第43問〜第65問を掲載しています。答えを開き、誤答選択肢との違いまで確認してください。
正解は「次元削減とは、あらかじめ正解（ラベル）が与えられたデータを用いて、入力と正解の対応関係を学習する機械学習の手法である」（誤り）である。次元削減は、データが持つ多数の特徴（変数）を、重要な情報をできるだけ保ったまま少ない数にまとめる教師なし学習の手法であり、設問の説明は教師あり学習の定義を次元削減に誤って当てはめている。クラスタリング・教師あり学習・強化学習の説明はいずれも正しい。次元削減は教師なし学習に分類される手法であり、正解ラベルを用いる教師あり学習とは学習の前提そのものが異なる。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-001/014/024/025)の定義との整合性確認
正解は「ロボットに試行錯誤させながら、成功したら報酬を与えて最適な動作を学習させる方法は、教師あり学習にあたる」（誤り）である。試行錯誤しながら報酬を手がかりに最適な行動を学習させる方法は強化学習にあたり、正解ラベルを用いて入力と正解の対応関係を学習する方法が教師あり学習である。設問の組み合わせは強化学習と教師あり学習を取り違えている。他の3つの組み合わせはいずれも正しい。強化学習と教師あり学習は、報酬を手がかりに試行錯誤するか、正解ラベルとの対応関係を学習するかという点で学習の仕組みが根本的に異なる。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-001/013/024/025)の定義との整合性確認
正解は「ビッグデータとディープラーニングにより画像認識の精度が飛躍的に向上したのは、第一次AIブームである」（誤り）である。ビッグデータとディープラーニングにより画像認識等の精度が飛躍的に向上したのは第三次AIブームであり、第一次AIブームの中心は迷路やパズルの解き方を探す探索であった。設問の組み合わせは第三次AIブームと第一次AIブームを取り違えている。他の3つの説明はいずれも正しい。各AIブームは技術の中心が異なり、第一次は探索、第二次はエキスパートシステム、第三次はディープラーニングとビッグデータが特徴である。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-008/009/019/030/031)の定義との整合性確認
この事例では「少量のラベル付きデータと大量のラベルなしデータを併用するか」を確認すると、半教師あり学習とは、大量のラベル付きデータと少量のラベルなしデータを組み合わせて学習する手法であるに絞れる。正解は「半教師あり学習とは、大量のラベル付きデータと少量のラベルなしデータを組み合わせて学習する手法である」（誤り）である。半教師あり学習は、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手法であり、設問の「大量のラベル付き・少量のラベルなし」という説明はラベル付き/ラベルなしの分量が逆になっている。教師あり学習・教師なし学習・強化学習の説明はいずれも正しい。半教師あり学習は、ラベル付け作業のコストを抑えながら大量の未ラベルデータも学習に活用できる点が実務上の利点とされる。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-001/013/024/025)の定義との整合性確認
この事例では「行動結果の報酬を手掛かりに方策を改善するか」を確認すると、ロボットに試行錯誤させながら、成功したら報酬を与えて最適な動作を学習させる方法は、教師あり学習にあたるに絞れる。正解は「ロボットに試行錯誤させながら、成功したら報酬を与えて最適な動作を学習させる方法は、教師あり学習にあたる」（誤り）である。試行錯誤しながら報酬を手がかりに最適な行動を学習させる方法は強化学習にあたり、正解ラベルを用いて入力と正解の対応関係を学習する方法が教師あり学習である。設問の組み合わせは強化学習と教師あり学習を取り違えている。他の3つの組み合わせはいずれも正しい。強化学習と教師あり学習は、報酬を手がかりに試行錯誤するか、正解ラベルとの対応関係を学習するかという点で学習の仕組みが根本的に異なる。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-001/013/024/025)の定義との整合性確認
この事例では「ニューラルネットワークのユニットを確率的に休ませるか」を確認すると、ドロップアウトとは、モデルが複雑になりすぎないように制約（ペナルティ）を加え、過学習を抑えることを狙う手法の総称であるに絞れる。正解は「ドロップアウトとは、モデルが複雑になりすぎないように制約（ペナルティ）を加え、過学習を抑えることを狙う手法の総称である」（誤り）である。ドロップアウトはニューラルネットワークの学習時に一部のノードを無効化し、過学習を抑える手法であり、設問の説明は正則化の定義をドロップアウトに誤って当てはめている。過学習・転移学習・正則化の説明はいずれも正しい。過学習を抑える手法にはドロップアウトや正則化など複数のアプローチがあり、それぞれ抑制の仕組みが異なる点に注意が必要である。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-005/006/010/016)の定義との整合性確認
この事例では「入力ごとの寄与を調整する学習対象の係数か」を確認すると、重みとは、ニューラルネットワークを構成する最小単位で、脳の神経細胞を模して複数の入力を受け取り、それらを処理して次へ出力するものであるに絞れる。正解は「重みとは、ニューラルネットワークを構成する最小単位で、脳の神経細胞を模して複数の入力を受け取り、それらを処理して次へ出力するものである」（誤り）である。重みは、ある人工ニューロン（ノード）から次のノードへ信号を伝えるときの結合の強さを表し、学習を通じて値が調整されていくものであり、設問の説明は人工ニューロン（ノード）の定義を重みに誤って当てはめている。ニューラルネットワーク・ノーフリーランチ定理・人工ニューロン（ノード）の説明はいずれも正しい。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-015/017/021/027)の定義との整合性確認
この事例では「予測の手掛かりとなるデータの特徴か」を確認すると、特徴量とは、データから規則性を学ばせるのではなく、人間が「この条件のときはこう動く」という規則をあらかじめ細かく記述しておくことでAIを機能させる方式であるに絞れる。正解は「特徴量とは、データから規則性を学ばせるのではなく、人間が「この条件のときはこう動く」という規則をあらかじめ細かく記述しておくことでAIを機能させる方式である」（誤り）である。特徴量は、対象となるデータの中から予測や分類に役立つ性質を数値として取り出したものであり、設問の説明はルールベースの定義を特徴量に誤って当てはめている。学習済みモデル・ルールベース・機械学習の説明はいずれも正しい。特徴量とルールベースは、AIがどのように判断材料を得るかという点で異なる概念であり、混同されやすいため注意が必要である。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-004/012/022/029)の定義との整合性確認
この事例では「高次元データを低次元の表現へ変換するか」を確認すると、次元削減とは、あらかじめ正解（ラベル）が与えられたデータを用いて、入力と正解の対応関係を学習する機械学習の手法であるに絞れる。正解は「次元削減とは、あらかじめ正解（ラベル）が与えられたデータを用いて、入力と正解の対応関係を学習する機械学習の手法である」（誤り）である。次元削減は、データが持つ多数の特徴（変数）を、重要な情報をできるだけ保ったまま少ない数にまとめる教師なし学習の手法であり、設問の説明は教師あり学習の定義を次元削減に誤って当てはめている。クラスタリング・教師あり学習・強化学習の説明はいずれも正しい。次元削減は教師なし学習に分類される手法であり、正解ラベルを用いる教師あり学習とは学習の前提そのものが異なる。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-001/014/024/025)の定義との整合性確認
この事例では「正解付きと正解なしのデータを同時に活用するか」を確認すると、半教師あり学習とは、大量のラベル付きデータと少量のラベルなしデータを組み合わせて学習する手法であるに絞れる。正解は「半教師あり学習とは、大量のラベル付きデータと少量のラベルなしデータを組み合わせて学習する手法である」（誤り）である。半教師あり学習は、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手法であり、設問の「大量のラベル付き・少量のラベルなし」という説明はラベル付き/ラベルなしの分量が逆になっている。教師あり学習・教師なし学習・強化学習の説明はいずれも正しい。半教師あり学習は、ラベル付け作業のコストを抑えながら大量の未ラベルデータも学習に活用できる点が実務上の利点とされる。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-001/013/024/025)の定義との整合性確認
この事例では「教師の正解ではなく環境からの報酬で学ぶか」を確認すると、ロボットに試行錯誤させながら、成功したら報酬を与えて最適な動作を学習させる方法は、教師あり学習にあたるに絞れる。正解は「ロボットに試行錯誤させながら、成功したら報酬を与えて最適な動作を学習させる方法は、教師あり学習にあたる」（誤り）である。試行錯誤しながら報酬を手がかりに最適な行動を学習させる方法は強化学習にあたり、正解ラベルを用いて入力と正解の対応関係を学習する方法が教師あり学習である。設問の組み合わせは強化学習と教師あり学習を取り違えている。他の3つの組み合わせはいずれも正しい。強化学習と教師あり学習は、報酬を手がかりに試行錯誤するか、正解ラベルとの対応関係を学習するかという点で学習の仕組みが根本的に異なる。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-001/013/024/025)の定義との整合性確認
この事例では「訓練時に一部のニューロンをランダムに無効化するか」を確認すると、ドロップアウトとは、モデルが複雑になりすぎないように制約（ペナルティ）を加え、過学習を抑えることを狙う手法の総称であるに絞れる。正解は「ドロップアウトとは、モデルが複雑になりすぎないように制約（ペナルティ）を加え、過学習を抑えることを狙う手法の総称である」（誤り）である。ドロップアウトはニューラルネットワークの学習時に一部のノードを無効化し、過学習を抑える手法であり、設問の説明は正則化の定義をドロップアウトに誤って当てはめている。過学習・転移学習・正則化の説明はいずれも正しい。過学習を抑える手法にはドロップアウトや正則化など複数のアプローチがあり、それぞれ抑制の仕組みが異なる点に注意が必要である。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-005/006/010/016)の定義との整合性確認
この事例では「接続された入力の重要度を表す係数か」を確認すると、重みとは、ニューラルネットワークを構成する最小単位で、脳の神経細胞を模して複数の入力を受け取り、それらを処理して次へ出力するものであるに絞れる。正解は「重みとは、ニューラルネットワークを構成する最小単位で、脳の神経細胞を模して複数の入力を受け取り、それらを処理して次へ出力するものである」（誤り）である。重みは、ある人工ニューロン（ノード）から次のノードへ信号を伝えるときの結合の強さを表し、学習を通じて値が調整されていくものであり、設問の説明は人工ニューロン（ノード）の定義を重みに誤って当てはめている。ニューラルネットワーク・ノーフリーランチ定理・人工ニューロン（ノード）の説明はいずれも正しい。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-015/017/021/027)の定義との整合性確認
この事例では「モデルの判断材料として与える特徴か」を確認すると、特徴量とは、データから規則性を学ばせるのではなく、人間が「この条件のときはこう動く」という規則をあらかじめ細かく記述しておくことでAIを機能させる方式であるに絞れる。正解は「特徴量とは、データから規則性を学ばせるのではなく、人間が「この条件のときはこう動く」という規則をあらかじめ細かく記述しておくことでAIを機能させる方式である」（誤り）である。特徴量は、対象となるデータの中から予測や分類に役立つ性質を数値として取り出したものであり、設問の説明はルールベースの定義を特徴量に誤って当てはめている。学習済みモデル・ルールベース・機械学習の説明はいずれも正しい。特徴量とルールベースは、AIがどのように判断材料を得るかという点で異なる概念であり、混同されやすいため注意が必要である。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-004/012/022/029)の定義との整合性確認
この事例では「変数の数を減らしてデータを表現するか」を確認すると、次元削減とは、あらかじめ正解（ラベル）が与えられたデータを用いて、入力と正解の対応関係を学習する機械学習の手法であるに絞れる。正解は「次元削減とは、あらかじめ正解（ラベル）が与えられたデータを用いて、入力と正解の対応関係を学習する機械学習の手法である」（誤り）である。次元削減は、データが持つ多数の特徴（変数）を、重要な情報をできるだけ保ったまま少ない数にまとめる教師なし学習の手法であり、設問の説明は教師あり学習の定義を次元削減に誤って当てはめている。クラスタリング・教師あり学習・強化学習の説明はいずれも正しい。次元削減は教師なし学習に分類される手法であり、正解ラベルを用いる教師あり学習とは学習の前提そのものが異なる。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-001/014/024/025)の定義との整合性確認
この事例では「特定の課題に能力が限定されたAIか」を確認すると、弱いAI（ANI）とは、特定の作業だけでなく、人間のように分野を限定せず幅広い課題へ柔軟に対応できる、汎用的な能力を持つとされるAIであるに絞れる。正解は「弱いAI（ANI）とは、特定の作業だけでなく、人間のように分野を限定せず幅広い課題へ柔軟に対応できる、汎用的な能力を持つとされるAIである」（誤り）である。弱いAI（ANI）は、画像認識や将棋など特定の領域・課題に限って能力を発揮するAIであり、設問の説明は強いAI（AGI）の定義を弱いAIに誤って当てはめている。機械学習・ディープラーニング・強いAIの説明はいずれも正しい。弱いAIと強いAIの違いは、対応できる課題の範囲が特定領域に限られるか、分野を限定せず汎用的に対応できるかという点にある。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-004/007/026/028)の定義との整合性確認
この事例では「専門家の知識を知識ベースと推論へ利用するか」を確認すると、エキスパートシステムとは、迷路やパズルなどで考えられる選択肢を順にたどり、ゴールへの道筋を見つける手法であるに絞れる。正解は「エキスパートシステムとは、迷路やパズルなどで考えられる選択肢を順にたどり、ゴールへの道筋を見つける手法である」（誤り）である。エキスパートシステムは専門家の知識をルールとして取り込み推論を行う仕組みであり、設問の説明は第一次AIブームの中心技術である探索の定義をエキスパートシステムに誤って当てはめている。ディープラーニングとビッグデータ・探索・AIの冬の説明はいずれも正しい。エキスパートシステムは第二次AIブームの中心技術であり、探索を中心とした第一次AIブームとは時期・技術の両面で異なる。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-008/009/019/030)の定義との整合性確認
この事例では「ディープラーニングが中心となった第三次AIブームか」を確認すると、ビッグデータとディープラーニングにより画像認識の精度が飛躍的に向上したのは、第一次AIブームであるに絞れる。正解は「ビッグデータとディープラーニングにより画像認識の精度が飛躍的に向上したのは、第一次AIブームである」（誤り）である。ビッグデータとディープラーニングにより画像認識等の精度が飛躍的に向上したのは第三次AIブームであり、第一次AIブームの中心は迷路やパズルの解き方を探す探索であった。設問の組み合わせは第三次AIブームと第一次AIブームを取り違えている。他の3つの説明はいずれも正しい。各AIブームは技術の中心が異なり、第一次は探索、第二次はエキスパートシステム、第三次はディープラーニングとビッグデータが特徴である。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-008/009/019/030/031)の定義との整合性確認
この事例では「ラベルの有無が混在するデータを用いるか」を確認すると、半教師あり学習とは、大量のラベル付きデータと少量のラベルなしデータを組み合わせて学習する手法であるに絞れる。正解は「半教師あり学習とは、大量のラベル付きデータと少量のラベルなしデータを組み合わせて学習する手法である」（誤り）である。半教師あり学習は、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手法であり、設問の「大量のラベル付き・少量のラベルなし」という説明はラベル付き/ラベルなしの分量が逆になっている。教師あり学習・教師なし学習・強化学習の説明はいずれも正しい。半教師あり学習は、ラベル付け作業のコストを抑えながら大量の未ラベルデータも学習に活用できる点が実務上の利点とされる。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-001/013/024/025)の定義との整合性確認
この事例では「報酬を最大化する行動を試行錯誤で学ぶか」を確認すると、ロボットに試行錯誤させながら、成功したら報酬を与えて最適な動作を学習させる方法は、教師あり学習にあたるに絞れる。正解は「ロボットに試行錯誤させながら、成功したら報酬を与えて最適な動作を学習させる方法は、教師あり学習にあたる」（誤り）である。試行錯誤しながら報酬を手がかりに最適な行動を学習させる方法は強化学習にあたり、正解ラベルを用いて入力と正解の対応関係を学習する方法が教師あり学習である。設問の組み合わせは強化学習と教師あり学習を取り違えている。他の3つの組み合わせはいずれも正しい。強化学習と教師あり学習は、報酬を手がかりに試行錯誤するか、正解ラベルとの対応関係を学習するかという点で学習の仕組みが根本的に異なる。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-001/013/024/025)の定義との整合性確認
この事例では「共適応を抑えるため一部ユニットを一時的に除外するか」を確認すると、ドロップアウトとは、モデルが複雑になりすぎないように制約（ペナルティ）を加え、過学習を抑えることを狙う手法の総称であるに絞れる。正解は「ドロップアウトとは、モデルが複雑になりすぎないように制約（ペナルティ）を加え、過学習を抑えることを狙う手法の総称である」（誤り）である。ドロップアウトはニューラルネットワークの学習時に一部のノードを無効化し、過学習を抑える手法であり、設問の説明は正則化の定義をドロップアウトに誤って当てはめている。過学習・転移学習・正則化の説明はいずれも正しい。過学習を抑える手法にはドロップアウトや正則化など複数のアプローチがあり、それぞれ抑制の仕組みが異なる点に注意が必要である。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-005/006/010/016)の定義との整合性確認
この事例では「データから予測に有用な性質を数値として表したものか」を確認すると、特徴量とは、データから規則性を学ばせるのではなく、人間が「この条件のときはこう動く」という規則をあらかじめ細かく記述しておくことでAIを機能させる方式であるに絞れる。正解は「特徴量とは、データから規則性を学ばせるのではなく、人間が「この条件のときはこう動く」という規則をあらかじめ細かく記述しておくことでAIを機能させる方式である」（誤り）である。特徴量は、対象となるデータの中から予測や分類に役立つ性質を数値として取り出したものであり、設問の説明はルールベースの定義を特徴量に誤って当てはめている。学習済みモデル・ルールベース・機械学習の説明はいずれも正しい。特徴量とルールベースは、AIがどのように判断材料を得るかという点で異なる概念であり、混同されやすいため注意が必要である。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-004/012/022/029)の定義との整合性確認
この事例では「情報を圧縮しながら次元数を減らすか」を確認すると、次元削減とは、あらかじめ正解（ラベル）が与えられたデータを用いて、入力と正解の対応関係を学習する機械学習の手法であるに絞れる。正解は「次元削減とは、あらかじめ正解（ラベル）が与えられたデータを用いて、入力と正解の対応関係を学習する機械学習の手法である」（誤り）である。次元削減は、データが持つ多数の特徴（変数）を、重要な情報をできるだけ保ったまま少ない数にまとめる教師なし学習の手法であり、設問の説明は教師あり学習の定義を次元削減に誤って当てはめている。クラスタリング・教師あり学習・強化学習の説明はいずれも正しい。次元削減は教師なし学習に分類される手法であり、正解ラベルを用いる教師あり学習とは学習の前提そのものが異なる。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch1-001/014/024/025)の定義との整合性確認