
【G検定対策】模擬問題8 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。
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。今回は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ました。160問としていますが+20問の少し難易度をあげたチャレンジ問題もつけております。また、いままで作成した問題についてandroid版ですがアプリを作成しました。月末にはplaystoreに公開される予定です。(もちフリーですよ)
解答解説は最後にPDF添付しています。
作成は2025/5/18です。
模擬問題 160問 120分
Q1. TransformerモデルにおけるSelf-Attentionの役割として適切なものはどれか?
① 文中の名詞の数を数える
② 各単語が他の単語に注意を向けることを可能にする
③ 文中の単語を無作為にシャッフルする
④ 文中の一部を削除して正解を予測する
Q2. EU AI Actにおける「高リスクAIシステム」に対して求められる主な要件はどれか?
① すべてのアルゴリズムコードの一般公開
② 説明責任の完全免除
③ 技術文書の整備や監査可能性の確保
④ AI利用者への対価の支払い
Q3. BERTが事前学習で採用しているMasked Language Modelingの特徴はどれか?
① 文中の名詞をすべて削除して分類する
② 出力ラベルの一部を隠して予測する
③ 入力文の単語の一部をマスクして予測させる
④ 文中の単語順を並び替える
Q4. SHAP値を活用した公平性評価の目的として最も適切なものはどれか?
① 出力確率の最大化
② 入力の系列長を一定に保つ
③ 特徴量の寄与度を明示し、差別的影響を可視化する
④ 隠れ層の出力を均一化する
Q5. データ拡張手法「CutMix」の処理内容として正しいものはどれか?
① 画像の一部を他画像と合成しラベルも混合する
② 画像を左右反転するのみ
③ 画像の明度を調整してコントラストを均一化する
④ ノイズを加えて画質を劣化させる
Q6. Diffusionモデルの逆拡散過程におけるスコア関数の役割はどれか?
① 元画像の圧縮率を最小化する
② ノイズからの復元方向を導く
③ 出力の明度を調整する
④ 推論速度を高速化するための関数である
Q7. LIMEによるモデルの説明において、正しい記述はどれか?
① モデル全体の誤差を可視化する手法である
② 誤差逆伝播によって勾配を確認する手法である
③ 局所領域での予測を線形モデルで近似する
④ 出力のヒストグラムを提示する
Q8. Vision Transformerで画像を扱う手法として最も適切なものはどれか?
① 画像全体を単一のトークンに変換する
② 各ピクセルを別々の入力として処理する
③ 画像を小さなパッチに分割して系列として扱う
④ 色の平均値のみを入力とする
Q9. AI契約における「準委任契約」の特徴として最も適切なものはどれか?
① 結果の保証が必要な契約
② 途中で解約できない契約
③ 実行する行為自体に責任を持つ契約
④ 知的財産権の譲渡を前提とする契約
Q10. Q学習における学習率(α)の役割として適切なものはどれか?
① 割引率を調整して報酬の優先度を変える
② 方策のランダム性を制御する
③ 新しい知見をどれだけ反映するかを決める
④ 価値関数の最大値を計算する
Q11. Transformerにおいて位置エンコーディングが必要な理由はどれか?
① 自己注意の計算量を減らすため
② 順序情報がモデルに含まれないため
③ 出力ベクトルの次元を圧縮するため
④ モデルの過学習を防ぐため
Q12. Fairnessの評価指標である「Demographic Parity」の内容として適切なものはどれか?
① 各属性の精度差が等しいこと
② 全体の誤分類率が等しいこと
③ 属性に関係なく陽性予測確率が等しいこと
④ 出力の分布が正規分布に近いこと
Q13. 自己回帰モデル(AR)の主な用途として最も適切なものはどれか?
① クラスタリングの事前処理
② 時系列データの予測
③ 次元削減
④ ラベルなしデータの分類
Q14. Grad-CAMが可視化する対象として最も適切なものはどれか?
① モデルの損失関数の値
② 出力に寄与した入力画像の領域
③ 重みの正則化状況
④ バッチサイズの変化
Q15. プライバシーと精度のトレードオフを考慮した技術はどれか?
① Max-Pooling
② 勾配ブースティング
③ 差分プライバシー
④ ソフトマックス正規化
Q16. AIにおける「ブラックボックス問題」と関係が深いものはどれか?
① 処理速度
② 説明可能性
③ 訓練データ数
④ 入力次元数
Q17. 平均二乗誤差(MSE)の特徴として正しいものはどれか?
① 外れ値の影響を受けにくい
② 誤差が大きいほど重視される
③ 計算量が最も少ない
④ 分類問題専用の指標である
Q18. 顔認識AIに関する代表的な倫理的懸念はどれか?
① 学習速度の低下
② プライバシーとバイアスの問題
③ モデルの圧縮率の不足
④ データ形式の非互換性
Q19. プーリング層の主な役割として適切なものはどれか?
① 層の深さを増やす
② 出力を確率に変換する
③ 空間的な次元を削減する
④ 勾配を大きく保つ
Q20. GPT系モデルの出力生成方式の特徴として適切なものはどれか?
① 文章全体を一度に出力する
② 過去の単語に基づき逐次予測する
③ ランダムなトークンを事前に決定する
④ 各文を分類ラベルに変換する
Q21. マルチモーダルAIモデルの特徴として適切なものはどれか?
① 単一の音声データのみで学習を行う
② テキストや画像など異なる形式のデータを統合的に扱う
③ 出力に対して複数の言語を同時翻訳する
④ モデルサイズを圧縮して高速処理を実現する
Q22. AI倫理の観点から医療分野で導入される「説明可能性(Explainability)」が特に重要視される理由はどれか?
① モデルの精度が低いため補足情報が必要だから
② モデルのソースコード開示が法的に義務付けられているから
③ 患者への説明責任と医療安全性の確保が求められるから
④ コスト削減を目的としているから
Q23. Fine-Tuningにおける破壊的忘却(Catastrophic Forgetting)の問題に該当するのはどれか?
① 古いデータがモデルから削除されること
② 新しいタスク学習後に以前の知識が失われること
③ モデルの出力が予測不可能になること
④ 出力層が再学習されないこと
Q24. RAG(Retrieval-Augmented Generation)の仕組みとして適切なものはどれか?
① 大規模データを暗記させることで生成精度を向上させる
② 事前定義されたテンプレートに基づき出力を生成する
③ 外部検索で取得した情報をもとに生成モデルが応答を行う
④ ユーザーの入力をすべてエンコードして分類モデルに渡す
Q25. Diffusionモデルにおいて「拡散過程」で行われる処理はどれか?
① ノイズの除去により鮮明な画像を得る
② ノイズを段階的に加え、データをガウス分布へ変換する
③ 入力画像を分類ラベルに変換する
④ 出力のサイズを固定値に設定する
Q26. Transformerアーキテクチャにおける「マスク付き自己注意(Masked Self-Attention)」の目的として最も適切なものはどれか?
① モデルの処理速度を向上させる
② 入力系列の意味的類似性を強調する
③ 時系列的な順序性を保ちつつ予測を行う
④ 過学習を防ぐために入力をランダム化する
Q27. AIによる意思決定の透明性を高めるために必要な対応として適切なものはどれか?
① モデルパラメータ数の最適化
② モデル設計者の経歴公開
③ 判断根拠を説明可能にする設計
④ ユーザーの意思決定を完全に代替する構造
Q28. 差分プライバシーの概念において「ノイズの注入」が果たす役割はどれか?
① 学習を早く終了させるための近似処理
② データの外れ値を強調するための補正処理
③ 個別のデータ識別を困難にし、プライバシーを保護する
④ 正解ラベルのシャッフルによって精度を向上させる
Q29. AI倫理の国際ガイドラインにおいて「リスクベースアプローチ」が意味するものはどれか?
① モデルの精度に応じて税率を変動させる方法
② リスクの大きさに応じて規制の厳格さを変える方針
③ リスクが小さい場合はモデルの公開を義務化する政策
④ すべてのAIシステムを同じ基準で審査する方式
Q30. 畳み込みニューラルネットワーク(CNN)における「カーネルサイズ」の選定が出力に及ぼす影響として正しいものはどれか?
① 大きなカーネルは詳細な特徴を捉えやすい
② 小さなカーネルは広域な特徴を抽出しやすい
③ カーネルサイズは常に奇数である必要がある
④ カーネルサイズは出力の次元には影響しない
Q31. AIシステムの社会実装において「モデルの継続的監視(モニタリング)」が求められる主な理由はどれか?
① 精度の最大化を図るためのパラメータ調整
② モデルのドリフトや予期せぬ動作を早期に検知するため
③ クラウドサーバーの使用料を削減するため
④ 学習済みモデルを保護するための暗号化処理
Q32. モデル圧縮技術の一つである「蒸留(Distillation)」の主な仕組みとして適切なものはどれか?
① 大規模モデルの構造をそのまま複製する
② 教師モデルの出力を活用して軽量モデルを学習させる
③ モデルの重みをすべて1/2に圧縮する
④ 隠れ層を削除して演算回数を削減する
Q33. ImageNetがディープラーニングに与えた影響として正しいものはどれか?
① 大規模自然言語コーパスの整備を加速させた
② 医療画像の精度評価基準となった
③ CNNの性能比較を可能とする大規模画像データセットを提供した
④ 自動運転システムの規制策定に直結した
Q34. Transformerにおいて「多頭注意(Multi-Head Attention)」を用いる主な利点はどれか?
① 計算量を削減する
② 同じ注意スコアを複数回利用することで処理を高速化する
③ 異なる注意の視点で多様な情報を同時に取得できる
④ 出力トークンを並列処理できるようにする
Q35. Grad-CAMを用いる利点として最も適切なものはどれか?
① 精度評価をグラフで可視化できる
② 学習率の最適化に寄与する
③ 入力画像中の予測に重要な領域を可視化できる
④ モデルの容量を自動的に削減できる
Q36. ディープフェイク生成において用いられる主な技術はどれか?
① VAE
② GAN
③ SVM
④ CNN
Q37. AI開発においてアジャイル型プロジェクトが好まれる理由として適切なものはどれか?
① 全ての工程を完了させてから成果物を提出するため
② 変化に柔軟に対応し、短期間で反復的に成果を確認できるため
③ 契約期間が短いためリスクが低いから
④ 開発メンバーの人数を固定できるから
Q38. 強化学習における「割引率(γ)」が高い場合の学習傾向として最も適切なものはどれか?
① 直近の報酬を重視する
② 将来の報酬を重視する
③ 学習率の増加を抑制する
④ 探索を減らして収束を早める
Q39. AI倫理における「透明性」の確保に関して適切な取り組みはどれか?
① モデル出力をすべてPDF形式で保存する
② 入力データの来歴や処理過程を記録・開示する
③ ブラックボックス化を推奨し設計コストを削減する
④ 出力の誤り率を目視で評価する
Q40. データドリフトがAIシステムに与える影響として正しいものはどれか?
① モデルの学習速度が上昇する
② モデルが正確に予測できなくなる
③ モデルの圧縮率が向上する
④ モデルの訓練データ数が自動で増加する
Q41. AIモデルにおける「公平性(Fairness)」を担保するために、センシティブ属性(例:性別、人種)を処理する技術的手法として適切なものはどれか?
① センシティブ属性を特徴量に含めて学習を促進する
② センシティブ属性の影響を強調する正則化項を加える
③ センシティブ属性に依存しないよう学習を行う
④ センシティブ属性の重みをランダムに変更する
Q42. AI倫理における「人間中心設計」の考え方に基づいて適切な対応はどれか?
① ユーザーの操作を完全に代替する設計
② システムの自律性を優先し、人間の介在を排除する設計
③ 利用者の価値観や制約を考慮しながらAIを活用する設計
④ モデル精度のみに基づいた自動意思決定を採用する設計
Q43. 損失関数として「クロスエントロピー」が主に使われる場面はどれか?
① 連続値の予測(回帰問題)
② ラベルなしデータのクラスタリング
③ 多クラス分類タスク
④ ノイズ除去処理
Q44. 強化学習における「行動価値関数(Q関数)」の役割として正しいものはどれか?
① 各状態の将来価値を単独で評価する
② 行動のランダム性を導入するための関数
③ 各状態-行動ペアにおける期待報酬を評価する
④ 状態遷移確率を近似する関数である
Q45. データのバイアスを検出・可視化する方法としてSHAPの特徴に該当するのはどれか?
① データのクラスタ構造を可視化する
② 各特徴量の予測への寄与を定量化する
③ 特徴量の標準偏差を比較する
④ モデルの学習時間を最適化する
Q46. AI倫理における「フィルターバブル」が社会にもたらす懸念として正しいものはどれか?
① ユーザーが関心のない情報に接しすぎる
② 多様な視点への接触が制限され、意見が偏る
③ プライバシー保護が過剰になる
④ 説明責任が不要と認識されるようになる
Q47. Transformerモデルで使用される「スケールドドット積Attention」の利点はどれか?
① 行列積を避けて計算量を抑える
② 高次元での内積が大きくなりすぎる問題を緩和する
③ ドット積を用いず、加法でスコアを算出する
④ 出力の次元を削減するために用いる
Q48. データの学習時に「事前学習済みモデル(Pre-trained model)」を利用する主な利点はどれか?
① 精度は下がるが処理速度が上がる
② 少量のデータでも高性能が得られる
③ ハイパーパラメータの自動最適化が行える
④ モデルの容量を大幅に削減できる
Q49. GANにおいて生成器(Generator)の学習目標として正しいものはどれか?
① 本物と見分けがつく画像を生成すること
② 識別器を混乱させるほどリアルな画像を生成すること
③ ノイズを識別可能なパターンに変換すること
④ 本物画像のラベルを予測すること
Q50. LSTMの「忘却ゲート(Forget Gate)」の役割として正しいものはどれか?
① 前の状態を強制的に初期化する
② 新しい情報を記憶するために入力を補強する
③ 過去の情報をどの程度残すかを制御する
④ すべての入力を削除して処理を単純化する
Q51. AIの社会実装フェーズにおいて「バイアスの顕在化」が発生しやすいのはどの場面か?
① モデルの事前学習時
② 学習用データの取得・加工時
③ 最適化手法の選定時
④ ハイパーパラメータ調整時
Q52. 公平性向上のための学習データ設計で適切なアプローチはどれか?
① センシティブ属性に偏りをもたせる
② 高頻度データのみを選定して学習させる
③ 属性ごとに均等な代表性を確保する
④ データ収集時に匿名化を徹底する
Q53. DeepLabやMask R-CNNが扱う画像処理タスクとして最も適切なものはどれか?
① 時系列予測
② 音声認識
③ セマンティックセグメンテーション
④ 顔特徴点の検出
Q54. 「ノーフリーランチ定理」が意味するものとして正しいものはどれか?
① すべての学習アルゴリズムは一定の誤差を含む
② どの問題にも万能な最適化手法は存在しない
③ 無料で使えるAIは性能が保証されない
④ 学習済みモデルは再学習できない
Q55. Attention機構における「キー・クエリ・バリュー(K-Q-V)」の関係として適切なものはどれか?
① クエリとバリューの内積でスコアを算出
② クエリとキーの類似度で重みを計算し、バリューを加重平均
③ キーとバリューで分類を行い、クエリは無関係
④ クエリが全出力を記憶し、キーがフィルタを行う
Q56. AI活用プロジェクトにおける「MLOps」の重要性として適切なものはどれか?
① モデル開発速度を低下させる
② 運用工程を自動化・監視することで品質を維持できる
③ モデルを再学習せずに運用し続ける方式である
④ データのアノテーション作業をすべて自動化する技術である
Q57. ロジスティック回帰モデルの出力として最も正しいものはどれか?
① 実数値の回帰係数
② 二項分布に従う確率
③ 多クラス分類用のベクトル出力
④ ランダム変数の期待値
Q58. データの欠損値処理において「平均値補完法」のリスクとして最も妥当なものはどれか?
① モデルの学習速度が遅くなる
② 欠損値が増える傾向がある
③ 分布の歪みを引き起こし、バイアスを導入する
④ 学習データの量が増加し過学習になる
Q59. RNNに比べてTransformerが言語処理で優れる点として正しいものはどれか?
① 長期依存の学習が困難である
② 並列処理が可能である
③ 計算量が常に少ない
④ 入力系列の順序を保持しない
Q60. バッチ正規化(Batch Normalization)の効果として最も適切なものはどれか?
① 出力の次元数を削減する
② モデルの表現力を強化する
③ 勾配消失・爆発の抑制と学習の安定化
④ 層を削減して計算量を減らす
Q61. AIガバナンスにおいて「アカウンタビリティ(説明責任)」を果たすために企業が実施すべき取り組みとして最も適切なものはどれか?
① AI判断の正解率のみを開示する
② データ提供者に成果物の著作権を譲渡する
③ モデル設計過程や意思決定根拠の記録・説明体制を整備する
④ ソースコードをすべて暗号化して外部公開する
Q62. 学習済み言語モデル(LLM)におけるトークナイザーの役割として最も適切なものはどれか?
① 文字列を言語ごとに翻訳する
② 入力テキストを意味カテゴリに分類する
③ テキストを小さな単位に分割し、モデルが処理できる形式に変換する
④ テキストの長さを一定に制限する
Q63. 異常検知タスクにおいて評価指標として「適合率(Precision)」が重要になる場面はどれか?
① 正常なデータを高い割合で捉えたい場合
② 異常データの見逃しを抑えたい場合
③ 異常と予測した中で、実際に異常であった割合を重視したい場合
④ 正常データの誤検出を完全に排除したい場合
Q64. 深層学習の特徴として「表現学習(Representation Learning)」がもたらす効果はどれか?
① 出力クラス数を事前に固定できる
② 手作業で特徴量を設計しなくても良くなる
③ モデルのバイアスを低減できる
④ 高精度の分類には使えない
Q65. 日本における「AI戦略2022」で重点的に掲げられているテーマとして最も適切なものはどれか?
① ディープフェイクの禁止と処罰強化
② 数理・データサイエンス教育の推進と人材育成
③ 完全自律型ロボットの開発義務化
④ 公共事業におけるAI未使用の原則
Q66. 正則化手法の一つである「ドロップアウト(Dropout)」の主な効果として正しいものはどれか?
① 過学習の抑制
② 勾配消失の促進
③ 学習率の動的調整
④ 誤差関数の自動選択
Q67. 自動運転システムにおいて重要な「エッジAI」の利点として正しいものはどれか?
① クラウドサーバに依存せずリアルタイム処理が可能になる
② 計算コストを大幅に削減し精度が向上する
③ 全てのセンサー情報を外部サーバに転送する
④ 映像情報のみでの制御に特化している
Q68. Transformerモデルの「Layer Normalization」が果たす役割はどれか?
① モデル出力を一様分布に変換する
② 各層の出力を正規化し、学習を安定させる
③ 層の数を減らしてパラメータ数を削減する
④ 活性化関数の選定を自動化する
Q69. SHAPやLIMEに共通する課題として最も適切なものはどれか?
① 説明精度が常に高い
② 高次元データに対する計算負荷の大きさ
③ 正解ラベルを必要としない
④ センシティブ属性の処理が自動化されている
Q70. AIモデル開発において「データカスケード問題(Data Cascade)」が意味するものはどれか?
① データが複数のシステム間で複製されること
② データの前処理ミスが後工程に連鎖して悪影響を与える現象
③ データの圧縮率が高まりモデルが圧縮できなくなること
④ 入力データの欠損が予測精度を高めること
Q71. 強化学習の「探索と活用のジレンマ」に関連する選択戦略として適切なものはどれか?
① Backpropagation
② Softmax Exploration
③ Layer Freezing
④ ReLU活性化関数
Q72. AI倫理における「モデル監査」の実施目的として最も適切なものはどれか?
① モデルの演算時間を短縮するため
② モデルの構成や出力が適切かを第三者視点で検証するため
③ モデルが法的拘束力を持つことを確認するため
④ 出力結果のPDF化を義務付けるため
Q73. 大規模言語モデル(LLM)の知識獲得の主な限界として正しいものはどれか?
① モデル構造が複雑すぎて学習できない
② 内部に記憶された知識の更新が困難
③ 入力トークン数が常に1である
④ 外部情報と連携できない構造である
Q74. 「モデル圧縮」において、パラメータ剪定(Pruning)が行う処理として正しいものはどれか?
① 学習率を自動で増減させる
② 重要度の低い重みを除去して軽量化する
③ 入力の次元を削減し精度を向上させる
④ 出力結果を再分類して性能を改善する
Q75. 教師なし学習の典型的な手法として適切なものはどれか?
① 強化学習
② k-meansクラスタリング
③ 線形回帰
④ サポートベクターマシン(SVM)
Q76. CNNにおける「ストライド」を増やした場合に得られる効果はどれか?
① 出力サイズが大きくなる
② 計算負荷が増加する
③ 出力の解像度が低くなる
④ モデルが過学習を起こしやすくなる
Q77. セマンティックセグメンテーションとインスタンスセグメンテーションの違いとして適切なものはどれか?
① 前者は物体の輪郭を検出し、後者はテキスト分類を行う
② 前者はピクセル単位でのクラス分類、後者は個別物体の区別を行う
③ 両者は同じ手法で構成される
④ セマンティックセグメンテーションは教師なしでのみ行われる
Q78. AIの判断が社会的に問題とされるケースにおいて「適正手続の原則」が重要となる理由はどれか?
① モデルのコードが最新であるかを確認するため
② データの暗号化が義務づけられているため
③ 利害関係者が意思決定に至る過程を検証可能にするため
④ 出力結果を学習者に明示するため
Q79. AI人材の育成において「T型人材」が求められる理由として正しいものはどれか?
① AI技術以外に専門性を持たない人材の育成が重要だから
② 複数分野に浅く関与することだけが重要とされているから
③ 一分野に深い専門性を持ちつつ他分野との連携ができる構造が望ましいから
④ 幅広い知識を持つ人材は専門的判断ができないから
Q80. AI開発プロジェクトにおける「PoC(Proof of Concept)」の主な目的はどれか?
① 商用化済み製品の売上検証
② 技術的な実現可能性を短期間で確認すること
③ 法規制の整合性を確保するための第三者監査
④ クライアント向けの広告施策立案
Q81. バイアス検出のための「公平性メトリクス」の中で、属性ごとに同じ誤分類率を目指す指標はどれか?
① Accuracy Parity
② Equal Opportunity
③ Equalized Odds
④ Demographic Parity
Q82. AIの倫理的原則としてOECDが示す5原則に含まれる内容で適切なものはどれか?
① 利益最大化と秘密保持の優先
② 責任の分散と利益相反の活用
③ 包摂性・説明責任・安全性などの社会的価値重視
④ AIの全自動性確保と独立性保持
Q83. LLMによる「幻覚(Hallucination)」の発生原因として適切なものはどれか?
① モデルのパラメータ数が少なすぎること
② 入力と出力の一貫性に対する制約が弱いこと
③ モデルが翻訳機能を持たないこと
④ 入力文が単語数制限を超えていること
Q84. AutoMLの目的として最も適切なものはどれか?
① モデル選定やハイパーパラメータ調整を自動化して効率化する
② GPUの性能を最大限活用する学習手法を提供する
③ 訓練データに対して過学習を促進する
④ 手動で特徴量を削除して性能を検証する
Q85. AI倫理の観点から「ブラックボックス化」の問題が最も懸念されるのはどの場面か?
① 製造業における不良品の予測
② SNSにおける広告の推薦
③ 医療診断に用いる予測モデル
④ 音声認識のノイズ除去処理
Q86. AI開発で用いられるオントロジーの役割として最も適切なものはどれか?
① 時系列データの可視化
② 意味的な情報の構造化と共有
③ 多次元データの自動圧縮
④ 音声データのスペクトル変換
Q87. 学習率(Learning Rate)を大きく設定した場合に生じるおそれがある現象はどれか?
① 勾配がゼロになり学習が進まなくなる
② 局所最適解に早く到達できる
③ 収束せず振動が継続する
④ 学習時間が極端に長くなる
Q88. 医療におけるXAI(説明可能AI)導入時に特に重要とされる要素はどれか?
① 入力データのノイズ除去精度
② 出力の精度よりも説明責任を優先する構成
③ 学習に使用するハードウェア性能
④ データをマスクする匿名化技術
Q89. LSTMと比較したGRUの特徴として最も適切なものはどれか?
① パラメータ数が多くなることで性能が向上する
② 内部状態を複数保持して長期記憶を実現する
③ ゲート構造を簡素化し計算効率を高めている
④ 正規化機構を用いて層を追加している
Q90. AIにおける説明責任の実務対応として不適切なものはどれか?
① 使用モデルの概要を外部文書で公表する
② 出力結果の根拠を可視化可能な形で提示する
③ 意思決定の全過程をログとして保存する
④ モデル開発チームの氏名を全公開する
Q91. LLMの出力品質を評価するために適切な指標はどれか?
① Top-1精度
② BLEUスコアやROUGEスコア
③ 平均勾配長
④ ニューラルネットの深さ
Q92. ファインチューニングにおいて「学習率ウォームアップ(warm-up)」を行う目的はどれか?
① 学習初期に急激な更新を避けて安定化させる
② モデル容量を一時的に削減する
③ 最終出力のスパース性を高める
④ データセット内のクラスバランスを均等化する
Q93. EDA(探索的データ分析)で最初に行うべき処理として最も適切なものはどれか?
① モデルの過学習度合いを計算する
② 入力データの可視化と分布の把握
③ 損失関数の最小値を求める
④ 誤差逆伝播による勾配更新
Q94. AIにおける「透明性」が法律と結びつく理由として最も適切なものはどれか?
① 説明できないAIは合法であるとみなされるから
② 判断過程が不明瞭なAIの利用は法的責任の所在が曖昧になるから
③ 透明性が高いと著作権を放棄できるから
④ 説明性があると監視体制を省略できるから
Q95. ディープラーニングにおける「重みの初期化」が学習に与える影響として正しいものはどれか?
① 学習精度に影響しないため無視してよい
② 適切でない初期化は学習の停滞や不安定化を招く
③ 初期化はどの層にも影響を与えない
④ 初期化は自動で調整されるため任意である
Q96. バイアス是正のための「事前調整(Pre-processing)」の特徴として適切なものはどれか?
① 学習後に結果を修正する方法
② モデルの損失関数に重みを加える方法
③ 入力データ自体を再構成し公平性を高める方法
④ 予測結果を検閲して制御する方法
Q97. アンサンブル学習の利点として正しいものはどれか?
① 過学習を必ず防げる
② 精度を落とす代わりに計算を簡素化する
③ 複数モデルの結果を組み合わせて精度向上を目指す
④ モデル選択を自動化する手法である
Q98. Transformerベースのモデルが自然言語処理で注目される理由として正しいものはどれか?
① 再帰構造を用いているから
② 文法ルールの自動推論ができるから
③ 並列処理が可能で長距離依存も扱えるから
④ 活性化関数にReLUを使用するから
Q99. AI開発における「再現性(Reproducibility)」確保のために必要な取り組みはどれか?
① プロジェクトの進捗を図にまとめる
② 学習コード・環境・パラメータなどを明示・保存する
③ 出力結果をスプレッドシートにまとめて配布する
④ データを都度再収集して比較する
Q100. 機械学習プロジェクトで「バリデーションデータ」が持つ役割として正しいものはどれか?
① モデルの評価を行う最終用データ
② 学習中の性能評価やハイパーパラメータ調整に使うデータ
③ 本番環境で利用する推論データ
④ 外れ値を検出するためだけのデータ
Q101. AI導入プロジェクトにおいて「スモールスタート」が推奨される主な理由はどれか?
① 全体予算を一括で確保するため
② 小規模でも本番と同じ精度が出ることを示すため
③ 初期段階でリスクや効果を小規模に検証できるため
④ 社内の全データを一度に統合できるため
Q102. AIが生成したコンテンツに関して、著作権法上の主要な課題として適切なものはどれか?
① 自動生成されたデータの修正が容易であること
② 著作権が自然人に帰属する前提があること
③ 生成物の商業利用が一律禁止されていること
④ AIが訓練中に使用するGPUの記録が必要であること
Q103. 機械学習モデルの評価指標として「F1スコア」が特に有効となるのはどのような状況か?
① 正例と負例の数が著しく不均衡な場合
② すべての予測が正解である場合
③ 出力が連続値である回帰タスクの場合
④ 多クラス分類で各クラスに均等な精度が求められる場合
Q104. AIガバナンスの一環として企業が策定する「AIポリシー」に最も求められる要素はどれか?
① 競合他社との差別化の徹底
② 自社AIシステムの運用目的と責任の明記
③ モデルの処理速度の最大化
④ ソフトウェアライセンスの更新頻度
Q105. 畳み込み層における「パディング(padding)」の目的として正しいものはどれか?
① 出力サイズを縮小するため
② 勾配計算の量を減らすため
③ 入力の端まで特徴を抽出できるようにするため
④ 活性化関数の効果を最大化するため
Q106. AIによる「属性推定」において最も重大な倫理的懸念はどれか?
① モデルサイズの増加
② 個人の同意なくセンシティブ情報を推定すること
③ 推定結果の精度が高いこと
④ 演算時間が長くなること
Q107. ハイパーパラメータの自動探索技術「ベイズ最適化」の特徴として最も適切なものはどれか?
① 全ての組合せを試行する方式
② ランダムに探索する手法
③ 過去の探索結果を用いて効率的に探索する方式
④ パラメータを固定値で使用する方式
Q108. TransformerのEncoder-Decoder構造において、Decoderが参照する情報として正しいものはどれか?
① 出力の各単語の意味関係のみ
② 入力系列の特徴表現と過去の出力系列
③ モデルのパラメータ分布のみ
④ 入力系列の長さとバッチサイズ
Q109. 大規模モデルの「蒸留(Distillation)」における教師モデルと生徒モデルの関係として適切なものはどれか?
① 生徒モデルが教師モデルの性能を上回るよう設計される
② 教師モデルの出力を参考に生徒モデルを学習させる
③ 両者は全く異なるデータセットで学習される
④ 教師モデルの出力は精度が不要である
Q110. 「AI倫理ガイドライン」の法的性質として最も適切なものはどれか?
① 全ての国で法的拘束力を持つ
② 民間企業に刑事罰を課す条項を含む
③ 原則として努力義務であり、法的拘束力は持たないことが多い
④ 専門家のみに適用されるガイドである
Q111. 画像処理における「転移学習」でよく利用される戦略として適切なものはどれか?
① 中間層を凍結し、出力層のみ学習する
② 入力層を入れ替えて学習する
③ 全層をランダムに初期化して学習する
④ ラベルを削除して学習を行う
Q112. モデルの「精度(Accuracy)」が高くても信頼性が低い状況として最も適切なものはどれか?
① 多クラス分類で精度が50%を下回る場合
② 精度が高いが、ある特定クラスに対して予測性能が極端に低い場合
③ モデルの学習時間が短すぎる場合
④ 出力ベクトルがすべて同一の値になる場合
Q113. 機械学習の交差検証法(Cross Validation)の主な目的として正しいものはどれか?
① 学習時間を短縮する
② ハイパーパラメータのチューニングを防ぐ
③ 過学習を防ぎ、汎化性能を安定的に評価する
④ ランダムにデータを削除する
Q114. 「差分プライバシー」において、ノイズを加える際の調整パラメータε(イプシロン)の意味として正しいものはどれか?
① ノイズの強度を制御し、プライバシー保護の度合いを示す
② モデルの出力速度を示す係数
③ 誤差逆伝播の重み係数
④ 出力データを正規分布に変換する関数
Q115. AIによる「自動要約」において、抽出型と生成型の主な違いとして最も適切なものはどれか?
① 抽出型は文を生成し、生成型は文を選択する
② 抽出型は入力文の一部をそのまま使用し、生成型は新たな文を生成する
③ 両者は完全に同じ手法で実装される
④ 生成型は教師なし学習のみで実装される
Q116. Vision Transformer(ViT)のパッチ分割処理の目的として最も適切なものはどれか?
① 入力画像のサイズを小さくするため
② CNNの代替としてトークン列として処理するため
③ ラベル情報を埋め込むため
④ 畳み込み演算の前処理として使用するため
Q117. 学習済みの深層モデルが「概念ドリフト」に直面した場合に必要な対応はどれか?
① 学習率を一時的に0にする
② モデルを新しいデータに基づき再学習・再調整する
③ モデルの全パラメータを削除して初期化する
④ 出力層を凍結して入力層のみ学習する
Q118. SHAP値の説明において、ゲーム理論に基づく価値分配と対応する概念はどれか?
① ナッシュ均衡
② シャープレイ値
③ モンテカルロ木探索
④ カルマンフィルタ
Q119. 法制度における「AI基本法」の主な目的として最も適切なものはどれか?
① AIモデルの国際販売を禁止する
② AIによる人権侵害を防ぎつつ産業振興を図る
③ 全AI技術を国家が管理する仕組みを作る
④ 公開されたモデルを強制的に非公開にする
Q120. AI開発において「ドキュメント整備」が果たす効果として最も適切なものはどれか?
① モデルの予測速度を高速化する
② 訓練データの記録を削除できる
③ プロジェクトの透明性と再現性を確保する
④ 評価指標のバイアスを隠蔽できる
Q121. 時系列データにおいて「季節性(Seasonality)」を考慮する主な理由はどれか?
① ノイズ除去の精度を高めるため
② 一定の周期的パターンが予測精度に影響を与えるため
③ 外れ値検出の閾値を調整するため
④ 学習時間を短縮するため
Q122. LLMにおける「コンテキスト長(Context Length)」の拡張が重要とされる理由はどれか?
① モデルの層を削減できるため
② 入力できる文字数を制限するため
③ より長い文脈を保持し一貫した出力を可能にするため
④ 誤差逆伝播の計算量を減らすため
Q123. AI活用における「入力データの説明変数選定」が重要とされる理由として最も適切なものはどれか?
① 必ず出力層のノイズ除去を可能にするため
② モデル精度や解釈性に大きな影響を与えるため
③ バッチサイズの最適化に関わるため
④ モデルを正則化しやすくするため
Q124. SHAP値の数式中で∣S∣!(∣N∣−∣S∣−1)!∣N∣!が持つ意味として適切なものはどれか?
① 特徴量の順番を反映する重み係数
② モデルの誤差確率を表す
③ 各予測値の信頼区間の幅を表す
④ 入力系列の長さの指標である
Q125. AIの「社会受容性」を高めるために企業が重視すべき活動として適切なものはどれか?
① モデルの収益性を高めることに集中する
② 法令遵守と説明責任を前提に透明性のある運用を行う
③ 機密性を確保するために全ての情報を非公開にする
④ 全てのAIモデルを社外に販売すること
Q126. バイアスを生まないデータ収集方法として最も適切なものはどれか?
① クラスごとの頻度に従ってサンプル数を変える
② センシティブ属性の偏りを含まないよう設計する
③ 特定グループのデータを除外して精度を高める
④ 低頻度クラスを削除して過学習を防止する
Q127. Transformerベースの時系列予測モデルにおいて「位置エンコーディング」を工夫する目的はどれか?
① 計算時間を減らすため
② 連続時間の変化を精密に表現し、予測精度を向上させるため
③ 出力の分類精度を最大化するため
④ 全てのデータに一意のラベルを付与するため
Q128. AIを活用した「製造ラインの異常検知システム」において最も考慮すべき事項はどれか?
① バッチサイズの最適化
② FN(False Negative)率の抑制
③ 正規化関数の選定
④ 出力ラベルのシャッフル
Q129. AIの出力結果に関して「XAI(説明可能AI)」の導入が不可欠とされる領域はどれか?
① テーマパークの来客予測
② SNS広告の表示順序最適化
③ 金融における与信判断モデル
④ 商品レビューの自動要約
Q130. 教師あり学習と教師なし学習の最も明確な違いはどれか?
① 前者は構造学習を行い、後者は行わない
② 教師あり学習はラベル付きデータを使用する
③ 教師なし学習は出力層を持たない
④ 教師あり学習は学習率が固定である
Q131. AIモデルの継続運用において「ログの記録・管理」が持つ重要な役割はどれか?
① モデルの推論速度を高速化するため
② モデル開発の精度を直接高めるため
③ 不具合発生時の原因追跡や監査に活用するため
④ GPUの消費量を減らすため
Q132. GANの「モード崩壊(Mode Collapse)」問題の特徴として最も適切なものはどれか?
① 出力が一様分布になる
② 複数パターンの画像を生成できなくなる
③ 全ての出力がランダムノイズになる
④ 識別器の損失関数が収束しない
Q133. AIの「学習済みモデルの再利用」が注目される主な理由はどれか?
① 新規モデルよりパラメータ数が多い
② 短期間・低コストで性能を実現できるため
③ 精度を犠牲にして高速化できるため
④ 学習データの公開を不要にするため
Q134. 法制度面での「リスクベースアプローチ」に該当する規制設計の特徴はどれか?
① すべてのAIに対して同一の規制を課す
② モデルの種類によってランダムに制限を設ける
③ リスクの大きさに応じて規制の厳格度を変える
④ AIの利用目的に関係なく使用を禁止する
Q135. 自然言語処理モデルの「トークン化」段階で生じる代表的な課題はどれか?
① 文脈情報の欠落
② データの欠損補完
③ 出力の確率分布化
④ 活性化関数の選定
Q136. BERTの双方向性(Bidirectionality)の利点として正しいものはどれか?
① 前方からのみ文脈を考慮することで高速化できる
② 生成処理に特化している
③ 文の前後の文脈を同時に学習できる
④ 文脈を無視して特徴量を抽出する
Q137. 畳み込みニューラルネットワーク(CNN)の「活性化関数」にReLUが広く使われる理由として正しいものはどれか?
① ネットワークの構造を削減できるため
② 負の出力を強調して分類精度を高めるため
③ 勾配消失を防ぎ、計算が効率的だから
④ 出力値が常に1に収束するため
Q138. AIによる「差別的出力」が発生する原因として最も関連が深いものはどれか?
① ノイズ除去の不足
② 学習データのバイアス
③ モデルサイズの小ささ
④ 学習回数の少なさ
Q139. 「正規化(Normalization)」の主な目的として最も適切なものはどれか?
① モデルの出力を二値に変換すること
② モデルの学習が安定しやすくなるようスケールを揃えること
③ 正則化の強度を調整すること
④ クラスのラベルを並べ替えること
Q140. AIによる業務自動化導入の判断基準として最も重視すべき観点はどれか?
① 人件費の即時削減効果
② 利用するデバイスの種類
③ 導入によるプロセス全体の最適化可能性
④ モデルの色彩表現力
Q141. AIモデルの「再学習」が必要となる主な理由として適切なものはどれか?
① 新しいハードウェアが導入されたため
② モデルのサイズが大きくなったため
③ 環境やデータ分布が変化し、予測精度が低下したため
④ 初期学習時の損失関数が誤っていたため
Q142. 多クラス分類において「マクロ平均(Macro Average)」を用いる主な利点はどれか?
① 全体の精度を高める
② 各クラスの影響を平等に扱うことができる
③ 高頻度クラスの精度を重視できる
④ 分類対象の数を減らせる
Q143. ディープラーニングモデルの「事前学習(Pre-training)」の利点として正しいものはどれか?
① モデルのバッチサイズが大きくなる
② ゼロから学習するより少ないデータで高性能が得られる
③ モデルの深さを浅くできる
④ 活性化関数の自動選択が可能になる
Q144. AIが生成した画像の真偽を検証するために活用される技術として適切なものはどれか?
① アンサンブル学習
② DeepFake検出技術
③ ノイズ除去アルゴリズム
④ CNNによる画像圧縮
Q145. 「探索的データ分析(EDA)」の目的として適切なものはどれか?
① 学習済みモデルの蒸留を行う
② ハイパーパラメータを最適化する
③ データの分布や関係性を視覚化・理解する
④ 正解ラベルのエラーを予測する
Q146. AIシステムにおける「フェイルセーフ設計」として正しい考え方はどれか?
① エラー時に全処理を強制終了させる設計
② 一部の誤作動時も被害が最小になるように設計する
③ 処理速度を最優先に設計する
④ 入力を制限して処理を単純化する
Q147. AIの「継続的学習(Continual Learning)」で課題となる現象はどれか?
① モデルの容量が固定されていること
② 破壊的忘却(Catastrophic Forgetting)が起きやすいこと
③ 損失関数が自動で変化すること
④ 出力ラベルの数が増加すること
Q148. AI活用プロジェクトにおいて「PoCフェーズ」で確認すべき事項として適切なものはどれか?
① 製品の広告戦略の有効性
② 技術的実現可能性とビジネスインパクト
③ 全機能のフル実装スケジュール
④ 法的手続きの完了状況
Q149. プライバシー保護技術の一つである「連合学習(Federated Learning)」の特徴として正しいものはどれか?
① 全データを中央に集約して学習を行う
② 各端末のモデル更新情報のみを共有する
③ モデル更新を必要としない学習方式である
④ 学習済みモデルの出力のみを保存する
Q150. Transformerベースのモデルで使用される「マルチヘッド注意(Multi-Head Attention)」の主な役割はどれか?
① 出力ベクトルのスパース性を高める
② 入力の次元数を削減する
③ 異なる情報の視点から並行して注意を計算する
④ 出力の平均値を固定する
Q151. モデルの公平性を高めるために設計段階で取り組むべきこととして最も適切なものはどれか?
① 出力ラベルの順序を変える
② データ設計段階でバイアスの有無を検証する
③ 正解ラベルの分布を変更する
④ 高精度モデルのみを選定する
Q152. AIプロジェクトにおける「MLOps」の導入効果として適切なものはどれか?
① アノテーション工数の削減
② モデルの精度低下を放置できる構造
③ デプロイ後も継続的に品質を保つ運用体制の構築
④ クラウド環境の削除機能の拡充
Q153. AIと人間の役割分担における「人間の最終判断権(Human-in-the-loop)」の意義として最も適切なものはどれか?
① モデル設計の自動化に必要
② AI判断の透明性を高めるために必須
③ 出力が常に正しいとみなせるようにする
④ 監視を不要にする設計に変更するため
Q154. AIシステムの誤作動が人命に関わる場合に求められる法的枠組みとして最も適切なものはどれか?
① 利益相反規定
② 民間標準化指針
③ 製造物責任法(PL法)
④ 情報公開制度
Q155. AI倫理の視点から「差別的予測結果」を防ぐ設計として不適切なものはどれか?
① 公平性メトリクスを設計時から導入する
② センシティブ属性を含む特徴量の寄与度を評価する
③ モデルの説明可能性を担保する
④ 性別に応じて異なるモデルを用意する
Q156. ディープラーニングモデルの過学習を検出する方法として適切なものはどれか?
① テストデータでの精度と学習データの精度を比較する
② 出力層の活性化関数を変更する
③ 入力データの単語数を調整する
④ バッチサイズを無限に設定する
Q157. AIシステムにおける「インシデント対応フロー」の整備が重要とされる理由はどれか?
① 法的制裁を回避するための情報非公開に役立つから
② セキュリティやバイアスなどの異常時に迅速な対応を可能にするから
③ AIシステムの学習能力を向上させるため
④ AIの開発速度を最大化するため
Q158. LLMの出力における「温度パラメータ(temperature)」の役割はどれか?
① 出力結果の長さを調整する
② 出力のランダム性を制御する
③ 学習率を一定に保つ
④ トークン化処理を省略する
Q159. 深層学習で「バッチサイズ」を小さく設定する主な効果として正しいものはどれか?
① 計算精度が常に向上する
② 決定境界の一般化性能が向上しやすい
③ モデルのサイズを縮小できる
④ 活性化関数を自動設定できる
Q160. AIの導入による「デジタル格差」の拡大が懸念される理由として最も適切なものはどれか?
① AIシステムが電力を消費するため
② 特定の地域や職業層にITリテラシー格差が存在するため
③ クラウド技術が普及していないから
④ モデルが説明可能であるから
チャレンジ問題 20問
Q1. あなたは病院のAI診断システム開発チームに所属している。画像診断モデルを導入するにあたり、患者の権利と診断根拠の説明義務が課題となっている。特に医師が診断判断の責任を負う状況下で、AIの透明性を確保する設計要件として最も妥当なものはどれか?
① Grad-CAMなどの可視化技術を導入し、予測根拠を画像で提示する
② SHAPによる属性貢献度分析を出力し、意思決定に役立てる
③ モデルの訓練データを全て開示し、患者に提示する体制を整える
④ モデル構造の詳細設計書を医師に配布し、システム理解を促進する
Q2. 金融機関が新たに融資判断にAIモデルを活用するにあたり、「説明責任」「差別防止」「適正手続」の3原則が問われた。AIモデルが予測値を出力するだけでなく、判断根拠と倫理的正当性が求められる状況で、最も総合的に妥当な対応はどれか?
① XAI手法を導入し、出力根拠を属性ごとに示す
② モデル評価時に公平性メトリクスを導入し、監査対象とする
③ 判断ルールを単純な線形回帰モデルに置き換える
④ モデル出力を人間が確認するフローを導入し、最終判断権を保持する
Q3. 生成AIを社内文章作成補助ツールとして導入した企業において、社外秘情報の漏洩や著作権違反の懸念が指摘された。以下のうち、技術的および運用的観点から最も現実的で妥当な対策はどれか?
① 入力テキストをすべて自動匿名化し、履歴に記録しない設計にする
② 生成文にクリエイティブ・コモンズライセンス情報を自動添付する
③ モデルの訓練データに社内データを含めないことを明示する
④ 利用時に外部出力内容をログ化し、内部監査フローに組み込む
Q4. あなたは公共交通の需要予測モデルを設計している。時間帯別・地域別の偏りが大きく、モデルに過剰な影響を与えてしまう恐れがある。公平性を確保しながら高精度な予測を行うために設計上考慮すべき対応として最も適切なのはどれか?
① 頻度の低い地域データのサンプリング率を増加させる
② 地域ごとに別モデルを用意し、合算結果で予測する
③ SHAPなどでバイアス源を明示し、事後補正を実施する
④ モデルの出力に地域別補正係数を掛ける仕組みとする
Q5. 拡散モデルを用いた画像生成システムにおいて、スコア関数の設計が出力品質に大きく影響することが確認された。特に逆拡散過程におけるθパラメータの影響を考慮しつつ、ユーザーによる意味的制御を実現するために適切な設計はどれか?
① θを固定し、意味ラベルに対応する潜在変数の補正項を追加する
② θに意味ラベル由来のベクトルを乗算して拡散初期化を制御する
③ スコア関数に意味カテゴリごとの損失加重を導入する
④ ユーザー入力を条件とした条件付き拡散を採用し、θに反映させる
Q6. 異常検知モデルを実務投入した工場ラインにおいて、誤検出による停止が多発している。現場からは「高感度すぎて現実的でない」との指摘がある。モデルを改善する際にFN率を抑えつつも実運用に即した対応策として最も妥当なものはどれか?
① 高精度分類器をエンコーダ付きの自己符号化器に置換する
② スコアのしきい値を調整し、警告と停止の2段階に分ける
③ データ正規化を省略し、ノイズに強い構成に変更する
④ 判定ロジックを完全に手動レビューに切り替える
Q7. EU AI Actにおいて「高リスクAIシステム」と分類される対象には、特定の義務が課される。その中で、技術文書(Technical Documentation)の構成要素として規定されている項目に含まれるものとして適切なのはどれか?
① 学習データセットに関する主観的所見
② モデル出力の視覚的インターフェース案
③ モデル構造とトレーニング手順の詳細記録
④ 経営層の意思決定に関する備忘録
Q8. 学習済み大規模言語モデルを業務対話エージェントに応用する際、ユーザーとの対話履歴がモデルの性能に影響する可能性が示唆されている。精度維持とプライバシー保護を両立するための構成として最も適切なのはどれか?
① 履歴を逐次消去し、その都度初期モデルを呼び出す方式
② 対話履歴をローカルに保存し、LLMの訓練には使用しない
③ ユーザー入力をランダム置換して匿名化処理する
④ 履歴を暗号化して中央サーバに送信し、逐次最適化を行う
Q9. あなたは医療現場にAI導入を提案する立場として、説明可能性・監査性・安全性の3要件を満たすモデル選定に取り組んでいる。選択肢の中で、これらの要件を最も満たしうる設計方針はどれか?
① 高精度な深層モデルを選定し、後からXAI技術を適用する
② 線形モデルや決定木など単純構造を優先し、可視化を強化する
③ すべての出力を医師がレビューする設計を徹底する
④ リスクの高い出力には自動的に反証文を生成する構成とする
Q10. 環境負荷低減を目指すAI政策立案において、生成AIモデルのCO2排出量評価が課題となっている。以下のうち、現実的かつ実務運用可能な評価指標として最も適切なのはどれか?
① モデルのパラメータ数と精度の相関分析
② GPUの消費電力量と稼働時間に基づく算出式
③ サーバ利用契約に基づくコストベース評価
④ モデル出力の誤差率に反比例する環境スコア
Q11. 多国籍企業がグローバル展開する製品にAI推薦システムを搭載した。EU域内ではAI Act、日本ではAI基本法が順守対象である。このとき、各国の法制度の整合性を保ちながら、差別防止と説明責任を国際的に担保する設計として最も現実的なものはどれか?
① EU内では説明機能を有効化し、日本ではログ収集のみ行う方式
② 各地域で異なるモデルを構築し、地域別に最適化した出力を返す方式
③ 国ごとにフェイルセーフ条件を設け、ローカル判断に切り替える方式
④ 共通ガバナンスレイヤーを設け、ローカル法制度に応じた出力制御を一元管理する方式
Q12. 医療機関において、AIが診断補助を行った結果、診断根拠に関する医師と患者の認識に齟齬が生じた。これを防ぐため、設計段階で考慮すべき要素として最も適切なものはどれか?
① モデル出力に確信度と対抗診断候補を併記し、患者向け説明を補助する設計
② 医師専用UIを設け、患者には出力結果のみを提供する構成
③ SHAPやLIMEを自動的にグラフ表示することを前提に設計する
④ モデル精度を最大化し、出力と医師判断の一致度を高める設計を優先する
Q13. マルチモーダルAIを導入した工場監視システムにおいて、映像と音声のズレが原因で誤判定が頻発している。このようなズレを補正するアプローチとして、実装現場で最も有効かつ実践的な対策はどれか?
① 各モダリティの時系列長を固定化して同期処理する
② 音声データを主軸とし、映像を補助的特徴量に変換する
③ 時間差のメタデータを付加し、Transformerで自己注意的に統合する
④ 誤検出を一定時間ごとに手動で修正し、微調整を行う
Q14. AIによる信用スコア評価を提供するSaaS事業者が、誤判定による金融差別を回避する責任を問われた。以下の対応のうち、最も法的・倫理的にバランスが取れた選択肢はどれか?
① 出力結果を二値ではなくスコア帯で表示し、人間判断を補助する
② モデルの判断根拠を公開し、ユーザーが異議を申し立てられる構成にする
③ 属性を無視したランダムフォレスト構成に置き換える
④ モデル出力の影響度を制限し、最終判断は外部委託する構成にする
Q15. モデルの「概念ドリフト」が業務システムに影響を与えている。半年以上前に訓練したモデルの精度が急激に劣化した。以下の対応策のうち、実運用面での継続性・品質保証の観点から最も妥当な選択はどれか?
① 定期的な再学習スケジュールと評価指標のモニタリングを自動化する
② 初期モデルの精度を記録し、それを閾値に設定して運用継続の可否を判定する
③ 概念ドリフト検知専用モデルを別途構築し、警告時にアラートを出す
④ 新しい入力に対して出力が変わらない場合は自動でモデルを凍結する
Q16. 高リスクシステムとして分類された自律運転ドローンに関して、EU AI Actが要求する「人的監視義務(Human Oversight)」の実務上の実現手段として最も妥当なものはどれか?
① 運行中は常時映像を記録し、後日レビュー可能とする設計
② 飛行中に人間が即時停止・切替え可能な介入手段を保持する設計
③ ドローンの機能をログ化し、全機能をソースコードとして開示する設計
④ 飛行前に専門家レビューを行い、飛行中はAI判断に一任する構成とする
Q17. 生成AIによる偽造コンテンツ検出のための国際標準が策定されつつある。以下のうち、標準化において実装可能性と偽装耐性の観点から最も現実的な要素技術はどれか?
① データ生成時のトークン配列構造をハッシュ化し、埋め込む手法
② 生成モデルごとに異なる透かしを画像に埋め込むデジタル透かし方式
③ 出力後に生成物を検査し、スコアで信頼度を表示するポスト判定方式
④ 外部のブラックリストと照合し、既知の偽情報にマッチさせる
Q18. あなたは自治体の防災AIシステムを構築しており、住民の属性情報(年齢・障害・居住地)をもとに避難誘導を支援する計画を進めている。以下の構成のうち、プライバシー保護と実効性の両立が最も高いものはどれか?
① 属性情報をクラウドで集中管理し、個別に最適な誘導パターンを送信する
② 属性情報をハッシュ化して端末ごとに記録し、分散誘導型AIに利用する
③ 属性情報を削除し、GPS位置情報のみで誘導パターンを決定する
④ 属性に応じた誘導指示をあらかじめ印刷して配布し、AIは使わない
Q19. 最新の研究において、RAG(Retrieval-Augmented Generation)の精度向上にNDCG@kが用いられている。この評価指標を選定する主な理由として最も妥当なものはどれか?
① 検索精度のランキング構造と人間の重要度判断を同時に反映できるため
② 高精度な検索結果の取得件数を直接カウントできるため
③ 検索語と出力文のBLEUスコアが高くなるため
④ クエリとドキュメントの長さの差を補正できるため
Q20. AIシステムが差別的判断を行った場合、責任所在の明確化が争点となることが多い。以下の設計ポリシーのうち、開発段階から説明責任と法的リスク分担を意識した構成として最も適切なのはどれか?
① 開発時から監査ログを設け、意思決定プロセスを記録する設計
② モデル構造を暗号化し、ブラックボックス化を前提とする設計
③ 出力のランダム性を上げて一律に対応しない方針を採る設計
④ モデル開発を外注化し、責任を委託先に移譲する契約構成
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。