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13 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。
    5月10日(土)にありました試験の傾向から7月の出題対応カバー率をあげることを意識して作成しております。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。全体的には設問形式のバリエーションを少し増やしました。また最後に20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2025/5/31です。

    模擬問題 160問 120分

    Q1.
    人工知能(AI)の定義として最も適切なものを選べ。
    ① 人間の感情を完全に再現するシステム
    ② 人間の知的行動を模倣するコンピュータシステム
    ③ 自律的に自己進化するロボット
    ④ 人間の脳構造を完全に再現した装置

    Q2.
    以下のうち、教師あり学習の代表的な手法として最も適切なものを選べ。
    ① k-meansクラスタリング
    ② 線形回帰
    ③ 主成分分析
    ④ 自己組織化マップ

    Q3.
    強化学習における「報酬」とは何を指すか、最も適切なものを選べ。
    ① 学習データの量
    ② エージェントの行動に対する評価値
    ③ モデルの複雑さ
    ④ 学習率の設定値

    Q4.
    以下の文章を読み、( )に当てはまる最も適切な選択肢を選べ。
    「( )は、ニューラルネットワークにおいて、出力と正解との誤差を出力層から入力層へと逆方向に伝播させ、重みを更新する手法である。」
    ① フィードフォワード
    ② バックプロパゲーション
    ③ ドロップアウト
    ④ バッチ正規化

    Q5.
    次のうち、AIの倫理的課題として最も不適切なものを選べ。
    ① AIによるプライバシーの侵害
    ② AIによる雇用の喪失
    ③ AIによる感情の理解
    ④ AIによる差別の助長

    Q6.
    以下のうち、自然言語処理における「形態素解析」の目的として最も適切なものを選べ。
    ① 文書の要約を行う
    ② 単語の品詞を識別する
    ③ 文の感情を分析する
    ④ 単語の意味を理解する

    Q7.
    次のうち、画像認識における「データ拡張」の目的として最も適切なものを選べ。
    ① モデルのサイズを小さくする
    ② 学習データの多様性を高める
    ③ モデルの推論速度を上げる
    ④ 学習データのラベルを変更する

    Q8.
    以下のうち、AIの社会実装における「説明可能性(Explainability)」の重要性として最も適切なものを選べ。
    ① モデルの精度を向上させるため
    ② モデルの学習時間を短縮するため
    ③ モデルの判断根拠を明示するため
    ④ モデルのサイズを小さくするため

    Q9.
    以下の文章を読み、( )に当てはまる最も適切な選択肢を選べ。
    「( )は、ニューラルネットワークの学習において、過学習を防ぐために一部のノードを無効化する手法である。」
    ① バッチ正規化
    ② ドロップアウト
    ③ プーリング
    ④ 勾配消失

    Q10.
    次のうち、教師なし学習の代表的な手法として最も適切なものを選べ。
    ① 線形回帰
    ② k-meansクラスタリング
    ③ 決定木
    ④ ロジスティック回帰

    Q11.
    以下のうち、AIの法的課題として最も適切なものを選べ。
    ① AIの感情表現の法的保護
    ② AIによる著作権侵害の可能性
    ③ AIの自己進化に関する法的規制
    ④ AIの物理的損傷に対する保険制度

    Q12.
    以下のうち、ディープラーニングにおける「ドロップアウト」の目的として最も適切なものを選べ。
    ① 学習率の調整
    ② 過学習の防止
    ③ 活性化関数の変更
    ④ 損失関数の最小化

    Q13.
    次のうち、AIの説明可能性(Explainable AI)に関する説明として最も適切なものを選べ。
    ① AIの判断過程を人間が理解できるようにすること
    ② AIの判断を完全にブラックボックス化すること
    ③ AIの判断をランダムに変更すること
    ④ AIの判断を人間の直感に委ねること

    Q14.
    以下のうち、機械学習モデルの性能評価指標として使用されるものはどれか。
    ① 精度(Accuracy)
    ② 再現率(Recall)
    ③ 適合率(Precision)
    ④ 以上すべて

    Q15.
    次のうち、AIのフェアネス(公平性)に関する説明として最も適切なものを選べ。
    ① AIは常に公平な判断を下す
    ② AIの判断が特定の集団に不利益をもたらさないようにすること
    ③ AIの判断を人間の感情に基づいて行うこと
    ④ AIの判断をランダムに行うこと

    Q16.
    以下のうち、AIの社会的受容性を高めるための取り組みとして最も適切なものを選べ。
    ① AIの判断を完全に自動化する
    ② AIの判断過程を公開し、透明性を確保する
    ③ AIの判断を人間の直感に委ねる
    ④ AIの判断を秘密裏に行う

    Q17.
    次のうち、AIの導入によって期待される効果として最も適切なものを選べ。
    ① 人間の労働力の完全な代替
    ② 業務の効率化と生産性の向上
    ③ 人間の感情の完全な理解
    ④ 社会的な孤立の促進

    Q18.
    以下のうち、AIの将来的な課題として最も適切なものを選べ。
    ① AIの自己進化による人間の支配
    ② AIの倫理的・法的枠組みの整備
    ③ AIの感情表現の完全な再現
    ④ AIの物理的な移動能力の向上

    Q19.
    以下のうち、AIの社会実装における課題として最も適切なものを選べ。
    ① AIの自己進化能力の不足
    ② データの収集と利用に関するプライバシー問題
    ③ AIの感情表現の限界
    ④ AIの物理的な移動能力の制限

    Q20.
    以下のうち、AIのバイアス問題に対する対策として最も適切なものを選べ。
    ① データの多様性を確保する
    ② モデルの複雑性を高める
    ③ 学習率を低く設定する
    ④ モデルのサイズを小さくする


    Q21. 強化学習において、「状態価値関数」が表すものとして最も適切な説明を選べ。
    ① 状態における直前の行動の価値
    ② 特定の状態における報酬の期待値
    ③ 特定の行動における報酬の累積値
    ④ エージェントの過去の行動履歴

    Q22. 以下のモデルのうち、トランスフォーマーをベースとしないものを選べ。
    ① BERT
    ② GPT-4
    ③ ResNet
    ④ T5

    Q23. CNN(畳み込みニューラルネットワーク)のプーリング層の役割として最も適切なものを選べ。
    ① 出力の線形変換
    ② 勾配の補正
    ③ 特徴量の空間的次元削減
    ④ 重みの正則化

    Q24. RNNにおいて「勾配消失問題」が発生しやすい理由として最も適切なものを選べ。
    ① 出力が常に正規化されるため
    ② 活性化関数の影響で勾配が小さくなるため
    ③ ループ構造が学習を妨げるため
    ④ 重みが更新されないため

    Q25. Diffusionモデルに関する記述のうち、最も不適切なものを選べ。
    ① ノイズの加算と除去のプロセスで画像を生成する
    ② 画像の解像度を上げるためのアップスケーリング専用に用いられる
    ③ マルコフ過程を利用した生成プロセスである
    ④ テキスト条件を与えて画像生成が可能

    Q26. Attention機構における「スケーリング係数(√dk)」の目的として最も適切なものを選べ。
    ① 勾配の爆発を引き起こす
    ② 計算コストを下げる
    ③ dot積スコアの値を安定化させる
    ④ 重みの共有を実現する

    Q27. AIプロジェクトにおけるMLOpsの利点として、最も適切なものを選べ。
    ① データラベリング作業の自動化
    ② 機械学習モデルの学習コストの削減
    ③ モデル開発から運用までの統合的な管理
    ④ ハードウェア選定の最適化

    Q28. Fairnessに関する記述のうち、「集団間のアウトカムの均等性」を指す指標はどれか?
    ① 個人的公平性(Individual Fairness)
    ② 人口統計学的パリティ(Demographic Parity)
    ③ 説明可能性(Explainability)
    ④ リスク感受性(Risk Sensitivity)

    Q29. Transformerモデルの「位置エンコーディング」が担う役割として最も適切なものを選べ。
    ① 単語の頻度に基づくベクトル化
    ② 出現位置に応じたトークン情報の付加
    ③ 文法ルールの学習
    ④ 文脈長の調整

    Q30. 以下の文中の( )に入る最も適切な語句を選べ。
    「知識蒸留とは、大きなモデルの知識を( )に移し、推論速度の向上や軽量化を実現する手法である。」
    ① 教師ラベル
    ② 損失関数
    ③ 小規模な生徒モデル
    ④ メタ学習データ

    Q31. 統計的仮説検定における「p値」の意味として最も適切な説明はどれか。
    ① 帰無仮説が正しいときに観測される確率のうち、最も高い値
    ② 対立仮説の正しさを示す値
    ③ 帰無仮説が正しいと仮定した場合の観測結果の尤度
    ④ 仮説が誤っている可能性を示す確率

    Q32. 以下の技術のうち、データの匿名化に用いられる技術として最も適切なものを選べ。
    ① 暗号化
    ② マスキング
    ③ 差分プライバシー
    ④ データ拡張

    Q33. マルチモーダルAIに関する記述として最も適切なものを選べ。
    ① 単一のモダリティしか扱えないモデル
    ② 異なるモダリティを融合し処理するAI
    ③ 複数の画像を同時に分類する技術
    ④ 複数の学習手法を同時に使うアルゴリズム

    Q34. ケース:製造業で異常検知にAIを導入する場合、最も有効なモデル構成はどれか?
    ① トピックモデル+LDA
    ② オートエンコーダ+再構成誤差
    ③ トランスフォーマー+系列ラベル
    ④ GAN+生成スコア

    Q35. プロンプトエンジニアリングで「Chain-of-Thought」を活用する効果として適切なものは?
    ① モデルのパラメータ圧縮
    ② 短文での回答最適化
    ③ 思考過程を経た高精度な出力
    ④ 入力トークン数の削減

    Q36. AI倫理の観点から「説明責任(Accountability)」が求められる場面として最も適切なものを選べ。
    ① モデル精度の最適化時
    ② データの前処理時
    ③ AIによる意思決定が社会的影響を持つとき
    ④ ハードウェア選定時

    Q37. スパースモデルの利点として適切な説明はどれか。
    ① 出力精度が最大になる
    ② モデルのエネルギー消費を増やす
    ③ 推論時間が短縮される
    ④ 学習率が一定になる

    Q38. 生成AIの環境負荷削減に貢献する手法として最も適切なものを選べ。
    ① モデルサイズの増大
    ② マルチGPU学習
    ③ プルーニングと量子化
    ④ 強化学習の活用

    Q39. AIプロジェクトにおける「データガバナンス」の主な目的は?
    ① ハイパーパラメータ最適化
    ② データ品質と適正利用の確保
    ③ モデルの説明可能性の向上
    ④ 推論速度の最大化

    Q40. ケース:病院にAI診断支援システムを導入する際に、最も考慮すべき事項はどれか?
    ① 医師の人数
    ② モデルの学習時間
    ③ 利用者への説明責任と透明性
    ④ 医療機器の種類


    Q41. Transformerにおけるマルチヘッドアテンションの利点として最も適切なものを選べ。
    ① 演算を単純化することで計算速度を向上させる
    ② 複数の埋め込みベクトルを混合し情報をシャッフルする
    ③ 異なる表現空間から情報を抽出できることで表現力を高める
    ④ 単一のアテンションに依存することでノイズを抑制する

    Q42. AIの導入効果を評価する際の重要な視点として最も適切なものを選べ。
    ① システムの利用頻度のみ
    ② 開発者の技術力のみ
    ③ 導入前後の業務効率やコスト削減効果
    ④ 最新モデルの採用有無

    Q43. ディープラーニングにおける「バッチ正規化(Batch Normalization)」の主な目的として最も適切なものを選べ。
    ① 活性化関数を削減する
    ② 学習の初期段階だけに使う正則化技法
    ③ 層ごとの出力分布を一定に保ち学習の安定化を図る
    ④ ノイズデータの除去

    Q44. 機械学習モデルの「過学習」を最も端的に説明したものを選べ。
    ① モデルの容量が不足しており、訓練データを十分に表現できない
    ② 訓練データに対しては高精度だが、未知データに対して精度が低い
    ③ モデルが予測不能な結果を出力する
    ④ モデルの学習が途中で停止する現象

    Q45. 顔認識AIの業務導入において倫理的に最も注意すべき事項として適切なものを選べ。
    ① 顔画像の画質
    ② 処理速度
    ③ プライバシーの保護とデータ使用の透明性
    ④ モデルのパラメータ数

    Q46. データサイエンスプロジェクトのライフサイクルにおいて「前処理」の工程に含まれない作業を選べ。
    ① 外れ値の検出と除去
    ② 欠損値の補完
    ③ モデル評価指標の算出
    ④ データの正規化

    Q47. フェデレーテッドラーニングの最大の利点として最も適切なものを選べ。
    ① 高速なモデル学習が可能になる
    ② 中央サーバーにデータを送らずプライバシーを確保できる
    ③ GPU不要で学習できる
    ④ モデルのパラメータ数が削減される

    Q48. 自然言語処理(NLP)において「文脈ベクトル」を用いる主な理由を選べ。
    ① テキストの改行や空白を検出するため
    ② 単語の頻度を数えるため
    ③ 単語の意味的な関係性を保持し意味理解を高めるため
    ④ 全ての単語を同じベクトルで扱うため

    Q49. 生成AIが社会に与える影響として最も懸念されていることを選べ。
    ① 文法的誤りの増加
    ② コンテンツ制作の自動化
    ③ フェイクコンテンツの拡散と誤情報の信頼性低下
    ④ メール応答時間の短縮

    Q50. 機械学習モデルの性能を比較する際に「F1スコア」が有効な理由として最も適切なものを選べ。
    ① モデルの速度性能を測定する指標だから
    ② 精度(Precision)と再現率(Recall)の調和平均であり、バランス評価に適するため
    ③ 精度のみを重視する評価指標だから
    ④ テストデータの量に依存しないから

    Q51. オートエンコーダを用いた異常検知において、再構成誤差が大きい場合の意味として最も適切なものを選べ。
    ① 学習済みデータと類似している
    ② 入力データが正常範囲内である
    ③ 入力データが未知のパターンを含む可能性がある
    ④ モデルが過学習している証拠である

    Q52. Attention機構のsoftmax処理の役割として正しいものを選べ。
    ① 入力データの次元削減
    ② 特徴マップの圧縮
    ③ 重みの正規化と重要度の確率的割り当て
    ④ 層の深さ調整

    Q53. バイアス軽減技術のうち、「前処理アプローチ」に該当するものとして最も適切なものを選べ。
    ① モデルの損失関数を修正する
    ② 出力結果の補正
    ③ 学習データを再サンプリングして分布を均一化する
    ④ 活性化関数を変更する

    Q54. AIがもたらす環境負荷に関して最も適切な説明を選べ。
    ① AIの推論時には一切電力を使わない
    ② モデルが小さいほど環境負荷は高くなる
    ③ 大規模モデルの訓練には大量の電力を必要とする
    ④ AIには環境負荷の要因が存在しない

    Q55. フレーム問題がAIにとって課題となる理由を選べ。
    ① 学習アルゴリズムの選択が困難になるから
    ② 記憶容量が限られるから
    ③ 予期しない変化に対してすべての影響を考慮するのが難しいから
    ④ 多クラス分類に対応できないから

    Q56. AIモデルのチューニングで学習率を大きくしすぎた場合に起こり得る問題として最も適切なものを選べ。
    ① 収束が非常に遅くなる
    ② 局所最適解に収束しやすくなる
    ③ 発散して学習が不安定になる
    ④ 学習が全く始まらない

    Q57. Vision Transformer(ViT)の入力処理において、画像をどのように変換して処理するかを選べ。
    ① 画像をそのままベクトル化する
    ② 画像をランダムノイズに変換する
    ③ 画像を固定サイズのパッチに分割して線形埋め込みする
    ④ 画像のRGB値をスカラーに変換する

    Q58. 生成AI導入時に特に注意が必要な点として最も適切なものを選べ。
    ① 出力速度の安定性
    ② 入力プロンプトの長さ
    ③ モデルの透明性と誤出力リスク
    ④ CPUとGPUの相違点

    Q59. GDPRに基づくAI利用において、最も適切な考慮事項を選べ。
    ① 出力結果の長さ制限
    ② 個人データに関する説明責任と同意取得
    ③ モデルの精度評価方法
    ④ コンテンツ自動生成機能の排除

    Q60. 強化学習において「報酬関数」の設計が重要な理由として適切なものを選べ。
    ① 環境の複雑さを測定するため
    ② エージェントの行動評価基準となるため
    ③ 行動空間の広さを制限するため
    ④ 状態遷移確率を変更するため


    Q61. 次のうち、ディープラーニングにおける「過学習」を最も適切に説明しているものを選べ。
    ① モデルが訓練データに対して高い精度を示すが、新しいデータに対しては精度が低下する現象
    ② モデルが訓練データと新しいデータの両方に対して常に高い精度を示す現象
    ③ モデルが訓練データに対して低い精度を示すが、新しいデータに対しては高い精度を示す現象
    ④ モデルが訓練データと新しいデータの両方に対して常に低い精度を示す現象

    Q62. 以下の文章を読み、( )に当てはまる最も適切な選択肢を1つ選べ。
    「( )は、ニューラルネットワークの各層の出力を一定の分布に正規化することで、学習を安定化させる手法である。」
    ① ドロップアウト
    ② バッチ正規化
    ③ 活性化関数
    ④ 勾配消失

    Q63. 次のうち、強化学習における「報酬関数」の役割として最も適切なものを選べ。
    ① エージェントの行動をランダムに選択するための基準
    ② エージェントが環境から受け取る報酬を定義し、学習の指針とする
    ③ エージェントの行動を事前に固定するためのルール
    ④ エージェントが環境を無視して行動するための仕組み

    Q64. 次のうち、生成AIが社会に与える影響として最も懸念されているものを選べ。
    ① コンテンツ制作の効率化
    ② フェイクコンテンツの拡散と誤情報の信頼性低下
    ③ 自動翻訳の精度向上
    ④ 音声認識技術の進歩

    Q65. 次のうち、フェデレーテッドラーニングの最大の利点として最も適切なものを選べ。
    ① 中央サーバーにデータを送らずにモデルを学習できるため、プライバシーを保護できる
    ② モデルの学習速度が大幅に向上する
    ③ データの前処理が不要になる
    ④ モデルの精度が常に向上する

    Q66. 次のうち、自然言語処理における「文脈ベクトル」の主な目的として最も適切なものを選べ。
    ① 単語の出現頻度を数えるため
    ② 単語の意味的な関係性を保持し、意味理解を高めるため
    ③ 単語のスペルミスを修正するため
    ④ 単語の品詞を特定するため

    Q67. 次のうち、AIの導入効果を評価する際に最も重要な視点として適切なものを選べ。
    ① システムの利用頻度
    ② 開発者の技術力
    ③ 導入前後の業務効率やコスト削減効果
    ④ 最新モデルの採用有無

    Q68. 次のうち、Transformerにおけるマルチヘッドアテンションの利点として最も適切なものを選べ。
    ① 演算を単純化することで計算速度を向上させる
    ② 複数の埋め込みベクトルを混合し情報をシャッフルする
    ③ 異なる表現空間から情報を抽出できることで表現力を高める
    ④ 単一のアテンションに依存することでノイズを抑制する

    Q69. 次のうち、ディープラーニングにおける「バッチ正規化(Batch Normalization)」の主な目的として最も適切なものを選べ。
    ① 活性化関数を削減する
    ② 学習の初期段階だけに使う正則化技法
    ③ 層ごとの出力分布を一定に保ち学習の安定化を図る
    ④ ノイズデータの除去

    Q70. 次のうち、機械学習モデルの性能を比較する際に「F1スコア」が有効な理由として最も適切なものを選べ。
    ① モデルの速度性能を測定する指標だから
    ② 精度(Precision)と再現率(Recall)の調和平均であり、バランス評価に適するため
    ③ 精度のみを重視する評価指標だから
    ④ テストデータの量に依存しないから

    Q71. 次のうち、Attention機構のsoftmax処理の役割として正しいものを選べ。
    ① 入力データの次元削減
    ② 特徴マップの圧縮
    ③ 重みの正規化と重要度の確率的割り当て
    ④ 層の深さ調整

    Q72. 次のうち、バイアス軽減技術のうち、「前処理アプローチ」に該当するものとして最も適切なものを選べ。
    ① モデルの損失関数を修正する
    ② 出力結果の補正
    ③ 学習データを再サンプリングして分布を均一化する
    ④ 活性化関数を変更する

    Q73. 次のうち、AIがもたらす環境負荷に関して最も適切な説明を選べ。
    ① AIの推論時には一切電力を使わない
    ② モデルが小さいほど環境負荷は高くなる
    ③ 大規模モデルの訓練には大量の電力を必要とする
    ④ AIには環境負荷の要因が存在しない

    Q74. 次のうち、フレーム問題がAIにとって課題となる理由を選べ。
    ① 学習アルゴリズムの選択が困難になるから
    ② 記憶容量が限られるから
    ③ 予期しない変化に対してすべての影響を考慮するのが難しいから
    ④ 多クラス分類に対応できないから

    Q75. 次のうち、AIモデルのチューニングで学習率を大きくしすぎた場合に起こり得る問題として最も適切なものを選べ。
    ① 収束が非常に遅くなる
    ② 局所最適解に収束しやすくなる
    ③ 発散して学習が不安定になる
    ④ 学習が全く始まらない

    Q76. 次のうち、Vision Transformer(ViT)の入力処理において、画像をどのように変換して処理するかを選べ。
    ① 画像をそのままベクトル化する
    ② 画像をランダムノイズに変換する
    ③ 画像を固定サイズのパッチに分割して線形埋め込みする
    ④ 画像のRGB値をスカラーに変換する

    Q77. 次のうち、生成AI導入時に特に注意が必要な点として最も適切なものを選べ。
    ① 出力速度の安定性
    ② 入力プロンプトの長さ
    ③ モデルの透明性と誤出力リスク
    ④ CPUとGPUの相違点

    Q78. 次のうち、GDPRに基づくAI利用において、最も適切な考慮事項を選べ。
    ① 出力結果の長さ制限
    ② 個人データに関する説明責任と同意取得
    ③ モデルの精度評価方法
    ④ コンテンツ自動生成機能の排除

    Q79. 次のうち、強化学習において「報酬関数」の設計が重要な理由として適切なものを選べ。
    ① 環境の複雑さを測定するため
    ② エージェントの行動評価基準となるため
    ③ 行動空間の広さを制限するため
    ④ 状態遷移確率を変更するため

    Q80. 次のうち、AIの導入効果を評価する際の重要な視点として最も適切なものを選べ。
    ① システムの利用頻度のみ
    ② 開発者の技術力のみ
    ③ 導入前後の業務効率やコスト削減効果
    ④ 最新モデルの採用有無


    Q81. 次のうち、ディープラーニングにおける「勾配消失問題」の主な原因として最も適切なものを選べ。
    ① 活性化関数が線形であるため
    ② 活性化関数の出力が飽和領域に入りやすいため
    ③ 学習率が高すぎるため
    ④ データの前処理が不適切なため

    Q82. 以下の文章を読み、( )に当てはまる最も適切な選択肢を1つ選べ。
    「( )は、ニューラルネットワークの学習において、過学習を防ぐために一部のノードをランダムに無効化する手法である。」
    ① バッチ正規化
    ② ドロップアウト
    ③ 活性化関数
    ④ 勾配消失

    Q83. 次のうち、強化学習における「方策(Policy)」の役割として最も適切なものを選べ。
    ① エージェントの行動をランダムに選択するための基準
    ② エージェントが環境から受け取る報酬を定義する
    ③ エージェントがどの行動を選択するかを決定する戦略
    ④ エージェントが環境を無視して行動するための仕組み

    Q84. 次のうち、生成AIが社会に与える影響として最も懸念されているものを選べ。
    ① コンテンツ制作の効率化
    ② フェイクコンテンツの拡散と誤情報の信頼性低下
    ③ 自動翻訳の精度向上
    ④ 音声認識技術の進歩

    Q85. 次のうち、フェデレーテッドラーニングの最大の利点として最も適切なものを選べ。
    ① 中央サーバーにデータを送らずにモデルを学習できるため、プライバシーを保護できる
    ② モデルの学習速度が大幅に向上する
    ③ データの前処理が不要になる
    ④ モデルの精度が常に向上する

    Q86. 次のうち、自然言語処理における「文脈ベクトル」の主な目的として最も適切なものを選べ。
    ① 単語の出現頻度を数えるため
    ② 単語の意味的な関係性を保持し、意味理解を高めるため
    ③ 単語のスペルミスを修正するため
    ④ 単語の品詞を特定するため

    Q87. 次のうち、AIの導入効果を評価する際に最も重要な視点として適切なものを選べ。
    ① システムの利用頻度
    ② 開発者の技術力
    ③ 導入前後の業務効率やコスト削減効果
    ④ 最新モデルの採用有無

    Q88. 次のうち、Transformerにおけるマルチヘッドアテンションの利点として最も適切なものを選べ。
    ① 演算を単純化することで計算速度を向上させる
    ② 複数の埋め込みベクトルを混合し情報をシャッフルする
    ③ 異なる表現空間から情報を抽出できることで表現力を高める
    ④ 単一のアテンションに依存することでノイズを抑制する

    Q89. 次のうち、ディープラーニングにおける「バッチ正規化(Batch Normalization)」の主な目的として最も適切なものを選べ。
    ① 活性化関数を削減する
    ② 学習の初期段階だけに使う正則化技法
    ③ 層ごとの出力分布を一定に保ち学習の安定化を図る
    ④ ノイズデータの除去

    Q90. 次のうち、機械学習モデルの性能を比較する際に「F1スコア」が有効な理由として最も適切なものを選べ。
    ① モデルの速度性能を測定する指標だから
    ② 精度(Precision)と再現率(Recall)の調和平均であり、バランス評価に適するため
    ③ 精度のみを重視する評価指標だから
    ④ テストデータの量に依存しないから

    Q91. 次のうち、Attention機構のsoftmax処理の役割として正しいものを選べ。
    ① 入力データの次元削減
    ② 特徴マップの圧縮
    ③ 重みの正規化と重要度の確率的割り当て
    ④ 層の深さ調整

    Q92. 次のうち、バイアス軽減技術のうち、「前処理アプローチ」に該当するものとして最も適切なものを選べ。
    ① モデルの損失関数を修正する
    ② 出力結果の補正
    ③ 学習データを再サンプリングして分布を均一化する
    ④ 活性化関数を変更する

    Q93. 次のうち、AIがもたらす環境負荷に関して最も適切な説明を選べ。
    ① AIの推論時には一切電力を使わない
    ② モデルが小さいほど環境負荷は高くなる
    ③ 大規模モデルの訓練には大量の電力を必要とする
    ④ AIには環境負荷の要因が存在しない

    Q94. 次のうち、フレーム問題がAIにとって課題となる理由を選べ。
    ① 学習アルゴリズムの選択が困難になるから
    ② 記憶容量が限られるから
    ③ 予期しない変化に対してすべての影響を考慮するのが難しいから
    ④ 多クラス分類に対応できないから

    Q95. 次のうち、AIモデルのチューニングで学習率を大きくしすぎた場合に起こり得る問題として最も適切なものを選べ。
    ① 収束が非常に遅くなる
    ② 局所最適解に収束しやすくなる
    ③ 発散して学習が不安定になる
    ④ 学習が全く始まらない

    Q96. 次のうち、Vision Transformer(ViT)の入力処理において、画像をどのように変換して処理するかを選べ。
    ① 画像をそのままベクトル化する
    ② 画像をランダムノイズに変換する
    ③ 画像を固定サイズのパッチに分割して線形埋め込みする
    ④ 画像のRGB値をスカラーに変換する

    Q97. 次のうち、生成AI導入時に特に注意が必要な点として最も適切なものを選べ。
    ① 出力速度の安定性
    ② 入力プロンプトの長さ
    ③ モデルの透明性と誤出力リスク
    ④ CPUとGPUの相違点

    Q98. 次のうち、GDPRに基づくAI利用において、最も適切な考慮事項を選べ。
    ① 出力結果の長さ制限
    ② 個人データに関する説明責任と同意取得
    ③ モデルの精度評価方法
    ④ コンテンツ自動生成機能の排除

    Q99. 次のうち、強化学習において「報酬関数」の設計が重要な理由として適切なものを選べ。
    ① 環境の複雑さを測定するため
    ② エージェントの行動評価基準となるため
    ③ 行動空間の広さを制限するため
    ④ 状態遷移確率を変更するため

    Q100. 次のうち、AIの導入効果を評価する際の重要な視点として最も適切なものを選べ。
    ① システムの利用頻度のみ
    ② 開発者の技術力のみ
    ③ 導入前後の業務効率やコスト削減効果
    ④ 最新モデルの採用有無


    Q101. 次のうち、AIによるバイアスの例として最も不適切なものを選べ。
    ① 採用AIが過去のデータに基づき、女性候補者を過小評価する。
    ② 顔認識AIが特定の人種の認識精度が低い。
    ③ AIがバグによってクラッシュする。
    ④ 自動運転AIが高齢者を優先的に回避対象とする。

    Q102. 次のうち、生成AIの利用において不適切な行為として最も適切なものを選べ。
    ① 自分の創作活動のアイデア出しに生成AIを利用する。
    ② 学習課題の解答を生成AIに出力させ、そのまま提出する。
    ③ 文章の校正に生成AIを活用する。
    ④ 翻訳の補助として生成AIを利用する。

    Q103. 次のうち、AIの倫理的な問題として最も不適切なものを選べ。
    ① AIが個人のプライバシーを侵害する可能性がある。
    ② AIが人間の感情を完全に理解することができる。
    ③ AIが差別的な判断を下す可能性がある。
    ④ AIが誤った情報を生成する可能性がある。

    Q104. 次のうち、AIの導入におけるリスクとして最も不適切なものを選べ。
    ① AIが業務の効率化を促進する。
    ② AIが誤った判断を下す可能性がある。
    ③ AIがセキュリティ上の脆弱性を持つ可能性がある。
    ④ AIが法的な問題を引き起こす可能性がある。

    Q105. 次のうち、AIの学習データに関する問題として最も不適切なものを選べ。
    ① 学習データに偏りがあると、AIの判断にも偏りが生じる。
    ② 学習データが不十分だと、AIの性能が低下する。
    ③ 学習データが多すぎると、AIの性能が低下する。
    ④ 学習データが古いと、AIの判断が時代遅れになる。

    Q106. 次のうち、AIの透明性に関する問題として最も不適切なものを選べ。
    ① AIの判断基準が不明確だと、利用者が不安を感じる。
    ② AIのアルゴリズムが公開されていないと、信頼性が低下する。
    ③ AIの判断が常に正確であるため、説明は不要である。
    ④ AIの判断過程が理解できないと、責任の所在が不明確になる。

    Q107. 次のうち、AIの社会的影響として最も不適切なものを選べ。
    ① AIが雇用に影響を与える可能性がある。
    ② AIが人間の創造性を高める可能性がある。
    ③ AIが人間の判断を完全に代替することができる。
    ④ AIが新たなビジネスチャンスを生み出す可能性がある。

    Q108. 次のうち、AIのプライバシー保護に関する対策として最も不適切なものを選べ。
    ① データの匿名化を行う。
    ② データの暗号化を行う。
    ③ 利用者の同意なしにデータを収集する。
    ④ アクセス制限を設ける。

    Q109. 次のうち、AIの説明可能性(Explainability)に関する記述として最も不適切なものを選べ。
    ① AIの判断理由を明確にすることで、利用者の信頼を得ることができる。
    ② AIの判断過程を可視化することで、問題の特定が容易になる。
    ③ AIの判断がブラックボックスであることは、問題ではない。
    ④ AIの説明可能性を高めることで、法的な責任の所在が明確になる。

    Q110. 次のうち、AIの導入における倫理的配慮として最も不適切なものを選べ。
    ① 利用者のプライバシーを尊重する。
    ② AIの判断が差別的でないことを確認する。
    ③ AIの判断が常に正しいと信じる。
    ④ AIの利用目的を明確にする。

    Q111. 次のうち、AIの利用における法的リスクとして最も不適切なものを選べ。
    ① AIが著作権を侵害する可能性がある。
    ② AIが個人情報を不適切に扱う可能性がある。
    ③ AIが法的責任を負うことができる。
    ④ AIの利用が契約違反となる可能性がある。

    Q112. 次のうち、AIのバイアスを軽減する方法として最も不適切なものを選べ。
    ① 学習データの多様性を確保する。
    ② 学習データの前処理を行う。
    ③ バイアスのあるデータをそのまま使用する。
    ④ モデルの評価指標を見直す。

    Q113. 次のうち、AIのセキュリティ対策として最も不適切なものを選べ。
    ① アクセス制御を強化する。
    ② システムの脆弱性を定期的にチェックする。
    ③ セキュリティ対策を行わない。
    ④ データの暗号化を行う。

    Q114. 次のうち、AIの利用における社会的責任として最も不適切なものを選べ。
    ① AIの判断が人間の価値観と一致するように設計する。
    ② AIの利用による影響を評価する。
    ③ AIの判断が常に正しいと信じる。
    ④ AIの利用に関するルールを策定する。

    Q115. 次のうち、AIの開発における倫理的配慮として最も不適切なものを選べ。
    ① 開発段階でのバイアスの検出と修正。
    ② 利用者のプライバシーを考慮した設計。
    ③ AIの判断が人間の価値観と一致するように設計する。
    ④ AIの判断が常に正しいと信じる。

    Q116. 次のうち、AIの利用における透明性の確保として最も不適切なものを選べ。
    ① AIの判断基準を公開する。
    ② AIの判断過程を説明する。
    ③ AIの判断がブラックボックスであることを前提とする。
    ④ AIの利用目的を明確にする。

    Q117. 次のうち、AIの判断に対する人間の関与として最も不適切なものを選べ。
    ① AIの判断をそのまま受け入れる。
    ② AIの判断を人間が確認する。
    ③ AIの判断に対して人間が最終的な決定を下す。
    ④ AIの判断に対して人間が責任を持つ。

    Q118. 次のうち、AIの利用における倫理的ガイドラインとして最も不適切なものを選べ。
    ① AIの判断が差別的でないことを確認する。
    ② AIの利用が人間の尊厳を損なわないようにする。
    ③ AIの判断が常に正しいと信じる。
    ④ AIの利用が社会に与える影響を評価する。

    Q119. 次のうち、AIの開発における透明性の確保として最も不適切なものを選べ。
    ① 開発プロセスを公開する。
    ② 使用するデータセットを公開する。
    ③ アルゴリズムの詳細を秘密にする。
    ④ モデルの評価結果を公開する。

    Q120. 次のうち、AIの利用におけるプライバシー保護として最も不適切なものを選べ。
    ① 利用者の同意を得ずにデータを収集する。
    ② データの匿名化を行う。
    ③ データの暗号化を行う。
    ④ アクセス制限を設ける。


    Q121.
    ゼロショット学習(Zero-Shot Learning)における適切な理解として最も適切なものを選べ。
    ① 少量の例示データを用いて学習を進める手法
    ② 学習済みモデルに新たなタスクを教えるための微調整技法
    ③ 未学習のクラスに対しても予測を行うために意味的属性を利用する手法
    ④ 教師あり学習においてラベル付きデータを使用しない手法

    Q122.
    以下の業務シナリオを踏まえて、最も適切な対応を選べ:
    「ある小売企業が、需要予測モデルを構築したが、週末の需要を一貫して過小評価している。」
    ① 時系列分解を用いて季節性要因を調整する
    ② モデルの過学習を防ぐためにデータ拡張を行う
    ③ アテンション機構を導入して重要な特徴量に重みをつける
    ④ データの標準化を行い変動を均一化する

    Q123.
    以下の( )に当てはまる適切な語句を選べ。
    「転移学習では、一般に、( )を固定し、出力層のみを学習させることで新しいタスクに対応する。」
    ① 活性化関数
    ② 学習率
    ③ 中間層
    ④ 誤差関数

    Q124.
    AIにおける「説明可能性(Explainability)」の重要性に関する記述として、最も不適切なものを選べ。
    ① 医療や金融などの高リスク領域では不可欠である
    ② 説明可能性が向上することで、ユーザーの信頼性も高まる
    ③ 説明可能性が高まると必ず精度も向上する
    ④ モデルの判断根拠を人間が理解可能にすることが目的である

    Q125.
    以下のモデルのうち、「マルチモーダルAI」の構築に直接関与する技術として最も適切なものを選べ。
    ① モデル蒸留
    ② コントラスト学習
    ③ 深層強化学習
    ④ トークナイザー

    Q126.
    以下のAIプロジェクトの状況を踏まえて、適切なリスク対応策を選べ。
    「モデルの予測性能は高いが、結果の正当性に対するユーザーの不信感が高まっている。」
    ① モデルのバッチサイズを最適化して再学習する
    ② 説明可能なモデルへの切り替えや補足説明の提供を検討する
    ③ モデルの複雑性を高めて精度を最大化する
    ④ ユーザーアンケートの結果をフィードバックデータとして学習に組み込む

    Q127.
    AI倫理に関して、次の選択肢のうち「説明責任(Accountability)」の観点から最も適切なものを選べ。
    ① AIが誤った判断をしても開発者は責任を問われない
    ② AIが出した判断結果をユーザーが検証する責任を負う
    ③ 開発者や企業がAIの判断に対して責任を持つ体制を整える必要がある
    ④ 全てのAIシステムは必ず自動的に監査機能を備えるべきである

    Q128.
    Attention機構における「Scaled Dot-Product Attention」で、クエリとキーの内積をスケーリングする主な目的はどれか?
    ① 勾配爆発を防止するため
    ② 計算速度を高速化するため
    ③ 高次元空間での内積のばらつきを抑制するため
    ④ 出力ベクトルの次元を調整するため

    Q129.
    以下のうち、データバイアスによって起こる問題の例として最も適切なものを選べ。
    ① モデルの学習時間が長くなる
    ② 全ての出力がゼロベクトルになる
    ③ 特定の集団に対して予測結果が一貫して不利になる
    ④ 学習率が収束しにくくなる

    Q130.
    以下の記述のうち、AI開発における「差分プライバシー(Differential Privacy)」の特徴として正しいものを選べ。
    ① モデルの予測精度を最大化するためにデータを複製する手法
    ② データをあらかじめランダムに変換することで匿名性を高める
    ③ 分析結果にノイズを加えることで個人情報の再識別を防ぐ
    ④ 個人情報をすべて削除した後にAI学習を行うこと

    Q131.
    以下のうち、自己教師あり学習(Self-Supervised Learning)の特徴として最も適切なものを選べ。
    ① 完全に教師なしでクラスタリングを行う学習方法である
    ② ラベル付きデータが大量に必要な手法である
    ③ 入力データから一部を隠して予測させるなど、擬似ラベルを使う学習手法である
    ④ 強化学習における報酬関数の一種である

    Q132.
    以下の組み合わせのうち、「ViT(Vision Transformer)」とCNNの主な違いを最も正しく表しているものを選べ。
    ① ViTは畳み込み演算を使用せず、入力画像をパッチに分割しアテンションを適用する
    ② CNNはトランスフォーマーよりもパラメータ数が多い
    ③ ViTは再帰的構造を持ち、時系列処理に適している
    ④ CNNは自然言語処理に特化した構造である

    Q133.
    ケーススタディ形式:
    「ある医療AIが患者の症状から疾患を推定するタスクを担っているが、ある特定の人種に対して誤診率が高い。」
    この状況に対して講じるべき最も適切な対応策を選べ。
    ① 精度の高い最新モデルに置き換える
    ② データセットの構成を再検討し、人口統計的な偏りを是正する
    ③ 推論スピードを向上させるためにモデル圧縮を行う
    ④ 人間の判断を全面的に排除してAI主導に切り替える

    Q134.
    以下の記述のうち、LLM(大規模言語モデル)の「微調整(Fine-tuning)」と「プロンプトエンジニアリング」の違いを最も正しく説明しているものを選べ。
    ① 微調整はプロンプト設計の初期段階に行う作業である
    ② プロンプトエンジニアリングはモデルのパラメータを更新する作業である
    ③ 微調整はパラメータを変更して新しいタスクに対応させる手法、プロンプトエンジニアリングは入力の工夫で対応する手法である
    ④ 両者は完全に同じ意味で使われる

    Q135.
    穴埋め問題:以下の文の( )に入る最も適切な選択肢を選べ。
    「グリーンAIとは、( )を重視したAI研究・開発のアプローチである。」
    ① 処理速度
    ② 精度と再現性
    ③ 環境負荷の低減
    ④ マルチモーダル性の強化

    Q136.
    「早期結合」「後期結合」「混合結合」に関する記述として正しいものを選べ。
    ① すべて同じアーキテクチャで実装される
    ② 混合結合はマルチモーダルデータの特徴を融合する最も原始的な方法である
    ③ 早期結合は特徴抽出前にデータを統合し、後期結合は出力段階で融合する
    ④ 後期結合では通常、モダリティ間の情報は共有されない

    Q137.
    以下の記述のうち、蒸留モデル(Distilled Model)の特徴として正しいものを選べ。
    ① モデルのサイズは変わらないが精度が向上する
    ② 教師モデルの出力を用いて新たな大規模モデルを構築する技術
    ③ 教師モデルの知識を軽量な生徒モデルに移すことで、計算効率を高める技術
    ④ 蒸留は強化学習にしか利用されない

    Q138.
    次の記述のうち、強化学習(Reinforcement Learning)の報酬設計に関する課題として最も適切なものを選べ。
    ① 報酬を大きくすれば学習は必ず高速化する
    ② 不適切な報酬設計により、望ましくない行動が強化されることがある
    ③ 報酬設計は一度設定すれば変更は不可能である
    ④ 報酬を与えないことで汎用性が高まる

    Q139.
    以下のうち、Transformerアーキテクチャにおける「ポジショナルエンコーディング」の目的として最も正しいものを選べ。
    ① 単語の感情を識別するため
    ② 各単語の順序情報を埋め込むため
    ③ 単語の同義語を抽出するため
    ④ パラメータ数を削減するため

    Q140.
    次のうち、「コンパニオンAI」の導入が特に倫理的配慮を必要とする理由として最も適切なものを選べ。
    ① 技術的限界によって誤作動が頻発するため
    ② 対話の長時間化によりシステムの負荷が高まるため
    ③ 高度な擬人化によりユーザーの感情依存を誘発するため
    ④ 高速処理が必要で計算資源が不足するため


    Q141. ディープラーニングの訓練プロセスにおいて「早期終了(Early Stopping)」を使用する主な目的として、最も適切なものを選べ。
    ① 学習時間を最短にするため
    ② パラメータ数を減らすため
    ③ 過学習を防止し汎化性能を維持するため
    ④ 精度を常に最大化するため

    Q142. 畳み込みニューラルネットワーク(CNN)とトランスフォーマーの主な違いとして、最も適切なものを選べ。
    ① CNNはトークンベース処理を行う
    ② トランスフォーマーは局所特徴抽出を得意とする
    ③ CNNはAttention機構を基盤としている
    ④ トランスフォーマーは全体的な依存関係を捉えるのに優れる

    Q143. モデル圧縮手法のうち、蒸留(Distillation)の主な利点として、最も適切なものを選べ。
    ① 教師モデルの構造をそのまま複製できる
    ② ハードウェアの消費電力を増大させる
    ③ 精度を維持しつつ軽量なモデルが得られる
    ④ 学習速度が著しく低下する

    Q144. 自己教師あり学習(Self-Supervised Learning)が広く注目される理由として、最も適切なものを選べ。
    ① ラベル付きデータの用意が容易であるため
    ② 教師あり学習よりもモデル精度が常に高いから
    ③ 少量のラベル付きデータを効率的に活用できるから
    ④ モデルの学習に全くデータが不要なため

    Q145. Transformerモデルにおいて、ポジショナルエンコーディングの役割として適切なものを選べ。
    ① 入力単語の意味的関連性を強調する
    ② トークンの順序情報を保持する
    ③ Attentionスコアを計算する
    ④ 出力単語の文法性を改善する

    Q146. マルチモーダル学習において「融合戦略(Fusion Strategy)」の選択が重要な理由として最も適切なものを選べ。
    ① 学習率が決定されるため
    ② モダリティ間のドメイン差異に対処するため
    ③ モデルの圧縮率を向上させるため
    ④ モダリティの数を減らすため

    Q147. LLM(大規模言語モデル)において「Chain-of-Thought(思考の連鎖)」プロンプトが有効とされる理由はどれか。
    ① 出力の長さを短くできるため
    ② 計算コストを削減できるため
    ③ 複雑な推論を段階的に導けるため
    ④ モデルのトレーニング時間が短縮されるため

    Q148. 生成AIにおける「テキストから画像生成」技術において、CLIPが果たす役割として適切なものを選べ。
    ① 高解像度画像のノイズ除去
    ② テキストと画像の埋め込み空間を共通にする
    ③ データ拡張用の新画像を作成する
    ④ テキストの翻訳性能を高める

    Q149. 自動運転システムにおいて、センサーフュージョン技術が必要とされる理由として適切なものを選べ。
    ① 法律遵守を保証するため
    ② AIの倫理的判断を補助するため
    ③ 異なるセンサー情報を統合して認識精度を高めるため
    ④ ドライバーの意思決定を代行するため

    Q150. AI倫理における「説明可能性(Explainability)」の欠如が最も重大な影響を及ぼす場面はどれか。
    ① 広告ターゲティングの最適化
    ② 自然言語処理による文章生成
    ③ 医療診断の意思決定支援
    ④ 画像分類のデータ前処理

    Q151. モデル軽量化手法のうち「量子化(Quantization)」により期待できる主な効果として最も適切なものを選べ。
    ① モデルサイズの増加
    ② 推論速度の低下
    ③ 計算資源の削減
    ④ モデルの過学習抑制

    Q152. バイアス検出技術において「人口統計的パリティ」の違反が示す問題として最も適切なものを選べ。
    ① 全てのサンプルが一意に分類されない
    ② 異なるグループで肯定的結果の出力割合が異なる
    ③ モデルの精度が全体的に低下している
    ④ ハイパーパラメータが適切に設定されていない

    Q153. Attention機構において「キー」と「クエリ」の関係に関して正しいものを選べ。
    ① キーとクエリは同一の情報源から生成されない
    ② 内積が大きいほど対応する値(バリュー)が強調される
    ③ キーは常にクエリよりも次元数が小さい
    ④ クエリはラベル情報に依存して生成される

    Q154. AI法規制において、2025年に英国で議論された法案の特徴として適切なものを選べ。
    ① AIによる生成物はすべて著作権対象と見なす
    ② 著作権素材の使用に透明性とオプトアウトを義務付ける
    ③ AIの利用に関する事前審査をすべての企業に要求する
    ④ AI利用の制限は存在しない

    Q155. フェデレーテッドラーニングが注目される背景として適切なものを選べ。
    ① データ収集コストの増大
    ② 中央サーバに生データを送らずに学習可能
    ③ 学習モデルの一括アップデートが不要
    ④ 計算資源を集約できるため

    Q156. プロンプトエンジニアリングにおいて「Zero-Shot」と「Few-Shot」の主な違いとして最も適切なものを選べ。
    ① モデルサイズの違い
    ② 学習時の最適化手法
    ③ プロンプト内に具体例があるかどうか
    ④ 学習データの語彙サイズ

    Q157. 画像認識モデルにおけるデータ拡張手法の目的として最も適切なものを選べ。
    ① 推論速度の向上
    ② データの偏り強化
    ③ モデルの汎化性能向上
    ④ ラベルの誤りを訂正

    Q158. AIと個人情報保護に関連する技術のうち、「仮名加工情報」に関する特徴として適切なものを選べ。
    ① 第三者提供は完全自由
    ② 元情報との照合が技術的に不可能
    ③ 再識別リスクがあるため厳密な管理が必要
    ④ 匿名加工情報と全く同一扱い

    Q159. 拡散モデルにおいて、逆拡散プロセスの目的として適切なものを選べ。
    ① 学習率の自動調整
    ② モデル構造の単純化
    ③ ノイズ除去によるデータ再構成
    ④ トークン列の自動補完

    Q160. Attentionスコアの計算式である softmax(QK^T / √d_k)V において、√d_k によるスケーリングの意図として最も適切なものを選べ。
    ① 計算量削減
    ② 勾配消失の防止
    ③ 内積値のばらつき抑制による安定化
    ④ 出力ベクトルの次元削減


    画像
    休憩

    チャレンジ問題 20問

    Q1.
    ある企業が、自社の画像データベースから新製品の類似画像を自動抽出したいと考えている。このようなタスクに最も適しているアーキテクチャはどれか?
    ① RNN(再帰型ニューラルネットワーク)
    ② LSTM(長短期記憶)
    ③ CNN(畳み込みニューラルネットワーク)
    ④ GNN(グラフニューラルネットワーク)

    Q2.
    時系列データの異常検知において、最近のデータに対して特に高い感度を持たせたい。この要件を満たす可能性が高い手法はどれか?
    ① 単純平均によるベースライン比較
    ② 時系列クラスタリングによる異常検知
    ③ 指数移動平均を用いた平滑化としきい値判定
    ④ 主成分分析(PCA)による次元圧縮

    Q3.
    ディープラーニングモデルの学習において、学習初期の不安定性を軽減するために最も有効な対策はどれか?
    ① ドロップアウトを高頻度で適用する
    ② 活性化関数にReLUではなくシグモイドを用いる
    ③ 初期重みを正規分布からサンプリングする
    ④ バッチ正規化を適切な位置に挿入する

    Q4.
    ある自然言語処理タスクにおいて、モデルが同じ語彙を異なる意味で用いる文脈をうまく処理できていない。この課題の改善に最も効果があると考えられるのはどれか?
    ① 単語出現頻度ベースのベクトル表現に切り替える
    ② 単語埋め込みにコンテキスト非依存なベクトルを用いる
    ③ 文全体の構造を考慮するモデルに切り替える
    ④ TF-IDFによるスコアリングを強化する

    Q5.
    モデルのブラックボックス性に対するクライアントの懸念を解消するため、特定の予測に対して「なぜその判断に至ったか」を説明したい。この要件を満たす手法として最も適切なものはどれか?
    ① データの前処理方法を記録する
    ② モデルの損失関数を明示する
    ③ SHAPを用いて特徴量の寄与度を可視化する
    ④ 精度とF1スコアを併記する

    Q6.
    生成AIの導入を検討する企業が、既存のFAQから顧客対応チャットボットを構築したいと考えている。この目的に最も合致するモデルアプローチはどれか?
    ① GANにより応答文を生成する
    ② LSTMベースの分類器でカテゴリ分けを行う
    ③ RAG(Retrieval-Augmented Generation)を用いた情報抽出と応答生成
    ④ CNNで単語の類似度を測定し対応を決定する

    Q7.
    AI倫理の観点から、あるモデルが異なる人種・性別に対して一貫した予測を行っているかを検証する際に最も適した評価基準はどれか?
    ① 正答率(Accuracy)
    ② ROC-AUCスコア
    ③ Equalized Odds
    ④ 損失関数の値

    Q8.
    TransformerのSelf-Attention構造が、系列内の依存関係を適切に捉えられる理由として最も本質的なものはどれか?
    ① Attentionスコアが単語の頻度に依存しない
    ② 単語の位置情報を入力に持ち込めるため
    ③ 畳み込み演算を省略できるため
    ④ バッチ処理に適しているため

    Q9.
    画像認識モデルの学習中に、入力画像に少しのノイズを加えただけで誤分類が発生した。これに対して最も本質的な対策となるのはどれか?
    ① 正解ラベルの拡張
    ② 活性化関数の変更
    ③ 敵対的訓練(Adversarial Training)
    ④ 高解像度化による画質改善

    Q10.
    ある企業が社内の構造化データを用いて売上予測モデルを構築したいと考えている。モデル開発において、まず最初に着手すべき工程として最も妥当なものはどれか?
    ① 決定木モデルの選定
    ② モデルのパラメータチューニング
    ③ 入力変数の分布と欠損状況の確認
    ④ 利用する評価指標の選定

    Q11.
    ある病院が、過去の電子カルテから退院後の再入院リスクを予測するモデルを開発しようとしている。説明責任を重視する観点から、最も適したモデルの選択肢はどれか?
    ① 深層ニューラルネットワーク
    ② 決定木
    ③ CNN
    ④ RNN

    Q12.
    あるeコマース企業がレコメンドシステムを導入したいと考えている。初めてのユーザーが訪問した直後におすすめ商品を提示する機能に適した手法はどれか?
    ① 協調フィルタリング(Collaborative Filtering)
    ② コンテンツベースフィルタリング
    ③ 強化学習ベースの推薦アルゴリズム
    ④ トピックモデリングによる分類

    Q13.
    あるAIスタートアップが、大量の未ラベル画像を用いて犬・猫を分類するモデルの前処理を進めている。最小限のラベル付きデータで精度を高めたい。この目的に合致する学習アプローチはどれか?
    ① 教師あり学習
    ② 教師なし学習
    ③ 自己教師あり学習
    ④ 転移学習(Transfer Learning)

    Q14.
    ある製造業企業が、工場のセンサーからのストリーミングデータをリアルタイムで監視し、異常を検出したいと考えている。このタスクに最も適している構成要素はどれか?
    ① バッチ学習と単純線形モデル
    ② 時系列モデルとストリーム処理技術
    ③ 強化学習とCNN
    ④ クラスタリングと再帰ネットワーク

    Q15.
    顧客満足度調査で収集した自由記述のテキストデータから、感情傾向(ポジティブ/ネガティブ)を判定したい。モデル訓練後、なぜあるコメントがネガティブと判定されたかをクライアントに説明する必要がある。この際に最も適した手法はどれか?
    ① 活性化関数の可視化
    ② SHAPによる特徴寄与分析
    ③ ボキャブラリ頻度のヒストグラム表示
    ④ 精度とF1スコアの報告

    Q16.
    ある自治体が、SNS上の投稿から災害時の被害情報を自動抽出したいと考えている。投稿には誤情報も混じる可能性があり、信頼度の推定が求められる。この場合に適用が検討されるべき技術はどれか?
    ① 注意機構(Attention)
    ② モンテカルロ法による信頼区間推定
    ③ 単純ベイズ分類器
    ④ 畳み込み演算

    Q17.
    あるAI開発チームが、新しい金融ローン審査モデルを設計中である。その際、年齢・性別・人種などの属性による差別的な影響を最小限にしたいと考えている。最も適した評価指標はどれか?
    ① 精度(Accuracy)
    ② F1スコア
    ③ 統計的パリティ(Demographic Parity)
    ④ ROC曲線

    Q18.
    企業Aは、顧客ごとの購買履歴と属性データをもとに、将来の解約リスク(チャーン)を予測するモデルを構築しようとしている。教師データとして適しているのはどれか?
    ① 顧客の現在の年齢と職業
    ② 過去の解約済み顧客と継続顧客のラベル付きデータ
    ③ 商品レビューの自由記述文
    ④ 購入時の広告表示内容

    Q19.
    あるアプリ開発企業が、プライバシーに配慮しつつユーザーデータをもとにAIモデルを訓練したいと考えている。データをクラウドに転送せず、端末上で分散学習を行う方式として最も適したものはどれか?
    ① 中央集約型学習(Centralized Learning)
    ② フェデレーテッドラーニング(Federated Learning)
    ③ 教師なしクラスタリング
    ④ データ拡張によるノイズ付加学習

    Q20.
    ある教育機関が、学生の答案から自動で採点やフィードバックを行うAIを導入しようとしている。文章の構成や理由付けの論理性を評価することが求められる。この目的に最も合致する技術はどれか?
    ① TF-IDFベースのベクトル化
    ② 自己注意機構を含む大規模言語モデル
    ③ 単語の出現頻度ヒストグラム
    ④ 主成分分析による要約


    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。


    解答解説

    差替え 2025/11/02(チャレンジ問題分すべて)


    関連記事

    画像
    アンドロイド版 G検定対策アプリ 2000問超の演習


     
     
    「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