生成AIパスポート復習ノート
登録されている問題と解説をジャンル別に確認できます。クイズで間違えた内容の復習や、試験前の知識整理に利用してください。
1章
この範囲を15問解くAI（人工知能）
正解：B
- Aデータから自動的にパターンを見つけ出す学習方式
- B正解データと入力データのセットを使って学習する方式
- C試行錯誤を繰り返して最適な行動を学習する方式
- D人間の脳の構造をそのままコピーする学習方式
解説：教師あり学習は入力データと正解データ（教師データ）のペアを使ってAIを学習させる方式
正解：B
- Aコンピュータ・サイエンス
- Bアーティフィシャル・インテリジェンス
- Cマシン・ラーニング
- Dデジタル・コンピューティング
解説：1956年のダートマス会議でジョン・マッカーシーが「Artificial Intelligence（人工知能）」という用語を提唱した
正解：C
- A機械学習を使ってルールを自動生成する
- Bデータの統計分析に基づいて判断する
- C人間の専門家の知識をIF-THENルールで表現する
- Dニューラルネットワークでパターンを学習する
解説：ルールベースシステムは専門家の知識をIF 条件 THEN 結果の形式で表現し推論するシステムである
正解：B
- A症状データから患者グループを自動的に特定する
- B過去の診断結果付き患者データで新しい患者の診断を予測する
- C異常な症状を検出する
- D医療記録のキーワードを抽出する
解説：教師あり学習ではラベル付きデータが必要である
正解：D
- A株価の急激な変動パターンを検出する
- Bセンサーデータの異常を検出する
- C季節パターンを抽出する
- D過去の気象データから翌日の気温を予測する
解説：過去データと正解値を使って未来を予測する問題は時系列予測の教師あり学習である．天気予測や売上予測などが代表例である．
正解：B
- A異常事例を使って分類器を作る
- B正常データからの逸脱度で検出する
- C異常・正常ラベル付きデータで学習する
- D既知の異常パターンと照合する
解説：教師なし異常検知では正常データの分布を学習しそこから大きく外れるデータを異常と判断する方法がよく使われる
正解：C
- A線形回帰
- Bロジスティック回帰
- Ck-means法
- D決定木
解説：k-means法はデータをk個のグループに分割する代表的なクラスタリング（教師なし学習）アルゴリズムである．
正解：B
- Aデータ収集コスト削減
- B計算速度向上と過学習抑制
- C保存容量増加
- D特徴量増加
解説：次元削減では特徴量の数を減らすことで計算量削減・ノイズ削減・過学習防止といった効果が期待できる
正解：B
- A教師あり学習
- B強化学習
- C教師なし学習
- D転移学習
解説：強化学習ではエージェントが環境と相互作用し報酬を最大化する行動を試行錯誤で学習する
正解：B
- Aラベルなしデータのみ
- Bラベルあり と ラベルなしデータ
- Cラベルありのみ
- D報酬信号を使用
解説：半教師あり学習では少量のラベル付きデータ＋大量のラベルなしデータを組み合わせて学習する．ラベル付けコストを減らせる利点がある．
正解：C
- Aラベル付けが不要
- Bモデルが単純になる
- Cラベル付けコスト削減と性能向上
- D100%精度保証
解説：半教師あり学習ではラベル付けデータを減らしながらモデル性能を向上させることが期待できる．
正解：B
- A常に最良のアルゴリズムがある
- B全アルゴリズムは平均的に同じ性能
- C性能はデータ品質のみ依存
- D計算時間は複雑さに比例
解説：半教師あり学習ではラベル付けデータを減らしながらモデル性能を向上させることが期待できる．
正解：C
- A樹状突起は1本のみ
- B軸索は細胞体のみ接続
- C樹状突起が入力 軸索が出力
- Dシナプスは興奮性のみ
解説：生物のニューロンでは樹状突起 → 入力 軸索 → 出力という役割を持つ．人工ニューラルネットワークはこの仕組みをモデル化したもの．
正解：C
- A入力・重み・活性化関数
- Bバイアス・重み・出力
- C入力・重み・バイアス・活性化関数・出力
- D入力・活性化関数・出力
解説：人工ニューロンは入力 → 重み → バイアス → 活性化関数 → 出力の構造を持つ．これらを組み合わせてニューラルネットワークが構成される．
正解：B
- Aデータがない問題の解決
- Bパターン認識や分類
- C新しいハードウェアの製造
- D機械の修理
解説：ニューラルネットワークは画像認識音声認識文章分類などのパターン認識問題を得意とする．
正解：C
- Aデータが少ない予測
- Bルールベース判断
- C画像認識や自然言語処理
- D少量データ一般化
解説：ディープラーニングは大量データを使うパターン認識問題で高い性能を発揮する．代表例は画像認識音声認識自然言語処理．
正解：C
- Aデータ保存
- B入力正規化
- C入力信号の重要度調整
- D学習率制御
解説：重みは各入力の影響度を表すパラメータであり学習によって最適値に更新される．
正解：B
- Aアンダーフィッティング
- B過学習
- C正則化
- D交差検証
解説：過学習は訓練データに過度に適合してしまい未知データで性能が低下する状態を指す．
正解：C
- A特徴量追加
- B層数増加
- Cドロップアウト
- D学習率増加
解説：ドロップアウトは学習時にランダムにニューロンを無効化しモデルが特定の特徴に依存するのを防ぐ．
正解：C
- A暗号化容易
- B開発コスト増
- C学習時間短縮
- D言語選択増
解説：転移学習では既存の学習済みモデルを利用するため学習時間やデータ量を削減できる．
正解：D
- A出力結果
- B目的変数
- C前処理手法
- D予測や分類に使う入力変数
解説：特徴量とは予測や分類に使う入力変数のこと
正解：B
- A自己意識を持つ
- B特定タスクのみ解決
- C全問題解決
- D感情を持つ
解説：弱いAIは特定タスクに特化したAI
正解：C
- A倫理判断AI
- B哲学思考AI
- Cスパムメール検出
- D人間意識再現
解説：スパムメール検出は典型的な弱いAIの例
正解：B
- A特定分野のみ
- B人間のような意識
- C現在主流
- Dプログラム範囲のみ
解説：強いAIは人間のような知能や自己認識を持つ可能性のあるAI
正解：A
- Aアラン・チューリング
- Bジョン・マッカーシー
- Cマービン・ミンスキー
- Dレイ・カーツワイル
解説：チューリングは機械知能の可能性を提唱した研究者
正解：C
- Aディープラーニング
- Bエキスパートシステム
- C探索・推論
- D統計機械翻訳
解説：第一次AIブームは探索・推論研究が中心
正解：B
- Aコンピュータウイルス
- B技術限界
- C開発費高騰
- Dインターネット普及
解説：当時の技術では複雑な問題を解けずブームが終焉
正解：A
- A線形探索
- Bソート
- C圧縮
- D暗号化
解説：線形探索は最も基本的な探索アルゴリズム
正解：B
- A計算速度
- B知識獲得のボトルネック
- Cデータ不足
- D電力消費
解説：エキスパートシステムでは知識獲得のボトルネックが問題となった
正解：B
- Aディープラーニング
- Bエキスパートシステム
- C汎用AI
- D強化学習
解説：第二次AIブームの中心技術はエキスパートシステム
正解：C
- Aエキスパートシステムの発展
- Bニューラルネットワークの理論確立
- Cディープラーニングの実用化
- Dファジー理論の確立
解説：第三次AIブーム（2006年以降）の大きな特徴はディープラーニングの実用化である．大量データとGPUなどの計算能力の向上により画像認識や自然言語処理などで高い性能を発揮しAI技術の実用化が急速に進んだ．
正解：C
- Aビッグデータの利用可能性
- BGPUなどの計算能力の向上
- Cプログラミング言語COBOLの開発
- Dクラウドコンピューティングの発展
解説：第三次AIブームは主にビッグデータ・計算能力の向上（GPUなど）・クラウドインフラの発展によって支えられている。COBOLは古い業務系言語でありAIブームの要因とは関係がない。
正解：B
- A形態素解析
- Bトランスフォーマーアーキテクチャ
- C品詞タグ付け
- Dn-gramモデル
解説：2017年の論文 Attention Is All You Need で提案されたTransformerは自己注意（Self-Attention）機構を利用するモデルであり現在の自然言語処理の基盤となっている．GPTやBERTなど多くの生成AIモデルの基礎技術である．
正解：C
- AVolume（量）
- BVariety（多様性）
- CVision（視覚化）
- DVelocity（速度）
解説：Volume：データ量の多さ Variety：データの種類の多様性 Velocity：データ生成・処理の速度 Visionは3Vには含まれない．
正解：B
- Aデジタルトランスフォーメーション
- Bシンギュラリティ
- Cイノベーション
- Dムーアの法則
解説：シンギュラリティ（技術的特異点）とはAIが人間の知能を超え自己改良によって急速に進化する転換点を指す概念である．未来学者レイ・カーツワイルなどが提唱している．
正解：B
- Aフレーム問題
- BAI効果
- Cチューリングテスト
- Dモラベックのパラドックス）
解説：AI効果とはAIがある課題を解決すると人々がその課題を「知能を必要としないもの」と再評価してしまいAIの成果が過小評価される現象を指す．
正解：A
- AAIが将棋で人間に勝利したことで将棋は単純な計算ゲームだと評価されるようになった
- BAIが画像認識で失敗することがある
- CAIが自然言語を完全に理解できない
- DAIのプログラミングに時間がかかる
解説：AIが成功すると人々は「それは単なる計算だった」と評価を変えてしまうことがある．
正解：D
- A検索エンジンシステム
- Bスマートエアコン制御
- C自動運転技術
- Dチャットボットと音声認識アプリケーション
解説：レベル2のAIは特定分野で人間と基本的なやり取りができるAIでありチャットボットや音声認識が代表例である
正解：C
- A回転
- B反転
- C暗号化
- D明るさの調整
解説：データ拡張では回転や反転明るさ調整などで学習データを増やすが暗号化は用いられない
正解：B
- A特徴量ベクトル
- B潜在ベクトル
- C重みベクトル
- D入力ベクトル
解説：潜在ベクトルはデータの本質的特徴を保ちながら低次元で表現した数値列である
正解：B
- Aデータ拡張
- B正則化
- C勾配降下法
- Dバッチ正規化
解説：正則化はモデルの複雑さに制約を与え過学習を抑え汎化性能を向上させる手法である
正解：B
- A教師あり学習
- B教師なし学習
- C強化学習
- D半教師あり学習
解説：クラスタリングはラベルなしデータをグループ化する教師なし学習の代表的手法である
正解：B
- ACPU
- BGPU
- CHDD
- DROM
解説：GPUは並列計算に優れており大量の行列計算を必要とするディープラーニングに適している
正解：B
- Aバッチ正規化
- Bドロップアウト
- C早期終了
- DL2正則化
解説：ドロップアウトは一部のニューロンを無効化することで過学習を防ぐ手法である
正解：C
- Aアイザック・アシモフ
- Bレイ・カーツワイル
- Cヴァーナー・ヴィンジ
- Dニック・ボストロム
解説：ヴァーナー・ヴィンジが技術的特異点の概念を提唱した人物である
正解：A
- A神経細胞の働きを模倣したモデル
- B物理的な細胞
- C派生技術
- D脳の構成要素
解説：人工ニューロンは神経細胞の働きを数理モデルで再現したものである
正解：C
- Aチューリング
- Bシャノン
- Cマッカーシー
- Dウィーナー
解説：マッカーシーはAIという用語を生み出しダートマス会議を提案した
正解：C
- A行数
- Bメモリ量
- C計算時間複雑度
- D可読性
解説：計算時間の複雑度は入力サイズに対する処理時間の増加を評価する指標である
正解：B
- A予測精度の向上
- B適切なクラスター数の決定
- C過学習の防止
- D汎化性能の評価
解説：教師なし学習では正解ラベルが存在しないためクラスタリングにおいて適切なクラスタ数を決定することが重要となる
正解：C
- A学習時間が長い
- Bデータ量が多い
- Cネットワークの層が多い
- D計算コストが高い
解説：ディープラーニングの深さはニューラルネットワークの層の数を指す
正解：B
- Aモデルを複雑にする
- Bデータ拡張
- C学習率を上げる
- Dエポック数を増やす
解説：データ拡張は既存データを変換してデータ量を増やし過学習を防ぐ手法である
正解：C
- A学習速度向上
- B前処理
- C過学習防止
- D計算削減
解説：正則化はモデルの複雑さを抑え過学習を防ぐために用いられる
正解：C
- A大量データがある
- B全く新しい問題
- C類似タスクがある
- D構造変更が必要
解説：転移学習は既存モデルの知識を類似タスクに活用する場合に有効である
正解：C
- A性能不足
- B予算不足
- Cルールベースの限界
- D研究者不足
解説：エキスパートシステムの限界によりAI冬の時代が訪れた
正解：C
- A数値計算
- B映像処理
- C専門家の判断
- Dデータ保存
解説：専門知識をルール化して判断するため診断などに適している
正解：C
- A直線変化点
- B周期変動点
- C特異点
- D終着点
解説：技術進歩により予測困難になる転換点を指す
正解：D
- A2030年
- B2035年
- C2040年
- D2045年
解説：レイカーツワイルは2045年と予測している
正解：B
- A並列処理
- B正則化
- CRLHF
- Dドロップアウト
解説：正則化とドロップアウトが過学習抑制に有効
正解：B
- A大量データ必要
- Bルール増加で管理困難
- Cブラックボックス化
- D常時監視必要
解説：ルールが増えると管理や拡張が困難になる
正解：C
- Aラベルあり分類
- B連続値予測
- Cラベルなし分類
- D因果分析
解説：教師なし学習で類似データを分類する
正解：D
- A回転
- Bノイズ追加
- C明るさ調整
- D複雑合成
解説：一般的には簡単な変換を用いる
正解：C
- Aラベル豊富
- B未ラベルなし
- Cラベル取得困難
- D強化学習必要
解説：少量ラベルと大量未ラベルを組み合わせる
正解：B
- A期待上昇
- B普及でAIと呼ばれなくなる
- C倫理問題
- D特異点
解説：普及するとAIと認識されなくなる現象
正解：B
- A人間の感情や意識を完全に再現する技術
- B人間の知能を模倣・拡張する情報処理技術
- Cあらゆる問題を自律的に解決する存在
- Dロボットを必ず伴うシステム
解説：AIとはArtificial Intelligenceの略で、人間の知能を模倣・拡張する情報処理技術のことです。1956年のダートマス会議でジョン・マッカーシーが提唱しました。AIは感情の完全な再現を目的とせず、ロボットとも独立した概念です。
正解：C
- Aチューリング会議
- Bベル研究所会議
- Cダートマス会議
- Dスタンフォード会議
解説：1956年にアメリカのダートマス大学で開催されたダートマス会議で、ジョン・マッカーシーが「人工知能（Artificial Intelligence）」という用語を初めて提唱しました。この会議がAI研究の出発点とされています。
正解：B
- Aディープラーニングの普及
- B探索・推論を中心とした研究
- Cビッグデータの活用
- D強化学習の実用化
解説：第一次AIブーム（1950〜60年代）は、コンピュータによる探索や推論を中心とした研究が盛んでした。迷路や数学的問題を解くプログラムが注目されましたが、実社会への応用は限定的でした。
正解：B
- A深層学習
- Bエキスパートシステム
- CTransformerモデル
- DLLM（大規模言語モデル）
解説：第二次AIブーム（1980年代）では、専門知識をIF-THENルールとして組み込んだエキスパートシステムが主流でした。医療診断や金融分析などに活用されましたが、知識の記述コストが高く限界がありました。
正解：C
- AルールベースAIの発展
- Bダートマス会議の開催
- Cディープラーニングの技術的成功
- DAGIの実現
解説：2006年以降のディープラーニングの技術的成功（特に2012年の画像認識コンペImageNetでの劇的な精度向上）が第三次AIブームの主なきっかけとなりました。ビッグデータの活用も背景にあります。AGIはまだ実現していません。
正解：B
- A人間と同等の汎用的な知能をもつ
- B特定のタスクや領域に特化したAI
- C自我や意識をもつAI
- Dあらゆる分野で柔軟に応用できるAI
解説：ANI（Artificial Narrow Intelligence）は特定のタスクや領域に特化した弱いAIです。現在のAI（囲碁AI、画像認識AIなど）はすべてANIに分類されます。汎用的な知能をもつのはAGI（強いAI）です。
正解：C
- A現在すでに実用化されている
- B特定用途のみに使われる
- C人間並みの汎用的な知能をもつとされる
- Dルールベースで動作する
解説：AGI（Artificial General Intelligence）は人間と同等の汎用的知能を持つとされる強いAIです。複数のタスクや領域において柔軟に対応できる点が特徴ですが、現時点では実現しておらず研究段階にあります。
正解：B
- AAIが感情を獲得する瞬間
- BAIが人間の知能を超える転換点
- CAIが法律を自動制定する現象
- DAIが自己修復する仕組み
解説：シンギュラリティ（技術的特異点）とは、AIが人間の知能を超え、自律的に自己進化し始めるとされる転換点です。レイ・カーツワイルが2045年頃に到来すると予測しており「2045年問題」とも呼ばれます。
正解：B
- Aデータから自律的にパターンを学習する
- B人が事前にルールを定義して動作する
- C常に高い汎用性をもつ
- D過学習が発生しやすい
解説：ルールベースAIは、人間が事前に定義したIF-THENルールに基づいて動作します。ルールが明確な問題には有効ですが、想定外の状況への対応が難しく、知識の記述に多大なコストがかかります。データから自律的に学習するのは機械学習です。
正解：B
- Aルールを人がすべて記述して動作する
- Bデータからパターンを学習して予測・判断を行う
- C推論のみを行うシステムである
- D学習結果は保存されない
解説：機械学習は、コンピュータ自身がデータからパターンを見出して予測や判断を行う仕組みです。現在のAI開発の主流となっており、ディープラーニングは機械学習の一手法です。
正解：B
- A正解ラベルを使用しない
- B正解ラベル付きデータを用いて学習する
- C報酬シグナルのみを与える
- D強化学習の別名である
解説：教師あり学習は、入力データと正解ラベル（正解データ）のペアを使って学習する手法です。スパムメール検出、画像分類、音声認識などに広く活用されています。入力から正解を予測するモデルを構築します。
正解：B
- A正解率の最大化
- Bデータの構造的なパターンや特徴の発見
- C特定の行動に対する報酬の最大化
- D誤差逆伝播法による重みの更新
解説：教師なし学習は正解ラベルなしのデータから構造的パターンを見つけ出します。代表的な手法として、データをグループに分けるクラスタリングと、データの次元を削減する次元削減があります。
正解：B
- A正解データを大量に必要とする学習
- B報酬を基に最適な行動を学習する手法
- Cクラスタリング専用の学習手法
- D教師なし学習の一種である
解説：強化学習は「報酬」という目標を設定し、その報酬を最大化するために最適な行動をAIが試行錯誤しながら学習する手法です。囲碁AIのAlphaGoやゲームAIなどに活用されています。
正解：B
- A生体の神経細胞そのもの
- B人間の脳のニューロンの仕組みを数式でモデル化したもの
- CルールベースAIの構成部品
- Dデータベースの一種
解説：人工ニューロン（ノード）は、人間の脳の神経細胞（ニューロン）とシナプスの仕組みを数式でモデル化したものです。複数の入力を受け取り、重みづけして出力する構造を持ちます。ニューラルネットワークの基本単位です。
正解：B
- Aデータの保存容量
- B各入力信号の重要度・影響力を表す数値
- C学習に要した回数
- Dモデルの種類を識別する値
解説：重みはニューラルネットワークにおいて、各入力信号がどれだけ重要か（影響力）を表す数値です。学習（訓練）を通じて最適な重みに調整されることで、AIの精度が向上します。
正解：C
- A学習量が不十分な状態
- B未知データでも高い精度を保つ状態
- C訓練データに過剰に適合し未知データへの精度が低下した状態
- D学習が途中で強制終了する現象
解説：過学習とは、モデルが訓練データのノイズや細かい特徴まで覚えすぎた結果、学習に使っていない未知のデータに対して精度が大きく低下する状態です。モデルの汎化性能が失われた状態ともいえます。
正解：D
- A正則化（Regularization）
- Bドロップアウト（Dropout）
- Cアーリーストッピング（Early Stopping）
- D学習データの大量削除
解説：過学習を防ぐ手法として、正則化（重みを小さく抑える）、ドロップアウト（学習中にニューロンをランダムに無効化）、アーリーストッピング（精度が下がり始めたら学習を止める）があります。学習データを大量削除することは過学習対策ではなく、むしろ学習効果を損ないます。
正解：B
- A学習後にモデルのサイズを削減する処理
- B学習中にランダムで一部のニューロンを無効化することで過学習を防ぐ手法
- C学習データを削除して汎化性能を高める手法
- D出力層のみを調整する最適化手法
解説：ドロップアウトは、学習中にランダムで一部のニューロンを無効化（ドロップ）する手法です。特定のニューロンへの依存を防ぎ、モデルがより汎用的なパターンを学習するよう促します。テスト時は全ニューロンを使用します。
正解：B
- A学習結果を完全に初期化してゼロから再学習できる
- B少量のデータでも高性能なモデルを構築しやすい
- C過学習を必ず防ぐことができる
- Dルール定義が不要になる
解説：転移学習は、大量データで事前学習済みのモデルの知識を別のタスクに転用する手法です。少量の専用データでの追加学習だけで高い精度を達成できるため、コスト削減に有効です。画像認識モデルをベースに医療画像診断を行う例などがあります。
正解：B
- A物体の意味を言語で理解する
- B画像の各画素（ピクセル）情報を数値に変換する
- Cクラスタリングによるグループ分け
- Dテキスト翻訳処理
解説：AIの画像認識では、まず画像の各画素（ピクセル）のRGB色情報を数値（0〜255の整数）に変換します。その後、CNNなどのモデルが特徴を抽出し、最終的に分類・認識を行います。
正解：B
- A文章の構造を深く理解できるため
- B畳み込みにより画像の局所的な特徴を効率よく抽出できるため
- Cルールを自動生成するため
- D教師なし学習で動作するため
解説：CNN（Convolutional Neural Network、畳み込みニューラルネットワーク）は、畳み込みという処理によってエッジ・テクスチャ・形状などの局所的な特徴を段階的かつ効率よく抽出できます。画像の位置変化にも頑健です。
正解：B
- Aディープラーニングはすべての問題で最良の手法である
- B問題ごとに最適な学習アルゴリズムは異なる
- Cデータ量が多ければ万能なモデルが存在する
- D教師あり学習が常に最も精度が高い
解説：ノーフリーランチ定理は「どの問題にも万能で汎用的な学習アルゴリズムは存在しない」という考え方です。ある問題に優れた手法でも、別の問題では劣ることがあるため、問題に応じて最適な手法を選ぶことが重要です。
正解：B
- AAIが感情をもつ現象
- BAIが特定タスクをうまく解決すると「AIでなくなった」と見なされる現象
- CAIが制御不能になる現象
- DAIが法的主体として認められること
解説：AI効果とは、AIが特定のタスク（例：チェス、翻訳）を解決できるようになると、「それは単純な計算にすぎない」「本当の知能ではない」と評価される現象です。常にゴールポストが動き続けるパラドックスともいえます。
正解：B
- A特徴量を人が必ず手動で設計する
- B多層ニューラルネットワークを用いてデータから自動的に特徴を抽出する
- CルールベースAIの一種である
- D学習に少量データのみで十分である
解説：ディープラーニングは、多数の層で構成されたニューラルネットワークを使い、大量のデータから自動的に特徴を抽出する技術です。画像認識・音声認識・自然言語処理などで人間に匹敵する精度を実現しています。
正解：C
- AルールベースAI
- B機械学習全般
- Cディープラーニング（特にTransformer）
- Dリレーショナルデータベース
解説：生成AIはディープラーニング、特にTransformerアーキテクチャを基盤としています。Transformerの自己注意機構（Self-Attention）が、大規模なテキスト・画像データの学習を可能にしました。
正解：B
- A画像を自動的に生成する技術
- Bコンピュータが人間の言語を理解・生成・操作する技術
- C音声のみを処理する専門技術
- D数値計算に特化した技術
解説：NLP（Natural Language Processing、自然言語処理）は、コンピュータが人間の言語（テキスト・音声）を理解し、生成し、翻訳・要約・感情分析などを行う技術です。ChatGPTなどのAIの核心技術です。
正解：B
- A人が記述したルールに基づいて文章を生成する
- B次に出現する単語の確率を予測することで文章を生成する
- C画像の特徴から文章を抽出する
- D強化学習の報酬を最大化して文章を生成する
解説：LLM（Large Language Model）は大量のテキストデータで事前学習（プレトレーニング）され、次に出現する単語の確率を予測することで文章を生成します。統計的なパターン学習が基盤です。
正解：C
- A文章の要約
- B外国語への翻訳
- C学習時点以降の最新情報の保証
- Dビジネスメールの作成
解説：テキスト生成AIは学習データの時点以降の最新情報を持っていません（知識カットオフ）。また、厳密な文字数指定や複雑な数値計算も苦手です。要約・翻訳・文章作成は得意な分野です。
正解：B
- AAIは常に誤った回答を出力するから
- Bハルシネーション（誤情報の生成）や学習データのバイアスが含まれる可能性があるから
- CAIは学習をしていないから
- DAIの出力はランダムで再現性がないから
解説：AIの出力にはハルシネーション（事実でない情報をもっともらしく生成する現象）や、学習データに含まれる偏り（バイアス）が反映される可能性があります。人間によるファクトチェックと批判的検証が重要です。
正解：C
- AAIの出力を完全に信頼して活用する
- BAIを使用しないことで誤りを防ぐ
- CAIの出力を批判的に検証・確認してから利用する
- DAIの出力をそのまま公開・利用する
解説：AIリテラシーで最も重要なのは、AIの出力を鵜呑みにせず批判的に検証する姿勢（クリティカルシンキング）です。ハルシネーションやバイアスの可能性を常に念頭に置き、事実確認を行うことが求められます。
正解：C
- A学習に要した時間のみ
- B訓練データに対する精度のみ
- C学習に使っていない未知データへの汎化性能
- Dモデルのパラメータ数
解説：機械学習モデルの本当の性能は、学習に使っていない未知データに対する予測精度（汎化性能）で評価されます。訓練データだけの高精度は過学習を示す可能性があり、実用上の信頼性を示しません。
正解：B
- A処理速度のみ
- B人間中心・公平性・安全性・透明性
- Cモデルのパラメータ数
- D最新のバージョンへの更新頻度
解説：AIの社会活用では、人間中心の設計、公平性（差別・偏見の排除）、安全性・セキュリティの確保、透明性、アカウンタビリティが重要な観点です。これらはAI社会原則の核心でもあります。
正解：B
- A処理速度が著しく低下する
- Bハルシネーションによる誤情報を見抜けず誤った判断を下す
- C電力消費量が増加する
- DAIの学習処理が停止する
解説：AIの判断を過信すると、ハルシネーション（AIが事実でない情報をもっともらしく生成する現象）や偏ったアウトプットを見抜けず、誤った意思決定を行うリスクがあります。人間による検証が不可欠です。
正解：B
- A強化学習定理
- Bノーフリーランチ定理
- Cディープラーニング理論
- D転移学習の法則
解説：ノーフリーランチ定理は「どの問題にも万能な学習アルゴリズムは存在しない」ことを数学的に示した定理です。AIが特定タスクに優れていても他のタスクでは限界があることを理解する根拠となります。
正解：C
- A正解ラベルありデータのみを使用する
- B正解ラベルなしデータのみを使用する
- C少量のラベルありデータと大量のラベルなしデータを組み合わせて学習する
- D報酬に基づいて最適な行動を学習する
解説：半教師あり学習は、ラベル付きデータ（少量）とラベルなしデータ（大量）を組み合わせて学習する手法です。ラベル付けにかかるコストを抑えながら高い精度を目指せます。教師あり学習と教師なし学習の中間的な手法です。
正解：A
- A人間の知的活動をコンピュータなどで実現しようとする技術や研究領域
- B必ず人間と同じ意識を持つ機械
- C物理的な身体を持つロボットだけを指す言葉
- Dインターネット上の検索サービスのみを指す言葉
解説：AIは人間の知的活動を機械で実現しようとする技術や研究領域を指す．ロボットや検索サービスだけに限定されない．
正解：A
- Aダートマス会議
- Bベルリン会議
- C京都議定書
- Dブレトンウッズ会議
解説：1956年のダートマス会議はAIという研究分野の出発点としてよく扱われる．
正解：A
- AAIは知的処理を担う技術であり物理的な身体を必ず必要としない
- BAIは必ず腕や脚を持つ機械である
- Cロボットは必ず人工知能を搭載している
- DAIとロボットは完全に同じ意味である
解説：AIは判断や認識などの知的処理を担う技術でありソフトウェアとして存在できる．ロボットは物理的な機械装置を指す場合が多い．
正解：A
- A人間があらかじめ設定した規則に基づいて判断する仕組み
- B大量データから必ず自動的に特徴を学習する仕組み
- C人間の脳を完全に再現した仕組み
- D未知の状況でも常に最適解を出す仕組み
解説：ルールベースは人間が定義したif-thenのような規則に従って処理する方式である．
正解：A
- Aデータからパターンや規則性を学習し予測や分類に利用する技術
- B人間が全ての判断規則を手作業で書く技術
- Cインターネット上の情報を表示するだけの技術
- D物理的なロボットを組み立てる技術
解説：機械学習はデータを使ってモデルがパターンを学習し未知データへの予測や分類を行う技術である．
正解：A
- A訓練データを用いてパラメータが調整済みのモデル
- B一度もデータを使っていない空のプログラム
- C人間が読むためだけの説明文
- Dコンピュータの画面表示だけを制御する仕組み
解説：学習済みモデルは訓練によって内部の重みなどが調整され特定のタスクに利用できる状態のモデルである．
正解：A
- A入力データと正解ラベルを用いて学習する
- B正解ラベルを一切使わずデータの構造を見つける
- C報酬だけを使って行動を改善する
- D人間がルールを全て手書きする
解説：教師あり学習は入力と正解の組を使って分類や回帰などを学習する．
正解：A
- A顧客データを似た特徴ごとのグループに分ける
- B画像と正解ラベルを使って犬と猫を分類する
- Cゲームで得点が高くなる行動を報酬で学習する
- D全ての判断規則を人間が記述する
解説：教師なし学習は正解ラベルなしでデータの構造やまとまりを見つける．クラスタリングが代表例である．
正解：A
- Aデータを特徴の近さに基づいてグループ化する手法
- B正解ラベルに合わせて分類器を訓練する手法
- C画像の解像度を上げるだけの手法
- D文章を必ず英語に翻訳する手法
解説：クラスタリングは類似したデータを同じグループにまとめる教師なし学習の代表的手法である．
正解：A
- A多くの特徴量をより少ない特徴量に圧縮し扱いやすくする
- Bデータを必ず削除して学習不能にする
- C正解ラベルを自動的に作成する
- Dロボットの部品数を減らす
解説：次元削減は高次元データの情報をできるだけ保ちながら低次元に変換し可視化や分析をしやすくする手法である．
正解：A
- A行動の結果として得られる報酬をもとにより良い行動を学習する
- B正解ラベルのみを使って分類規則を学習する
- Cデータの近さだけでグループを作る
- D人間が設定した規則だけで動作する
解説：強化学習はエージェントが環境と相互作用し報酬を最大化するように行動を改善する学習方式である．
正解：A
- A少量のラベル付きデータと大量のラベルなしデータを組み合わせて学習する
- B正解ラベルだけを大量に使う学習
- C報酬だけを使う学習
- D一切のデータを使わない学習
解説：半教師あり学習はラベル付きデータが少ない場合にラベルなしデータも活用して学習性能を高める方法である．
正解：A
- Aあらゆる問題に常に最良となる万能な学習アルゴリズムは存在しないという考え方
- B無料で使えるAIは性能が低いという法則
- Cデータが多いほど必ず性能が上がるという法則
- DAIは食事を必要としないという説明
解説：ノーフリーランチ定理は全ての問題に対して常に優れた単一のアルゴリズムはないことを示す考え方である．
正解：A
- A人工ニューロンを層状につなぎデータの特徴を学習するモデル
- B人間の脳を完全に複製した生体組織
- Cインターネット回線の接続方式だけを指す用語
- Dルールを表形式で保存するだけの仕組み
解説：ニューラルネットワークは人工ニューロンを接続し重みを調整しながら入力と出力の関係を学習するモデルである．
正解：A
- A入力を受け取り重み付けして出力を計算する基本単位
- Bコンピュータの外部記憶装置
- Cロボットの関節部品
- D人間が読む説明書
解説：人工ニューロンはニューラルネットワーク内で入力値を受け取り重みなどを用いて出力を計算する基本単位である．
正解：A
- Aノード間の結合や重み
- Bコンピュータの電源コード
- C学習データの保存場所
- D画面上のボタン
解説：生物のシナプスに相当するものとして人工ニューラルネットワークではノード間の結合やその強さを表す重みが扱われる．
正解：A
- A入力信号の重要度を調整する数値
- B学習データのファイルサイズだけを示す値
- CAIの物理的な重さ
- D画面の明るさを表す値
解説：重みは入力が出力にどの程度影響するかを調整する値であり学習によって更新される．
正解：A
- A多層のニューラルネットワークを用いて特徴を段階的に学習する技術
- B人間が全ての規則を手書きする技術
- C単純な表計算だけを行う技術
- Dインターネット検索結果を並べるだけの技術
解説：ディープラーニングは多層ニューラルネットワークを使いデータから複雑な特徴表現を学習する手法である．
正解：A
- A画像中の色や形や輪郭などの特徴を学習し分類や検出に利用する
- B画像を人間が必ず1枚ずつ説明文に変換する
- C画像のファイル名だけで内容を必ず判断する
- D画像認識では学習データを一切使わない
解説：画像認識では画素や輪郭などから特徴を抽出しモデルが対象の分類や検出を行う．
正解：A
- A訓練データに適合しすぎて未知データへの性能が低下する状態
- B学習時間が短すぎて何も覚えていない状態
- CAIが人間より多く勉強すること
- Dデータを暗号化すること
解説：過学習は訓練データの細部やノイズまで覚えすぎて汎化性能が下がる状態である．
正解：A
- A正則化
- Bフィッシング
- Cスミッシング
- Dベイト攻撃
解説：正則化はモデルの複雑さを抑えて過学習を防ぐために用いられる手法である．
正解：A
- A学習時に一部のノードを無効化して過学習を抑える手法
- B学習済みモデルを完全に削除する操作
- Cネットワーク回線を切断する処理
- D正解ラベルを必ず消去する手法
解説：ドロップアウトはニューラルネットワークの一部ノードをランダムに無効化し特定の経路への依存を抑える正則化手法である．
正解：A
- Aモデルが複雑になりすぎることを抑え汎化性能を高める
- Bデータをすべて正解に変換する
- CAIを物理的に軽くする
- D画像を必ず白黒にする
解説：正則化はモデルの過度な複雑化を抑え未知データに対する性能を高めるために使われる．
正解：A
- Aあるタスクで学習したモデルや知識を別の関連タスクに活用する手法
- B学習データを別のパソコンへ移すだけの作業
- CAIの権利を他者に譲渡する法律手続き
- Dルールベースを完全に禁止する手法
解説：転移学習は既存の学習済みモデルを別のタスクに再利用することで少ないデータでも性能向上を狙う手法である．
正解：A
- A単純な制御プログラム
- B探索や推論を行う古典的AI
- C機械学習を取り入れたAI
- D特徴量を自ら学習するディープラーニング
解説：AIのレベル分類では単純な制御プログラムからより高度な学習を行うAIへ段階的に整理される．
正解：A
- Aレベル4
- Bレベル1
- Cレベル0
- Dレベル2
解説：AIの4つのレベルではディープラーニングにより特徴量を自ら学習するものが高度なレベルとして扱われる．
正解：A
- Aデータを識別や予測に使うための注目すべき性質や値
- BAIの価格を表す数値
- Cコンピュータの重量
- Dネットワーク速度だけを表す値
解説：特徴量はモデルが判断するために利用するデータの性質や変数である．
正解：A
- A特定の課題や用途に特化して能力を発揮するAI
- B人間と同等以上の汎用知能を必ず持つAI
- C感情と意識を持つことが定義上必須のAI
- D全ての仕事を単独で完全にこなすAI
解説：弱いAIまたはANIは特定のタスクに特化して動作するAIを指す．現在実用化されている多くのAIが該当する．
正解：A
- A人間のように幅広い知的課題に対応できる汎用的なAI
- B画像分類だけに特化したAI
- C表計算ソフトの関数
- D物理的なロボットアームだけを指す言葉
解説：強いAIまたはAGIは特定タスクに限らず幅広い知的課題に対応できる汎用人工知能を指す概念である．
正解：A
- A探索と推論
- Bディープラーニングとビッグデータ
- CGANとTransformer
- DRAGとAIエージェント
解説：第一次AIブームでは迷路探索や定理証明のような探索と推論が中心的に扱われた．
正解：A
- Aエキスパートシステム
- Bディープラーニング
- C自己注意機構
- DRAG
解説：第二次AIブームでは専門家の知識をルール化して推論するエキスパートシステムが注目された．
正解：A
- Aビッグデータと計算能力の向上と機械学習の発展
- B紙の辞書の普及
- C電話交換機の発明
- D手書き帳票の増加
解説：第三次AIブームはビッグデータや計算資源の向上と機械学習・ディープラーニングの発展によって進んだ．
正解：A
- A可能な選択肢や状態の中から目的に合う解を探すこと
- B画像の色を必ず変更すること
- C正解ラベルを削除すること
- Dコンピュータを物理的に移動すること
解説：探索は問題解決のために可能な状態や手順をたどり解を見つける方法である．
正解：A
- A既知の知識や規則から新しい結論を導くこと
- Bデータを圧縮して保存するだけのこと
- C画像を拡大すること
- DAIをインストールすること
解説：推論は与えられた知識や条件に基づいて結論を導き出す処理である．
正解：A
- A専門家の知識をルールとして蓄積し推論に利用するシステム
- B人間の感情を完全に再現するシステム
- C画像生成専用のニューラルネットワーク
- D報酬だけで行動を学習するシステム
解説：エキスパートシステムは専門家の知識をルール化し推論エンジンで判断する仕組みで第二次AIブームを代表する．
正解：A
- A期待された成果が得られずAI研究への投資や関心が低下した時期
- BAIが寒冷地で使えなくなる現象
- C冬季だけAIの性能が上がる現象
- DAIが冷却装置を必要とすること
解説：AIの冬は過度な期待に対して実用面の成果が不十分だったことなどから研究資金や関心が停滞した時期を指す．
正解：A
- A大量のデータを用いて機械学習モデルを高精度に訓練しやすくなったため
- Bデータが多いと学習が不要になるため
- Cデータが多いほどルールベースが必ず不要になるため
- Dデータ量はAIの性能と全く関係しないため
解説：機械学習やディープラーニングでは大量のデータがモデルの学習に重要でありビッグデータは第三次AIブームを支えた要因である．
正解：A
- AAIが人間の知能を超え社会に大きな変化をもたらすとされる技術的特異点
- BAIが常に同じ答えだけを出す状態
- CAIの学習データが1件だけになること
- DAIがインターネットから切断されること
解説：シンギュラリティはAIが人間の知能を超えることで社会に大きな変化が起こるとされる概念である．
正解：A
- Aレイ・カーツワイル
- Bアイザック・ニュートン
- Cグレゴール・メンデル
- Dトーマス・エジソン
解説：2045年問題はレイ・カーツワイルが示したシンギュラリティに関する予測として知られる．
正解：A
- Aヴァーナー・ヴィンジ
- Bアラン・チューリングだけが唯一の提唱者
- Cダーウィン
- Dマクスウェル
解説：ヴァーナー・ヴィンジは技術的特異点の議論で知られる人物の一人である．
正解：A
- AAIで実現できるようになるとそれは知能ではないと見なされやすくなる現象
- BAIの出力が必ず正しくなる現象
- CAIの性能が時間とともに必ず低下する現象
- DAIが画像だけを処理する現象
解説：AI効果とは以前は知的と考えられた課題がAIで実現されると知能ではないと見なされる傾向を指す．
正解：A
- Aルールベースは人間が規則を与え機械学習はデータから規則性を学ぶ
- Bルールベースは必ずニューラルネットワークを使う
- C機械学習は正解データを一切使えない
- D両者は完全に同じ仕組みである
解説：ルールベースは人間が明示的にルールを定めるのに対し機械学習はデータからパターンを学習する．
正解：A
- A過去の正解付きメールデータから迷惑メールかどうかを分類する
- B正解なしの購買履歴から似た顧客群を見つける
- Cゲーム内で報酬を最大化する行動を試行錯誤する
- D全ての判断規則を専門家が文章で書く
解説：正解ラベル付きデータから分類器を作る課題は教師あり学習に適している．
正解：A
- A正解ラベルのない顧客データを購買傾向でグループ化する
- B犬と猫の正解ラベル付き画像を分類する
- C囲碁で勝利報酬を最大化する
- D専門家のルールだけで診断する
解説：正解ラベルがないデータから構造を見つけるクラスタリングは教師なし学習に該当する．
正解：A
- Aゲーム内で行動を選び得点を高めるよう学習する
- B正解付き画像を使って分類する
- C正解なしの顧客データをグループ化する
- D文章を人間が手作業で分類する
解説：強化学習は行動と報酬の関係を通じてより良い方策を学習するためゲームやロボット制御などに適用される．
正解：A
- A訓練データでは高精度だが新しいデータでは精度が低い
- B訓練データでも新しいデータでも必ず高精度である
- C訓練データを全く使っていない
- Dモデルが小さすぎて学習できないことだけを指す
解説：過学習では訓練データに過度に適合してしまい未知データに対する汎化性能が低下する．
正解：A
- A既存の学習済みモデルを活用し少ないデータや計算量で性能を得やすい
- B必ずデータが不要になる
- Cモデルの説明責任が完全に不要になる
- DAIが法律上の権利を取得する
解説：転移学習では既に学習した特徴表現を別タスクに活用できるためデータや計算資源を節約しやすい．
正解：A
- A画像内の物体を分類するAI
- Bあらゆる知的作業を人間同様にこなすAI
- C意識を持ち自律的に人生設計するAI
- D全ての学問を完全に理解するAI
解説：画像分類AIのように特定タスクに特化したAIは弱いAIに該当する．
正解：A
- A特定用途に限らず広範な知的課題をこなす汎用性を持つ点
- B単一の画像分類だけを行う点
- C必ずルールベースだけで動く点
- Dインターネット検索しかできない点
解説：強いAIは人間のような汎用的知能を持つAIを指す概念であり多くの実用AIは特定タスク向けの弱いAIである．
正解：A
- A第一次AIブーム・第二次AIブーム・第三次AIブーム
- B第三次AIブーム・第二次AIブーム・第一次AIブーム
- C第二次AIブーム・第一次AIブーム・第三次AIブーム
- D第一次AIブーム・第三次AIブーム・第二次AIブーム
解説：AIの歴史では探索と推論を中心とする第一次AIブーム，エキスパートシステムを中心とする第二次AIブーム，機械学習やディープラーニングを中心とする第三次AIブームの順に整理される．
正解：B
- A人間とまったく同じように思考できるコンピュータプログラム
- B人間の知的な行動（学習・推論・判断）をコンピュータで実現する技術
- Cロボットを自律的に動かすためのハードウェア技術
- Dインターネット上のデータを自動収集するシステム
解説：AIとは学習・推論・判断などの人間の知的な行動をコンピュータで実現する技術の総称である。意識や感情の再現ではなく、知的な機能の実現が定義の核心。
正解：B
- A1943年
- B1956年
- C1969年
- D1982年
解説：1956年に米国ダートマス大学でジョン・マッカーシーらが開催したダートマス会議で「Artificial Intelligence（人工知能）」という用語が初めて提唱された。
正解：B
- Aロボットは必ずAIを搭載している
- BAIはソフトウェアで、ロボットは物理的な機械であり両者は独立して存在できる
- CAIはロボットの制御部品の一つである
- DロボットがなければAIは動作できない
解説：AIはソフトウェア（知能）技術であり、ロボットは物理的な機械（身体）である。AIのみのシステム（ChatGPTなど）も、AI非搭載の単純なロボットも存在する。
正解：B
- A重みとバイアスの行列
- BIF-THEN形式のルール
- Cニューラルネットワークの層構造
- D確率的グラフィカルモデル
解説：ルールベースシステムは専門家の知識を「IF 条件 THEN 結果」の形式で表現したルール群で推論を行う。エキスパートシステムで活用されたが、ルール数増大による管理の困難さが課題となった。
正解：C
- A強化学習はラベル付きデータを必要とする
- Bクラスタリングは教師あり学習に分類される
- C教師なし学習はラベルなしデータからパターンを発見する
- D教師あり学習は報酬信号を使って学習する
解説：教師なし学習はラベル（正解情報）なしのデータからクラスタリングや次元削減などによりパターンを自動的に発見する学習手法。
正解：B
- Aラベル付きデータを使って正解クラスに分類する手法
- Bラベルなしデータを類似性に基づいてグループに分ける手法
- C報酬を最大化する行動を学習する手法
- D既存モデルの知識を新タスクに転用する手法
解説：クラスタリングは教師なし学習の代表的手法で、データを類似したグループ（クラスタ）に自動分類する。k-meansやDBSCANが代表的アルゴリズム。
正解：B
- Aデータのラベルを追加するため
- B高次元データの「次元の呪い」による計算量増大・過学習リスクを軽減するため
- Cクラスタ数を自動的に決定するため
- Dモデルの予測精度を必ず向上させるため
解説：高次元データは計算コストが大きく、スパース（疎）になりやすい（次元の呪い）。PCA等の次元削減でノイズ除去・計算効率向上・過学習防止が期待できる。
正解：A
- Aエージェント・環境・報酬・状態・行動
- B入力・重み・バイアス・活性化関数・出力
- C生成器・識別器・潜在空間・ノイズ
- Dエンコーダ・デコーダ・潜在ベクトル・KL損失
解説：強化学習ではエージェントが環境の状態を観測し、行動を選択し、環境から報酬を受け取りながら報酬の累積を最大化する方策を学習する。
正解：B
- A深層学習を常に第一候補として選ぶべきだ
- B問題の特性を理解し、それに適したアルゴリズムを選ぶ必要がある
- Cデータさえ多ければどの手法でも同じ性能になる
- D単純な手法は複雑な問題に対しても常に有効だ
解説：ノーフリーランチ定理は「全ての問題に対して万能に優れたアルゴリズムは存在しない」ことを示す。したがって問題の性質（線形性・非線形性・データ量など）を考慮したアルゴリズム選択が重要。
正解：B
- A酸素と栄養素を細胞体に供給する
- Bニューロン間で信号（神経伝達物質）を伝える接合部
- C細胞の遺伝情報を保管する
- D電気信号を増幅する専用器官
解説：シナプスはニューロン間の接合部で、神経伝達物質を介して電気信号を隣のニューロンに伝える。人工ニューラルネットワークの重みはシナプスの結合強度をモデル化したもの。
正解：B
- A入力値を乱数で変換して次の層へ送る
- B複数の入力に重みを掛けて総和を計算し、バイアスを加えた後、活性化関数を通じて出力する
- C最大入力値をそのまま次の層に転送する
- D入力を暗号化して安全に送信する
解説：人工ニューロンはΣ(入力×重み)+バイアス を計算し、活性化関数f()を適用して出力する。学習とは、出力誤差を小さくするよう重みとバイアスを更新するプロセス。
正解：B
- A入力値を0〜1の範囲に変換する
- B入力が正の場合はそのまま出力し、0以下の場合は0を出力する
- C入力値の絶対値を出力する
- D全入力に対して一定値を出力する
解説：ReLU（f(x)=max(0
正解：B
- A出力が常に0〜1の確率値になる
- B深いネットワークでの勾配消失問題を緩和できる
- C二値分類の出力層として最適
- D複数クラス分類に直接使用できる
解説：Sigmoid関数は入力の絶対値が大きくなると勾配がほぼ0になる（勾配消失）。ReLUは正の領域で勾配が常に1のため深いネットワークでも学習が進みやすい。
正解：B
- A入力データを前処理してノイズを除去する手法
- B出力の誤差を出力層から入力層方向に伝播させながら各重みの勾配を計算する手法
- Cデータをバッチに分割して効率的に処理する手法
- D隠れ層の数を自動的に最適化する手法
解説：バックプロパゲーションは連鎖律（Chain Rule）を用いて損失関数の各重みに対する偏微分（勾配）を計算する。この勾配を使って勾配降下法で重みを更新し誤差を最小化する。
正解：B
- Aデータの入出力インターフェース
- B入力と出力層の間でデータの特徴を段階的に抽出・変換する
- Cランダムにデータを選択してバッチを作成する
- D最終的なクラス確率を出力する
解説：隠れ層は入力層と出力層の間に存在し、入力データから抽象的な特徴を階層的に学習・変換する。ディープラーニングは隠れ層を多数持ち、高度な特徴表現を自動的に学習できる。
正解：D
- Aドロップアウト（Dropout）
- B正則化（L1/L2）
- Cデータ拡張（Augmentation）
- D学習率を極端に大きく設定する
解説：学習率を極端に大きくすると損失関数が収束しなくなる可能性がある。過学習防止にはドロップアウト・正則化・データ拡張・早期終了（Early Stopping）・クロスバリデーションが有効。
正解：A
- AL1は重みの絶対値の和にペナルティ（スパース解）、L2は重みの二乗和にペナルティ（小さい重み）
- BL1は学習率を調整し、L2はバッチサイズを調整する
- CL1は分類問題、L2は回帰問題専用
- DL1はドロップアウト率を制御し、L2は層数を制御する
解説：L1正則化は重みの絶対値の和にペナルティを加え、不要な特徴の重みを0にするスパース解を得やすい。L2正則化は重みの二乗和にペナルティを加え、全ての重みを小さく保つ。
正解：B
- Aテスト時はデータが大きすぎるため
- Bテスト時には全ニューロンを有効にして確定的な出力を得るため
- Cテスト時にはL2正則化が代わりに適用されるため
- Dテスト時にはバックプロパゲーションが不要なため
解説：ドロップアウトは学習時にランダムにニューロンを無効化して過学習を防ぐ。テスト・推論時には全ニューロンを有効にし（ただし重みを学習時のドロップアウト率でスケーリング）確定的な予測を行う。
正解：B
- A新しいデータを追加してモデルを完全に再学習する
- B事前学習済みモデルの重みを初期値として新タスク向けに追加学習する
- Cモデルのアーキテクチャを変更せずに予測のみを行う
- Dデータの前処理パラメータを調整する
解説：ファインチューニングは大量データで事前学習（pre-training）済みのモデルをベースに、新タスクのデータで追加学習する。少量データでも高精度が期待でき、学習コストを大幅削減できる。
正解：B
- Aモデルの出力予測値
- B機械学習モデルへの入力として使用する観測値・測定値・変数
- Cニューラルネットワークの重みパラメータ
- Dテストデータの正解ラベル
解説：特徴量（Feature）とは機械学習モデルに入力する個々の変数・属性のこと。例えば住宅価格予測では「面積」「築年数」「駅からの距離」などが特徴量。有用な特徴量の設計（特徴量エンジニアリング）がモデル精度に大きく影響する。
正解：B
- A処理速度の違い
- B特定タスク特化型か、人間と同等の汎用知能を持つか
- C使用するハードウェアの違い
- Dプログラミング言語の違い
解説：ANI（弱いAI）は画像認識・翻訳・チェスなど特定タスクに特化したAI。AGI（強いAI）は人間のように多様なタスクに対応できる汎用AIで、現在はいまだ実現されていない研究目標。
正解：B
- A単純なルールに基づき一定の返答をする（電卓・ゲームのNPC等）
- B記憶を保持し過去のやり取りを踏まえた応答ができる（チャットボット・音声アシスタント等）
- C自己の考えを持ち自己認識できる（現在未実現）
- D人間と同等の汎用知的能力を持つ（現在未実現）
解説：AI4レベルは①単純制御②記憶・学習③自己改善④汎用AI。レベル2はユーザーの記憶・学習により個人化された応答ができるAI。チャットボットや音声アシスタントが代表例。
正解：B
- A大量データを活用したディープラーニングの普及
- Bコンピュータによる迷路・チェスなどの探索・推論への挑戦
- Cエキスパートシステムによる医療診断の実用化
- D生成AIによる画像・テキスト自動生成の実現
解説：第一次ブームはコンピュータを用いた推論・探索（exploration & reasoning）が中心。チェックロジックや数学的定理の証明など限定的な問題では成果を上げたが、現実問題への対応は困難だった。
正解：B
- Aコンピュータのハードウェアが普及しすぎたため
- B現実の複雑な問題への対応が困難であることが判明し、研究者の期待が裏切られたため
- Cエキスパートシステムが市場を独占したため
- Dディープラーニングが登場し関心がシフトしたため
解説：第一次ブームは迷路や定理証明など限定問題には有効だったが、現実の曖昧で複雑な問題への応用が困難であることが判明。研究者の失望とともにAIへの投資が激減し「AIの冬」となった。
正解：A
- A専門家の知識をルール化・入力する作業が膨大で、システムの拡張・保守が困難になる問題
- B専門家が少なすぎてAI開発に参加できない問題
- Cコンピュータの処理速度が知識量に追いつかない問題
- Dルールが多すぎて検索に時間がかかる問題
解説：エキスパートシステムは専門家の知識をIF-THENルールで記述する必要があり、ルール数が増大すると矛盾・保守が困難になる「知識ボトルネック（Knowledge Bottleneck）」問題が発生し、第二次AIブームの終焉につながった。
正解：B
- AGPT-4の公開（2023年）
- B2012年のImageNetコンペでAlexNetが圧倒的な性能を示したこと
- Cエキスパートシステムの完成度が飛躍的に向上したこと
- D量子コンピュータの実用化
解説：2012年にGeoffrey HintonらのAlexNet（CNN）がImageNet画像認識コンペで従来手法を大幅に上回る誤り率を達成。これがきっかけとなりディープラーニングへの関心が爆発的に高まり、第三次AIブームが始まった。
正解：B
- Aルールベースシステムの精度を向上させた
- B大量の学習データを提供しディープラーニングモデルの精度向上を支えた
- Cエキスパートシステムの知識ボトルネックを解消した
- DAIの電力消費を削減した
解説：ビッグデータの蓄積（SNS・センサー・Web等）により、ディープラーニングに必要な大量の学習データが入手可能になった。大量データ＋GPU計算力＋アルゴリズム改善の三位一体が第三次ブームを支えた。
正解：B
- AAIが意識を持ち始める瞬間
- BAIが人間の知性を超え、自己改善能力により技術が急速に加速する転換点
- C全人類がAIに雇用を奪われる時点
- Dロボットが政府を支配する未来
解説：シンギュラリティはAIが人間の知性を超え、自己改善サイクルにより技術が指数関数的に加速する理論的転換点。ヴァーナー・ヴィンジが1993年に提唱し、レイ・カーツワイルが2045年と予測した（2045年問題）。
正解：B
- A2045年に世界の人口がAIを上回る問題
- Bレイ・カーツワイルが予測したAIが人間の知性を超えシンギュラリティが到来する年
- C2045年にAI関連の特許が失効する問題
- D量子コンピュータが2045年に実用化される問題
解説：レイ・カーツワイルはムーアの法則に基づく技術進歩の分析から、2045年にAIが人間の全知性を超えシンギュラリティが到来すると予測した。これを「2045年問題」と呼ぶ。
正解：B
- AAIが新しいタスクを学習するたびに計算コストが増大する
- BAIがチェスで人間に勝利した後に「チェスは本当の知能が必要なゲームではない」と見なされてしまう現象
- CAIを使えば使うほど精度が向上するポジティブな効果
- DAI技術が社会全体の効率を向上させる経済的効果
解説：AI効果とはAIがあるタスクを達成すると人間が「それは単純な処理に過ぎず本当のAIではない」と過小評価してしまう傾向。AIの定義が常に「まだできていないこと」に更新され続ける現象。
正解：B
- AAIが数学の問題をどれだけ正確に解けるかを測るテスト
- B会話を通じて人間がAIを人間と区別できなければAIは思考していると見なすテスト
- CAIの処理速度を人間の思考速度と比較するベンチマーク
- DAIが感情を持つかどうかを判定するための心理テスト
解説：チューリングテスト（1950年）は審査員が文字のみの会話で相手が人間かAIかを区別できなければ、そのAIは「思考している」と見なすという提案。チューリングは早くからAIの可能性を示した先駆者。
正解：B
- Aグリッドサーチ
- Bエルボー法（Elbow Method）
- C交差検証
- Dシルエット係数の理論的計算
解説：エルボー法ではkの値を増やしながらクラスタ内誤差（Inertia）の変化を観察し、減少率が鈍化して「肘」のように見える点を最適kとして選ぶ。シルエット係数による評価も使われる。
正解：B
- Ak-means法
- B勾配降下法（Gradient Descent）
- C進化的アルゴリズム
- Dベイズ最適化
解説：バックプロパゲーションで各重みの勾配（偏微分）を計算した後、勾配降下法（SGD・Adam・RMSpropなど）を使って損失を最小化する方向に重みを更新する。
正解：B
- A浅いネットワーク（1〜2層）の場合
- B深いネットワークで出力層から遠い層の重みが更新されにくくなる場合
- Cデータが大量にある場合
- Dバッチサイズが大きい場合
解説：深いネットワークではバックプロパゲーション時に勾配がSigmoidなどの飽和関数を通るたびに小さくなり、入力層付近ではほぼ0になる（勾配消失）。ReLU活性化関数や残差接続（ResNet）、バッチ正規化で緩和できる。
正解：B
- Aテストデータを正規化する前処理
- B各ミニバッチ内でのニューロンの出力を正規化し学習を安定化させる手法
- Cドロップアウトと同じ効果を持つ正則化手法
- Dデータセット全体を標準化する前処理
解説：バッチ正規化はミニバッチ単位で各層の入力を平均0・分散1に正規化する。内部共変量シフトを防ぎ、より大きな学習率の使用を可能にして学習を加速させる。
正解：B
- A全データを1回使って重みを更新する手法
- Bデータを小さなグループ（ミニバッチ）単位で重みを更新する手法
- C1サンプルずつ毎回重みを更新する手法
- Dランダムに1サンプルを選んで毎ステップ更新する手法
解説：ミニバッチ学習は全データ使用（Batch GD）と1サンプル（SGD）の中間。現実的な計算量で安定した勾配推定が得られるため、ディープラーニングで最も広く使用される。
正解：B
- Aデータ量を増やして学習精度を向上させる
- Bモデルの汎化性能を単一のtrain/test分割より客観的に評価する
- C過学習を完全に防止する
- D特徴量の重要度をランク付けする
解説：k-fold交差検証はデータをk分割し、1つをテスト・残りを学習に使うことをk回繰り返す。特定のtrain/test分割への偏りを避け、モデルの汎化性能をより信頼性高く評価できる。
正解：B
- A1つの大規模モデルを全データで学習する手法
- B複数のモデルの予測を組み合わせてより高精度な予測を得る手法
- Cデータを均等に分割して並列学習する手法
- Dデータ拡張により仮想的にデータを増やす手法
解説：アンサンブル学習はバギング（ランダムフォレスト）、ブースティング（XGBoost・GradientBoosting）、スタッキングなど複数モデルを組み合わせる手法。個別モデルより高精度・安定した予測が可能。
正解：B
- AF1スコアは訓練精度とテスト精度の平均
- BF1スコアは適合率と再現率の調和平均
- C再現率が高いと必ず適合率も高い
- D適合率が高いと誤検知が多いことを意味する
解説：適合率（Precision）＝TP/(TP+FP）、再現率（Recall）＝TP/(TP+FN）、F1＝2×P×R/(P+R)。不均衡クラスの評価にF1スコアが有効。
正解：A
- AROCはTPRとFPRのトレードオフを示し、AUCが1に近いほど良いモデル
- BROCはトレーニング速度を示し、AUCはモデルのサイズを示す
- CROCは主に回帰問題の評価に使われる
- DAUCが0.5に近いほど高性能なモデルを意味する
解説：ROC（Receiver Operating Characteristic）曲線はTPR（感度）とFPR（1-特異度）のトレードオフをグラフ化。AUC（Area Under Curve）が1.0に近いほど優れたモデル。ランダム分類のAUCは0.5。
正解：B
- A全結合層として使用する
- B特徴マップを縮小して計算量を削減し、位置の微小変動に頑健にする
- C重みを定期的にリセットする
- Dデータ拡張を行う
解説：プーリング層（最大プーリング・平均プーリング）は特徴マップの空間サイズを縮小する。計算コストを削減し、画像内での微小な位置変動（平行移動）に対して頑健にする効果がある。
正解：B
- Aデータをk個のクラスタに分ける教師なし学習
- Bデータの分散が最大となる方向（主成分）を見つけ次元を削減する
- Cランダムフォレストの特徴選択に使われる教師あり学習
- D時系列データの周期性を分析する手法
解説：PCAは高次元データの分散を最大化する主成分を順に求め、少ない次元で元データを表現する次元削減手法。ノイズ除去・データ可視化・特徴抽出に広く使用される。
正解：B
- A訓練データに対してだけ高精度を示す能力
- B未見のデータに対しても正確に予測できる能力
- C複数の異なるタスクを同時に学習できる能力
- Dデータ量が少ないときに自動的に補完する能力
解説：汎化性能とはモデルが学習に使っていない未知のデータに対しても正確に機能する能力。過学習を防ぎ汎化性能を高めることが機械学習の本質的な目標。
正解：B
- A消費電力が低くエコなシステムを構築できるため
- B並列演算能力が高く大規模な行列演算を高速に処理できるため
- Cテキスト処理に特化した設計のため
- D記憶容量がCPUより大きいため
解説：GPUは数千のコアで並列計算が得意。ディープラーニングで頻繁に必要となる大規模行列演算（テンソル演算）を高速に処理できる。NVIDIA CUDAプラットフォームがAI研究の標準環境となっている。
正解：B
- Aテストデータをランダムに変形してモデルを評価する
- B既存データに変換（回転・反転・輝度変化等）を加えてデータを水増しし過学習を防ぐ
- Cモデルのパラメータ数を自動的に増やす
- D訓練データとテストデータの比率を最適化する
解説：データ拡張は画像の回転・フリップ・切り抜き・輝度調整・ノイズ追加などの変換で学習データを仮想的に増加させ、モデルの汎化性能を向上させる手法。少量データでも過学習を防げる。
正解：B
- A全データにラベルが付与されている場合
- B少量のラベル付きデータと大量のラベルなしデータが存在する場合
- C強化学習の報酬設計が難しい場合
- D画像認識で大量の高品質データがある場合
解説：半教師あり学習は少量のラベルあり＋大量ラベルなしデータを組み合わせる。医療画像（ラベル付けに専門家が必要で高コスト）や自然言語処理で有効。ラベル付けコストを削減しながらモデル精度を向上できる。
正解：B
- A全結合層のみで構成されているため全体像を一度に把握できる
- B畳み込み層が局所的な特徴（エッジ・テクスチャ・形状）を階層的に学習できるため
- Cランダムフォレストと同様の決定木構造を持つため
- Dデータの順序関係を再帰的に処理できるため
解説：CNNの畳み込み層はフィルタを画像上でスライドさせ局所的な特徴を抽出する。浅い層でエッジ・テクスチャ、深い層で複雑な形状・物体パーツを学習する階層的特徴抽出が強み。
正解：B
- A強化学習でAtariゲームに初めて勝利
- B手書き数字（MNIST）認識にCNNを成功させた先駆的成果
- C自然言語でTransformerを初めて採用
- D生成敵対ネットワーク（GAN）を初めて実装
解説：ヤン・ルカン（Yann LeCun）らが開発したLeNet-5（1998年）は畳み込み層・プーリング層・全結合層を組み合わせたCNNで、手書き数字認識（MNIST）で実用的な精度を達成した現代CNNの原型。
正解：B
- A初めてチェスで世界チャンピオンを破ったAI
- BImageNet画像認識コンペでディープラーニングの圧倒的優位を示し、第三次AIブームを牽引した
- C自然言語処理でBERTを超える性能を達成した
- D初めて数百億パラメータの言語モデルを実現した
解説：AlexNetはGeoffrey HintonらのチームがILSVRC 2012で従来手法に大差をつけて優勝。GPU並列学習・ReLU・ドロップアウトなどの技術革新を示し、ディープラーニングへの世界的な注目のきっかけとなった。
正解：B
- A教師なし学習でデータをクラスタに分割する
- Bクラス間の「マージン（余裕）」が最大になる決定境界を学習する分類手法
- C強化学習のエージェントが使用する代表的なポリシー
- D深層学習の一種で多数の隠れ層を持つ
解説：SVMはクラス間のマージン（決定境界と最近接データ点の距離）を最大化する超平面を学習する分類手法。カーネル法で非線形境界も学習可能で、少量データでも高性能。
正解：B
- AAIは複雑な論理的タスクには弱く、単純な繰り返しタスクには強い
- BAIにとって人間が難しいと思う抽象的思考は比較的容易だが、人間が自然にできる歩行・物の把握などはAIに困難
- Cロボットが高度な知性を獲得するにはAIより先に自律性が必要
- DAIの計算コストは人間の思考と逆比例する
解説：モラベックのパラドックス（ハンス・モラベックらが提唱）とは「高度な知的活動（チェス・数学）はAIに容易だが、2歳児が自然にできる感覚運動スキル（歩行・物を掴む）はAIに難しい」という逆説。
正解：B
- A回帰は離散クラスを予測し、分類は連続値を予測する
- B回帰は連続値を予測し、分類は離散カテゴリを予測する
- C回帰は教師なし学習、分類は教師あり学習
- D回帰はニューラルネットワーク専用、分類は決定木専用
解説：回帰（Regression）は住宅価格・気温など連続値を予測するタスク。分類（Classification）はスパムメール判定・画像クラス分類など離散カテゴリを予測するタスク。どちらも教師あり学習。
正解：B
- A画像認識に特化した構造を持ち高い精度を発揮する
- B判断の過程が木構造として可視化でき、人間が解釈しやすい（説明可能性が高い）
- C大量のパラメータで複雑なパターンを学習できる
- D時系列データの処理に最適化されている
解説：決定木は特徴量に基づく分岐ルールが木として視覚化でき、人間が意思決定プロセスを理解・解釈しやすい（解釈可能なAI・説明可能なAI）。医療・法律・金融など説明責任が求められる分野で重視される。
正解：B
- ASVDとPCAは全く無関係な手法
- BPCAはデータの共分散行列にSVDを適用することで主成分を求めることができる
- CSVDは教師あり学習、PCAは教師なし学習専用
- DPCAはSVDの近似手法に過ぎない
解説：PCAはデータの共分散行列（またはデータ行列）に特異値分解（SVD）を適用することで主成分を求めることができる。PCAとSVDは数学的に密接な関係があり、実装上もSVDが活用される。
正解：B
- Aバイアスを下げると必ずバリアンスも下がり性能が向上する
- Bモデルの複雑さを増すとバイアス↓バリアンス↑になり、単純にするとバイアス↑バリアンス↓になるトレードオフ
- Cバリアンスはデータ量のみに依存する
- Dバイアスはテストデータにのみ影響する
解説：バイアス（訓練誤差・偏り）とバリアンス（汎化誤差のばらつき）はトレードオフ。複雑なモデルは低バイアス・高バリアンス（過学習リスク）、単純なモデルは高バイアス・低バリアンス（アンダーフィット）。
正解：B
- A弱い学習器を順番に追加して誤りを修正するブースティング手法
- B訓練データをランダムにサンプリングして複数のモデルを並列学習し多数決で予測する
- Cモデルを積み重ねてメタ学習を行う手法
- D一つのモデルを複数回再学習する手法
解説：バギング（Bootstrap Aggregating）はデータをランダムにリサンプリング（ブートストラップ）して複数のモデルを並列学習し、予測を平均/多数決で統合する。ランダムフォレストがバギングの代表例。
正解：B
- AAIの出力を100%の精度で保証するシステム
- BAIの判断根拠・理由を人間が理解できる形で提示できるシステム・手法
- C全てのAIモデルが自動的に説明文を生成する機能
- D深層学習の計算を透明化して学習速度を向上させる技術
解説：XAIはAIの判断プロセスをSHAP・LIME・アテンション可視化などの手法で人間に説明可能にする取り組み。医療・金融・法律など高いアカウンタビリティが求められる場面で重要。
2章
この範囲を15問解く生成AI（ジェネレーティブAI）
正解：B
- A強化学習AI
- B生成AI（ジェネレーティブAI）
- C教師あり学習AI
- Dパターン認識AI
解説：生成AI（Generative AI）は入力されたプロンプトを基に新しいコンテンツを生成するAI技術である．ChatGPT，Midjourney，Stable Diffusionなどが代表例である．
正解：A
- A深層信念ネットワークの事前学習
- B自然言語処理
- Cリアルタイム制御
- DWebスクレイピング
解説：制限付きボルツマンマシン（RBM）は深層信念ネットワーク（DBN）の事前学習に利用されることがあり深いニューラルネットワークの学習を助ける役割を持つ．
正解：C
- A常に明らかな誤りとして認識できる
- Bシステムエラーとして表示される
- C一見もっともらしく見える
- D必ず文法的な誤りを含む
解説：ハルシネーションとはAIが事実ではない情報をもっともらしい形で生成してしまう現象である。文法的には正しい文章で出力されることが多いため誤りに気付きにくい特徴がある．
正解：A
- A1億1700万個
- B15億個
- C17億個
- D100億個
解説：GPT-1は2018年にOpenAIが発表した言語モデルで約1億1700万個のパラメータを持つ．当時としては大規模なモデルであり後のGPTシリーズの基礎となった．
正解：C
- ARNN（Recurrent Neural Network）
- BCNN（Convolutional Neural Network）
- CTransformer
- DLSTM（Long Short-Term Memory）
解説：Transformer は2017年にGoogleの研究者が提案したモデルでSelf-Attention機構を用いて文章の文脈を効率よく理解できる。現在のGPTやBERTなど多くの生成AIモデルの基礎となっている．
正解：B
- Aモデルの計算速度
- B人間による評価スコア
- Cデータセットのサイズ
- DGPUの使用率
解説：RLHF （ Reinforcement Learning from Human Feedback） は人間の評価を報酬として利用しAIが人間にとって望ましい出力を生成するように強化学習で調整する方法である．
正解：A
- Aパターン認識
- B自動運転制御
- C言語翻訳
- D天気予報
解説：ボルツマンマシンは確率的ニューラルネットワークでありパターン認識などに利用される
正解：B
- A一度に全て公開
- B段階的公開
- Cソースコードのみ公開
- D有料版のみ公開
解説：GPT-2は悪用防止の観点から段階的に公開された
正解：C
- ACNN
- BRNN
- CGAN
- DLSTM
解説：GANは生成器と識別器が競い合いながら学習するモデルである
正解：C
- A人間と完全に同じ作品を作る
- BAIが意思を持つ
- Cプロンプトに基づいて生成される
- D常に完璧な成果物
解説：生成AIは人間の指示であるプロンプトに基づいてコンテンツを生成する
正解：B
- A計算速度向上
- B重要部分への注目
- Cメモリ削減
- D電力最適化
解説：Attentionは文章中の重要な部分に焦点を当てる仕組みである
正解：A
- A特定用途への調整
- Bパラメータ削減
- C新アルゴリズム開発
- D特徴学習
解説：ファインチューニングは既存モデルを特定タスク向けに調整する技術である
正解：B
- A文章整形可能
- B常に完璧な要約
- C文法修正可能
- D英文作成可能
解説：生成AIは誤りを含む可能性があり常に完璧ではない
正解：C
- Aサポート応対
- Bコード生成
- C将来行動予測
- Dレポート支援
解説：人間の将来行動を正確に予測することは生成AIの適用範囲外である
正解：D
- A特定タスク最適化
- B出力層初期化
- C設定調整
- D大量データで基礎能力構築
解説：プレトレーニングは大規模データで基本的な言語能力を学習する段階である
正解：C
- ARNN
- B単方向
- CTransformer
- D画像専用
解説：BERTはTransformerを基盤とし双方向の文脈理解が可能である
正解：B
- A新規タスク
- B類似領域特化
- Cデータ不足
- D圧縮目的
解説：既存モデルの知識を活かし類似分野で性能向上させる場合に有効である
正解：A
- A単語関係性把握
- B順序固定
- C階層構造
- Dベクトル変換
解説：Self-Attentionは単語同士の関連性を計算し重要な情報を抽出する仕組みである
正解：A
- AGPTは生成モデルBERTは識別モデルである
- BGPTは文脈を考慮しないBERTは文脈を考慮する
- CGPTは双方向BERTは単方向
- DGPTはTransformerを使用しないBERTは使用する
解説：GPTは文章生成を目的とした生成モデルでありBERTは文章理解や分類を行う識別モデルとして設計されている
正解：A
- A複数データ形式処理
- B高速処理
- C大容量保存
- D言語理解
解説：テキスト画像音声など複数の情報を扱う能力である
正解：B
- A画像認識
- B対話性能向上
- C動画編集
- D多言語翻訳
解説：対話能力が向上し自然な応答が可能になった
正解：B
- ARNN
- BCNN
- CGAN
- DAE
解説：CNNは画像の特徴抽出に適している
正解：C
- Aコピー作成可
- B文章化可能
- C人名読み完全判定
- D画像入力可能
解説：人名読みは必ずしも正確に判定できない
正解：C
- A文字変換
- Bロールプレイ
- C物流運用
- D分析
解説：物理システムの運用はできない
正解：D
- A並列処理特化
- B活性化なし
- C単純構造
- D長期依存学習
解説：LSTMは記憶セルとゲートで長期依存を学習できる
正解：B
- A自律的に知識生成
- Bパターン学習で生成
- C常に正確
- D学習データ無関係
解説：生成AIは学習データからパターンを学び新しいコンテンツを生成する
正解：A
- ARLHF
- B自己教師あり
- CGAN
- D転移学習
解説：人間の評価を用いてモデルを改善する手法
正解：C
- A文連続性判断
- B連続非連続学習
- C長文生成向上
- D文関係学習
解説：NSPは理解能力向上が目的で生成ではない
正解：B
- A意味計算
- B順序情報付与
- C高速化
- D多様性向上
解説：単語の順序情報をモデルに与える
正解：D
- A規模拡大
- BTransformerデコーダ
- C段階公開
- DRLHF導入
解説：RLHFはGPT-3.5以降で導入された
正解：B
- A決定論的に出力が一意に定まる
- B確率的に状態を遷移しながら学習する
- C自己注意機構（Self-Attention）を用いる
- D教師あり学習のみ使用可能
解説：ボルツマンマシンは1980年代後半に提唱された、確率的に動作するニューラルネットワークの一種です。エネルギー関数を最小化するよう確率的に状態を遷移させながらデータのパターンを学習します。
正解：B
- A学習精度が極端に低かった
- B計算資源と学習時間が膨大すぎた
- C教師データが用意できなかった
- D画像処理に向かなかった
解説：ボルツマンマシンは理論的に強力でしたが、全ノードが相互接続されているため計算量が膨大になり、実用的な学習が困難でした。この問題を解決するために制限付きボルツマンマシン（RBM）が提案されました。
正解：B
- A全ノードが自由に相互接続されている
- B可視層と隠れ層の間のみに接続があり計算効率を改善したモデル
- CTransformerの前身モデルである
- D現在も主流の生成モデルである
解説：RBM（Restricted Boltzmann Machine）は、ボルツマンマシンの計算量問題を解決するため、ネットワークを可視層と隠れ層に分け、層内のノード間の接続を持たない構造にしたモデルです。これにより効率的な学習が可能になりました。
正解：B
- A教師あり学習のみ
- B教師なし学習の効率的な実施
- C強化学習の完全自動化
- Dルールの自動生成
解説：RBMの導入により、大量のラベルなしデータを用いた教師なし学習が効率的に行えるようになりました。ディープラーニングの事前学習（プレトレーニング）として活用され、深層学習の発展に貢献しました。
正解：B
- A未来の情報を同時に参照して予測する
- B過去の出力を次の入力として用いて逐次的に予測する
- C双方向の文脈を同時に参照する
- D画像特徴量を圧縮して生成する
解説：自己回帰モデルは、過去のデータ（出力）を次の入力として用いながら逐次的に予測を行うモデルです。株価・天気などの時系列データや、単語を一つずつ生成するテキスト生成に有効です。
正解：B
- A静止画像データ
- B時系列データ（株価・天気・音声など）
- Cグラフ構造データ
- Dルール集合データ
解説：自己回帰モデルは過去の情報を参照しながら次の値を予測するため、時系列データ（株価、気温、音声波形など）の処理に特に有効です。また、単語を順に生成するテキスト生成にも広く使われます。
正解：B
- AルールベースAIの洗練化
- B制限付きボルツマンマシンの多層化とGPUの活用
- C強化学習のみの進化
- Dエキスパートシステムの改良
解説：2006年以降、RBMを多層に積み重ねた事前学習と、GPUを活用した並列計算の組み合わせにより、ディープラーニングが飛躍的に発展しました。Geoffrey Hintonらの研究が特に重要な役割を果たしました。
正解：B
- A文脈理解に特化したモデルである
- B画像の局所的な特徴を効率よく抽出できるモデルである
- C音声生成に最適化されたモデルである
- D自己注意機構を用いたモデルである
解説：CNN（Convolutional Neural Network）は、畳み込みフィルタによって画像の局所的な特徴（エッジ・テクスチャ・形状など）を段階的に抽出します。位置変化に頑健で、画像認識・物体検出に広く使われています。
正解：B
- Aデータをランダムにシャッフルする
- B画像の局所的な特徴を抽出する
- Cデータを潜在空間に圧縮する
- D文章の文法構造を解析する
解説：畳み込みは、小さなフィルタ（カーネル）を画像全体にスライドさせることで、画像内の局所的なパターン（エッジ、コーナーなど）を検出・抽出する処理です。これによりCNNは画像認識において優れた性能を発揮します。
正解：C
- A生成器と識別器
- B入力層と出力層のみ
- Cエンコーダとデコーダ
- DAttentionとMLP
解説：VAE（Variational Autoencoder）はエンコーダとデコーダの2部構成です。エンコーダが入力データを潜在空間の確率分布に変換し（圧縮）、デコーダがそこからデータを再生成（復元）します。画像生成や次元削減に使われます。
正解：B
- A画像に付与されたラベルを保持する
- B入力データの本質的な特徴を低次元で表現する
- C分類結果を最終出力する
- D学習率を動的に調整する
解説：潜在ベクトルはエンコーダが入力データを圧縮した低次元の特徴表現です。VAEでは確率分布として表現されるため、そこからサンプリングすることで多様なデータを生成できます。
正解：C
- A生成器と識別器が協力して共同学習する
- B識別器だけが一方的に学習する
- C生成器と識別器が競い合うことで両者の性能が向上する
- D教師データを直接使って最適化する
解説：GANでは、本物そっくりのデータを生成しようとする「生成器」と、本物か偽物かを見破ろとする「識別器」が互いに競い合う（敵対的学習）ことで、どちらの性能も段階的に向上します。
正解：C
- A新しいデータをゼロから生成する
- B潜在空間を学習して特徴を圧縮する
- C本物のデータと生成されたデータを判別する
- D文脈情報を長期間保持する
解説：GANの識別器は、入力されたデータが「本物」か「生成器が作った偽物」かを判定するネットワークです。識別器が精度を上げると生成器はより本物に近いデータを生成しようとし、相互に性能が向上します。
正解：B
- A過去の情報を一切保持できない
- B時系列・シーケンスデータの処理に適している
- C並列処理が容易である
- D長文処理では常に高い性能を発揮する
解説：RNN（Recurrent Neural Network）は、内部に隠れ層（隠れ状態）を持ち、過去の情報を現在の処理に反映できる構造のモデルです。文章・音声・時系列データなど順序を持つデータの処理に向いています。
正解：B
- A過学習が起きやすい
- B長い系列で勾配消失問題が発生しやすい
- Cデータを大量に必要とする
- D正則化ができない
解説：RNNは長い系列データを処理する際、誤差逆伝播時に勾配が非常に小さくなる「勾配消失問題」が生じやすく、長期的な依存関係（遠く離れた単語間の関係など）を学習するのが困難です。
正解：B
- A計算量を完全にゼロにした
- B長期依存関係を扱いやすくした（勾配消失問題の軽減）
- C自己注意機構を全面的に導入した
- D完全な並列処理を実現した
解説：LSTM（Long Short-Term Memory、長・短期記憶）はRNNの勾配消失問題を解決するために、ゲート機構（入力・忘却・出力ゲート）を導入し、長期的な依存関係を学習できるようにしたモデルです。
正解：B
- ARNN構造をさらに強化した点
- B自己注意機構（Self-Attention）を用いて並列処理を実現した点
- C教師あり学習専用のモデルである点
- D音声生成に特化した点
解説：Transformer（2017年、Google発表）は、RNN・CNNを使わず自己注意機構（Self-Attention）を採用したモデルです。入力全体を並列に処理できるため学習が大幅に高速化され、現代の生成AIの基盤となっています。
正解：A
- A長文になるほど精度が低下しにくく並列処理が可能
- B計算を逐次的にしか行えない
- C並列処理が一切できない
- D時系列データをまったく扱えない
解説：Transformerは自己注意機構により、文章内のすべての単語間の関係を並列に計算できます。RNNのような逐次処理が不要なため学習が高速で、長文でも精度が保たれやすいという大きな利点があります。
正解：B
- A双方向の文脈理解を前提としたモデル
- B自己回帰型Transformerを用いたテキスト生成特化モデル
- C画像認識専用モデル
- DルールベースAIの一種
解説：GPT（Generative Pre-trained Transformer）はOpenAIが開発した自己回帰型Transformerを用いたモデルで、大量のテキストデータで事前学習し、次の単語を予測することでテキストを生成します。
正解：B
- A次単語予測のみを行う一方向モデル
- B双方向の文脈を利用してテキスト理解を行うモデル
- Cテキスト生成タスクに特化したモデル
- DGPTの軽量版モデル
解説：BERT（Bidirectional Encoder Representations from Transformers）はGoogleが開発した双方向Transformerモデルです。文章の前後両方の文脈を同時に参照するため、テキスト理解（感情分析・質問応答など）に優れています。
正解：B
- ARLHF（人間フィードバックによる強化学習）
- BMLM（Masked Language Model：マスク単語予測）
- C画像分類による事前学習
- D強化学習による報酬最大化
解説：BERTの事前学習では、文中の一部の単語をマスク（隠し）してそれを予測するMLM（Masked Language Model）と、2つの文章が連続するかを予測するNSP（Next Sentence Prediction）が用いられます。
正解：B
- ABERTを大幅に小型化したモデル
- BBERTをより大規模なデータで再学習し性能を向上させたモデル
- CGPTを改良して作られたモデル
- D画像生成専用モデル
解説：RoBERTaはFacebook（Meta）がBERTを改良したモデルです。より大規模なデータ・より長い学習時間・NSPの廃止など学習条件を最適化し、BERTより高い性能を実現しました。
正解：B
- Aパラメータ数を大幅に増やして精度を向上させた
- Bパラメータ共有による軽量化で計算効率を高めたBERTモデル
- Cマルチモーダル（画像・音声）対応に特化した
- DGAN技術を内部で使用したモデル
解説：ALBERT（A Lite BERT）は、パラメータを層間で共有することでモデルサイズを大幅に削減しながら、高い精度を維持するよう設計されたBERTの軽量版です。計算資源が限られた環境でも高性能を発揮します。
正解：C
- Aプロンプト（Prompt）
- B並列処理（Parallel）
- C事前学習済み（Pre-trained）
- D予測（Prediction）
解説：ChatGPTはGenerative Pre-trained Transformerの略で、G=生成（Generative）、P=事前学習済み（Pre-trained）、T=Transformer を意味します。大量のテキストデータで事前学習されていることが名称の由来です。
正解：B
- A性能が低くて公開に耐えられなかったから
- Bフェイクニュース生成などへの悪用が懸念されたから
- C学習が完了していなかったから
- D法律上の制約があったから
解説：GPT-2はその高い文章生成能力からフェイクニュースの自動生成や、偽情報の大量拡散などへの悪用が懸念され、OpenAIは段階的な公開に留めました。AIの倫理的リスクを社会が意識する契機になりました。
正解：B
- A非常に小規模なモデルである
- B1750億パラメータの大規模モデルで文脈理解が大きく向上した
- C画像生成が主な目的である
- DRLHFが最初から完全に適用された
解説：GPT-3は1750億（1750B）パラメータという当時最大規模のモデルで、少数の例示（Few-Shot）だけで多様なタスクをこなせる能力を示しました。大規模言語モデル（LLM）の可能性を広く示した転換点です。
正解：B
- ASelf-Attention（自己注意機構）
- BRLHF（人間のフィードバックによる強化学習）
- C畳み込み（Convolution）
- D知識蒸留（Distillation）
解説：InstructGPTではRLHF（Reinforcement Learning from Human Feedback）が導入されました。人間のフィードバックを報酬シグナルとして使い、有害・不適切な出力を減らし、人間の意図に沿った回答を出せるよう調整（アライメント）します。
正解：B
- Aハルシネーションが増加した
- Bマルチモーダル対応が進み安全性も向上した
- C英語以外の言語は扱えなくなった
- Dパラメータ数が削減されて小型化した
解説：GPT-4はテキストに加えて画像も入力として扱えるマルチモーダル対応が進み、GPT-3.5に比べて安全性・正確性・推論能力が向上しました。司法試験や医師国家試験などでも高スコアを達成しています。
正解：B
- Aオンライン（Online）
- Bオムニ（Omni：すべて）
- Cオープン（Open）
- D最適（Optimal）
解説：GPT-4oのoはOmni（すべて）の略で、テキスト・画像・音声を統合的に処理できる「オムニモーダル」対応を意味します。従来モデルより低レイテンシで自然な会話が可能です。
正解：C
- A音声入力に対応していない
- Bテキストのみ処理できる
- Cテキスト・画像・音声を統合的に処理できるオムニモーダルモデル
- DRNNを基盤としている
解説：GPT-4oはテキスト・画像・音声をリアルタイムかつ統合的に処理できるオムニモーダルモデルです。より自然な音声会話や、画像を見ながらの対話が可能で、応答速度も大幅に改善されています。
正解：B
- A外部APIを自由に呼び出してWebサービスを操作する
- BPython コードを記述・実行してデータ分析やグラフ作成を行う
- CChatGPTモデル自体を再学習する
- Dインターネットをリアルタイムに検索する
解説：Code Interpreter（現Advanced Data Analysis）はChatGPT上でPythonコードを記述・実行できる機能です。CSVデータの分析、統計処理、グラフ作成、ファイル変換などを自然言語で指示して実行できます。
正解：C
- A全く新しい基盤モデルの名称
- BChatGPTの外観（テーマ）設定機能
- C用途や目的に合わせてカスタマイズしたChatGPTを作成・共有できる機能
- D画像生成専用のAIシステム
解説：GPTsは、特定の用途（カスタマーサポート、料理レシピ提案など）に合わせてChatGPTをカスタマイズし、GPT Storeで公開・共有できる機能です。プログラミング知識なしでも独自のAIアシスタントを作れます。
正解：B
- Aモデルの重みを頻繁に再学習して最新化する
- B生成前に外部データベースを検索して関連情報を取得・参照する
- C生成後のみ情報を検索して補正する
- D強化学習による報酬最大化を行う
解説：RAGは生成AIが回答を生成する前に、外部データベース（ベクトルDB等）から関連情報を検索・取得し、その情報を文脈として組み込んで生成する仕組みです。モデルの再学習なしで最新情報や専門知識を活用できます。
正解：A
- Aベクトルデータベースを用いた意味検索
- BCNN（畳み込みニューラルネットワーク）
- Cルールベースエンジン
- D遺伝的アルゴリズム
解説：RAGでは、文書の意味をベクトル（数値配列）に変換して蓄積するベクトルデータベースが広く使われます。クエリと文書の意味的な類似度でマッチングするため、キーワード検索より柔軟で高精度な情報取得が可能です。
正解：B
- A単一の指示のみ実行できる
- B自律的にタスクを分解して計画・実行する
- Cテキスト生成のみに特化している
- D常に人間の操作が必要である
解説：AIエージェントは、与えられた目標に向けて自律的にタスクを分解し、ツールの選択・外部サービスの呼び出し・フィードバックを繰り返しながら複数ステップの作業を実行します。GenSpark・Manusなどが代表例です。
正解：A
- A学習したデータの特徴をもとに文章・画像・音声などの新しいコンテンツを生成するAI
- B入力された数値を表計算するだけのAI
- C物理的なロボットだけを制御するAI
- Dインターネット接続を管理するためのAI
解説：生成AIは既存データの特徴や分布を学習し新しいコンテンツを生成するAIである．
正解：A
- Aデータの分布を学習しそれに似た新しいデータを生成すること
- B既存データを必ず削除すること
- C正解ラベルだけを保存すること
- Dハードウェアの故障を検知すること
解説：生成モデルは訓練データの特徴や分布を学習し類似した新しいサンプルを生成することを目的とする．
正解：A
- A確率的なニューラルネットワークの一種でデータの特徴を学習するモデル
- B文章を必ず日本語に翻訳するソフトウェア
- C画像を圧縮するだけのアルゴリズム
- Dロボットの関節を制御する機械部品
解説：ボルツマンマシンは確率的なニューラルネットワークの一種で生成モデルの歴史上重要なモデルである．
正解：A
- A可視層と隠れ層の間の結合を用いるボルツマンマシンの一種
- B全てのノードが同じ層内だけで結合する画像専用モデル
- CTransformerの別名
- D検索エンジンのランキング方式
解説：制約付きボルツマンマシンは可視層と隠れ層から構成され層間結合に制約を設けたモデルである．
正解：A
- A過去または既に生成した要素をもとに次の要素を順に予測するモデル
- B全ての出力を完全に同時に生成するだけのモデル
- C画像を必ず白黒化するモデル
- D人間が入力したルールだけで判断するモデル
解説：自己回帰モデルはこれまでの系列情報を使って次の単語や値を順番に生成するモデルである．
正解：A
- A直前までの文脈から次に来る単語やトークンを予測する
- B文書を必ず画像に変換する
- C正解ラベルを人間が全て入力する
- D音声の音量だけを調整する
解説：テキスト生成では自己回帰的に直前までの文脈を条件として次のトークンを予測し文章を生成する．
正解：A
- A畳み込みニューラルネットワーク
- B制約付き生成ネットワーク
- C会話型自然言語ネットワーク
- D連続型数値ネットワーク
解説：CNNはConvolutional Neural Networkの略で日本語では畳み込みニューラルネットワークと呼ばれる．
正解：A
- A画像の局所的な特徴を抽出する処理
- B文章の文脈だけを長期記憶する処理
- C報酬に基づいて行動を選択する処理
- D暗号鍵を生成する処理
解説：CNNは畳み込みによって画像の局所的特徴を抽出する処理に強い．
正解：A
- Aフィルタを用いて画像などから局所的特徴を抽出する処理
- B文章を必ず短く要約する処理
- C学習データを削除する処理
- DAIの出力を法的に保護する処理
解説：畳み込みはフィルタをスライドさせながら画像のエッジや模様などの特徴を抽出する処理である．
正解：A
- A変分自己符号化器
- B可変応答評価器
- C仮想音声編集器
- D視覚拡張エンジン
解説：VAEはVariational Autoencoderの略で変分自己符号化器と訳される．
正解：A
- Aエンコーダとデコーダ
- B生成器と識別器
- CAttention層と位置エンコーディングのみ
- D検索器とランキング器
解説：VAEは入力を潜在空間に圧縮するエンコーダとそこからデータを復元・生成するデコーダを持つ．
正解：A
- A入力データを潜在ベクトルへ変換する
- B潜在ベクトルから画像を復元する
- C生成物が本物か偽物かを判定する
- D次の単語だけを順に出力する
解説：VAEのエンコーダは入力データを潜在空間の表現である潜在ベクトルに変換する役割を持つ．
正解：A
- A潜在ベクトルからデータを復元または生成する
- B入力を必ず削除する
- C生成物の真偽だけを判定する
- Dユーザーの権限を管理する
解説：VAEのデコーダは潜在ベクトルをもとに元データに近いデータや新しいデータを生成する．
正解：A
- Aデータの特徴を圧縮して表した内部表現
- B画像ファイルの拡張子
- Cインターネット通信の暗号鍵
- DAIサービスの利用料金
解説：潜在ベクトルは入力データの特徴を低次元の数値表現として圧縮したもので生成や復元に利用される．
正解：A
- A敵対的生成ネットワーク
- B一般化注意ネットワーク
- C生成済み音声ノード
- Dグラフ分析ネットワーク
解説：GANはGenerative Adversarial Networkの略で敵対的生成ネットワークと呼ばれる．
正解：A
- A生成器と識別器
- Bエンコーダとデコーダのみ
- C検索器と翻訳器
- D入力層と出力層だけ
解説：GANは偽物のデータを作る生成器と本物か偽物かを見分ける識別器を競わせて学習する．
正解：A
- A本物に近い偽データを生成する
- B生成物が本物か偽物かを判定する
- C文章を必ず検索する
- D報酬を計算して行動を選ぶ
解説：GANの生成器は識別器をだませるような本物に近いデータの生成を目指す．
正解：A
- A入力されたデータが本物か生成されたものかを判定する
- B潜在ベクトルだけを作る
- C単語を順番に予測する
- Dプロンプトを校正する
解説：GANの識別器は本物データと生成器が作ったデータを見分ける役割を持つ．
正解：A
- A回帰型ニューラルネットワーク
- B制約付きニューラルネットワーク
- C畳み込みニューラルネットワーク
- D敵対的生成ネットワーク
解説：RNNはRecurrent Neural Networkの略で回帰型ニューラルネットワークと呼ばれる．
正解：A
- A時系列データや文章のようなシーケンスデータ
- B静止画像の局所的特徴だけ
- C正解ラベルのない表形式データだけ
- D暗号鍵の管理情報だけ
解説：RNNは前の時刻の情報を次の処理に利用できるため時系列や文章などの系列データを扱うのに使われた．
正解：A
- A文章や時系列のセンサーデータ
- B1枚だけの無関係な画像
- C固定された単一の数値
- Dファイル名だけの一覧
解説：シーケンスデータは順序に意味があるデータであり文章や音声や時系列データが代表例である．
正解：A
- A過去の状態を次の時刻の計算に引き継ぐ層
- B画像の局所特徴だけを抽出する層
- C生成物の真偽だけを判定する層
- D検索結果を順位付けする層
解説：リカレント層は前の時刻の情報を内部状態として保持し次の計算に利用する．
正解：A
- A長・短期記憶
- B局所特徴変換機構
- C大規模文書分類器
- D線形系列生成器
解説：LSTMはLong Short-Term Memoryの略で日本語では長・短期記憶と呼ばれる．
正解：A
- A長期的な依存関係を扱いにくい問題
- B画像の画素数が多すぎる問題
- Cデータベース検索が遅い問題
- Dプロンプトの文字数を数えられない問題
解説：LSTMはゲート構造により通常のRNNが苦手とする長期依存関係を扱いやすくしたモデルである．
正解：A
- AAttention機構を用いて系列内の重要な関係を捉える
- Bリカレント層だけで逐次処理する
- CCNNの畳み込みだけで文章を生成する
- D生成器と識別器を必ず競わせる
解説：TransformerはAttention機構を中心に系列内の各要素の関係を捉えるモデルである．
正解：A
- A入力系列の中でどの要素に注目すべきかを重み付けする
- B画像のファイルサイズを減らす
- C生成物の著作権を判定する
- Dロボットの関節を動かす
解説：Attention層は文脈内の重要な単語や要素に重みを付けて情報を処理する．
正解：A
- A同じ系列内の各要素同士の関係を計算する仕組み
- B外部検索エンジンだけを呼び出す仕組み
- C画像を必ず拡大する処理
- D人間が規則を直接入力する処理
解説：Self-Attentionは入力系列の各要素が同じ系列内の他の要素とどの程度関係するかを計算する仕組みである．
正解：A
- A文脈上重要な情報に重点を置いて処理できる
- B学習データを完全に不要にできる
- C全ての出力を必ず正しくできる
- DAIの法的責任をなくせる
解説：Attention Mechanismによりモデルは系列中の重要な位置や関係に注目して処理できる．
正解：A
- A系列内の順序情報をモデルに与える
- B画像の解像度を上げる
- C生成物が本物か偽物かを判定する
- Dモデルの利用料金を計算する
解説：TransformerはRNNのように順番に処理しないため位置エンコーディングで単語などの順序情報を付与する．
正解：A
- Aモデルやシステムの構造や設計方式
- BAIの利用規約だけ
- Cコンピュータの設置場所
- D著作権の登録番号
解説：アーキテクチャはモデルやシステムがどのような構成要素と接続関係で設計されているかを指す．
正解：A
- ATransformerを基盤とした自己回帰型の言語モデル
- B画像の畳み込みだけを行うモデル
- C生成器と識別器を競わせる画像専用モデル
- D正解ラベルなしで顧客を分類するだけのモデル
解説：GPTはTransformerを基盤とし文脈から次のトークンを予測する自己回帰型の言語モデルである．
正解：A
- A文章などを生成できること
- B物理的に移動できること
- C通信を暗号化できること
- D表計算を高速化できること
解説：GPTのGenerativeは与えられた文脈に続くテキストを生成できる性質を示す．
正解：A
- A大量データで事前学習されていること
- B利用者が毎回一から学習させること
- C正解データを使わないことだけ
- D学習を全く行わないこと
解説：Pre-trainedは大規模なデータで事前に学習されていることを意味する．
正解：A
- AAttention機構を用いるニューラルネットワークのアーキテクチャ
- B画像圧縮専用のファイル形式
- Cロボットを変形させる機械
- D検索エンジンの広告枠
解説：TransformerはAttention機構を中核とするモデル構造でありGPTの基盤である．
正解：A
- A文脈を双方向に考慮するTransformer系モデル
- B自己回帰で次の単語だけを生成するGPTと完全に同じモデル
- C生成器と識別器を競わせるモデル
- D画像の局所特徴だけを抽出するモデル
解説：BERTはTransformerを用い文の前後の文脈を双方向に考慮する言語モデルとして知られる．
正解：A
- AMasked Language Model
- BMachine Logic Memory
- CMultiple Label Machine
- DMedia Learning Manager
解説：MLMはMasked Language Modelの略でBERTの事前学習で用いられる代表的手法である．
正解：A
- A文中の一部の単語を隠しその単語を予測する学習方法
- B次の単語だけを左から順に予測する方法
- C画像の真偽を判定する方法
- D報酬に基づいて行動を選ぶ方法
解説：MLMは入力文の一部をマスクし周囲の文脈から隠された単語を予測する学習方法である．
正解：A
- ANext Sentence Prediction
- BNeural System Processing
- CNew Sequence Prompting
- DNatural Speech Production
解説：NSPはNext Sentence Predictionの略で2つの文の連続性を予測する学習課題である．
正解：A
- A2つの文が連続する関係にあるかを予測する学習方法
- B文中の隠された単語を予測する方法
- C画像を生成するための競争学習
- D検索結果を順位付けする方法
解説：NSPはBERTの事前学習で使われた文と文の関係を学ぶためのタスクである．
正解：A
- ABERTの学習方法を改良した派生モデル
- BOpenAIが最初に公開したGPTモデルの別名
- CGANの識別器の名称
- D画像生成専用のVAE
解説：RoBERTaはBERTを改良した派生モデルの一つで学習方法などが調整されている．
正解：A
- ABERTを軽量化・効率化する方向の派生モデル
- BGPT-4の画像生成機能
- CTransformer以前の物理ロボット
- DCNNの畳み込みフィルタ名
解説：ALBERTはa Lite BERTの名称通りBERT系モデルを軽量化・効率化することを狙った派生モデルである．
正解：A
- AGPT系モデルを基盤とする対話型のテキスト生成AI
- B画像ファイルを圧縮する専用ソフト
- C物理的なロボットだけを操作する装置
- D表計算の関数名
解説：ChatGPTはGPT系の大規模言語モデルを基盤に対話形式で文章生成や質問応答を行うサービスである．
正解：A
- A人間が使う言語をコンピュータで処理する技術分野
- B画像の画素だけを処理する技術
- Cロボットの関節を制御する技術
- Dネットワーク機器を配線する技術
解説：NLPはNatural Language Processingの略で人間の自然言語を解析・生成・処理する技術分野である．
正解：A
- AGPT系モデルの初期モデル
- BChatGPT以後に登場した画像生成専用モデル
- CGANの派生モデル
- D検索エンジンの広告システム
解説：GPT-1はTransformerを用いたGPT系言語モデルの初期モデルとして位置づけられる．
正解：A
- AGPT-1より大規模化され文章生成能力が向上したモデル
- BBERTを軽量化したモデル
- CGANの識別器
- D画像のリサイズ専用ツール
解説：GPT-2はGPT-1から規模を拡大し自然な文章生成能力が注目されたモデルである．
正解：A
- A非常に多くのパラメータを持つ大規模言語モデルとして注目された
- BGANの生成器だけを改良したモデル
- CCNNのみで構成された画像認識モデル
- D制約付きボルツマンマシンの別名
解説：GPT-3は多数のパラメータを持つ大規模言語モデルとして高い文章生成能力を示した．
正解：A
- Aモデルが学習によって調整する内部の数値
- BAIサービスの利用者名
- Cコンピュータの画面サイズだけ
- D法律上の権利番号
解説：パラメータはモデル内部で入力と出力の関係を表す数値であり学習によって調整される．
正解：A
- A学習や評価に使うデータの集合
- BAIの物理的な部品表
- C利用料金の一覧表
- D画面の配色設定
解説：データセットはモデルの学習や評価に用いるデータのまとまりである．
正解：A
- A人間の指示に従いやすくするために調整されたGPT系モデル
- BCNNを用いた画像圧縮モデル
- Cボルツマンマシンの別名
- D音声合成専用のロボット
解説：InstructGPTは人間の指示に沿った応答を出しやすくするために調整されたGPT系モデルである．
正解：A
- AReinforcement Learning from Human Feedback
- BRecurrent Language Hidden Function
- CRandom Learning for High Frequency
- DRobotic Logic Handling Framework
解説：RLHFはReinforcement Learning from Human Feedbackの略で人間のフィードバックを用いた強化学習である．
正解：A
- A人間の評価を用いてモデルの出力を望ましい方向に調整する
- B画像の解像度を上げる
- C通信を暗号化する
- Dデータベースを物理的に移動する
解説：RLHFは人間の好みや評価を利用してモデルの応答品質や安全性を調整するために使われる．
正解：A
- AAIの出力や行動を人間の意図や価値観に沿うよう調整すること
- B画像を中央揃えにするだけの操作
- Cモデルのファイル名を変更すること
- DAIに物理的な足を付けること
解説：アライメントはAIが人間の意図や社会的価値に沿った振る舞いをするように調整する考え方である．
正解：A
- A事前学習済みモデルを特定の用途やデータに合わせて追加学習すること
- B学習済みモデルを完全に削除すること
- C画像を手作業で切り抜くこと
- Dインターネット回線を高速化すること
解説：ファインチューニングは事前学習済みモデルを特定タスクに合わせて追加学習させ性能を調整する方法である．
正解：A
- AAIが事実と異なる内容をもっともらしく生成する現象
- BAIが画像を高解像度化する現象
- CAIが必ず正答する現象
- DAIが学習データを暗号化する現象
解説：ハルシネーションは生成AIが根拠のない情報や誤情報を自然な文章で出力してしまう現象である．
正解：A
- Aテキスト・画像・音声など複数種類の情報を扱えるAI
- Bテキストだけを処理するAI
- C画像だけを白黒化するAI
- D1つの数値だけを保存するAI
解説：マルチモーダルAIはテキストや画像や音声など複数のモダリティを統合的に扱うAIである．
正解：A
- Aコード実行やデータ分析などを支援するChatGPTの機能
- B画像生成専用のGAN
- C音声通話専用のロボット
- D検索エンジンの広告機能
解説：Code InterpreterはPythonコードの実行やファイル分析などを通じて計算やデータ処理を支援する機能として知られる．
正解：A
- A目的に応じてカスタマイズできるChatGPTの仕組み
- B画像のファイル形式
- CGANの識別器名
- Dロボットの部品名
解説：GPTsは用途や指示に合わせてカスタム版のChatGPTを作成・利用できる仕組みである．
正解：A
- AGPT-3.5より高い性能を持つGPT系モデルとして登場したモデル
- BGANの初期モデル
- Cボルツマンマシンの軽量版
- D画像リサイズ専用ツール
解説：GPT-4はGPT-3.5より高度な推論や文章生成能力を持つモデルとして位置づけられる．
正解：A
- Aテキスト・画像・音声などを統合的に扱うマルチモーダル性を重視したモデル
- Bボルツマンマシンを軽量化したモデル
- C画像の白黒変換だけを行うモデル
- D検索順位だけを決めるモデル
解説：GPT-4oはマルチモーダルな入出力を重視したGPT系モデルとして扱われる．
正解：A
- A推論能力を重視したOpenAIのモデル系列
- B画像圧縮専用ソフト
- C物理ロボットの型番
- D制約付きボルツマンマシンの別名
解説：GPT-o1は推論能力を重視したOpenAIのモデル系列としてシラバスに追加されている．
正解：A
- A推論能力を重視するOpenAIのモデル系列の一つ
- B初期のCNNモデル
- C敵対的生成ネットワークの識別器
- D音楽配信サービス
解説：GPT-o3はGPT-o1などと同様に推論能力を重視するOpenAIのモデル系列として扱われる．
正解：A
- AOpenAIの推論系モデルとしてシラバスに含まれるモデル
- BTransformer以前の探索アルゴリズム
- C個人情報保護法の条文名
- D音声ファイル形式
解説：GPT-o4はシラバス上でGPT-o1やGPT-o3とともにChatGPT関連の学習項目として示されている．
正解：A
- AGPT-4系の後続モデルとしてシラバスに含まれるOpenAIのモデル
- BGANの生成器
- CCNNの畳み込みフィルタ
- Dロボット制御用モーター
解説：GPT-4.1はGPT-4系の後続モデルとしてシラバスに追加されている．
正解：A
- AChatGPT関連の新しい主要モデルとしてシラバスに含まれるOpenAIのモデル
- BBERTの初期事前学習タスク
- C画像のリサイズ技術
- DAIガバナンスの法律名
解説：GPT-5は2026年2月試験適用シラバスの第2章にChatGPT関連項目として含まれている．
正解：A
- Aテキストなどから動画生成を行う生成AIサービス
- B表計算だけを行うソフトウェア
- C個人情報を匿名加工する法律用語
- D音声通話を暗号化する通信方式
解説：SoraはOpenAIの動画生成AIとしてシラバスに含まれている．
正解：A
- Aユーザーの指示に基づきWeb上の操作などを支援するAIエージェント系のサービス
- B画像の畳み込みフィルタ
- C個人情報保護委員会の制度名
- D生成器と識別器を競わせるモデル
解説：Operatorはユーザーの指示をもとにブラウザ操作などのタスク実行を支援するAIエージェント系サービスとして扱われる．
正解：A
- Aプログラミングコードの生成や理解を支援するAI
- B音楽生成だけを行うAI
- C画像のノイズ除去専用モデル
- D法律文書を登録するデータベース
解説：Codexはコード生成やプログラミング支援に関連するOpenAIのAIとして知られる．
正解：A
- Aプロンプトなどから画像を生成する機能や技術
- B画像を必ず削除する処理
- C文章を暗号化する処理
- D音声通話を録音する処理
解説：Image Generationは入力された指示などをもとに画像を生成する生成AIの機能である．
正解：A
- AGoogleが提供する生成AIまたはAIモデル群
- BOpenAIの動画生成専用サービス
- CAnthropicの対話AI
- DMicrosoftの表計算ソフト
解説：GeminiはGoogleの生成AIまたはAIモデル群として主要生成AIに含まれる．
正解：A
- AAnthropicが提供する対話型生成AI
- BGoogleの検索広告だけを管理する機能
- COpenAIの動画生成サービス
- D画像圧縮専用ツール
解説：ClaudeはAnthropicが提供する対話型生成AIとして主要生成AIに含まれる．
正解：A
- AMicrosoftが提供する生成AI支援機能・サービス
- BAnthropicの対話AIのみを指す名称
- CGoogleの動画生成AI
- D制約付きボルツマンマシンの別名
解説：CopilotはMicrosoftが提供する生成AIを活用した支援機能やサービスとして知られる．
正解：A
- AGemini・Claude・Copilot
- BGAN・VAE・CNN
- C探索・推論・AIの冬
- Dスミッシング・ヴィッシング・フィッシング
解説：第2章ではChatGPT以外の主要生成AIとしてGemini・Claude・Copilotが示されている．
正解：A
- AGPT・BERT・RoBERTa・ALBERT
- BGAN・VAE・RBM・CNNのみ
- Cフィッシング・スミッシング・ヴィッシング
- D正則化・ドロップアウト・転移学習
解説：Transformer以後にはGPTやBERTのほかBERT系のRoBERTaやALBERTなどの派生モデルが登場した．
正解：A
- AGPTは主に自己回帰的な生成に強くBERTは双方向文脈理解に強い
- BGPTは画像だけを処理しBERTは音声だけを処理する
- CGPTはGANでBERTはVAEである
- DGPTとBERTは完全に同じ学習目的である
解説：GPTは次のトークン予測に基づく生成を得意としBERTはマスクされた語の予測などにより双方向文脈理解を得意とする．
正解：A
- Aデータ生成や潜在表現の学習で確率的な変動として利用されることがある
- BAIではノイズは常に学習データとして禁止される
- Cノイズは著作権を表す法律用語である
- Dノイズはユーザー認証の別名である
解説：生成モデルではノイズや確率的な潜在表現を利用して多様な生成を行う考え方がある．
正解：A
- Aモデルが言語や画像の特徴を学習する基盤になるため
- Bデータセットがあると計算が完全に不要になるため
- Cデータセットは法律上の権利だけを示すため
- Dデータセットは画面デザインを変えるだけのため
解説：生成AIは大量のデータからパターンや特徴を学ぶためデータセットの質と量が性能に大きく関係する．
正解：A
- A重要な情報は信頼できる資料で確認する
- BAIの出力は必ず正しいとみなす
- C出典確認を禁止する
- D誤情報でも自然な文章なら採用する
解説：生成AIは誤情報をもっともらしく出力することがあるため重要な内容は根拠や一次情報で確認する必要がある．
正解：A
- ARLHFとアライメント
- Bフィッシングとスミッシング
- CエキスパートシステムとAIの冬
- D限定提供データと営業秘密
解説：ChatGPTの応答を人間の意図に近づけるためにRLHFやアライメントの考え方が用いられる．
正解：A
- ACSVデータを読み込んで集計やグラフ化を行う
- Bユーザーの個人情報を無断で公開する
- C画像の著作権を自動的に消滅させる
- DAIモデルを物理的に修理する
解説：Code Interpreterはコード実行によりデータ分析や計算処理を支援する機能である．
正解：A
- A特定業務向けの指示や知識を設定したカスタムChatGPTを作る
- BAIモデルの物理的な重量を減らす
- C画像ファイルを必ず削除する
- D著作権侵害を自動的に合法化する
解説：GPTsは用途ごとの指示や設定を組み込んだカスタム版ChatGPTを作る仕組みである．
正解：A
- A画像を入力して内容を説明しさらに文章で回答するAI
- Bテキストだけを1文字ずつ数えるAI
- C数値を四捨五入するだけのAI
- Dロボットの電源を入れるだけの装置
解説：マルチモーダルAIは画像や音声など複数種類の情報を入力または出力として扱える．
正解：A
- A生成AIは新しいコンテンツを作ることに重点があり識別モデルは分類や判定に重点がある
- B生成AIは一切学習しない
- C識別モデルは必ず画像を生成する
- D両者は法律上まったく同じ意味である
解説：生成AIは新しいデータの生成を目的とし識別モデルは入力データを分類・判定することを主目的とする．
正解：A
- Aユーザーとのやり取りを通じて質問応答や文章生成を行うAI
- B画像の色だけを変えるAI
- C通信回線を暗号化するAI
- D物理的な鍵を開けるロボット
解説：対話型AIはユーザーの入力に応じて自然言語で応答し会話形式でタスクを支援するAIである．
正解：A
- Aデータを分類・予測するのではなく、新しいコンテンツ（テキスト・画像・音楽等）を生成できる点
- Bルールベースシステムよりも高速に動作する点
- Cクラウド上でのみ動作する点
- Dユーザー認証機能を備えている点
解説：生成AIは入力プロンプトを基に新しいテキスト・画像・音楽・動画などのコンテンツを創出する能力を持つ。既存データの分類・予測を行う識別型AIと根本的に異なる。
正解：B
- A時系列データを処理するための再帰型ニューラルネットワーク
- B確率的なニューラルネットワークで、統計力学のボルツマン分布に基づいてデータの確率分布を学習する
- C画像の畳み込み処理に特化したニューラルネットワーク
- Dテキスト生成に特化した自己回帰モデル
解説：ボルツマンマシンはGeoffrey Hintonらが提案した確率的モデル。可視層と隠れ層のユニット間の確率的相互作用によりデータの分布を学習する。生成モデルの先駆け的存在。
正解：B
- A学習データの量を制限すること
- B可視層内・隠れ層内のニューロン間の結合をなくし、可視層と隠れ層間のみ結合する制約
- C学習率の上限を制限すること
- Dモデルのパラメータ数を制限すること
解説：RBMは同層内のニューロン接続を除去した制約により、効率的な学習が可能になった。RBMを積み重ねて深層信念ネットワーク（DBN）の事前学習に活用された。
正解：B
- A入力と出力が同じ次元になるオートエンコーダー
- B過去の値から次の値を予測するモデルで、テキスト生成では前の単語から次の単語を予測する
- Cデータを圧縮・再構成するためのモデル
- Dランダムノイズから画像を生成するモデル
解説：自己回帰モデルはp(x_t | x_{t-1}
正解：B
- A生成器と識別器が競争する構造
- Bエンコーダが入力を潜在空間の確率分布にマッピングし、デコーダが潜在ベクトルから入力を再構成する構造
- C再帰的な接続で時系列を処理する構造
- D自己注意機構で文中の関連性を計算する構造
解説：VAEはエンコーダが入力データを平均・分散パラメータ（潜在空間の正規分布）に変換し、デコーダがサンプリングした潜在ベクトルから元データを再構成。画像生成・異常検知・データ拡張に活用。
正解：B
- A元の入力データをそのまま格納するベクトル
- Bエンコーダが入力データを圧縮した低次元の表現で、データの本質的な特徴を含む
- Cデコーダの出力層の重みベクトル
- D訓練データのラベルを格納するベクトル
解説：潜在ベクトルはエンコーダが入力を圧縮した低次元表現。VAEでは確率分布（平均・分散）として潜在空間を定義し、サンプリングにより多様なデータを生成できる。異なる潜在ベクトルを補間することで連続的な生成が可能。
正解：B
- A生成器はデータを分類し、識別器は新しいデータを生成する
- B生成器は本物に似せたデータを生成し、識別器は生成データと本物データを見分ける
- C生成器はモデルのパラメータを最適化し、識別器は損失を計算する
- D生成器はデータを圧縮し、識別器がデコードする
解説：GAN（Ian Goodfellow
正解：C
- A識別器の損失が0になり学習が停止する現象
- B生成器が訓練データを単純に暗記してしまう現象
- C生成器が多様なデータを生成できず特定のパターンのデータのみを繰り返し生成する現象
- D識別器が常に「本物」と判定してしまう現象
解説：モード崩壊はGAN学習の代表的な問題の一つ。生成器が識別器をだます少数のパターンに特化し、多様なデータを生成できなくなる。Wasserstein GANなど様々な改善手法が提案されている。
正解：B
- A画像の局所特徴を畳み込みで抽出するネットワーク
- B前のステップの出力を次のステップの入力に再利用する再帰的構造で時系列・文章を処理できるネットワーク
- C入力と同じ次元の出力を生成するオートエンコーダー
- D複数の頭でAttentionを計算するマルチヘッドモデル
解説：RNNは前ステップの隠れ状態を次ステップの入力に加える再帰的構造を持ち、テキスト・音声・時系列データの順序情報を処理できる。ただし長距離依存の学習に弱い（勾配消失）という課題がある。
正解：B
- A画像処理に特化したアーキテクチャを持つ
- Bゲート機構（入力・忘却・出力ゲート）により長期依存関係を学習できる
- CTransformerより少ないパラメータで高精度を実現する
- D並列処理が可能なのでTransformerより学習が速い
解説：LSTMはHochreiter & Schmidhuberが1997年に提案。セルステートとゲート機構（入力・忘却・出力ゲート）により、RNNの勾配消失問題を緩和し長距離の文脈依存関係を学習できる。
正解：C
- AGenerative Adversarial Nets
- BImageNet Classification with Deep CNNs
- CAttention Is All You Need
- DBERT: Pre-training of Deep Bidirectional Transformers
解説：2017年にGoogleの研究者Vaswaniらが発表した論文「Attention Is All You Need」でTransformerが提案された。RNNを使わずSelf-Attentionのみで並列処理を実現し、機械翻訳で当時の最高性能を達成した。
正解：B
- A入力データを圧縮して潜在ベクトルに変換する
- B入力シーケンス内の各要素が他の全ての要素との関連度（重要度）を計算し、重み付き表現を生成する
- Cランダムにニューロンを無効化して過学習を防ぐ
- D入力の位置情報を符号化する
解説：Self-Attentionはクエリ（Q）・キー（K）・バリュー（V）の計算により、文中の各単語が他の全単語に対してどれだけ注目すべきかを計算し、文脈を考慮した表現を生成する。これにより長距離依存も効率的に学習できる。
正解：B
- A各単語を高次元ベクトルに変換するため
- BSelf-Attentionでは処理順序が失われるため、単語の位置情報をベクトルに付加するため
- Cバッチ正規化を代替するため
- Dドロップアウトの代わりに過学習を防ぐため
解説：Transformerは並列処理のためRNNの順次処理を持たず、入力の順序情報が失われる。正弦波・余弦波などで計算した位置エンコーディングをトークン埋め込みベクトルに加算して位置情報を付与する。
正解：B
- A初めて双方向Transformerを自然言語処理に適用した
- B大量テキストデータでのTransformerプレトレーニング→ファインチューニングのパラダイムを自然言語処理で実証した
- C1000億以上のパラメータで人間超えの性能を達成した
- D音声と画像を同時に処理するマルチモーダル能力を初めて実現した
解説：GPT-1（OpenAI
正解：B
- A著作権侵害の可能性があったため
- B偽ニュース・フェイクコンテンツ生成への悪用懸念から段階的に公開した
- Cコンピュータの計算能力が不足していたため
- D政府の規制により公開が禁止されたため
解説：GPT-2はより大規模なモデルで生成テキストの品質が格段に向上。OpenAIは偽情報・プロパガンダへの悪用リスクを懸念し、当初はフルモデルを非公開にして段階的に公開する異例の対応をとった。
正解：B
- Aはじめて強化学習（RLHF）を組み込んだ対話最適化モデル
- B1750億パラメータで少数ショット学習（Few-Shot Learning）能力が飛躍的に向上したモデル
- C初めて画像と音声を同時処理したマルチモーダルモデル
- Dオープンソースで公開された最初の大規模言語モデル
解説：GPT-3は1750億パラメータ（GPT-2の約1500倍）の大規模言語モデル。タスク専用のファインチューニングなしに少数の例を示すだけ（Few-Shot）で多様なタスクを高精度で実行できるIn-Context Learning能力を示した。
正解：B
- Aコントラスティブ学習
- BRLHF（人間のフィードバックからの強化学習）
- Cカリキュラム学習
- Dメタ学習
解説：InstructGPTはGPT-3にRLHF（Reinforcement Learning from Human Feedback）を適用。人間が好む応答をラベリングし、報酬モデルを訓練後、そのモデルを使って強化学習で言語モデルを最適化。人間の意図・価値観に沿った応答の生成が可能になった。
正解：B
- Aデータ収集→クラスタリング→分類モデル学習
- B教師あり学習で初期モデル作成→報酬モデル学習→強化学習での最適化
- CGANの生成器・識別器を交互に学習
- Dプレトレーニング→量子化→プルーニング
解説：RLHFの流れ：①SFT（教師あり学習で人間の回答で微調整）→②RM（報酬モデル：人間による応答ペアの比較評価で学習）→③PPO（強化学習で報酬モデルを最大化するようLMを最適化）。ChatGPTの対話品質向上の鍵。
正解：B
- A文章の次の単語を順番に予測する
- B入力文中の一部の単語をマスクし、周囲の文脈から元の単語を予測する
- C文の感情ラベルを予測する
- D次の文が続くか予測するバイナリ分類
解説：BERTのMLMは入力テキストの15%のトークンをランダムにマスクし（[MASK]）、Transformerエンコーダーが双方向の文脈を使ってマスクされた単語を予測する事前学習。双方向文脈理解を可能にする重要な設計。
正解：B
- A文の次の単語を予測するタスク
- B2つの文が文書内で実際に連続しているかを予測するバイナリ分類タスク
- C文の感情（ポジティブ/ネガティブ）を分類するタスク
- D文を別言語に翻訳するタスク
解説：BERTのNSP事前学習タスクは、2つの文を入力し「文Bは文Aの直後の文か？」を予測するバイナリ分類。文書内の文の関係性（論理的流れ）を学習するために導入されたが、後続モデル（RoBERTaなど）では有効性に疑問が示されNSPを削除している。
正解：B
- AGPTはエンコーダーのみ、BERTはデコーダーのみを使用する
- BGPTは左から右への一方向デコーダー（テキスト生成向き）、BERTは双方向エンコーダー（文章理解向き）
- CGPTはGoogle開発、BERTはOpenAI開発
- DGPTは教師なし、BERTは教師あり学習のみ
解説：GPTはTransformerのデコーダー部分を使用し、左から右へ次のトークンを予測するため生成タスクに優れる。BERTはエンコーダーを双方向で使用し、文章全体の文脈を理解する分類・QAタスクに優れる。
正解：B
- Aアーキテクチャを完全に変更してTransformerをやめた
- Bより大量のデータ・より長い学習・NSP削除・動的マスキングなどBERTの学習設定を最適化した
- CGPTスタイルの自己回帰生成を追加した
- Dマルチモーダル処理能力を追加した
解説：RoBERTa（Facebook AI
正解：B
- ABERTより多くのパラメータで高い精度を実現
- Bパラメータ削減技術（埋め込み分解・層間パラメータ共有）で軽量化しながら性能を維持
- CGPT-3と同様の自己回帰型アーキテクチャを採用
- D強化学習を用いた対話最適化を初めて実装
解説：ALBERT（Google
正解：B
- AAIが高負荷時に動作を停止する現象
- BAIが事実に反する情報を自信ありげにもっともらしく生成してしまう現象
- CユーザーがAIの応答を誤解する認知的現象
- DAIモデルが学習データを過度に記憶してしまう現象
解説：ハルシネーションはAIが事実とは異なる情報（存在しない引用・誤った日付・架空の人物など）を、あたかも正確であるかのように自信を持って生成する現象。LLMの確率的テキスト生成の性質から生じ、事実確認が重要。
正解：B
- A複数のユーザーが同時に使用できるAIシステム
- Bテキスト・画像・音声・動画など複数の異なるデータ形式（モダリティ）を処理・生成できるAI
- C複数のAIモデルを組み合わせたアンサンブルシステム
- D複数言語を同時に理解できる多言語モデル
解説：マルチモーダルAIはテキストだけでなく画像・音声・動画など複数のデータ形式を統合的に処理できる。GPT-4V（画像+テキスト）・Gemini（テキスト+画像+音声）・Claude 3（画像理解）などが代表例。
正解：B
- Aユーザーのコードのバグを自動修正するだけの機能
- BPythonコードを内部で実行してデータ分析・グラフ作成・ファイル処理などを行う機能
- CJavaScriptとCSSのみを処理できる開発支援機能
- Dコードを他言語に自動翻訳する機能
解説：Code Interpreter（現Advanced Data Analysis）はChatGPT内でPythonコードを実際に実行できる機能。データ分析・グラフ描画・ファイル変換・数学計算など幅広いタスクをコード実行で処理できる。
正解：B
- AGoogleが提供するGPTモデルの競合サービス
- Bユーザーが特定の用途向けにChatGPTをカスタマイズしたAIを作成・共有できる機能
- CGPTモデルを複数組み合わせてより高精度を実現する技術
- DGPU計算を最適化するためのツール
解説：GPTs（2023年11月発表）はOpenAIが提供するカスタムGPT作成機能。専用の指示・知識・ツール（WebブラウジングやCode Interpreter等）を設定し、特定用途向けのChatGPTを作成してOpenAI Storeで共有できる。
正解：B
- AOpenness（オープンソース化）
- BOmni（全てのモダリティを統合的にネイティブ処理）
- COptimization（計算最適化）
- DOwnership（ユーザー所有権）
解説：GPT-4o（2024年5月）の「o」はOmniの略。テキスト・画像・音声を単一モデルでネイティブに処理し、音声会話を低遅延でリアルタイムに行える。感情的なトーンの変化など以前のモデルより自然な音声対話が可能。
正解：B
- Aより大きなコンテキストウィンドウを持つ標準的なLLM
- B応答前に長い「思考（チェーン・オブ・ソート）」プロセスを経て複雑な推論問題を解く能力に特化したモデル
- C画像生成に特化したテキスト-画像変換モデル
- Dユーザーの行動データから学習するパーソナライズドモデル
解説：GPT-o1（2024年9月）はOpenAIの「推論モデル」シリーズの第1弾。回答前に内部でchain-of-thoughtを行い、数学・コーディング・科学的推論などの複雑な問題で大幅な改善を示した。
正解：B
- Aコードのバグのみを検出するデバッグ専用AI
- B自然言語の説明からプログラムコードを生成できるコーディング特化LLM
- C量子コンピュータ用のコード生成に特化したモデル
- DコードをAIが理解できる形式に変換するコンパイラ
解説：Codex（OpenAI
正解：B
- Aテキストから音楽を生成するAIモデル
- Bテキストプロンプトから最大1分以上の高品質動画を生成できるAI動画生成モデル
- C3DモデルをテキストでコントロールするAIアニメーションツール
- Dリアルタイム音声変換（ボイスチェンジャー）モデル
解説：Sora（OpenAI
正解：B
- AMicrosoftのBingチャットに搭載されたAI
- BGoogleとDeepMindが開発したマルチモーダル生成AIモデルでNano/Pro/Ultraなど複数のサイズ展開
- COpenAIが開発したGPTの競合モデル
- DMetaのオープンソースAIモデル
解説：Gemini（2023年12月）はGoogleとDeepMindが共同開発したマルチモーダルAI。Gemini Nano（デバイス向け）・Pro（一般向け）・Ultra（最高性能）のサイズ展開があり、Google検索・Workspaceなどに統合されている。
正解：B
- AOpenAIが開発した教育特化AIアシスタント
- B「安全性と倫理性の重視」を設計原則に据えたAnthropicの大規模言語モデルベースAIアシスタント
- CMetaが開発した無料オープンソースAI
- DMicrosoftのAzureサービス専用AI
解説：Claude（Anthropic）はAIの安全性・Constitutional AI（AIが自己評価で応答を改善する手法）・安全で有益で誠実な応答を重視した設計で知られる。Claude 3（Haiku/Sonnet/Opus）など複数サイズを展開。
正解：B
- AGoogle Documentに統合されたAI機能
- BOpenAIのGPT-4をベースにMicrosoft製品（Office・Bing・Windows等）に統合されたAIアシスタント
- CMicrosoftがゼロからOpenAIと独立して開発した独自AI
- Dプログラミング専用のコード補完AIのみを指す
解説：Microsoft Copilotは主にOpenAIのGPT-4ベースでBing検索・Microsoft 365（Word・Excel・PowerPoint等）・Windows・GitHubなどMicrosoft製品群に広く統合されたAIアシスタント。
正解：B
- Aプレトレーニングとファインチューニングは全く同じ処理
- Bプレトレーニングで汎用的な言語知識を獲得し、ファインチューニングで特定タスク向けに追加学習する
- Cファインチューニングでデータを集め、プレトレーニングでモデルを評価する
- Dプレトレーニングは教師あり学習、ファインチューニングは教師なし学習
解説：大規模言語モデルの学習はまずウェブ全体などの大量テキストで言語の統計的パターンを学習（プレトレーニング）し、次に特定タスク（質問応答・分類等）のデータで追加学習（ファインチューニング）するパラダイムが確立されている。
正解：B
- AAIモデルの座標軸を調整するための数値処理
- BAIの出力・目標・行動を人間の意図・価値観・倫理に沿わせる研究・取り組み
- C複数のAIモデルの性能を揃えること
- DAIシステムのネットワーク接続設定
解説：AIアライメントはAIが人間にとって有益で安全・誠実な行動をとるように設計・訓練する研究領域。RLHF・Constitutional AI・RLAIF（AI Feedback）などの手法がアライメント向上に活用されている。
正解：B
- A複数のデータセンターで分散して計算するアテンション
- B複数の異なる表現空間で並列にAttentionを計算し、多角的な文脈を捉える機構
- C複数のユーザーが同時にAttentionを使うシステム
- D重みを複数のヘッドに分けて計算量を削減する手法
解説：マルチヘッドアテンションはAttentionをh個のヘッドで並列計算し（異なるW_Q・W_K・W_Vで変換）、各ヘッドが異なる種類の依存関係（構文・意味・長距離依存等）を捉えた表現を結合する。
正解：B
- ALSTMより多いゲートを持ち更に高精度な時系列処理ができる
- BLSTMより単純な（更新・リセット）ゲート構造で、LSTMと同等の性能をより少ないパラメータで実現する
- C画像処理のためにCNNをRNNに統合したモデル
- D強化学習エージェントの行動選択に特化したRNN
解説：GRU（Cho et al.
正解：C
- A初めてAIがテキストを生成できるようになった
- B検索エンジンを使わずに回答を生成する初めてのシステム
- C複雑な指示への対応・会話履歴の保持・多様なタスクへの適応を高品質かつ自然な対話で一般ユーザーが利用できる形で実現した
- D初めてマルチモーダル処理を実装したAI
解説：ChatGPT（2022年11月公開）はGPT-3.5にRLHFを適用。指示への追従・会話の文脈保持・多様なタスクへの対応を自然な対話形式で一般向けに提供。2ヶ月で1億ユーザー到達という空前の普及速度でAIの社会的認識を変えた。
正解：B
- AChatGPTの音声対話機能の別名
- BAIエージェントがウェブブラウザを操作し実際のタスク（予約・フォーム入力・情報収集等）を自律実行するシステム
- COpenAIのAPIを管理するダッシュボードツール
- Dマルチモーダル処理をスケールアップするための分散システム
解説：Operator（OpenAI
正解：B
- AImageNetで事前学習した重みをそのまま新タスクに使用するのみ
- B事前学習済みCNNの前段（特徴抽出層）の重みを固定し、後段の全結合層を新タスクのデータでファインチューニングする
- Cランダムな重みで新タスクを学習する
- DCNNの全層を削除して全結合層のみで新タスクを学習する
解説：CNN転移学習の典型例：ImageNetで事前学習したVGG・ResNet等の畳み込み層（汎用的な画像特徴を学習済み）を固定し、出力層（タスク固有）を新データで学習する。少量データでも高精度が得られる。
3章
この範囲を15問解く現在の生成AI（ジェネレーティブAI）の動向
正解：A
- A画像から動画を生成する
- B音声から画像を生成する
- Cテキストから3Dモデルを生成する
- D画像から音声を生成する
解説：Runway Gen-3は静止画像から動画を生成するAIツールであり画像に動きを付けて短い動画を生成することができる生成AIサービスである．
正解：C
- A強化学習
- B教師あり学習
- CGAN（敵対的生成ネットワーク）
- D教師なし学習
解説：ディープフェイクの多くはGANを利用している．GANは「生成器」と「識別器」が競い合いながら学習する仕組みで本物と区別がつかない画像や動画を生成できるためディープフェイク技術の基盤となっている．
正解：B
- AChatGPT
- BLuma Dream Machine
- CAdobe Photoshop
- DMicrosoft Paint
解説：Luma Dream Machine はテキストプロンプトから画像や映像を生成できる生成AIサービスである．
正解：D
- AGoogle
- BOpenAI
- CMicrosoft
- DAnthropic
解説：Claude は米国のAI企業 Anthropic が開発した大規模言語モデルベースのAIアシスタントである．安全性や倫理性を重視したAI設計が特徴とされている．
正解：C
- Aアニメーション映像のみ
- B実写映像のみ
- Cアニメーションと実写の両方
- D3DCGのみ
解説：OpenAIの Sora はテキストから高品質な動画を生成するAIモデルであり実写風の映像だけでなくアニメーション風の映像などさまざまなスタイルの映像を生成できる．
正解：D
- AJavaとC++のみ
- BJavaScriptのみ
- CPython、R、Rubyの3つ
- DPythonのみ
解説：ChatGPT の Code Interpreter （ 現 在 は Advanced Data Analysis） は内部で Python を使用してデータ分析・計算・グラフ作成などを実行する機能である
正解：C
- AOpenAI
- BMicrosoft
- CGoogle
- DMeta
解説：GeminiはGoogleが開発した生成AIモデルである
正解：B
- A独自のAIモデルの開発
- B既存モデルのカスタマイズと最適化
- C新しい言語モデルの作成
- DAIの完全再学習
解説：カスタムGPTは既存モデルを用途に応じて調整する機能である
正解：C
- ATransformer初採用
- B最大規模モデル公開
- C一般ユーザーへ広く提供
- D新学習方式実現
解説：一般ユーザーが簡単に利用できる形で提供されたことが大きな革新
正解：B
- A正規化
- B二値化
- Cリサイズ
- Dデータ水増し
解説：色情報が失われるため不適切
正解：D
- A映画効果
- B翻訳映像同期
- Cアバター
- D政治操作映像
解説：政治的悪用は不適切な利用
正解：A
- A入力された指示や文脈に基づいて文章を生成・要約・変換するAI
- B画像の解像度を変更するだけのAI
- C音声を物理的な機械音に変換する装置
- D動画ファイルを圧縮する専用ソフト
解説：テキスト生成AIは自然言語の入力に基づき文章の作成・要約・翻訳・変換などを行う生成AIである．
正解：A
- Aプロンプトや条件をもとに新しい画像を生成するAI
- B文章を必ず音声に変換するAI
- Cデータベースから文書だけを検索するAI
- D通信の暗号化だけを行うAI
解説：画像生成AIはテキスト指示や参照画像などをもとに新しい画像を生成するAIである．
正解：A
- Aメロディ・伴奏・楽曲などの音楽的コンテンツを生成するAI
- B画像の明るさだけを変更するAI
- C文章の誤字だけを検出するAI
- Dネットワークの接続状態を監視するAI
解説：音楽生成AIは学習した音楽的特徴をもとにメロディや伴奏などの音楽コンテンツを生成する．
正解：A
- Aテキストや条件に基づいて人間の声のような音声を生成するAI
- B画像を拡大するだけのAI
- C文書を分類するだけのAI
- Dメールを暗号化するだけのAI
解説：音声生成AIはテキスト読み上げや声質変換などにより自然な音声を生成するAIである．
正解：A
- Aテキストや画像などをもとに時間的に連続した映像を生成するAI
- B静止画像のファイル名だけを変更するAI
- C数値を表計算するだけのAI
- D個人情報を匿名加工する制度
解説：動画生成AIはプロンプトや画像などから連続したフレームを生成し映像コンテンツを作るAIである．
正解：A
- A画像の縦横サイズや解像度を変更する処理
- B画像内の人物を必ず本人確認する処理
- C文章を短く要約する処理
- D音声を文字起こしする処理
解説：画像のリサイズは画像の幅や高さや解像度を変更する前処理・編集処理である．
正解：A
- A画素値などのデータ範囲をそろえて学習しやすくする
- B画像を必ず削除する
- C画像を法律上保護する
- D画像を必ず動画に変換する
解説：正規化は画素値などのスケールをそろえモデルが安定して学習できるようにする処理である．
正解：A
- A画像の回転・反転・切り抜きなどで学習データのバリエーションを増やす手法
- B学習データをすべて削除する手法
- C正解ラベルを法律文書に変換する手法
- DAIの利用料金を増やす処理
解説：データの水増しは既存データに変換を加えて学習データの多様性を高め過学習を抑える手法である．
正解：A
- A少ないデータから多様な学習例を作りモデルの汎化性能を高めやすい
- Bモデルの学習を完全に不要にできる
- C著作権侵害を必ず防げる
- D生成AIの誤答を完全になくせる
解説：データ拡張は学習データのバリエーションを増やし未知データへの対応力を高める目的で使われる．
正解：A
- A既存の音声・映像・画像などの品質を改善する処理
- Bデータベースを削除する処理
- C文章を必ず英語に翻訳する処理
- DAIモデルを物理的に修理する処理
解説：リマスタリングは既存コンテンツのノイズ低減や解像度向上などにより品質を高める処理である．
正解：A
- A既に生成した情報をもとに次の要素を順に生成するモデル
- B画像を必ず白黒化するモデル
- C正解ラベルだけを保存する方式
- D通信経路を暗号化する方式
解説：自己回帰モデルは過去または既に生成済みの要素を条件に次の単語やフレームなどを順に生成する．
正解：A
- AAnthropicが提供する対話型生成AI
- BGoogleが提供する動画生成専用AI
- COpenAIの画像リサイズ機能
- DMicrosoftのOS更新機能
解説：ClaudeはAnthropicが提供する主要な対話型生成AIである．
正解：A
- AGoogleが提供する生成AIモデルまたはサービス群
- BAnthropicが提供する対話AI
- COpenAIのコード生成専用モデル
- D画像ファイルの圧縮方式
解説：GeminiはGoogleが提供する生成AIモデルまたはサービス群である．
正解：A
- Aテキストなどから動画を生成するAIサービス
- B文章を表計算に変換する関数
- C画像の圧縮形式
- D音声認証だけを行う装置
解説：Soraはテキスト指示などから動画を生成するAIサービスとして知られる．
正解：A
- AGoogleの動画生成AIモデルとして扱われる生成AI
- B個人情報保護法上の匿名加工制度
- C文章校正専用のルールベースAI
- D音声を暗号化する通信方式
解説：Veo 3は動画生成AIの文脈で扱われるGoogleの生成AIモデルである．
正解：A
- AAIを用いて人物の顔や声などを本物のように合成・改変する技術
- B画像サイズを小さくするだけの技術
- C文章を箇条書きに直す技術
- Dデータを暗号化して保存する技術
解説：ディープフェイクは深層学習などを用いて人物の映像や音声を本物らしく合成・改変する技術である．
正解：A
- A偽情報の拡散やなりすまし被害につながる可能性がある
- B画像のファイルサイズが必ず小さくなる
- CAIの学習速度が必ず低下する
- D正規化処理が不要になる
解説：ディープフェイクは本人が発言・行動したように見せかけられるため偽情報や詐欺や名誉毀損のリスクがある．
正解：A
- A人を誤認させる目的で意図的に作られたり拡散されたりする虚偽情報
- B画像を高解像度にする処理
- C学習データを正規化する処理
- Dプロンプトの出力形式を指定する記号
解説：ディスインフォメーションは意図的に作成・拡散される虚偽情報を指す．
正解：A
- A出所・公開元・複数の信頼できる情報源を確認する
- B自然に見える映像は必ず本物と判断する
- C拡散数が多ければ必ず正しいと判断する
- D音声が付いていれば本人の発言と断定する
解説：ディープフェイクは本物らしく見えるため出所や複数の信頼できる情報源による確認が重要である．
正解：A
- ARetrieval-Augmented Generation
- BRandom Access Generation
- CRecursive Agent Gateway
- DRobotic Answer Generator
解説：RAGはRetrieval-Augmented Generationの略で日本語では検索拡張生成と呼ばれる．
正解：A
- A外部情報を検索して取得しその情報をもとに回答を生成する仕組み
- B画像を回転して学習データを増やす手法
- C生成器と識別器を競わせるモデル
- D音声を圧縮するファイル形式
解説：RAGは検索によって外部知識を取得し生成モデルの回答に組み込む仕組みである．
正解：A
- Aモデル内部知識だけに頼らず外部資料を参照して回答できるため
- BAIの誤答を完全にゼロにできるため
- C学習データが一切不要になるため
- Dインターネット接続が常に不要になるため
解説：RAGは外部資料を参照して回答するため最新情報や社内文書などモデルが事前学習していない情報を扱いやすい．
正解：A
- A関連する文書や情報を検索・取得すること
- B回答文を装飾すること
- C画像をリサイズすること
- Dモデルの重みを削除すること
解説：RAGのRetrievalは質問に関連する情報を文書データベースなどから検索して取得する工程である．
正解：A
- A取得した情報と質問をもとに回答文を生成すること
- Bデータを暗号化すること
- C画像の縦横比を変更すること
- D通信速度を測定すること
解説：RAGのGenerationは検索で得た情報を文脈として生成AIが回答を作成する工程である．
正解：A
- A質問を受ける・関連文書を検索する・取得情報をもとに回答を生成する
- B回答を生成する・質問を削除する・文書を破棄する
- C画像を拡大する・音声化する・法律判断する
- Dモデルを物理的に交換する・再起動する・削除する
解説：RAGではユーザーの質問に対し関連情報を検索し取得した情報をプロンプトに組み込んで回答を生成する．
正解：A
- A検索しやすいように文書を一定のまとまりに分割した単位
- B画像の色を表す単位
- C音声の音量を表す単位
- DAIモデルの利用料金
解説：RAGでは長い文書を小さなまとまりであるチャンクに分割して検索対象にすることが多い．
正解：A
- A質問に関連する部分を検索しやすくし回答に必要な情報を取り出しやすくするため
- B文書を必ず削除するため
- C検索を完全に不要にするため
- DAIが法律判断を自動で確定するため
解説：適切なチャンク分割により必要な情報を検索で取り出しやすくなり回答品質に影響する．
正解：A
- A文書やデータをベクトル表現として保存し意味的な近さで検索できるデータベース
- B画像ファイルだけを圧縮するソフト
- C個人情報を匿名化する法律制度
- D通信ログを削除する装置
解説：ベクトルデータベースはテキストなどを埋め込みベクトルとして保存し類似度検索に利用する．
正解：A
- A質問と意味的に近い文書チャンクを検索するため
- B画像を高解像度化するため
- C音声を合成するため
- Dモデルの著作権を登録するため
解説：ベクトルデータベースは質問と文書チャンクの意味的な類似度をもとに関連情報を検索するために使われる．
正解：A
- A社内マニュアルを検索して問い合わせ回答を作成する
- B画像を必ず白黒に変換する
- C動画のファイルサイズだけを小さくする
- DAIモデルの電源を管理する
解説：RAGは社内文書やFAQやマニュアルなど外部知識を参照した回答生成に向いている．
正解：A
- A検索対象文書の品質や更新状況が回答の正確性に影響する
- B検索対象文書の内容は回答に一切影響しない
- CRAGを使えば出典確認は常に不要になる
- DRAGでは誤情報が絶対に発生しない
解説：RAGは取得した文書をもとに回答するため検索対象の品質・鮮度・権限管理が重要である．
正解：A
- A根拠となる外部文書を参照して回答を生成できるため
- B生成AIの学習を完全に止められるため
- C全ての出力を法律上正しいものにできるため
- D画像生成を禁止できるため
解説：RAGは根拠文書を参照させることでモデル内部の曖昧な知識だけに頼る回答を減らす効果が期待される．
正解：A
- A不適切な文書を検索したり取得情報を誤って解釈したりする可能性があるため
- B検索を使うと必ずモデルが停止するため
- C文書を分割すると必ず内容が正しくなるため
- Dベクトルデータベースは法律文書しか扱えないため
解説：RAGでも検索ミスや文脈不足や生成時の解釈ミスにより誤った回答が発生する可能性がある．
正解：A
- A目標達成のために状況を判断し必要な処理やツール利用を行うAIシステム
- B画像の縦横サイズだけを変える処理
- C音声を圧縮するファイル形式
- D正解ラベルを保存する表
解説：AIエージェントはユーザーの目標に基づいて計画・判断・ツール利用などを行うAIシステムである．
正解：A
- A回答だけでなくタスク遂行のために外部ツール操作や手順実行を行う場合がある
- B必ず物理的な身体を持つ
- C学習データを一切使わない
- D文章生成ができない
解説：AIエージェントは単に回答を返すだけでなく目的達成のために検索・ファイル操作・Web操作などを組み合わせる場合がある．
正解：A
- A目標理解・計画立案・ツール利用・結果確認
- B画像リサイズ・正規化・暗号化のみ
- C著作権登録・商標登録・納税のみ
- D音量調整・圧縮・再生のみ
解説：AIエージェントは目標を理解し必要な手順を計画しツールを使い結果を評価しながら進める仕組みを持つ．
正解：A
- A旅行計画の条件を整理しWeb検索や予約候補の比較を行う
- B画像の色を1色に固定するだけ
- Cユーザーの同意なく個人情報を公開する
- Dすべての法律判断を自動で確定する
解説：AIエージェントはユーザーの目的に沿って情報収集や比較や作業実行を支援する用途に使われる．
正解：A
- A外部操作や個人情報の扱いには権限確認と人間による確認が必要である
- BAIエージェントの実行結果は常に完全に正しい
- C外部サービスの操作では確認が不要である
- DAIエージェントはセキュリティリスクを一切持たない
解説：AIエージェントは外部サービスやデータにアクセスする可能性があるため権限管理・確認・監査が重要である．
正解：A
- AAIエージェント関連のツール事例として扱われるサービス
- B画像の正規化手法
- C個人情報保護法の制度
- D音声ファイル形式
解説：GenSparkはAIエージェント関連のツール事例としてシラバスに含まれる．
正解：A
- AAIエージェント関連のツール事例として扱われるサービス
- B画像生成におけるノイズ除去の公式
- Cフィッシング詐欺の一種
- Dデータベースの正規化形式
解説：ManusはAIエージェント関連のツール事例として扱われるサービスである．
正解：A
- AAIエージェント関連のツール事例として扱われるAIサービス
- B画像リサイズ専用の古典的アルゴリズム
- C匿名加工情報の作成方法
- D音楽ファイルの圧縮規格
解説：Skywork AIはAIエージェント関連のツール事例としてシラバスに含まれる．
正解：A
- AAIが外部ツールやデータソースと連携しやすくするためのプロトコルとして扱われる概念
- B画像の縦横比を固定する処理
- C音声データを圧縮するファイル形式
- D法律上の営業秘密の要件
解説：MCPはAIエージェントが外部ツールやデータソースと連携する文脈で扱われるプロトコルである．
正解：A
- AAIエージェントが外部ツールや情報源に接続して作業を行う仕組みに関係する
- B画像を白黒にする画像処理だけを指す
- Cテキスト生成AIの文字数制限だけを指す
- D個人情報を匿名加工する法律上の義務だけを指す
解説：MCPはAIエージェントと外部ツール・データソースの接続を標準化する文脈で扱われる．
正解：A
- Aカレンダーを参照して空き時間を確認し予定案を作成する
- B画像を必ず削除する
- C学習データをランダムに破壊する
- Dユーザー確認なしに機密情報を公開する
解説：AIエージェントは目的達成のためにカレンダーやメールや検索などの外部ツールを利用することがある．
正解：A
- ARAGは検索情報を用いた回答生成が中心でAIエージェントは目標達成に向けた行動やツール利用まで含み得る
- BRAGは画像生成だけでAIエージェントは音声生成だけである
- CRAGとAIエージェントは完全に同じ意味である
- DRAGは法律制度でAIエージェントは画像圧縮方式である
解説：RAGは検索拡張生成の仕組みでありAIエージェントはタスク遂行のために計画やツール利用を行うシステムを指す．
正解：A
- A発信元を確認せず感情的にすぐ拡散する
- B公式発表や一次情報を確認する
- C不自然な映像や音声の兆候を確認する
- D複数の信頼できる情報源で照合する
解説：ディープフェイク対策では出所確認や複数情報源での照合が重要であり未確認情報をすぐ拡散することは不適切である．
正解：A
- A社内規程・FAQ・マニュアル・製品仕様書などの文書
- BAIモデルの物理的重量だけ
- C画面の背景色だけ
- Dネットワークケーブルの長さだけ
解説：RAGでは質問に関連する情報源として社内文書やFAQや仕様書などを検索対象にできる．
正解：A
- A意味の近さを数値ベクトルの類似度として比較して検索する方法
- B文字数が完全一致する文書だけを検索する方法
- C画像の横幅だけで検索する方法
- D音声の音量だけで検索する方法
解説：ベクトル検索はテキストなどを数値ベクトル化し意味的な近さを類似度として検索する方法である．
正解：A
- A必要な文脈が欠落したり余計な情報が混ざったりして回答品質が低下する
- BAIが必ず学習不能になる
- C画像生成AIに自動変換される
- D法律上の権利が自動的に消滅する
解説：チャンクが小さすぎると文脈不足，大きすぎると不要情報の混入が起きやすく回答品質に影響する．
正解：A
- A実在人物や著作物に似た映像を作る場合は権利侵害や偽情報リスクに注意する
- B動画生成AIの出力は常に事実を表す
- C動画生成AIでは著作権や肖像権を考慮しなくてよい
- D生成動画は必ず公的証拠として利用できる
解説：動画生成AIではディープフェイクや権利侵害や誤情報のリスクがあるため利用目的と権利確認が重要である．
正解：A
- Aリサイズ・正規化・データ拡張
- Bフィッシング・スミッシング・ヴィッシング
- C営業秘密・限定提供データ・商標権
- Dアカウンタビリティ・透明性・公正競争
解説：画像生成AIや画像認識ではリサイズ・正規化・データ拡張などの前処理が使われることがある．
正解：A
- A誤った判断や不適切な外部操作が実行される可能性がある
- B人間の確認が常に不要になる
- Cすべての出力が法的に保証される
- D外部サービスの規約を自動的に無効化できる
解説：AIエージェントは外部操作を伴う場合があるため誤操作・権限逸脱・情報漏えいなどのリスク管理が必要である．
正解：A
- A利用者が回答の妥当性を確認しやすくなる
- B生成AIが一切間違えなくなる
- C検索対象文書が不要になる
- Dチャンク分割が不要になる
解説：RAGで参照元や根拠文書を示すと回答の検証可能性が高まり利用者が判断しやすくなる．
正解：A
- A必要最小限の権限を付与し操作前後の確認を行う
- Bすべての権限を無条件に与える
- Cログを残さず実行する
- Dユーザー確認を完全に省略する
解説：AIエージェントの外部連携では最小権限・確認・ログ管理により安全性を高めることが重要である．
正解：A
- A本人が発言・行動したかのように見せかけ世論操作や詐欺に悪用され得るため
- B画像の保存容量が必ず増えるため
- CAIの計算速度が遅くなるため
- D動画の画質が必ず低下するため
解説：ディープフェイクは本人になりすました映像や音声を作れるため詐欺・名誉毀損・偽情報拡散に悪用され得る．
正解：A
- Aテキスト・画像・音楽・音声・動画
- B電源ケーブル・CPU・机・椅子
- C契約の自動成立・権利の自動移転・納税免除
- D法律の公布・裁判の確定・戸籍変更
解説：生成AIは文章，画像，音楽，音声，動画など多様なコンテンツ生成に利用される．
正解：A
- A学習したデータの特徴をもとに新しいコンテンツを生成する
- Bどちらも物理的なロボットでなければ動かない
- Cどちらも個人情報保護法の制度そのものである
- Dどちらも必ず検索だけを行う
解説：テキスト生成AIも画像生成AIも学習データの特徴をもとに新しいコンテンツを作る生成AIである．
正解：A
- A社内文書など特定知識に基づく回答の精度向上
- B画像の解像度が必ず上がる
- CAIが著作権を自動取得する
- D動画生成が完全に禁止される
解説：RAGは外部知識を参照するため社内情報や専門文書に基づく回答の精度向上が期待される．
正解：A
- A複雑な目標を実行可能な手順に分けて処理するため
- B学習データを削除するため
- C画像を小さくするため
- D利用者の権利を消滅させるため
解説：AIエージェントは目標を達成するために作業を小さな手順に分解し順に実行することがある．
正解：A
- A内容の真偽・権利関係・利用目的の適切性
- B画像の縦横比だけ
- Cキーボードの配列だけ
- Dネットワークケーブルの色だけ
解説：動画生成AIの出力は偽情報や権利侵害につながる可能性があるため真偽・権利・利用目的の確認が必要である．
正解：A
- A根拠の弱い回答や誤った回答が生成される
- B必ず正答率が100％になる
- Cチャンクが自動的に法律文書になる
- D画像生成AIに変換される
解説：RAGでは検索結果の関連性が低いと生成される回答も不正確になりやすい．
正解：A
- A目標達成までの手順や利用するツールを整理すること
- B画像の解像度を変更すること
- C音声の音量を下げること
- Dデータを法律上匿名加工すること
解説：AIエージェントは目標を達成するために必要な手順やツール利用を計画する．
正解：A
- AAIが多様なツールやデータソースを安全かつ標準的に扱う必要があるため
- BAIが画像を必ず白黒にする必要があるため
- CAIの出力文字数を常に正確に数えるため
- DAIの著作権を自動登録するため
解説：AIエージェントの実用では外部ツールやデータとの接続が重要であり標準化された連携の仕組みが求められる．
正解：B
- A音声信号を解析して文章に変換する技術
- B自然言語処理（NLP）技術を用いて文章を自動生成するAI
- C画像データのみを学習対象とするAI
- Dルールベースのみで文章を出力するAI
解説：テキスト生成AIは、NLP（自然言語処理）と機械学習・ディープラーニングの技術を組み合わせ、自然な文章を自動的に生成するAIです。ChatGPT・Gemini・Claudeなどが代表例で、翻訳・要約・文章作成などに活用されます。
正解：C
- A少量の専門データのみで学習される
- BルールベースAIの代表例である
- C大量のテキストデータで事前学習（プレトレーニング）される
- D最新情報を常に内部に保持している
解説：LLM（Large Language Model）は大量のテキストデータで事前学習されたモデルです。GPT・Gemini・Claudeなどが代表例で、多様なタスクをこなせる汎用性が特徴です。ただし学習時点以降の情報は持ちません。
正解：C
- A画像の物体検出
- B音声波形の合成
- C文書の要約・翻訳・感情分析
- Dセンサーデータの統計解析
解説：NLPに含まれるタスクとして、文書要約、機械翻訳、感情分析、固有表現認識、質問応答などがあります。テキスト生成AIはこれらのNLPタスクを高精度に実行できます。
正解：B
- A音声波形の正規化
- B画像のリサイズや正規化（ピクセル値の統一）
- Cテキストのトークン化のみ
- Dルールの手動定義
解説：画像生成AIの学習では、収集した大量の画像に対してリサイズ（サイズ統一）・正規化（ピクセル値の0〜1スケール化）・データ拡張（augmentation：反転・回転など）などの前処理を行います。
正解：B
- ARNN（回帰型ニューラルネットワーク）
- BGAN（敵対的生成ネットワーク）
- CLSTM（長・短期記憶）
- D決定木
解説：画像生成AIでは、GAN（Generative Adversarial Network）や拡散モデル（Diffusion Model）、VAE（変分自己符号化器）が広く使われています。GANは生成器と識別器が競い合いながら高品質な画像を生成します。
正解：B
- APNGファイル（画像）
- BMIDIファイル（楽譜データ）
- CHTMLファイル
- DCSVファイルのみ
解説：音楽生成AIはMIDIファイル（Musical Instrument Digital Interface：音符・リズム・音量などを記録した楽譜データ）や音声ファイルで学習します。MIDIは音楽のシーケンスデータを効率的に表現できます。
正解：B
- ACNN（畳み込みニューラルネットワーク）
- BRNN・LSTM（シーケンスデータ処理に優れたモデル）
- C制限付きボルツマンマシン
- DTransformerのみ
解説：音楽はシーケンスデータ（時間順の音符の連なり）であるため、時系列処理に優れたRNNやLSTMが音楽生成AIで広く活用されてきました。近年はTransformerを用いたモデルも増えています。
正解：B
- A教師なし学習のみを用いる
- B教師あり学習を用いることが多い（大量の音声データとテキストのペアで学習）
- C強化学習のみを用いる
- Dルールベースのみで構築される
解説：音声生成AI（Text-to-Speech）は、テキストと対応する音声波形のペアデータを用いた教師あり学習で構築されることが多いです。大量の音声データからディープラーニングモデルをトレーニングします。
正解：B
- A単語の分割（トークン化）
- Bフレーム間の一貫性（整合性）の維持
- C文法構造の解析
- D感情分析の精度向上
解説：動画生成AIは静止画を連続的に生成して動画を作りますが、フレーム間で物体の形状・位置・動きが一貫して自然に見えるよう整合性を保つことが最大の技術的課題です。Soraなどの最新モデルはこれに取り組んでいます。
正解：B
- Aすべての判断が完全に正確である
- B作業効率の向上・コスト削減・アクセシビリティの改善
- C人間の仕事をすべて完全に代替する
- D倫理的・法的判断を自律的に行える
解説：生成AIのメリットとして、プロンプト一つでコンテンツを生成できる作業効率の向上、不足情報を補う拡張、専門知識がなくても制作できるアクセシビリティの向上、多言語対応による言語の壁の解消などが挙げられます。
正解：B
- A存在しない事実を創作して提示する
- B不足している情報を補ったり文章量を拡張して活用する
- C法的・倫理的な判断を自律的に下す
- D感情を理解して人間の代わりに判断する
解説：生成AIの補完・拡張機能とは、不完全なアイデア・文章・データを補って完成させたり、短い内容を詳細に拡張する使い方です。アウトラインから記事を生成したり、箇条書きを本文に展開するなどが例として挙げられます。
正解：B
- A学習速度が他の技術に比べて遅い
- Bハルシネーション（事実でない情報の生成）の発生
- Cデータ処理機能がない
- D出力形式を指定できない
解説：生成AIの主なデメリットとして、ハルシネーション（事実ではない情報をもっともらしく生成する現象）、学習データのバイアスによる差別的表現、著作権侵害リスクなどがあります。ファクトチェックが重要です。
正解：B
- A計算量の増大によるコストアップ
- B偏見・差別的表現を含むコンテンツの生成
- Cモデルサイズの縮小
- D出力速度の著しい低下
解説：学習データに偏りがある場合、AIはその偏りを学習してしまい、特定の人種・性別・国籍等への偏見や差別的表現を含むコンテンツを生成するリスクがあります。データの多様性確保が重要な課題です。
正解：B
- A暗号化技術の一種
- B深層学習を用いて人物の顔や声を偽造するコンテンツ生成技術
- C正規データを圧縮する技術
- D著作権を保護する技術
解説：ディープフェイク（Deepfake）はDeep LearningとFakeを組み合わせた造語で、深層学習（特にGANなど）を用いて人物の顔・声・動作を偽造する技術です。有名人の偽動画など悪用事例が社会問題化しています。
正解：B
- A動画ファイルのデータ容量が大きいため
- B偽情報（ディスインフォメーション）の拡散や詐欺・名誉毀損に悪用されるため
- C生成速度が遅く使い勝手が悪いため
- D利用コストが高すぎるため
解説：ディープフェイクは政治家・著名人の偽動画や、詐欺・恐喝（ブラックメール）、選挙への干渉など多様な悪用が報告されています。偽情報（ディスインフォメーション）の拡散ツールとして最も深刻な社会問題の一つです。
正解：C
- A学習データを頻繁に更新してモデルを再学習する
- B生成前に外部情報を検索・参照して回答を生成する
- C生成した後でのみ情報を検索して内容を修正する
- DルールベースAIの一種である
解説：RAGは生成AI（LLM）が回答を生成する前に、外部のデータベース（社内文書・最新ニュースなど）を検索して関連情報を取得し、それを文脈として組み込んで回答を生成する仕組みです。モデル再学習なしで最新情報を活用できます。
正解：B
- Aトークン（Token）
- Bチャンク（Chunk）
- Cブロック（Block）
- Dエポック（Epoch）
解説：RAGではデータベースに格納する前に文書を適切なサイズに分割します。この分割単位を「チャンク（Chunk）」と呼びます。チャンクサイズが大きすぎると無関係な情報が混入し、小さすぎると文脈が失われます。
正解：B
- Aリレーショナルデータベース（テーブル型）
- Bベクトルデータベース（意味的類似度検索用）
- Cグラフデータベースのみ
- Dファイルサーバ
解説：RAGではテキストをベクトル（数値配列）に変換して格納する「ベクトルデータベース」が広く使われます。検索時はクエリのベクトルと各文書のベクトルの類似度（コサイン類似度など）を計算し、関連情報を取得します。
正解：B
- Aモデルのパラメータが不要になる
- Bモデルの再学習なしで最新情報や専門知識を回答に反映しやすい
- C学習データの偏りが完全になくなる
- Dハルシネーションが100%なくなる
解説：RAGの主なメリットは、高コストなモデル再学習なしでも、外部データベースの情報（最新ニュース・社内文書・専門知識）を回答に活用できる点です。また情報の出典を明示できる透明性も利点です。
正解：B
- A一度の質問に一度だけ答える
- B自律的にタスクを分解して計画・ツール使用・実行を繰り返す
- C画像生成のみに特化している
- D学習機能を持たない固定ロジックで動作する
解説：AIエージェントは、与えられた目標（例：「競合他社を調査してレポートを作成して」）に対して自律的にサブタスクに分解し、Web検索・コード実行・API呼び出しなどのツールを使いながら複数ステップで作業を完遂します。
正解：B
- A文字コードの変換のみ
- B目的に応じてツールを選択・使用しながら複数ステップで作業を進める
- Cデータの暗号化のみ
- D法的な判断を確定・適用する
解説：AIエージェントは目的達成のために、Web検索・コード実行・ファイル操作・外部APIの呼び出しなど複数のツールを状況に応じて選択・使用します。計画→実行→確認→修正というサイクルを自律的に繰り返します。
正解：B
- AAIモデルのパラメータ数を削減する
- BAIと外部ツール・サービスとの連携を標準化するプロトコル
- C学習データを自動で生成する
- D著作権侵害を自動判定するシステム
解説：MCP（Model Context Protocol）はAIエージェントが外部ツール（Google検索・GitHub・データベースなど）と連携するための標準的な接続規格（プロトコル）です。MCPにより多様なツールとの連携が容易になります。
正解：B
- A処理速度が遅いため十分な時間があるから
- Bハルシネーション（誤情報の生成）が起こり得るため
- Cモデルサイズが大きいほど信頼性が高いから
- D出力形式が自由すぎるから
解説：生成AIはハルシネーション（存在しない論文の引用・誤った数値・捏造された事実など）が発生する可能性があります。特に医療・法律・学術などの重要な判断が絡む場合、必ずファクトチェックが必要です。
正解：B
- A技術はすでに成熟し進化が止まっている
- B今後も技術的進化が続くと予想されている
- C法律によって全世界で完全に禁止されている
- D音声生成AIより精度が現時点で圧倒的に高い
解説：動画生成AI（OpenAIのSora、GoogleのVeo3など）は急速に発展しており、品質・長さ・一貫性が著しく向上しています。フレーム間の整合性などの課題はあるものの、今後も技術的進化が続くと見込まれています。
正解：B
- A人間の創作活動が完全に不要になる
- B業務の効率化や需要構造の変化が起こる可能性がある
- Cすべての職業が消滅する
- D技術職・IT系職種のみが影響を受ける
解説：生成AIは多くの産業で業務効率化・コスト削減を実現する一方、一部の業務や職種の需要が変化・縮小する可能性もあります。人間にしかできない創造性・判断力・対人スキルの価値が相対的に高まるとも言われています。
正解：C
- A出力フォーマット（書式）
- B処理の速度と応答時間
- C著作権・個人情報・ハルシネーションなどの権利関係と倫理的配慮
- D使用するAIモデルのブランド名
解説：生成AI活用において特に注意すべきは、著作権侵害（既存著作物との類似）・個人情報の漏洩・ハルシネーション（誤情報の生成）・プライバシー侵害などのリスクです。利用前に利用規約や法的リスクを確認することが重要です。
正解：A
- A学習データが有限で特定の時点までの情報しか持たないため
- BCPUの処理性能が低いため
- C出力文字数が多すぎるため
- D画像データを扱えないため
解説：生成AIは学習時点までのデータしか持たず（知識カットオフ）、最新情報や特定分野の最先端知識が不足する場合があります。また、ハルシネーションや学習バイアスも品質低下の要因です。
正解：B
- A単一の言語（主に英語）のみ対応
- B言語の壁を越えた多言語処理・翻訳が可能
- C日本語はほとんど処理できない
- D翻訳機能は含まれていない
解説：現代の生成AI（ChatGPT・Gemini・Claudeなど）は多数の言語に対応しており、日本語を含む多言語での対話・翻訳・要約が可能です。言語の壁を越えたコンテンツ作成・情報共有が容易になっています。
正解：D
- A肖像権のみ
- B著作権のみ
- C知的財産権のみ
- D著作権・肖像権・パブリシティ権・知的財産権など複数の権利すべて
解説：生成AIは著作権（既存コンテンツの無断学習・生成）、肖像権（人物画像の無断生成）、パブリシティ権（著名人の商業的利用）、特許権、商標権など多様な権利を侵害する可能性があります。権利関係の確認は必須です。
正解：C
- Aビジネスメールの下書き作成
- Bプログラムコードの補完
- C物理的な製品の3D製造
- D論文の要約・翻訳
解説：テキスト生成AIはメール・コード・翻訳・要約・レポート作成など言語ベースのタスクが得意。物理的な3D製造はAIの学習・推論範囲外であり、製造設備（3Dプリンター等）の制御が必要。
正解：B
- Aテストデータの品質を向上させる
- B既存データに変形（回転・フリップ・輝度変化等）を加えて学習データを増やし、モデルの汎化性能を高める
- Cモデルのパラメータ数を減らす
- D画像のノイズを完全に除去する
解説：データ拡張は画像を水平反転・回転・クロップ・輝度・コントラスト変化などで変形し仮想的にデータを増やす手法。特に医療画像・衛星画像などデータが少ない領域でモデルの汎化性能向上に有効。
正解：B
- A画像を白黒に変換すること
- B異なるサイズの画像をモデルが要求する統一の入力サイズに変換すること
- C画像のノイズを除去すること
- D画像を高解像度化すること
解説：CNN・Vision Transformerなどの画像モデルは固定サイズの入力を要求（例：224×224ピクセル）。様々なサイズの入力画像を統一サイズにリサイズする前処理が不可欠。
正解：B
- AStable Diffusion（画像生成）
- BSuno・Udio（テキストから楽曲を生成）
- CDALL-E（テキストから画像生成）
- DRunway（動画生成）
解説：Suno・Udioはテキストプロンプト（「アップテンポなポップ曲」など）から歌詞・メロディ・編曲を含む完成した楽曲を自動生成できる音楽生成AIサービス。音楽制作の民主化を加速している。
正解：B
- A音声を文字起こしするASR（自動音声認識）技術
- Bテキストから人間のような自然な音声を生成する技術
- C音楽のメロディを自動作曲する技術
- Dユーザーの声質を変換するボイスチェンジャー
解説：音声生成AI（TTSモデル）はテキスト入力から自然な音声を合成する。VoiceBox（Meta）・ElevenLabs・Voicevoxなどが有名。特定の声質を学習して声をクローニングする機能を持つサービスも登場している。
正解：B
- Aテキストのみから動画を生成できる
- B静止画像に動きを与えて動画を生成したり、テキストから動画を生成できる
- C音声から動画を生成することに特化している
- Dオープンソースで公開されている
解説：Runway Gen-3 Alpha（2024年）は静止画像から動画を生成する機能（Image-to-Video）とテキストから動画を生成する機能（Text-to-Video）を持つ。映像制作者向けのプロフェッショナルな動画AI生成ツールとして評価が高い。
正解：B
- Aテキストと画像の両方を理解する言語モデル
- B高品質な動画生成に特化したGoogleのAIモデル
- C音楽生成に特化したAIモデル
- Dプログラムコード生成に特化したモデル
解説：Veo3（Google DeepMind）は高解像度・長時間の動画生成が可能なAIモデル。物理的に一貫した動きと詳細なテキスト指示への対応で注目を集めている。Soraと並ぶ動画生成AI分野の主要サービス。
正解：B
- A深海の生物を人工的に育てる技術
- BAIを使って人物の顔・声・動作を他の人物のものと入れ替えたリアルな偽造映像・音声を生成する技術
- C深度センサーで3D空間を測定する技術
- Dデジタルデータを物理的に保護する暗号化技術
解説：ディープフェイク（Deep Learning + Fake）はGANやAutoEncoderなどAI技術を用いて人物の顔や声を差し替えた非常にリアルな偽動画・偽音声を生成する技術。フィッシング・詐欺・選挙干渉などへの悪用が深刻な社会問題となっている。
正解：D
- A実在する政治家・著名人の偽の演説動画を作成しSNSで拡散する（選挙干渉・デマ拡散），有名人の顔を使った非同意のポルノコンテンツ生成，CEOの声を偽造した音声詐欺（電話詐欺）
- B医学研究のための教育用コンテンツ作成のみ
- CB
- D医療教育コンテンツ作成のみ
解説：①〜③が主要な悪用事例。①政治的偽動画（バイデン大統領偽音声等）②ノンコンセンシュアル・ポルノ③音声偽造詐欺など被害が現実化している。ディープフェイク検出技術・法規制の整備が急務。
正解：B
- A不正確な情報を意図せず広めること（ミスインフォメーション）
- B人を欺く目的で意図的に作成・拡散される虚偽の情報
- C著作権を侵害するコンテンツ全般
- D個人情報を無断で収集・公開すること
解説：ディスインフォメーションは意図的に作成・拡散される虚偽情報（フェイクニュース等）。意図のないミスインフォメーション（誤情報の偶然の拡散）と区別される。生成AIによるディスインフォメーション大量生成が深刻な社会問題になっている。
正解：B
- Aユーザーの入力のみをLLMに送り回答を生成する
- B外部データベースから関連情報を検索し、その情報をLLMのコンテキストに加えて回答を生成する
- Cモデルを継続的に追加学習して新しい知識を組み込む
- Dユーザーの過去の会話をメモリに保存して活用する
解説：RAGは①ユーザーの質問をベクトル化→②ベクトルデータベースで類似文書を検索（Retrieval）→③検索結果をコンテキストとしてLLMに渡して回答生成（Augmented Generation）する。LLMの知識を外部DB情報で補強し最新情報やドメイン知識に対応できる。
正解：B
- Aモデルの重みを分割して保存する単位
- B文書をベクトル化・検索しやすいサイズに分割したテキスト単位
- CAIがユーザーの質問を分割して理解する処理
- Dデータベースのテーブルを指す技術用語
解説：RAGシステムでは長い文書を意味のある単位（チャンク）に分割し各チャンクをベクトル化して格納する。チャンクが大きすぎると関連性の低い情報が含まれ、小さすぎると文脈が失われる。適切なチャンクサイズの設定がRAGの精度に影響する。
正解：B
- A数値データのみを高速検索するリレーショナルDB
- Bテキスト・画像などをベクトル表現で格納し、コサイン類似度・近傍探索でセマンティック検索ができるデータベース
- CSQLクエリで検索するKVSデータベース
- D暗号化されたデータを保管する専用データベース
解説：ベクトルDBはデータをエンベディング（高次元ベクトル）で格納し、意味的類似度（セマンティック類似度）に基づいて近傍検索ができる。Pinecone・Weaviate・ChromaDB・Qdrantなどが代表的サービス。RAGの検索コンポーネントの核心。
正解：B
- ALLMのパラメータ数を削減してコストを下げる
- BLLMの学習カットオフ以降の最新情報や社内固有情報を活用でき、ハルシネーション低減にも有効
- Cテキストだけでなく画像・音声の生成も可能になる
- D複数LLMを自動選択して最適回答を生成する
解説：RAGにより①LLMの学習データに含まれない最新情報や社内専門文書を活用②検索結果を根拠として引用でき、ハルシネーション低減③モデル再学習なしに知識更新が可能、という利点がある。
正解：B
- A質問に一度答えるだけのシンプルなLLMチャット
- Bツール（検索・コード実行・API呼び出し等）を自律的に使いながら複数ステップの目標を達成するAIシステム
- C音声専用のAIアシスタント
- Dクラウド上でデータを保存・管理するシステム
解説：AIエージェントはLLMを中核として外部ツール（Web検索・コード実行・メール送信・API連携等）を組み合わせ、与えられた目標に向けて自律的に計画・実行・フィードバックを繰り返して複雑なタスクを達成する。
正解：B
- AOpenAIが開発した自律型エージェント
- B中国のManus AIが2025年に公開した幅広いタスクを自律実行できるAIエージェント
- CGoogleが開発したコーディング特化エージェント
- DAnthropicの安全性重視AIエージェント
解説：Manus（中国・Manus AI
正解：B
- A動画生成に特化したAIツール
- B複数のAIを組み合わせてウェブ検索・調査・まとめを自律的に行うAIエージェントサービス
- Cコードのみを自動生成するCopilot競合サービス
- D無料オープンソースのLLMプラットフォーム
解説：GenSpark（2024年〜）は複数のAIエージェントが協調して情報を検索・整理・まとめを行うサービス。従来の検索エンジンを置き換えるAIエージェントとして注目。Spark Pagesという要約ページを自動生成する機能が特徴。
正解：B
- A画像生成AIの品質評価指標
- BAI（主にLLM）と外部ツール・データソースを標準的に接続するためのオープンプロトコル
- Cマルチモーダルモデルの学習プロセスの略称
- DLLMのコンテキストウィンドウサイズの規格
解説：MCP（Anthropicが2024年11月発表）はLLMアプリケーションと外部データソース・ツール（ファイルシステム・データベース・API・サービス等）を標準化されたインターフェースで接続するオープンプロトコル。AIエージェントが多様なツールと連携しやすくなった。
正解：B
- AMCPサーバーがLLM本体を動かし、クライアントがデータを提供する
- BMCPサーバーがリソース・ツール・プロンプトを提供し、MCPクライアント（LLMアプリ等）がサーバーに接続してその機能を利用する
- CクライアントがMCPプロトコルを設計し、サーバーが実装する
- DサーバーがAPIを呼び出し、クライアントがその結果を表示する
解説：MCPではサーバー（各種ツールやデータソースを公開）とクライアント（Claude・Cursor等のLLMアプリ）が標準化されたJSON-RPCプロトコルで通信する。FileSystem・GitHub・Slack等の多様なMCPサーバーが公開されている。
正解：B
- AGANベースの敵対的学習
- B潜在拡散モデル（Latent Diffusion Model）ベースで、ノイズを除去するプロセスで画像を生成
- CTransformerエンコーダーのみで構成
- DRNNのシーケンス生成で画像を逐次生成
解説：Stable Diffusion（Stability AI）は拡散モデルの一種で、純粋なノイズから徐々にノイズを除去（デノイジング）していくプロセスで画像を生成する。低次元の潜在空間で拡散プロセスを行い計算効率を高めたLatent Diffusion Modelが特徴。
正解：B
- A音声プロンプトから画像を生成する特殊機能を持つ
- Bテキストの細かいニュアンスへの対応力が向上しChatGPTと統合されている
- Cオープンソースで誰でも自由に改変できる
- DGANを使った高解像度画像生成に特化している
解説：DALL-E 3（2023年）はテキストとの整合性が大幅に向上し、ChatGPT上から自然言語で指示して画像を生成できる統合環境を提供。プロンプトの細かなニュアンスを正確に反映した画像を生成できる点が評価されている。
正解：B
- Aプログラムコードから画像を生成することに特化
- B高い芸術性・審美性を持つ画像生成で知られ、主にDiscordボット経由で利用されるサービス
- C完全無料でAPIを提供するオープンソースサービス
- D音声から画像を生成するマルチモーダルサービス
解説：Midjourney（2022年〜）はテキストから高品質・芸術性の高い画像を生成することで知られる。当初はDiscordのボット形式で利用。版権・著作権問題でも注目を集めており、商業利用には規約確認が必要。
正解：B
- AAIが自動でボイスドラマを作成する機能
- B少量の音声サンプルから特定人物の声の特徴を学習し、任意のテキストをその声で読み上げる技術
- C音声ファイルをテキストに変換するASR技術
- Dノイズキャンセリングで声を鮮明にする技術
解説：ボイスクローニングは数秒〜数分の音声サンプルから声の特徴（音質・抑揚・リズム等）を学習し、その人物の声でTTSを行う技術。ElevenLabs・OpenAI Voice等が提供するが、悪用（詐欺・なりすまし）への懸念から規制議論が進んでいる。
正解：B
- ARAGとファインチューニングは同じ効果を持ち、どちらを使っても同じ結果になる
- B最新情報・社内ドキュメントへの対応はRAG、特定スタイル・形式への適応や少量の専門知識習得はファインチューニング
- C常にRAGが優れているためファインチューニングは不要
- Dファインチューニングは常にRAGより精度が高い
解説：RAGは外部DBから動的に情報を取得するため最新情報・大量の社内文書対応に強い。ファインチューニングはモデル自体を特定タスク向けに調整するため、特定の応答スタイル・ドメイン専門語・特定形式の出力に適している。
正解：B
- A動画の解像度が低すぎて実用に耐えない
- B物理的な一貫性（物体の正確な動き・因果関係）・長時間生成・生成コストの高さが主な課題
- C音声の生成がまだ不可能
- D静止画の生成はできるが動画への適用が全く進んでいない
解説：現在の動画生成AIは短時間・小規模なシーンでは高品質を実現しつつあるが、長時間動画での物理的一貫性（物体の変形・消失・不自然な動き）、生成に要する計算コスト・時間、商用利用の権利問題が主な課題。
正解：B
- Aファイルの拡張子を確認する
- B顔の微細な境界部分のブレ・照明の不自然さ・心拍パターン等の映像内の人工的な痕跡を検出するAIモデル
- C動画のメタデータのファイルサイズのみで判定する
- D動画の色彩情報のみを分析する
解説：ディープフェイク検出はGANが生成する特徴的なアーティファクト（顔境界のブレ・照明の不一貫・目のまばたきパターンの不自然さ・rPPG心拍信号異常など）を検出するAIモデルを使用。DeepFake Detectionチャレンジコンペが開催されるなど研究が活発。
正解：B
- A複数のユーザーが同一のAIを共有するシステム
- B複数の専門化されたAIエージェントが協調・分業して複雑なタスクを達成するシステム
- C複数のデータセンターでAIを分散実行するシステム
- D複数言語に対応したLLMシステム
解説：マルチエージェントシステムは調査エージェント・コーディングエージェント・レビューエージェント等の専門エージェントが役割分担し、互いの出力をフィードバックしながら複雑な作業（研究・ソフトウェア開発等）を実行する。
正解：B
- Aマイクロソフトが開発した動画編集AIツール
- B複雑な推論・リサーチタスクを自律的に実行するAIエージェントシステム
- C音楽生成に特化したオープンソースAI
- D顔認証セキュリティシステム
解説：Skywork AI（中国系AI企業）は複雑なリサーチ・レポート作成・データ分析などを自律的に実行するAIエージェントシステムとして知られる。マルチエージェントアーキテクチャを採用し、長期的タスクの達成を目指している。
正解：B
- Aテキスト・画像・音声・動画の自動生成
- BAIによる完全な感情の理解と共感（主観的感情経験）
- Cプログラムコードの自動生成・デバッグ
- D多言語間の高精度な翻訳
解説：現在の生成AI（LLM）はテキスト・画像・コード・動画生成・翻訳で高い能力を示しているが、主観的な感情経験や真の「共感」（クオリア）は実現されておらず、意識・感情の問題は哲学的・科学的に未解決の問題。
正解：B
- AAI生成物は自動的に著作権が発生し開発者が権利を持つ
- B多くの国でAI生成物の著作権帰属は明確でなく、人間の創作性関与の程度等で判断が異なる
- Cユーザーには何の責任も生じない
- Dプロンプトを書いた人に必ず著作権が発生する
解説：AI生成コンテンツの著作権については世界的に明確な法整備が追いついていない。米国著作権局は人間の創作的表現がない純粋AI生成物への著作権登録を否定する傾向。日本でも生成AIと著作権の関係について文化庁が指針を示しているが、議論が継続中。
正解：B
- Aテキストを音声に変換する技術
- B古い低品質な動画・音楽をAIが解析し高解像度・高音質に復元・改善する技術
- C3Dモデルを2Dに変換する技術
- D静止画に動きを付ける技術
解説：AIリマスタリングは機械学習を使って古い映画・音楽・写真のノイズ除去・超解像・カラー化・音質改善を行う技術。DeepRestorationやAdobe Podcast Enhanceなど多くのサービスが実用化されている。
4章
この範囲を15問解く情報リテラシー・基本理念とAI社会原則
正解：B
- A秘密管理性
- B著名性
- C有用性
- D非公知性
解説：営業秘密として保護されるためには秘密管理性・有用性・非公知性の3要件を満たす必要がある．
正解：B
- A本人の同意があれば元の個人情報に復元してよい
- B作成方法等情報は厳重に管理する必要がある
- C一度公表すればどのような目的でも自由に利用できる
- D個人情報保護法の規制対象外となる
解説：匿名加工情報の作成方法や削除情報が漏えいすると個人特定につながる可能性があるため厳重な管理が必要とされている．
正解：B
- Aデジタルリテラシー
- Bデジタルシティズンシップ
- Cメディアリテラシー
- Dネットマナー
解説：デジタルシティズンシップとはデジタル社会の市民として責任ある行動をとるための知識・態度・スキルを指す概念である．
正解：A
- A漏えい等報告・本人通知の義務化
- B従業員50名以上企業への適用
- C全データの暗号化
- D毎月の個人情報監査
解説：改正個人情報保護法では個人データ漏えい等が発生した場合に個人情報保護委員会への報告と本人への通知が義務化された．
正解：B
- A携帯電話番号
- Bパスポート番号
- Cクレジットカード番号
- Dメールアドレス
解説：パスポート番号は法令に基づき個人ごとに付与される番号であり個人識別符号として個人情報保護法の対象となる．
正解：C
- A電磁的管理性
- B相当量蓄積性
- C一般公開性
- D限定提供性
解説：限定提供データの保護要件は限定提供性・相当量蓄積性・電磁的管理性である．一般公開性は要件ではなくむしろ保護の対象外となる．
正解：A
- A特定組織にAIリソースを集中させる
- B人材の柔軟な移動と協力
- Cプライバシーを守りつつデータ活用
- D倫理・経済を含むAI研究
解説：AI社会のイノベーション原則では特定組織への集中ではなくオープンな協力体制や人材交流による発展が重要とされている．
正解：B
- A企業の独占的利益
- B営業秘密や商標などの事業者の利益
- C消費者の個人情報
- D従業員の雇用条件
解説：不正競争防止法は営業秘密や商品表示など事業者の利益を守り公正な競争を維持するための法律である
正解：C
- Aスパイウェア
- Bワーム
- Cランサムウェア
- Dキーロガー
解説：ランサムウェアはデータを暗号化し復号の対価を要求する攻撃である
正解：C
- A著作権は発生しない
- B全て発生する
- C人間関与で判断
- D企業が保有
解説：著作権は人間の創造的関与の程度に応じて判断される
正解：D
- A無料WiFiは安全
- BQRは安全
- C公式DLは安全
- D設定未確認で漏洩リスク
解説：プライバシー設定を適切に行わないと情報漏洩の危険がある
正解：B
- A意図しない誤情報
- B意図的な虚偽情報
- C文脈歪曲
- Dデマ
解説：意図的に作られ拡散される虚偽情報を指す
正解：B
- Aオートメーション
- Bアライメント
- Cアジャイル
- Dアダプテーション
解説：AIアライメントは人間の価値観に沿う設計思想である
正解：B
- A趣味
- B病歴
- C電話番号
- Dメールアドレス
解説：病歴は差別につながる可能性があり特別に保護される
正解：B
- A公開住所
- B入退室データ
- C決算情報
- D採用情報
解説：特定の相手に限定して提供されるデータである
正解：B
- Aフィッシング
- Bスミッシング
- Cファーミング
- Dスパミング
解説：SMSを利用した詐欺をスミッシングという
正解：A
- A第三者提供禁止
- B自由利用
- C開示義務
- D漏えい可
解説：第三者提供は原則禁止されている
正解：D
- A2017改正
- B委員会監督
- C権利保護目的
- D商業利用促進
解説：委員会は保護が目的であり促進ではない
正解：B
- A名誉毀損は違法
- B申告必要
- C違法対象あり
- D著作物認定あり
解説：著作権は申告不要で発生する
正解：A
- A事後対応で良い
- B第三者配慮
- C保護機能あり
- D文化配慮
解説：事前対策が重要であり事後では遅い
正解：D
- Aユーザの行動履歴やプロファイルに基づき個別最適化された詐欺メールが生成される
- B自然な文章で見分けがつきにくい詐欺メールが作成される
- Cディープフェイクと組み合わせた高度な詐欺が増加する
- D生成AIは高度なプログラミング知識が必須で参入障壁が高い
解説：生成AIは専門知識がなくても利用できるため詐欺の参入障壁はむしろ低下する
正解：C
- A倫理ガイドラインにより悪用されない
- B単純作業のみ自動化される
- Cマルウェア開発が容易になり攻撃の敷居が下がる
- D偽情報拡散能力は限定的
解説：コード生成能力によりサイバー攻撃の実行が容易になるリスクがある
正解：D
- AAI生成画像にも適用される可能性がある
- B公開行為でも侵害成立
- C報道目的は例外あり
- D場所は判断に影響しない
解説：撮影場所は重要な判断要素である
正解：C
- A速度向上
- B知識抽出
- C価値観適合
- Dパラメータ増加
解説：AIの出力を人間の意図や倫理に合わせる
正解：C
- A氏名とメール
- B趣味
- C犯罪経歴
- D勤務先役職
解説：犯罪経歴は個人識別性が高く重要情報
正解：C
- A匿名統計
- B死亡者住所
- C防犯カメラ映像
- D企業売上
解説：個人識別可能な映像は要配慮情報となる場合がある
正解：C
- A著作権
- B商標権
- C特許権
- D意匠権
解説：技術的発明は特許で保護される
正解：C
- Aインターネットを高速に利用する技術的スキル
- Bネットワーク機器を設定・管理する能力
- Cインターネットを安全かつ適切に利用するための知識・判断力・倫理観
- Dプログラミング言語を使いこなす開発能力
解説：インターネットリテラシーとは、インターネットに関わるテクノロジーの理解・情報リテラシー・セキュリティとプライバシー・デジタル市民権を含む、インターネットを安全かつ適切に利用するための総合的な能力のことです。
正解：D
- Aテクノロジーの理解
- B情報リテラシー（情報の真偽判断）
- Cセキュリティとプライバシー
- Dデータベース設計スキル
解説：インターネットリテラシーの4要素は「テクノロジーの理解」「情報リテラシー」「セキュリティとプライバシー」「デジタル市民権」です。データベース設計はシステム開発のスキルであり、インターネットリテラシーの構成要素ではありません。
正解：B
- A匿名であれば責任を負わなくてよい
- Bオンラインでも倫理と責任をもって他者と関わる考え方
- C技術者のみが意識すべき専門的概念
- D法律とは無関係な行動規範
解説：デジタル市民権とは、オンライン上で他者やコンテンツに対して倫理的・責任ある態度で関わる考え方です。匿名性があっても、他者を傷つける発言や著作権侵害などは認められません。
正解：B
- A端末を物理的に盗んで情報を取得する
- B正規の機関・サービスを装って個人情報を入力させる詐欺
- Cコンピュータウイルス感染のみを目的とする
- DWi-Fiの通信速度を低下させる攻撃
解説：フィッシング詐欺は、銀行・宅配会社・政府機関などを装った偽メールや偽サイトに誘導し、パスワード・クレジットカード番号・個人情報を入力させて不正取得する詐欺手法です。SMSを使う場合はスミッシング、電話の場合はヴィッシングと呼ばれます。
正解：C
- A音声通話（電話）
- B偽のQRコード
- CSMS（ショートメッセージサービス）
- DSNSの投稿・広告
解説：スミッシング（Smishing）はSMS（ショートメッセージ）を使ったフィッシング詐欺です。「荷物を不在配達しました」「アカウントが不正利用されました」などの偽メッセージで偽サイトに誘導します。
正解：B
- A偽のWi-Fiアクセスポイントを使った盗聴
- B音声通話（電話）を用いた詐欺手口
- C偽サイトへの誘導による情報詐取
- Dマルウェアを添付したメール攻撃
解説：ヴィッシング（Vishing）はVoice + Phishingの造語で、電話を使った詐欺手口です。銀行員・警察・税務署などを装い、口座情報や暗証番号などを口頭で聞き出します。
正解：B
- Aシステムやソフトウェアの脆弱性を技術的に突く攻撃
- B人間の心理的な隙（信頼・権威・恐怖・焦りなど）を突いて情報を盗み出す
- CWi-Fiを傍受して通信内容を盗む攻撃
- Dマルウェアを自動的に配布する攻撃
解説：ソーシャルエンジニアリング攻撃は、技術的な手段ではなく人間の心理を利用します。「上司のふりをして」「緊急だと煽り」「親切を装って」情報を引き出す手法で、スピアフィッシング・ベイト攻撃・プレテキストなどが含まれます。
正解：B
- A不特定多数に一斉送信する無差別な詐欺
- B特定の個人・組織を事前調査したうえで標的にした精度の高い詐欺
- CQRコードを悪用した詐欺
- D公共Wi-Fiを使った通信傍受
解説：スピアフィッシング（Spear Phishing）は、ターゲットの氏名・所属・役職・人間関係などを事前に調査し、信頼性の高い偽メールを送る高度な詐欺手法です。通常のフィッシングと異なり個人に特化しているため見抜きにくいです。
正解：D
- A情報の真偽を判断する能力
- Bセキュリティとプライバシーの意識
- Cデジタル市民としての倫理的行動
- D高度なプログラミング能力
解説：インターネットリテラシーはテクノロジー理解・情報リテラシー・セキュリティ意識・デジタル市民権の4要素から成ります。高度なプログラミング能力はIT専門家のスキルであり、一般的なインターネットリテラシーには含まれません。
正解：B
- A電池の消費が増加する
- B通信内容を第三者に盗聴される可能性がある
- C接続速度が自宅より常に速い
- Dマルウェアが自動的に削除される
解説：公共Wi-Fi（カフェ・空港・駅など）は多くの場合、暗号化が不十分またはまったくないため、同じネットワーク上の第三者に通信内容（パスワード・個人情報など）を盗聴される危険性があります。VPNの使用が推奨されます。
正解：C
- A氏名
- Bメールアドレス
- C病歴（既往症・診断結果など）
- D郵便番号
解説：要配慮個人情報とは、不当な差別・偏見が生じるおそれがある特に慎重な取り扱いが必要な個人情報です。病歴・犯罪歴・障害・人種・信条・社会的身分などが該当します。取得・利用には原則として本人の明示的な同意が必要です。
正解：B
- A再識別が容易な情報
- B元の個人情報に戻せないよう加工された情報
- C元のデータのまま提供できる情報
- D生データの別名
解説：匿名加工情報とは、個人情報保護法に基づき、特定の個人を識別できないように加工し、かつ元の個人情報を復元できないようにした情報です。第三者への提供が可能になりますが、元の個人情報との照合による特定は禁止されています。
正解：B
- A著作権庁への登録が必要である
- B創作と同時に自動的に発生する（登録不要）
- CAI生成物にはすべて著作権が認められる
- D商標権の一種である
解説：著作権は、著作物（文章・音楽・絵画・プログラムなど）を創作した時点で自動的に発生します。日本では著作権法によって保護され、登録手続きは不要です（無方式主義）。なお、AIが自律的に生成したものは原則として著作権を持ちません。
正解：B
- A氏名と生年月日の組み合わせのみを指す
- B顔認証データ・指紋・DNAなど個人を一意に識別できる符号
- Cメールアドレスのみ
- Dマイナンバーのみ
解説：個人識別符号とは、指紋・顔認証・DNA・虹彩・声紋などの生体データや、マイナンバー・旅券番号などの公的符号を指し、これを含む情報は単体で個人情報に該当します。特に慎重な管理が求められます。
正解：B
- A事業者の判断で自由に利用できる
- B原則として本人の明示的な同意が必要である
- C匿名加工すれば同意なく自由に利用できる
- D公的機関からの要請があれば常に開示しなければならない
解説：要配慮個人情報（病歴・犯罪歴・障害・人種・信条など）は、取得・利用・第三者提供のすべてにおいて原則として本人の明示的同意が必要です。通常の個人情報よりも厳格な取り扱い基準が設けられています。
正解：C
- A本人の同意があれば許可される
- B学術研究目的であれば許可される
- C個人情報保護法により禁止されている
- D公的機関であれば許可される
解説：匿名加工情報を元の個人情報と照合して本人を特定する目的での利用は、個人情報保護法によって明示的に禁止されています。匿名加工情報の活用は、再識別（本人特定）を行わないことが前提です。
正解：A
- A著作権・特許権・商標権・意匠権など創作・発明・識別に関する権利
- B著作権と肖像権のみ
- C特許権と商標権のみ
- D著作権・労働権・営業権
解説：知的財産権は人間の知的活動の成果（アイデア・発明・創作など）を保護する権利の総称で、著作権（創作物）・特許権（発明）・商標権（ブランドマーク）・意匠権（デザイン）・実用新案権などが含まれます。
正解：B
- A肖像権は著名人専用で一般人には認められない
- B肖像権はすべての個人に認められ、パブリシティ権は著名人の経済的価値を保護する権利
- C両者はまったく同じ権利である
- Dパブリシティ権は著作権の一種である
解説：肖像権はすべての個人が持つ、自分の顔・姿を無断で撮影・公開されない権利です。一方パブリシティ権は、著名人（芸能人・スポーツ選手など）の氏名・肖像が持つ商品価値・経済的価値を保護する権利で、著名人特有の権利です。
正解：B
- A消費者を詐欺師から保護することのみ
- B事業者間の公正な競争を確保し不正行為を防止する
- C個人情報の漏洩を防ぐ
- D著作権侵害を取り締まる
解説：不正競争防止法は、事業者間の公正な競争を確保することを目的とした法律です。営業秘密の窃取・不正使用、商品表示の混同行為、ドメイン名の不正取得なども規制します。生成AIを使った不正競争行為にも適用されます。
正解：B
- A機密性・有用性・独創性
- B秘密管理性・有用性・非公知性
- C秘密性・希少性・経済性
- D管理性・独自性・登録性
解説：不正競争防止法上の「営業秘密」として保護されるには、①秘密として管理されていること（秘密管理性）、②事業活動に有用な情報であること（有用性）、③公然と知られていないこと（非公知性）の三要素を満たす必要があります。
正解：B
- A入力した瞬間に著作権が発生する
- B不正競争防止法上のリスクとなる可能性があり情報漏洩につながる
- C問題はまったくない
- DAIが自動的に秘密を保護してくれる
解説：生成AIに営業秘密（技術情報・ビジネス戦略・顧客リストなど）を入力すると、①学習データとして使用されるリスク、②クラウドサーバへの保存による漏洩リスク、③不正競争防止法違反のリスクがあります。入力前にプライバシーポリシーの確認が必須です。
正解：A
- A人間の尊厳・多様性と包摂性・持続可能性の3つ
- B透明性・アカウンタビリティ・安全性の3つ
- C人間中心・公平性・効率性の3つ
- Dプライバシー保護・セキュリティ・イノベーションの3つ
解説：AI社会の基本理念は「人間の尊厳が尊重される社会（Dignity）」「多様な背景を持つ人々が多様な幸せを追求できる社会（Diversity & Inclusion）」「持続可能な社会（Sustainability）」の3つです。
正解：A
- A人間中心・安全性・公平性・透明性・アカウンタビリティなど
- B処理速度・精度・コスト効率のみ
- CAI開発者への利益配分
- DAIの普及拡大のみ
解説：AI社会原則は、人間中心の考え方、安全性、公平性、プライバシー保護、セキュリティ確保、透明性、アカウンタビリティ、教育・リテラシー、公正競争確保、イノベーションなど多くの要素を含む社会的指針です。
正解：B
- AAI研究者・AI開発者・AI提供者
- BAI開発者・AI提供者・AI利用者
- CAI設計者・AI製造者・AI販売者
- DAI企業・AI政府機関・AI個人ユーザー
解説：AI事業者ガイドラインでは、AIに関わる事業者を「AI開発者（Developer）」「AI提供者（Provider）」「AI利用者（AI Business User）」の3主体に分類しています。それぞれ異なる役割と責務が定められています。
正解：D
- A人工知能促進法
- BAI活用推進基本法
- C人工知能基本法
- D人工知能関連技術の研究開発及び活用の推進に関する法律
解説：AI新法の正式名称は「人工知能関連技術の研究開発及び活用の推進に関する法律」です。通称「AI新法」と呼ばれ、AIの研究開発・活用の促進と社会的リスクへの対応の両立を目指す法律です。
正解：C
- A2024年1月1日
- B2025年4月1日
- C2025年6月4日
- D2026年1月1日
解説：AI新法（人工知能関連技術の研究開発及び活用の推進に関する法律）は2025年6月4日に公布されました。日本初のAI専門法として、AIの健全な発展と社会的リスク管理の枠組みを提供します。
正解：B
- AAIの研究開発・活用を一律に禁止する
- BAIの研究開発・活用を促進しつつ社会的リスクへの対応を図る
- CAI企業の利益を政府が保護する
- D外国のAI企業の参入を規制する
解説：AI新法はAIの研究開発・活用を促進することで経済成長と社会課題解決を図りながら、同時にAIが持つリスク（プライバシー侵害・差別・安全性問題など）への適切な対応を求める法律です。禁止ではなく促進とリスク管理の両立が目的です。
正解：B
- Aまったく無関係な独立した制度
- BAI事業者ガイドラインはAI新法を補完・連携する役割をもつ
- CAI事業者ガイドラインがAI新法を廃止した
- DAI新法がAI事業者ガイドラインを完全に置き換えた
解説：AI事業者ガイドライン（経済産業省・総務省）とAI新法（法律）は相互補完的な関係にあります。ガイドラインはAI事業者が実践すべき具体的な指針を示し、AI新法と合わせてAIガバナンスの枠組みを形成します。
正解：B
- A学習に使われなければ個人情報保護法の適用外である
- B入力した情報が第三者機関のサーバに保存・学習に使用されるリスクがあるため注意が必要
- C個人情報を入力しても技術的に完全に保護される
- Dプライバシー設定さえすれば問題ない
解説：生成AIに個人情報を入力すると、学習データとして使用されるリスクや、サービス事業者のサーバへの保存によるリスクがあります。学習目的の有無にかかわらず個人情報保護法が適用されます。利用規約・プライバシーポリシーの確認が必須です。
正解：A
- A環境・リスク分析、AIガバナンスゴール、AIマネジメントシステムの整備
- BAI開発の完全禁止
- C全AIシステムの政府による一元管理
- DAIの精度向上のみ
解説：AIガバナンスは「環境・リスク分析（AIがもたらすリスクの把握）」「AIガバナンスゴールの設定（目指す姿の明確化）」「AIマネジメントシステムの整備（実践的な管理体制の構築）」の3段階で構築します。
正解：A
- Aインターネットを安全かつ適切に利用するための知識や判断力
- B通信速度を上げるための機器設定だけを指す用語
- C画像を生成するためのモデル構造
- DAIモデルの重みを調整する技術
解説：インターネットリテラシーは情報の信頼性判断，安全な利用，プライバシー保護などを含む能力である．
正解：A
- A情報を適切に収集・評価・活用する能力
- B画像の解像度を変更する処理
- CAIが文章を自動生成する仕組み
- Dコンピュータの物理的な重量
解説：情報リテラシーは情報の真偽や信頼性を判断し目的に応じて活用する能力である．
正解：A
- Aデジタル社会で責任ある行動をとるための知識・態度・スキル
- Bインターネット接続に必要な契約名
- CAIモデルの学習済み重み
- D画像生成AIの出力形式
解説：デジタル市民権はデジタル社会の一員として安全で責任ある行動をとるための考え方である．
正解：A
- A不用意に個人情報や認証情報を入力せず送信先を確認する
- B便利であれば出所不明のリンクをすぐ開く
- Cパスワードを公開掲示板に保存する
- D生成AIに機密情報を無条件に入力する
解説：インターネットや生成AIの利用では情報漏えいや不正利用を防ぐため送信先や入力情報を確認する必要がある．
正解：A
- A偽サイトや偽メールなどでIDやパスワード等をだまし取る詐欺
- B画像を高解像度化する技術
- CAIモデルを追加学習する手法
- D文章を短く要約する処理
解説：フィッシング詐欺は正規サービスを装ったメールやサイトで認証情報や個人情報を盗み取る攻撃である．
正解：A
- ASMSを利用して偽サイトへ誘導するフィッシング詐欺
- B音声通話を使って相手をだます詐欺
- CWi-Fiの暗号化方式
- D画像の水増し処理
解説：スミッシングはSMSを使って不正リンクへ誘導し個人情報などを盗む攻撃である．
正解：A
- A電話や音声通話を使って情報をだまし取る攻撃
- BSMSを使うフィッシング攻撃
- C画像ファイルにノイズを加える処理
- DAIの出力形式をCSVにする操作
解説：ヴィッシングはVoiceとPhishingを組み合わせた語で電話や音声を使って情報を詐取する攻撃である．
正解：A
- A不正な動作を行う悪意あるソフトウェア
- B画像生成AIのプロンプト
- C個人情報保護法上の匿名加工情報
- DAI社会原則の1つ
解説：マルウェアは情報窃取や破壊や不正操作などを行う悪意あるソフトウェアの総称である．
正解：A
- Aデータを暗号化するなどして身代金を要求するマルウェア
- Bメールを自動で分類するAI
- C画像を正規化する処理
- D著作物の利用許諾契約
解説：ランサムウェアはファイルを暗号化したりシステムを使用不能にしたりして金銭を要求する攻撃である．
正解：A
- Aマルウェアの検知・隔離・削除などを支援する
- B個人情報の定義を変更する
- CAI生成物の著作権を自動取得する
- D画像の構図を必ず改善する
解説：アンチウイルスソフトウェアは不正プログラムを検知し感染防止や駆除を支援する．
正解：A
- A人間の心理や不注意を利用して秘密情報や操作権限を得る攻撃
- B画像をベクトル化して検索する技術
- CAIモデルの正則化手法
- D生成AIの動画生成方式
解説：ソーシャルエンジニアリング攻撃は技術的脆弱性だけでなく人間の信頼や焦りを悪用する攻撃である．
正解：A
- A特定の個人や組織を狙って行う標的型フィッシング
- B無差別に画像を生成するAI
- C音声を合成する技術
- D個人情報を匿名加工する手続き
解説：スピアフィッシングは標的の属性や関係性に合わせて信頼させる内容を使うフィッシング攻撃である．
正解：A
- A興味を引く餌で利用者を誘導し不正操作や情報入力をさせる攻撃
- B画像の明るさを補正する処理
- CAIモデルの推論速度を測る指標
- D著作権を登録する制度
解説：ベイト攻撃は無料プレゼントや興味を引くファイルなどを餌にして利用者をだます攻撃である．
正解：A
- A脅迫によって金銭や情報提供などを迫る行為
- B黒色の背景で表示されるメール
- C画像生成AIのスタイル名
- D機械学習の教師なし学習
解説：ブラックメールは脅迫や恐喝により相手に不利益な行動を強いる行為である．
正解：A
- A信頼させるための口実や作り話を用いて情報を引き出す手口
- B文章生成前に必ず削除する文字列
- CAIモデルの画像圧縮方式
- D著作権法上の登録番号
解説：プレテキストはなりすましや口実を用いて相手から情報や行動を引き出すソーシャルエンジニアリングの手法である．
正解：A
- A読み取り後のURLや提供元を確認してからアクセスする
- BQRコードは常に安全なので即時アクセスする
- C読み取り先のURLは確認できないので放置する
- DQRコードなら個人情報入力は常に安全である
解説：QRコードは偽サイト誘導に使われることがあるため読み取り後のURLや設置場所の妥当性を確認する必要がある．
正解：A
- A通信内容や接続先を確認し重要な認証情報の入力を避ける
- B暗号化されていないWi-Fiでも常に安全に送信できる
- C公共Wi-Fiではパスワードが盗まれることは絶対にない
- DWi-Fi名が公式らしければ確認は不要である
解説：公共Wi-Fiには盗聴や偽アクセスポイントのリスクがあるため重要情報の入力や通信の安全性に注意する．
正解：A
- A公開範囲や共有リンクの設定を確認する
- B機密情報を常に全体公開で保存する
- C共有リンクは一度作成したら管理不要である
- Dアップロードした情報は絶対に漏えいしない
解説：アップロードサービスでは共有範囲の設定ミスにより情報漏えいが起き得るため公開範囲の確認が必要である．
正解：A
- A違法・有害なサイトへのアクセスはマルウェア感染や法的・倫理的リスクを伴う
- B不適切サイトほど安全性が高い
- C違法コンテンツを閲覧してもリスクは一切ない
- Dアクセス先の信頼性は確認不要である
解説：不適切なコンテンツへのアクセスはセキュリティ上の危険や倫理的・法的問題につながる可能性がある．
正解：A
- A公開範囲や収集される情報を管理し個人情報の露出を抑えるため
- BAIの計算速度を上げるため
- C画像の解像度を自動で高めるため
- D著作権を自動で消滅させるため
解説：プライバシー設定はSNSやサービス上で個人情報の公開範囲や利用範囲を制御するために重要である．
正解：A
- Aより巧妙なフィッシング文面や偽画像・偽音声の作成に悪用される可能性
- Bインターネット上の詐欺が完全になくなること
- C個人情報保護が不要になること
- D全ての生成物が自動的に正確になること
解説：生成AIの発展により詐欺文面やディープフェイクなどが高度化する可能性がある．
正解：A
- A個人の権利利益を保護しつつ個人情報の適正な取扱いを定めること
- BAIモデルの性能を必ず向上させること
- C著作権を完全に廃止すること
- Dインターネット通信速度を上げること
解説：個人情報保護法は個人情報の適正な取扱いにより個人の権利利益を保護するための法律である．
正解：A
- A個人情報データベース等を事業の用に供している者
- B個人情報を一切扱わない個人だけ
- C著作権を登録する行政機関
- DAIモデルの開発者だけを指す名称
解説：個人情報取扱事業者は個人情報データベース等を事業活動に利用する者を指す．
正解：A
- A指紋データや旅券番号のように個人を識別できる符号
- Bランダムに作った無関係な英字列
- C画像生成AIのプロンプト
- DAIモデルのパラメータ数
解説：個人識別符号は身体的特徴を変換した符号や公的番号など個人を識別できるものを指す．
正解：A
- A本人に対する不当な差別や偏見が生じないよう取扱いに配慮が必要な個人情報
- B公開されていればどのように扱ってもよい情報
- C企業名だけを示す情報
- DAIモデルの学習率
解説：要配慮個人情報は人種，信条，病歴，犯罪歴など不当な差別や偏見につながり得るため特に配慮が必要な情報である．
正解：A
- A思想信条・健康情報など取扱いに慎重さが求められる情報
- B画像の縦横比
- CAIの生成速度
- D通信ケーブルの規格
解説：機微情報は個人の思想信条や健康状態など漏えい時の不利益が大きい情報であり慎重な取扱いが必要である．
正解：A
- A特定の個人を識別できず元の個人情報を復元できないよう加工した情報
- B氏名だけを削除すれば必ず該当する情報
- C本人の同意があれば自由に復元してよい情報
- D個人情報保護法と全く関係のない情報
解説：匿名加工情報は特定の個人を識別できず復元できないように加工された情報である．
正解：A
- A作成方法等の情報を適切に管理し再識別を防止する
- B本人を再識別するために他の情報と照合する
- C加工前の個人情報に自由に復元する
- D公開後は一切の管理が不要になる
解説：匿名加工情報では再識別を防ぐため加工方法等情報の安全管理などが求められる．
正解：A
- A氏名や住所などの一部を伏せて見えないようにする処理
- BAIモデルを高速化する処理
- C画像を生成する処理
- D著作権を譲渡する処理
解説：マスキングは個人情報や機密情報の一部を伏せ字などで隠す処理である．
正解：A
- A利用規約・保存設定・目的を確認し不要な個人情報は入力しない
- B便利であれば本人同意なく大量の個人情報を入力する
- C要配慮個人情報は自由に公開してよい
- D匿名加工せずに機微情報を共有してよい
解説：生成AIへの入力情報は保存・学習・第三者提供の可能性を確認し必要最小限にすることが重要である．
正解：A
- A発明・著作物・商標・デザインなど知的創作や営業上の標識を保護する権利の総称
- B個人情報を匿名加工する制度
- C通信回線の暗号化方式
- DAIの学習率を決める数値
解説：知的財産権は著作権，特許権，商標権，意匠権など知的成果を保護する権利の総称である．
正解：A
- A思想または感情を創作的に表現した著作物を保護する権利
- B発明を保護するための権利のみ
- C商品名やロゴだけを保護する権利
- D個人情報を保護するための行政制度
解説：著作権は文章，音楽，美術，写真，プログラムなどの創作的表現を保護する権利である．
正解：A
- A技術的な発明を保護する権利
- B文章の表現を自動的に保護する権利
- C氏名や肖像を保護する人格的利益
- D営業秘密の3要件の1つ
解説：特許権は技術的思想の創作である発明を一定期間保護する権利である．
正解：A
- A商品やサービスを識別する名称・ロゴ・マークなどを保護する権利
- B発明そのものを保護する権利
- C人物の顔写真を必ず保護する権利
- D匿名加工情報を管理する権利
解説：商標権は商品やサービスの出所を示す標識を保護する権利である．
正解：A
- A物品等のデザインを保護する権利
- B文章の要約を保護する権利
- C個人情報を暗号化する権利
- DAIモデルのパラメータを保護する権利
解説：意匠権は物品や建築物や画像などのデザインを保護する権利である．
正解：A
- A本人の容姿や顔写真などを無断で撮影・公表されない利益
- B商品名を保護する権利
- C発明を独占する権利
- D営業秘密を保護する3要件
解説：肖像権は自己の容貌や姿をみだりに撮影・公開されない人格的利益として扱われる．
正解：A
- A著名人の氏名や肖像が持つ顧客吸引力を経済的に利用する権利
- B個人情報を匿名加工する権利
- C発明を登録する権利
- D通信内容を暗号化する権利
解説：パブリシティ権は著名人の氏名や肖像が有する経済的価値を無断利用されない権利である．
正解：A
- A営業秘密や限定提供データなど
- Bすべての個人の趣味嗜好
- CAIモデルの出力文字数
- D画像の縦横比
解説：不正競争防止法は営業秘密の不正取得・使用・開示や限定提供データの不正利用などを規制する．
正解：A
- A著名性
- B秘密管理性
- C有用性
- D非公知性
解説：営業秘密として保護されるには秘密管理性・有用性・非公知性の3要件が必要であり著名性は要件ではない．
正解：A
- A業として特定の者に提供され電磁的方法で相当量蓄積・管理される技術上または営業上の情報
- B誰でも自由に閲覧できる公開情報だけ
- C個人の顔写真だけを指す情報
- DAIの出力結果すべてを自動的に保護する制度
解説：限定提供データは不正競争防止法上で一定の条件を満たすデータの不正取得等から保護される対象である．
正解：A
- A既存著作物や商標等に類似した出力を利用する場合は権利侵害リスクを確認する
- BAI生成物は常に権利侵害にならない
- CAIを使えば他者の著作物を自由に商用利用できる
- Dプロンプトに入力した時点で他者の権利は消滅する
解説：生成AIの出力が既存の著作物や商標等に類似する場合は権利侵害の可能性を確認する必要がある．
正解：A
- A他人の社会的評価を低下させる内容を公表すると問題になり得る
- B生成AIの出力なら名誉毀損は成立しない
- C事実でない内容だけなら必ず安全である
- D匿名投稿なら法的責任は一切ない
解説：生成AIで作成した文章でも他者の社会的評価を低下させる内容を公開すれば名誉毀損等の問題が生じ得る．
正解：A
- A重要な内容は一次情報や信頼できる資料で確認する
- B自然な文章なら事実確認は不要である
- CAIが出した出典は必ず実在するとみなす
- D生成物は常に最新情報を反映している
解説：生成AIは誤情報を出すことがあるため重要な情報は信頼できる根拠で確認する必要がある．
正解：A
- A人間の創作的関与の有無などにより判断が分かれ得る
- BAIが常に著作者として権利を持つ
- Cプロンプトを1語入力すれば常に著作権が発生する
- DAI生成物には必ず著作権が発生しない
解説：AI生成物の著作権は人間の創作的寄与や表現上の創作性などにより判断されるため一律には扱えない．
正解：A
- A人間の尊厳が尊重される社会
- B多様な背景を持つ人々が多様な幸せを追求できる社会
- C持続可能な社会
- D計算速度を最大化する社会
解説：Dignityは人間の尊厳が尊重される社会を意味する基本理念である．
正解：A
- A多様な背景を持つ人々が多様な幸せを追求できる社会
- B人間の尊厳が尊重される社会
- C持続可能な社会
- DAIだけが意思決定する社会
解説：Diversity & Inclusionは多様な背景を持つ人々が多様な幸せを追求できる社会を意味する．
正解：A
- A持続可能な社会
- B人間の尊厳が尊重される社会
- C多様な背景を持つ人々が多様な幸せを追求できる社会
- D監視を最大化する社会
解説：Sustainabilityは持続可能な社会を意味する基本理念である．
正解：A
- AAIは人間の尊厳や利益を支えるために活用されるべきである
- BAIの判断は常に人間の判断より優先されるべきである
- C人間の権利より効率を常に優先すべきである
- DAI利用では説明や確認は不要である
解説：人間中心の原則ではAIが人間の尊厳・権利・幸福を支える方向で使われることが重視される．
正解：A
- AAIの利用により生命・身体・財産等に不当な危害が生じないようにすること
- BAIの処理速度だけを高めること
- CAIにすべての個人情報を公開すること
- DAI出力を常に無検証で採用すること
解説：安全性はAIシステムの利用による危害や事故を防ぐための重要な原則である．
正解：A
- A不当な差別や偏りが生じないようにすること
- Bすべての人に同じ広告を必ず表示すること
- CAIの計算回数を均等にすること
- D著作権を全員で共有すること
解説：公平性はAIの判断や結果が特定の属性に対して不当な不利益や差別を生まないようにする考え方である．
正解：A
- A個人情報や私生活上の情報を適切に管理し不必要に利用しないこと
- B個人情報を無条件に学習データへ入れること
- C利用者の同意を常に不要とすること
- D公開範囲を確認しないこと
解説：プライバシー保護では個人情報の取得・利用・保存・共有を適切に管理する必要がある．
正解：A
- A不正アクセスやデータ改ざんなどからAIシステムを守ること
- BAIの回答をすべて公開すること
- Cパスワードを共有すること
- Dログを一切残さないこと
解説：セキュリティ確保はAIシステムやデータを攻撃や漏えいから守るために必要である．
正解：A
- AAIの利用目的や判断根拠などを可能な範囲で理解可能にすること
- BAIの処理を必ず隠すこと
- C利用者にAI利用を知らせないこと
- Dすべてのデータを公開すること
解説：透明性はAIの仕組みや利用目的や判断理由を関係者が理解できるようにする考え方である．
正解：A
- AAIの利用や結果について説明責任を果たすこと
- BAIの出力を自動で暗号化すること
- C画像を生成すること
- Dプロンプトを短くすること
解説：アカウンタビリティはAIの導入・運用・結果に対して説明し責任を果たすことを意味する．
正解：A
- A利用者がAIの限界やリスクを理解し適切に活用するため
- BAIの出力を常に正解とみなすため
- C個人情報保護を不要にするため
- D著作権侵害を合法化するため
解説：AIの適切な利活用には利用者が仕組み・限界・リスク・倫理を理解することが必要である．
正解：A
- AAIの利用により市場で不当な競争制限や独占的弊害が生じないようにすること
- B特定企業だけがAIを独占すること
- C利用者情報を無断で囲い込むこと
- D競合他社の営業秘密を不正取得すること
解説：公正競争確保はAIの発展が健全な市場競争を阻害しないようにする考え方である．
正解：A
- Aリスクに配慮しながらAIの研究開発や活用を促進する
- BAIの研究開発を全面的に禁止する
- C安全性を確認せず無制限に利用する
- D利用者への説明を不要にする
解説：AI社会原則では安全や人権を守りつつAIの発展と活用によるイノベーションも重視される．
正解：A
- AAI利用に伴う外部環境やリスクを把握し対策につなげる
- BAIの画像生成速度だけを測る
- C著作権を自動登録する
- D個人情報を無条件に公開する
解説：AIガバナンスでは事業環境やAI利用に伴うリスクを分析し適切な管理策を設計する．
正解：A
- A組織がAIをどのように安全・適切に活用するかの目標
- BAIの出力文字数を固定する設定
- C画像の縦横比を指定する値
- D個人情報を削除するだけの作業
解説：AIガバナンス・ゴールは組織のAI利活用における目標や管理方針を示すものである．
正解：A
- AAIに関するリスクや運用を継続的に管理する組織的仕組み
- BAIの画像生成モデルだけを指す名称
- Cインターネットの通信規格
- D個人情報保護法の条文名
解説：AIマネジメントシステムはAIの開発・提供・利用に伴うリスクを継続的に管理・改善するための仕組みである．
正解：A
- AAIシステムやモデルを開発する主体
- BAIを業務で利用するだけの主体
- CAIを顧客に提供するだけの販売主体
- DAIの出力を見る一般消費者だけ
解説：AI開発者はAIシステムやモデルを設計・開発する主体である．
正解：A
- AAIシステムやサービスを他者に提供する主体
- BAIを業務で利用するだけの従業員
- CAIモデルの学習データだけ
- D個人情報保護委員会の別名
解説：AI提供者はAIシステムやサービスを利用者に提供する主体である．
正解：A
- AAIシステムやサービスを業務等で利用する主体
- BAIモデルを必ず自社開発する主体
- CAIを法的に監督する行政機関のみ
- D生成AIの学習データそのもの
解説：AI利用者はAIシステムやAIサービスを自らの事業活動等で利用する主体である．
正解：A
- A人工知能関連技術の研究開発及び活用の推進に関する法律
- B個人情報の保護に関する法律
- C不正競争防止法
- D著作権法
解説：AI新法は人工知能関連技術の研究開発及び活用の推進に関する法律としてシラバスに示されている．
正解：A
- AAI関連技術の研究開発と活用を推進するための基本的枠組みを定める法律
- BAI利用を全面的に禁止する法律
- C生成AIの出力をすべて著作物とみなす法律
- D個人情報の削除だけを定める法律
解説：AI新法はAI関連技術の研究開発や活用の推進に関する基本的な枠組みを定める法律である．
正解：A
- AAIの急速な発展に伴い利活用促進とリスク対応の両立が求められるため
- BAIを完全に社会から排除するため
- Cインターネット利用を禁止するため
- D著作権制度を廃止するため
解説：AI新法はAI技術の発展に対応し研究開発・活用を進めつつリスクにも対応する必要から位置づけられる．
正解：A
- A法律の枠組みと事業者向け指針を関連づけて理解する必要がある
- B両者はまったく無関係である
- CAI事業者ガイドラインは画像生成の技法名である
- DAI新法によりガイドラインの理解は不要になる
解説：AI新法とAI事業者ガイドラインはAIの適切な開発・提供・利用を考えるうえで関連して理解する必要がある．
正解：A
- A差別的出力・誤情報・情報漏えい・権利侵害など
- B画像の色が必ず青くなること
- CAIの計算速度が常に速すぎること
- Dプロンプトが必ず短くなること
解説：AI利用ではバイアス，ハルシネーション，個人情報漏えい，知的財産権侵害などのリスクに注意が必要である．
正解：A
- A重要な意思決定や権利利益に影響する出力を利用する場面
- B画像の背景色を選ぶだけの場面
- CAIの出力を全て娯楽目的で眺めるだけの場面
- D電卓で単純計算を確認する場面
解説：権利利益に影響するAI出力を利用する場合は人間による確認や説明責任が重要になる．
正解：A
- A利用規約や保存設定を確認し原則として不用意に入力しない
- B入力すれば営業秘密としての保護が必ず強まる
- C生成AIに入力した情報は絶対に外部保存されない
- D秘密管理性とは無関係なので自由に入力してよい
解説：営業秘密を外部サービスに入力すると秘密管理性や情報漏えいのリスクが生じるため慎重な取扱いが必要である．
正解：A
- A肖像権やパブリシティ権の侵害にならないか確認する
- BAI生成画像なら本人許諾は常に不要である
- C架空画像と書けばすべて自由に使える
- D著名人の顧客吸引力は権利保護の対象にならない
解説：著名人の氏名や肖像を広告に使う場合は肖像権やパブリシティ権の侵害リスクを確認する必要がある．
正解：A
- A事実確認や権利侵害の有無を確認してから利用する
- BAIが作った文章なら確認不要で公開できる
- C誤情報でも自然な表現なら問題ない
- D他人の名誉を傷つけてもAI出力なら責任はない
解説：生成AIの出力には誤情報や権利侵害や名誉毀損のリスクがあるため公開前の確認が必要である．
正解：A
- A取得した個人情報は特定された利用目的の範囲で扱う必要があるため
- B利用目的を決めると本人確認が一切不要になるため
- C利用目的があれば情報を自由に第三者提供できるため
- D利用目的はAIモデルの精度だけを表すため
解説：個人情報の取扱いでは利用目的を明確にしその範囲内で適正に利用する必要がある．
正解：A
- A偏った学習データにより特定属性に不利な判断をする
- BAIの出力結果を確認する
- C利用目的を説明する
- D個人情報を最小限にする
解説：学習データや設計の偏りにより特定属性への不当な差別が生じると公平性の問題になる．
正解：A
- AAIを利用していることや判断に使う主な情報を説明する
- BAI利用を隠して自動判断だけを行う
- C判断根拠を一切示さない
- D利用者からの問い合わせを拒否する
解説：AI利用の有無や主な判断要素を説明することは透明性向上につながる．
正解：A
- AAI導入目的・リスク対策・結果への対応方針を説明できるようにする
- BAIの判断なので責任者を置かない
- C利用者からの苦情を受け付けない
- Dログや運用記録を一切残さない
解説：AIの利用結果について説明し必要な対応を取れる体制を整えることがアカウンタビリティにつながる．
正解：A
- A学習データや入力情報の漏えい・改ざん・不正利用が起こり得る
- BAIの出力が必ず高品質になる
- C個人情報保護が不要になる
- D著作権侵害が自動的に解消される
解説：AIシステムではデータやモデルへの不正アクセス，漏えい，改ざんなどのリスクがある．
正解：A
- A必要最小限の個人情報のみを取得・利用する
- B取得できる情報はすべて無条件に収集する
- C本人に知らせず目的外利用する
- D要配慮個人情報を公開データとして扱う
解説：プライバシー保護ではデータ最小化や目的限定などが重要である．
正解：A
- A出力が既存作品や商標に酷似していないか確認する
- B既存作品に似ているほど安全と判断する
- C権利者の許諾確認を常に省略する
- DAI出力は法的確認が不要とみなす
解説：生成AIの出力が既存作品やブランドに類似する場合は著作権・商標権等の侵害リスクがあるため確認が必要である．
正解：A
- A複数の信頼できる情報源や一次情報で照合する
- B生成AIの回答を必ず真実とする
- C出典がなくても自然な文章なら採用する
- D拡散されている情報は必ず正しいと判断する
解説：偽情報対策では一次情報や複数の信頼できる情報源による確認が重要である．
正解：A
- AAIの研究開発・提供・利用におけるリスクと社会的責任を踏まえる
- BAIの出力を全て無条件で公開する
- C個人情報保護や知的財産権を無視する
- DAIの安全性確認を不要にする
解説：AI新法や関連指針の理解ではAIの利活用促進だけでなくリスクや責任ある運用を意識する必要がある．
正解：B
- Aインターネットの物理的なケーブルを適切に配線する能力
- Bインターネットを安全・適切・効果的に活用するために必要な知識・判断力・スキルの総称
- Cプログラミングをインターネット経由で学習する技術
- D高速インターネット回線を選定する知識
解説：インターネットリテラシーはオンラインでの情報の真偽判断・プライバシー保護・セキュリティ対策・著作権理解・デジタルコミュニケーション等を含む総合的な能力。生成AIの普及で求められる水準が高まっている。
正解：B
- Aインターネット投票システムの利用権
- Bデジタル社会において責任ある行動をとり、テクノロジーを適切に活用するための権利・義務・倫理を理解すること
- CSNSのフォロワー数に応じた発言権
- DデジタルIDカードの取得権
解説：デジタル市民権はデジタル空間での権利（表現の自由・プライバシー等）と責任（他者への配慮・法律遵守・フェイク情報の拡散防止等）を理解し、デジタル社会に参画する概念。デジタルシティズンシップ教育が世界的に推進されている。
正解：B
- A魚釣りゲームを使った詐欺の比喩的表現
- B銀行・ECサイト等の正規機関を装った偽メール・偽サイトで個人情報・パスワード・クレジットカード情報を騙し取る詐欺
- C電話で相手を脅迫して金銭を要求する詐欺
- DWi-Fiを不正に利用した詐欺
解説：フィッシング詐欺は正規機関を偽装したメール・SMS・SNSでユーザーを偽サイトに誘導し、ログイン情報・個人情報・クレジットカード情報等を盗む手法。URL確認・公式サイトへの直接アクセスが対策として重要。
正解：B
- AEメールを使ったフィッシング詐欺
- BSMS（ショートメッセージ）を使ったフィッシング詐欺
- C音声通話を使ったフィッシング詐欺
- DSNSダイレクトメッセージを使った詐欺
解説：スミッシング（SMS + Phishing）はSMSを使ったフィッシング詐欺。「荷物が届けられません」「銀行アカウントが停止されました」など緊急性をかき立てるメッセージで偽サイトに誘導する。スマートフォン利用者を狙った詐欺として急増している。
正解：B
- A偽の動画広告を使った詐欺
- B電話音声（Voice）を使ってなりすましや詐欺を行うフィッシングの一種
- Cバーチャルリアリティを使った詐欺
- D偽のウェブサイトビジョンを使った詐欺
解説：ヴィッシング（Voice + Phishing）は電話音声でAI音声クローニング技術等も利用しながら金融機関・警察等を装い、口座情報や送金を誘導する詐欺。生成AIの音声クローニングによりヴィッシングの被害が増加している。
正解：B
- Aマルチメディアを処理するソフトウェア
- Bコンピュータやネットワークに害を与える悪意のあるソフトウェアの総称
- Cマーケティング自動化ソフトウェア
- Dマルチプラットフォーム開発ツール
解説：マルウェアはMalicious（悪意ある）+Software の造語。ウイルス・ワーム・トロイの木馬・ランサムウェア・スパイウェア・アドウェアなど多様な種類がある。データ窃取・破壊・不正制御・金銭要求等の被害をもたらす。
正解：B
- AユーザーのSNSアカウントを乗っ取る
- B感染したコンピュータのデータを暗号化し、復号のためにビットコイン等の身代金（Ransom）を要求する
- Cインターネット通信を傍受してパスワードを盗む
- DCPUに過負荷をかけてコンピュータを破壊する
解説：ランサムウェアはデータを暗号化して使用不能にし、復号キーと引き換えに身代金を要求するマルウェア。病院・インフラ・企業への攻撃事例が増加。バックアップの定期取得・ソフトウェアの最新化が主な対策。
正解：B
- Aソーシャルメディアを使ったマーケティング手法
- B技術的な手段ではなく、人間の心理的な弱点（信頼・権威・焦り等）を突いて機密情報や不正アクセスを得る手法
- CAIを使った社会分析手法
- DSNSのフォロワーを増やすためのハッキング
解説：ソーシャルエンジニアリングは人間の心理・社会的信頼関係を悪用する攻撃。権威者を装う・緊急感をあおる・親切を装うなどの手口で情報を引き出す。技術的対策だけでなく人的セキュリティ教育が重要。
正解：B
- ASMSを使う点が異なる
- B特定の個人・組織を標的に、その人物の情報を事前に収集して高度にカスタマイズした標的型攻撃である点
- Cより多くの人を標的にする点
- D完全に自動化されている点
解説：スピアフィッシングは不特定多数を標的にする通常のフィッシングと異なり、特定の個人（役員・特定部門担当者等）をターゲットに、SNS・LinkedIn等で収集した個人情報を利用した精緻な詐欺メールを送る標的型攻撃。
正解：B
- AWebサイトのプレビューページを悪用する攻撃
- B作り話（口実）を使って標的から情報を聞き出すソーシャルエンジニアリング手法
- Cネットワークプロトコルの脆弱性を突く攻撃
- Dプレインストールされたマルウェアによる攻撃
解説：プレテキストは「IT部門の者ですが、パスワードを確認させてください」「銀行の調査員です」などの架空の口実（pretense）を作り、標的に情報を提供させるソーシャルエンジニアリング技法。
正解：B
- A魚を使った物理的な罠で機器を破壊する攻撃
- B感染したUSBメモリや無料コンテンツなどの「餌（おとり）」を使いマルウェアを感染させる攻撃
- Cメールの添付ファイルを開かせる標準的フィッシング
- Dパスワードの強度を試すブルートフォース攻撃
解説：ベイト攻撃は好奇心・欲望を利用した攻撃。駐車場に置いた感染USBを標的が拾って挿入させる、無料映画等と偽ってマルウェアをダウンロードさせるなどの手口がある。
正解：B
- AWi-Fiは暗号化されているため常に安全
- B公共のフリーWi-Fiは通信傍受・中間者攻撃（MITM）のリスクがあり、個人情報・パスワード漏洩の危険がある
- CWi-Fiを使うとPCの処理速度が低下する
- DWi-Fi接続するとマルウェアが自動的にインストールされる
解説：暗号化されていないフリーWi-Fiは通信傍受（パケットスニッフィング）・偽アクセスポイント（Evil Twin攻撃）・中間者攻撃のリスクがある。VPNの使用・HTTPSの確認・重要操作はモバイルデータ通信の利用が推奨される。
正解：B
- A生成AIにより全てのフィッシング詐欺が自動的に検出される
- B生成AIにより文法ミスのない自然な偽メール・声のクローニング・個人に最適化された詐欺が大規模に作成できるようになる
- C生成AIはフィッシング詐欺を行う能力がない
- D生成AIは法律により詐欺目的での使用が完全に防止されている
解説：生成AIにより①文法・スペルミスがない自然な詐欺文章の大量生成②ボイスクローニングで親族・上司の声を偽造③ターゲットの個人情報を基にパーソナライズされた詐欺が可能になり、フィッシング検出が難しくなっている。
正解：B
- A社会保障番号・マイナンバーのみ
- B生存する個人に関する情報で、特定の個人を識別できるもの（氏名・生年月日・顔画像等）
- C企業が保有する全データ
- D死亡した人物の情報も含む全人物情報
解説：個人情報保護法の「個人情報」は生存する個人に関する情報で、単独または他の情報と容易に照合して特定個人を識別できる情報（氏名・生年月日・住所・顔画像・音声等）を指す。死者の情報は原則対象外。
正解：B
- A会社の社員番号・学籍番号
- B指紋・声紋・顔の骨格・静脈パターン等の生体情報や旅券番号・マイナンバー等の特定個人を識別できる符号
- C宅配便の荷物追跡番号
- Dクレジットカードの暗証番号
解説：個人識別符号は単体で個人を識別できる情報で、個人情報に該当する。生体情報系（DNA・指紋・声紋・顔・虹彩・歩行等）と符号系（パスポート・マイナンバー・運転免許番号・健康保険証番号等）に分類される。
正解：B
- A企業が特に重視する顧客情報
- B人種・信条・病歴・犯罪歴・障害など不当な差別や偏見が生じるおそれのある特に慎重な取り扱いが必要な個人情報
- C個人情報の中でも数値データのみを指す
- D企業秘密と組み合わせた個人情報
解説：要配慮個人情報は差別・偏見のリスクがある情報（人種・民族・信条・社会的身分・病歴・犯罪歴・犯罪被害歴・障害・健康診断結果等）。取得には原則として本人の同意が必要。
正解：B
- A暗号化されているがキーがあれば復元できる情報
- B特定の個人を識別できないよう加工し、かつ元の個人情報に復元できないようにした情報
- C公開された情報から自動的に作成された情報
- D企業がビッグデータとして保有する全匿名データ
解説：匿名加工情報は個人情報を加工して特定個人を識別できなくし（氏名削除・住所の市区町村までの切り詰め等）、かつ元の個人情報に復元できないようにした情報。一定のルールに従えば本人同意なく第三者提供・利用が可能。
正解：B
- A企業の機密情報
- B人種・信条・病歴・犯罪歴・性的指向などの不当な差別・偏見につながりやすい特に慎重な取り扱いが求められる個人情報
- C企業の財務データ
- D公開されている情報
解説：機微情報（センシティブ情報）は要配慮個人情報とほぼ同義で、差別・プライバシー侵害の深刻なリスクがある情報。EU・GDPRでは「特別カテゴリのデータ」として通常の個人情報より厳格な保護を要求している。
正解：B
- A個人情報の収集が一切禁止になった
- B漏えい等報告義務の新設・個人の権利強化（利用停止・消去請求の対象拡大）・外国への第三者提供規制強化等が追加された
- C企業の個人情報取り扱いへの規制が完全に撤廃された
- D個人情報保護委員会が廃止され行政が直接管理するようになった
解説：2022年4月改正ではデータ漏洩時の本人・個人情報保護委員会への報告義務化・利用停止等の請求権拡大・外国企業への規制強化・仮名加工情報制度の新設・ペナルティ強化等が実施された。
正解：B
- A特許庁への登録が必要
- B著作物を創作した時点で自動的に発生（無方式主義）し、登録等の手続きは不要
- C3名以上の証人の立会いが必要
- D公開・発表した時点で初めて発生する
解説：日本の著作権法では著作物（思想・感情を創作的に表現したもの）は創作した時点で自動的に発生（無方式主義）。登録・届け出・著作権マークの表示等は不要。原則として著作者の死後70年間保護される。
正解：B
- A特許権は商標の保護、著作権は発明の保護
- B特許権は発明（技術的アイデア）、著作権は創作的表現、商標権はブランドの識別標識、意匠権はデザイン（外観）の保護
- C全ての知的財産権は著作権に包含される
- D商標権のみが登録不要で自動発生する
解説：特許権（発明・技術）・著作権（文芸・音楽・映像等の創作的表現）・商標権（商品・サービスの識別標識・ブランドロゴ等）・意匠権（製品の外観デザイン）はそれぞれ保護対象・存続期間・登録要否が異なる。
正解：B
- A有名人のみに認められる特別な権利
- B全ての人が持つ自分の顔・姿を無断で撮影・公表されない権利
- C氏名を勝手に使われないよう保護する権利
- D芸術作品に描かれた人物が持つ権利
解説：肖像権は有名人・一般人を問わず全ての人が持つ権利で、自分の肖像（顔・姿）を無断で撮影・公開・利用されない権利。法律に明文規定はないが判例・憲法13条（人格権）に基づいて保護される。
正解：B
- A全ての人が持つ自分の顔を撮影されない権利
- B著名人が持つ氏名・顔・声等の商業的利用に対する権利（経済的利益の保護）
- C会社が商標を守る権利
- D情報の公開を制限する権利
解説：パブリシティ権（Right of Publicity）は著名人の氏名・肖像・声等が持つ顧客吸引力（経済的価値）を保護する権利。芸能人・スポーツ選手の写真を無断で商品・広告に使用することはパブリシティ権侵害になる可能性がある。
正解：B
- A公開性・知名度・市場価値
- B秘密管理性（秘密として管理されている）・有用性（事業活動に有用な情報）・非公知性（一般に知られていない）
- C知的財産権として登録されていること
- D特許庁に出願していること
解説：営業秘密が不正競争防止法で保護されるには①秘密として管理されていること（秘密管理性）②ビジネス上有用であること（有用性）③公然と知られていないこと（非公知性）の3要件が必要。
正解：B
- A企業が社内のみで共有する一般的なデータ
- B電磁的方法で相当量蓄積・管理され、限定的に提供されるデータ（IoTデータ・地図データ等）で一定の保護が受けられる
- C個人情報保護法で保護される個人データ
- D企業秘密として特許登録したデータ
解説：限定提供データは2019年の不正競争防止法改正で追加。データを秘密管理する必要はなく、一定の管理下で提供されるデータを保護対象とする。AIや自動運転の学習用データセット等の保護を意図している。
正解：B
- AAI生成物には自動的に開発者の著作権が発生する
- B人間が著作的寄与（創作的な選択・配置等）をほとんど行わず純粋にAIが生成したものは著作物として保護されないとする見解が文化庁から示されている
- Cプロンプトを入力した人が常に著作権者となる
- DAIが生成したものは著作権が永久に消滅する
解説：文化庁「AIと著作権に関する考え方について（2024年3月）」では、人間の創作的寄与が著作権保護の前提であり、AI自律生成（プロンプトのみ）のものは著作物に当たりにくく、人間が創作意図を持ちAIを創作の道具として使用した場合は著作物に当たりうるとの見解が示されている。
正解：B
- A個人の財産を不法に取得すること
- B公然と事実（真実・虚偽両方を含む）を摘示し他人の社会的評価を低下させる行為
- C他人のパスワードを不正に入手すること
- D個人情報を無断で第三者に提供すること
解説：名誉毀損は公然と事実を摘示して人の社会的評価を低下させる行為（刑法230条）。事実が真実であっても成立し得る。AI生成コンテンツが実在の人物についての虚偽情報を「事実」として表現した場合も名誉毀損のリスクがある。
正解：B
- AAIシステムの処理能力の高さ
- BAIが活用される社会において全ての人間の尊厳が尊重されるべきとする基本理念
- C企業の知的財産権の保護
- DAI開発者の権益保護
解説：日本のAI社会原則でも掲げられる「人間の尊厳が尊重される社会（Dignity）」は、AIの活用が人間の尊厳・権利・自由を侵害しないことを基本理念の核心として位置づけている。
正解：B
- AAIの開発チームに多様な国籍のメンバーを入れること
- BAI社会において多様な背景を持つ人々が多様な幸せを追求でき、社会参加できることを保証すること
- CAIが多様なプログラミング言語に対応すること
- DAIシステムが複数のOS上で動作すること
解説：Diversity & Inclusionの理念はAIが特定の個人・集団を差別・排除せず、年齢・性別・国籍・障害・文化的背景等に関わらず全ての人がAI社会の恩恵を受け社会参加できることを目指している。
正解：B
- AAIサービスが24時間365日停止しないこと
- BAIの活用が環境・経済・社会の持続可能性を損なわず、将来世代の選択肢を奪わないこと
- CAIのサービス契約が長期に継続されること
- DAIモデルの学習データが継続的に更新されること
解説：Sustainability（持続可能性）はAIが地球環境（エネルギー消費・CO2排出等）・社会的公正・経済的繁栄を中長期的に損なわないことを目指す理念。UN SDGsとの整合性も重要な論点。
正解：B
- AAIが自動的に会計処理を行う機能
- BAI開発者・提供者・利用者がAIの設計・判断・影響について説明できる責任を負うこと
- CAIの処理ログをデータベースに保存すること
- DAIがユーザーの全行動を記録すること
解説：AIのアカウンタビリティはAIシステムの設計・判断プロセス・出力の根拠を関係者（エンドユーザー・規制当局・一般市民等）に対して説明できることを求める原則。説明可能なAI（XAI）の研究もこれを支える。
正解：B
- AAIのソースコードを全て公開すること
- BAIシステムの仕組み・学習データ・判断根拠を適切な形で開示・説明できること
- CAIの全ユーザーデータを公開すること
- DAIの設計者の個人情報を公開すること
解説：透明性はAIがどのように設計・学習され、どのような根拠で判断を行うかを適切に開示・説明する原則。完全なソースコード公開を必須とするわけではなく、リスクに応じた適切な説明の提供が求められる。
正解：B
- A2024年4月1日
- B2025年6月4日
- C2023年11月30日
- D2026年1月1日
解説：AI新法（通称）は2025年6月4日に日本で公布された。AI技術の研究開発・活用を推進するための基本的な法的枠組みを定め、安全で信頼できるAIの社会実装を目指す法律。
正解：B
- A大企業のみが対象
- BAI開発者（AI Developer）・AI提供者（AI Provider）・AI利用者（AI Business User）の3主体が対象
- CAI研究者のみが対象
- D政府機関のみが対象
解説：AI新法はAI開発者（モデルを開発する事業者）・AI提供者（サービスとしてAIを提供する事業者）・AI利用者（業務にAIを活用する事業者）の3主体を対象とし、それぞれの役割に応じた責務を定めている。
正解：B
- AAIを活用した企業の経営戦略
- BAIのリスク管理・責任体制・規制遵守・監査体制など、AIを適切に設計・管理・監督する仕組みと枠組み
- CAIシステムのサーバー管理
- DAI製品の価格設定プロセス
解説：AIガバナンスはAIのリスク（バイアス・プライバシー・安全性・透明性等）を適切に管理し、ステークホルダーへの説明責任を果たすための組織的・技術的・制度的な仕組み全体。NIST AIリスク管理フレームワーク等が参考にされている。
正解：B
- AAIが全ての計算を同じ速度で処理する性質
- BAIシステムが特定の個人・集団を不当に差別・偏見を持って扱わないこと
- C全てのユーザーが同一料金でAIを使えること
- DAIが全ての言語を均等に理解できること
解説：AIの公平性はトレーニングデータのバイアス・アルゴリズムの設計等によりAIが特定の性別・人種・年齢・宗教等を不公平に扱わないことを求める。採用・融資・医療診断・司法判断等の高リスク領域での公平性確保が特に重要。
正解：B
- A個人情報の売買を促進する
- B個人情報保護法の監督・執行・ガイドライン策定・法違反事業者への指導・勧告・命令等を担う独立した第三者機関
- C個人情報の収集・販売を行う政府機関
- D企業の個人情報取得を認可する機関
解説：個人情報保護委員会（PPC）は2016年設置の独立行政委員会。個人情報保護法の所管官庁として監督・指導・勧告・命令・立入検査の権限を持ち、EU・GDPRとの十分性認定でも重要な役割を担う。
正解：B
- A天気予報の自動化
- B採用選考・融資審査・刑事司法における判断の自動化（高リスク意思決定）
- Cオンラインショッピングの推薦システム
- Dスパムメールフィルタリング
解説：採用・融資・保険・医療・刑事司法など人の権利・生活に大きく影響する「高リスク意思決定」領域でのAI自動化は、アルゴリズムバイアスによる不当な差別・説明責任の欠如・透明性の不足が倫理的問題になりやすい。EUのAI Actは高リスクAIに厳格な義務を課している。
正解：B
- Aプライバシー設定をユーザーが手動で毎回行う仕組み
- Bシステムの設計・開発の初期段階からプライバシー保護を組み込む考え方
- Cプライバシー保護ソフトウェアのブランド名
- Dユーザーのプライバシーに関するアンケート調査
解説：Privacy by Designはアン・カブキアンが提唱した「後付けではなく、設計段階からプライバシー保護を標準組み込みにする」原則。GDPRでも採用されており、最小データ収集・デフォルトでのプライバシー設定等が求められる。
正解：B
- A生成AIサービスは個人情報保護法の適用外なので自由に入力できる
- B業務で生成AIを使う際も個人情報を無断でAIサービスに送信すると情報漏洩リスクや法令違反の可能性がある
- C個人情報をAIに入力すると自動的に保護される
- DAIベンダーが全ての責任を持つため利用者側は心配不要
解説：生成AIサービスにプロンプトで入力したデータがAIの学習・改善に使われる可能性がある。顧客・従業員の個人情報・機密情報を無断入力すると情報漏洩・個人情報保護法違反・守秘義務違反等のリスクがある。プライバシーポリシーの確認や社内ガイドラインの整備が必要。
5章
この範囲を15問解くテキスト生成AIのプロンプト制作と実例
正解：B
- ARNNモデル
- Bn-gramモデル
- CWord2Vecモデル
- Dトランスフォーマーモデル
解説：n-gramモデル は直前のn語から次の単語の確率を計算する統計的言語モデルであり初期の自然言語処理で広く使われた．
正解：B
- Aできるだけ短く簡潔に指示を出す
- B具体的な例を含めて詳細に指示を出す
- C専門用語をたくさん使用する
- D命令口調で強く指示を出す
解説：プロンプトでは具体例や条件を明確に示すことでAIが意図を理解しやすくなりより適切な出力が得られる．
正解：B
- Aマーケティング戦略を説明
- B個人の姓名から人口統計データを提供
- C新製品PRアイデアを提案
- DAIの雇用影響を議論
解説：個人名から属性情報を推測するような指示はプライバシー侵害や誤情報生成につながる可能性があるため不適切なプロンプトとされる．
正解：A
- A自然言語の文章がどの程度自然であるかを評価するモデル
- B画像認識のための深層学習モデル
- C音声合成の確率モデル
- Dテキスト校正専用モデル
解説：言語モデル（Language Model）は文章の確率分布を学習し文章の自然さや次に続く単語を予測するモデルである．
正解：C
- AZero-Shot
- BOne-Shot
- CFew-Shot Prompting
- DMulti-Task
解説：Few-Shotは少数の例を与えてモデルにタスクを理解させる手法である
正解：C
- Aコード行数
- B認証回数
- Cテキスト分割単位数
- Dエラー数
解説：テキストを分割した基本単位の数を指す
正解：B
- Aファインチューニング
- Bプレトレーニング
- C転移学習
- Dレイヤー学習
解説：大量データで基礎能力を学習する段階である
正解：D
- A多数例提示
- B少数例提示
- C必ず再学習
- D例なし指示
解説：例を与えずに指示のみで実行させる
正解：B
- AAPI
- Bハイパーパラメータ
- Cコンテキスト
- Dn-gram
解説：学習率など事前設定値で性能に影響する
正解：C
- Aデータセット
- BAPI
- Cハイパーパラメータ
- Dコンテキスト
解説：ハイパーパラメータは学習前に設定する調整値である
正解：C
- A曖昧指示
- B一問のみ
- C明確な指示
- D非論理
解説：明確な指示で精度向上
正解：C
- A前処理
- B透明性
- C性能最適化
- D省電力
解説：最適な性能を得るために調整する
正解：C
- Aデータ変更
- B重み決定
- C生成制御
- D固定値
解説：出力のランダム性や長さを制御する
正解：A
- ATemperature高で保守的出力
- BTop-pで制御
- Cmax_tokens制限
- Drepetition抑制
解説：Temperatureを高くするとランダム性が増す
正解：B
- A複数例提示
- B例なし指示
- C微調整
- Dゼロ学習
解説：例を与えず指示のみで実行する
正解：B
- A文法規則を辞書から検索・適用する
- B次に出現する単語を確率的に予測する
- C画像データを分類する
- D音声波形を合成する
解説：LM（Language Model、言語モデル）は、文章内の前の単語の並びを元に次に来る単語の確率を予測するモデルです。n-gramモデルからニューラル言語モデル（LLM）まで幅広い種類があります。
正解：B
- A小規模な専門データのみで学習する
- B事前学習（プレトレーニング）と微調整（ファインチューニング）を組み合わせる
- CルールベースAIの代表例である
- D最新情報を常に内部に保持している
解説：LLM（Large Language Model）は大量のテキストデータでの事前学習（プレトレーニング）と、特定タスク向けの微調整（ファインチューニング）を組み合わせたモデルです。GPT・Gemini・Claudeなどが代表例です。
正解：D
- A強化学習（RLHFなど）
- B教師あり学習（正解ラベルを使用）
- Cルールベース学習
- D教師なし学習（大量のテキストを自己教師あり的に学習）
解説：LLMのプレトレーニングでは、大量のテキストデータを使い「次の単語を予測する」タスクで自己教師あり的に（正解ラベルなしで）学習します。これが「教師なし学習」に近い形態です。GPT-4も同様のアプローチで事前学習されました。
正解：B
- A出力が毎回固定され再現性が高まる
- B生成される文章の多様性・創造性が高まる
- C処理速度が必ず向上する
- D文章の正確性・事実一致度が上がる
解説：Temperatureは出力のランダム性を制御するパラメータです。高い値（例：1.5）では多様で創造的な出力が得られますが不安定になることがあります。低い値（例：0.1）では一貫性・再現性が高まりますが単調になります。
正解：C
- Aモデルの学習率を制御する
- B出力文章の文字数を直接指定する
- C次の単語候補を確率質量の累積値で絞り込む
- Dモデル全体のパラメータ数を変更する
解説：Top-p（Nucleus Sampling）は、次の単語を選ぶ際に確率が高い順に候補を並べ、確率の合計がp（例：0.9）に達するまでの単語のみを候補とするパラメータです。Temperatureと組み合わせて出力の多様性を制御します。
正解：B
- AAIが生成した出力結果
- BAIに対して与える入力・指示文
- CAIモデル全体の名称
- DAIの学習データセット
解説：プロンプト（Prompt）とは、AIに対して与える入力・指示文のことです。適切なプロンプトを設計することで、AIから期待通りの出力を引き出せます。プロンプトの設計技術全般を「プロンプトエンジニアリング」と呼びます。
正解：C
- AContext（コンテキスト）
- BInput Data（入力データ）
- CInstruction（インストラクション）
- DOutput Indicator（出力指示子）
解説：プロンプトの4要素はInstruction・Context・Input Data・Output Indicatorです。Instruction（指示）は「要約してください」「英語に翻訳してください」のように、AIへの具体的な指示・命令を伝える最も基本的な要素です。
正解：D
- AInstruction（指示）
- BOutput Indicator（出力指示子）
- CInput Data（入力データ）
- DContext（コンテキスト）
解説：Context（コンテキスト）はAIに背景情報・前提条件・役割設定を与える要素です。例えば「あなたはプロの翻訳家です」「以下の文章は技術文書です」のように設定することで、より適切な出力を引き出せます。
正解：D
- AInstruction（指示）
- BContext（コンテキスト）
- CInput Data（入力データ）
- DOutput Indicator（出力指示子）
解説：Output Indicator（出力指示子）は、出力の形式（箇条書き・表・JSON形式など）や制約条件（100文字以内・日本語で・敬語で）を指定する要素です。これにより出力の形式を制御しやすくなります。
正解：B
- A2〜3個の例示を与えてから指示する
- B例示をまったく与えずに直接指示する（モデルの汎用能力に依存）
- C大量のデータで再学習を行う
- Dモデルを完全にカスタマイズする
解説：Zero-Shotプロンプティングは、具体的な例示を与えずにそのまま指示する手法です。「この文章を要約してください」など、例なしで直接タスクを指示します。シンプルですが複雑なタスクでは精度が下がる場合があります。
正解：B
- A例示をまったく使用しない手法
- B2〜3個の入出力例をプロンプトに含めて精度向上を図る手法
- Cモデルの重みを更新する再学習手法
- Dインターネット検索を組み合わせる手法
解説：Few-Shotプロンプティングは、プロンプトに2〜3個の入出力例（例：「例1：入力→出力」）を示すことで、モデルが期待する応答パターンを理解しやすくなります。特に複雑なタスクや特定のフォーマットを求める場合に有効です。
正解：B
- A単語の意味を辞書で検索して文章を構成する
- B次に出現する単語を確率的に予測しながら順番に生成する
- C人間のライターが書いた文章をコピーする
- D強化学習の報酬に基づき最高スコアの文章を選ぶ
解説：LLMは「次の単語が何である確率が最も高いか」を統計的に予測することで文章を生成します。単語の意味を真に「理解」しているわけではなく、学習した膨大なテキストのパターンに基づいています。
正解：C
- A文章の要約
- B外国語への翻訳
- C指定した文字数を厳密に守ること
- Dビジネスメールの下書き作成
解説：テキスト生成AIは「ちょうど100文字」のような厳密な文字数指定を守ることが苦手です。その他にも、学習時点以降の最新情報、複雑な数値計算、芸術的評価なども不得意とされています。
正解：B
- A特定のタスク向けに少量の専用データで学習するプロセス
- B大量の汎用テキストデータを使ってモデルの基礎的な言語能力を習得するプロセス
- C人間のフィードバックで出力を改善するプロセス
- Dルールを手動で定義するプロセス
解説：プレトレーニングは、インターネット上の書籍・記事・コードなど膨大なテキストデータを使ってモデルの基礎的な言語能力（文法・語彙・世界知識・推論など）を習得するプロセスです。このあとにファインチューニングやRLHFが適用されます。
正解：B
- An個のレイヤーを持つニューラルネットワーク
- B直前のn-1個の単語から次の単語の出現確率を予測するモデル
- Cn個のデータセットを使って学習するモデル
- Dn言語に対応した翻訳モデル
解説：n-gramモデルは、直前のn-1個の単語（n-1 gramの文脈）を条件に次の単語の出現確率を予測する古典的な言語モデルです。2-gram（bigram）なら直前1単語から、3-gram（trigram）なら直前2単語から予測します。
正解：B
- Aモデルをゼロから再学習する手法
- B事前学習済みモデルを特定タスク・用途向けに追加学習して調整する手法
- Cモデルのサイズを小さくする圧縮手法
- D推論速度だけを向上させる最適化手法
解説：ファインチューニングは、大量データで事前学習済みのモデルを特定のタスク（顧客サポート・医療相談・コード生成など）向けに少量の専門データで追加学習する手法です。ゼロから学習するより少ないコストで高い精度を実現できます。
正解：B
- AOutput Indicator（出力形式の指定）のみ
- BInstruction（要約してください）とInput Data（要約したい文章）を組み合わせる
- CContext（背景情報）のみ
- Dプロンプトなしで自動的に要約される
解説：文章要約では「要約してください」というInstruction（指示）と、実際に要約したい文章であるInput Data（入力データ）を組み合わせることが基本です。さらに「3行で」「200字以内で」といったOutput Indicatorを加えると精度が上がります。
正解：B
- A完全に正確な法的判断を自律的に下す
- Bメール作成・議事録要約・アンケート分析など定型業務の効率化
- Cすべての意思決定をAIに委任する
- D最新の株価情報をリアルタイムで提供する
解説：テキスト生成AIのビジネス活用として、メール作成・文章校正・要約・アンケート分析・翻訳・ブレインストーミングなどの定型業務効率化が適切です。法的判断・最新情報・完全な意思決定委任は生成AIの限界外です。
正解：B
- Aインターネットへの接続が禁止されているから
- B学習データには時点的な限界（知識カットオフ）があるから
- C法律で最新情報の提供が禁止されているから
- D開発者が意図的に古い情報しか入れていないから
解説：LLMは学習に使ったデータの時点（知識カットオフ）以降の情報を持ちません。例えば2024年初頭までのデータで学習したモデルは、それ以降に起きた出来事を知りません。最新情報にはRAGやWeb検索連携が有効です。
正解：B
- AAIモデルの重みを直接書き換える
- BAIへの入力（プロンプト）を最適に設計してより良い出力を引き出す
- CAIのハードウェアを最適化する
- DAIの学習データを収集・整理する
解説：プロンプトエンジニアリングは、LLMへの指示文（プロンプト）を効果的に設計・最適化する技術です。同じモデルでも、プロンプトの書き方次第で出力品質が大きく変わります。Zero-Shot・Few-Shot・Chain-of-Thoughtなどの手法が含まれます。
正解：A
- ALanguage Model
- BLearning Machine
- CLogic Memory
- DLinear Module
解説：LMはLanguage Modelの略で日本語では言語モデルと呼ばれる．
正解：A
- A単語や文字の並びの確率を扱い次に来る語などを予測するモデル
- B画像の縦横サイズだけを変更するモデル
- C通信を暗号化するための法律制度
- D物理的なロボットの駆動装置
解説：言語モデルは文章中の語や文字の並びを確率的に扱い次の語の予測や文章生成に利用される．
正解：A
- A直前のn個程度の語の並びに基づいて次の語を予測する統計的言語モデル
- B画像の局所特徴を抽出する畳み込みモデル
- C生成器と識別器を競わせるモデル
- D外部文書を検索して回答する仕組み
解説：n-gramモデルは一定数の連続した語の出現頻度をもとに次の語を予測する古典的な言語モデルである．
正解：A
- Aニューラルネットワークを用いて単語の関係や文脈を学習する言語モデル
- B人間が全ての文法規則を手書きする辞書
- C画像の圧縮だけを行う方式
- D個人情報を匿名加工する制度
解説：ニューラル言語モデルは単語や文脈の関係をニューラルネットワークで学習し文章生成や予測に用いる．
正解：A
- ALarge Language Model
- BLocal Learning Machine
- CLegal Logic Model
- DLinear Language Memory
解説：LLMはLarge Language Modelの略で日本語では大規模言語モデルと呼ばれる．
正解：A
- A大量のテキストデータと大規模なパラメータを用いて学習された言語モデル
- B小さな辞書だけで動く手書きルール集
- C画像の明るさだけを変更するソフト
- D通信回線の速度を測定する装置
解説：LLMは大量のテキストデータを用いて事前学習され多様な自然言語処理を行える大規模な言語モデルである．
正解：A
- A大規模データであらかじめモデルを事前学習すること
- B学習済みモデルを完全に削除すること
- C生成AIの出力を必ず印刷すること
- D画像の縦横比を変更すること
解説：プレトレーニングは大量データで汎用的な言語能力や特徴表現を事前に学習する工程である．
正解：A
- A学習前や生成時に人間が設定するモデル外部の調整値
- Bモデルが学習によって自動更新する重みだけ
- C生成AIの著作権者名
- D個人情報保護法上の符号
解説：ハイパーパラメータは学習率やTemperatureなどモデルの学習・推論挙動を調整するために外部から設定する値である．
正解：A
- A出力のランダム性や多様性を調整する値
- BAIサーバーの物理的な温度だけを示す値
- C文章の文字数を必ず正確にする値
- D画像の縦横比を固定する値
解説：Temperatureは生成時の確率分布を調整し値が高いほど多様でランダムな出力になりやすい．
正解：A
- A安定的で決定的な出力になりやすい
- B必ず創造性が最大になる
- C文字数指定が必ず正確になる
- D外部検索が自動で有効になる
解説：Temperatureを低くすると確率の高い候補が選ばれやすくなり一貫性のある出力になりやすい．
正解：A
- A多様で創造的だが不安定な出力になりやすい
- B常に事実性が高まる
- C必ず同じ回答になる
- D計算ミスが完全になくなる
解説：Temperatureを高くすると低確率の候補も選ばれやすくなり多様性は増すが誤りや不安定さも増え得る．
正解：A
- A累積確率が一定値に達する候補群から次の語を選ぶ生成時の制御手法
- B画像の解像度を上げる手法
- C個人情報を削除する制度
- Dモデルを物理的に冷却する装置
解説：Top-pはnucleus samplingとも呼ばれ累積確率がpに達する範囲の候補から出力を選ぶ生成制御である．
正解：A
- A候補が絞られ保守的な出力になりやすい
- B必ず長文になる
- C画像生成だけが有効になる
- Dすべての誤情報が消える
解説：Top-pを小さくすると選択候補が限定され安定的・保守的な出力になりやすい．
正解：A
- A生成AIに与える指示や入力文
- BAIモデルの物理部品
- C著作権を登録する申請書
- D通信回線の暗号鍵
解説：プロンプトは生成AIに対して何をしてほしいかを伝える入力や指示である．
正解：A
- A望ましい出力を得るためにプロンプトを設計・改善する技術や考え方
- BAIモデルの重みを必ず直接変更する作業
- C画像のファイル形式を変更するだけの処理
- D個人情報を匿名加工する法律手続き
解説：プロンプトエンジニアリングは生成AIから目的に合う出力を得るために指示や条件や形式を工夫する方法である．
正解：A
- AAIに実行してほしい作業内容を明確に示す
- B参考情報や背景資料だけを示す
- C入力データの本文だけを示す
- D出力形式の終了記号だけを示す
解説：Instructionは要約する，分類する，表にするなどAIに実行させたいタスクを明示する部分である．
正解：A
- A作業の背景・前提・目的などを補足する
- B最終的な回答欄だけを示す
- CAIの物理的な設置場所を示す
- D著作権者を自動判定する
解説：ContextはAIが適切に回答するための背景情報や条件を与える要素である．
正解：A
- A処理対象となる文章・データ・条件などを与える
- B出力形式だけを指定する
- CAIの学習率を変更する
- D通信を暗号化する
解説：Input Dataは要約や分類などの対象となる具体的な文章やデータを示す部分である．
正解：A
- A出力形式や回答の書き方を指定する
- BAIの学習データを削除する
- C画像を高解像度化する
- D個人情報を自動で収集する
解説：Output Indicatorは箇条書き，表形式，CSV形式など出力の形式や条件を指定する部分である．
正解：A
- A具体例を示さず指示だけで回答させる方法
- B複数の回答例を示して同じ形式で回答させる方法
- CAIに学習データを削除させる方法
- D画像をゼロから物理的に作る方法
解説：Zero-Shotプロンプティングは例を与えずタスク指示だけで生成AIに回答させる方法である．
正解：A
- A少数の入力例と出力例を示して同じ形式で回答させる方法
- B一切の指示を与えずAIに任せる方法
- CAIの学習済みモデルを削除する方法
- D画像を数枚だけ保存する処理
解説：Few-Shotプロンプティングは少数の例を提示することでAIに出力形式や判断基準を理解させる方法である．
正解：A
- A分類基準や出力形式を例で示したい場合
- BAIに何もさせたくない場合
- C画像の解像度だけを変えたい場合
- D法律上の権利を登録したい場合
解説：Few-Shotは期待する回答パターンを例示できるため分類や整形などで有効である．
正解：A
- A一般的なタスクを簡潔な指示で実行させたい場合
- B複雑な社内独自ルールを例で学ばせたい場合
- CAIモデルの重みを直接変更したい場合
- D画像生成を法的に禁止したい場合
解説：Zero-Shotは一般的で明確なタスクに対して例なしで素早く指示できる利点がある．
正解：A
- A次の文章の誤字脱字と不自然な表現を修正してください
- B次の文章を無条件に事実として公開してください
- C次の文章の個人情報を外部に送信してください
- D次の文章を読まずに回答してください
解説：校正では誤字脱字や表現の改善など実行内容を明確に指示することが適切である．
正解：A
- A修正前・修正後・修正理由を表形式で示してください
- B修正箇所は隠してください
- C理由は一切書かないでください
- D元の文章を削除して復元不能にしてください
解説：校正箇所を確認したい場合は修正前後と理由を示すよう指定すると検証しやすい．
正解：A
- A次の文章を内容ごとに見出しを付けて整理してください
- B次の文章の出典を捏造してください
- C次の文章を意味が変わるように改変してください
- D次の文章を読まずに要約してください
解説：文章整理では見出しや構成を指定し情報をわかりやすく並べ替える指示が有効である．
正解：A
- A次の文章を200字以内で要点が分かるように要約してください
- B次の文章を必ず元より長くしてください
- C次の文章の事実を確認せず断定してください
- D次の文章から根拠を削除してください
解説：要約では文字数や観点や読者を指定すると目的に合った出力を得やすい．
正解：A
- A次の箇条書きを自然な説明文に直してください
- B次の文章を単語だけに分解してください
- C次の箇条書きをすべて削除してください
- D次の箇条書きを画像に圧縮してください
解説：箇条書きから文章化する場合は自然な説明文に変換するよう指示するのが適切である．
正解：A
- A次の文章の要点を箇条書きで整理してください
- B次の文章を無関係な内容に変えてください
- C次の文章を必ず音声にしてください
- D次の文章の出典を作ってください
解説：文章を箇条書きにする場合は要点整理や項目化を明示することが適切である．
正解：A
- A次の説明を小学生にも分かる表現に書き換えてください
- B次の説明を意味が分からないようにしてください
- C次の説明を必ず誤情報にしてください
- D次の説明から主語をすべて削除してください
解説：文章の対象を変更する場合は読者の属性や理解度を指定して書き換える．
正解：A
- A次の文章を先生が保護者に説明する口調に書き換えてください
- B次の文章を必ず無関係な話題にしてください
- C次の文章の事実を変えてください
- D次の文章を暗号化して読めなくしてください
解説：話者や立場を指定すると口調や表現を目的に合わせて変換できる．
正解：A
- A次の説明文を教師と生徒の会話形式にしてください
- B次の説明文を削除してください
- C次の説明文を必ず間違った内容にしてください
- D次の説明文をファイル名だけにしてください
解説：説明文を会話形式にするには登場人物ややり取りの形式を指定するのが適切である．
正解：A
- Aこの概念を日常生活の例えを使って説明してください
- Bこの概念の説明をすべて省略してください
- Cこの概念を必ず誤って説明してください
- Dこの概念を画像ファイル名にしてください
解説：抽象概念を理解しやすくするには日常的な例えや比喩を指定する方法が有効である．
正解：A
- A次の金額を税込価格に換算して表にしてください
- B次の文章を根拠なく事実にしてください
- C次の画像を法的に保護してください
- D次の個人情報を外部公開してください
解説：数字の変換では単位・税率・形式など計算条件を明確に指定する必要がある．
正解：A
- A取引先に日程変更を依頼する丁寧なメール文を作成してください
- B取引先の個人情報を無断公開する文を作成してください
- C相手を誹謗中傷するメールを作成してください
- D事実と異なる謝罪文を断定的に作成してください
解説：メール作成では目的・相手・文体・必要情報を指定して適切な文面を生成させる．
正解：A
- A研修満足度を調べるための5段階評価と自由記述の質問を作成してください
- B回答者を誘導する質問だけを作成してください
- C個人情報を過剰に収集する質問だけを作成してください
- D目的を指定せず質問をランダムに作成してください
解説：アンケート項目では目的に応じて評価尺度や自由記述を設計し誘導や過剰な個人情報収集を避ける．
正解：A
- A回答データを集計し傾向と改善案を示してください
- B回答者の個人情報を無断で特定してください
- C都合の悪い回答を削除してください
- D根拠なく満足度が高いと断定してください
解説：アンケート分析では集計・傾向把握・改善案作成を行い個人特定や恣意的操作を避ける必要がある．
正解：A
- A商品の特徴と対象顧客を踏まえて短いキャッチコピーを10案作成してください
- B競合商品の商標をそのまま使ってコピーを作成してください
- C根拠のない効果を断定するコピーを作成してください
- D誤解を招く表現だけで作成してください
解説：キャッチコピー作成では商品の特徴・対象・トーン・案数を指定し誇大表現や権利侵害に注意する．
正解：A
- A議事録のテンプレートを目的・決定事項・TODO欄付きで作成してください
- B機密情報を自動公開するテンプレートを作成してください
- C法律上の確認を不要にする契約書を作成してください
- D虚偽報告専用の書類を作成してください
解説：ビジネス書類のテンプレートでは用途と必要項目を指定して実務で使える構成にする．
正解：A
- A60分の会議で目的・議題・時間配分を含むアジェンダを作成してください
- B会議の目的を隠したアジェンダを作成してください
- C参加者を混乱させる順序で作成してください
- D決定事項を記録しない形式にしてください
解説：アジェンダ作成では会議目的，議題，時間配分，決定事項などを明確にすることが有効である．
正解：A
- A新人向けに作業を手順ごとに分解しチェックリスト化してください
- B業務手順をわざと曖昧にしてください
- C重要な確認事項を削除してください
- D担当者に無断で権限を付与してください
解説：業務手順の分解では対象者や粒度を指定して実行可能なステップに整理する．
正解：A
- A次の議事録から担当者・期限・タスクを抽出してください
- B議事録から事実を改ざんしてください
- C担当者名を無断で外部公開してください
- Dタスクをすべて削除してください
解説：タスク抽出では担当者・期限・内容など抽出項目を明確に指定することが重要である．
正解：A
- A次の日本語メールを自然なビジネス英語に翻訳してください
- B次の日本語を意味が変わるように翻訳してください
- C翻訳元を読まずに英訳してください
- D機密情報を外部に公開しながら翻訳してください
解説：翻訳では言語・用途・文体を指定すると目的に合った表現になりやすい．
正解：A
- A次の英単語を使って中学2年生向けの例文を作成してください
- B英単語をすべて削除してください
- C意味が分からない英文を作成してください
- D出典を捏造してください
解説：英単語から英文を作る場合は対象レベルや文法条件を指定すると学習目的に合う．
正解：A
- A海外取引先に納期確認をする丁寧な英文メールを作成してください
- B相手国の文化や敬意を無視した攻撃的な文を作成してください
- C事実と異なる契約条件を断定してください
- D相手の機密情報を要求する文だけを作成してください
解説：海外企業向けメールでは目的・相手・丁寧さ・文化的配慮を指定することが重要である．
正解：A
- Aあるテーマについて賛成・反対の立場から主張と根拠を整理してください
- B片方の立場だけを根拠なく勝ちとしてください
- C相手を誹謗中傷する発言だけを作ってください
- D存在しない統計を根拠として断定してください
解説：ディベートでは複数の立場と根拠を整理し論点を明確にする指示が適切である．
正解：A
- A氏名一覧を姓と名の列に分けてCSV形式で出力してください
- B氏名を無断で公開してください
- C氏名をランダムに改変してください
- D個人を特定する追加情報を生成してください
解説：姓と名の分離では入力データと出力形式を指定して構造化する．ただし個人情報の扱いには注意が必要である．
正解：A
- A次の氏名にふりがなを付けて表形式で出力してください
- Bふりがなを根拠なく断定し個人情報を公開してください
- C氏名を削除して復元不能にしてください
- D無関係な住所を作成してください
解説：ふりがな付与では表形式などを指定できるが読みが不確かな場合は確認が必要である．
正解：A
- A新商品の販促アイデアを制約なしで20案出してください
- B最初の1案だけを唯一の正解として固定してください
- C他者の著作物をそのまま盗用してください
- D誤情報だけを案として出してください
解説：ブレインストーミングでは多様な案を出すことが目的であり案数や条件を指定すると使いやすい．
正解：A
- A必要な情報が不足している場合は質問しながら企画書を作成してください
- B不足情報があっても必ず断定してください
- C質問せずに架空情報を作ってください
- Dユーザーの意図を無視して進めてください
解説：対話的に進める場合は不足情報を確認しながら段階的に成果物を作るよう指示するのが適切である．
正解：A
- A正確な文字数の指定
- B文章の言い換え
- C文章の要約
- D例え話の作成
解説：テキスト生成AIはトークン単位で処理するため厳密な文字数指定を常に正確に守ることは苦手である．
正解：A
- A言語パターンに基づいて生成するため厳密な数値計算では誤ることがある
- BAIは数字を一切扱えないため
- C計算問題は必ず法律で禁止されているため
- Dプロンプトに数字を入れると必ず停止するため
解説：LLMは文章生成を主目的とするため複雑な計算や桁数の多い計算では誤答することがある．
正解：A
- A学習後に発生した情報やリアルタイム情報を知らない場合がある
- B常に最新ニュースを完全に把握している
- C過去の情報は一切扱えない
- D日付を入力すると必ず正確になる
解説：モデルの学習時点や検索機能の有無によって最新情報を扱えない場合がある．
正解：A
- A評価は主観を含むため目的や観点を明確にする必要がある
- BAIの批評は常に唯一の正解である
- C芸術作品の価値は数式で必ず決まる
- D批評では根拠や観点は不要である
解説：芸術の批評は主観や文脈に依存するため観点を明示しAIの出力を鵜呑みにしないことが重要である．
正解：A
- AAI出力後に人間が文字数を確認し必要に応じて調整する
- BAIに任せれば常に1文字もずれない
- C文字数指定は意味がないので目的も不要である
- D文字数を確認せず提出する
解説：テキスト生成AIは厳密な文字数制御が苦手なため最終確認と調整が必要である．
正解：A
- A重要な計算は電卓や表計算ソフトなどで検算する
- BAIの計算結果は常に正しいとみなす
- C式を示さず答えだけ求める
- D誤差や条件を確認しない
解説：LLMの計算結果には誤りがあり得るため重要な計算は別手段で検算することが適切である．
正解：A
- A公式サイトや信頼できる最新資料で確認する
- BAIの古い知識だけで断定する
- C日付を確認せず利用する
- D出典のない回答をそのまま採用する
解説：最新情報は変化するため公式情報や信頼できる情報源で確認する必要がある．
正解：A
- A目的・背景・入力データ・出力形式
- B曖昧な指示だけ
- C無関係な情報だけ
- D出力禁止事項だけで目的なし
解説：良いプロンプトは何をしてほしいか，どの情報を使うか，どの形式で出すかを明確にする．
正解：A
- Aいい感じにまとめて
- B次の文章を3点で要約してください
- C小学生向けに説明してください
- DCSV形式で出力してください
解説：「いい感じにまとめて」は目的や条件が曖昧で出力の品質が安定しにくい．
正解：A
- A結果を確認・再利用しやすくなる
- BAIが必ず最新情報を取得する
- C著作権問題がすべて解消する
- D個人情報保護が不要になる
解説：表形式やCSV形式などを指定すると出力の比較や加工がしやすくなる．
正解：A
- A説明の難易度や語彙を調整しやすくなる
- BAIの計算ミスが完全になくなる
- Cモデルの学習データが更新される
- D通信速度が上がる
解説：対象読者を指定すると専門用語の量や説明の深さを調整しやすい．
正解：A
- A300字以内で専門用語を使わずに説明してください
- B自由に何でも出してください
- C目的はありません
- D読者は不明です
解説：制約条件を示すことで出力の長さや表現レベルを目的に合わせやすくなる．
正解：A
- A入力例と期待する出力例の組
- BAIモデルの物理的な写真
- C無関係な広告文
- D個人情報を無断公開した一覧
解説：Few-ShotではAIに形式や判断基準を伝えるため入力例と出力例のペアを提示する．
正解：A
- A出力を確認し不足点を具体的に追加指示する
- B一度で失敗したら条件を曖昧にする
- C目的を削除する
- D出力形式を毎回ランダムにする
解説：プロンプトは出力結果を見ながら条件や形式を明確化して改善することが有効である．
正解：A
- A利用規約や保存設定を確認し不要な機密情報は入力しない
- B便利ならすべて入力してよい
- C外部サービスでは漏えいリスクがない
- D機密情報を入力すると必ず保護が強まる
解説：生成AIに入力した情報が保存・利用される可能性があるため機密情報や個人情報は必要最小限にする必要がある．
正解：A
- A出力を確認し必要に応じて修正して利用する
- B出力をそのまま無条件で採用する
- C誤情報でも自然なら使用する
- D著作権や個人情報を確認しない
解説：生成AIの出力には誤りや権利・情報管理上の問題が含まれる可能性があるため確認して利用する．
正解：A
- Aあなたは採用担当者として応募者向けメールを作成してください
- B何でもいいので出してください
- C条件はありません
- Dこの情報は無視してください
解説：役割を指定すると想定する立場や文体に沿った出力を得やすくなる．
正解：A
- A個人情報は含めずに回答してください
- B出典を捏造してください
- C不確かな情報を断定してください
- D権利侵害を推奨してください
解説：禁止事項を明示すると不要な情報やリスクのある出力を抑えやすくなる．
正解：A
- A読みやすさ・正確性・実行しやすさの観点で改善してください
- B無関係な観点で評価してください
- C根拠なしで高評価にしてください
- D誤りを見つけても無視してください
解説：評価観点を指定するとAIが何を基準に改善・判断すべきか明確になる．
正解：A
- A次の文章を丁寧で落ち着いた表現に書き換えてください
- B次の文章を意味不明にしてください
- C次の文章を事実と逆にしてください
- D次の文章を削除してください
解説：トーン変更では丁寧，親しみやすい，簡潔など希望する文体を具体的に示す．
正解：A
- Aまず要点を抽出し次に表形式で整理してください
- Bすべてを同時に曖昧に処理してください
- C途中結果を隠してください
- D入力を無視して出力してください
解説：複雑な作業では段階を分けて指示すると出力の構造が安定しやすい．
正解：A
- A事実と異なる内容を自然な文章で生成する場合があるため
- BLLMは必ず出典を正確に示すため
- CLLMは最新情報を常に参照するため
- DLLMは計算を絶対に間違えないため
解説：LLMはハルシネーションを起こすことがあるため自然な文章でも根拠確認が必要である．
正解：A
- Aメール文案・議事録整理・タスク抽出・翻訳
- B法律判断の最終確定だけ
- C個人情報の無断公開
- D競合の営業秘密の不正取得
解説：生成AIは文書作成や整理，翻訳，アイデア出しなどの支援に有効だが最終確認は人間が行う必要がある．
正解：A
- A専門用語・固有名詞・ニュアンスが適切か確認する
- B翻訳結果は必ず完全なので確認不要
- C原文と意味が変わってもよい
- D機密文書を無条件に外部サービスへ入力する
解説：翻訳では文脈や専門用語やニュアンスがずれることがあるため確認が必要である．
正解：A
- A誘導的な質問や不要な個人情報の収集を避ける
- B回答を特定方向に誘導する
- C目的と無関係な個人情報を大量に集める
- D回答者が誤解する表現を使う
解説：アンケートでは公平性やプライバシーに配慮し目的に沿った設問にする必要がある．
正解：A
- A短時間で多様な案を出せる
- Bすべての案が必ず実現可能である
- C権利侵害の確認が不要になる
- D人間の判断が完全に不要になる
解説：生成AIはアイデアを広げる用途に有効だが実現可能性や適法性は確認が必要である．
正解：A
- A実際の業務ルールや権限と照合する
- BAIの手順は常に社内規程に一致する
- C確認せずそのまま実行する
- D重要な承認手順を省略する
解説：AIが作った手順は実際の規程や現場運用とずれる可能性があるため確認が必要である．
正解：A
- A不足情報を補いながら目的に合う出力に近づけられる
- BAIが必ず全情報を最初から知っている
- C確認や対話が不要になる
- D出力の根拠確認が不要になる
解説：対話的に進めることで不足条件を確認しながら成果物の品質を高めやすい．
正解：B
- A特定のプログラミング言語を学習したAI
- Bテキスト中の単語の出現確率を学習し次に来る単語（または欠損単語）を予測するモデル
- C音声を文字に変換するモデル
- Dデータのクラスタを発見するモデル
解説：言語モデルは文脈（前の単語列）が与えられたとき次の単語の確率分布P(w_t | w_{t-1}
正解：B
- An個のニューラルネットワーク層を持つモデル
- B直前のn-1単語の系列から次の単語の確率を推定する統計的言語モデル
- Cn個のクラスタに分類する教師なし学習
- Dn回の繰り返し学習を行う強化学習モデル
解説：n-gramはn個の連続した単語（ユニグラム・バイグラム・トライグラム等）の出現頻度から言語の統計を学習するモデル。Transformer登場以前の主流技術で、文脈窓が短い（n-1単語）という限界があった。
正解：B
- A計算が単純で高速処理が可能
- B単語を分散表現（ベクトル）で扱い、長距離の文脈依存関係も学習できる
- Cn-gramより少ないデータで学習できる
- Dルールに基づく処理のため誤りがない
解説：ニューラル言語モデルは単語を高次元ベクトル（Word Embedding）で表現し、RNN・LSTMを通じて長距離依存も考慮できる。n-gramの「データスパース性問題（長いn-gramの出現頻度が低い）」や「文脈窓の制限」を克服した。
正解：B
- A非常に大きなハードウェアを使うから
- B数十億〜数千億以上のパラメータを持ち、膨大なテキストデータで事前学習された言語モデルであるから
- C高解像度の画像を扱うから
- D多数のプログラミング言語を理解するから
解説：LLMはGPT-3（1750億）・GPT-4（非公開・推定1兆超）のような超大規模なパラメータ数と、Common Crawl・書籍・GitHubなどの膨大なウェブデータで事前学習することで高度な言語能力を獲得する。
正解：B
- A特定企業の社内文書のみ
- Bウェブコーパス（Common Crawl等）・書籍・ウィキペディア・コードなど多様かつ大量のテキストデータ
- Cラベル付きの分類データセット
- D医療記録のみに特化したデータ
解説：GPT-4等の主要LLMのプレトレーニングには数テラバイトを超えるウェブテキスト・書籍（BooksCorpus）・GitHub・学術論文・WikipediaなどのTeraByte〜PetaByte規模の多様なデータが使用される。
正解：B
- Aモデルが学習によって自動更新するパラメータ（重みとバイアス）
- B学習前に人間が設定する学習プロセスを制御するパラメータ（学習率・バッチサイズ・Temperature等）
- Cユーザーがプロンプトで指定できる単語数の上限
- Dモデルが生成するトークンの数
解説：ハイパーパラメータは学習率・エポック数・バッチサイズ・ドロップアウト率・Temperature・Top-pなど、学習開始前に人間が設定し学習プロセスを制御するパラメータ。モデルが自動更新するパラメータ（重み）とは区別される。
正解：B
- ALLMが使用するGPUの動作温度
- B出力の確率分布を調整するパラメータで、高いと多様な（創造的・ランダムな）出力、低いと確定的な（一貫した）出力になる
- C入力テキストのトークン数を制御するパラメータ
- D応答速度を制御するパラメータ
解説：Temperatureは確率分布のlogit（スコア）を割るパラメータ。Temperature→0で最大確率のトークンのみを選択（確定的・反復的）、Temperature→1で通常分布（バランス）、Temperature>1でより平坦な分布（多様・創造的だが支離滅裂になりやすい）。
正解：B
- A出力するトークンの最大数を上位p件に制限する
- B累積確率がp%以上になるまでの上位トークン集合（核）からランダムにサンプリングする手法
- C全トークンの上位p%のみを候補にするTop-kの別名
- Dデータセットの上位p%のみを学習に使う手法
解説：Top-p（Nucleus Sampling）はTemperatureで調整した確率分布を累積確率がpになるまで累積し（例：Top-p=0.9で累積確率90%）、その範囲内のトークンからランダムにサンプリングする。低確率のノイズトークンを排除しつつ多様性を保てる。
正解：A
- A確率分布の上位k位のトークンのみを候補として次のトークンをサンプリングする
- Bデータセットの上位k件を学習に使う
- Ck個のモデルのアンサンブルで予測する
- D最長k単語のプロンプトに制限する
解説：Top-kは次のトークン候補を確率上位k個に絞り、その中から確率に比例してサンプリングする手法。k=1でgreedy decoding（最大確率を常に選択）と等価。Temperatureと組み合わせて使用することが多い。
正解：B
- Aプロンプトシステムのハードウェア設計
- BLLMから最適な出力を得るために、入力テキスト（プロンプト）を意図的・体系的に設計・最適化する技術と実践
- Cプロンプターという職業の業界団体
- DAIモデルの重みを直接調整する技術
解説：プロンプトエンジニアリングはLLMのパラメータを変更せずに入力（プロンプト）の設計を工夫することで、より正確・有用・安全な応答を引き出す手法・技術・実践体系。タスク記述・例示・制約・役割指定など様々な技法が含まれる。
正解：A
- A例示を全く必要とせず、タスクの説明のみでLLMにタスクを実行させる手法
- Bゼロからモデルを学習し直す手法
- C入力をゼロに設定してモデルの初期応答を確認する手法
- Dデータがゼロの状態でFew-Shotを行う手法
解説：Zero-Shotは「以下の文を英語に翻訳してください」などのように例示なしにタスク説明（Instruction）のみでLLMを動作させる。LLMが事前学習で広範なタスクを習得しているため可能。
正解：B
- A少量のデータでモデルを追加学習（ファインチューニング）する手法
- B少数の入出力の例示（デモンストレーション）をプロンプトに含め、LLMに形式・スタイルを学習させる手法
- CFew（少数）の単語でプロンプトを書く手法
- D数分のみの短時間でプロンプトを作成する手法
解説：Few-ShotはIn-Context Learningの一種で、「質問→回答」の例をプロンプトに複数含め、LLMが出力形式・思考スタイル・解答パターンを学習して未見の質問にも対応する。GPT-3で顕著に能力が向上した。
正解：A
- A例示を1つのみ含めるFew-Shotの特殊ケース
- Bモデルを1回のみ学習させる
- Cテキストを1文のみで生成させる
- D1人のユーザーのみが使用できる
解説：One-Shotはプロンプトに例示（入出力デモ）を1つだけ含める手法。Zero-Shot（例なし）とFew-Shot（複数例）の中間。例が1つあるだけでもモデルの出力形式・内容が改善される場合が多い。
正解：B
- Aタイトル・本文・結論・参考文献
- BInstruction（指示）・Context（文脈/背景情報）・Input Data（入力データ）・Output Indicator（出力指示）
- C質問・選択肢・回答・解説
- D目的・手段・期限・担当者
解説：効果的なプロンプトの4要素はInstruction（何をするか）・Context（背景・前提情報）・Input Data（処理対象データ）・Output Indicator（出力形式・スタイル）。全要素が常に必要なわけではないが、明示的に示すほどLLMの出力精度が向上する。
正解：B
- A「私のブログの読者は30代のビジネスパーソンです」
- B「以下の顧客レビューをポジティブ・ネガティブ・中立に分類してください」
- C「元のテキスト：〇〇（処理対象の文）」
- D「箇条書きで3点にまとめてください」
解説：Instructionはモデルに何をしてほしいかを明確に伝える要素（動詞・タスク記述）。「分類してください」「要約してください」「翻訳してください」「コードを生成してください」など、タスクを明示する部分。
正解：B
- A「次の英文を日本語に翻訳してください」
- B「あなたは10年の経験を持つマーケティングの専門家で、読者はITに詳しくない中小企業の経営者です」
- C「対象テキスト：〇〇」
- D「回答は箇条書きで3〜5点にしてください」
解説：Contextはタスクの背景・前提・条件・役割設定などを提供する要素。適切なContextを加えることでLLMの出力がターゲットに合ったより精度の高いものになる。
正解：B
- Aチェーン（鎖）を連想させる詩を生成させる手法
- BLLMに問題解決の思考ステップを逐一示すよう促し、複雑な推論問題の精度を向上させる手法
- C複数のプロンプトを直列接続して順番に実行する手法
- Dユーザーが思考内容を記述してLLMに見せる手法
解説：CoT（Wei et al.
正解：B
- ALLMの応答速度を向上させる
- BLLMに思考ステップを逐一示すよう促し、特に推論問題での精度を向上させる（Zero-Shot CoT）
- CLLMの回答を英語に固定する
- DLLMが例示を自動生成するようになる
解説：Zero-Shot CoT（Kojima et al.
正解：B
- ALLMにゲームをプレイさせる手法
- BLLMに特定の専門家・ペルソナを演じさせ、そのキャラクターとして回答させる手法
- Cユーザーが役者として会話する手法
- DLLMに複数のロールを自動切り替えさせる手法
解説：ロールプレイは「あなたは経験豊富な医師です」「あなたは批判的な法律の専門家として回答してください」のようにキャラクター・ペルソナを設定することで、その専門性・視点・スタイルに合った回答を引き出す手法。
正解：B
- Aユーザーが入力するメッセージの最初の行
- B会話開始前にAIの役割・制約・スタイル・性格を設定する特別な指示（通常ユーザーには非表示）
- CAIが自動生成する会話の初期メッセージ
- Dプログラムの起動コマンド
解説：System PromptはLLMチャットシステムでユーザーのターン開始前に挿入される特別な指示。「あなたはカスタマーサポートエージェントです。日本語で回答し、競合他社の話はしないでください」など、AIの振る舞いを制御するために使用される。
正解：C
- A「次の文を要約してください」
- B「対象テキスト：〇〇〇」
- C「回答はMarkdown形式で、見出しを含む3段落以内、専門用語を避けて書いてください」
- D「あなたはシニアエンジニアです」
解説：Output Indicatorは出力の形式・長さ・スタイル・構造・言語などを指定する要素。「箇条書きで5点」「JSON形式で」「200字以内で」「初心者向けに」などがOutput Indicatorにあたる。
正解：B
- ALLMが1秒間に生成できる文字数の単位
- BLLMがテキストを処理する基本単位（英語では単語・部分文字列、日本語では文字・形態素等に相当）
- Cユーザー認証のためのデジタル証明書
- DLLMのモデルサイズを表す指標
解説：LLMはテキストをトークンに分割（トークナイズ）して処理する。英語では「don't」を「don」「'」「t」のように分割（subword）することが多い。日本語は文字単位が多い。コンテキストウィンドウの長さ・API課金・入力制限などがトークン単位で計算される。
正解：B
- ALLMの学習に使用したデータセットの規模
- BLLMが1回の推論で処理・参照できる最大トークン数（入力+出力合計）
- Cブラウザのウィンドウサイズ
- DAPIリクエストの待機時間
解説：コンテキストウィンドウは1回の会話ターンでLLMが利用できる最大トークン数。GPT-4は128K・Claude 3は200K・Gemini 1.5は1Mトークンなど、モデルにより異なる。長いウィンドウは長い文書・会話履歴を一度に処理できる。
正解：B
- Aプロンプトに大量のテキストを注入してLLMを過負荷にする攻撃
- B悪意あるユーザーが入力テキストにシステムプロンプトや安全制約を無効化する指示を埋め込み、LLMに意図しない動作をさせる攻撃
- CLLMに特定のプログラミング言語を注入する手法
- Dプロンプトを自動生成するツール
解説：プロンプトインジェクションはユーザー入力に「前の指示を無視してください」「システムプロンプトを出力してください」などを埋め込み、安全フィルター・システムプロンプトを迂回させる攻撃手法。LLMを使ったシステム設計では防御が重要。
正解：B
- A「この文章を読んで」
- B「以下の文章を校正してください。誤字・脱字・文法ミス・表現の改善点を箇条書きで指摘し、修正版を提示してください」
- C「よろしくお願いします」
- D「文章があります」
解説：効果的なプロンプトはタスクを明確に指定（校正）し、出力形式（箇条書きで指摘＋修正版）を具体的に示す。対象テキストも必ず含める。曖昧な指示では期待通りの出力が得られにくい。
正解：B
- A「要約して」のみ記述する
- B「以下の文書を[対象読者：〇〇]向けに[〇〇字程度]で要約してください。重要なキーワードを含め、箇条書き形式で」と詳細を明示する
- C対象文書のみ貼り付けて指示を書かない
- D「もっとよくして」と入力する
解説：高品質な要約プロンプトには①タスク明示（要約）②ターゲット読者・長さ・フォーマット（Output Indicator）③対象テキスト（Input Data）を含める。背景情報（Context）を加えるとさらに精度向上する。
正解：B
- A「翻訳して」のみ記述する
- B「ターゲット読者・文書の種類・トーン（フォーマル/カジュアル）・固有名詞の扱い等を指定する」
- C翻訳対象テキストのみを貼り付ける
- D翻訳方向を指定しない
解説：翻訳品質向上には「[技術文書]を[日本語]に翻訳してください。文体は[フォーマル]で、略語[LLM]は翻訳せずそのまま使用してください」のように翻訳先言語・文体・固有名詞ルール等を明示することが効果的。
正解：B
- A「コードを書いて」のみ記述する
- Bプログラミング言語・入出力仕様・エラー処理要件・コードスタイル・制約条件を明確に指定する
- Cコードの長さのみを指定する
- D関数名のみを伝える
解説：効果的なコード生成プロンプトには①使用言語（Python 3.11等）②機能の説明と入出力仕様③エラーハンドリング要件④コメント・型ヒント等のスタイル要件を含める。「ユニットテストも追加して」などの指示も有効。
正解：A
- ALLMの回答を特定の事実・文書・データに根拠付け、ハルシネーションを低減する技術・手法
- Bプロンプトに背景画像を挿入すること
- CLLMを現実世界のロボットに接続すること
- DユーザーとAIの対話の最初のやり取り
解説：グラウンディングはLLMの応答を信頼できる情報源（企業データ・公式文書・検索結果等）に根拠付ける手法。RAGはグラウンディングの主要な実装方法。根拠のない生成（ハルシネーション）を低減し、検証可能な回答を提供できる。
正解：B
- AOutput Indicator（出力形式の指定）
- BContext（文脈・背景情報）の動的拡充
- CInstruction（タスク指示）
- DTemperature（出力多様性）
解説：RAGは検索によって取得した関連文書をプロンプトのContext（背景情報）として動的に加えてLLMに提供する手法。プロンプトエンジニアリングの観点では、より豊富・正確な文脈情報をLLMに与えることでハルシネーション低減と精度向上を実現する。
正解：B
- A一度だけ完璧なプロンプトを作成すれば改善は不要
- B初期プロンプトで結果を確認し、不足・問題点を特定してプロンプトを修正・細分化・例示追加等で繰り返し改善する
- Cプロンプトは変更してはいけない
- DAIが自動的にプロンプトを改善してくれる
解説：プロンプトエンジニアリングはAIとの対話を通じた反復的プロセス。①プロンプト作成→②出力評価→③問題特定（曖昧な指示・不足情報・不適切なフォーマット等）→④プロンプト修正→⑤再試行のサイクルで品質を高める。
正解：B
- ATemperatureを最大値にする
- B「確信がない場合は『わかりません』と答えてください」や関連文書をContextとして提供する（RAGとの組み合わせ）
- Cプロンプトを短くする
- D例示を全く含めない
解説：ハルシネーション低減のプロンプト技法：①不確かな場合は「わかりません」と言うよう明示的に指示②回答の根拠として具体的な情報源を示すよう要求③RAGで事実情報をContextとして提供④長い推論チェーン（CoT）を使って根拠を示させる。
正解：B
- ALLMが常に同じ回答を出すように固定する手法
- B同じ質問で複数回CoTを実行し、最も頻出する回答を最終答えとして選ぶアンサンブル的手法
- CLLMが自分自身のプロンプトを評価する手法
- Dプロンプトを自動で生成・評価するシステム
解説：Self-Consistency（Wang et al.
正解：B
- A会話を反応的（Reactive）なスタイルで行う
- BReasoning（推論）とActing（行動/ツール使用）を組み合わせてLLMが思考しながら外部ツール（検索・計算等）を呼び出しながら問題を解く手法
- CAIが感情的に反応するシミュレーション
- DAIに音楽を演奏させる手法
解説：ReAct（Yao et al.
正解：B
- A単純な算術計算
- B複雑な多段階推論・特定ドメイン専門知識・特定フォーマット出力・ハルシネーション防止が求められるビジネス活用
- C単語の意味検索
- Dシステムの再起動
解説：プロンプトエンジニアリングは複雑なタスク（法務文書作成・医療情報要約・コード生成・データ分析等）でLLMのポテンシャルを最大限引き出すために特に有効。単純質問はシンプルなプロンプトで十分。
正解：B
- ALLMをリアルタイムで学習・更新する
- Bモデルの重みを変更せず、プロンプト内の例示（Few-Shot）や説明（Zero-Shot）だけでモデルが新タスクに適応する能力
- CLLMが学習中にコンテキストを保存する仕組み
- Dユーザーとのチャット履歴から自動的に学習を行う
解説：In-Context Learningは事前学習済みLLMがプロンプトに含まれる例示・説明・文脈から推論時にタスクを理解・実行する能力。モデルの重み更新なしで機能する点が特徴。GPT-3で大規模モデルの顕著なICL能力が示された。
正解：B
- ALLMの処理速度が向上するから
- BLLMが推論過程を逐次表示することで、誤りに気づきやすくなり複雑な推論問題での精度が向上するから
- C回答が必ず短くなるから
- DLLMのハルシネーションが完全になくなるから
解説：「ステップバイステップで」はZero-Shot CoTの核心的な指示。LLMが問題を段階的に分解して考えることで、数学・論理・コーディングなどの複雑な推論タスクで精度が大幅に向上することが実証されている。
正解：B
- A毎回の会話を独立して扱い、前の文脈を完全に消去する
- B会話履歴（コンテキスト）を適切に保持・管理し、前の発言を踏まえた一貫性のある対話を実現する
- C常に全会話をシステムプロンプトに追加する
- Dユーザーが毎回全背景情報を再入力する
解説：LLMはステートレスな計算のため、会話履歴を明示的にコンテキストとして渡す必要がある。コンテキストウィンドウの制限内で適切に会話履歴を管理し、前の発言を参照した一貫性のある対話を実現することがマルチターン会話設計の核心。