G検定 用語解説
自然言語処理とは
人間が日常的に使う言語をコンピュータに処理・理解させる技術・応用分野。形態素解析・word2vec・BERTなど個々の技術は、この自然言語処理を実現するための具体的な手法にあたる。
自然言語処理の意味と見分け方
自然言語処理は、G検定の「大項目6 ディープラーニングの応用例」に出てくる用語です。見分けの要点は、自然言語処理は、言葉を扱う技術・応用分野の総称です。word2vec・ELMo・BERT・Seq2Seqは、その分野の中で使われる個別の手法で、分野と手法では指す範囲が違います。同じ大項目に並ぶ画像認識や音声認識も、扱うデータが違う別の応用分野です。
情報源と編集区分
公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。
試験概要（公式）自然言語処理の具体例と、問題文で見る箇所・隣接概念との境界
自然言語処理を、個々の手法ではなく、人間の言葉を扱う応用分野の名称として捉える
文を単語に分ける形態素解析、単語をベクトルにするword2vec、文脈を読むBERT、系列を別の系列に変えるSeq2Seqによる機械翻訳は、どれも言葉を扱う場面で使われる個別の技術です。これらをひとまとめに指す呼び名が自然言語処理で、画像認識や音声認識と並ぶ応用分野のひとつとして出題されます。
- 問題文で見る箇所
- 「人間が日常的に使う言語」「コンピュータに処理・理解させる」という分野の説明があれば自然言語処理を候補にします。単語をベクトルにする話ならword2vec、左右の文脈を使う事前学習の話ならBERTなど、具体的な手法の特徴が書かれていれば分野名ではなく手法名を選びます。
- 隣接概念との境界
- 自然言語処理は、言葉を扱う技術・応用分野の総称です。word2vec・ELMo・BERT・Seq2Seqは、その分野の中で使われる個別の手法で、分野と手法では指す範囲が違います。同じ大項目に並ぶ画像認識や音声認識も、扱うデータが違う別の応用分野です。
誤答しやすい選択肢
- 単語を固定長のベクトルに変換する手法の説明を、自然言語処理そのものの定義として選ぶ。それはword2vecの特徴で、分野全体の説明ではない。
- 画像に写る物体を判別する技術の説明を、自然言語処理の説明として選ぶ。扱う対象が言葉ではなく画像なので、画像認識である。
- BERTを自然言語処理の別名として扱う。BERTは分野の中の一手法であり、分野の名称ではない。
4段階の判断手順
- 01設問が、扱う対象（言葉・画像・音声）を問うているか、具体的な手法を問うているかを先に分ける。
- 02対象が言葉で、分野全体の説明であれば、自然言語処理を候補にする。
- 03単語のベクトル化や文脈の利用など、仕組みの特徴が書かれていれば、word2vecやBERTなどの手法名に移す。
到達条件: 自然言語処理を言葉を扱う応用分野の総称として、word2vecやBERTなどの個別手法、画像認識や音声認識といった他の応用分野と区別して説明できる。
試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
「大項目6 ディープラーニングの応用例」の問題で、取り違えやすい組み合わせです。
- 物体検出（R-CNN系/YOLO/SSD）とセグメンテーション（セマンティック＝画素単位の塗り分け、インスタンス＝個体ごとに区別）の混同。
- word2vec・BERT・GPTの違い（BERT＝前後両方向、GPT＝一方向・自己回帰）。
- 強化学習の応用（DQN、AlphaGo）と画像/言語タスクの取り違え。
関連する確認問題
大項目6 ディープラーニングの応用例 / 自然言語処理
Transformerを基盤とし、文の前後両方向の文脈を同時に捉えて事前学習を行い、その後さまざまな言語タスクにファインチューニングして使われる言語モデルはどれか。
正解は「BERT」である。Transformerを基盤に、前後両方向の文脈を同時に捉えて事前学習し、各タスクへファインチューニングして使うのはBERT。GPTもTransformer系だが左から右への一方向（自己回帰）で、両方向同時ではない。word2vecは静的な単語ベクトル、seq2seqは系列変換のモデルで、いずれも双方向の事前学習言語モデルではない。BERTとGPTはともにTransformerを基盤とする点で共通するが、文脈を捉える方向（双方向か一方向か）が異なる。
大項目6 ディープラーニングの応用例 / 自然言語処理
入力した系列をいったん固定長のベクトルに符号化し、それを復号して別の系列を生成するEncoder-Decoder型のモデルで、機械翻訳などに用いられるものはどれか。
正解は「seq2seq」である。入力系列を固定長ベクトルに符号化し、それを復号して別の系列を生成するEncoder-Decoder型のモデルがseq2seqで、機械翻訳などに用いられる。形態素解析は分かち書き処理、word2vecは単語ベクトルの獲得、BERTは双方向の事前学習モデルであり、生成的な系列変換を主目的とはしない。4つの選択肢は「単語ベクトルの獲得」「文の分割」「双方向の事前学習」「系列から系列への生成」という異なる目的に分かれる。
大項目6 ディープラーニングの応用例 / 画像認識・物体検出
画像を小さなパッチに分割してそれらを系列として扱い、自然言語処理で成果を上げた自己注意（Self-Attention）の仕組みを画像認識に応用したモデルはどれか。
正解はVision Transformer（ViT）。画像を小さなパッチに分割して系列として扱い、自然言語処理で成果を上げた自己注意（Self-Attention）の仕組みを画像認識に応用したモデルで、畳み込みを用いずに高い性能を示した。畳み込みニューラルネットワーク（CNN）は畳み込みで画像の特徴を抽出する従来の手法、リカレントニューラルネットワーク（RNN）は系列を再帰的に処理する手法、敵対的生成ネットワーク（GAN）はデータ生成の手法であり、いずれも自己注意を画像認識に応用したモデルではない。 画像の表現単位と中心演算を照合する。RNNは隠れ状態を再帰更新し、GANは生成器と識別器を競わせ、CNNはカーネルで局所領域を畳み込む。画像パッチをトークンのように並べTransformerへ入力するのはVision Transformerである。
同じ章で確認したい用語
到達チェック
- 自然言語処理を一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、自然言語処理に関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる
執筆: AI資格ドリル編集部（運営者情報を見る）