メインコンテンツへスキップ
見出し画像

生成AIパスポート模擬問題6|60問掲載

    章末の「ご利用にあたって」を読んでからご利用ください。
    模擬問題として60問60分としてシラバスからオリジナル問題です。
    20問×3セットとしております。
    自己学習の一助としてご活用ください。

    次回試験は10月。
    申し込み:6月1日 0:00 〜9月30日 23:59
    受験期間:10月1日 0:00 〜10月31日 23:59


    模擬問題60問(60分を想定)

    Q1~Q20

    Q1:AI(人工知能)の定義として最も適切なのはどれか?
    ①. 人間の知的行動を模倣する技術
    ②. 人間と同じ感情を持つ機械
    ③. 高速演算を行うハードウェア
    ④. 物理作業を自動化する装置

    Q2:機械学習の「教師あり学習」を最も正しく表すのはどれか?
    ①. ラベルなしデータで構造を抽出
    ②. ラベル付きデータで誤差を最小化
    ③. 報酬を最大化する方策学習
    ④. ルールで推論を行う方式

    Q3:教師なし学習の代表的なタスクはどれか?
    ①. 回帰
    ②. 二値分類
    ③. クラスタリング
    ④. 強化学習

    Q4:強化学習の説明として最も適切なのはどれか?
    ①. 事前定義ルールで推論
    ②. 教師データで誤差学習
    ③. ラベルなしで自己組織化
    ④. 報酬に基づき最適行動を学習

    Q5:誤差逆伝播法(Backpropagation)の要点はどれか?
    ①. 誤差を出力層から入力側へ伝搬して重みを更新
    ②. 乱数で重みを固定
    ③. 推論時のみ勾配計算
    ④. 誤差を前方に伝える

    Q6:損失関数の主目的はどれか?
    ①. 出力の可視化
    ②. 予測と正解の差を数値化
    ③. モデル構造の自動設計
    ④. 推論時間の短縮

    Q7:確率的勾配降下法(SGD)の特徴はどれか?
    ①. 全データで一度に更新
    ②. 勾配を使わない最適化
    ③. ミニバッチで近似勾配を計算
    ④. 2次導関数のみ使用

    Q8:学習用・検証用・テスト用データの役割の区別として正しいのはどれか?
    ①. すべて学習用で良い
    ②. 学習と検証を同一にする
    ③. テストはハイパーパラメータ調整に使う
    ④. テストは最終評価専用で学習・検証には使わない

    Q9:F1スコアは何の調和平均か?
    ①. 適合率と再現率
    ②. 正解率と誤差率
    ③. 精度とAUC
    ④. 再現率と特異度

    Q10:ROC-AUCの説明として最も適切なのはどれか?
    ①. クラス不均衡に弱い指標
    ②. しきい値に依存しない識別能力の面積
    ③. 誤差の二乗和
    ④. 多クラス限定の指標

    Q11:単層パーセプトロンの限界として正しいのはどれか?
    ①. 線形分離可能な問題を解けない
    ②. 非線形活性化が使えない
    ③. 多層化できない
    ④. XNORのような非線形分離は苦手

    Q12:バイアス‐バリアンストレードオフの要旨はどれか?
    ①. 学習率と汎化のトレードオフ
    ②. データ量と誤差の比例
    ③. バイアス減少で必ず汎化向上
    ④. 過適合と過少適合の両立回避が課題

    Q13:Transformerの利点として適切なのはどれか?
    ①. 長距離依存を自己注意で効率に捉える
    ②. 再帰構造により逐次処理
    ③. 画像専用に設計
    ④. パラメータが不要

    Q14:位置エンコーディングの目的はどれか?
    ①. 活性化の安定化
    ②. トークン順序情報の付与
    ③. 勾配爆発の抑制
    ④. 出力形式の指定

    Q15:トークン化(Tokenization)の説明として正しいのはどれか?
    ①. 類似文書のクラスタ化
    ②. 文章の言語判定
    ③. 文字列を単語やサブワードに分割
    ④. 画像をタイルに分割

    Q16:埋め込み(Embedding)とは何か?
    ①. モデル圧縮の一種
    ②. 勾配の初期化
    ③. 可視化の手法
    ④. 離散要素を連続ベクトルで表現

    Q17:GANの基本構成はどれか?
    ①. 生成器と識別器
    ②. エンコーダと復号器
    ③. ルールと推論エンジン
    ④. 方策と価値関数

    Q18:VAE(変分自己符号化器)の特徴はどれか?
    ①. 決定論的潜在変数
    ②. 潜在分布を仮定し確率的生成
    ③. 教師なし分類に特化
    ④. ノイズを出力に加算

    Q19:拡散モデル(Diffusion Model)の要点はどれか?
    ①. 画像を一度に生成
    ②. ルール列挙で生成
    ③. ノイズ付加と除去の反復で生成
    ④. 決定木で生成

    Q20:RAG(Retrieval-Augmented Generation)の利点はどれか?
    ①. モデルの学習不要
    ②. 出力を必ず正確にする
    ③. 計算量を常に削減
    ④. 検索で外部知識を取り込み事実性を補強


    解答・解説

    A1:【正解】①|【出題】第1章 AI基礎/定義
    解説:AIは「学習・推論・認識・計画」など、人の知的行動をソフトウェアで模倣する技術の総称です。ロボットや高速CPUの有無は本質ではなく、知的処理を行えるかがポイントです。例:画像の物体認識、音声の文字起こし、文章要約など。

    A2:【正解】②|【出題】第1章 学習手法/教師あり
    解説:教師あり学習は入力と正解ラベルの対で学習し、誤差(損失)を最小化します。メールのスパム/非スパム分類や、家賃の価格予測が典型例。教師なし学習や強化学習と混同しないようにしましょう。

    A3:【正解】③|【出題】第1章 学習手法/教師なし
    解説:教師なし学習はラベルがないデータからパターンを見つけます。クラスタリング(例:顧客を購入傾向でグループ化)は代表タスク。分類や回帰は教師あり学習の範囲です。

    A4:【正解】④|【出題】第1章 学習手法/強化学習
    解説:エージェントが環境と相互作用し、得られる報酬を最大化するよう行動を学びます。ゲームや自動運転のように、連続した意思決定問題で力を発揮します。

    A5:【正解】①|【出題】第1章 学習アルゴリズム/誤差逆伝播
    解説:出力誤差を連鎖律で各層へ逆に伝え、重みを更新します。学習(訓練)時にのみ行い、推論時は勾配を計算しません。現代の深層学習の基礎中の基礎です。

    A6:【正解】②|【出題】第1章 学習基礎/損失関数
    解説:損失関数は予測と正解のズレを数値化し、最小化の方向へ学習を導く「羅針盤」です。回帰ではMSE、分類では交差エントロピーなどを使います。

    A7:【正解】③|【出題】第1章 最適化/SGD
    解説:SGDはデータを小さなバッチに分けて近似勾配を計算し、計算コストを抑えながら更新します。全データ一括(Batch)よりも高速で実用的です。

    A8:【正解】④|【出題】第1章 評価設計/データ分割
    解説:データは学習(訓練)・検証・テストに分けます。テストは最終評価専用で、パラメータ調整に使うと“情報漏えい(リーク)”になり、公平な評価ができません。

    A9:【正解】①|【出題】第1章 評価指標/F1
    解説:F1は適合率(Precision)と再現率(Recall)の調和平均。片方だけ高くてもダメで、バランス重視の評価ができます。クラス不均衡な問題でよく使われます。

    A10:【正解】②|【出題】第1章 評価指標/ROC-AUC
    解説:ROC-AUCはしきい値に依存しない識別性能の総合指標で、0.5はランダム、1.0は完璧を意味します。モデル同士の総合力を比較するのに便利です。

    A11:【正解】③|【出題】第1章 モデル基礎/パーセプトロン
    解説:単層パーセプトロンは1層構造で、モデル自体を多層化して表現力を上げることができません(多層に発展させた別モデル=MLPが必要)。そのため**非線形に分離できない問題(例:XOR)**は単層のままでは解けない、という限界があります。

    A12:【正解】④|【出題】第1章 汎化/バイアス‐バリアンス
    解説:過少適合(高バイアス)と過学習(高バリアンス)はトレードオフの関係にあります。モデルの複雑さや正則化、データ量を調整してバランス点を探すのが実務のコツです。

    A13:【正解】①|【出題】第2章 生成AI技術/Transformer
    解説:Transformerは**自己注意(Self-Attention)**で遠い単語同士の関係を一気に捉えられ、並列計算が得意です。RNNのような逐次処理に比べ、長距離依存を効率よく扱えます。

    A14:【正解】②|【出題】第2章 Transformer/位置情報
    解説:Transformerは順序を直接は持たない構造のため、位置エンコーディングでトークンの順序情報を追加します。これにより文の「語順」を理解できます。

    A15:【正解】③|【出題】第2章 LLM基礎/トークン化
    解説:トークン化はテキストを単語やサブワードなどの単位に分割する前処理です。LLMはこのトークン列を入力として処理します。

    A16:【正解】④|【出題】第2章 LLM基礎/埋め込み
    解説:埋め込みは離散的な言葉を数値ベクトルに変換し、意味の近さを距離で扱えるようにします。検索(ベクトル検索)や類似度計算の土台になります。

    A17:【正解】①|【出題】第2章 生成モデル/GAN
    解説:GANは**生成器(偽物を作る)と識別器(本物か偽物か見分ける)**が対抗し合って学習します。この競争によりリアルな画像などが生成できるようになります。

    A18:【正解】②|【出題】第2章 生成モデル/VAE
    解説:VAEは潜在空間に確率分布を仮定し、そこからサンプリングして出力を生成します。滑らかな潜在空間が得られ、連続的な変形(例:手書き数字の形を少しずつ変える)に強いのが特徴です。

    A19:【正解】③|【出題】第2章 生成モデル/拡散
    解説:拡散モデルはデータに少しずつノイズを足す前向き過程と、そのノイズを段階的に除去する逆過程で生成します。最近の高品質な画像生成で主流のアプローチです。

    A20:【正解】④|【出題】第2章 LLM活用/RAG
    解説:RAGは生成前に外部検索(Retrieval)で関連文書を取り込み、モデルに根拠情報を与えてから回答させます。これにより事実性の補強やハルシネーション抑制が期待できます。


    Q21~Q40

    Q21:LLMの「ハルシネーション」とはどれか?
    ①. モデル停止
    ②. 出力暗号化
    ③. もっともらしい誤情報の生成
    ④. 入力拒否

    Q22:RLHF(Human Feedbackによる強化学習)の目的はどれか?
    ①. 言語識別
    ②. 人の好ましい振る舞いに整合
    ③. パラメータ削減
    ④. ノイズ除去

    Q23:温度(Temperature)パラメータを上げるとどうなるか?
    ①. 常に精度向上
    ②. 決定的な出力に近づく
    ③. 出力が多様化しランダム性が増す
    ④. 計算が不要になる

    Q24:コンテキスト長(コンテキストウィンドウ)の説明はどれか?
    ①. 学習回数
    ②. パラメータ数
    ③. ベクトル次元
    ④. 一度に保持できるトークン数

    Q25:エンコーダ‐デコーダ型の特徴として正しいのはどれか?
    ①. 入力を潜在表現に圧縮し出力側で復号
    ②. 入力をそのまま出力
    ③. 画像専用構造
    ④. 逐次処理のみ可能

    Q26:BERTとGPTの主な違いはどれか?
    ①. どちらも双方向のみ
    ②. BERTは双方向・GPTは自己回帰
    ③. GPTは双方向・BERTは自己回帰
    ④. どちらも自己回帰

    Q27:知識蒸留(Knowledge Distillation)の狙いはどれか?
    ①. モデルを必ず高精度化
    ②. 教師なし学習の置換
    ③. 大モデルの知識を小モデルへ移転
    ④. データ前処理の簡略化

    Q28:ディープフェイクの社会リスクとして適切なのはどれか?
    ①. 記憶容量の増大
    ②. GPU消費の増加
    ③. 解像度の上限
    ④. なりすましや名誉毀損・誤情報拡散

    Q29:企業での生成AI活用の利点として妥当なのはどれか?
    ①. すべての判断を自動化
    ②. 監査不要
    ③. アイデア創出や作業効率向上
    ④. ルール無視で迅速化

    Q30:職務への影響の捉え方として適切なのはどれか?
    ①. 全職種が不要になる
    ②. 代替と補完が混在し再設計が必要
    ③. 高度職だけ影響
    ④. 現場には影響しない

    Q31:誤情報対策として有効なのはどれか?
    ①. 出力を即共有
    ②. 出典を示さない
    ③. 複数ソースで検証(ファクトチェック)
    ④. AI回答を常に優先

    Q32:メディア・情報リテラシーの核心はどれか?
    ①. 速く読む
    ②. 共有数を見る
    ③. 出所・真正性・意図を批判的に評価
    ④. タイトルのみで判断

    Q33:公共分野での生成AI活用で期待される効果はどれか?
    ①. 手続きの説明や案内の効率化
    ②. すべての審査を自動承認
    ③. 監査不要化
    ④. 記録の破棄促進

    Q34:組織での生成AI導入時の基本方針として適切なのはどれか?
    ①. 禁止と放任を併用
    ②. 目的・リスク・手順を明記したガイドライン整備
    ③. ユーザー任せ
    ④. 監査を省略

    Q35:社内利用で避けるべき行為はどれか?
    ①. 非公開情報の無断入力
    ②. 出力の人手確認
    ③. ルールに沿った利用
    ④. テンプレ整備

    Q36:AI利用の明示(ラベリング)として適切なのはどれか?
    ①. AI利用を秘匿
    ②. 出力の根拠非開示
    ③. 利用可否を利用規約に限定
    ④. 生成物にAI利用を明記

    Q37:アクセシビリティ向上の観点で生成AIが支援できる例はどれか?
    ①. 画像の代替テキスト生成
    ②. すべての監査を自動化
    ③. 利用者の同意省略
    ④. 端末制限の強化

    Q38:データ品質の重要性として最も適切なのはどれか?
    ①. 量があれば質は不要
    ②. 偏りや誤りはモデルに伝播
    ③. 品質はモデルと無関係
    ④. 収集元は気にしない

    Q39:社会受容性を高める施策として妥当なのはどれか?
    ①. 説明責任の放棄
    ②. 透明性の低下
    ③. ステークホルダーとの対話・影響評価
    ④. 利用規約の非公開

    Q40:匿名加工情報(日本法)の要件として正しいのはどれか?
    ①. 個人識別子を保持
    ②. 復元可能であること
    ③. 元データとの照合が容易
    ④. 個人を識別できないよう適切に加工


    解答・解説

    A21:【正解】③|【出題】第2章 LLM課題/信頼性
    解説:ハルシネーションは事実と異なる内容をもっともらしく生成してしまう現象です。知識が足りないときや曖昧な質問で起こりやすく、検索連携(RAG)や根拠提示の徹底、人間による確認で抑えます。

    A22:【正解】②|【出題】第2章 LLMチューニング/RLHF
    解説:RLHFは人間のフィードバックを報酬信号として学習させ、モデルの出力を人の価値観・意図に沿うよう調整します。これにより失礼な応答や危険な内容が減り、扱いやすさが向上します。

    A23:【正解】③|【出題】第2章 生成制御/サンプリング
    解説:温度を上げると確率分布が平坦化し、低確率の語も選ばれやすくなって多様性が増加します。創作には有利ですが、事実性が必要な場面では下げるなど用途に合わせた調整が大切です。

    A24:【正解】④|【出題】第2章 LLM制約/コンテキスト
    解説:コンテキスト長はモデルが一度に覚えておけるトークン数です。長すぎる指示や文書は途中が切り捨てられることがあり、重要部分を前方に置く・要約して渡すと精度が安定します。

    A25:【正解】①|【出題】第2章 アーキテクチャ/Encoder–Decoder
    解説:入力を**圧縮(エンコード)して特徴を捉え、そこから復号(デコード)**して出力を生成します。機械翻訳や要約などに有効で、入力と出力の形式が異なるタスクに向いています。

    A26:【正解】②|【出題】第2章 モデル系譜/BERT vs GPT
    解説:BERTは文の前後を同時に見る双方向で、マスクされた語を当てます。GPTは左から右へ自己回帰で次の語を予測します。設計の違いが**得意タスク(理解/生成)**の違いにつながります。

    A27:【正解】③|【出題】第2章 モデル圧縮/蒸留
    解説:大きな教師モデルの振る舞いを小さな生徒モデルに学ばせ、軽量でも性能を保つのが狙いです。スマホなど計算資源が限られる環境での推論に有効です。

    A28:【正解】④|【出題】第3章 社会動向/ディープフェイク
    解説:AI合成の偽映像・音声はなりすましや名誉毀損、詐欺につながります。透かし(ウォーターマーク)や検出ツール、出所の確認など技術と運用の両面で対策します。

    A29:【正解】③|【出題】第3章 社会動向/活用効果
    解説:生成AIは要約・下書き・発想支援などで生産性を向上させます。ただし「すべて自動化」は現実的でなく、人の監督や**レビュー体制(HITL)**が必須です。

    A30:【正解】②|【出題】第3章 社会動向/労働影響
    解説:仕事は代替(なくなる)と補完(強化される)が混在します。単純作業は自動化されやすく、創造・対人スキルは価値が上昇。業務再設計とリスキリングが鍵です。

    A31:【正解】③|【出題】第3章 社会動向/誤情報対策
    解説:大事なのは複数の信頼できる情報源で裏取りすること。出典の明示、発信者の確認、公開日や文脈の確認で誤情報に流されにくくなります。

    A32:【正解】③|【出題】第3章 情報リテラシー/評価
    解説:情報は誰が・何の目的で・どんな根拠で発信したかを批判的に評価します。タイトルや拡散数だけで判断せず、本文・出典・引用の整合性をチェックしましょう。

    A33:【正解】①|【出題】第3章 社会動向/公共活用
    解説:行政窓口のチャット案内、申請書の記入支援などが実例です。便利な一方、個人情報や誤案内には注意し、人の確認を残すことが重要です。

    A34:【正解】②|【出題】第3章 社会動向/ガバナンス
    解説:導入時は目的・禁止事項・レビュー手順を定めたガイドラインを整備します。教育、ログ管理、権限設計とセットで運用することで安全に浸透します。

    A35:【正解】①|【出題】第3章 社会動向/実務留意
    解説:社外秘や個人情報を無断で入力するのは厳禁です。出力は人が確認し、テンプレやルールを整備して誤情報の混入を防ぎます。

    A36:【正解】④|【出題】第3章 透明性/ラベリング
    解説:AI生成を明示すると、読者は前提(誤りの可能性・編集方針)を理解できます。誤解や出所誤認の防止に役立ち、社会的信頼の向上にもつながります。

    A37:【正解】①|【出題】第3章 社会価値/アクセシビリティ
    解説:画像の代替テキストや動画の自動字幕など、情報アクセスを助けます。弱視・聴覚障害のある人だけでなく、誰にとっても使いやすいデザインに貢献します。

    A38:【正解】②|【出題】第3章 データ品質
    解説:「ゴミ入力ならゴミ出力」。偏った・誤ったデータは、そのまま差別的な結果や誤結論に直結します。収集時から品質チェックと偏りの補正が必要です。

    A39:【正解】③|【出題】第3章 社会受容/ステークホルダー関与
    解説:住民・顧客・従業員などと対話し、影響評価(AIA)やパイロット運用で懸念を洗い出します。早期の説明と合意形成がスムーズな導入を支えます。

    A40:【正解】④|【出題】第4章 法倫理/匿名加工情報
    解説:個人が特定できないように加工し、復元されにくい状態にすることが要件です。再識別リスクの評価や安全管理措置の実施が求められます。


    Q41~Q60

    Q41:要配慮個人情報に該当する例はどれか?
    ①. 氏名
    ②. 購買履歴
    ③. 宗教・病歴
    ④. 企業名

    Q42:著作物と認められる要件として適切なのはどれか?
    ①. データ量が多い
    ②. 創作性がある人の表現
    ③. 公開されている
    ④. 事実の羅列のみ

    Q43:AI生成物が著作権侵害になりやすい例はどれか?
    ①. 公的統計の要約
    ②. パブリックドメイン素材の活用
    ③. 有名キャラクターをほぼ再現した画像の公開
    ④. 自作データの変換

    Q44:肖像権・パブリシティ権の配慮として適切なのはどれか?
    ①. 公開画像なら自由利用
    ②. クレジット表記で免責
    ③. 非営利なら不問
    ④. 本人の許諾なく顔画像を生成・公開しない

    Q45:営業秘密(不正競争防止法)の要件でないものはどれか?
    ①. 秘密管理性
    ②. 有用性
    ③. 非公知性
    ④. 著作権登録

    Q46:引用の基本要件として適切なのはどれか?
    ①. 出典明示・主従関係・必要最小限
    ②. 変形していれば自由
    ③. 商用なら不可
    ④. 引用符は不要

    Q47:透明性を高める実務として妥当なのはどれか?
    ①. モデルの使用目的を公表
    ②. 監査結果を非公開
    ③. リスク説明を省略
    ④. データ出所を秘匿

    Q48:アライメント(人間の価値整合)で重要なのはどれか?
    ①. 利益最大化のみ
    ②. 完全自律
    ③. 倫理方針・安全対策・監督の設計
    ④. データ量の増加

    Q49:共同利用と第三者提供の違いで重要なのはどれか?
    ①. 共同利用なら同意不要
    ②. 共同利用は範囲・管理者・目的の公表が前提
    ③. 第三者提供は口頭で可
    ④. いずれも制限なし

    Q50:データ最小化の原則とはどれか?
    ①. 収集は可能な限り多く
    ②. 目的に必要最小限のデータのみ収集・利用
    ③. 目的外利用を許容
    ④. 期限なく保存

    Q51:アカウンタビリティ(説明責任)の要点はどれか?
    ①. 説明不可でも問題なし
    ②. 利用者に判断根拠や対応策を説明
    ③. モデルを非公開にする
    ④. 責任主体を曖昧にする

    Q52:プロンプトの基本構成に含まれないのはどれか?
    ①. Instruction(やってほしいこと)
    ②. Context(前提・背景)
    ③. Input Data(対象データ)
    ④. モデル再学習の手順

    Q53:Zero-shotプロンプティングとはどれか?
    ①. 多数の例示を与える
    ②. 少数の例示を与える
    ③. 例示を与えずに指示だけで応答させる
    ④. 出力後に手動で修正

    Q54:Few-shotプロンプティングの効果はどれか?
    ①. 出力の多様性のみ増す
    ②. 望む形式・水準の例を示し応答を誘導
    ③. モデル構造を変更
    ④. トークン数を固定

    Q55:出力形式の明示(Output Indicator)の例として適切なのはどれか?
    ①. 「詳しく」
    ②. 「日本語で」
    ③. 「箇条書きで5点に要約して」
    ④. 「参考文献は自動生成して」

    Q56:好ましくないプロンプト例はどれか?
    ①. 曖昧で矛盾した指示を併記
    ②. 役割や目的を明確化
    ③. 制約条件を明記
    ④. 参照情報を提示

    Q57:制約条件(禁止事項・範囲)をプロンプトに含める主目的はどれか?
    ①. 出力の境界を明確にし誤りや逸脱を防ぐ
    ②. モデルの学習を高速化
    ③. 温度を固定
    ④. ハードウェア要件を伝える

    Q58:Gemini 2.5 Pro(experimental, 2025年3月)とCanvasに関する説明で正しいものはどれか?
    ①. 有料限定で画像非対応
    ②. 2.5 Pro実験版とCanvas提供拡大
    ③. 1.0のみ提供に後退
    ④. リリース延期を正式発表

    Q59:Anthropic Claude 4(2025年5月)の説明として最も適切なのはどれか?
    ①. Opus 4/Sonnet 4発表
    ②. 旧Claude 2のみ提供
    ③. 画像生成特化の単一モデル
    ④. API提供を全廃

    Q60:Meta Llama 4(2025年4月)の特徴として適切なのはどれか?
    ①. 完全にテキスト専用
    ②. 商用利用は全面禁止
    ③. 単一巨大モデルのみ
    ④. MoE採用の多モデル・長文脈


    解答・解説

    A41:【正解】③|【出題】第4章 個人情報/機微情報
    解説:「要配慮個人情報」は人種・信条・病歴・犯罪歴など特に慎重な取り扱いが必要な情報を指します。氏名や企業名は個人情報になり得ますが「要配慮」ではありません。扱う際は本人同意や目的限定など、より厳格な配慮が求められます。

    A42:【正解】②|【出題】第4章 著作権/著作物性
    解説:著作物かどうかは創作性のある人間の表現かが基準です。データ量の多さや公開の有無は直接関係しません。単なる事実の羅列(電話帳の項目並び等)は原則として創作性に欠け、著作物ではありません。

    A43:【正解】③|【出題】第4章 著作権/二次利用
    解説:既存の有名キャラクターを実質的に同一と言えるほど再現して公開すれば、キャラクターの著作権や商品化権の侵害リスクが高いです。公的統計やパブリックドメイン素材は条件を満たせば比較的安全です。

    A44:【正解】④|【出題】第4章 人格権/肖像・パブリシティ
    解説:本人の画像・声は人格権(肖像権)やパブリシティ権に関わります。公開されているからといって自由利用できるわけではありません。生成AIでも本人の許諾なく顔・声を生成・公開するのは避けましょう。

    A45:【正解】④|【出題】第4章 機密情報/営業秘密
    解説:営業秘密の要件は非公知性・有用性・秘密管理性の3つです。著作権登録は必要条件ではありません。アクセス制限・秘密表示など管理実態を整えることが重要です。

    A46:【正解】①|【出題】第4章 著作権/引用
    解説:引用は出典明示・主従関係(自分の主張が主)・必要最小限などの要件を満たす必要があります。「変形していれば自由」ではありません。引用符や出典の明示で出所の明確化を行いましょう。

    A47:【正解】①|【出題】第4章 ガバナンス/透明性
    解説:透明性を高めるには使用目的・前提・限界・リスクの開示が有効です。監査結果の非公開や出所の秘匿は信頼を損ねます。モデルの利用方針やデータ出所をできる範囲で明確にしましょう。

    A48:【正解】③|【出題】第4章 倫理/アライメント
    解説:アライメントはAIの振る舞いを人の価値観や社会的規範に合わせる取り組みです。倫理方針、安全対策(危険行為の抑止)、**人の監督(HITL)**といった枠組み設計が重要です。

    A49:【正解】②|【出題】第4章 個人情報/共同利用
    解説:個人情報の共同利用は、利用者に対し共同利用の範囲・目的・管理者等を公表することが前提です。適切な公表や体制なく「同意不要」と考えるのは誤りで、透明性の確保が必須です。

    A50:【正解】②|【出題】第4章 プライバシー原則/最小化
    解説:データ最小化は、目的達成に必要な分だけデータを収集・利用し、不要に広げない原則です。目的外利用や長期保存はリスクが増すため、保管期間や利用範囲を明確に定めます。

    A51:【正解】②|【出題】第4章 ガバナンス/説明責任
    解説:アカウンタビリティは、判断の根拠・手順・責任主体を説明できることです。モデル非公開が直ちに悪いわけではありませんが、利用者や監督機関に対して必要な説明ができる体制が欠かせません。

    A52:【正解】④|【出題】第5章 プロンプト基礎/4要素
    解説:プロンプトの基本はInstruction・Context・Input Data・Output Indicatorです。モデル再学習の手順はプロンプト構成ではなく、開発工程の話です。役割・目的・形式を明確に伝えるのがコツです。

    A53:【正解】③|【出題】第5章 プロンプト技法/Zero-shot
    解説:Zero-shotは例示を与えずに指示だけで応答させる方法です。モデルの汎化能力に頼るため、指示は明確・具体に。例示が必要ならFew-shotを使い、想定する出力の形を示します。

    A54:【正解】②|【出題】第5章 プロンプト技法/Few-shot
    解説:Few-shotは少数の良い例を提示して、望ましい出力の形・質をなぞらせる手法です。ゼロから説明するより安定しやすく、フォーマットの逸脱も減ります。

    A55:【正解】③|【出題】第5章 出力設計/形式指定
    解説:「箇条書きで5点に要約して」のように形式・分量・視点を指定すると、出力がぶれにくくなります。「詳しく」「日本語で」だけでは指示が粗く、期待通りにならないことが多いです。

    A56:【正解】①|【出題】第5章 プロンプト設計/注意点
    解説:曖昧・矛盾した指示は最悪です。モデルはどれを優先すべきか判断できず、迷走や誤答を招きます。役割・目的・制約・参照情報は一貫した形で提示しましょう。

    A57:【正解】①|【出題】第5章 プロンプト設計/制約設定
    解説:禁止事項や対象範囲(例:「法的助言はしない」「対象は日本法のみ」)を明記すると、逸脱や危険出力を抑制できます。温度設定などよりもまず境界の明確化が効果的です。

    A58:【正解】②|【出題】最新動向/Gemini 2.5 Pro(2025年3月)
    解説:Googleは2025年3月にGemini 2.5 Pro(experimental)の一般提供拡大と、Canvasの試用提供を発表。さらに同月内のリリースノートで2.5 Pro(experimental)の展開や機能強化が続報として示されました。実験版の2.5 Proは推論・コード・画像理解などが強化され、Canvasと組み合わせて作成→修正→共有のフローを支援します。

    A59:【正解】①|【出題】最新動向/Claude 4(2025年5月)
    解説:Anthropicは2025年5月22日に**Claude 4(Opus 4/Sonnet 4)**を発表。長時間のタスクやエージェント的ワークフロー、コーディング性能の大幅向上、ツール使用を含む“extended thinking”対応などが示されました。両モデルはAPIや主要クラウドから提供され、実務向けの精密な指示追従と推論を狙っています。

    A60:【正解】④|【出題】最新動向/Llama 4(2025年4月)
    解説:Metaは2025年4月5日にLlama 4を発表。Scout/Maverick(公開)とBehemoth(開発中)など複数モデルで、Mixture-of-Experts(MoE)を採用し、マルチモーダル対応や一部モデルで非常に長いコンテキストを特徴とします。公開記事では長文脈や配布形態、適用領域についても触れられています。


    画像

    チャレンジ問題

    Q61:RAGの基本フローを正順に並べたものはどれか?(A:埋め込み生成/B:ベクトルDB登録/C:類似検索/D:生成)
    ①. C→B→A→D
    ②. A→C→B→D
    ③. A→B→C→D
    ④. A→B→C→D

    Q62:新しい文書をRAGに取り込む際、最初に行うべき処理はどれか?
    ①. 埋め込み生成
    ②. 類似検索
    ③. モデルによる生成
    ④. ベクトルDBの全削除

    Q63:RAGでクエリ応答を行う際、最初の処理として適切なのはどれか?
    ①. ベクトルDB登録
    ②. クエリの埋め込み生成
    ③. 文書の手作業要約
    ④. いきなり生成

    Q64:次のRAG手順の空欄に入る最適な工程はどれか?「埋め込み生成 → ( ) → 類似検索 → 生成」
    ①. クエリ拡張
    ②. トークナイズ
    ③. ベクトルDB登録
    ④. 生成

    Q65:Prompt Injection対策では、公開前に( )を行い、取り込む外部情報の範囲を( )することが重要である。
    ①. レート制限/バッチ処理
    ②. 暗号化/圧縮
    ③. ログ削除/キャッシュ無効化
    ④. 出力フィルタリング/コンテキスト制限

    Q66:RAGでユーザー入力に紛れた注入指示を効かせないための組み合わせとして最適なのはどれか?
    ①. 高温サンプリング/Top-p拡大
    ②. コンテキスト制限/出力フィルタリング
    ③. マルチヘッド注意/位置エンコーディング
    ④. 学習率増加/バッチ拡大

    Q67:Prompt Injectionの防御策として不適切なものはどれか?
    ①. システムプロンプトで方針固定+コンテキスト制限
    ②. 外部ソースのホワイトリスト化+出力フィルタリング
    ③. 温度を上げて多様性を確保
    ④. 役割指示のスコープ化+機密語フィルタ

    Q68:空欄に当てはまる語句の正しい組合せはどれか?
    「注入対策では(A)で外部入力の影響範囲を限定し、(B)で禁止出力をブロックする」
    ①. A:コンテキスト制限/B:出力フィルタリング
    ②. A:レート制限/B:暗号化
    ③. A:乱数化/B:正規化
    ④. A:前処理/B:後処理

    Q69:OpenAI「GPT-4.1 mini」(2025年5月)に関する説明で正しいものはどれか?
    ①. GPT-4.1 miniはGPT-4o miniを置き換えず、Enterprise限定の追加モデルである
    ②. GPT-4.1 miniがGPT-4o miniを置き換え、ChatGPTの全ユーザーで利用可能になった
    ③. 英語以外は非対応で、多言語機能は提供されていない
    ④. 2025年5月時点ではAPIのみ提供で、ChatGPTでは未提供である

    Q70:EU AI Act(2025年2月)の最初の適用内容として正しいものはどれか?
    ①. 一般目的AI(GPAI)への透明性義務が即時適用
    ②. 高リスクAIの適合性評価義務が即時適用
    ③. 禁止(Unacceptable risk)に該当するAI実践の使用禁止が適用開始
    ④. すべてのAIに統一の事前承認制が導入


    解答・解説

    A61:【正解】④|【出題】第2章 LLM活用/RAG
    解説:RAGは①文書の埋め込み生成(A)で数値ベクトル化→②ベクトルDBへ登録(B)して検索可能に→③質問を埋め込み化して類似検索(C)→④見つかった根拠を添えて**生成(D)**という順番です。まず“索引作り(A,B)”、次に“検索と回答(C,D)”という流れと覚えましょう。

    A62:【正解】①|【出題】第2章 LLM活用/RAGインデクシング
    解説:新しい文書はまず埋め込みベクトルに変換します。これを登録してはじめて類似検索が使えます。いきなり生成してもDBに載っていない情報は参照できません。現場では分割(チャンク)→埋め込み→登録の順で自動取り込みします。

    A63:【正解】②|【出題】第2章 LLM活用/RAG検索
    解説:ユーザーの質問も埋め込み化して、DB内から意味が近い文書を探します。キーワード一致ではなく意味ベース検索なので、言い回しが違っても関連情報を拾いやすいのが特徴です。

    A64:【正解】③|【出題】第2章 LLM活用/RAGパイプライン
    解説:文書をベクトル化しただけでは検索できません。ベクトルDB登録(インデクシング)して、はじめて類似検索の対象になります。RAGは“登録してから探す”が鉄則です。

    A65:【正解】④|【出題】第4章 情報リテラシー・法倫理/安全設計
    解説:Prompt Injectionは外部入力で方針を書き換えさせる攻撃です。対策は二段構えで、①下流で出力フィルタリング(危険表現・機密漏えいをブロック)②上流でコンテキスト制限(参照できる情報を最小限に絞る)。“入れない・出さない”の両輪で守ります。

    A66:【正解】②|【出題】第4章 情報リテラシー・法倫理/注入対策
    解説:コンテキスト制限でシステムプロンプトや機密文書をユーザー入力から隔離し、出力フィルタリングで不適切な応答を最終段で遮断します。温度やTop-pの調整は生成の多様性制御であり、セキュリティ対策ではありません。

    A67:【正解】③|【出題】第4章 情報リテラシー・法倫理/リスク対策
    解説:温度を上げると出力のランダム性が増えるだけで、注入対策としての効果はありません。実務では役割・方針の固定(システムプロンプト)、入力経路の分離、ホワイトリスト化、危険語・機密語フィルタなどを組み合わせます。

    A68:【正解】①|【出題】第4章 情報リテラシー・法倫理/設計原則
    解説:上流のコンテキスト制限で外部入力が触れられる情報範囲を最小化し、下流の出力フィルタリングで最終的に禁止出力をブロックします。入口と出口の二重防御を意識すると設計が安定します。

    A69:【正解】②|【出題】最新動向/GPT-4.1 mini(2025年5月)
    解説:OpenAIは2025年5月14日付のリリースノートで、GPT-4.1 miniがGPT-4o miniを置き換え、ChatGPTの全ユーザー向けに提供されることを案内しました。小型・高速ながら汎用性を重視した位置づけで、日常利用の標準的な選択肢として扱われています。

    A70:【正解】③|【出題】最新動向/EU AI Act(2025年2月の適用開始)
    解説:EU AI Actは段階的に適用され、最初の適用(2025年2月2日)では「禁止(Unacceptable risk)」に該当するAI実践の使用禁止が発効しました。GPAIの透明性義務は後続期日、高リスクAIの義務はさらに後年に適用されます。時系列で理解すると混乱しにくいです。

    画像

    ご利用にあたって

    本問題は、一般社団法人 生成AI活用普及協会(GUGA)が公開する「生成AIパスポート シラバス」に基づき、
    出題範囲の理解促進を目的として独自に作成された非公式の演習問題集です。GUGAならびに「生成AIパスポート」試験の実施機関とは一切関係ありません。

    • 出題形式・選択肢・難易度・解説は、実際の試験とは異なる場合があり、その正確性・網羅性・最新性は保証されません。

    • 問題はシラバスの出題想定に基づき、各章からの配分を意識してランダムに構成しています。

    • 記載内容は学習補助・理解促進を目的とした参考資料であり、本資料の利用によって生じた結果や損害について、制作者は一切責任を負いません。



     
     
    「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