生成AIパスポート 第1章 AIの基礎と歴史（2027年2月試験の新シラバス）一問一答

正解は「AI効果／シンギュラリティ（技術的特異点）」である。AIの成果が実用化され仕組みが理解されると、AIの成果として認められにくくなる傾向をAI効果という。AIが人間の知能を超える転換点として論じられる概念はシンギュラリティ（技術的特異点）である。AIの冬は研究・投資が停滞した時期、ノーフリーランチ定理は万能の学習手法がないという考え方であり、この組み合わせとは異なる。設問の前半と後半を分け、それぞれに対応する語を順番に当てはめると「AI効果／シンギュラリティ（技術的特異点）」になる。

https://guga.or.jp/assets/syllabus.pdf （シラバス）

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。

https://guga.or.jp/assets/syllabus.pdf （第1章 AIに知能をもたらす仕組み）

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。

https://guga.or.jp/assets/syllabus.pdf （第1章 AIの種類）

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。

https://guga.or.jp/assets/syllabus.pdf （第1章 AIに知能をもたらす仕組み）

正解は「正規化とは、古い音源や映像を、生成AIの技術も用いて画質・音質を補正し、より高品質に作り直すことである」（誤り）である。正規化は、機械学習の前処理で値の範囲が異なるデータの尺度（スケール）を一定の範囲にそろえることであり、設問の説明はリマスタリングの定義を正規化に誤って当てはめている。データの水増し・リマスタリング・画像のリサイズの説明はいずれも正しい。正規化とリマスタリングは、いずれも機械学習・生成AIのデータ処理で登場する用語だが、対象がデータの尺度か音源・映像の品質かという点で異なる。

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）

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。

https://guga.or.jp/assets/syllabus.pdf （第1章 AIに知能をもたらす仕組み）

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。

https://guga.or.jp/assets/syllabus.pdf （第1章 AIの歴史）

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。

https://guga.or.jp/assets/syllabus.pdf （第1章 AIに知能をもたらす仕組み）

正解は「1956年にジョン・マッカーシーが主催し、ダートマス大学で開催された会議で、この会議の提案書において「人工知能（Artificial Intelligence）」という語が用いられた」である。ダートマス会議は1956年にジョン・マッカーシーが主催し、ダートマス大学で開催された会議であり、この会議の提案書で「人工知能（Artificial Intelligence）」という語が用いられた。人間中心のAI社会原則の国際会議、広島AIプロセス、OpenAI設立時の社内会議とする説明は、いずれもダートマス会議の実際の内容と一致しない。

McCarthyら『A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence』（1955年）

正解は「特徴量とは、AIを、その仕組みや能力の高度さに応じて4つの段階に分けてとらえる考え方である」（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AIの4つのレベルの定義を特徴量に誤って当てはめている。AIとロボットの関係・AIの4つのレベル・弱いAIの説明はいずれも正しい。特徴量とAIの4つのレベルは、いずれもAIを理解する上で登場する用語だが、前者はデータの性質を表す概念、後者はAIの能力を段階的に分類する考え方であり、指す対象がまったく異なる。

https://guga.or.jp/assets/syllabus.pdf （第1章 AIの種類）

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。

https://guga.or.jp/assets/syllabus.pdf （第1章 AIに知能をもたらす仕組み）

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。残る3つは、ラベルを付けた写真で分類を学ぶ方法が教師あり学習、ラベルのないデータからグループを見つける方法が教師なし学習、少量のラベル付きと大量のラベルなしを組み合わせる方法が半教師あり学習と、それぞれ学習方式に合っている。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。

https://guga.or.jp/assets/syllabus.pdf （第1章 AIに知能をもたらす仕組み）

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）

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。

https://guga.or.jp/assets/syllabus.pdf （第1章 AIの歴史）

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」がポイントになる。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。

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「行動結果の報酬を手掛かりに方策を改善するか」がポイントになる。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。残る3つは、犬・猫の写真にラベルを付けて分類させる方法が教師あり学習、ラベルのない顧客データからグループを見つける方法が教師なし学習、少量のラベル付きと大量のラベルなしを併用する方法が半教師あり学習と、ラベルの有無や使い方に合っている。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。

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「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」がポイントになる。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。

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「入力ごとの寄与を調整する学習対象の係数か」がポイントになる。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。

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「予測の手掛かりとなるデータの特徴か」がポイントになる。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。

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「高次元データを低次元の表現へ変換するか」がポイントになる。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。

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「正解付きと正解なしのデータを同時に活用するか」がポイントになる。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。

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「教師の正解ではなく環境からの報酬で学ぶか」がポイントになる。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。残る3つは、犬・猫の写真にラベルを付けて分類させる方法が教師あり学習、ラベルのない顧客データからグループを見つける方法が教師なし学習、少量のラベル付きと大量のラベルなしを併用する方法が半教師あり学習と、ラベルの有無や使い方に合っている。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。

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「訓練時に一部のニューロンをランダムに無効化するか」がポイントになる。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。

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「接続された入力の重要度を表す係数か」がポイントになる。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。

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」という説明が誤りだと分かる。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。

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「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」という説明が誤りだと分かる。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。

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」という説明が誤りだと分かる。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。

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「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」という説明が誤りだと分かる。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。

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「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」という説明が誤りだと分かる。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。

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「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」という説明が誤りだと分かる。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。

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「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」という説明が誤りだと分かる。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。残る3つは、犬・猫の写真にラベルを付けて分類させる方法が教師あり学習、ラベルのない顧客データからグループを見つける方法が教師なし学習、少量のラベル付きと大量のラベルなしを併用する方法が半教師あり学習と、ラベルの有無や使い方に合っている。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。

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「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」という説明が誤りだと分かる。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。

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「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」という説明が誤りだと分かる。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。

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「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」という説明が誤りだと分かる。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。

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「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「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「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

正解は「AI（人工知能）は、データから規則性を学び、目的に応じた判定や生成を行う仕組みである」です。AIとロボットは同じ意味ではない。ロボットは物理的に動く機械を指すことがある一方、AIはデータや規則を使って判定・予測・生成を行う仕組みを指す。したがって、外見が人に似ていること、同じ動きを繰り返すこと、ネットワークに接続されていることだけではAIの定義にならない。設問では、入力されたデータから規則性を利用して判断する働きがあるかを確認する。

https://guga.or.jp/assets/syllabus.pdf （第1章 AI（人工知能）の定義）