生成AIパスポート 用語解説
学習済みモデルとは
大量のデータによる訓練を終え、新しいデータに対して予測や分類（推論）を行えるようになったモデル。
まず押さえる結論
学習済みモデルは、生成AIパスポートの「第1章 AI（人工知能）」で確認しておきたい用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
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。 一次情報確認日: 2026-08-31。
公式シラバス（PDF）（公式）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
×教師あり学習・教師なし学習・強化学習の取り違え。クラスタリングや次元削減は「教師なし」、分類や回帰は「教師あり」、報酬を手がかりに学ぶのが「強化学習」。
×弱いAI（ANI）と強いAI（AGI）の混同。特定の課題に特化するのが弱いAI、人間のように幅広い課題へ汎用的に対応できるとされるのが強いAI。
×AIブームと中心技術の対応ずれ。第一次＝探索・推論、第二次＝エキスパートシステム、第三次＝ディープラーニングとビッグデータ。
関連する確認問題
第1章 AI（人工知能） / AIに知能をもたらす仕組み
少量の画像データへ事前学習済みモデルを転移する。TensorFlow公式チュートリアルが示す、feature extractionの後に任意でfine-tuningへ進む代表的手順はどれか。
正解は「最初は基盤モデルを凍結して新しい分類層を学習し、収束後に基盤モデル上位層の一部を解凍して低い学習率で共同学習する」です。TensorFlow公式チュートリアルが示す代表的な手順では、feature extractionで事前学習済みの基盤モデルを凍結し、新しいタスク用の分類層を先に学習する。その後、任意のfine-tuning段階で基盤モデルの上位層の一部を解凍し、新しい分類層とともに低い学習率で調整する。重みを捨てる手順は知識の再利用にならず、全層を大きく更新すると事前学習済み特徴を損なうおそれがある。プロンプト例示はパラメータ更新を伴わないためfine-tuningではない。
第1章 AI（人工知能） / AIに知能をもたらす仕組み
機械学習において、大量のデータで訓練を終え、新しいデータに対して予測や分類を行えるようになったものを何というか。
正解は「学習済みモデル」である。設問は、大量のデータを使う訓練が終わった後に、新しいデータを受け取って予測や分類を行うものの名称を問うている。この一連の処理を実行する成果物が学習済みモデルである。クラスタリングはラベルのないデータを似たまとまりに分ける学習手法、ルールベースは人間が記述した規則に従う方式、特徴量は予測や分類の材料になる変数を指す。したがって、手法・方式・入力材料ではなく、訓練後に推論を担うものを選ぶ。問題文の「訓練を終え」「新しいデータに対して」という時間順序を押さえると、学習済みモデルへ絞れる。
第1章 AI（人工知能） / AIの種類
機械学習で、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を何というか。
正解は「特徴量」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、問題文の定義とそのまま一致する。学習済みモデルは訓練を終えて推論できるようになったモデルそのものであり、性質を取り出す対象ではなく学習の結果得られる仕組みを指す。クラスタリングは似たデータをグループに分ける教師なし学習の手法であり、性質を数値化する操作ではなく分類のための手法そのものである。潜在ベクトルはデータを圧縮して得られる内部表現であり、人が予測・分類のために着目する性質を直接取り出したものではない。この3つはいずれも「データから取り出した性質の数値」そのものを指す語ではなく、特徴量とは役割が異なる。
同じ章で確認したい用語
到達チェック
- 学習済みモデル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、学習済みモデル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: ミナト編集部（運営者情報を見る）