// G-KENTEI — PRACTICE QUESTIONS

G検定 オリジナル練習問題 50問

JDLA G検定の対策用に、2026年最新シラバスに準拠したオリジナル練習問題50問を完全無料で公開。各問題に詳細な日本語解説付き。本ページは特定書籍・特定スクールに依存しないベンダー中立の問題集。

🆓 完全無料 📝 オリジナル50問 ⚡ 2026年シラバス対応 🎯 ベンダー中立
※ 本ページは非公式・JDLA 非提携のオリジナル学習教材です。掲載されている練習問題は全て筆者が独自に作成したものであり、JDLA G検定の本試験問題・公式例題ではありません。公式例題は JDLA 公式例題ページ を参照してください。

🤔 G検定とは？ 取るメリットは？

G検定（ジェネラリスト検定）は、一般社団法人日本ディープラーニング協会（JDLA）が実施する AI・ディープラーニングの基礎知識を問う試験。「AI を活用する人材」を育成・認定する目的で、エンジニア・非エンジニア問わず受験可能な日本最大級の AI 系資格。

30秒サマリ: 受験料 13,200円・年9回開催・約145問100-120分・合格率60-70%・受験資格なし。AI を「使う側」のジェネラリスト向け。エンジニア向けはE資格（上位）。

💡 取るメリット5つ

📚

AI ジェネラリストの登竜門

日本最大級の AI 系資格として企業認知度高。AI プロジェクトに関わる非エンジニアにも有用。

🎯

実務直結の出題範囲

機械学習・ディープラーニング・生成 AI・PoC・倫理・法律まで網羅。AI を「仕事で使う」ための基礎が体系化される。

💰

受験料 13,200円・年9回開催

2026年はオンライン6回 + 会場3回。学生 5,500円。1問あたり 100円未満で受験できる。

🏆

名刺・LinkedIn・転職市場で実績

AI 関連求人の応募条件に「G検定保持者歓迎」が増加中。AI 領域への異動・転職で証明書として機能。

🚀

E資格・上位資格への足がかり

G検定 → E資格 → AI 実装検定の段階的取得ロードマップ。G検定はその第一段階。

📖 G検定の出題範囲・申込手順・推奨学習リソースの詳細は G検定 完全ガイド【2026年版】 で詳しく解説しています。本ページは練習問題に特化。

📋 試験の基本情報

主催 一般社団法人 日本ディープラーニング協会（JDLA）
受験料 一般 13,200円 / 学生 5,500円（税込）
問題数 約 145〜200問（年により変動）
試験時間 オンライン 100分 / 会場 120分
形式 多肢選択式（CBT）・オンライン or 試験会場
言語 日本語
受験資格 無し（誰でも受験可能）
合格率 60〜70%（受験者の質に依存）
2026年開催 オンライン6回（1月・3月・5月・7月・9月・11月）+ 会場3回

📖 9領域別 重要キーワード（試験頻出）

G検定のシラバス9領域から、特に頻出する重要キーワードを整理。各キーワードの定義・周辺概念を JDLA 公式テキスト や本ページの練習問題で押さえれば、合格ラインに到達できます。

AI 概論・歴史 (10%)

第1〜3次 AI ブームチューリングテストフレーム問題強い AI / 弱い AIシンギュラリティシンボルグラウンディング問題中国語の部屋

機械学習の具体的手法 (15%)

教師あり / 教師なし / 強化学習決定木 / ランダムフォレストXGBoost / LightGBMK-means / DBSCAN / 階層クラスタリングPCA / t-SNE / UMAPL1/L2 正則化クロスバリデーションPrecision / Recall / F1 / ROC-AUC

ディープラーニングの概要 (10%)

活性化関数 (ReLU / Sigmoid / Tanh / GELU)誤差逆伝播法 / 連鎖律勾配消失問題バッチ正規化残差接続 (ResNet)損失関数（MSE / Cross Entropy）Adam / SGD / Momentum

DL 手法・生成 AI (25%) ← 最重要

CNN（畳み込み・プーリング・転移学習）RNN / LSTM / GRUTransformer / Self-AttentionBERT / GPT 系GAN / VAE / 拡散モデルStable Diffusion / DALL-E 3LLM / RLHF / RAG / Few-shotマルチモーダル（CLIP / GPT-4V）Mixture of Experts (MoE)

DL 社会実装・運用 (20%)

PoC → 本番 (PoC 死)MLOpsデータドリフト / concept driftXAI (SHAP / LIME / Grad-CAM)バイアス / 公平性指標Human-in-the-Loop日本の AI 事業者ガイドライン (2024)

数理・統計 (5%)

Sigmoid / Softmaxベイズの定理 / 事前確率 / 事後確率線形代数 / 行列演算確率分布 / 期待値 / 分散最尤推定

AI 倫理・法律・ガバナンス (15%)

EU AI Act (2024 成立・リスク4段階)GDPR / 個人情報保護法要配慮個人情報著作権法 30条の4 / AI 学習ディープフェイク敵対的サンプル攻撃AI 事業者ガイドライン

📚 推奨学習リソース（公式・市販書籍）

本ページの練習問題と組み合わせて使うべき公式・市販リソース。※書籍リンクは購入推奨ではなく書名紹介のみ（書店・Amazon 等で検索してください）。

区分 教材 特徴
公式（無料） JDLA 公式 例題ページ ↗ 公式が公開する例題集。試験の雰囲気を掴むのに最適。
公式（無料） JDLA 公式 シラバス ↗ 出題範囲・試験要項。受験前に必ず一読。
書籍（市販） 深層学習教科書 ディープラーニング G検定 公式テキスト（白本） 翔泳社・JDLA 監修。第3版が現行。基礎理論を体系学習。
書籍（市販） 徹底攻略 ディープラーニング G検定 問題集（黒本） インプレス。問題演習の定番。第3版が現行。
書籍（市販） 最短突破 ディープラーニング G検定 問題集（赤本） 技術評論社。コンパクトに要点整理。第2版が現行。
本ページ 本ページのオリジナル50問（無料） 上記書籍と組み合わせて、最終確認・知識穴埋めに最適。

✏️ 非公式オリジナル練習問題 50問

ドメイン配分は最新シラバスの重みに準拠：AI 概論 (5問) / 機械学習 (7問) / DL 概要 (5問) / DL 手法・生成 AI (13問) / 社会実装 (10問) / 数理・統計 (3問) / 倫理・法律 (7問) = 計50問。

⚠️ 本問題は筆者が独自に作成したオリジナル問題です。JDLA G検定の本試験問題・公式例題ではありません。実際の試験形式と難易度感を模した学習用教材としてご利用ください。

📊 統計: 全 50 問・正解分布 A:13 / B:12 / C:13 / D:12（均等化済）・ドメイン分布: AI:5 / ML:7 / DL:5 / DLM:13 / IMP:10 / MATH:3 / ETH:7

Q1. AI 概論・歴史 (10%)

論点: AI ブームの歴史区分

人工知能（AI）の研究には複数のブームと冬の時代があった。第三次 AI ブームの中心的な技術として最も適切なものはどれか。

A. エキスパートシステム（特定領域の専門知識をルール化）

B. 探索・推論アルゴリズム（迷路や数学パズルを解く）

C. ディープラーニング（多層ニューラルネットワークによる表現学習）

D. ファジィ理論（あいまいさを扱う論理）

▶ 正解と解説を見る
正解: **C**。第三次 AI ブーム（2010年代〜）の中心技術はディープラーニング。2012年の ILSVRC で AlexNet が圧勝したことが象徴的な出来事。 **他の選択肢:** - A: エキスパートシステムは第二次 AI ブーム（1980年代）の中心 - B: 探索・推論は第一次 AI ブーム（1950-60年代）の中心 - D: ファジィ理論は第二次ブーム期に関連するが中心技術ではない
Q2. AI 概論・歴史 (10%)

論点: フレーム問題

「フレーム問題」とは何か。最も適切な説明はどれか。

A. AI が画像のフレーム（枠線）を正確に認識できない問題

B. AI 開発のスケジュール（フレーム）が遅延する組織的問題

C. 現実の問題で考慮すべき事柄が無限にあり、AI が「何が関連するか」を絞り込めない問題

D. 動画の各フレームを独立に処理することで時間的文脈を失う問題

▶ 正解と解説を見る
正解: **C**。フレーム問題は AI の根本的難問の一つ。McCarthy と Hayes が 1969 年に提起。現実世界では考慮すべき要素が無限にあり、その中から「何が今の問題に関連するか」を効率的に絞り込むのが極めて困難。 **他の選択肢:** - A: 画像フレーム認識の問題ではない - B: 組織問題ではなく AI 理論上の問題 - D: それは別の問題（時系列処理の課題）
Q3. AI 概論・歴史 (10%)

論点: チューリングテスト

アラン・チューリングが 1950 年に提案した「機械が知能を持つかを判定するテスト」の本質的な仕組みはどれか。

A. コンピュータの計算速度を人間の計算速度と比較する

B. 機械の内部回路が脳神経の構造に類似しているかを物理的に検査する

C. 機械が画像認識タスクでヒトを上回るかをベンチマークで比較する

D. 人間の判定者が、テキストの対話相手が人間か機械かを区別できないかを判定する

▶ 正解と解説を見る
正解: **D**。チューリングテスト（イミテーションゲーム）は、対話を通じて機械が人間と区別できないかを判定する。「知能」を内部メカニズムではなく外部の振る舞いで定義した点が画期的。 **他の選択肢:** - A: 計算速度比較ではない - B: 物理的な脳構造類似性は問わない - C: 画像認識ベンチマークは 2010 年代以降の話で、チューリングテストとは別概念
Q4. AI 概論・歴史 (10%)

論点: 強い AI と弱い AI

哲学者ジョン・サールが提唱した「強い AI」と「弱い AI」の区別について、正しい説明はどれか。

A. 強い AI は GPU で動くもの、弱い AI は CPU で動くもの

B. 強い AI は計算量が多いタスク、弱い AI は計算量が少ないタスク

C. 強い AI は意識や心を持つとされる AI、弱い AI は特定タスクを処理する道具としての AI

D. 強い AI は商用利用可、弱い AI は研究目的のみ

▶ 正解と解説を見る
正解: **C**。サールの区別では、強い AI（Strong AI）は意識や理解を持つ AI（人間と同等の知性）、弱い AI（Weak AI）は特定タスクを処理する道具的な AI。現在の AI は全て弱い AI に分類される。サールの「中国語の部屋」議論は強い AI への批判として有名。 **他の選択肢:** - A, B: ハードウェア・計算量の区別ではなく、哲学的概念 - D: 商用/研究の区別とは無関係
Q5. AI 概論・歴史 (10%)

論点: シンギュラリティ

レイ・カーツワイルが提唱した「シンギュラリティ（技術的特異点）」の概念で、最も適切な説明はどれか。

A. AI が突然動作を停止する瞬間

B. AI が特定の数学問題を解けるようになった歴史的瞬間

C. AI の知能が人類全体の知能を超え、技術進化が予測不能な速度になる仮想的な転換点

D. AI が並列計算能力で CPU クラスタを超える性能臨界点

▶ 正解と解説を見る
正解: **C**。シンギュラリティ（technological singularity）の用語自体は数学者・SF 作家ヴァーナー・ヴィンジが 1993 年論文「The Coming Technological Singularity」で提唱し、カーツワイルが 2005 年著書「The Singularity Is Near」で広く普及させた。AI の知能爆発によって人類の知能を超え、その後の技術進化が予測不能になるとされる仮想的な未来時点。カーツワイルは 2045 年頃と予測。 **他の選択肢:** - A: 動作停止ではない - B: 特定の歴史的瞬間ではなく、未来の予測概念 - D: ハードウェア性能の話ではない
Q6. 機械学習の具体的手法 (15%)

論点: 教師あり学習・教師なし学習・強化学習

機械学習の3つの基本パラダイムについて、最も正確な説明はどれか。

A. 教師あり学習はラベル付きデータから学習、教師なし学習はラベルなしデータから構造を発見、強化学習は環境との相互作用と報酬から学習

B. 教師あり学習は GPU を使う、教師なし学習は CPU を使う、強化学習はクラウドを使う

C. 3つの違いはデータ量のみで、本質的なアルゴリズムは同じ

D. 教師あり学習は分類のみ、教師なし学習は回帰のみ、強化学習はゲームのみに使われる

▶ 正解と解説を見る
正解: **A**。3パラダイムの正しい定義。教師あり=ラベル付きデータでパターン学習（分類・回帰）、教師なし=ラベルなしデータで構造発見（クラスタリング・次元削減）、強化学習=試行錯誤と報酬最大化（ゲーム AI・ロボット制御等）。 **現代の補足（2024 改訂シラバス対応）:** 上記3パラダイムに加え、**自己教師あり学習（self-supervised learning）**（データ自身から疑似ラベルを生成して学習。BERT の MLM・GPT の next-token prediction 等が該当）や半教師あり学習も重要な枠組みとして追加されている。LLM・基盤モデル隆盛の現在は自己教師あり学習が大規模事前学習の中心。 **他の選択肢:** - B: ハードウェアの違いではない - C: 本質的に異なるアプローチ - D: 用途は重複し、各手法は様々なタスクに使える
Q7. 機械学習の具体的手法 (15%)

論点: 決定木とランダムフォレスト

ランダムフォレストが単一の決定木より高い予測精度を示すことが多い理由として、最も適切なものはどれか。

A. 各決定木は浅く学習するため、過学習が起こりにくい

B. 複数の決定木をブートストラップ標本と特徴量のランダム選択で学習し、予測を多数決・平均することで分散を減らす

C. 決定木より計算量が少ないため、より大規模なデータを学習できる

D. ランダムフォレストは線形モデルなので非線形パターンに強い

▶ 正解と解説を見る
正解: **B**。ランダムフォレストはバギング（Bootstrap AGGregatING）の一種で、各決定木を以下で学習する: ①ブートストラップ標本（重複を許す再標本化）、②各分岐で特徴量をランダムに選択。これにより木同士の相関を下げ、多数決/平均で予測分散を減らす。 **他の選択肢:** - A: 各木は深く学習させるのが一般的 - C: 計算量はむしろ多い - D: ランダムフォレストは非線形モデル
Q8. 機械学習の具体的手法 (15%)

論点: 勾配ブースティング

勾配ブースティング決定木（GBDT、例: XGBoost、LightGBM）の学習プロセスとして、正しい説明はどれか。

A. 全ての決定木を独立に並列学習し、最後に多数決で予測する

B. 決定木をランダムに大量生成し、最も精度が高い1本だけを採用する

C. 前の木の予測誤差（残差）を次の木が修正するように、決定木を逐次的に追加していく

D. 決定木同士を遺伝的アルゴリズムで交配・突然変異させて進化させる

▶ 正解と解説を見る
正解: **C**。勾配ブースティングは逐次的（sequential）に弱学習器を追加し、各ステップで前モデルの残差（または勾配）を学習する。これによりバイアスを徐々に減らす。XGBoost・LightGBM・CatBoost は Kaggle 等で実績が豊富。 **他の選択肢:** - A: それはランダムフォレスト（バギング）の説明 - B: 全数探索ではない - D: 遺伝的アルゴリズムは別の最適化手法
Q9. 機械学習の具体的手法 (15%)

論点: K-means クラスタリング

教師なし学習の代表的手法 K-means の特徴として、最も正確なものはどれか。

A. クラスタ数 K を事前に指定する必要があり、初期値とクラスタ形状（球状の前提）に結果が依存する

B. クラスタ数を自動で決定でき、任意の形状のクラスタを発見できる

C. 教師あり学習の一種で、ラベル付きデータが必要

D. ニューラルネットワークの一種で、勾配降下法で学習する

▶ 正解と解説を見る
正解: **A**。K-means は K（クラスタ数）を事前指定する必要があり、球状クラスタを仮定する。初期重心の選び方で結果が変動するため、複数回試して最良を選ぶ（k-means++ 初期化で軽減）。非球状クラスタには弱く、その場合は DBSCAN や階層クラスタリングを検討。 **他の選択肢:** - B: K-means の弱点を正しく書いていない - C: 教師なし学習 - D: ニューラルネットではない（重心更新の反復アルゴリズム）
Q10. 機械学習の具体的手法 (15%)

論点: 次元削減

主成分分析（PCA）の目的として、最も適切なものはどれか。

A. データの分類精度を直接最大化するため

B. データ点間の距離を全て等しくするため

C. 欠損値を自動補完するため

D. 高次元データを情報損失を最小化しつつ低次元に投影し、可視化や前処理に使う

▶ 正解と解説を見る
正解: **D**。PCA は分散最大化方向に投影軸を取り、低次元で元データの情報を保つ次元削減手法。可視化（2D/3D）、前処理（多重共線性除去）、ノイズ除去等に使う。教師なし学習。 **他の選択肢:** - A: 分類精度を直接最大化するのは LDA（線形判別分析） - B: 距離を等しくする手法ではない - C: 欠損値補完は別の前処理
Q11. 機械学習の具体的手法 (15%)

論点: 過学習・正則化

過学習（オーバーフィッティング）への対策として、効果が薄いものはどれか。

A. 訓練データを増やす

B. モデルの複雑度を下げる（パラメータ数削減・正則化）

C. クロスバリデーションでハイパーパラメータを調整する

D. テストデータを訓練データに統合して学習させる

▶ 正解と解説を見る
正解: **D**（効果が薄いもの＝誤った対策）。テストデータを訓練に混ぜると「データリーク」となり、評価指標が虚偽に高くなる。本番性能は逆に悪化する典型的アンチパターン。 **他の選択肢（正しい対策）:** - A: データ量増加は過学習の根本対策 - B: 正則化（L1/L2）・パラメータ削減は標準対策 - C: クロスバリデーションは過学習を検出・抑制する正しい手法
Q12. 機械学習の具体的手法 (15%)

論点: 評価指標

不均衡データ（例: 99% が陰性・1% が陽性）の二値分類で、Accuracy（正解率）が信頼できない理由として最も適切なものはどれか。

A. Accuracy は不均衡データでも常に信頼できる

B. 全件を多数派（陰性）と予測するだけで Accuracy 99% になり、少数派（陽性）を検出できなくても高い数値が出る

C. Accuracy は連続値タスク（回帰）でしか使えない

D. Accuracy は計算量が大きすぎる

▶ 正解と解説を見る
正解: **B**。不均衡データでは Accuracy の罠が発生する。99% が陰性のデータで「全件陰性」と予測すれば Accuracy 99% だが、陽性検出率（Recall）は 0%。 **代替指標の優先順位（不均衡データの場合）:** ①**PR-AUC（Precision-Recall AUC）が最推奨**（少数派クラスの性能を直接反映）、②F1 スコア（Precision と Recall の調和平均）、③Recall（見逃し率重視の場合）、④ROC-AUC は**陽性率が低い時に過大評価されがちなため注意**（真陰性が大量にあると見かけ上高くなる）。医療・不正検知等のドメインでは PR-AUC が標準。 **他の選択肢:** - A: 不均衡データには不適切 - C: Accuracy は分類タスク用 - D: 計算量の問題ではない
Q13. ディープラーニングの概要 (10%)

論点: ニューラルネットの基本

多層パーセプトロン（MLP）で、各ニューロンが入力に重みを掛けて和を取った後、活性化関数を通す。活性化関数を導入する目的として最も適切なものはどれか。

A. 計算速度を上げるため

B. 非線形性を導入し、線形変換だけでは表現できないパターンを学習可能にするため

C. メモリ使用量を削減するため

D. ニューロン同士の通信を暗号化するため

▶ 正解と解説を見る
正解: **B**。活性化関数（ReLU、Sigmoid、Tanh 等）の目的は非線形性の導入。線形変換を何層重ねても結局は1つの線形変換に等しいため、非線形活性化が無いと多層化の意味がない。表現能力（universal approximation）はこの非線形性によって生まれる。 **他の選択肢:** - A: 計算速度は副次的効果に過ぎない - C: メモリ削減目的ではない - D: 暗号化は無関係
Q14. ディープラーニングの概要 (10%)

論点: 誤差逆伝播法

誤差逆伝播法（バックプロパゲーション）の本質的な仕組みとして、最も正確なものはどれか。

A. 出力層の誤差を入力層方向へ伝播させ、連鎖律を用いて各層の重みに対する勾配を計算する

B. 入力層から出力層へ順方向に誤差を計算する手法

C. ランダムに重みを更新して誤差が減ったら採用する確率的手法

D. 重みを 0 にリセットすることで誤差を最小化する手法

▶ 正解と解説を見る
正解: **A**。誤差逆伝播法は損失関数の各重みに対する勾配を、出力側から入力側へ連鎖律（chain rule）を使って効率的に計算する。これにより勾配降下法でニューラルネットを学習可能にする。1986年に Rumelhart らが普及させた。 **他の選択肢:** - B: 順方向は forward propagation で、誤差ではなく出力を計算 - C: ランダム探索ではなく、勾配に基づく決定論的計算 - D: 重みリセットは学習ではなく初期化
Q15. ディープラーニングの概要 (10%)

論点: 勾配消失問題

ディープラーニング初期の課題であった「勾配消失問題」について、最も正確な説明はどれか。

A. GPU のメモリが不足して勾配が計算できなくなる問題

B. 学習データが少なすぎて勾配がゼロになる問題

C. 深い層の活性化関数（Sigmoid 等）の微分値が小さく、誤差逆伝播で勾配が指数的に小さくなり、入力側に近い層が学習できない問題

D. GPU の温度上昇で計算精度が落ち、勾配が消える問題

▶ 正解と解説を見る
正解: **C**。Sigmoid や Tanh の微分は最大 0.25 / 1.0 だが、深層で連鎖的に掛け合わせると 0 に近づき、入力側の層に勾配が伝わらない。対策として ReLU 活性化、Batch Normalization、Residual Connection（ResNet）、適切な重み初期化（He/Xavier）等が登場。 **他の選択肢:** - A: メモリの問題ではない - B: データ量の問題ではない - D: 温度・物理的問題ではない
Q16. ディープラーニングの概要 (10%)

論点: ReLU 活性化関数

ReLU（Rectified Linear Unit）活性化関数の特徴として、誤っているものはどれか。

A. 入力が正のとき微分が 1 で、勾配消失が起こりにくい

B. 計算が単純（max(0, x)）で高速

C. 入力が負の領域では出力 0 で、ニューロンが死ぬ（Dying ReLU）問題がある

D. 出力が -1 〜 1 の範囲に正規化されている

▶ 正解と解説を見る
正解: **D**（誤った記述）。ReLU の出力範囲は [0, ∞) で正規化されていない。-1 〜 1 の範囲を持つのは Tanh。 **他の選択肢（正しい記述）:** - A: 正の領域で微分1のため勾配消失緩和 - B: max(0, x) で計算量小・高速 - C: 一度負側に行くと永久に 0 出力する Dying ReLU 問題は実在（Leaky ReLU・ELU で対策）
Q17. ディープラーニングの概要 (10%)

論点: 損失関数

分類タスクで一般的に使われる損失関数はどれか。

A. 平均二乗誤差（MSE）

B. Huber 損失

C. Jaccard 損失（IoU 損失）

D. 交差エントロピー誤差（Cross Entropy Loss）

▶ 正解と解説を見る
正解: **D**。分類タスクでは予測確率分布と正解分布の差を測る交差エントロピー誤差が標準。Softmax 出力との組み合わせで、勾配が分かりやすい形で計算できる。 **他の選択肢:** - A: MSE は回帰タスク用 - B: Huber 損失は外れ値に強い回帰用 - C: Jaccard 損失はセグメンテーション用
Q18. DL 手法・生成 AI (25%)

論点: CNN の畳み込み層

CNN（畳み込みニューラルネットワーク）が画像処理で全結合層より優れる理由として、最も適切なものはどれか。

A. CNN は計算量が多く精度が高くなる

B. 局所的な特徴抽出と重み共有によってパラメータ数を削減し、平行移動不変性を獲得できる

C. CNN は GPU 専用なので速い

D. CNN は教師なし学習であり、ラベルが不要

▶ 正解と解説を見る
正解: **B**。CNN の本質は①局所結合（フィルタが局所領域だけを見る）、②重み共有（同じフィルタを全位置で使い回す）、③プーリング（平行移動不変性）。これによりパラメータ数を大幅削減でき、画像の局所パターン（エッジ・コーナー等）を効率的に学習する。 **他の選択肢:** - A: 全結合層より計算量が少ない - C: GPU 依存ではない - D: 教師あり学習も教師なし学習もある
Q19. DL 手法・生成 AI (25%)

論点: RNN と LSTM

LSTM（Long Short-Term Memory）が通常の RNN より長期依存関係を学習しやすい理由として、最も適切なものはどれか。

A. LSTM は層数が多いため

B. LSTM は CNN を内部に含む

C. LSTM はゲート機構（入力ゲート・忘却ゲート・出力ゲート）と細胞状態（cell state）により、勾配消失を緩和し情報の長期保持・選択的破棄が可能

D. LSTM は並列計算が容易

▶ 正解と解説を見る
正解: **C**。LSTM はゲート機構と cell state（残差的に流れる情報通路）を持ち、長期間の情報を選択的に保持・破棄できる。これにより通常 RNN の勾配消失問題を緩和する。1997年 Hochreiter & Schmidhuber が提案。 **他の選択肢:** - A: 層数の問題ではなく構造の問題 - B: CNN は含まない - D: 並列計算は LSTM の弱点（逐次処理が必要）。並列計算が容易なのは Transformer
Q20. DL 手法・生成 AI (25%)

論点: Transformer と Attention

Transformer の中心的な機構である Self-Attention の特徴として、最も適切なものはどれか。

A. 系列中の全ての位置間の関連性を一度に計算し、並列処理が可能で、RNN のような逐次依存がない

B. 系列を逐次的に処理し、状態を順次更新する

C. 画像の畳み込みのみを行い、テキスト処理には使えない

D. Self-Attention は重みを固定する手法

▶ 正解と解説を見る
正解: **A**。Self-Attention は Query/Key/Value から全位置間の重要度を一度に計算し、並列化可能。これが Transformer の高速学習と長距離依存把握を実現。2017年「Attention Is All You Need」論文で提案。 **他の選択肢:** - B: 逐次処理は RNN の特徴 - C: もともとは自然言語処理向けで、現在は画像 (ViT) にも応用 - D: 重みは学習される
Q21. DL 手法・生成 AI (25%)

論点: GAN（敵対的生成ネットワーク）

GAN（Generative Adversarial Network）の学習プロセスとして、最も正確なものはどれか。

A. 単一のネットワークが入力を圧縮・復元することで生成を学習する

B. 強化学習エージェントが報酬を最大化する形で画像を生成する

C. Generator が偽データを生成し、Discriminator が本物と偽物を区別する。両者を競わせて Generator が本物と見分けがつかないデータを作れるようにする

D. 教師あり学習のみで、ラベル付き画像ペアが必要

▶ 正解と解説を見る
正解: **C**。GAN は Generator（偽データ生成）と Discriminator（真偽判定）の2つを敵対的に学習させる。Generator は Discriminator を騙すように、Discriminator は見破るように学習。2014年 Ian Goodfellow らが提案。 **他の選択肢:** - A: それは Autoencoder の説明 - B: 強化学習ベースの生成ではない - D: 教師なし学習
Q22. DL 手法・生成 AI (25%)

論点: 拡散モデル

画像生成 AI（Stable Diffusion・DALL-E 3 等）の中核技術である「拡散モデル（Diffusion Model）」の基本原理として、最も正確なものはどれか。

A. 画像を逐次的に多数のニューロンへ「拡散」させて学習する

B. 画像に段階的にノイズを加える過程（forward process）と、逆にノイズから画像を復元する過程（reverse process）を学習し、純粋ノイズから画像を生成する

C. GAN と全く同じ仕組み

D. 画像の色を高速に拡散させて補間する手法

▶ 正解と解説を見る
正解: **B**。拡散モデルは forward process（画像 → ノイズ）と reverse process（ノイズ → 画像）の両方向を学習する。生成時は純粋ノイズから出発し、reverse process を反復してノイズを除去していき画像を作る。GAN より学習安定で高品質。 **他の選択肢:** - A: ニューロン拡散ではない - C: GAN とは異なるアプローチ（敵対的学習ではなく確率的ノイズ過程） - D: 色補間ではない
Q23. DL 手法・生成 AI (25%)

論点: 大規模言語モデル（LLM）

GPT・Claude・Gemini 等の大規模言語モデル（LLM）の事前学習（pretraining）の中核となる学習タスクとして、最も一般的なものはどれか。

A. 画像分類

B. 強化学習による報酬最大化のみ

C. 与えられたテキスト系列から次のトークンを予測する自己回帰的タスク（next token prediction）

D. プログラム実行結果の予測

▶ 正解と解説を見る
正解: **C**。LLM の事前学習は大規模テキストで「次のトークンを予測」する自己回帰タスクが中心。膨大な未ラベルテキストで事前学習することで、文法・知識・推論能力を獲得する。その後 RLHF（Reinforcement Learning from Human Feedback）等で対話最適化される。 **他の選択肢:** - A: 画像分類は別タスク - B: 強化学習は事前学習後のファインチューニング段階 - D: 副次的に獲得されるが事前学習タスクではない
Q24. DL 手法・生成 AI (25%)

論点: RLHF（人間フィードバックによる強化学習）

ChatGPT 等の LLM で使われる RLHF（Reinforcement Learning from Human Feedback）の役割として、最も適切なものはどれか。

A. 事前学習後のモデルを、人間の好み（helpful・harmless・honest 等）に沿った応答を返すように調整する

B. ニューラルネットの重みを物理的に高速化する

C. モデルのサイズを削減するための量子化手法

D. GPU のメモリ使用量を最適化する技術

▶ 正解と解説を見る
正解: **A**。RLHF は事前学習後の LLM を人間の好み（有用・安全・誠実な応答）に沿うようにファインチューニングする。①SFT（Supervised Fine-Tuning）、②報酬モデル学習、③PPO 等で強化学習、の3段階が一般的。ChatGPT 等の対話品質の高さを支える。 **2024-2026 最新動向:** RLHF の課題（実装複雑・報酬モデル学習が不安定）を解決する**簡素化手法が普及**：①**DPO (Direct Preference Optimization)**：報酬モデルを陽に学習せず人間の好みデータから直接モデルを最適化、②**RLAIF (RL from AI Feedback)**：人間フィードバックの一部を AI に置き換え（Anthropic Constitutional AI 等）、③**KTO・IPO** 等の派生手法も登場。実務では DPO + 軽量 SFT の組み合わせが増えている。 **他の選択肢:** - B: ハードウェア高速化ではない - C: 量子化は別技術 - D: メモリ最適化ではない
Q25. DL 手法・生成 AI (25%)

論点: プロンプトエンジニアリング

LLM 利用における「Few-shot プロンプティング」の説明として、最も適切なものはどれか。

A. モデルの重みを更新するためにラベル付きデータを少量与える手法

B. 計算リソースを少なくする量子化手法

C. モデルが応答するまでの待ち時間を短縮する手法

D. プロンプト内に少数（数件〜十数件）の入出力例を示し、それを参考にモデルが望ましい出力を生成する手法

▶ 正解と解説を見る
正解: **D**。Few-shot プロンプティングはモデルの重みを変えずに、プロンプト内に例を示すことで望ましい挙動を引き出す手法（in-context learning）。Zero-shot（例なし）、One-shot（1例）、Few-shot（複数例）の段階がある。 **他の選択肢:** - A: 重み更新は Few-shot Fine-tuning で、プロンプティングとは別 - B: 量子化とは無関係 - C: レイテンシ短縮とは無関係
Q26. DL 手法・生成 AI (25%)

論点: ハルシネーション

LLM の「ハルシネーション（hallucination）」とは何か。最も適切な説明はどれか。

A. LLM が誤った内容や事実無根の情報を、もっともらしい文体で生成する現象

B. LLM の応答が遅延する現象

C. LLM が起動時に大量のメモリを消費する現象

D. LLM が画像を解釈できない現象

▶ 正解と解説を見る
正解: **A**。ハルシネーションは LLM が事実と異なる情報や架空の引用・人名・データなどを「自信ありげに」生成する現象。学習データの偏り、確率的生成の性質、知識カットオフ等が原因。対策として RAG（検索拡張生成）、ファクトチェック層、verification tool 等を組み合わせる。 **他の選択肢:** - B: レイテンシではない - C: メモリ消費とは別 - D: マルチモーダル機能の問題ではない
Q27. DL 手法・生成 AI (25%)

論点: RAG（検索拡張生成）

RAG（Retrieval-Augmented Generation）の基本構造として、最も正確なものはどれか。

A. LLM の重みを大規模データで再学習する手法

B. LLM の応答をユーザーが手動で修正する手法

C. ユーザーの質問に対し、外部データベース・ドキュメントから関連情報を検索（retrieval）して LLM のプロンプトに加え、それを参照しながら応答を生成する手法

D. 複数の LLM の出力を多数決で統合する手法

▶ 正解と解説を見る
正解: **C**。RAG は LLM の知識補強手法。外部情報源（社内ドキュメント・最新ニュース・専門 DB 等）から関連 chunk を取得し、それをプロンプトに含めて応答生成。知識カットオフ問題・ハルシネーション軽減・情報源の追跡可能性を実現。 **他の選択肢:** - A: 再学習は別手法（ファインチューニング） - B: 手動修正は学習プロセスではない - D: アンサンブルは別の手法
Q28. DL 手法・生成 AI (25%)

論点: マルチモーダル AI

GPT-4V や Gemini・Claude のような「マルチモーダル AI」の定義として最も適切なものはどれか。

A. テキスト・画像・音声・動画など複数のモダリティ（種類）の入出力を扱える AI

B. 複数言語に対応した AI

C. 複数の組織が共同開発した AI

D. 複数のユーザーが同時に使える AI

▶ 正解と解説を見る
正解: **A**。マルチモーダル AI は複数の入出力モダリティを扱える AI。テキスト + 画像（VLM: Vision Language Model）、テキスト + 音声、テキスト + 動画など。GPT-4o、Gemini、Claude 3+ などが代表例。 **他の選択肢:** - B: 多言語対応は別概念（multilingual） - C: 共同開発は組織的側面 - D: マルチユーザーは別概念
Q29. DL 手法・生成 AI (25%)

論点: 転移学習・事前学習モデル

事前学習済みモデル（pretrained model）を利用する転移学習（transfer learning）の主なメリットはどれか。

A. 大規模データで学習済みの汎用表現を活用でき、少量のドメイン固有データでも高精度なモデルを作れる

B. 転移学習はモデルサイズを自動で小さくする

C. 転移学習は GPU を不要にする

D. 転移学習は教師なし学習しかできない

▶ 正解と解説を見る
正解: **A**。転移学習の本質は「汎用表現の再利用」。大規模データで学習済みのモデル（BERT、ResNet、CLIP 等）を出発点に、特定タスク用に少量データでファインチューニングする。データ収集コストとコンピュート資源を大幅節約。 **他の選択肢:** - B: モデルサイズ縮小機能はない - C: GPU 不要にはならない - D: 教師あり学習でも使える
Q30. DL 手法・生成 AI (25%)

論点: Mixture of Experts (MoE)

2024-2026年の大規模 LLM で広く採用されている「Mixture of Experts (MoE)」アーキテクチャの特徴として、最も適切なものはどれか。

A. 推論時に全パラメータを使うため、Dense モデルより遅い

B. 複数の「専門家」サブネットワークを持ち、入力ごとに一部の専門家のみを動的に選択して使う。総パラメータ数は大きいが、推論時の計算量は小さくできる

C. 全モデルが同じ重みを共有する圧縮手法

D. GPU を使わず CPU のみで動作する設計

▶ 正解と解説を見る
正解: **B**。MoE は専門家ネットワークの集合体で、ルーター（gating network）が入力ごとに一部の専門家を動的選択。総パラメータ数は巨大でも、推論時の活性化パラメータ数は小さく抑えられる。Mixtral 8x7B、Gemini 1.5 等で採用。スケーラビリティと効率性の両立。 **他の選択肢:** - A: 一部の専門家のみ活性化するため、Dense より高速 - C: 重み共有ではない - D: GPU で動作
Q31. DL 社会実装・運用 (20%)

論点: PoC と本番運用

AI プロジェクトで「PoC（Proof of Concept）」の段階でよく見られる失敗パターンとして、最も典型的なものはどれか。

A. PoC で良好な結果が出ても、本番データ・本番運用での再現性・スケーラビリティ・継続的運用コストが考慮されておらず、本格展開で頓挫する

B. PoC では必ず失敗するため、最初から本番開発に着手すべき

C. PoC は技術検証のみで、ビジネス価値検証は不要

D. PoC は短期間で完了するため、リスクはない

▶ 正解と解説を見る
正解: **A**。「PoC 死」と呼ばれる典型問題。理想化された PoC データで成功しても、本番データの多様性・ノイズ・運用負荷・継続コスト（MLOps・データ更新・再学習）に対応できず、本番展開で頓挫する。PoC 段階から本番運用条件を見据えた設計が重要。 **他の選択肢:** - B: PoC は妥当な手法 - C: ビジネス価値検証も同時に行う - D: 多くの隠れたリスクがある
Q32. DL 社会実装・運用 (20%)

論点: MLOps

MLOps（Machine Learning Operations）の本質的な目的として、最も適切なものはどれか。

A. 機械学習モデルの開発・デプロイ・監視・継続的な再学習を体系化し、自動化・標準化することで、本番運用の品質と効率を担保する

B. 機械学習モデルの精度を最大化する手法

C. 機械学習用 GPU を購入・管理する業務

D. 機械学習エンジニアの採用と評価制度

▶ 正解と解説を見る
正解: **A**。MLOps は DevOps の ML 版で、データ取得・特徴量管理・モデル学習・評価・デプロイ・モニタリング・再学習までの一連を自動化・標準化する実践。データドリフト検出、モデルバージョニング、A/B テスト等を含む。 **他の選択肢:** - B: 精度最大化は MLOps の目的ではない - C: ハードウェア管理は MLOps の一部に過ぎない - D: HR 業務ではない
Q33. DL 社会実装・運用 (20%)

論点: データドリフト

本番稼働中の機械学習モデルが時間経過とともに精度を落とす現象「データドリフト（または concept drift）」への対策として、最も効果的なものはどれか。

A. モデルを初期状態に戻す

B. 本番データを全て破棄する

C. 入力データ分布や予測精度を継続的にモニタリングし、ドリフト検出時に再学習や再キャリブレーションを実施する

D. GPU を増設する

▶ 正解と解説を見る
正解: **C**。本番運用で避けられない現象（季節変動・顧客行動変化・市場変化等が原因）。 **厳密な用語整理:** - **データドリフト（共変量シフト, covariate shift）**: 入力分布 P(X) の変化（例: 新規顧客層の出現で年齢分布が変化） - **概念ドリフト (concept drift)**: 条件付き分布 P(Y|X) の変化（例: 同じ顧客属性でも購買傾向が変わる） - **ラベルシフト (label shift / prior shift)**: P(Y) の変化 両者（および3つ目のラベルシフト）は厳密には別概念だが、いずれも精度劣化を招くため対策は共通：①継続モニタリング（入力分布・予測精度・ビジネスメトリクス）、②ドリフト検出時の再学習自動化、③シャドーモデルでの A/B テスト、等。 **他の選択肢:** - A: 初期状態への戻しは劣化を悪化させる - B: データ破棄は再学習を不可能にする - D: ハードウェア増強は解決にならない
Q34. DL 社会実装・運用 (20%)

論点: データ品質

機械学習プロジェクトで「データの品質」が精度を左右する。データ品質の問題として、特に深刻な影響を与えるものはどれか。

A. データのファイル名が長すぎる

B. ラベルの誤り・バイアス・欠損・偏った標本（標本選択バイアス）等により、モデルが誤ったパターンを学習する

C. データが CSV 形式で保存されている

D. データが英語で書かれている

▶ 正解と解説を見る
正解: **B**。「Garbage In, Garbage Out」が機械学習の鉄則。ラベル誤り（noisy labels）、データバイアス、欠損値、標本選択バイアスがあると、モデルは誤ったパターンを学習する。データ品質管理は精度向上の前提条件で、データクリーニング・アノテーションガイドライン整備・標本設計が重要。 **他の選択肢:** - A: ファイル名長は無関係 - C: 形式は問題ではない - D: 言語は問題ではない
Q35. DL 社会実装・運用 (20%)

論点: AI プロジェクトのステークホルダー

AI プロジェクトを成功させるために、データサイエンティスト・エンジニア以外で重要なステークホルダーとして最も該当しないものはどれか。

A. ドメインエキスパート（業務知識を持つ専門家）

B. 法務・コンプライアンス担当（個人情報・著作権・AI 規制対応）

C. エンドユーザー（実際に AI システムを使う現場担当者）

D. ハードウェア設置業者（PC の物理設置のみを担当）

▶ 正解と解説を見る
正解: **D**（該当しない）。クラウド普及で物理ハードウェア設置担当は AI プロジェクト成功の中心的ステークホルダーではない。 **他の選択肢（重要なステークホルダー）:** - A: ドメインエキスパートは要件定義・特徴量設計・モデル評価で不可欠 - B: 法務・コンプライアンスは AI ガバナンス・個人情報保護法・AI 規制対応で必須 - C: エンドユーザーは UI 設計・運用フィードバック・受容性確認で重要
Q36. DL 社会実装・運用 (20%)

論点: モデルの説明可能性（XAI）

医療や金融など high-stakes な分野で、AI モデルの予測根拠を説明する技術として最も該当するものはどれか。

A. モデルの精度を上げる手法

B. GPU の計算速度を上げる手法

C. モデルを暗号化する手法

D. SHAP・LIME・Grad-CAM 等の説明可能性（XAI: Explainable AI）手法

▶ 正解と解説を見る
正解: **D**。XAI（Explainable AI）は予測根拠を人間が理解できる形で説明する技術群。SHAP（Shapley 値ベース）、LIME（局所近似）、Grad-CAM（画像 CNN の可視化）、Attention 可視化等。医療診断・与信判断・採用判定等の high-stakes 分野では説明責任の観点から必須。 **他の選択肢:** - A: 精度向上ではなく説明手法 - B: 計算速度ではなく解釈性 - C: 暗号化ではない
Q37. DL 社会実装・運用 (20%)

論点: バイアスと公平性

AI 採用システムで「過去の採用データから学習させたら、特定の性別を不利に評価するモデルになった」事例で考えられる根本原因として、最も適切なものはどれか。

A. 過去の採用データそのものに歴史的バイアス（特定の性別を有利に扱った過去の判断）が含まれており、モデルがそのバイアスを学習・再生産した

B. AI モデルは性別を必ず差別するように設計されている

C. GPU のハードウェア欠陥

D. プログラミング言語の選択ミス

▶ 正解と解説を見る
正解: **A**。AI バイアスの典型例（Amazon の AI 採用システムが女性を不利に評価して廃止された事例が実際にある）。「過去データに含まれるバイアスをモデルが学習する」のは構造的な問題で、データ収集段階の公平性検証、敏感属性の取り扱い設計、公平性指標（demographic parity, equalized odds 等）でのモニタリングが必須。 **他の選択肢:** - B: AI の設計が差別的なのではなく、データが差別的 - C: ハードウェアの問題ではない - D: 言語選択は無関係
Q38. DL 社会実装・運用 (20%)

論点: AI の人間中心設計

AI システムを業務に導入する際の「人間中心設計（Human-Centered AI）」の考え方として、最も適切なものはどれか。

A. AI が全て自動判断し、人間は介在しない

B. 人間の判断を AI が補助する（augment）、または人間が AI の判断に最終決定権を持つ（Human-in-the-Loop）形を取る

C. AI が人間を雇用判断する

D. 人間の作業を全て監視する

▶ 正解と解説を見る
正解: **B**。Human-Centered AI / Human-in-the-Loop は AI の限界（ハルシネーション・バイアス・例外的状況への弱さ）を踏まえ、最終判断は人間が下す設計思想。high-stakes な医療診断・採用・金融判断・刑事司法等で特に重要。AI は判断材料を提供し、人間が責任を持って判断する。 **他の選択肢:** - A: 完全自動は事故時の責任問題等のリスク大 - C: AI が一方的に判断する設計は人間中心でない - D: 監視ではなく協働が本質
Q39. DL 社会実装・運用 (20%)

論点: AI 倫理ガイドライン

日本政府が策定した「AI 事業者ガイドライン」（2024年公表、経産省・総務省）が示す AI 開発・利用の原則として、最も該当しないものはどれか。

A. 人間中心の原則

B. 安全性・公平性・プライバシー保護

C. 透明性・アカウンタビリティ（説明責任）

D. 利益最大化のため可能な限り規制を回避する

▶ 正解と解説を見る
正解: **D**（該当しない）。「規制回避」はガイドラインの原則ではなく、むしろ反する考え方。日本の AI 事業者ガイドライン（2024年4月公表）は AI 開発者・提供者・利用者の三層に分けて10の指針を示しており、人間中心、安全性、公平性、プライバシー、セキュリティ、透明性、アカウンタビリティ、教育、公正競争、イノベーション等が含まれる。 **他の選択肢（実際にガイドラインに含まれる）:** - A, B, C: 全て含まれる原則
Q40. DL 社会実装・運用 (20%)

論点: AI と業務効率化

企業が生成 AI を業務に導入する際の、最も推奨される段階的アプローチはどれか。

A. 全業務を一気に生成 AI に置き換える

B. 小規模パイロット（社内向け・限定ユースケース）から始め、効果検証・リスク評価・社内ガイドライン整備の上で適用範囲を段階的に広げる

C. 生成 AI 導入の意思決定は IT 部門のみで行う

D. 生成 AI 導入後はモニタリング不要

▶ 正解と解説を見る
正解: **B**。生成 AI 導入のベストプラクティスは「小さく始めて学習しながら広げる」。①パイロット（社内向け・限定範囲）→ ②効果検証 + リスク評価 + 社内利用ガイドライン整備 → ③段階的拡大、の流れ。情報漏洩・著作権・ハルシネーション等のリスクに対応する体制構築が必要。 **他の選択肢:** - A: 全業務一斉置換は失敗リスク大 - C: 法務・現場・経営も巻き込むべき - D: 継続モニタリングは必須
Q41. 数理・統計 (5%)

論点: 確率分布

二値分類問題で、モデル出力に Softmax ではなく Sigmoid 関数を使った場合の出力の意味として、最も正確なものはどれか。

A. Sigmoid は [0, 1] の値を出力し、これは「陽性クラスである確率」として解釈できる（陰性確率は 1 - 出力）

B. Sigmoid は離散値を出力する関数

C. Sigmoid は微分不可能な関数

D. Sigmoid は負の値も出力する

▶ 正解と解説を見る
正解: **A**。Sigmoid 関数 σ(x) = 1/(1+e^(-x)) は実数を (0, 1) にマップする S 字曲線。二値分類で陽性確率として解釈可能。多クラス分類では Softmax を使う（複数クラスの確率を一斉に正規化）。 **他の選択肢:** - B: 連続値出力 - C: 微分可能（σ'(x) = σ(x)(1-σ(x))） - D: 出力は (0, 1) 範囲
Q42. 数理・統計 (5%)

論点: ベイズ確率

ベイズの定理 P(A|B) = P(B|A) × P(A) / P(B) を医療診断で応用する場合、P(A|B) は何を表すか。

A. 検査が陽性である確率（事前確率）

B. 病気 A だった場合に検査が陽性になる確率（尤度）

C. 検査結果 B が観測されたという条件下で病気 A である確率（事後確率）

D. 検査の感度

▶ 正解と解説を見る
正解: **C**。P(A|B) は「B を観測した条件下で A が真である確率」= 事後確率（posterior probability）。医療診断では「検査結果が陽性のとき、本当に病気である確率」を求めるのが目的。事前確率（病気の有病率）と尤度（検査の感度）から計算する。低有病率の病気で陽性が出ても、実際に病気である確率は意外と低い、というのがベイズ定理の重要な教訓。 **他の選択肢:** - A: P(B) は周辺確率 - B: P(B|A) は尤度 - D: 感度は P(陽性|病気)
Q43. 数理・統計 (5%)

論点: 線形代数の応用

機械学習で行列演算（特に行列積）が頻出する理由として、最も適切なものはどれか。

A. 行列が美しいから

B. ニューラルネットの「重みと入力の線形結合 + 活性化」が、行列積として効率的に表現でき、GPU で並列計算可能なため

C. 行列は CPU でしか計算できないから

D. 行列は 2 次元しか扱えないから

▶ 正解と解説を見る
正解: **B**。ニューラルネットの各層は「入力ベクトル × 重み行列 + バイアス」+ 活性化、という構造で、これは行列演算で効率的に実装できる。GPU は行列演算（特に大規模並列）を非常に得意とするため、深層学習の高速化を可能にした。CUDA・TensorFlow・PyTorch 等はこの計算を最適化している。 **他の選択肢:** - A: 美しさは理由ではない - C: GPU で並列計算可能 - D: テンソル（多次元）も扱える
Q44. AI 倫理・法律・ガバナンス (15%)

論点: EU AI Act

2024年に成立した EU AI Act（欧州 AI 法）の基本的な考え方として、最も正確なものはどれか。

A. 全ての AI を一律禁止する

B. AI 開発企業に税金を課す法律

C. AI のリスクを4段階（許容不可・高リスク・限定リスク・最小リスク）に分類し、各レベルに応じた規制を課す

D. AI の知的財産権を確立する法律

▶ 正解と解説を見る
正解: **C**。EU AI Act はリスクベースアプローチで4段階に分類：①許容不可（社会的スコアリング・公共空間のリアルタイム生体識別等で禁止）、②高リスク（医療・採用・与信等で厳格規制）、③限定リスク（透明性義務、例: チャットボットは AI と明示）、④最小リスク（規制ほぼなし）。 **正確な経緯（重要）:** 2024年3月13日 欧州議会可決 → 2024年5月21日 EU 理事会採択 → 2024年7月12日 官報掲載 → **2024年8月1日 発効 (entry into force)** → 一部禁止条項は2025年2月から先行適用、**汎用AI（GPAI: General-Purpose AI）規定は2025年8月から先行適用** → 2026年8月2日 全面適用予定。 **他の選択肢:** - A: 全面禁止ではない - B: 税法ではない - D: 知的財産法ではない
Q45. AI 倫理・法律・ガバナンス (15%)

論点: 日本の個人情報保護法

個人情報保護法における「要配慮個人情報」に該当しないものはどれか。

A. 人種・信条・社会的身分

B. 病歴・障害情報

C. 犯罪歴・犯罪被害情報

D. 氏名・連絡先（メールアドレス・電話番号）

▶ 正解と解説を見る
正解: **D**（該当しない）。氏名・メール・電話番号は「個人情報」ではあるが「要配慮個人情報」ではない。 **要配慮個人情報（法第2条第3項）:** 人種、信条、社会的身分、病歴、犯罪歴、犯罪被害歴、身体・知的・精神障害、健康診断結果、医師等による指導・診療・調剤、刑事事件手続、少年保護事件手続 — これらは取得に本人同意が原則必要。 **他の選択肢:** - A, B, C: 全て要配慮個人情報
Q46. AI 倫理・法律・ガバナンス (15%)

論点: 著作権と生成 AI

生成 AI と日本の著作権法に関する説明として、最も正確なものはどれか（2026年5月時点）。

A. 日本では AI 学習目的での著作物利用は、著作権法第30条の4により原則として可能（権利者の利益を不当に害する場合を除く）。一方、生成 AI が既存作品と類似した出力を生成し、利用する場合は通常の著作権ルール（依拠性・類似性）が適用される

B. 日本では AI 学習目的での著作物利用は全て違法

C. 生成 AI の出力は全て自動的にパブリックドメインになる

D. 日本の著作権法は AI に全く言及していない

▶ 正解と解説を見る
正解: **A**。日本の著作権法第30条の4は「情報解析」（AI 学習を含む）目的での著作物利用を原則認める（2018年改正）。ただし「権利者の利益を不当に害する」場合は除外。生成 AI の利用段階（出力の公開・販売等）では通常の著作権ルール（依拠性・類似性）が適用され、既存作品と類似した出力を商業利用すると著作権侵害となり得る。文化庁が「AI と著作権に関する考え方」を 2024年に公表。 **他の選択肢:** - B: 全面違法ではない - C: 自動的にパブリックドメインにはならない - D: 法解釈・運用は整理されている
Q47. AI 倫理・法律・ガバナンス (15%)

論点: GDPR

EU の GDPR（一般データ保護規則）と日本の個人情報保護法の主な違いとして、最も適切なものはどれか。

A. GDPR は全く同じ内容を持つ

B. GDPR は EU 域内の住人にのみ適用され、企業の国籍は問わない

C. GDPR は AI のみを規制対象とする

D. GDPR は EU 域外の事業者にも適用される域外適用性、データポータビリティ権（持ち運ぶ権利）、忘れられる権利等、より広範な個人の権利を規定。違反時の制裁金も売上の最大4%と非常に高額

▶ 正解と解説を見る
正解: **D**。GDPR（2018年施行）は世界で最も厳格な個人データ保護規制の一つ。①域外適用（EU 居住者のデータを扱う全企業に適用）、②データポータビリティ権・忘れられる権利・処理停止権、③DPO（データ保護責任者）設置義務、④72時間以内の漏洩報告、⑤厳格な制裁金、等。日本の個人情報保護法より広範。 **制裁金は2段階制:** - 軽微違反: 最大 €10M または全世界売上の 2%（いずれか高い方） - 重大違反: 最大 €20M または全世界売上の 4%（いずれか高い方） **他の選択肢:** - A: 同じではない - B: EU 居住者「のデータを扱う」事業者全てに適用 - C: AI 限定ではない
Q48. AI 倫理・法律・ガバナンス (15%)

論点: ディープフェイク

ディープフェイク（deepfake）技術と法的・倫理的問題として、最も該当しないものはどれか。

A. 本人の同意なく顔写真や音声を合成・改変して人格権・名誉を侵害する事例（リベンジポルノ・なりすまし等）

B. 政治家の偽の発言動画による世論操作・選挙介入のリスク

C. 映像コンテンツ制作の効率化（合意の上での吹替・年齢変更等）も含む技術であり、用途次第で適法な利用も可能

D. ディープフェイクは技術的に検出が容易なため、社会的問題にはならない

▶ 正解と解説を見る
正解: **D**（該当しない＝誤った記述）。ディープフェイクは検出が困難で、技術進化により検出 AI とのいたちごっこ状態。SNS で急速拡散するため社会的問題は深刻化している。 **他の選択肢（正しい認識）:** - A: 名誉毀損・侮辱罪・性的画像被害防止法等の対象になる - B: 民主主義への脅威として各国で対策が検討中 - C: 合意ある利用なら適法な用途もある（映画制作等）
Q49. AI 倫理・法律・ガバナンス (15%)

論点: AI と労働

AI による業務自動化と労働への影響について、最も建設的な視点はどれか。

A. AI は全ての仕事を奪うので、人間は労働をやめるべき

B. 定型業務の自動化は進むが、創造性・対人関係・複雑な判断を要する業務は人間が担い、リスキリング・新しい職種創出・人と AI の協働設計が重要

C. AI は技術的に未熟なので、労働への影響は無視できる

D. AI 導入は経営者だけの判断で決められる

▶ 正解と解説を見る
正解: **B**。建設的・現実的視点。AI は特定業務（特に定型作業・パターン認識）を自動化するが、創造性・共感・複雑な意思決定・倫理判断は当面人間の役割。経済産業省「人材版伊藤レポート」等でもリスキリングと人材投資の重要性が指摘される。労働者・経営者・社会全体での対話が必要。 **他の選択肢:** - A: 極端で建設的でない - C: 影響は実際に大きい - D: 労働者・組合・社会との対話が必要
Q50. AI 倫理・法律・ガバナンス (15%)

論点: AI のセキュリティ

機械学習モデルに対する「敵対的攻撃（Adversarial Attack）」の代表例として、最も該当するものはどれか。

A. AI システムへの DDoS 攻撃

B. 画像にわずかなノイズ（人間には見えない or 違和感がない程度）を加えることで、AI 分類器が全く別のクラスに誤認識するように仕向ける攻撃

C. AI 開発者のパスワードを盗む攻撃

D. AI 学習用 GPU を物理破壊する攻撃

▶ 正解と解説を見る
正解: **B**。敵対的サンプル（adversarial example）攻撃。例: パンダの画像に人間には見えないノイズを加えて「テナガザル」と誤分類させる、停止標識にステッカーで CNN を誤誘導する等。自動運転・顔認証・医療画像認識等で深刻なリスク。対策として敵対的訓練（adversarial training）・入力検証・モデルアンサンブル等。 **他の選択肢:** - A: ネットワーク攻撃は AI 固有ではない - C: 認証情報窃取は別問題 - D: 物理攻撃は AI 固有のセキュリティ問題ではない

📊 採点目安: 50問中 35問以上正解（70%）であれば本番合格ライン（公式公表なしだが目安70%前後）を超える実力と推定できます。30問以下なら、間違えた領域の重要キーワード（上記）と G検定 完全ガイド を再確認してください。

🎓 試験当日の攻略テクニック

1

1問あたり 40〜45 秒の時間配分

145問 / 100分 = 1問あたり約41秒。難問は即マークして次へ進む。最後5分でマーク問題を見直す戦略。

2

消去法 + 「最も○○なもの」に注目

「最も適切なもの」「最も該当するもの」「該当しないもの」など問題文の指示を最初に確認。否定形を見落とさない。

3

生成 AI 系は最新シラバスに準拠

2024年改訂以降、Transformer・LLM・拡散モデル・RLHF・RAG・マルチモーダル・MoE 等の出題が増加。古い参考書のみだと対応漏れあり。

4

AI 法規・倫理は出題比率 15% で軽視禁物

EU AI Act・GDPR・著作権法 30条の4・AI 事業者ガイドライン・要配慮個人情報の範囲 等は確実に得点する。

5

オンライン受験は環境準備が9割

Webカメラ・本人確認書類・静かな環境・安定したネット回線・カンペは不可（プロクターが画面と顔を監視）。

6

カンペ作成は NG・自分の理解整理は OK

受験中の参照は禁止だが、事前学習として「自分用まとめノート」を作る過程は記憶定着に効果的。

📚 関連記事

📘 G検定 完全ガイド（出題範囲・申込手順） 🗺️ AI 資格マップ（国内外30種） 📝 生成AIパスポート 完全ガイド ⚡ Claude 認定資格（CCA-F）

出典・参考

本記事は 2026年5月23日 時点の JDLA 公開情報・公式テキスト・Anthropic/OpenAI 等の公開ドキュメント・学術論文（arXiv）等に基づき執筆。掲載練習問題は全て筆者によるオリジナル作成。試験要項は変更の可能性があるため、受験前に JDLA 公式 で最新情報をご確認ください。

// SPONSORED · 関連サービス

この記事を読んだ方におすすめ

ChatGPT / Claude / Gemini を1画面で

天秤AI Biz

主要AIを同時に呼び出して回答を比較できるビジネス向けプラットフォーム。本記事の比較を実機で試したい方に。

  • ✓主要AI (GPT-5.5・Claude・Gemini等) を1画面で並列比較
  • ✓チーム共有・ログ管理・セキュリティ対応
  • ✓無料試用可
天秤AI Biz を無料で試す →
SEO 記事を AI で量産

Value AI Writer

高品質モデル対応の AI ライティング。ブログ・コンテンツ事業者向けに、月額1,650円から記事生成を自動化。

  • ✓最新 AI モデル対応で高品質出力
  • ✓WordPress 直接投稿対応
  • ✓5日間無料トライアル
Value AI Writer を試す →

こちらの記事もおすすめ

同じ「AIで仕事と暮らしを変える」をテーマにした比較記事です

関連記事
AI deep research
徹底比較を見る →
関連記事
AI data analysis
徹底比較を見る →
関連記事
AI pet health
徹底比較を見る →
← 全AIツール一覧に戻る