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

正解は「ハルシネーション（Hallucination）」である。ハルシネーションは、生成AIが事実と異なる内容をもっともらしい文章として出力してしまう現象である。アライメントはAIの振る舞いを人間の意図に合わせることを指し、ファインチューニングは追加学習でモデルを調整することを指し、いずれも出力内容が事実と異なってしまう現象そのものを表す語ではない。マルチモーダルは文章・画像など複数種類のデータを扱えることを指す語であり、出力の事実性とは別の論点にあたる。

https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT）

正解は「Transformerモデル ── 自己注意力（Self-Attention）」である。現在のGPTモデルなどの基盤はTransformerモデルで、その中核は入力中の各要素の関係に重みづけする自己注意力（Self-Attention）である。畳み込みはCNN、位置エンコーディングはTransformerの補助要素だが中核ではない。ボルツマンマシンは初期の生成モデルの一つ。 モデル名と中心演算を一対一で対応させる。畳み込みはCNNの代表的処理で、位置エンコーディングだけでは入力要素間の関係を計算しない。GPTの基盤であるTransformerと、各要素間の関連度を重み付けする自己注意力の組合せを選ぶ。

https://guga.or.jp/assets/syllabus.pdf （第2章 生成AIの誕生まで）

正解は「GAN（敵対的生成ネットワーク）」である。GANは、データを作り出す生成器と、本物か偽物かを見分ける識別器という2つのネットワークを競わせて学習する生成モデルである。問題文の「2つのネットワークを競い合わせる」「生成器」「識別器」という条件は、GANの学習方式そのものを指している。RNN（回帰型ニューラルネットワーク）は時系列データを順に処理するモデル、LSTM（長・短期記憶）はRNNを改良して長期的な依存関係を記憶できるようにしたモデルで、いずれも系列処理が中心であり生成器と識別器という対立構造を持たない。VAE（変分自己符号化器）はエンコーダで潜在ベクトルへ圧縮し、デコーダで復元する単一の構造で学習する生成モデルであり、2つのネットワークを競わせる方式ではない。

https://guga.or.jp/assets/syllabus.pdf （第2章 生成AIの誕生まで）

正解は「VAE（変分自己符号化器）」である。VAEは、エンコーダで入力データを潜在ベクトルへ圧縮し、デコーダでそこから元のデータに近い形を復元するように学習する生成モデルである。問題文の「エンコーダで潜在ベクトルに圧縮」「デコーダで元のデータを復元」という2条件は、VAEの構造そのものを指している。LSTM（長・短期記憶）は長期的な依存関係を記憶しながら系列データを処理するモデル、Transformerモデルは自己注意力を中核として入力全体の関係性を扱うモデル、GAN（敵対的生成ネットワーク）は生成器と識別器という2つのネットワークを競わせる方式であり、いずれも潜在ベクトルを介した圧縮と復元を主な学習目的とする構造ではない。

https://guga.or.jp/assets/syllabus.pdf （第2章 生成AIの誕生まで）

正解は「RLHF」である。RLHF（Reinforcement Learning from Human Feedback）は、人間による評価を報酬として強化学習を行い、モデルの応答を人間の意図や好みに近づける手法である。問題文の「人間の評価を報酬とする」「強化学習」という条件は、RLHFという手法名の由来そのものを指している。自然言語処理（NLP）は人間の言葉をコンピュータに処理させる技術分野の名称であり手法ではない。NSP（Next Sentence Prediction）とMLM（Masked Language Model）はBERTの事前学習で使われる手法で、文の並びや穴埋め語を予測する仕組みであり、人間の評価を報酬とする強化学習ではない。

https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT）

正解は「マルチモーダル」である。マルチモーダルは、テキストだけでなく画像や音声など複数種類のデータをまとめて扱えることを指す語である。問題文の「テキストだけでなく」「複数の種類のデータ」「まとめて扱える」という条件は、マルチモーダルが示す性質そのものである。ハルシネーション（Hallucination）は事実と異なる内容を生成してしまう現象、ファインチューニングは学習済みモデルを追加学習で特定用途向けに調整すること、アライメント（Alignment）はAIの振る舞いを人間の意図に合わせることであり、いずれもデータの種類を横断して扱えることを表す語ではない。

https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT）

正解は「自己回帰モデル」である。自己回帰モデルは、直前までの単語列をもとに次の単語を予測することを繰り返して文章を生成する方式であり、GPTモデルはこの方式を採用している。問題文の「直前までの単語列」「次の単語を予測」「繰り返して生成」という条件は、自己回帰モデルの仕組みそのものである。GAN（敵対的生成ネットワーク）は生成器と識別器という2つのネットワークを競わせる方式、VAE（変分自己符号化器）はエンコーダ・デコーダで圧縮と復元を行う方式、ボルツマンマシンは初期の確率的な生成モデルであり、いずれも逐次的に次の単語を予測して積み上げる仕組みではない。

https://guga.or.jp/assets/syllabus.pdf （第2章 生成AIの誕生まで）

正解は「ファインチューニング」である。ファインチューニングは、事前学習済みのモデルを特定の用途やタスク向けに追加で学習させて調整することを指す。問題文の「事前学習済みのモデル」「追加で学習」「用途やタスク向けに調整」という条件は、ファインチューニングの工程そのものである。プレトレーニング（事前学習）はファインチューニングより前の段階で大量データから汎用的な能力を学習する工程、ハルシネーション（Hallucination）は誤った内容を生成してしまう現象、マルチモーダルは複数種類のデータを扱える性質であり、いずれも学習済みモデルを追加学習で調整する工程ではない。

https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT／第5章 LMとLLM）

正解は「Claude」である。Claudeは、Anthropicが開発した対話型のテキスト生成AIであり、ChatGPT以外の主要な対話型テキスト生成AIの一つに分類される。問題文の「対話型」「テキスト生成AI」という条件を満たす選択肢はClaudeだけである。Soraは動画を生成する機能、Veo3も動画を生成する機能であり、どちらもテキストで対話するAIではなく動画というデータを生成する。Image Generationは画像を生成する機能であり、これもテキストで対話する機能ではない。分類の軸は生成するデータの種類であり、対話型のテキストを扱うのはClaudeだけである。

https://guga.or.jp/assets/syllabus.pdf （第2章 その他の主要生成AI）

正解は「自然言語処理（NLP）」である。自然言語処理は、人間が日常的に使う言葉（自然言語）をコンピュータに処理・理解させる技術分野を指す。問題文の「人間が日常的に使う言葉」「コンピュータに処理・理解させる」「技術分野」という条件は、自然言語処理という語の定義そのものである。アライメント（Alignment）はAIの振る舞いを人間の意図に合わせること、マルチモーダルは複数種類のデータをまとめて扱えること、RLHF（Reinforcement Learning from Human Feedback）は人間の評価を報酬とする強化学習の手法であり、いずれも技術分野の名称ではなく、性質や手法を表す語である。

https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT）

正解は「CNN（畳み込みニューラルネットワーク）」である。CNNは、フィルタを用いた畳み込みによって画像の局所的な特徴を抽出することを中核とし、画像認識で広く使われるニューラルネットワークである。問題文の「フィルタを用いた畳み込み」「画像の局所的な特徴を抽出」という条件は、CNNの構造そのものである。RNN（回帰型ニューラルネットワーク）は前の情報を保持しながら系列データを順に処理するモデル、ボルツマンマシンは確率的な仕組みでデータの分布を学習する初期の生成モデル、VAE（変分自己符号化器）はエンコーダ・デコーダと潜在ベクトルで復元する生成モデルであり、いずれも畳み込みによる局所特徴の抽出を中核とする構造ではない。

https://guga.or.jp/assets/syllabus.pdf （第2章 生成AIの誕生まで）

正解は「RNN（回帰型ニューラルネットワーク）」である。RNNは、隠れ層（リカレント層）で前の情報を保持しながら、文章や時系列のような順序のある系列データ（シーケンスデータ）を順に処理していくニューラルネットワークである。問題文の「隠れ層（リカレント層）」「前の情報を保持」「順に処理」という条件は、RNNの構造そのものである。CNN（畳み込みニューラルネットワーク）はフィルタによる畳み込みで画像の局所的な特徴を抽出するモデル、GAN（敵対的生成ネットワーク）は生成器と識別器という2つのネットワークを競わせる方式、VAE（変分自己符号化器）はエンコーダ・デコーダと潜在ベクトルで復元する方式であり、いずれも隠れ層で前の情報を保持しながら系列を順に処理する仕組みではない。

https://guga.or.jp/assets/syllabus.pdf （第2章 生成AIの誕生まで）

正解は「LSTM（長・短期記憶）」である。RNNを改良し、長い系列でも情報を保持しやすくしたモデルが、長・短期記憶と呼ばれるLSTM（長・短期記憶）である。CNN（畳み込みニューラルネットワーク）は畳み込みで画像の局所特徴を扱うモデル、ボルツマンマシンは初期の確率的な生成モデル、Transformerモデルは自己注意力を中核とするモデルであり、いずれも「RNNを改良し長い系列の情報を保持する」ためのモデルではない。CNNは画像処理向け、ボルツマンマシンは確率的な生成の仕組み、Transformerモデルは自己注意力中心のアーキテクチャという、RNNの改良とは異なる系統に属する点を見分け方にする。

https://guga.or.jp/assets/syllabus.pdf （第2章 生成AIの誕生まで）

正解は「ボルツマンマシン」である。生成モデルの初期に登場した確率的なモデルで、ユニット間の結合を一部制限した制約付きボルツマンマシンという形で知られているのがボルツマンマシンである。Transformerモデルは自己注意力を中核とするモデル、GAN（敵対的生成ネットワーク）は生成器と識別器を競わせる方式、自己回帰モデルは直前までの出力から次を予測する方式であり、いずれも『制約付き』の形で知られる初期の確率的モデルではない。GAN・自己回帰モデル・Transformerモデルは、それぞれ生成器と識別器の競合、直前出力からの予測、自己注意力という異なる仕組みを持つ点で、結合を制限した初期の確率的モデルとは系統が異なる。

https://guga.or.jp/assets/syllabus.pdf （第2章 生成AIの誕生まで）

正解は「位置エンコーディング」である。Transformerモデルにおいて、単語の並び順（位置）の情報をモデルに伝えるために加えられる仕組みが位置エンコーディングである。自己注意力（Self-Attention）は入力中の要素どうしの関係に重みづけする仕組み、畳み込みはCNNで局所的な特徴を抽出する処理、潜在ベクトルはVAEなどでデータを圧縮した表現であり、いずれも位置の情報を伝える仕組みではない。自己注意力・畳み込み・潜在ベクトルは、それぞれ関係の重みづけ、局所特徴の抽出、データの圧縮表現という別の役割を持つ点で、並び順の情報を伝える位置エンコーディングとは機能が異なる。

https://guga.or.jp/assets/syllabus.pdf （第2章 生成AIの誕生まで）

正解は「BERTモデル」である。文章中の一部の単語を隠して当てさせるMLM（Masked Language Model）と、2つの文が連続しているかを判定するNSP（Next Sentence Prediction）によって事前学習を行うのがBERTモデルである。GPTモデルは直前までの単語列から次を予測する自己回帰方式で学習する別系統のモデル、ボルツマンマシンは初期の確率的な生成モデル、VAE（変分自己符号化器）はエンコーダ・デコーダ方式の生成モデルであり、いずれもMLM・NSPによって事前学習するものではない。GPTモデル・ボルツマンマシン・VAEは、それぞれ自己回帰方式、初期の確率的モデル、エンコーダ・デコーダ方式という異なる学習の枠組みを持つ点で、MLM・NSPによる事前学習とは方式が異なる。

https://guga.or.jp/assets/syllabus.pdf （第2章 生成AIの誕生まで）

正解は「ALBERT（a Lite BERT）」である。ALBERT（a Lite BERT）は、RoBERTaと並んでBERTモデルを改良して提案された派生モデルである。InstructGPTはGPT系の派生モデル、ボルツマンマシンは初期の確率的な生成モデル、Soraは動画を生成するモデルであり、いずれもBERTモデルを改良した派生モデルではない。InstructGPT・ボルツマンマシン・Soraは、それぞれGPT系統の派生、初期の確率的モデル、動画生成モデルという異なる系譜に属する点で、BERTモデルの派生モデルとは区別できる。

https://guga.or.jp/assets/syllabus.pdf （第2章 生成AIの誕生まで）

正解は「InstructGPT」である。OpenAIが、人間のフィードバックを用いた学習でGPT-3を改良し、ユーザーの指示に沿うよう出力を人間の意図に合わせる（アライメント）ことを目指したモデルがInstructGPTである。RoBERTa・ALBERT（a Lite BERT）・BERTモデルはいずれもBERT系のモデルであり、GPT-3を改良してアライメントを図ったものではない。RoBERTa・ALBERT・BERTモデルは、いずれもBERTモデルを改良した系統に属する点で、GPT-3を改良してアライメントを図ったInstructGPTとは改良元が異なる。

https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT）

正解は「パラメータ」である。GPTモデルの世代が進むにつれて一般に増加してきた、モデル内部で調整される値でありモデルの規模を表す指標として用いられるのがパラメータである。データセットは学習に用いるデータの集まりであり、モデル内部で調整される値ではない。ハルシネーション（Hallucination）は事実と異なる出力を生む現象、マルチモーダルは複数種類のデータを扱えることを指す語であり、いずれもモデルの規模を表す指標ではない。データセット・ハルシネーション・マルチモーダルは、それぞれ学習データ、出力の現象、扱えるデータ種類という異なる性質を指す語である点で、モデル内部の調整値であるパラメータとは対象が異なる。

https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT）

正解は「GPTs」である。利用者が用途に合わせて独自にカスタマイズした対話AIを作成・公開できる機能がGPTs。Code Interpreterはコードの実行などを行う機能、InstructGPTは指示に沿うよう改良されたモデル、RLHFは人間のフィードバックによる強化学習の手法で、いずれも『独自の対話AIを作成・公開する機能』ではない。この問題では、利用者が行うことが「コード実行」や「モデルの学習」ではなく、「用途に合わせた対話AIの作成・公開」である点を拾う。製品上の作成機能、モデル、学習手法、実行機能を同じ階層の語として扱わないことが見分け方になる。

https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT）

正解は「Code Interpreter」である。ChatGPT上でプログラムを実行し、アップロードしたファイルのデータ分析やグラフ作成などを行える機能がCode Interpreterである。GPTsは利用者が独自にカスタマイズした対話AIを作成・公開する機能、ファインチューニングは学習済みモデルを特定用途向けに追加学習して調整すること、マルチモーダルはテキストや画像など複数種類のデータを扱えることを指し、いずれもプログラムを実行してファイルを解析する機能ではない。GPTs・ファインチューニング・マルチモーダルは、それぞれ対話AIの作成機能、モデルの追加学習、データ種類の性質という異なる役割を持つ点で、プログラムを実行するCode Interpreterとは機能が異なる。

https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT）

正解は「GPT-4o」である。テキスト・音声・画像といった複数種類の情報を一つのモデルでまとめて入出力できる、マルチモーダルに対応したGPTモデルがGPT-4oである。GPT-1は初期のテキスト中心のモデル、BERTモデルはMLM・NSPで事前学習する別系統のモデル、InstructGPTは人間のフィードバックでGPT-3を改良したモデルで、いずれもテキスト・音声・画像を一つのモデルでまとめて扱うことを特徴とするものではない。テキスト中心か複数種類の入出力かという軸と、GPTモデル系列かBERT系列かという軸で選択肢を分類すると、マルチモーダル対応のGPT-4oだけが残る。

https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT）

正解は「アライメント（Alignment）」である。生成AIの出力や振る舞いを、人間の意図や価値観に沿うように調整しようとする取り組みをアライメント（Alignment）という。ハルシネーションは事実と異なる内容をもっともらしく出力してしまう現象、マルチモーダルは複数種類のデータを扱えるモデルの性質、データセットは学習に用いるデータの集まりで、いずれも人間の意図に沿わせる「調整の取り組み」ではなく、出力の不具合・モデルの性質・学習素材を指す語である。

https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT）

正解は「データセット」である。AIモデルの学習（訓練）に用いるために集められたデータの集まりをデータセットという。パラメータはモデル内部で学習によって調整される値、ファインチューニングは学習済みモデルを特定用途向けに追加学習すること、マルチモーダルは複数種類のデータを扱えるモデルの性質であり、いずれも「学習に用いるために集められたデータの集まり」そのものを指す語ではない。学習に使う「データそのものの集合」か、モデル内部の値・処理・性質のいずれかという軸で選択肢を分類すると、データの集まりに当たるデータセットだけが残る。

https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT）

正解は「Gemini・Claude・Copilot」である。問題文では、ChatGPT以外であること、主要なテキスト生成AIのサービスであること、シラバスで挙げられた組合せであることの3条件を満たす必要がある。Gemini・Claude・Copilotはこの条件にそろって該当する。Sora・Veo3・Image Generationは動画や画像を生成するもの、GPTs・Code Interpreter・OperatorはChatGPTの機能や関連ツール、VAE・GAN・RNNは生成モデルやニューラルネットワークの種類である。固有名詞を個別に暗記するだけでなく、サービス、機能、モデル種類、生成対象で分類すると選べる。

https://guga.or.jp/assets/syllabus.pdf （第2章 その他の主要生成AI）

正解は「Sora」である。Soraはテキストなどから動画を生成する動画生成AIである。ClaudeとGeminiはそれぞれAnthropic・Googleが開発した対話型のテキスト生成AI、Image Generationは画像を生成する機能であり、いずれも動画を生成するサービスではない。生成する対象が動画かテキストか画像かという軸で選択肢を分類すると、動画を生成するSoraだけが条件に一致する。サービス名だけで覚えるのではなく、開発元とあわせて「何を生成するAIか」を紐づけて整理すると混同しにくい。

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「画像生成AI」である。テキストの指示（プロンプト）から絵やイラストなどの画像を作り出すAIを画像生成AIという。動画生成AIが作り出すのは動画であり、静止した画像ではなく時間軸を持つ映像を生成する点で異なる。音声生成AIは話し言葉などの音声を作り出すAIであり、絵やイラストを描くものではない。音楽生成AIはメロディーや伴奏といった楽曲を作り出すAIであり、画像を生成する用途ではない。プロンプトから絵やイラストを作り出すという条件に当てはまるのは画像生成AIだけである。

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「音楽生成AI」である。メロディーや伴奏といった楽曲を自動で作り出すAIを音楽生成AIという。動画生成AIが作り出すのは映像であり、楽曲ではなく時間軸を持つ動画を生成する点で異なる。音声生成AIが担うのは話し言葉などの音声の生成であり、メロディーや伴奏を組み立てる楽曲制作とは目的が異なる。テキスト生成AIは文章を作り出すAIであり、楽曲を作り出す用途ではない。メロディーや伴奏など楽曲を自動で作り出すという条件に当てはまるのは音楽生成AIだけである。

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「音声生成AI」である。入力した文章を読み上げたり、人の声を合成して話し言葉の音声を作り出すAIを音声生成AIという。音楽生成AIが手掛けるのはメロディーや伴奏といった楽曲であり、話し言葉の音声を合成する用途ではない。テキスト生成AIが作り出すのは文章そのものであり、文章を音声に変換する処理ではない。画像生成AIが作り出すのは絵やイラストなどの画像であり、話し言葉の音声を作り出す用途ではない。文章の読み上げや声の合成で話し言葉の音声を作り出すという条件に当てはまるのは音声生成AIだけである。

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「リマスタリング」である。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をリマスタリングという。正規化は値の範囲が異なるデータの尺度をそろえる前処理であり、画質・音質を補正して作り直す処理ではない。データの水増し（データ拡張）は回転・反転・リサイズなどで擬似的にデータ量を増やす技術であり、既存の音源や映像を高品質に作り直す処理ではない。画像のリサイズは画像の大きさを変える処理であり、画質・音質を補正する処理ではない。古い音源や映像を画質・音質の補正で高品質に作り直すという条件に当てはまるのはリマスタリングだけである。

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「Veo3 ── 動画生成AI」である。Veo3はGoogleが開発した動画生成AIなので、名称と生成物の分類の組み合わせが正しい。Soraは動画生成AIで、画像生成AIではない。Claudeは音声生成AI、Geminiは音楽生成AIと組み合わされているが、どちらも対話型のテキスト生成AIである。このため、残り3つの組み合わせは誤り。設問は「名称」と「生成物による分類」の対応そのものを問うており、いずれの誤答も名称は実在するが、結び付けられた分類の側が実際の生成物とずれている。 各サービスを主な生成物へ個別に対応させる。SoraとVeo3は動画生成、ClaudeとGeminiは対話型のテキスト生成に分類される。四つの組合せのうち名称と媒体が一致するVeo3と動画生成AIを選ぶ。 サービスの開発元ではなく主な出力媒体を照合し、動画を作るSora・Veo3と、文章で対話するClaude・Geminiの2群に分ける。

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「テキスト生成AI」である。文章で指示を受けて文章を生成したり対話したりするClaudeやGeminiは、生成する対象が文章であることからテキスト生成AIに分類される。音楽生成AIは楽曲を、動画生成AIは動画を、画像生成AIは画像をそれぞれ作り出すAIであり、いずれも文章による指示・応答を目的としたAIではなく、入力として受け取る形式や作り出す生成物そのものがテキスト生成AIとは異なる。生成AIを分類するときは、何を指示として受け取り、何を生成物として出力するかという入出力の形式に注目する必要がある。 入力に文章を使えるかだけでなく、設問が示す主な出力と対話内容も文章である点を分類軸にする。

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「画像生成AIは1枚の静止画を、動画生成AIは時間方向に連続する複数のフレーム（動き）を作り出すという違いがある」である。画像生成AIは1枚の静止画を生成し、動画生成AIは時間方向に連続する複数のフレームからなる映像（動き）を生成する点が異なる。SoraやVeo3が動画生成AIの例として挙げられる。音声を作り出すのは音声生成AI、楽曲を作り出すのは音楽生成AI、文章を作り出すのはテキスト生成AIであり、画像と動画の生成物を逆に述べた選択肢や、両者を文章生成と同一視する選択肢は誤り。 生成物は媒体と時間軸で分ける。画像は単一の静止フレーム、動画は時間方向に連続する複数フレームからなる。文章、音声、楽曲は別モダリティであり、画像と動画の出力を逆転させた説明も除外する。

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「桁数の多い数値の正確な計算」である。テキスト生成AIは確率的に言葉をつないで出力するため、正確な計算・最新の情報・芸術の批評などは不得意とされる。一方、要約・メール作成・箇条書きへの変換はプロンプト実践として得意な代表例であり、不得意なことを問う設問では選ばない。 文章の生成・変換と厳密な算術を分ける。メール作成、要約、箇条書き化は言語パターンの生成として代表的な活用である。一方、次トークン予測で文章を出すモデルは桁の多い計算結果を保証しないため、計算ツールで検証する必要がある。 比較対象には「ビジネスメールの文面作成」、「長い文章の要約」、「文章を箇条書きへ変換すること」も含まれる。

https://guga.or.jp/assets/syllabus.pdf （第5章 テキスト生成AIの不得意なこと／実践）

正解は「LLM（大規模言語モデル）」である。大量のテキストで学習した大規模な言語モデルをLLM（大規模言語モデル）という。n-gramモデルは単語の並びを統計的に扱う初期の言語モデル、RAGは外部知識を検索して回答に活かす手法、GANは画像などを生成する敵対的生成ネットワークで、いずれも大規模言語モデルそのものを指す語ではない。 候補はモデルそのものか利用手法かを区別する。n-gramは限定した直前語の統計を使う古典的言語モデル、GANは敵対的生成モデル、RAGは外部検索を生成へ組み込む方式である。大規模コーパスで自然言語能力を学ぶモデルはLLMである。

https://guga.or.jp/assets/syllabus.pdf （第5章 LMとLLM）

正解は「Temperature」である。出力のランダム性・多様性を調整するパラメータがTemperatureで、値を大きくすると多様で意外性のある出力に、小さくすると堅実な出力になりやすい。プロンプトはAIへの入力（指示文）そのもの、InstructionとContextはプロンプトの構成要素で、いずれも出力のランダム性を調整するパラメータではない。 Temperatureは次のトークン候補の確率分布の鋭さを調整する生成時の値で、高いほど多様になりやすく、低いほど確率の高い候補へ集中しやすい。ContextとInstructionはプロンプト要素、プロンプトは入力全体であり設定パラメータではない。

https://guga.or.jp/assets/syllabus.pdf （第5章 LMとLLM）

正解は「プレトレーニング」である。大量データで汎用的な言語能力をあらかじめ学習させる工程がプレトレーニング（事前学習）。ファインチューニングはその後に特定用途へ追加学習して調整する工程、プロンプトエンジニアリングとFew-Shotプロンプティングは学習済みモデルへの指示の与え方で、いずれも事前学習の工程ではない。 モデル開発時の順序を区別する。プレトレーニングは大規模コーパスで一般的な言語パターンを学ぶ初期工程、ファインチューニングはその後の用途特化である。Few-Shotとプロンプトエンジニアリングは学習済みモデルへの推論時指示で重みの事前学習ではない。

https://guga.or.jp/assets/syllabus.pdf （第5章 LMとLLM）

正解は「Top-p」である。設問は「ハイパーパラメータの一つ」「出現確率の高い候補を上位から累積」「累積確率が一定の割合に達するまでの候補の中から選ばせる」という条件を示しており、これは累積確率で候補を絞り込んでから選ばせるTop-pの仕組みと一致する。「Temperature」も出力のランダム性・多様性を調整するハイパーパラメータだが、値の大小で多様性を変える仕組みであり、候補を累積確率で絞り込む仕組みではない。「Output Indicator」は出力の形式や型を指定するプロンプトの構成要素であり、ハイパーパラメータではない。「Few-Shotプロンプティング」は解答例をいくつか提示してから指示する手法であり、次の単語の候補を絞り込むパラメータではない。

https://guga.or.jp/assets/syllabus.pdf （第5章 LMとLLM）

正解は「最新の情報」である。テキスト生成AIが不得意とする領域には最新の情報のほかに計算や芸術の批評も並び、これらはいずれも学習済みデータの範囲内でしか出力を組み立てられないという同じ制約に由来する。判断の軸は「生成AIが積極的に活用できる使い方」か「生成AIの仕組み上どうしても弱い領域」かであり、外国語の翻訳・文章の対象を変更する・ブレインストーミングは前者の活用例に共通してあてはまり、後者の不得意な性質とはカテゴリが異なる。学習時点を境に情報の正確さが変わりうる点を意識することが、この種の設問を見分ける手がかりになる。

https://guga.or.jp/assets/syllabus.pdf （第5章 テキスト生成AIの不得意なこと）