第43問〜第64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「社内の最新・固有の情報にもとづいた回答を得やすくなるのは、RAGを導入しても解決しにくい課題である」（誤り）である。社内の最新・固有の情報にもとづいた回答を得やすくなることはRAGを導入する利点であり、RAGを導入しても解決しにくい課題ではない。設問の説明は利点を課題に誤って当てはめている。他の3つの組み合わせはいずれも正しい。RAGは外部知識を参照できる一方、検索対象に含まれない複雑な数値計算などは依然として不得意な領域として残る。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch3-019/024/026)の定義との整合性確認
正解は「昔録音した音源のノイズを取り除き、生成AIの技術でより聞き取りやすい音質に仕上げる作業は、正規化にあたる」（誤り）である。古い音源の画質・音質を生成AIの技術で補正し高品質に作り直す作業はリマスタリングにあたり、値の尺度をそろえる作業が正規化である。設問の組み合わせはリマスタリングと正規化を取り違えている。他の3つの組み合わせはいずれも正しい。データの水増し・正規化・リマスタリング・画像のリサイズは、いずれも機械学習や生成AIの前処理で使われる技術だが、それぞれ目的が異なる。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch3-004/013/014/015)の定義との整合性確認
この事例では「検索拡張生成と自律的なツール実行を分けるか」を確認すると、AIエージェントとは、検索対象の文書をあらかじめ扱いやすい小さな単位に分割したものであるに絞れる。正解は「AIエージェントとは、検索対象の文書をあらかじめ扱いやすい小さな単位に分割したものである」（誤り）である。AIエージェントは、目標達成のために手順を自ら計画し、外部のツールやサービスも使いながら自律的にタスクを実行するAIであり、設問の説明はチャンクの定義をAIエージェントに誤って当てはめている。RAG・チャンク・ベクトルデータベースの説明はいずれも正しい。AIエージェントとチャンクは、いずれもRAG・AIエージェントの文脈で登場する用語だが、自律的にタスクを実行する主体か文書の分割単位かという点で全く異なる概念である。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch3-001/002/006/018)の定義との整合性確認
この事例では「外部の最新・固有情報を検索して回答へ加えるか」を確認すると、社内の最新・固有の情報にもとづいた回答を得やすくなるのは、RAGを導入しても解決しにくい課題であるに絞れる。正解は「社内の最新・固有の情報にもとづいた回答を得やすくなるのは、RAGを導入しても解決しにくい課題である」（誤り）である。社内の最新・固有の情報にもとづいた回答を得やすくなることはRAGを導入する利点であり、RAGを導入しても解決しにくい課題ではない。設問の説明は利点を課題に誤って当てはめている。他の3つの組み合わせはいずれも正しい。RAGは外部知識を参照できる一方、検索対象に含まれない複雑な数値計算などは依然として不得意な領域として残る。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch3-019/024/026)の定義との整合性確認
この事例では「数値尺度の調整とコンテンツ修復を区別するか」を確認すると、昔録音した音源のノイズを取り除き、生成AIの技術でより聞き取りやすい音質に仕上げる作業は、正規化にあたるに絞れる。正解は「昔録音した音源のノイズを取り除き、生成AIの技術でより聞き取りやすい音質に仕上げる作業は、正規化にあたる」（誤り）である。古い音源の画質・音質を生成AIの技術で補正し高品質に作り直す作業はリマスタリングにあたり、値の尺度をそろえる作業が正規化である。設問の組み合わせはリマスタリングと正規化を取り違えている。他の3つの組み合わせはいずれも正しい。データの水増し・正規化・リマスタリング・画像のリサイズは、いずれも機械学習や生成AIの前処理で使われる技術だが、それぞれ目的が異なる。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch3-004/013/014/015)の定義との整合性確認
この事例では「目標達成に向けて計画しツールを実行するか」を確認すると、AIエージェントとは、検索対象の文書をあらかじめ扱いやすい小さな単位に分割したものであるに絞れる。正解は「AIエージェントとは、検索対象の文書をあらかじめ扱いやすい小さな単位に分割したものである」（誤り）である。AIエージェントは、目標達成のために手順を自ら計画し、外部のツールやサービスも使いながら自律的にタスクを実行するAIであり、設問の説明はチャンクの定義をAIエージェントに誤って当てはめている。RAG・チャンク・ベクトルデータベースの説明はいずれも正しい。AIエージェントとチャンクは、いずれもRAG・AIエージェントの文脈で登場する用語だが、自律的にタスクを実行する主体か文書の分割単位かという点で全く異なる概念である。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch3-001/002/006/018)の定義との整合性確認
この事例では「検索した根拠を文脈へ加えて固有情報へ対応するか」を確認すると、社内の最新・固有の情報にもとづいた回答を得やすくなるのは、RAGを導入しても解決しにくい課題であるに絞れる。正解は「社内の最新・固有の情報にもとづいた回答を得やすくなるのは、RAGを導入しても解決しにくい課題である」（誤り）である。社内の最新・固有の情報にもとづいた回答を得やすくなることはRAGを導入する利点であり、RAGを導入しても解決しにくい課題ではない。設問の説明は利点を課題に誤って当てはめている。他の3つの組み合わせはいずれも正しい。RAGは外部知識を参照できる一方、検索対象に含まれない複雑な数値計算などは依然として不得意な領域として残る。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch3-019/024/026)の定義との整合性確認
この事例では「特徴量の値を一定の範囲へ調整する正規化か」を確認すると、昔録音した音源のノイズを取り除き、生成AIの技術でより聞き取りやすい音質に仕上げる作業は、正規化にあたるに絞れる。正解は「昔録音した音源のノイズを取り除き、生成AIの技術でより聞き取りやすい音質に仕上げる作業は、正規化にあたる」（誤り）である。古い音源の画質・音質を生成AIの技術で補正し高品質に作り直す作業はリマスタリングにあたり、値の尺度をそろえる作業が正規化である。設問の組み合わせはリマスタリングと正規化を取り違えている。他の3つの組み合わせはいずれも正しい。データの水増し・正規化・リマスタリング・画像のリサイズは、いずれも機械学習や生成AIの前処理で使われる技術だが、それぞれ目的が異なる。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch3-004/013/014/015)の定義との整合性確認
この事例では「言語モデルが計画と外部操作を組み合わせるか」を確認すると、AIエージェントとは、検索対象の文書をあらかじめ扱いやすい小さな単位に分割したものであるに絞れる。正解は「AIエージェントとは、検索対象の文書をあらかじめ扱いやすい小さな単位に分割したものである」（誤り）である。AIエージェントは、目標達成のために手順を自ら計画し、外部のツールやサービスも使いながら自律的にタスクを実行するAIであり、設問の説明はチャンクの定義をAIエージェントに誤って当てはめている。RAG・チャンク・ベクトルデータベースの説明はいずれも正しい。AIエージェントとチャンクは、いずれもRAG・AIエージェントの文脈で登場する用語だが、自律的にタスクを実行する主体か文書の分割単位かという点で全く異なる概念である。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch3-001/002/006/018)の定義との整合性確認
この事例では「更新可能な外部情報を取得して生成へ利用するか」を確認すると、社内の最新・固有の情報にもとづいた回答を得やすくなるのは、RAGを導入しても解決しにくい課題であるに絞れる。正解は「社内の最新・固有の情報にもとづいた回答を得やすくなるのは、RAGを導入しても解決しにくい課題である」（誤り）である。社内の最新・固有の情報にもとづいた回答を得やすくなることはRAGを導入する利点であり、RAGを導入しても解決しにくい課題ではない。設問の説明は利点を課題に誤って当てはめている。他の3つの組み合わせはいずれも正しい。RAGは外部知識を参照できる一方、検索対象に含まれない複雑な数値計算などは依然として不得意な領域として残る。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch3-019/024/026)の定義との整合性確認
この事例では「入力値の尺度を統一する前処理か」を確認すると、昔録音した音源のノイズを取り除き、生成AIの技術でより聞き取りやすい音質に仕上げる作業は、正規化にあたるに絞れる。正解は「昔録音した音源のノイズを取り除き、生成AIの技術でより聞き取りやすい音質に仕上げる作業は、正規化にあたる」（誤り）である。古い音源の画質・音質を生成AIの技術で補正し高品質に作り直す作業はリマスタリングにあたり、値の尺度をそろえる作業が正規化である。設問の組み合わせはリマスタリングと正規化を取り違えている。他の3つの組み合わせはいずれも正しい。データの水増し・正規化・リマスタリング・画像のリサイズは、いずれも機械学習や生成AIの前処理で使われる技術だが、それぞれ目的が異なる。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch3-004/013/014/015)の定義との整合性確認
この事例では「チャンクとAIエージェントを役割で分けるか」を確認すると、AIエージェントとは、検索対象の文書をあらかじめ扱いやすい小さな単位に分割したものであるに絞れる。正解は「AIエージェントとは、検索対象の文書をあらかじめ扱いやすい小さな単位に分割したものである」（誤り）である。AIエージェントは、目標達成のために手順を自ら計画し、外部のツールやサービスも使いながら自律的にタスクを実行するAIであり、設問の説明はチャンクの定義をAIエージェントに誤って当てはめている。RAG・チャンク・ベクトルデータベースの説明はいずれも正しい。AIエージェントとチャンクは、いずれもRAG・AIエージェントの文脈で登場する用語だが、自律的にタスクを実行する主体か文書の分割単位かという点で全く異なる概念である。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch3-001/002/006/018)の定義との整合性確認
この事例では「モデル外の情報を根拠として回答へ反映するか」を確認すると、社内の最新・固有の情報にもとづいた回答を得やすくなるのは、RAGを導入しても解決しにくい課題であるに絞れる。正解は「社内の最新・固有の情報にもとづいた回答を得やすくなるのは、RAGを導入しても解決しにくい課題である」（誤り）である。社内の最新・固有の情報にもとづいた回答を得やすくなることはRAGを導入する利点であり、RAGを導入しても解決しにくい課題ではない。設問の説明は利点を課題に誤って当てはめている。他の3つの組み合わせはいずれも正しい。RAGは外部知識を参照できる一方、検索対象に含まれない複雑な数値計算などは依然として不得意な領域として残る。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch3-019/024/026)の定義との整合性確認
この事例では「値のスケール調整を正規化として捉えるか」を確認すると、昔録音した音源のノイズを取り除き、生成AIの技術でより聞き取りやすい音質に仕上げる作業は、正規化にあたるに絞れる。正解は「昔録音した音源のノイズを取り除き、生成AIの技術でより聞き取りやすい音質に仕上げる作業は、正規化にあたる」（誤り）である。古い音源の画質・音質を生成AIの技術で補正し高品質に作り直す作業はリマスタリングにあたり、値の尺度をそろえる作業が正規化である。設問の組み合わせはリマスタリングと正規化を取り違えている。他の3つの組み合わせはいずれも正しい。データの水増し・正規化・リマスタリング・画像のリサイズは、いずれも機械学習や生成AIの前処理で使われる技術だが、それぞれ目的が異なる。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch3-004/013/014/015)の定義との整合性確認
この事例では「目標から手順を組み立て外部機能を使うか」を確認すると、AIエージェントとは、検索対象の文書をあらかじめ扱いやすい小さな単位に分割したものであるに絞れる。正解は「AIエージェントとは、検索対象の文書をあらかじめ扱いやすい小さな単位に分割したものである」（誤り）である。AIエージェントは、目標達成のために手順を自ら計画し、外部のツールやサービスも使いながら自律的にタスクを実行するAIであり、設問の説明はチャンクの定義をAIエージェントに誤って当てはめている。RAG・チャンク・ベクトルデータベースの説明はいずれも正しい。AIエージェントとチャンクは、いずれもRAG・AIエージェントの文脈で登場する用語だが、自律的にタスクを実行する主体か文書の分割単位かという点で全く異なる概念である。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch3-001/002/006/018)の定義との整合性確認
この事例では「検索結果で生成時の文脈を拡張するか」を確認すると、社内の最新・固有の情報にもとづいた回答を得やすくなるのは、RAGを導入しても解決しにくい課題であるに絞れる。正解は「社内の最新・固有の情報にもとづいた回答を得やすくなるのは、RAGを導入しても解決しにくい課題である」（誤り）である。社内の最新・固有の情報にもとづいた回答を得やすくなることはRAGを導入する利点であり、RAGを導入しても解決しにくい課題ではない。設問の説明は利点を課題に誤って当てはめている。他の3つの組み合わせはいずれも正しい。RAGは外部知識を参照できる一方、検索対象に含まれない複雑な数値計算などは依然として不得意な領域として残る。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch3-019/024/026)の定義との整合性確認
この事例では「特徴量ごとの尺度差を調整するか」を確認すると、昔録音した音源のノイズを取り除き、生成AIの技術でより聞き取りやすい音質に仕上げる作業は、正規化にあたるに絞れる。正解は「昔録音した音源のノイズを取り除き、生成AIの技術でより聞き取りやすい音質に仕上げる作業は、正規化にあたる」（誤り）である。古い音源の画質・音質を生成AIの技術で補正し高品質に作り直す作業はリマスタリングにあたり、値の尺度をそろえる作業が正規化である。設問の組み合わせはリマスタリングと正規化を取り違えている。他の3つの組み合わせはいずれも正しい。データの水増し・正規化・リマスタリング・画像のリサイズは、いずれも機械学習や生成AIの前処理で使われる技術だが、それぞれ目的が異なる。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch3-004/013/014/015)の定義との整合性確認
この事例では「外部ツールを組み合わせてタスクを遂行するか」を確認すると、AIエージェントとは、検索対象の文書をあらかじめ扱いやすい小さな単位に分割したものであるに絞れる。正解は「AIエージェントとは、検索対象の文書をあらかじめ扱いやすい小さな単位に分割したものである」（誤り）である。AIエージェントは、目標達成のために手順を自ら計画し、外部のツールやサービスも使いながら自律的にタスクを実行するAIであり、設問の説明はチャンクの定義をAIエージェントに誤って当てはめている。RAG・チャンク・ベクトルデータベースの説明はいずれも正しい。AIエージェントとチャンクは、いずれもRAG・AIエージェントの文脈で登場する用語だが、自律的にタスクを実行する主体か文書の分割単位かという点で全く異なる概念である。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch3-001/002/006/018)の定義との整合性確認
この事例では「検索と生成を結合して知識を補うか」を確認すると、社内の最新・固有の情報にもとづいた回答を得やすくなるのは、RAGを導入しても解決しにくい課題であるに絞れる。正解は「社内の最新・固有の情報にもとづいた回答を得やすくなるのは、RAGを導入しても解決しにくい課題である」（誤り）である。社内の最新・固有の情報にもとづいた回答を得やすくなることはRAGを導入する利点であり、RAGを導入しても解決しにくい課題ではない。設問の説明は利点を課題に誤って当てはめている。他の3つの組み合わせはいずれも正しい。RAGは外部知識を参照できる一方、検索対象に含まれない複雑な数値計算などは依然として不得意な領域として残る。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch3-019/024/026)の定義との整合性確認
この事例では「入力変数の値域をそろえる正規化か」を確認すると、昔録音した音源のノイズを取り除き、生成AIの技術でより聞き取りやすい音質に仕上げる作業は、正規化にあたるに絞れる。正解は「昔録音した音源のノイズを取り除き、生成AIの技術でより聞き取りやすい音質に仕上げる作業は、正規化にあたる」（誤り）である。古い音源の画質・音質を生成AIの技術で補正し高品質に作り直す作業はリマスタリングにあたり、値の尺度をそろえる作業が正規化である。設問の組み合わせはリマスタリングと正規化を取り違えている。他の3つの組み合わせはいずれも正しい。データの水増し・正規化・リマスタリング・画像のリサイズは、いずれも機械学習や生成AIの前処理で使われる技術だが、それぞれ目的が異なる。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch3-004/013/014/015)の定義との整合性確認
この事例では「RAGの検索処理とエージェントの行動実行を区別するか」を確認すると、AIエージェントとは、検索対象の文書をあらかじめ扱いやすい小さな単位に分割したものであるに絞れる。正解は「AIエージェントとは、検索対象の文書をあらかじめ扱いやすい小さな単位に分割したものである」（誤り）である。AIエージェントは、目標達成のために手順を自ら計画し、外部のツールやサービスも使いながら自律的にタスクを実行するAIであり、設問の説明はチャンクの定義をAIエージェントに誤って当てはめている。RAG・チャンク・ベクトルデータベースの説明はいずれも正しい。AIエージェントとチャンクは、いずれもRAG・AIエージェントの文脈で登場する用語だが、自律的にタスクを実行する主体か文書の分割単位かという点で全く異なる概念である。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch3-001/002/006/018)の定義との整合性確認
この事例では「再学習なしに更新情報を参照しやすくするか」を確認すると、社内の最新・固有の情報にもとづいた回答を得やすくなるのは、RAGを導入しても解決しにくい課題であるに絞れる。正解は「社内の最新・固有の情報にもとづいた回答を得やすくなるのは、RAGを導入しても解決しにくい課題である」（誤り）である。社内の最新・固有の情報にもとづいた回答を得やすくなることはRAGを導入する利点であり、RAGを導入しても解決しにくい課題ではない。設問の説明は利点を課題に誤って当てはめている。他の3つの組み合わせはいずれも正しい。RAGは外部知識を参照できる一方、検索対象に含まれない複雑な数値計算などは依然として不得意な領域として残る。
content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch3-019/024/026)の定義との整合性確認