第40問〜第78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。
公式範囲を確認し、問題文・選択肢・解説は当サイトが作成。本試験問題の複写ではありません。
公式シラバス（PDF）（公式）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って自律的にタスクを実行するAIである。分割単位を指す説明はチャンクのものなので、用語の取り違えを探す問題では、AIエージェントの行に別の用語の定義が入っていないかを確認する。RAGの精度向上、チャンクによる分割、ベクトルデータベースによる保管と検索は、いずれも文書を扱う側の話である。
https://guga.or.jp/assets/syllabus.pdf （第3章 RAG（Retrieval Augmented Generation、検索拡張生成））
正解は「Veo3」である。Veo3はGoogleが開発した、テキストの指示から動画を作り出す動画生成AIである。Soraは同種の動画生成AIだがOpenAIが開発したものであり、GPTsはChatGPT上でカスタムAIを作成する機能、CodexはOpenAIが提供するコード生成ツールであり、いずれもGoogleが開発した動画生成AIではない。動画生成AIは近年各社が開発競争を進めている分野であり、開発元の違いを把握しておくことが重要である。
Google DeepMind公式「Veo」（https://deepmind.google/models/veo/）およびGoogle Developers Blog「Build with Veo 3, now available in the Gemini API」（https://developers.googleblog.com/veo-3-now-available-gemini-api/、2025-07-17付）
正解は「言語モデル単体ではできない最新情報の取得や他サービスの実行を行い、現実のタスクを完了できるようにするのは、RAGの役割である」（誤り）である。言語モデル単体ではできない操作を行い現実のタスクを完了できるようにするのは、MCPなどによる外部ツール・サービスとの連携がAIエージェントにとって重要な理由であり、設問の説明はこれをRAGの役割に誤って当てはめている。AIエージェントの特徴・MCP・従来の対話型生成AIとの違いの説明はいずれも正しい。
https://guga.or.jp/assets/syllabus.pdf （第3章 AIエージェント）
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。残る3つは、根拠を示せてハルシネーションを抑えやすくなること、再学習なしで自社固有の文書を参照させられることがRAGの効果・利点で、複雑な数値計算の誤りがRAGでも解決しにくい課題と、それぞれ区分が合っている。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。
https://guga.or.jp/assets/syllabus.pdf （第3章 RAG（Retrieval Augmented Generation、検索拡張生成））
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。残る3つは、回転・反転で学習データを増やす作業がデータの水増し、単位や範囲の異なる項目の尺度をそろえる作業が正規化、縦長の写真を正方形の比率へ変える作業が画像のリサイズと、それぞれ作業の目的に合っている。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。
https://guga.or.jp/assets/syllabus.pdf （第3章 生成AIが出来ることと主なサービス）
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」という説明が誤りだと分かる。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。社内文書を検索して回答へ渡す構成はRAGとその部品（チャンク・ベクトルデータベース）の話で、外部ツールを操作して処理を完了する仕組みがAIエージェントである。分割単位という説明は前者の部品であるチャンクのもので、AIエージェントには当てはまらない。
本サイトの既存問題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」という説明が誤りだと分かる。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。残る3つは、検索結果を根拠として示せるため事実と異なる出力を抑えやすくなるのが導入で期待できる効果、複雑な数値計算の誤りがRAGを導入しても解決しにくい課題、モデルを再学習させなくても自社固有の文書を参照させられるのがRAGの利点という説明で、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。
本サイトの既存問題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」という説明が誤りだと分かる。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。残る3つは、犬の写真を回転・反転させて学習データを増やす作業がデータの水増し、単位や範囲が異なる項目の尺度をそろえる作業が正規化、縦長の写真を正方形の比率へ変更する作業が画像のリサイズで、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。
本サイトの既存問題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」という説明が誤りだと分かる。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。旅行予約で検索、候補比較、予約操作を道具を使い分けながら順に進める仕組みは、計画してツールを実行するAIエージェントの特徴である。文書を小さく分けるという説明は、この一連の操作ではなくチャンクの定義にあたる。
本サイトの既存問題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」という説明が誤りだと分かる。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。残る3つは、検索結果を根拠として示せるため事実と異なる出力を抑えやすくなるのが導入で期待できる効果、複雑な数値計算の誤りがRAGを導入しても解決しにくい課題、モデルを再学習させなくても自社固有の文書を参照させられるのがRAGの利点という説明で、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。
本サイトの既存問題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」という説明が誤りだと分かる。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。残る3つは、犬の写真を回転・反転させて学習データを増やす作業がデータの水増し、単位や範囲が異なる項目の尺度をそろえる作業が正規化、縦長の写真を正方形の比率へ変更する作業が画像のリサイズで、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。
本サイトの既存問題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」という説明が誤りだと分かる。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。問い合わせを読み、必要なら顧客DB検索とチケット登録を自律的に行う仕組みは、言語モデルが計画と外部操作を組み合わせるAIエージェントにあたる。チャンクの定義を当てはめた選択肢は、この自律的な実行の説明になっていない。
本サイトの既存問題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」という説明が誤りだと分かる。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。残る3つは、検索結果を根拠として示せるため事実と異なる出力を抑えやすくなるのが導入で期待できる効果、複雑な数値計算の誤りがRAGを導入しても解決しにくい課題、モデルを再学習させなくても自社固有の文書を参照させられるのがRAGの利点という説明で、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。
本サイトの既存問題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」という説明が誤りだと分かる。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。残る3つは、犬の写真を回転・反転させて学習データを増やす作業がデータの水増し、単位や範囲が異なる項目の尺度をそろえる作業が正規化、縦長の写真を正方形の比率へ変更する作業が画像のリサイズで、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。
本サイトの既存問題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」という説明が誤りだと分かる。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。検索対象文書を小さな単位へ分ける作業の名前はチャンクで、目標に応じてツールを選ぶ主体はAIエージェントである。設問は両者を役割で分けるもので、選択肢の説明はAIエージェントにチャンクの役割を割り当てている点が誤り。
本サイトの既存問題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」という説明が誤りだと分かる。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。残る3つは、検索結果を根拠として示せるため事実と異なる出力を抑えやすくなるのが導入で期待できる効果、複雑な数値計算の誤りがRAGを導入しても解決しにくい課題、モデルを再学習させなくても自社固有の文書を参照させられるのがRAGの利点という説明で、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。
本サイトの既存問題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」という説明が誤りだと分かる。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。残る3つは、犬の写真を回転・反転させて学習データを増やす作業がデータの水増し、単位や範囲が異なる項目の尺度をそろえる作業が正規化、縦長の写真を正方形の比率へ変更する作業が画像のリサイズで、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。
本サイトの既存問題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」という説明が誤りだと分かる。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。経費申請AIが内容確認、規程検索、不備通知を順に実行して完了まで進めるのは、目標から手順を組み立て外部機能を使うAIエージェントの動きである。規程検索の部分にRAGが使われることはあっても、分割単位という説明はAIエージェントの定義ではない。
本サイトの既存問題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」という説明が誤りだと分かる。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。残る3つは、検索結果を根拠として示せるため事実と異なる出力を抑えやすくなるのが導入で期待できる効果、複雑な数値計算の誤りがRAGを導入しても解決しにくい課題、モデルを再学習させなくても自社固有の文書を参照させられるのがRAGの利点という説明で、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。
本サイトの既存問題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」という説明が誤りだと分かる。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。残る3つは、犬の写真を回転・反転させるデータの水増し、単位や範囲が異なる項目の尺度をそろえる正規化、縦長の写真を正方形の比率へ変更する画像のリサイズで、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。
本サイトの既存問題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」という説明が誤りだと分かる。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。モデルがカレンダーとメールの機能を選び、候補日時の抽出まで行う例は、外部ツールを組み合わせてタスクを遂行するAIエージェントの典型である。文書を小さな単位に分けるという説明はこの動きと関係がなく、チャンクのものである。
本サイトの既存問題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」という説明が誤りだと分かる。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。残る3つは、検索結果を根拠として示せるため事実と異なる出力を抑えやすくなる効果、複雑な数値計算の誤りはRAGでも解決しにくい課題である点、再学習なしで自社固有の文書を参照させられる利点で、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。
本サイトの既存問題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」という説明が誤りだと分かる。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。残る3つは、犬の写真を回転・反転させるデータの水増し、単位や範囲が異なる項目の尺度をそろえる正規化、縦長の写真を正方形の比率へ変更する画像のリサイズで、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。
本サイトの既存問題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」という説明が誤りだと分かる。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。文書分割、検索、回答生成という構成はRAGの流れで、ツールを選んで操作する構成はAIエージェントである。RAGの流れで出てくる分割単位をAIエージェントの定義として述べた選択肢が、2つの構成を混同した誤りにあたる。
本サイトの既存問題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」という説明が誤りだと分かる。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。残る3つは、検索結果を根拠として示せるため事実と異なる出力を抑えやすくなる効果、複雑な数値計算の誤りはRAGでも解決しにくい課題である点、再学習なしで自社固有の文書を参照させられる利点で、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。
本サイトの既存問題の定義との整合性確認
正解は「ディープフェイクは偽情報を作り出す手段になり得る」です。ディープフェイクはAIで実在人物の顔や音声を本物のように合成・偽造する技術や生成物を指す。偽情報は受け手を欺く意図で作成・拡散される事実ではない情報であり、ディープフェイクはその作成に使われ得る。RAGは検索結果を生成時の文脈へ加える方式であり、正規化や画像のリサイズはデータや画像の処理なので、目的も対象も異なる。人物らしさを作る技術と、虚偽の情報を広める意図を、同じ語として混同しないことが重要である。
https://guga.or.jp/assets/syllabus.pdf （第3章 ディープフェイク（深層偽造）技術）
正解は「Prompts＝利用者が選ぶ定型指示、Resources＝追加の文脈となるファイル等、Tools＝API呼び出し等の実行可能な関数」です。MCPのPromptsは対話を導く定義済みテンプレート、Resourcesはモデルへ文脈を与える構造化データや内容、Toolsは外部システムへ作用したり情報を取得したりする実行可能な関数である。三つを区別するときは、指示の雛形か、読む文脈か、実行する機能かを順に確認する。モデルの重み・追加学習・正規化はモデル開発やデータ前処理の概念であり、MCPサーバーの三プリミティブではない。
https://modelcontextprotocol.io/specification/2026-07-28/server/index （MCP Server Features）
正解は「tools/listで利用可能なツールを取得し、続いてtools/callで名前と引数を送る」です。MCPのTools仕様では、クライアントはtools/list要求でサーバーが現在公開しているツールを取得し、実行したいツールを選んだ後、tools/call要求へツール名と引数を入れて送る。ツール名を推測して呼ぶ手順では、サーバーが公開する機能や入力形式を確かめられない。ResourcesやPromptsは追加文脈と定型指示を扱う別のプリミティブで、ツールの呼び出し要求ではない。モデルの再学習も、MCPで外部機能を発見・実行する手順には含まれない。
https://modelcontextprotocol.io/specification/2026-07-28/server/tools （MCP Tools）
正解は「公開中のツールと実行を画面で明示し、利用者が呼び出しを確認・拒否できるようにする」です。MCP Toolsは、モデルが文脈と利用者の指示に基づいてツールを発見・選択できるモデル制御の機能として設計される。一方、公式仕様は人間が呼び出しを拒否できる状態を保ち、どのツールを公開しているか、いつ実行されたかを分かる形で示し、必要に応じて確認を求めることを推奨している。すべてを非表示または無条件許可にすると利用者が操作を判断できず、完全に隠すと外部操作を行う目的自体を失う。自動選択と利用者の統制を同時に満たすことが要点である。
https://modelcontextprotocol.io/specification/2026-07-28/server/tools （User Interaction Model）
正解は「0.50」です。0から1へのmin-max正規化では、対象値から最小値を引き、元の値域で割る。この場合、分子は30-10＝20、分母は50-10＝40なので、20÷40＝0.50となる。0.25は最小値10を値域40で割った値で、対象値30から最小値を引く工程を反映していない。0.75は30を値域40で割り、最小値の移動を省いた値である。30は変換前の画素値をそのまま残している。最小値10は0、最大値50は1へ写り、その中間にある30が0.5へ写ることからも検算できる。正規化は画像の寸法を変えるリサイズとは異なり、ここでは画素値の尺度をそろえる処理である。
https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.MinMaxScaler.html （MinMaxScaler）
正解は「300ピクセル」です。横幅は800から400へ半分になっているため、縦横比を保つには高さにも同じ倍率400÷800＝0.5を掛ける。600×0.5＝300なので、リサイズ後は横400・縦300となる。200は新しい横幅400をさらに半分にした値で、元画像の縦横比800:600＝4:3を保たない。400は縦横を同じ長さにして正方形へ変形する値、600は高さだけを変えずに残すため横方向だけが縮み、画像が歪む。元の比800/600＝4/3と、変換後の比400/300＝4/3が一致することでも検算できる。画素値の尺度を変える正規化とは異なり、リサイズは画像の縦横寸法を変更する処理である。
https://pillow.readthedocs.io/en/stable/reference/Image.html （thumbnailの縦横比保持）
正解は「ランダムな回転・反転は訓練セットだけに適用し、検証・テストセットには共通のリサイズや再スケーリングだけを適用する」です。TensorFlow公式のデータ拡張チュートリアルは、ランダムだが現実的な変換で訓練セットの多様性を増やす方法を示し、データ拡張は訓練セットだけに適用すると明記している。検証・テストセットには、入力形状や尺度をそろえるリサイズと再スケーリングは行うが、ランダムな拡張は行わない構成である。3セットすべてを拡張する方法と検証・テストだけを拡張する方法は、この適用範囲と逆になる。検証セットを訓練へ戻す方法は、重み更新に使わない検証データで学習中の状態を確かめる分割を失う。データ拡張の目的を「訓練例の多様性を増やすこと」と捉え、全セット共通の決定的な前処理と区別することが要点である。
https://guga.or.jp/assets/syllabus.pdf; https://www.tensorflow.org/tutorials/images/data_augmentation （データ拡張は訓練セットだけに適用）
正解は「700トークン」です。最初のチャンクは400トークンを覆う。2番目のチャンクも長さは400トークンだが、その先頭100トークンは最初のチャンクの末尾100トークンと同じ位置を重複して含むため、新たに加わる位置は400-100=300トークンである。したがって異なる位置の合計は400+300=700トークンとなる。300は2番目のチャンクが新たに加える位置だけ、500は400へ重複100を足した値、800は2チャンクの長さを単純に足して重複100を二重に数えた値である。チャンク件数を数えるのではなく、各チャンクの長さと、隣接部分で繰り返される位置を分けることが要点である。重複はチャンク境界の文脈を保つために使われるが、異なる位置の総数には2回加えない。
https://guga.or.jp/assets/syllabus.pdf; https://learn.microsoft.com/en-us/azure/architecture/ai-ml/guide/rag/rag-chunking-phase （固定長・重複ありのチャンク分割）
正解は「高さ200ピクセル、総画素数は元の1/16倍」です。横幅の倍率は300÷1,200=1/4なので、縦横比を保つには高さにも同じ1/4を掛け、800×1/4=200ピクセルとする。元画像の総画素数は1,200×800=960,000、リサイズ後は300×200=60,000であり、60,000÷960,000=1/16となる。高さ200・総画素数1/4は辺の倍率を画素数へそのまま使った誤り、高さ800・総画素数1/4は横だけを縮めて高さを残した誤りである。高さ50・総画素数1/64は、高さへ1/4を二度掛けたため縦横比を崩している。横と縦はそれぞれ1/4になるが、総画素数では両方の倍率を掛けるため1/4×1/4=1/16になる。辺の長さと総画素数の倍率を分けることが判断軸である。
https://guga.or.jp/assets/syllabus.pdf; https://pillow.readthedocs.io/en/stable/reference/Image.html （thumbnailの縦横比保持）
【2027年2月試験から適用の新シラバス項目】正解は「コンテキストエンジニアリング」である。新シラバスでは第3章がAIエージェントとして独立し、「AIエージェントの仕組み」の学習項目に、記憶（メモリ）とコンテキスト管理、コンテキストエンジニアリングが含まれる。問題文の決定条件は、モデルに渡す文脈（指示・記憶・外部の情報）を設計し管理する点である。ファインチューニングはモデル自体を追加学習する手法で、渡す文脈の設計とは別の話である。2026年10月試験までは旧シラバスのため、この項目は2027年2月試験から問われる対象である。
https://guga.or.jp/assets/syllabus.pdf （2027年2月適用版 第3章 AIエージェントの仕組み）
【2027年2月試験から適用の新シラバス項目】正解は「プロンプトインジェクション」である。新シラバスの「AIエージェントのリスク・安全性・評価」には、学習項目としてプロンプトインジェクションが載る。問題文の決定条件は、外部の文章に埋め込まれた指示にエージェントが従い、本来の依頼と違う挙動をした点である。ハルシネーションはもっともらしい誤情報の生成であり、外部から指示を紛れ込ませる攻撃ではない。新シラバスでは、このリスクを多層防御やガードレールなどの安全に使うための原則とあわせて学ぶ。2027年2月試験から問われる項目である。
https://guga.or.jp/assets/syllabus.pdf （2027年2月適用版 第3章 AIエージェントのリスク・安全性・評価）
【2027年2月試験から適用の新シラバス項目】正解は「最小権限の原則に従い、業務に必要な範囲のアクセス権限だけを付与する」である。新シラバスの「AIエージェントのリスク・安全性・評価」には、権限の過剰付与のリスクが学習項目にあり、詳細キーワードに最小権限の原則、アクセス範囲、情報漏えいが載る。問題文の決定条件は、権限の過剰付与を抑える点である。必要以上に広い権限を与えると、誤動作や攻撃を受けたときの被害範囲が広がる。2027年2月試験から問われる項目である。
https://guga.or.jp/assets/syllabus.pdf （2027年2月適用版 第3章 AIエージェントのリスク・安全性・評価）
【2027年2月試験から適用の新シラバス項目】正解は「Human-in-the-Loop」である。新シラバスの「AIエージェントのリスク・安全性・評価」の詳細キーワードにHuman-in-the-Loopが載る。問題文の決定条件は、重要な処理の実行前に人間が確認して承認する点である。サンドボックスは、隔離した環境で動作させてほかへの影響を抑える考え方であり、人間による承認の仕組みではない。実行前に人間が確認する形をとれば、誤った操作や想定外の操作を実行の前に止められる。2027年2月試験から問われる項目である。
https://guga.or.jp/assets/syllabus.pdf （2027年2月適用版 第3章 AIエージェントのリスク・安全性・評価）
【2027年2月試験から適用の新シラバス項目】正解は「連鎖的なエラーの拡大」である。新シラバスの「AIエージェントのリスク・安全性・評価」では、連鎖的なエラーの拡大が学習項目になっており、詳細キーワードにも連鎖的なエラーが載る。問題文の決定条件は、手順の誤りが後続へ引き継がれて拡大する点である。同じ中項目では、安全に使うための原則やAIエージェントの評価もあわせて学ぶ。一つの手順の誤りが次の手順の入力になるため、自動で進むエージェントほど影響が大きくなりやすい。2027年2月試験から問われる項目である。
https://guga.or.jp/assets/syllabus.pdf （2027年2月適用版 第3章 AIエージェントのリスク・安全性・評価）