[X] = \sum_x xP(x)
    ② E[X]=∑xP(x)E[X] = \sum_x P(x)
    ③ E[X]=max⁡(x)E[X] = \max(x)
    ④ E[X]=∑xP(x),xE[X] = \sum_x P(x),x


    1.要点まとめ 🔥
    ・期待値は各値 xx とその確率 P(x)P(x) の積を合計
    ・「∑xP(x)\sum_x P(x)」ではなく「∑xx,P(x)\sum_x x,P(x)」が正式表記
    ・他選択肢は順序や演算が誤っている

    2.なぜ正解か 💡
    ① は値 x$ と確率 $${P(x) の積を正しく合算しており、期待値の定義に合致する。
    ② は「∑xP(x)\sum_x P(x)」と同じ形だが、積の順序を示唆せず誤解を生む表記。
    ③ は最大値を取る関数であり、期待値の概念とは無関係。
    ④ は見た目が似るが冗長に「x,P(x),xx,P(x),x」と2回乗算しており誤り。

    3.よくある誤答 ⚠️
    ・「∑xP(x)\sum_x P(x)」を「∑xP(x)\sum_x P(x)」と読み違え、①と②を混同しがち。
    ・最大値や他の統計量と混同して③を選ぶケースがある。

    4.図解 or 比喩🖼️

    期待値 = Σ(値×確率)
      = x₁P(x₁) + x₂P(x₂) + … 
    (最大値や重複計算ではない)

    — 各事象の“重み付き平均”を取るイメージ。

    【正解】①
    【難易度】★
    【出題】第8章 AIに必要な数理・統計知識


    Q10. 生成AIが人格権を侵害するリスクが最も高いのはどれか?
    ① 虚偽や誹謗中傷の生成
    ② プライバシー侵害の発生
    ③ 肖像権の侵害
    ④ 上記すべて


    1.要点まとめ 🔥
    ・生成AIは虚偽情報、中傷、肖像・プライバシー権侵害のすべてを同時に引き起こす可能性がある
    ・個別リスクだけでなく複合的な対策が必須
    ・一つの手法では人格権全般を保護できない

    2.なぜ正解か 💡
    ① 虚偽・中傷の生成により名誉権や名誉毀損リスクが高まる。
    ② プライバシー情報を無断利用するとプライバシー権侵害となる。
    ③ 有名人や個人の画像を無断生成・加工すると肖像権を侵害する。
    → これらは人格権の異なる側面を守るため、すべてを対象にした統合的対策が求められる。

    3.よくある誤答 ⚠️
    ・「肖像権だけ問題」と考え、他のリスクを軽視しがち。
    ・「プライバシーさえ守ればOK」と誤解し、虚偽生成の問題を見逃すパターン。

    4.図解 or 比喩🖼️

    [虚偽中傷]  
          ↘  
           [人格権侵害のハブ]  
          ↗  
    [肖像権侵害]  
          ↘  
     [プライバシー侵害]  

    — 中央ハブが “生成AI” で、三方向の権利侵害を同時に引き起こすイメージ。

    【正解】④
    【難易度】★★★
    【出題】第10章 AI倫理・AIガバナンス



    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 シラバス1.3」 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。


    関連記事


     
     
    「人生は自己育成ゲーム」というコンセプトで、資格やスキルの話などを緩くやりたいと思っています。

    あなたへのおすすめ