G検定の要点整理（チートシート）

AIという言葉の成り立ちと、知能をどう判定するかという基礎的な問いを扱う大項目です。特化型AIと汎用AIの区別は、後の大項目の前提になります。

人工知能（AI）

人間の知的なふるまいをコンピュータで実現しようとする技術や学問分野の総称。何をもって『知的』とするかが定まっていないため、研究者や機関によって定義の仕方が異なり、統一された合意は存在しない。

チューリングテスト

機械が人間と対話し、判定者が相手を機械と見分けられなければ知能があるとみなす、行動面からの知能の判定法。

特化型AI／汎用AI

特化型AIは特定の課題に限って能力を発揮するAI、汎用AIは領域を限定せず幅広い課題に対応できるAI。

シンギュラリティ

人工知能が人類の知能を超え、それ以降の技術の進歩を人間が予測できないほど急激に加速するとされる、未来の転換点を指す概念。技術的特異点とも呼ばれる。

AIブームの変遷と、探索・知識表現といった各時代を支えた技術を扱う大項目です。幅優先探索と深さ優先探索は、記憶量と最短経路の保証というトレードオフで区別します。

エキスパートシステム

専門家の知識をルール化して問題解決を行う仕組み。第二次AIブームの中心。

ビッグデータ

ディープラーニングの登場とあわせて、現在まで続く第三次AIブームを支えた大量に蓄積されたデータ。機械学習・ディープラーニングによる特徴量の学習やパターン認識の実用化を後押しした。大量データの中から未知の規則性を見つけ出す活動であるデータマイニングとは異なり、その分析対象となるデータそのものを指す。

幅優先探索

探索木で出発点に近い深さのノードから順にすべて調べてから次の深さへ進む探索方法。最短経路を必ず発見できる一方、調べる途中のノードを多く記憶する必要がありメモリ消費が大きい。

深さ優先探索

探索木で一つの経路を行き止まりまで深くたどってから後戻りし、別の経路を調べる探索方法。幅優先探索より記憶する情報は少なくて済む一方、最短経路の発見は保証されない。

教師あり学習・教師なし学習という機械学習の基本枠組みと、モデルの評価指標を扱う大項目です。ここで整理した過学習と評価指標の考え方は、後のディープラーニングの大項目でも前提になります。

教師あり学習／教師なし学習

教師あり学習は正解ラベル付きデータで学ぶ方法、教師なし学習は正解なしでデータの構造やまとまりを見つける方法。

過学習（オーバーフィッティング）

モデルが訓練データに適合しすぎて、未知のデータに対する性能（汎化性能）が下がってしまう状態。

適合率・再現率・F値

分類モデルの評価指標。適合率と再現率はトレードオフの関係にあり、その調和平均がF値。

アンサンブル学習

単一のモデルではなく複数のモデルを組み合わせ、それぞれの予測を統合することで精度を高める学習の枠組み。

ニューラルネットワークをどう学習させるかという最適化の仕組みを扱う大項目です。誤差逆伝播法で求めた勾配を使って重みを更新するという流れを軸に、過学習対策までを押さえます。

誤差逆伝播法（バックプロパゲーション）

出力の誤差を逆向きに伝えて各重みの勾配を求め、ネットワークを学習させる手法。

活性化関数（ReLU等）

ニューロンの出力を非線形に変換する関数。ReLUは勾配消失を抑え広く使われる。

勾配降下法

損失関数の勾配（傾き）をたどり、損失が小さくなる方向へ少しずつ重みを更新していく最適化の手法。

ドロップアウト

学習時に一部のニューロンをランダムに無効化し、過学習を抑えてモデルの汎化性能を高める手法。

CNN・RNN・Transformerといった、扱うデータの種類に応じたネットワーク構造を扱う大項目です。どのデータ形式（画像か系列か）に向いた技術かを先に見極めます。

畳み込みニューラルネットワーク（CNN）

畳み込み層とプーリング層で画像などの特徴を抽出するネットワーク。

LSTM／GRU

RNNを改良し長い系列でも情報を保持しやすくしたモデル。LSTMは3ゲート、GRUは2ゲートに簡略化。

Transformer

自己注意機構で系列内の単語間の関係を並列に捉える深層学習モデル。BERTやGPTなど大規模言語モデルの基盤。

Attention（注意機構）

系列データで、各要素が他のどの要素に注目すべきかを重み付けして関係を捉える仕組み。Transformerの中核。

画像認識・自然言語処理など、要素技術を実際の応用領域へ当てはめる大項目です。大規模言語モデルとハルシネーションの関係は、近年の出題で特に狙われやすい論点です。

BERT／GPT

Transformerベースの言語モデル。BERTは前後両方向、GPTは一方向（自己回帰）で学習する。

大規模言語モデル（LLM）

膨大なテキストで事前学習した大規模なモデルで、文章生成や質問応答など幅広い言語タスクをこなす。

ハルシネーション

生成AIが、事実と異なるもっともらしい内容を、正しいかのように出力してしまう現象。

説明可能AI（XAI）

AIがなぜその結論を出したのかを人間が理解できる形で示そうとする技術・研究分野。

AIプロジェクトをどう進めるかという手法・体制を扱う大項目です。CRISP-DMのような分析手順の枠組みと、MLOpsのような運用体制の違いを区別します。

MLOps

機械学習モデルの開発チームと運用チームが連携し、学習・検証・デプロイ・監視までを一連の継続的な仕組みとして回す考え方・体制。DevOpsの手法を機械学習プロジェクトに応用したもの。

CRISP-DM

データ分析プロジェクトを段階的に進めるための標準的な手順の枠組み。

PoC

本格的な開発投資に入る前に、想定した手法で目的を達成できそうかを小規模な試作・実験で確かめる取り組み。概念実証とも呼ばれる。

アジャイル

要件を最初に確定しにくいAI開発に適した、短い期間で実装と検証を繰り返しながら計画を柔軟に見直していく開発の進め方。

確率分布や相関係数など、機械学習の理解に必要な数理・統計の基礎を扱う大項目です。ここで確認した指標の定義は、大項目3の評価指標とあわせて出題されることがあります。

正規分布

平均を中心に左右対称の釣鐘型をなし、平均と標準偏差の2つで形が定まる確率分布。

標準偏差

データや確率分布のばらつきの大きさを表す指標。分散の平方根として計算する。

条件付き確率

ある事象が起きたという条件のもとで、別の事象が起きる確率。機械学習のモデルが出力する確率の解釈でも用いられる。

相関係数

直線的な関係の強さと向きを、-1から1の範囲の値で表す指標。共分散を2つの変数それぞれの標準偏差の積で割って求め、単位に依存しないため異なる尺度のデータ同士でも関係の強さを比較できる。

AI・データの利用に関わる法律を扱う大項目です。個人情報保護法と不正競争防止法は保護する対象が異なるため、どの法律がどの場面を規制するかを区別します。

個人情報保護法

個人情報の適正な取り扱いを事業者に義務づける日本の法律。本人の開示・訂正・利用停止請求などを定める。

著作権法第30条の4

著作物を人に享受させることを目的としない利用（情報解析など）を、一定条件で許諾なく認める規定。

営業秘密／限定提供データ

不正競争防止法で保護される情報。限定提供データは営業秘密と異なり秘密管理性が要件ではない。

不正競争防止法

事業者間の公正な競争を確保するための法律。営業秘密・限定提供データの保護はこの法律が規制する行為類型の一つに過ぎず、他にも周知な商品表示と混同させる行為や、商品の原産地・品質を誤認させる表示など幅広い不正競争行為を対象とする。

AIをどう社会で運用するかという倫理原則と統治の仕組みを扱う大項目です。AI倫理が示す原則を、AIガバナンスがどう組織内の運用へ落とし込むかという関係を押さえます。

AI倫理

AIの開発・利用に伴って何が望ましいかを検討する考え方の総称。公平性・透明性・プライバシーといった原則、トロッコ問題のような判断のジレンマ、技術的失業や自律型致死兵器など社会への影響まで扱う。人間中心のAI社会原則は、これを具体化した日本の基本方針の一つにあたる。

公平性

AIの判断や処理が、性別・人種などの属性によって不当に偏らないことを求めるAI社会原則の一つ。データバイアス・アルゴリズムバイアスは、この公平性を損なう具体的な原因にあたる。

データバイアス／アルゴリズムバイアス

学習データに含まれる偏りに起因するのがデータバイアス、アルゴリズム設計に起因するのがアルゴリズムバイアス。

AIガバナンス

AI倫理で示された原則を、組織や社会の中で実際に機能させるための統治の仕組み。アジャイル・ガバナンスによる継続的な見直しや、リスクベースアプローチによる対策の強弱の使い分けなど、ルールの運用面を扱う。