
【G検定対策】シラバス2024年版 模擬問題4
章末の「ご利用にあたって」を読んでからご利用ください。
今回は模擬問題として160問120分を意識して出題問題をランダムにしております。
解答解説は最後にPDF添付しています。
作成は2025/5/5です。
模擬問題 160問 120分
Q1. 2024年に発表されたOpenAIの「GPT-4o」の特徴として最も適切なものはどれか。
① テキスト生成に特化した軽量モデル
② 音声認識専用のモデル
③ テキスト、音声、画像を統合的に処理できるマルチモーダルモデル
④ 画像生成に特化したモデル
Q2. AIの判断や行動によって損害が発生した場合の責任に関する考え方として最も適切なものはどれか。
① 常にAIの開発者が責任を負う
② AIの利用者が全ての責任を負う
③ ケースバイケースで契約責任や不法行為責任が問われる
④ AI自体が法的責任を負う主体となる
Q3. ディープラーニングにおける「バッチ正規化(Batch Normalization)」の主な目的として正しいものはどれか。
① モデルのサイズを縮小する
② 過学習を促進する
③ 学習の安定化と収束の高速化
④ 活性化関数を変更する
Q4. 生成AIが生み出すコンテンツに関する著作権の考え方として、現在の日本の法制度において最も適切なものはどれか。
① AIが自動生成したコンテンツには著作権が認められる
② AIが生成したコンテンツは全て著作権フリーである
③ AIが自動生成したコンテンツには原則として著作権が認められない
④ AIの開発者が全ての生成コンテンツの著作権を持つ
Q5. ディープラーニングモデルの学習において「Early Stopping」を用いる主な理由として最も適切なものはどれか。
① 学習時間を延長するため
② モデルの複雑性を増すため
③ 過学習を防ぐため
④ 学習率を固定するため
Q6. AIの公平性に関する問題として、特定の属性(例:性別、人種)に基づくバイアスが生じる主な原因として最も適切なものはどれか。
① モデルの構造が単純すぎるため
② 学習データに偏りがあるため
③ AIが自己学習を行うため
④ 出力結果を人間が修正するため
Q7. Transformerモデルにおける「自己注意機構(Self-Attention)」の利点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削減できる
② 長距離依存関係を効率的に捉えられる
③ 学習データの前処理が不要になる
④ 活性化関数を使用しなくて済む
Q8. AIの社会実装において、プライバシー保護の観点から重要な考え方である「プライバシー・バイ・デザイン(Privacy by Design)」の説明として最も適切なものはどれか。
① プライバシー保護はシステム開発の最終段階で考慮すべきである
② プライバシー保護は法律で定められていないため、考慮する必要はない
③ プライバシー保護をシステム設計の初期段階から組み込む考え方
④ プライバシー保護はユーザーの責任であり、開発者は関与しない
Q9. AIモデルの説明可能性を高める手法として「LIME(Local Interpretable Model-agnostic Explanations)」があるが、その特徴として最も適切なものはどれか。
① モデル全体の挙動を完全に再現する
② 特定の入力に対するモデルの予測を局所的に説明する
③ モデルの精度を向上させるための手法である
④ モデルの学習速度を高速化するための手法である
Q10. 2025年時点でAI関連の国際的な倫理基準として採用が進んでいる「EU AI Act」の特徴として最も適切なものはどれか。
① AIの開発を全面的に禁止する法律である
② AIシステムをリスクに応じて分類し、規制を設ける法律である
③ AIの利用を自由化するための法律である
④ AIの研究開発を促進するための補助金制度である
Q11. ディープラーニングにおける「ドロップアウト(Dropout)」の主な目的として最も適切なものはどれか。
① モデルの学習を停止するため
② モデルのサイズを拡大するため
③ 過学習を防ぐため
④ 学習率を動的に変更するため
Q12. AIが生成したコンテンツが特定の著作物に酷似している場合、著作権侵害と判断される可能性がある要因として最も適切なものはどれか。
① AIが学習したデータが公開されているかどうか
② 生成コンテンツが特定の著作物の表現を模倣しているかどうか
③ AIの開発者が著作権を保有しているかどうか
④ AIが自律的に学習を行ったかどうか
Q13. 機械学習モデルの評価指標である「F1スコア」が有効な理由として最も適切なものはどれか。
① 精度(Accuracy)を最大化するため
② 適合率と再現率の調和平均をとることでバランスの取れた評価ができるため
③ モデルの学習速度を向上させるため
④ 出力の正規化を行うため
Q14. AIプロジェクトにおける「MLOps(エムエルオプス)」の主な目的として最も適切なものはどれか。
① モデルの演算精度を最大化するため
② 学習済みモデルをハードウェアに最適化するため
③ モデルの開発から運用までのプロセスを自動化・効率化するため
④ ハイパーパラメータを固定するため
Q15. ディープラーニングにおける「活性化関数(Activation Function)」の役割として最も適切なものはどれか。
① 入力データを正規化する
② モデルの出力を整数に変換する
③ 非線形性を導入し、モデルの表現力を高める
④ モデルの学習率を調整する
Q16. AIのバイアス問題において、差別的な結果を防ぐために重要な要素として最も適切なものはどれか。
① 学習データの多様性と公平性の確保
② モデル構造の固定化
③ 実行速度の向上
④ 評価指標を減らす
Q17. ディープラーニングにおける「畳み込み層(Convolutional Layer)」の主な役割として最も適切なものはどれか。
① 入力データを圧縮する
② 特徴量を抽出する
③ モデルの出力を分類する
④ 学習率を調整する
Q18. AIモデルの評価において「交差検証(Cross Validation)」を行う主な目的として最も適切なものはどれか。
① モデルの学習速度を向上させるため
② モデルの過学習を防ぐため
③ モデルの汎化性能を評価するため
④ モデルのパラメータ数を削減するため
Q19. AIの説明可能性を高めるための技術的アプローチ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増やす
② モデルの構造をブラックボックス化する
③ モデルの出力に対する説明を提供する手法を導入する
④ モデルの学習データを非公開にする
Q20. AIの社会実装において、倫理的な課題として最も重要なものはどれか。
① AIが人間の感情を完全に理解できないこと
② AIが自律的に判断を下す際の責任の所在
③ AIの計算速度が人間を超えること
④ AIが物理的な作業を行えないこと
Q21. ディープラーニングで用いられる「活性化関数ReLU」の主な利点として最も適切なものはどれか。
① 出力が常に1になるため勾配が一定になる
② 勾配が大きくなりすぎないよう制限する
③ 負の領域を切り捨てることで勾配消失を緩和できる
④ 出力にノイズを加えることで汎化性能が高まる
Q22. AI開発での「PoC(概念実証)」段階の目的として正しいものはどれか。
① モデルの法的責任を確定する
② 実装コストを見積もる
③ 技術的に実現可能かを検証する
④ ハードウェア設計との統合を行う
Q23. 学習データに含まれる「要配慮個人情報」の取扱いに関する規定として、個人情報保護法上、最も正しいものはどれか。
① 特に制限はなく、自由に利用できる
② 本人の同意がなくても匿名化すれば利用できる
③ 本人の明示的同意が必要とされる
④ 企業の判断で適宜取得・利用できる
Q24. 「マルチモーダルAI」の利点として最も適切なものはどれか。
① 1種類のデータしか扱えないため処理が単純になる
② 異なるモダリティ間の関係性を活用できる
③ 単一モダリティより計算コストが低い
④ 精度に影響しないため限定的な応用に適する
Q25. ディープラーニングの「転移学習」が特に有効とされる状況はどれか。
① 学習用データが多数存在する
② ラベルがない教師なし学習タスク
③ データが少なく、類似タスクのモデルが存在する場合
④ 精度が重要でなく、処理時間が最短のとき
Q26. 「ブラックボックスモデル」と呼ばれるAIモデルの特徴として正しいものはどれか。
① 処理速度が遅いことが最大の課題である
② 内部構造や判断根拠の説明が困難である
③ 入出力が公開されていないため使えない
④ 出力が常に確率で表されることを意味する
Q27. 日本国内で制定されたAIに関する代表的な原則のうち、「人間中心」の観点から最も適切なものはどれか。
① AIが判断主体であり、人間は補助に回るべき
② 人間の尊厳と価値を最優先とし、AIは補助的手段とするべき
③ AIの判断は人間より正確なので優先すべき
④ 判断の透明性が確保されていれば、主体は問わない
Q28. AIが出力した画像コンテンツが、既存キャラクターの構図・色彩・表現を模倣している場合の著作権上のリスクとして最も適切なものはどれか。
① 出力が自動であるため著作権侵害に該当しない
② 表現に依拠が認められる場合、著作権侵害となる可能性がある
③ 画像生成には著作権がそもそも適用されない
④ 使用目的が非営利であれば侵害にあたらない
Q29. 「ハルシネーション(Hallucination)」という問題が言語モデルで問題視される理由はどれか。
① モデルが入力を正確に処理できないから
② 実在しない情報をもっともらしく生成するため、誤情報の拡散リスクがあるから
③ 学習時に精度が上がらないことがあるから
④ 出力の速度が遅くなるため
Q30. 「Diffusion Model(拡散モデル)」に関する説明として正しいものはどれか。
① 入力データを離散化する処理を行う
② ノイズから段階的にデータを復元することで生成を行うモデルである
③ ノイズ除去専用の識別モデルである
④ 入力画像を数値化して分類するモデルである
Q31. 「データドリブン型AI導入」の特徴として正しいものはどれか。
① 直感に基づいてモデルを選定する
② データに基づき仮説を立て、反復的に改善を行う
③ 経営判断を外部業者に委託する
④ 統計解析は不要とする
Q32. 次のうち、フェイク動画検出のための技術的アプローチとして最も適切なものはどれか。
① 動画の再生速度を計測する
② フレーム間の整合性や映像特徴の不自然さを解析する
③ 動画の音声をミュートにする
④ 解像度を下げて学習させる
Q33. AIにおける「アライメント(Alignment)」問題とは何か。
① 入力と出力の文法を整える作業
② モデルの出力がユーザーや社会の意図と合致するよう調整する課題
③ 重み行列の正則化に関する処理
④ データ構造を線形に並べる処理手順
Q34. ディープラーニングにおいて「VAE(Variational Autoencoder)」の主な特徴として適切なものはどれか。
① 次元圧縮と再構築を通じて異常検知を行うが生成はできない
② ノイズ付加を通じた潜在空間からの生成が可能
③ 全ての出力が連続的な確率で与えられる
④ ラベル付きデータでのみ学習できる
Q35. 「SHAP値(SHapley Additive exPlanations)」の特徴として正しいものはどれか。
① モデルのハイパーパラメータを自動調整する
② モデルの重みを非線形に変更する
③ 各特徴量が予測に与えた寄与度を定量的に示す
④ 誤差率の合計を正規化する
Q36. 2024年に公開された「Sora」の主な応用分野として最も適切なものはどれか。
① テキストから動画を生成するマルチモーダルAI
② 音声から文字をリアルタイム変換するツール
③ 医療用データの分類を行う支援AI
④ サイトの自動翻訳を行う言語モデル
Q37. 次のうち、「匿名加工情報」として正しい取り扱いに該当するものはどれか。
① 特定の個人を識別できる顔写真データを含む
② 氏名や連絡先などがマスキングされているが、照合可能な情報が残る
③ 特定の個人を識別できず、復元が不可能な形で加工された情報
④ 加工処理は行わず、取得時の状態で保存された情報
Q38. AIの倫理的課題に対する「OECD AI原則」で重視されている要素として最も適切なものはどれか。
① 自律性の完全保証
② 利益最大化の優先
③ 包摂性、公平性、説明可能性の確保
④ モデルの性能指標の一律適用
Q39. ディープラーニングで使用される「勾配降下法(Gradient Descent)」において、学習率が高すぎる場合に起きやすい問題はどれか。
① モデルが学習しなくなる
② 最小値に到達するまでに非常に時間がかかる
③ 最適点を通り越して収束せず、振動する
④ パラメータが一定の値に固定される
Q40. 「Claude 3」シリーズの主な特徴として最も適切なものはどれか。
① 自動車制御に特化したAIモデルである
② 大量の感情データを学習した感情分析モデルである
③ 長文の文脈保持性能に優れたマルチモーダル言語モデルである
④ 機械翻訳専用の軽量モデルである
Q41. AIプロジェクトにおいて「Explainability(説明可能性)」が重要視される理由として最も適切なものはどれか。
① モデルの演算速度が速くなるため
② 法的・倫理的観点から判断根拠の提示が求められるため
③ モデルのパラメータ数を増やすため
④ バイアスを意図的に強化するため
Q42. ディープラーニングの学習時に「勾配爆発(Gradient Explosion)」が起こるとどのような現象が起きるか。
① 学習が極端に遅くなる
② モデルが精度100%で固定される
③ 勾配が急激に大きくなり、重みが不安定になる
④ モデルが自動的に正則化される
Q43. 次のうち、「教師なし学習」に該当する手法はどれか。
① 線形回帰
② ロジスティック回帰
③ K-meansクラスタリング
④ サポートベクターマシン
Q44. 「アノテーション」がAI開発で重要とされる理由として最も適切なものはどれか。
① モデルの圧縮率を高める
② データに意味づけを行い、教師あり学習に利用できるようにするため
③ モデルの精度を計算するため
④ モデルの実行速度を上げるため
Q45. 「Few-shot Learning」の特徴として最も適切なものはどれか。
① ラベルが全くない状態で学習を行う
② 少数の例からタスクを遂行する能力を持つ
③ 学習を逐次的に繰り返す強化学習の一種である
④ 学習データが多くても効果がない
Q46. 次のうち、「ディープフェイク」に該当するものはどれか。
① テキスト分類モデルによるフェイクニュース検出
② AIによる画像からテキストの自動生成
③ GANを用いた映像の改変により実在人物の偽映像を生成する手法
④ 検索エンジンのランキング操作
Q47. AI導入における「データ品質」の確保に関して適切な対応はどれか。
① 不要な変数はすべて削除する
② 欠損値はランダムな値で補完する
③ 外れ値やノイズの検出と適切な処理を行う
④ データは量が多ければ質を問わない
Q48. ディープラーニングモデルで「重みの初期化」が重要視される理由として最も適切なものはどれか。
① 初期値によってモデルのバイアスが決定されるため
② 計算資源を最小化できるため
③ 勾配の消失や爆発を防ぎ、安定した学習を促進するため
④ 活性化関数を不要にできるため
Q49. 「Diffusion Transformer」の2024年版の特徴として最も適切なものはどれか。
① テキストのみを生成するモデル
② Transformerベースの構造で拡散過程を用いて画像を高精度生成するモデル
③ 強化学習専用の構造を持つ
④ 医療用の診断補助に特化したモデル
Q50. AIにおける「説明責任(Accountability)」が求められる背景として最も適切なものはどれか。
① モデルの再学習を防ぐため
② 出力結果の正当性と信頼性を担保するため
③ AIの演算効率を上げるため
④ モデルの収益性を高めるため
Q51. データ分析の前段階で行う「前処理」の主な目的として正しいものはどれか。
① 学習速度を遅くするため
② モデルを複雑化するため
③ ノイズ除去や欠損補完などにより学習を安定化させるため
④ モデルの出力範囲を0~1に制限するため
Q52. AIモデルの「過学習」が発生する主な原因として最も適切なものはどれか。
① モデルが学習データに過剰に適合してしまう
② モデルの表現力が低すぎる
③ 学習データにラベルがない
④ 活性化関数が使用されていない
Q53. 「仮名加工情報」として正しい説明はどれか。
① 個人情報を完全に匿名化した情報
② 特定の個人を識別できるが、外部情報と照合しない限り識別できないよう加工された情報
③ 氏名や住所などが暗号化された情報
④ インターネット上で取得した公開情報
Q54. AIの倫理的課題に対する「G7広島AIプロセス」において強調されている方針として最も適切なものはどれか。
① 各国のモデル開発を競争させる
② 生成AIの規制を一律に強化する
③ 信頼できるAI(Trustworthy AI)の原則に基づく国際的枠組みの整備
④ 国際協力を不要とする各国独自ルールの推奨
Q55. 機械学習の「教師あり学習」の構成要素として最も適切なものはどれか。
① 正解ラベルが付与されたデータセット
② ラベルなしの大量データ
③ データの次元削減手法
④ クラスタリングアルゴリズム
Q56. AIの「ロバスト性」を高めるために最も効果的な設計方針はどれか。
① テストデータの出力をランダムにする
② 入力にノイズを加えて学習させる
③ 活性化関数を削除する
④ モデルの深さを固定する
Q57. ニューラルネットワークの「誤差逆伝播法(Backpropagation)」における主な処理はどれか。
① 出力データをランダムに変更する
② 重みを固定して計算量を減らす
③ 損失関数の勾配を逆方向に伝播させ、重みを更新する
④ ノード数を減らすための前処理
Q58. 機械学習における「正則化(Regularization)」の目的として最も適切なものはどれか。
① モデルの計算量を増やす
② データの分布を変更する
③ モデルの過学習を防ぐために複雑さを抑制する
④ モデルの予測範囲を限定する
Q59. 次のうち、「教師あり学習」と「強化学習」の主な違いとして最も適切なものはどれか。
① 教師あり学習は行動と報酬の関係を学ぶ
② 強化学習は明示的な正解ラベルを必要としない
③ 教師あり学習は探索が重要である
④ 強化学習では学習データを使用しない
Q60. AIモデルに関する最新の国際議論において、生成AIの「透明性」が求められる理由として最も適切なものはどれか。
① 利用者がAIのアルゴリズムを自由に変更できるようにするため
② モデルの開発者が利益を最大化できるようにするため
③ 出力結果の信頼性や出所を明確にするため
④ AIを国家機密として扱うため
Q61. AIにおける「バイアス」の発生原因として最も適切なものはどれか。
① モデルの学習率が高すぎるため
② 学習データに不均衡や偏りがあるため
③ 出力のスケールが標準化されていないため
④ ハイパーパラメータが未設定なため
Q62. ディープラーニングにおける「ResNet(Residual Network)」の主な特徴はどれか。
① 計算量を削減するために浅い構造をとる
② 中間層を繋がずに層間の独立性を高める
③ 残差接続により、非常に深い層でも勾配が消えにくくなる
④ 活性化関数を削除して学習速度を高める
Q63. 「Zero-shot Learning」の特徴として正しいものはどれか。
① 学習データが多数ある状態で予測する手法
② タスクに関する訓練データを一切使わずに予測を行う
③ 訓練と同一のクラスに対してのみ分類が可能
④ 強化学習の一種であり、報酬なしで学習する
Q64. 「ROC曲線」において、曲線の下の面積(AUC)が1に近いことの意味はどれか。
① クラス分類が完全に失敗していることを意味する
② モデルの適合率と再現率が常に等しいことを意味する
③ モデルの識別能力が非常に高いことを意味する
④ 誤分類率が常にゼロであることを意味する
Q65. 次のうち、「フェアネス(公正性)」に関する指標として最も適切なものはどれか。
① 処理速度
② モデルサイズ
③ 属性別の結果分布の比較
④ 勾配の絶対値の大きさ
Q66. 「逐次学習(Online Learning)」の主な利点として最も適切なものはどれか。
① 全データを一度に保持する必要がある
② モデルの訓練を毎回最初から行う
③ 新たなデータが得られるたびにモデルを更新できる
④ 一定のタイミングでのみ更新できる
Q67. 「転移学習」の応用として最も適切なものはどれか。
① 手書き文字認識モデルを別言語の文字に適用する
② クラスタリングによってデータを自動分類する
③ 強化学習によって報酬設計を最適化する
④ 再帰モデルで音声波形を直接解析する
Q68. AIによる画像認識モデルの構築において、「ラベルノイズ」がもたらす影響として最も適切なものはどれか。
① モデルがより早く収束する
② モデルの正確性が向上する
③ モデルが誤学習し、精度が低下する
④ ノイズの影響は学習には関係しない
Q69. 次のうち、教師なし学習において「次元の呪い(Curse of Dimensionality)」が問題となる主な理由はどれか。
① 学習率が上がりすぎる
② データが高次元空間で疎になるため、距離に基づく手法の効果が下がる
③ 次元が高いと処理速度が常に高速化する
④ モデルの深さが制限されるため
Q70. 「パラメータチューニング」の目的として正しいものはどれか。
① モデル構造を自動生成する
② 学習済みモデルを削除する
③ モデル性能を最大化するためにハイパーパラメータを最適化する
④ 推論結果のランダム性を増加させる
Q71. 「AIの安全性(Safety)」に関して、技術的な課題として最も重要視されているものはどれか。
① モデルの設計図を非公開にすること
② 出力が社会的に有害な内容を含まないよう制御すること
③ 学習コストを削減すること
④ モデルの圧縮率を向上させること
Q72. ディープラーニングにおける「プーリング層(Pooling Layer)」の役割として最も適切なものはどれか。
① モデルの出力を最大化する
② 層間の重みを初期化する
③ 特徴マップのサイズを縮小し、情報を要約する
④ 活性化関数の切り替えを行う
Q73. 時系列予測モデル「ARIMA」において「季節性」があるデータを扱う際に追加すべき成分はどれか。
① 線形項
② ランダム項
③ 季節差分項
④ 活性化項
Q74. 「ステークホルダー」に対するAIシステムの説明可能性を高める際に適切な手法はどれか。
① モデルの全パラメータを一覧で表示する
② 意思決定に影響した主要特徴量を可視化する
③ 学習データの一部を非公開とする
④ 出力の誤差率を除外する
Q75. 「ニューラルネットワーク」の層構造において、「ボトルネック層」が果たす主な役割はどれか。
① 出力結果のランダム性を増やす
② 入力データの次元を圧縮し、特徴の要約を行う
③ モデルの学習回数を増やす
④ 活性化関数を増加させる
Q76. 次のうち、画像認識タスクにおいて「データ拡張(Data Augmentation)」の目的として最も適切なものはどれか。
① 出力の確率値を増加させる
② 学習データを人工的に増やし、汎化性能を向上させる
③ ノイズ除去のために解像度を下げる
④ ラベルを一括削除して教師なし学習にする
Q77. AIの「ハルシネーション」を技術的に抑制するための手段として最も適切なものはどれか。
① モデルの推論速度を高速化する
② 外部知識ソースとの照合による事実確認
③ 出力を一部隠蔽する
④ 活性化関数を削除する
Q78. ディープラーニングにおける「シーケンス・ツー・シーケンス(Seq2Seq)」モデルが有効に機能する場面はどれか。
① テーブルデータの要約
② 画像のクラスタリング
③ 機械翻訳などの系列変換タスク
④ 活性化関数の選定
Q79. ディープフェイク動画の生成において使用される「GAN」の構成要素はどれか。
① 畳み込みネットワークのみ
② 生成器と識別器の2つのネットワーク
③ 活性化関数と損失関数
④ ハードマージン分類器
Q80. AIと社会の関係性における「人間中心原則」の具体的内容として最も適切なものはどれか。
① AIの判断は常に自動で確定し、人間は関与しない
② AIの判断結果に対して最終的な責任は人間が持つべき
③ AIが優れている分野では人間の介在を制限するべき
④ AIの出力は社会的責任を伴わない
Q81. ReLU関数の利点として最も適切なものはどれか。
① 勾配が常に一定となるため学習が高速化する
② 活性化関数を通じて非線形性を導入することなく学習できる
③ 負の値をゼロにし、勾配消失問題を緩和する
④ すべての出力を確率として扱うことができる
Q82. Attention機構の役割として最も適切なものはどれか。
① 入力データの次元を削減する
② 出力結果を均一化する
③ 入力の重要な部分に重みをつけて処理する
④ モデルのハイパーパラメータを決定する
Q83. 教師あり学習において正解ラベル付きデータを用いる理由として適切なものはどれか。
① モデルに分類や回帰の基準を学習させるため
② モデルの出力を確率に変換するため
③ モデルの次元を削減するため
④ モデルの処理時間を短縮するため
Q84. 転移学習が特に有効な場面として最も適切なものはどれか。
① 学習用データが極めて大量に存在する場合
② モデルの精度がすでに十分に高い場合
③ 学習データがすべて匿名加工情報である場合
④ 類似のタスクが存在し、学習データが少ない場合
Q85. データ前処理の目的として最も適切なものはどれか。
① 出力精度を手動で補正するため
② 欠損値や外れ値を処理し、学習を安定化させるため
③ 学習率を自動設定するため
④ 入力データを非線形変換するため
Q86. 主成分分析(PCA)の主な目的として最も適切なものはどれか。
① 出力層の次元を増加させる
② クラスタ数を推定する
③ 次元を削減しつつ、データの分散を最大限保持する
④ 活性化関数を選定する
Q87. 個人情報保護法において、AIの学習データとして「個人情報」を取り扱う際の原則として正しいものはどれか。
① 利用目的の明示と同意の取得が必要である
② 自動取得された情報には適用されない
③ データ件数が少なければ適用されない
④ 企業が自己判断で自由に利用できる
Q88. 生成AIの出力と著作権の関係について、2024年時点の議論として正しいものはどれか。
① AIの出力は必ず著作権が認められる
② 出力が類似していれば自動的に著作権侵害となる
③ AI出力は公的機関が管理する必要がある
④ AIの出力に創作性があるかどうかが著作権の判断材料となる
Q89. バッチ正規化(Batch Normalization)の導入によって期待される効果として正しいものはどれか。
① モデルの層数を削減できる
② 各層の出力を正規化し、学習を安定化させる
③ 出力の確率分布を変更する
④ 損失関数の値を常に一定にする
Q90. BERTモデルの特徴として最も適切なものはどれか。
① 時系列データの分類に特化している
② 出力が常に固定長になる
③ 双方向の文脈情報を利用する自然言語処理モデルである
④ モデルサイズが常に小さい
Q91. 教師なし学習の代表例として最も適切なものはどれか。
① K-meansによるクラスタリング
② ロジスティック回帰
③ サポートベクターマシン
④ 線形回帰
Q92. 混同行列を用いる目的として最も適切なものはどれか。
① モデルの出力を非線形に変換する
② 入力データの正規化を行う
③ 特徴量の重要度を評価する
④ 分類タスクの精度を可視化し、誤分類の傾向を分析する
Q93. シグモイド関数の特徴として最も適切なものはどれか。
① 出力が任意の実数をとる
② 0〜1の範囲の出力で、確率的解釈が可能
③ 負の値をすべて0にする
④ 出力が常に1である
Q94. Q学習において「Q値」が意味するものはどれか。
① 行動の即時報酬
② エージェントの現在の状態
③ 状態・行動の組に対する期待される累積報酬
④ エピソードの回数
Q95. AIにおける倫理的配慮として、バイアス除去の重要性が高い理由はどれか。
① モデルの予測精度を落とすため
② AI判断が差別的結果を招くリスクがあるため
③ モデルの計算資源を節約するため
④ モデルの実行時間を短縮するため
Q96. マルチモーダルAIの定義として最も適切なものはどれか。
① テキストのみを処理するAI
② 音声認識に特化したAI
③ 画像と動画のみを処理するAI
④ 複数種類のデータ(テキスト・画像・音声など)を統合的に処理するAI
Q97. Adam最適化手法の特徴として最も適切なものはどれか。
① 勾配を無視して一括更新する
② 学習率を各パラメータごとに自動調整する
③ モデルの出力を確率分布に変換する
④ バッチサイズを固定する
Q98. 自然言語処理において「トークナイゼーション」が果たす役割はどれか。
① 単語の同義語置換を行う
② 品詞情報を削除する
③ テキストを単語やサブワードに分割する
④ 活性化関数を適用する
Q99. アジャイル開発の特徴として正しいものはどれか。
① 仕様を最初に完全に決めて変更しない
② フェーズ単位で一括開発を行う
③ 細かい単位で開発と評価を繰り返す
④ プロジェクトの終了まで一切デプロイしない
Q100
AIガバナンスにおける「透明性」の確保が重視される理由はどれか。
① モデルのブラックボックス化を促進するため
② モデルの著作権を保護するため
③ モデルの判断過程を説明し、信頼を確保するため
④ 出力のスピードを向上させるため
Q101. 強化学習において、エージェントが環境からの報酬を最大化するために学習する手法として最も適切なものはどれか。
① 教師あり学習
② 教師なし学習
③ 強化学習
④ 半教師あり学習
Q102. 自然言語処理において、単語の意味をベクトルで表現する手法として最も適切なものはどれか。
① ワンホットエンコーディング
② TF-IDF
③ Word2Vec
④ Bag of Words
Q103. ディープラーニングにおける「過学習」を防ぐための手法として最も適切なものはどれか。
① 学習率の増加
② エポック数の増加
③ ドロップアウトの導入
④ バッチサイズの増加
Q104. 画像認識タスクにおいて、畳み込みニューラルネットワーク(CNN)が有効な理由として最も適切なものはどれか。
① 時系列データの処理に特化しているため
② 画像内の局所的な特徴を捉えることができるため
③ 高速な計算が可能なため
④ データの次元を削減できるためつくもちブログ+1Scribd+1
Q105. AIの倫理的課題として、バイアスの問題が注目される理由として最も適切なものはどれか。
① モデルの精度が向上するため
② 特定の集団に不利益を与える可能性があるため
③ 学習時間が短縮されるため
④ データの量が増加するため
Q106. 自然言語処理モデルBERTの特徴として最も適切なものはどれか。
① 単方向の文脈を考慮するモデル
② 事前学習を必要としないモデル
③ 双方向の文脈を考慮するモデル
④ 画像認識に特化したモデル
Q107. AIプロジェクトにおいて、アジャイル開発手法が有効とされる理由として最も適切なものはどれか。
① 開発期間を長期化できるため
② 要件の変更に柔軟に対応できるため
③ ドキュメント作成を省略できるため
④ チームメンバーの数を減らせるため
Q108. AIの説明可能性(Explainability)が重要視される理由として最も適切なものはどれか。
① モデルの精度を下げるため
② モデルのブラックボックス性を高めるため
③ モデルの判断根拠を理解し、信頼性を向上させるため
④ モデルの学習時間を短縮するため
Q109. 教師あり学習と教師なし学習の主な違いとして最も適切なものはどれか。
① 教師あり学習はラベル付きデータを使用し、教師なし学習はラベルなしデータを使用する
② 教師あり学習はクラスタリングを行い、教師なし学習は分類を行う
③ 教師あり学習はデータの前処理を必要とせず、教師なし学習は前処理が必要である
④ 教師あり学習はモデルの評価ができず、教師なし学習は評価が可能である
Q110. AIモデルの評価指標として、F値(F1スコア)が有効な理由として最も適切なものはどれか。
① 精度と再現率の調和平均をとることで、バランスの取れた評価ができるため
② 精度のみを重視するため
③ 再現率のみを重視するため
④ モデルの学習時間を評価するため
Q111. ディープラーニングにおける活性化関数ReLUの特徴として最も適切なものはどれか。
① 出力が常に0である
② 負の入力に対しても勾配が存在する
③ 勾配消失問題を軽減できる
④ 出力が常に1である
Q112. AIの社会実装において、個人情報保護法が関係する場面として最も適切なものはどれか。
① AIが自動で学習する際の計算資源の確保
② AIが個人データを収集・利用する際の適切な取り扱い
③ AIの学習速度を向上させるための手法選択
④ AIモデルの精度を評価するための指標選定
Q113. 強化学習において、エージェントが行動を選択する際に利用する方策(ポリシー)とは何か。
① 状態と報酬の関係を示す関数
② 状態と行動の組み合わせに対する価値を示す関数
③ 状態に基づいて行動を選択する確率分布
④ 行動と報酬の関係を示す関数
Q114. AIモデルの過学習を検出するために有効な方法として最も適切なものはどれか。
① トレーニングデータとテストデータの精度を比較する
② モデルの学習時間を測定する
③ モデルのパラメータ数を数える
④ 学習率を変更する
Q115. 自然言語処理において、形態素解析の目的として最も適切なものはどれか。
① 文書の要約を行う
② 単語の品詞や基本形に分解する
③ 単語の出現頻度を数える
④ 文書の感情分析を行う
Q116. AIの倫理的原則として、「人間中心」の考え方が重視される理由として最も適切なものはどれか。
① AIが人間の代わりにすべての判断を行うため
② AIの判断が人間の価値観や社会的規範に基づくべきであるため
③ AIが自己学習を行うため
④ AIの判断が常に正確であるため
Q117. ディープラーニングモデルの学習において、エポックとは何を指すか。
① モデルの層の数
② 学習率の値
③ 全てのトレーニングデータを1回学習すること
④ バッチサイズの値
Q118. AIモデルの性能評価において、ROC曲線のAUCが高いことが示す意味として最も適切なものはどれか。
① モデルの予測が常に正しいことを示す
② モデルの予測がランダムであることを示す
③ モデルの分類性能が高いことを示す
④ モデルの学習時間が短いことを示す
Q119. 自然言語処理において、トークナイゼーションの目的として最も適切なものはどれか。
① 文書を要約する
② 文書の感情を分析する
③ 文書を単語や文節などの単位に分割する
④ 文書の主題を抽出する
Q120. AIの社会実装において、説明可能性(Explainability)が求められる理由として最も適切なものはどれか。
① モデルの精度を向上させるため
② モデルの判断根拠を明確にし、ユーザーの信頼を得るため
③ モデルの学習時間を短縮するため
④ モデルのパラメータ数を削減するため
Q121. ディープラーニングにおいて、勾配消失問題を緩和するために有効な手法として最も適切なものはどれか。
① シグモイド関数の使用
② ReLU関数の使用
③ 活性化関数を使用しない
④ 出力層を増やす
Q122. AIの社会実装において、説明可能性(Explainability)が求められる理由として最も適切なものはどれか。
① モデルの精度を向上させるため
② モデルの判断根拠を明確にし、ユーザーの信頼を得るため
③ モデルの学習時間を短縮するため
④ モデルのパラメータ数を削減するため
Q123. 自然言語処理において、形態素解析の目的として最も適切なものはどれか。
① 文書の要約を行う
② 単語の品詞や基本形に分解する
③ 単語の出現頻度を数える
④ 文書の感情分析を行う
Q124. AIモデルの過学習を検出するために有効な方法として最も適切なものはどれか。
① トレーニングデータとテストデータの精度を比較する
② モデルの学習時間を測定する
③ モデルのパラメータ数を数える
④ 学習率を変更する
Q125. 強化学習において、エージェントが行動を選択する際に利用する方策(ポリシー)とは何か。
① 状態と報酬の関係を示す関数
② 状態と行動の組み合わせに対する価値を示す関数
③ 状態に基づいて行動を選択する確率分布
④ 行動と報酬の関係を示す関数
Q126. AIの社会実装において、個人情報保護法が関係する場面として最も適切なものはどれか。
① AIが自動で学習する際の計算資源の確保
② AIが個人データを収集・利用する際の適切な取り扱い
③ AIの学習速度を向上させるための手法選択
④ AIモデルの精度を評価するための指標選定
Q127. ディープラーニングにおける活性化関数ReLUの特徴として最も適切なものはどれか。
① 出力が常に0である
② 負の入力に対しても勾配が存在する
③ 勾配消失問題を軽減できる
④ 出力が常に1である
Q128. AIモデルの評価指標として、F値(F1スコア)が有効な理由として最も適切なものはどれか。
① 精度と再現率の調和平均をとることで、バランスの取れた評価ができるため
② 精度のみを重視するため
③ 再現率のみを重視するため
④ モデルの学習時間を評価するため
Q129. 教師あり学習と教師なし学習の主な違いとして最も適切なものはどれか。
① 教師あり学習はラベル付きデータを使用し、教師なし学習はラベルなしデータを使用する
② 教師あり学習はクラスタリングを行い、教師なし学習は分類を行う
③ 教師あり学習はデータの前処理を必要とせず、教師なし学習は前処理が必要である
④ 教師あり学習はモデルの評価ができず、教師なし学習は評価が可能である
Q130. AIの説明可能性(Explainability)が重要視される理由として最も適切なものはどれか。
① モデルの精度を下げるため
② モデルのブラックボックス性を高めるため
③ モデルの判断根拠を理解し、信頼性を向上させるため
④ モデルの学習時間を短縮するため
Q131. AIプロジェクトにおいて、アジャイル開発手法が有効とされる理由として最も適切なものはどれか。
① 開発期間を長期化できるため
② 要件の変更に柔軟に対応できるため
③ ドキュメント作成を省略できるため
④ チームメンバーの数を減らせるため
Q132. 自然言語処理モデルBERTの特徴として最も適切なものはどれか。
① 単方向の文脈を考慮するモデル
② 事前学習を必要としないモデル
③ 双方向の文脈を考慮するモデル
④ 画像認識に特化したモデル
Q133. AIの倫理的課題として、バイアスの問題が注目される理由として最も適切なものはどれか。
① モデルの精度が向上するため
② 特定の集団に不利益を与える可能性があるため
③ 学習時間が短縮されるため
④ データの量が増加するため
Q134. 画像認識タスクにおいて、畳み込みニューラルネットワーク(CNN)が有効な理由として最も適切なものはどれか。
① 時系列データの処理に特化しているため
② 画像内の局所的な特徴を捉えることができるため
③ 高速な計算が可能なため
④ データの次元を削減できるため
Q135. ディープラーニングにおける「過学習」を防ぐための手法として最も適切なものはどれか。
① 学習率の増加
② エポック数の増加
③ ドロップアウトの導入
④ バッチサイズの増加
Q136. 自然言語処理において、単語の意味をベクトルで表現する手法として最も適切なものはどれか。
① ワンホットエンコーディング
② TF-IDF
③ Word2Vec
④ Bag of Words
Q137. 強化学習において、エージェントが環境からの報酬を最大化するために学習する手法として最も適切なものはどれか。
① 教師あり学習
② 教師なし学習
③ 強化学習
④ 半教師あり学習
Q138. AIの社会実装において、説明可能性(Explainability)が求められる理由として最も適切なものはどれか。
① モデルの精度を向上させるため
② モデルの判断根拠を明確にし、ユーザーの信頼を得るため
③ モデルの学習時間を短縮するため
④ モデルのパラメータ数を削減するため
Q139. 自然言語処理において、形態素解析の目的として最も適切なものはどれか。
① 文書の要約を行う
② 単語の品詞や基本形に分解する
③ 単語の出現頻度を数える
④ 文書の感情分析を行う
Q140. AIモデルの過学習を検出するために有効な方法として最も適切なものはどれか。
① トレーニングデータとテストデータの精度を比較する
② モデルの学習時間を測定する
③ モデルのパラメータ数を数える
④ 学習率を変更する
Q141. ディープラーニングにおいて、勾配消失問題を緩和するために有効な活性化関数はどれか。
① シグモイド関数
② ReLU関数
③ ソフトマックス関数
④ 恒等関数
Q142. AIの社会実装において、説明可能性(Explainability)が求められる主な理由はどれか。
① モデルの精度を向上させるため
② モデルの判断根拠を明確にし、ユーザーの信頼を得るため
③ モデルの学習時間を短縮するため
④ モデルのパラメータ数を削減するため
Q143. 自然言語処理において、形態素解析の主な目的はどれか。
① 文書の要約を行うこと
② 単語の品詞や基本形に分解すること
③ 単語の出現頻度を数えること
④ 文書の感情分析を行うこと
Q144. AIモデルの過学習を検出するために有効な方法はどれか。
① トレーニングデータとテストデータの精度を比較すること
② モデルの学習時間を測定すること
③ モデルのパラメータ数を数えること
④ 学習率を変更すること
Q145. 強化学習において、エージェントが行動を選択する際に利用する方策(ポリシー)とは何か。
① 状態と報酬の関係を示す関数
② 状態と行動の組み合わせに対する価値を示す関数
③ 状態に基づいて行動を選択する確率分布
④ 行動と報酬の関係を示す関数
Q146. AIの社会実装において、個人情報保護法が関係する場面はどれか。
① AIが自動で学習する際の計算資源の確保
② AIが個人データを収集・利用する際の適切な取り扱い
③ AIの学習速度を向上させるための手法選択
④ AIモデルの精度を評価するための指標選定
Q147. ディープラーニングにおける活性化関数ReLUの特徴はどれか。
① 出力が常に0である
② 負の入力に対しても勾配が存在する
③ 勾配消失問題を軽減できる
④ 出力が常に1である
Q148. AIモデルの評価指標として、F値(F1スコア)が有効な理由はどれか。
① 精度と再現率の調和平均をとることで、バランスの取れた評価ができるため
② 精度のみを重視するため
③ 再現率のみを重視するため
④ モデルの学習時間を評価するため
Q149. 教師あり学習と教師なし学習の主な違いはどれか。
① 教師あり学習はラベル付きデータを使用し、教師なし学習はラベルなしデータを使用する
② 教師あり学習はクラスタリングを行い、教師なし学習は分類を行う
③ 教師あり学習はデータの前処理を必要とせず、教師なし学習は前処理が必要である
④ 教師あり学習はモデルの評価ができず、教師なし学習は評価が可能である
Q150. AIの説明可能性(Explainability)が重要視される理由はどれか。
① モデルの精度を下げるため
② モデルのブラックボックス性を高めるため
③ モデルの判断根拠を理解し、信頼性を向上させるため
④ モデルの学習時間を短縮するため
Q151. AIプロジェクトにおいて、アジャイル開発手法が有効とされる理由はどれか。
① 開発期間を長期化できるため
② 要件の変更に柔軟に対応できるため
③ ドキュメント作成を省略できるため
④ チームメンバーの数を減らせるため
Q152. 自然言語処理モデルBERTの特徴はどれか。
① 単方向の文脈を考慮するモデル
② 事前学習を必要としないモデル
③ 双方向の文脈を考慮するモデル
④ 画像認識に特化したモデル
Q153. AIの倫理的課題として、バイアスの問題が注目される理由はどれか。
① モデルの精度が向上するため
② 特定の集団に不利益を与える可能性があるため
③ 学習時間が短縮されるため
④ データの量が増加するため
Q154. 画像認識タスクにおいて、畳み込みニューラルネットワーク(CNN)が有効な理由はどれか。
① 時系列データの処理に特化しているため
② 画像内の局所的な特徴を捉えることができるため
③ 高速な計算が可能なため
④ データの次元を削減できるため
Q155. ディープラーニングにおける「過学習」を防ぐための手法はどれか。
① 学習率の増加
② エポック数の増加
③ ドロップアウトの導入
④ バッチサイズの増加
Q156. 自然言語処理において、単語の意味をベクトルで表現する手法はどれか。
① ワンホットエンコーディング
② TF-IDF
③ Word2Vec
④ Bag of Words
Q157. 強化学習において、エージェントが環境からの報酬を最大化するために学習する手法はどれか。
① 教師あり学習
② 教師なし学習
③ 強化学習
④ 半教師あり学習
Q158. AIの社会実装において、説明可能性(Explainability)が求められる理由はどれか。
① モデルの精度を向上させるため
② モデルの判断根拠を明確にし、ユーザーの信頼を得るため
③ モデルの学習時間を短縮するため
④ モデルのパラメータ数を削減するため
Q159. 自然言語処理において、形態素解析の目的はどれか。
① 文書の要約を行うこと
② 単語の品詞や基本形に分解すること
③ 単語の出現頻度を数えること
④ 文書の感情分析を行うこと
Q160. AIモデルの過学習を検出するために有効な方法はどれか。
① トレーニングデータとテストデータの精度を比較すること
② モデルの学習時間を測定すること
③ モデルのパラメータ数を数えること
④ 学習率を変更すること
解答解説

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。