G検定 無料練習問題（80問・解説つき）

Q1 AIとして研究されてきた技術が実現し、仕組みが分かると、それまでAIと考えられていたその技術が「単なる自動化であって知能ではない」とみなされるようになる現象を何というか。

• AI効果
• シンギュラリティ
• フレーム問題
• シンボルグラウンディング問題

正解：AI効果
AI効果は、AIとして実現された技術が「AIではない」とみなされるようになる現象です。シンギュラリティは技術的特異点（AIが人間の知能を超え、社会が予測できないほど変わる時点）、シンボルグラウンディング問題は記号とその指す実世界の意味を結び付けられない問題です。

Q2 処理能力に限りのあるAIが、いま行おうとしていることに関係のある事柄だけを選び出すのが難しい、という問題を何というか。

• 身体性
• フレーム問題
• 中国語の部屋
• 次元の呪い

正解：フレーム問題
フレーム問題は1969年にマッカーシーとヘイズが提起した問題で、現実の無数の事柄から関係あるものだけを枠（フレーム）で切り出すことの難しさを指します。中国語の部屋はサールによる、記号操作だけで「理解」しているといえるかを問う思考実験です。

Q3 機械と対話した人間が、相手が機械か人間かを見分けられなければ、その機械には知能があるとみなす、という判定方法を何というか。

• 中国語の部屋
• イライザ効果
• チューリングテスト
• モラベックのパラドックス

正解：チューリングテスト
チューリングテストは、アラン・チューリングが1950年の論文で提案した判定方法です。モラベックのパラドックスは「高度な推論より、幼児でもできる知覚や運動の方がコンピュータには難しい」という指摘です。

Q4 1980年代の第2次AIブームで中心となった技術として最も適切なものはどれか。

• 探索・推論による迷路やパズルの解決
• 専門家の知識をルールとして組み込んだエキスパートシステム
• 大量のデータから特徴を自動で学ぶディープラーニング
• 文章や画像を生成する大規模言語モデル

正解：専門家の知識をルールとして組み込んだエキスパートシステム
第1次ブーム（1950〜60年代）は探索・推論、第2次ブーム（1980年代）は知識表現とエキスパートシステム、第3次ブーム（2000年代〜。2010年代のディープラーニングの発展で本格化）は機械学習とディープラーニングが中心です。第2次ブームでは、知識をルールとして書き出す手間（知識獲得のボトルネック）が課題になりました。

Q5 ゲームの先読みでMini-Max法を使うとき、結果に影響しないことが分かった枝の評価を省いて計算量を減らす手法はどれか。

• 幅優先探索
• モンテカルロ法
• αβ法
• 深さ優先探索

正解：αβ法
αβ法は、Mini-Max法の探索中に「これ以上調べても選ばれない」と分かった枝を刈り込む（αカット・βカット）ことで計算量を減らします。モンテカルロ法は、ランダムに最後まで打ってみた結果の勝率で手を評価する方法です。

Q6 次のうち、教師なし学習に分類される手法はどれか。

• ロジスティック回帰
• サポートベクターマシン
• k-means法
• ランダムフォレスト

正解：k-means法
k-means法は、正解ラベルのないデータをk個のグループに分けるクラスタリング手法で、教師なし学習です。ほかの3つは正解ラベルを使って学ぶ教師あり学習です（ロジスティック回帰は名前に「回帰」とありますが分類に使われます）。

Q7 学習データや特徴量をランダムに選んで多数の決定木を作り、それらの多数決や平均で予測する手法はどれか。

• 勾配ブースティング
• ランダムフォレスト
• k近傍法
• 主成分分析

正解：ランダムフォレスト
ランダムフォレストは、バギング（データを復元抽出して複数のモデルを並列に学習）に特徴量のランダム選択を加えた手法です。勾配ブースティングは、前のモデルの誤りを補うように決定木を順番に追加していく手法です。

Q8 学習データでは高い精度が出るのに、未知のデータ（テストデータ）では精度が大きく下がる状態を何というか。

• 未学習
• 過学習
• データリーケージ
• 勾配消失

正解：過学習
過学習（オーバーフィッティング）は、学習データの細かいクセまで覚えてしまい、汎化性能が低い状態です。対策には、データを増やす、正則化、ドロップアウト、早期終了などがあります。未学習は学習データでも精度が低い状態です。

Q9 分類モデルの評価指標のうち、「陽性と予測したもののうち、実際に陽性だったものの割合」を表すのはどれか。

• 正解率（Accuracy）
• 適合率（Precision）
• 再現率（Recall）
• F値

正解：適合率（Precision）
適合率はTP÷（TP＋FP）です。再現率は「実際に陽性のもののうち、陽性と予測できた割合」でTP÷（TP＋FN）、F値は適合率と再現率の調和平均です。見逃しを減らしたい病気の検査などでは再現率が重視されます。

Q10 複数の選択肢から報酬を最大化するために、これまで良かった選択肢を選ぶ「活用」と、まだよく分からない選択肢を試す「探索」のバランスを取る問題設定を何というか。

• 多腕バンディット問題
• マルコフ決定過程
• 協調フィルタリング
• 交差検証

正解：多腕バンディット問題
多腕バンディット問題は、探索と活用のトレードオフを扱う代表的な問題設定で、ε-greedy法やUCB方策などで解きます。マルコフ決定過程は、次の状態が現在の状態と行動だけで決まるとする強化学習の枠組みです。

Q11【ケース】 あるモデルを学習させたところ、学習データに対する誤差も、検証データに対する誤差も、どちらも大きいままだった。この状態と対応として、最も適切なものはどれか。

• 未学習（バイアスが大きい）の可能性が高いので、より表現力の高いモデルにしたり、有効な特徴量を増やしたりする
• 過学習（バリアンスが大きい）の可能性が高いので、正則化を強めたり、ドロップアウトの割合を増やしたりする
• データリーケージが起きている可能性が高いので、学習データと検証データの分割をやり直す
• どちらの誤差も同じように大きいので汎化性能は高いといえ、このまま運用しても問題はない

正解：未学習（バイアスが大きい）の可能性が高いので、より表現力の高いモデルにしたり、有効な特徴量を増やしたりする
学習データでも誤差が大きいのは、モデルがデータの傾向を捉えきれていない未学習（高バイアス）の状態です。表現力の高いモデル、特徴量の追加、学習回数の見直しなどで対応します。学習データでは誤差が小さく、検証データでだけ大きい場合が過学習（高バリアンス）です。

Q12【ケース】 モデルのハイパーパラメータを調整する際、テストデータでの成績を見ながら何度も設定を変え、最も成績の良かった設定を採用した。この進め方の問題点として、最も適切なものはどれか。

• テストデータに合わせて調整したことになり、未知のデータでの性能を過大に評価してしまう
• ハイパーパラメータはデータから自動で学習されるため、調整すること自体が不要である
• テストデータを使うと学習時間が長くなりすぎる
• 特に問題はなく、テストデータで調整するのが一般的な方法である

正解：テストデータに合わせて調整したことになり、未知のデータでの性能を過大に評価してしまう
ハイパーパラメータの調整には検証データ（または交差検証）を使い、テストデータは最終的な性能評価に一度だけ使うのが原則です。テストデータを見ながら調整すると、テストデータに過剰に適合した設定を選んでしまい、評価が甘くなります。

Q13【ケース】 2つの2値分類モデルの性能を、陽性と判定する閾値の決め方に左右されずに比較したい。最も適した指標はどれか。

• AUC（ROC曲線の下の面積）
• 正解率（Accuracy）
• 平均二乗誤差（MSE）
• 決定係数（R²）

正解：AUC（ROC曲線の下の面積）
ROC曲線は、閾値を変えながら横軸に偽陽性率、縦軸に真陽性率をとった曲線で、その下の面積がAUCです。1に近いほど性能が良く、0.5はランダムな予測と同程度です。平均二乗誤差と決定係数は回帰の評価指標です。

Q14【ケース】 強化学習で、行動の価値を推定してから行動を選ぶのではなく、行動を選ぶ確率（方策）をパラメータで直接表し、得られる報酬の期待値が大きくなる方向にパラメータを更新する手法はどれか。

• 方策勾配法
• Q学習
• SARSA
• k-means法

正解：方策勾配法
方策勾配法は、連続的な行動を扱いやすいなどの利点があります。Q学習やSARSAは行動価値を推定して、その値をもとに行動を選ぶ価値ベースの手法です。方策と価値の両方を学ぶActor-Critic（A3Cなど）もあります。

Q15 入力が0以下なら0を、0より大きければ入力をそのまま出力する活性化関数はどれか。

• シグモイド関数
• tanh関数
• ReLU関数
• ソフトマックス関数

正解：ReLU関数
ReLU（Rectified Linear Unit）は、正の領域で微分が常に1になるため、シグモイド関数などに比べて勾配消失が起きにくく、中間層で広く使われています。

Q16 多クラス分類の出力層で使われ、各出力を0〜1の範囲かつ合計が1になるように変換して、確率として解釈できるようにする関数はどれか。

• ReLU関数
• ソフトマックス関数
• ステップ関数
• 恒等関数

正解：ソフトマックス関数
ソフトマックス関数は多クラス分類の出力層で使われ、誤差関数には交差エントロピーを組み合わせるのが一般的です。2クラス分類ではシグモイド関数、回帰では恒等関数（出力をそのまま使う）がよく使われます。

Q17 ニューラルネットワークの層を深くしたとき、誤差逆伝播で入力層に近い層ほど勾配が小さくなり、学習が進まなくなる問題を何というか。

• 勾配消失問題
• 過学習
• 局所最適解
• 次元の呪い

正解：勾配消失問題
誤差逆伝播では、出力層から入力層に向かって各層の勾配が掛け合わされていきます。1より小さい値が何度も掛け合わされると、入力層に近い層ほど勾配が小さくなり、重みがほとんど更新されなくなります。ReLUの利用、スキップ結合（ResNet）、バッチ正規化、適切な重みの初期値（Xavier・He）などが対策です。

Q18 学習時に一部のニューロンをランダムに無効化しながら学習し、過学習を抑える手法はどれか。

• バッチ正規化
• ドロップアウト
• 早期終了
• データ拡張

正解：ドロップアウト
ドロップアウトは、学習のたびに異なるネットワークを学習させることになり、アンサンブル学習に近い効果で汎化性能を高めます。推論時にはすべてのニューロンを使います。

Q19 モーメンタムとRMSpropの考え方を組み合わせた最適化手法で、ディープラーニングで広く使われているものはどれか。

• 確率的勾配降下法（SGD）
• AdaGrad
• Adam
• ニュートン法

正解：Adam
Adamは、勾配の移動平均（モーメンタムの考え方）と、勾配の2乗の移動平均（RMSpropの考え方）を使って、パラメータごとに学習率を調整します。AdaGradは過去の勾配の2乗の和で学習率を調整しますが、学習が進むと学習率が小さくなりすぎる欠点があり、それを改良したのがRMSpropです。

Q20 住宅の価格（連続値）を予測する回帰モデルを学習させるとき、代表的な誤差関数の一つはどれか。

• 平均二乗誤差
• 交差エントロピー誤差
• ヒンジ損失
• KLダイバージェンス

正解：平均二乗誤差
回帰では、予測値と正解の差の2乗の平均をとる平均二乗誤差がよく使われます。分類ではソフトマックス関数などと組み合わせた交差エントロピー誤差、SVMではヒンジ損失が使われます。KLダイバージェンスは2つの確率分布の違いを測る量で、VAEなどで使われます。

Q21 正則化の手法のうち、重みの絶対値の和をペナルティとして誤差関数に加えることで、一部の重みが0になりやすく、特徴量の選択のような効果があるものはどれか。

• L1正則化
• L2正則化
• ドロップアウト
• バッチ正規化

正解：L1正則化
L1正則化（ラッソ回帰で使われる）は不要な重みを0にしやすく、モデルを疎（スパース）にします。L2正則化（リッジ回帰で使われる）は重みの2乗の和をペナルティにし、重み全体を小さく抑えます。どちらも過学習を防ぐための手法です。

Q22【ケース】 ニューラルネットワークの学習中、学習データの誤差は下がり続けているが、検証データの誤差はある時点から上がり始めた。過学習を防ぐための対応として最も適切なものはどれか。

• 検証データの誤差が上がり始めたところで学習を打ち切る（早期終了）
• 学習データの誤差が0になるまで、学習をさらに続ける
• 検証データの誤差が下がるように、検証データも学習データに加える
• 学習率を大きくして、学習データの誤差をより速く下げる

正解：検証データの誤差が上がり始めたところで学習を打ち切る（早期終了）
検証データの誤差が上がり始めるのは、学習データに過剰に適合し始めたサイン（過学習）です。その時点で学習を止める早期終了（Early Stopping）は、シンプルで効果の高い過学習対策です。検証データを学習に使うと、正しく評価できなくなります。

Q23 畳み込みニューラルネットワーク（CNN）のプーリング層の説明として、最も適切なものはどれか。

• 特徴マップを縮小し、位置の小さなずれに強くする
• 入力にフィルタを適用して、エッジなどの特徴を抽出する
• 前の時刻の出力を、次の時刻の入力として使う
• 層の出力を、平均0・分散1になるように正規化する

正解：特徴マップを縮小し、位置の小さなずれに強くする
プーリング層は、領域内の最大値（最大値プーリング）や平均値（平均値プーリング）を取って特徴マップを縮小します。学習するパラメータを持たないのも特徴です。フィルタで特徴を抽出するのは畳み込み層、前の時刻の出力を使うのはRNN（回帰結合層）、平均0・分散1に整えるのはバッチ正規化などの正規化層です。

Q24 Transformerの特徴として、最も適切なものはどれか。

• 再帰構造を使わず、Self-Attentionで系列内の要素どうしの関係を捉えるため、並列に計算しやすい
• 畳み込み層だけで構成されており、画像認識の用途に特化して設計されたモデルである
• 系列を1要素ずつ順番に処理する再帰構造を持つため、長い文章ほど高速に処理できる
• 単語の位置の情報を加える必要がなく、単語の順序をモデルが自動的に扱うことができる

正解：再帰構造を使わず、Self-Attentionで系列内の要素どうしの関係を捉えるため、並列に計算しやすい
TransformerはRNNのような再帰構造を使わず、Self-Attentionによって系列内の要素どうしの関係を捉えるため、特に学習時に系列方向の計算を並列化しやすい構造を持ちます（GPTのような自己回帰型の生成では、推論時にトークンを1つずつ順番に生成します）。Self-Attentionだけでは単語の順序が分からないため、位置エンコーディングで位置の情報を加えます。2017年の論文「Attention Is All You Need」で提案され、BERTやGPTのもとになったモデルです。

Q25 RNNが長い系列の情報を保持しにくい問題を、入力ゲート・出力ゲート・忘却ゲートとセルを使って緩和したモデルはどれか。

• LSTM
• GRU
• ResNet
• VAE

正解：LSTM
LSTM（Long Short-Term Memory）は、3つのゲートでセルに情報を書き込む・読み出す・忘れるを制御します。GRUはLSTMを簡略化したモデルで、リセットゲートと更新ゲートの2つを使います。

Q26 層を飛び越えて入力を後ろの層の出力に足し合わせる「スキップ結合」を使い、各層が入力との差分（残差）を学習するようにすることで、非常に深いネットワークでも学習しやすくしたモデルはどれか。

• AlexNet
• VGG
• ResNet
• YOLO

正解：ResNet
ResNetは、残差学習とスキップ結合によって勾配が伝わりやすくなり、深いネットワークの最適化を容易にしたモデルです（2015年のILSVRCでは152層のモデルで優勝）。AlexNetは2012年に同コンテストで圧勝し、第3次AIブームのきっかけになったモデルです。

Q27 機械翻訳のモデルで、出力する単語を生成するたびに、入力文のどの単語に注目するかを重み付けして参照する仕組みを何というか。

• Attention（注意機構）
• プーリング
• ドロップアウト
• スキップ結合

正解：Attention（注意機構）
Attentionは、入力の各要素にどれだけ注目するかを重みとして計算し、必要な情報を取り出す仕組みです。入力系列と出力系列の間で使うものをCross-Attention（クロスアテンション）、同じ系列内の要素どうしの関係を捉えるものをSelf-Attentionと呼びます。

Q28 Transformerで使われる、Attentionを複数並列に計算し、それぞれが異なる観点から系列内の関係を捉えられるようにした仕組みはどれか。

• Multi-Head Attention
• 位置エンコーディング（Positional Encoding）
• レイヤー正規化（Layer Normalization）
• 残差接続（Residual Connection）

正解：Multi-Head Attention
Multi-Head Attentionは、Query・Key・Valueをそれぞれ複数の組（ヘッド）に分けてAttentionを並列に計算し、結果を結合します。これにより、文法的な関係や意味的な関係など、異なる種類の関係を同時に捉えられます。

Q29 ミニバッチ単位ではなく、各サンプル（Transformerでは各トークン）の特徴量の方向について平均と分散を計算して正規化する手法で、Transformerなどで広く使われているものはどれか。

• レイヤー正規化
• バッチ正規化
• インスタンス正規化
• データの標準化

正解：レイヤー正規化
レイヤー正規化は、各サンプルの特徴量方向について平均と分散を計算して正規化する手法で、バッチサイズに依存しにくいためTransformerで広く使われています。バッチ正規化は、ミニバッチ内のサンプルをまたいで特徴ごとに正規化する手法です。

Q30 画像のデータ拡張の手法のうち、2枚の画像とそれぞれのラベルを、一定の比率で混ぜ合わせて新しい学習データを作るものはどれか。

• Mixup
• Cutout
• CutMix
• Random Erasing

正解：Mixup
Mixupは画像全体とラベルを比率で混ぜ合わせます。Cutoutは画像の一部を矩形で隠す手法、CutMixは一方の画像の一部を切り取ってもう一方に貼り付け、面積の比率でラベルも混ぜる手法です。いずれも学習データの多様性を増やして汎化性能を高めます。

Q31【ケース】 病院で、病変のある画像とない画像を分類するモデルを作りたいが、ラベル付きの画像は数百枚しかない。最も適切な進め方はどれか。

• 大量の画像で学習済みのモデルを使い、出力層を付け替えて、手元の少量のデータで追加学習する
• 手元の数百枚のデータだけを使い、パラメータ数の多い大規模なモデルをゼロから学習する
• ラベルを使わずに済むよう、教師なし学習のk-means法で画像を2つに分けて病変の有無を判定する
• データが少なく精度が出にくいので、テストデータも学習に加えて、同じテストデータで評価する

正解：大量の画像で学習済みのモデルを使い、出力層を付け替えて、手元の少量のデータで追加学習する
転移学習は、別のデータセットで学習したモデルの知識や特徴抽出の能力を、新しいタスクに利用する方法です。その代表的な方法の一つが、学習済みモデルのパラメータを追加学習して新しいタスクに適応させるファインチューニングです。少量のデータでゼロから大きなモデルを学習すると過学習しやすく、テストデータを学習に使うと正しく評価できなくなります。

Q32【ケース】 画像を小さなパッチに分割し、各パッチを文章中の単語のように並べてTransformerで処理する画像認識モデルはどれか。

• Vision Transformer（ViT）
• ResNet（残差ネットワーク）
• U-Net（セグメンテーション用CNN）
• YOLO（物体検出モデル）

正解：Vision Transformer（ViT）
Vision Transformer（ViT）は、画像をパッチに分割してTransformerで処理する画像認識モデルです。大規模なデータで学習することで高い性能を発揮できることが示され、画像認識にもTransformerが広く利用されるきっかけの一つとなりました。ResNetとU-NetはCNNベースのモデル、YOLOは物体検出モデルです。

Q33【ケース】 オートエンコーダの潜在変数を、平均と分散で表される確率分布として扱うことで、潜在空間からサンプリングして新しいデータを生成できるようにしたモデルはどれか。

• VAE（変分オートエンコーダ）
• GAN（敵対的生成ネットワーク）
• ResNet（残差ネットワーク）
• LSTM（長短期記憶）

正解：VAE（変分オートエンコーダ）
VAEのエンコーダは入力を潜在変数の分布（平均・分散）に写し、デコーダはそこからサンプリングした値からデータを復元します。潜在空間が連続的に整理されるため、新しいデータの生成に使えます。GANは生成器と識別器を競わせる別の生成モデルです。

Q34 画像認識のタスクと、その代表的なモデルの組み合わせとして正しいものはどれか。

• 物体検出 ― YOLO
• 画像分類 ― U-Net
• 物体検出 ― word2vec
• セマンティックセグメンテーション ― BERT

正解：物体検出 ― YOLO
YOLOは、画像内の物体の位置（バウンディングボックス）とクラスを1回の処理で同時に推定する物体検出モデルです。U-Netは画素ごとにクラスを分けるセグメンテーション、word2vecとBERTは自然言語処理のモデルです。

Q35 文中の一部の単語を隠し、前後の文脈から当てる（Masked Language Model）事前学習を用いた、Transformerのエンコーダをベースとするモデルはどれか。

• GPT
• BERT
• word2vec
• WaveNet

正解：BERT
BERTは文の前後両方向の文脈を使って学習するのが特徴です。GPTはTransformerのデコーダをベースに「次の単語を予測する」形で事前学習します。WaveNetは音声を生成するモデルです。

Q36 データを生成する「生成器」と、本物か生成されたものかを見分ける「識別器」を競わせるように学習するモデルはどれか。

• VAE
• GAN
• 拡散モデル
• オートエンコーダ

正解：GAN
GAN（敵対的生成ネットワーク）は2014年にグッドフェローらが提案しました。生成器は識別器をだませるように、識別器は見破れるように学習します。生成結果が似たものばかりになる「モード崩壊」が課題として知られています。

Q37 データに少しずつノイズを加えていく過程と、その逆にノイズを除去していく過程を利用し、ノイズから画像などを生成するモデルはどれか。

• 拡散モデル
• GAN
• CLIP
• DQN

正解：拡散モデル
拡散モデル（Diffusion Model）は、データに段階的にノイズを加える過程（拡散過程）と、その逆にノイズを除去していく過程を利用する生成モデルです。ノイズを加える過程はあらかじめ決まった手順で、学習では主にノイズを除去する逆の過程をモデルに学習させます。生成時はランダムなノイズから始めて、段階的にノイズを取り除いてデータを作ります。Stable Diffusionなど、現在の画像生成AIの中心となっている手法です。

Q38 大きく高性能なモデル（教師）の出力を目標にして、小さなモデル（生徒）を学習させ、性能をなるべく保ったままモデルを軽くする手法はどれか。

• 知識蒸留
• プルーニング
• 量子化
• 転移学習

正解：知識蒸留
知識蒸留（Distillation）は、教師モデルが出力する確率の分布なども使って生徒モデルに学ばせます。プルーニングは重要度の低い重みや結合を削る手法、量子化は重みなどを少ないビット数で表す手法で、いずれもモデルの軽量化に使われます。

Q39 大量の画像とテキストの組を使い、対応する画像と文章が近くなるように同じ空間に埋め込む（対照学習）ことで、学習していないクラスの画像分類（ゼロショット分類）もできるようにしたモデルはどれか。

• CLIP
• ResNet
• YOLO
• WaveNet

正解：CLIP
CLIPは画像とテキストを共通の埋め込み空間に写像し、画像と文章の対応関係を学習したモデルです（2021年にOpenAIが発表）。学習時に存在しなかったクラスについても、クラス名などのテキストとの類似度を利用して分類できるゼロショット分類が可能です。

Q40 生成AIが、もっともらしいが事実とは異なる内容を生成してしまう現象を何というか。

• ハルシネーション
• 破滅的忘却
• モード崩壊
• 過学習

正解：ハルシネーション
ハルシネーション（幻覚）は大規模言語モデルの大きな課題です。出典の確認や、RAGなどによって外部情報に基づく回答を促すことで、軽減を図ることができます（完全になくせるわけではありません）。破滅的忘却は、新しいタスクを学習すると以前に学習した内容を忘れてしまう現象です。

Q41 質問に関連する文書を外部のデータベースなどから検索し、その内容をプロンプトに加えて大規模言語モデルに回答を生成させる手法はどれか。

• RAG（検索拡張生成）
• RLHF
• ファインチューニング
• 知識蒸留

正解：RAG（検索拡張生成）
RAG（Retrieval-Augmented Generation）は、モデル自体を追加学習せずに、社内文書や最新の情報を回答に反映できるのが利点です。ファインチューニングは、追加のデータでモデルのパラメータ自体を更新する方法です。

Q42 人間による評価（どちらの回答が好ましいかなどの選好）を利用して報酬モデルを構築し、その報酬を用いた強化学習などによって、大規模言語モデルの出力を人間の意図に近づける手法はどれか。

• RLHF
• RAG
• Chain-of-Thought
• LoRA

正解：RLHF
RLHF（Reinforcement Learning from Human Feedback：人間のフィードバックによる強化学習）は、対話型AIを有用で安全な応答をするよう調整する手法として広く知られています。なお、現在のLLMの調整（ポストトレーニング）には、DPOなどRLHF以外の手法も使われています。LoRAは、少ない追加パラメータで効率よくファインチューニングする手法です。

Q43 プロンプトの中に課題の例をいくつか示すことで、モデルのパラメータを更新せずに新しいタスクをこなさせる方法を何というか。

• Few-shotプロンプティング
• ファインチューニング
• 転移学習
• 知識蒸留

正解：Few-shotプロンプティング
プロンプトに示す例の数によって、Zero-shot（例なし）・One-shot（1つ）・Few-shot（いくつか）と呼び分けます。大規模言語モデルが、このように文脈（プロンプト）内の例からタスクをこなす能力・学習形式をインコンテキスト学習と呼び、Few-shotプロンプティングはその一例です。ほかの3つはいずれもパラメータを更新する学習です。

Q44 単語を数百次元程度のベクトル（分散表現）で表し、「王 − 男性 ＋ 女性 ≒ 女王」のような意味の計算ができることで知られる手法はどれか。

• word2vec
• Bag-of-Words
• TF-IDF
• n-gram

正解：word2vec
word2vecは、周辺の単語から中心の単語を予測する（CBOW）、または中心の単語から周辺の単語を予測する（skip-gram）ことで、意味の近い単語が近いベクトルになるように学習します。Bag-of-WordsやTF-IDFは単語の出現回数などにもとづく表現で、単語の意味の近さは表せません。

Q45 物体検出の手法のうち、まず物体がありそうな領域の候補を提案するネットワーク（RPN）で候補を出し、その後に各候補を分類する「2段階型」の代表的なモデルはどれか。

• Faster R-CNN
• YOLO
• SSD
• U-Net

正解：Faster R-CNN
Faster R-CNNは、領域の候補の提案と分類を2段階で行うため精度が高い一方、処理に時間がかかる傾向があります。YOLOやSSDは位置とクラスを1回の処理で同時に推定する1段階型で、高速に動作します。U-Netはセグメンテーションのモデルです。

Q46 画像の画素ごとにクラスを割り当てる際、同じクラス（例：人）の物体が複数あっても、1人ひとりを別の個体として区別して領域を分けるタスクはどれか。

• インスタンスセグメンテーション
• セマンティックセグメンテーション
• 画像分類
• 姿勢推定

正解：インスタンスセグメンテーション
セマンティックセグメンテーションは画素ごとにクラスを割り当てますが、同じクラスの個体は区別しません。インスタンスセグメンテーションは個体ごとに区別します（Mask R-CNNなど）。両方を組み合わせたものをパノプティックセグメンテーションと呼びます。

Q47 大量かつ多様なデータで事前学習され、ファインチューニングやプロンプトによって、さまざまな下流タスクに適応できる大規模なモデルを総称して何というか。

• 基盤モデル（Foundation Model）
• エキスパートシステム（Expert System）
• 決定木（Decision Tree）
• オートエンコーダ（Autoencoder）

正解：基盤モデル（Foundation Model）
基盤モデルは、大規模言語モデルや、画像とテキストを扱うマルチモーダルモデルなどを含む概念です。1つのモデルを多くの用途に使い回せる一方、学習に膨大な計算資源が必要なことや、偏りやハルシネーションなどの課題も指摘されています。

Q48【ケース】 企業内の規程を参照して回答する生成AIシステムを構築したい。規程は頻繁に更新されるため、モデル自体を再学習するのではなく、質問に関連する最新の規程を検索してプロンプトに追加する方式を採用した。この方式として最も適切なものはどれか。

• RAG（検索拡張生成）
• ファインチューニング
• RLHF
• 知識蒸留

正解：RAG（検索拡張生成）
RAGは、検索した文書をプロンプトに加えて回答を生成させる方式で、モデルの再学習なしに最新の情報を反映できます。ファインチューニングはモデルのパラメータ自体を更新するため、規程が変わるたびに学習し直す必要があります。RLHFは人間の選好で出力を調整する手法、知識蒸留はモデルを軽量化する手法です。

Q49【ケース】 大規模言語モデルを自社の文体に合わせて調整したいが、すべてのパラメータを更新するだけの計算資源がない。元の重みは固定したまま、小さな低ランクの行列を追加して、その部分だけを学習する手法として最も適切なものはどれか。

• LoRA
• 知識蒸留
• RAG
• プルーニング

正解：LoRA
LoRA（Low-Rank Adaptation）は、学習するパラメータを大幅に減らせるため、少ない計算資源とメモリでファインチューニングできます。画像生成AIのキャラクターや画風の追加学習にも広く使われています。

Q50【ケース】 学習済みモデルをスマートフォンで動かしたい。モデルの構造は変えずに、重みなどを表す数値のビット数を減らして（例：32ビット浮動小数点を8ビット整数に）、メモリ使用量と計算量を削減したい。この手法はどれか。

• 量子化
• 知識蒸留
• プルーニング
• データ拡張

正解：量子化
量子化は、精度の低下を抑えながらモデルを小さく・速くする手法で、エッジデバイスやパソコンでの大規模言語モデルの実行にも使われます。蒸留は小さなモデルに学ばせ直す手法、プルーニングは重要度の低い重みや結合を削る手法です。

Q51【ケース】 言語モデルの性能（損失）が、パラメータ数・学習データ量・計算量を増やすにつれて、べき乗則に従って予測可能な形で改善していくという経験則を何というか。

• スケーリング則
• ムーアの法則
• 次元の呪い
• ノーフリーランチ定理

正解：スケーリング則
スケーリング則は、モデルのパラメータ数、学習データ量、計算量などを増やしたときのモデル性能との関係について、べき乗則に近い規則性が観測されるという経験則です。大規模モデルの開発や、学習に使う計算量の配分を考える際の重要な指針となっています。ムーアの法則は半導体の集積度の向上、次元の呪いは次元が増えるほど必要なデータ量が急増する問題、ノーフリーランチ定理は「あらゆる問題で最良のアルゴリズムは存在しない」という定理です。

Q52【ケース】 テレビゲームの画面の画像を入力として、CNNで各行動の価値（Q値）を推定し、経験再生とターゲットネットワークによって学習を安定させ、人間並みのスコアを達成した手法はどれか。

• DQN
• A3C
• AlphaGo
• PPO

正解：DQN
DQN（Deep Q-Network）は、Q学習にディープラーニングを組み合わせた、Q値を推定する価値ベースの深層強化学習の手法です。経験再生は過去の経験をためてランダムに取り出して学習する仕組み、ターゲットネットワークは学習の目標値を安定させるための仕組みです。A3CはActor-Critic型、PPOは方策最適化に基づく手法で、DQNとは異なる系統の手法です。

Q53【ケース】 音声認識の前処理として、人間の聴覚の特性に合わせた尺度で音声の周波数の特徴を表し、声の特徴（声道の形など）を捉えるためによく使われてきた特徴量はどれか。

• MFCC（メル周波数ケプストラム係数）
• TF-IDF
• word2vec
• Bag-of-Words

正解：MFCC（メル周波数ケプストラム係数）
MFCCは、人間の聴覚特性を考慮したメル尺度をもとに計算する特徴量で、音声認識などで長く使われてきました。TF-IDF・word2vec・Bag-of-Wordsは、いずれも文章（テキスト）を数値で表す手法です。

Q54【ケース】 画像とその画像に関する質問文を入力すると、「写真の中に犬は何匹いますか？」→「2匹」のように答えを返すシステムを作りたい。このタスクとして最も適切なものはどれか。

• VQA（Visual Question Answering）
• Image Captioning（画像キャプション生成）
• 物体検出（Object Detection）
• 音声認識（Speech Recognition）

正解：VQA（Visual Question Answering）
VQAは、画像と言語の両方を扱うマルチモーダルなタスクです。Image Captioningは画像の内容を説明する文章を生成するタスクで、質問には答えません。近年は、画像とテキストの両方を入力できる大規模なマルチモーダルモデルで、こうしたタスクをまとめて扱えるようになっています。

Q55【ケース】 CNNベースの画像分類モデルで犬と猫を分類したところ、テストデータでは高精度だったが、判断の根拠を可視化すると、犬の画像では動物ではなく背景の雪景色に注目していた。この確認に使われる手法と、分かったこととして最も適切なものはどれか。

• Grad-CAMで可視化し、背景の雪景色に依存していると分かった
• SHAPで調べ、学習画像の枚数が足りないと分かった
• k-means法で分け、ラベルの誤りが多いと分かった
• ドロップアウトで調べ、勾配消失が起きていると分かった

正解：Grad-CAMで可視化し、背景の雪景色に依存していると分かった
Grad-CAMは、CNNが画像のどこに注目して判断したかをヒートマップで示す手法です。この例のように、学習データの偏り（犬の写真に雪景色が多いなど）を手がかりにしてしまうと、雪のない場所の犬を正しく判断できません。説明可能性の手法は、こうした問題の発見にも役立ちます。

Q56 モデルの学習に、本来は予測する時点では使えないはずの情報（正解に関わる情報など）が混ざってしまい、評価の結果が実力以上に良く出てしまう問題を何というか。

• データリーケージ
• サンプリングバイアス
• アノテーション
• コンセプトドリフト

正解：データリーケージ
データリーケージ（情報漏洩）が起きると、検証では高精度でも実運用で精度が出ません。時系列データで未来の情報を学習に使ってしまう場合などが典型です。コンセプトドリフトは、運用中にデータと予測対象の関係が変わってしまう現象です。

Q57 データ分析プロジェクトの進め方を示したプロセスモデル「CRISP-DM」で、最初に行うフェーズはどれか。

• ビジネスの理解
• データの準備
• モデリング
• 展開

正解：ビジネスの理解
CRISP-DMは「ビジネスの理解 → データの理解 → データの準備 → モデリング → 評価 → 展開」の6つのフェーズからなり、必要に応じて前のフェーズに戻りながら進めます。何を解決したいのかを最初に明確にすることが重視されています。

Q58 8個のデータ 2, 4, 4, 4, 5, 5, 7, 9 の標準偏差（母集団の標準偏差）はいくつか。

• 2
• 4
• 5
• 32

正解：2
平均は40÷8＝5です。各データと平均の差の2乗は 9, 1, 1, 1, 0, 0, 4, 16 で合計32、これを8で割った分散は4、標準偏差はその平方根で2です。5は平均、4は分散、32は偏差の2乗の合計です。

Q59【ケース】 クレジットカードの不正利用を検知するモデルを作った。評価用データのうち不正は0.1%しかなく、すべてを「正常」と予測しても正解率は99.9%になる。このモデルの評価についての説明として、最も適切なものはどれか。

• 不均衡なデータでは、正解率が高くても不正を見逃している可能性があるため、再現率や適合率なども確認すべきである
• 正解率が99.9%と十分に高いため、不正を見逃している可能性は低く、このまま実用に使える性能だと判断してよい
• 不正のデータが少なく評価が不安定になるため、評価には件数の多い学習データをそのまま使うのが適切である
• 不均衡なデータでは一般的な評価指標は意味を持たないため、予測結果を人が一件ずつ目で確認するしかない

正解：不均衡なデータでは、正解率が高くても不正を見逃している可能性があるため、再現率や適合率なども確認すべきである
クラスの比率が大きく偏った不均衡データでは、多数派を当てるだけで正解率が高くなります。見逃し（偽陰性）が問題になる不正検知では、再現率や適合率、F値、PR曲線などで評価します。学習データで評価すると汎化性能が分かりません。

Q60【ケース】 ECサイトの購入予測モデルを運用して1年が経ち、利用者の購買傾向が変わったことで精度が下がってきた。最も適切な対応はどれか。

• 本番環境での精度やデータの分布を継続的に監視し、必要に応じて新しいデータで再学習・再評価する仕組みを整える
• 一度テストデータで検証して合格したモデルなので、精度が下がっても変更せずにそのまま使い続ける
• 学習データを増やすため、これまでのテストデータも学習に加えたうえで、同じテストデータで再評価する
• 精度が下がった原因は調べずに、パラメータ数の多い、より大きなモデルに置き換えて精度の回復を図る

正解：本番環境での精度やデータの分布を継続的に監視し、必要に応じて新しいデータで再学習・再評価する仕組みを整える
運用中に入力データの分布（データドリフト）や、入力と予測対象の関係（コンセプトドリフト）が変化すると、モデルの性能が低下することがあります。こうした変化を監視し、必要に応じて再学習・再評価を行う仕組みは、開発から運用までを継続的に回すMLOpsの重要な要素です。

Q61【ケース】 画像認識モデルの学習データを作るため、画像に正解のラベルを付ける作業を複数の作業者に外注することになった。品質を保つための対応として最も適切なものはどれか。

• 判断に迷う例も含めたラベル付けの基準を文書で定め、作業者間で付け方のばらつきがないかを確認する
• 作業をできるだけ早く終えられるよう、ラベルの付け方は各作業者の判断にすべて任せる
• 作業者ごとに付け方が違っていても、データの件数さえ十分に多ければモデルへの影響は生じない
• 外注先の作業は信頼できるので、ラベル付けが終わった後は確認せずにそのまま学習に使う

正解：判断に迷う例も含めたラベル付けの基準を文書で定め、作業者間で付け方のばらつきがないかを確認する
学習データに正解のラベルなどを付ける作業をアノテーションと呼びます。基準があいまいだと作業者ごとに付け方がばらつき、モデルの性能が上がらない原因になります。基準書の整備、作業者間の一致率の確認、抜き取り検査などで品質を管理します。

Q62【ケース】 新サービスの需要を予測するため、自社アプリの利用者だけを対象にアンケートを集め、その結果を国内の消費者全体の傾向とみなしてモデルを作った。この進め方で最も懸念される問題はどれか。

• サンプリングバイアス
• 勾配消失
• データ拡張
• 次元の呪い

正解：サンプリングバイアス
データの集め方が偏っていて、対象とする集団（母集団）を正しく代表していないことをサンプリングバイアス（選択バイアス）と呼びます。自社アプリの利用者は、消費者全体とは年齢や関心が異なる可能性が高く、その結果を全体に当てはめると予測を誤ります。

Q63【ケース】 ある地域のデータで、アイスクリームの売上が多い日ほど水難事故の件数も多いという強い相関が見つかった。この結果の解釈として最も適切なものはどれか。

• 気温の高さという共通の要因が両方に影響している可能性があり、アイスクリームの売上が事故の原因だとは言えない
• これだけ相関が強いのだから、アイスクリームの販売を減らせば水難事故の件数も減らすことができる
• 相関係数が高いということは、どちらか一方が他方の原因になっていることを必ず意味している
• データの件数が十分に多ければ、相関があることを根拠に因果関係があると判断してよい

正解：気温の高さという共通の要因が両方に影響している可能性があり、アイスクリームの売上が事故の原因だとは言えない
2つの変数の両方に影響する第3の要因（この例では気温）を交絡因子と呼び、それによって生じる見かけ上の相関を疑似相関といいます。相関関係は因果関係を意味しません。因果関係を検討するには、ランダム化比較試験や、交絡を考慮した統計的な因果推論の手法などが用いられます。

Q64 日本の著作権法で、AIの学習のために著作物を利用することについての説明として、最も適切なものはどれか。

• 著作物に表現された思想や感情を享受することを目的としない情報解析などの利用は、原則として著作権者の許諾なく行えるが、著作権者の利益を不当に害する場合は除かれる
• AIの学習に著作物を使う場合は、目的にかかわらず必ず著作権者の許諾が必要である
• 営利目的でなければ、著作物をAIの学習に使うことも、学習した結果として元の作品とそっくりな画像を生成・販売することも自由である
• インターネットで公開されている著作物であれば、どのような使い方でも著作権は問題にならない

正解：著作物に表現された思想や感情を享受することを目的としない情報解析などの利用は、原則として著作権者の許諾なく行えるが、著作権者の利益を不当に害する場合は除かれる
著作権法30条の4では、著作物に表現された思想・感情を享受することを目的としない情報解析等について、一定の条件の下で著作権者の許諾なく利用できます。ただし、著作権者の利益を不当に害する場合は対象外となります。なお、AIによる学習が適法であっても、生成物の生成・利用の段階で、既存の著作物との類似性と依拠性が認められれば著作権侵害の問題が生じる場合があります。文化庁も「学習（開発）段階」と「生成・利用段階」を分けて整理しています。

Q65 個人情報保護法の「要配慮個人情報」に当たらないものはどれか。

• 病歴
• 犯罪の経歴
• 信条
• 年収

正解：年収
要配慮個人情報は、人種、信条、社会的身分、病歴、犯罪の経歴、犯罪により害を被った事実など、不当な差別や偏見が生じないよう特に配慮が必要な情報です。取得するには、原則としてあらかじめ本人の同意が必要です（法令に基づく場合などの例外があります）。年収は個人情報になりえますが、要配慮個人情報には含まれません。

Q66 不正競争防止法で「営業秘密」として保護されるための3つの要件に含まれないものはどれか。

• 秘密管理性
• 有用性
• 非公知性
• 新規性

正解：新規性
営業秘密の要件は、秘密として管理されていること（秘密管理性）、事業に役立つ情報であること（有用性）、一般に知られていないこと（非公知性）の3つです。新規性は特許の要件です。AIの学習済みモデルや学習用データも、要件を満たせば営業秘密として保護されます。

Q67 EUの一般データ保護規則（GDPR）の説明として、最も適切なものはどれか。

• EU域外の企業であっても、EU域内の個人に商品・サービスを提供する場合などには適用されることがある
• 日本の個人情報保護法をもとにEUが制定した規則で、日本の個人情報保護法の正式な英語名称でもある
• 違反しても制裁金などの罰則がなく、事業者に努力義務だけを定めたガイドラインである
• EU域外への個人データの移転は、十分性認定や契約などの条件があっても一切禁止されている

正解：EU域外の企業であっても、EU域内の個人に商品・サービスを提供する場合などには適用されることがある
GDPRは2018年に適用が始まったEUの規則です。EU域内に拠点を持つ事業者による処理のほか、EU域外の事業者でも、EU域内の個人に商品・サービスを提供する場合や、EU域内の個人の行動を監視する場合などには適用されます（域外適用）。違反には高額の制裁金があります。十分性認定を受けた国（日本も含む）への移転や、標準契約条項を使った移転などは認められています。

Q68【ケース】 経済産業省の「AI・データの利用に関する契約ガイドライン」では、学習済みモデルの性能が事前に分かりにくいというAI開発の特性をふまえ、段階を分けて進める「探索的段階型」の開発方式が提唱されている。その段階の順序として正しいものはどれか。

• アセスメント → PoC → 開発 → 追加学習
• 開発 → PoC → アセスメント → 追加学習
• PoC → 開発 → アセスメント → 追加学習
• 追加学習 → アセスメント → PoC → 開発

正解：アセスメント → PoC → 開発 → 追加学習
探索的段階型では、まず少量のデータでAI化の可能性を検討し（アセスメント）、次に実際のデータで学習済みモデルを試作して検証し（PoC）、そのうえで開発を行い、開発段階の後、必要に応じて追加学習を行います。各段階の結果を見て次に進むかを判断し、段階ごとに契約を結ぶことで、発注者と開発者の認識のずれを防ぎます。

Q69【ケース】 社内でAIによる分析に使うため、顧客データの氏名などを削除・置き換えて、他の情報と照合しない限り特定の個人を識別できないように加工した。個人情報保護法上、このように加工された情報で、利用目的の変更の制限が緩和される一方、原則として第三者への提供が禁止されているものはどれか。

• 仮名加工情報
• 匿名加工情報
• 要配慮個人情報
• 個人関連情報

正解：仮名加工情報
仮名加工情報は、2022年施行の改正で設けられた、主に事業者内部での分析に使うための制度です。匿名加工情報は、特定の個人を識別できず、元の個人情報に復元もできないように加工したもので、一定の手続きを踏めば本人の同意なく第三者に提供できます。

Q70【ケース】 学習済みモデルを組み込んだ新しい外観検査装置を開発し、特許を取得したいと考えている。特許の要件として適切でないものはどれか。

• 秘密管理性
• 新規性
• 進歩性
• 産業上の利用可能性

正解：秘密管理性
特許を受けるには、産業上利用できること、新しいこと（新規性）、その分野の専門家が容易に思いつかないこと（進歩性）などが必要です。秘密管理性は、不正競争防止法の「営業秘密」の要件です。特許は内容を公開する代わりに独占権を得る制度で、秘密にして守る営業秘密とは考え方が逆になります。

Q71【ケース】 競合する複数の企業が、販売価格について合意したうえで、同じ価格設定アルゴリズムを利用し、その結果として販売価格が事実上そろって高止まりした。この行為について最も問題となりうる法律はどれか。

• 独占禁止法
• 特許法
• 個人情報保護法
• 著作権法

正解：独占禁止法
事業者どうしが連絡を取り合って価格を決めるカルテル（不当な取引制限）は、独占禁止法で禁止されています。アルゴリズムを介して行われた場合でも、事業者間で意思の連絡があれば問題になりえます。公正取引委員会も、アルゴリズムやAIと競争政策の関係について検討を進めています。

Q72【ケース】 社員が業務で、外部の生成AIサービス（SaaS）に社外秘の資料を入力して要約させようとしている。入力する前に確認すべきこととして、最も適切なものはどれか。

• 利用規約などで、入力したデータがモデルの学習に使われるか、どのように保存・管理されるかを確認し、社内のルールに沿っているか確かめる
• 生成AIサービスは入力された内容を一切保存しないことが法律で義務付けられているため、特に確認する必要はない
• 出力される要約の内容が正確でありさえすれば、どのような種類のデータを入力するかを確認する必要はない
• 有料プランであれば、どのサービスでも入力データが学習に使われることは必ずないため、確認する必要はない

正解：利用規約などで、入力したデータがモデルの学習に使われるか、どのように保存・管理されるかを確認し、社内のルールに沿っているか確かめる
AIサービスの利用条件はサービスやプランによって異なり、入力データが学習に使われるか、保存期間、学習に使わない設定（オプトアウト）の有無などは、利用規約やプライバシーポリシーで確認する必要があります。秘密情報を入力すると、営業秘密としての保護（秘密管理性）や取引先との秘密保持契約（NDA）に影響するおそれもあります。

Q73 AIによる推薦（パーソナライズ）の結果、利用者の好みや考えに合う情報ばかりが表示され、異なる意見に触れにくくなる状態を何というか。

• フィルターバブル
• ディープフェイク
• アルゴリズムバイアス
• データ汚染

正解：フィルターバブル
フィルターバブルは、アルゴリズムの推薦によって、利用者が自分の好みに合う情報の泡に包まれたような状態になることです。似た考えの人どうしがSNSなどで意見を交わすうちに、その考えが強まっていく現象はエコーチェンバーと呼ばれます。

Q74 画像に人間には分からないほど小さなノイズを加えて、AIに誤った認識をさせる攻撃を何というか。

• 敵対的攻撃（Adversarial Attack）
• データ汚染（Data Poisoning）
• モデル抽出攻撃（Model Extraction）
• プロンプトインジェクション（Prompt Injection）

正解：敵対的攻撃（Adversarial Attack）
このようにAIをだますために細工された入力を「敵対的サンプル」と呼びます。データ汚染は学習データに悪意のあるデータを混ぜる攻撃、プロンプトインジェクションは生成AIへの指示に細工をして、意図しない動作をさせる攻撃です。

Q75 性別や人種などの属性をモデルの入力から外しても、住所の郵便番号などがそれらの属性と強く相関しているために、結果として差別的な予測になってしまうことがある。このような変数を何というか。

• 代理変数
• 説明変数
• ダミー変数
• 目的変数

正解：代理変数
代理変数（プロキシ変数）は、センシティブ属性の代わりになってしまう変数です。公平性を確保するには、センシティブ属性を除くだけでは不十分で、予測結果に属性ごとの偏りがないかを確認する必要があります。

Q76 AIのリスクの大きさに応じて規制の強さを変える考え方で、EUのAI規則（AI Act）などが採用しているものはどれか。

• リスクベースアプローチ
• プライバシー・バイ・デザイン
• セキュリティ・バイ・デザイン
• ソフトロー

正解：リスクベースアプローチ
EUのAI規則（AI Act）では、リスクに応じて規制を段階的に適用するリスクベースアプローチが採用されています。禁止されるAI、高リスクAI、透明性に関する義務の対象となるAI、最小限またはリスクがないAIなど、リスクに応じて求められる対応が異なります。2024年8月に発効し、義務は段階的に適用されています。ソフトローは法的拘束力のないガイドラインなど、プライバシー・バイ・デザインは設計の段階からプライバシー保護を組み込む考え方です。

Q77 AIと環境保護の観点から、大規模なAIモデルについて指摘されている課題として最も適切なものはどれか。

• 学習や運用に大量の計算資源と電力を必要とし、エネルギー消費や温室効果ガスの排出が増えること
• AIの計算には電力をほとんど使わないため、環境面で考慮すべき課題は特に存在しないこと
• モデルの規模が大きくなるほど、学習や運用に必要な消費電力は必ず小さくなっていくこと
• AIが環境に与える影響を評価することは、法律によって一律に禁止されていること

正解：学習や運用に大量の計算資源と電力を必要とし、エネルギー消費や温室効果ガスの排出が増えること
大規模なモデルの学習・運用には多くの電力が必要で、データセンターの冷却用の水の使用も課題とされています。モデルの軽量化（蒸留・量子化など）や計算の効率化、再生可能エネルギーの利用などが対策として挙げられます。

Q78 AIの導入によって業務の内容が変わる中で、従業員が新しい業務に必要なスキルを身につけ直すことを何というか。

• リスキリング
• オンボーディング
• ダウンサイジング
• アウトソーシング

正解：リスキリング
リスキリングは、AIなどの技術の変化に対応するための学び直しで、企業や国の施策としても重視されています。AIの普及は、一部の業務の自動化による雇用への影響とともに、新しい仕事を生む面もあり、労働政策の観点からも議論されています。オンボーディングは、新しく加わった人材が組織に定着するための支援です。

Q79【ケース】 表形式のデータで融資の可否を予測するモデルを運用している。審査に落ちた申込者に対して、どの特徴量（年収・勤続年数など）が予測にどの程度影響したかを、申込者ごとに示したい。最も適した手法はどれか。

• SHAP
• Grad-CAM
• ドロップアウト
• 主成分分析

正解：SHAP
SHAPは、ゲーム理論のシャープレイ値の考え方を使って、個々の予測に対する各特徴量の寄与を示す説明手法です（同様の目的でLIMEも使われます）。Grad-CAMは、画像分類のCNNが画像のどこに注目したかをヒートマップで示す手法です。説明可能性は、AIの透明性やアカウンタビリティの観点から重視されています。

Q80【ケース】 日本の「AI事業者ガイドライン」（総務省・経済産業省）は、AIに関わる事業者を役割に応じて分類し、それぞれが取り組むべき事項を整理している。その分類として正しいものはどれか。

• AI開発者・AI提供者・AI利用者
• AI研究者・AI販売者・消費者
• 国・地方自治体・民間企業
• 発注者・受注者・再委託先

正解：AI開発者・AI提供者・AI利用者
AI事業者ガイドラインは、既存の複数のガイドラインを統合して2024年4月に第1.0版が公表され、その後、第1.1版、第1.2版（2026年3月）へ更新されています。法的拘束力のないソフトローで、AI開発者・AI提供者・AI利用者の主体別に、人間中心・安全性・公平性・プライバシー保護・透明性・アカウンタビリティなどの観点からの取り組み事項が整理されています。