ドメイン配分は最新シラバスの重みに準拠：AI 概論 (7問) / 機械学習 (11問) / DL 概要 (8問) / DL 手法・生成 AI (19問) / 社会実装 (15問) / 数理・統計 (4問) / 倫理・法律 (11問) = 計75問。
📊 統計: 全 75 問・正解分布 A:19 / B:19 / C:19 / D:18（均等化済）・ドメイン分布: AI:7 / ML:11 / DL:8 / DLM:19 / IMP:15 / MATH:4 / ETH:11
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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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）。
▶ 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。
▶ 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。
▶ 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。
▶ 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。
▶ 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
Q51. AI 概論・歴史 (10%)
論点: 探索・推論（ゲーム木）
チェスや将棋のような二人零和ゲームで、相手が最善手を指すと仮定して自分の評価値を最大化する手を選ぶ探索手法はどれか。
▶ 正解と解説を見る
正解: **C**。ミニマックス法は「相手は自分にとって最悪（評価値最小）の手を選ぶ」と仮定し、その中で自分の評価値が最大になる手を選ぶ。探索ノード数を減らすためにα値・β値で枝刈りするのがαβ法。
**他の選択肢:**
- A: 幅優先探索は相手の応手を考慮しない汎用探索
- B: A* はヒューリスティック付きの最短経路探索で、対戦相手の存在を前提としない
- D: 遺伝的アルゴリズムは進化的な最適化手法で、ゲーム木探索ではない
Q52. AI 概論・歴史 (10%)
論点: エキスパートシステムの限界
1970〜80年代の第2次 AI ブームで普及したエキスパートシステム（MYCIN など）が抱えた、最も本質的な課題はどれか。
▶ 正解と解説を見る
正解: **A**。エキスパートシステムは「if-then ルール」を人手で大量に記述する方式で、知識の獲得・保守・例外処理のコストが爆発した（知識獲得のボトルネック）。常識的な暗黙知を記述しきれない点も含めて第2次ブーム終焉の主因とされる。
**他の選択肢:**
- B・C・D: 深層学習（第3次ブーム）に関わる論点であり、ルールベースのエキスパートシステム固有の課題ではない
Q53. 機械学習の具体的手法 (15%)
論点: 過学習への対処
訓練データでは高精度だが検証データで精度が大きく落ちる「過学習」への対処として、最も不適切なものはどれか。
▶ 正解と解説を見る
正解: **D**。訓練データを減らすと汎化に必要な情報が減り、過学習はむしろ悪化する。過学習対策の基本は「データを増やす」「モデルを単純にする」「正則化・ドロップアウト・早期終了で学習を抑える」の3方向。
**他の選択肢:**
- A: 正則化は代表的な過学習対策
- B: データ量の増加は最も効果が大きい対策の一つ
- C: モデル容量の削減も有効
Q54. 機械学習の具体的手法 (15%)
論点: モデル評価の方法
データ量が少ないとき、ホールドアウト法よりも k 分割交差検証（k-fold cross validation）が好まれる主な理由はどれか。
▶ 正解と解説を見る
正解: **B**。k 分割交差検証はデータを k 個に分け、各分割を1回ずつ検証用に回して平均する。ホールドアウト法では「たまたま簡単な検証データに当たった」偏りが起きやすいが、交差検証はそれを平均化できる。
**他の選択肢:**
- A: 学習は k 回必要で計算コストは増える
- C: 評価の信頼性が上がるだけで過学習そのものは防がない
- D: 最終評価用のテストデータは交差検証とは別に切り分けるのが原則
Q55. 機械学習の具体的手法 (15%)
論点: サポートベクターマシン
サポートベクターマシン（SVM）の説明として最も適切なものはどれか。
▶ 正解と解説を見る
正解: **A**。SVM はマージン最大化により汎化性能の高い分離超平面を求める。線形分離できないデータには、カーネル関数（RBF・多項式など）で高次元空間へ写像して分離する「カーネルトリック」を使う。
**他の選択肢:**
- B: ランダムフォレストの説明
- C: k-means の説明
- D: ニューラルネットワークの学習の説明
Q56. 機械学習の具体的手法 (15%)
論点: アンサンブル学習（バギングとブースティング）
ランダムフォレスト（バギング）と勾配ブースティング（XGBoost・LightGBM 等）の違いとして正しいものはどれか。
▶ 正解と解説を見る
正解: **C**。バギングは「ブートストラップ標本で独立に学習した弱学習器を集約」して分散を減らす。ブースティングは「前段の誤差（残差）を次段が学習」する逐次型でバイアスを減らす。実務では勾配ブースティングが表形式データの精度で強いが、逐次学習のため並列化はバギングより難しい。
**他の選択肢:**
- A: 説明が逆
- B: いずれも多数の木を使うアンサンブル手法
- D: 両者とも教師あり学習
Q57. ディープラーニングの概要 (10%)
論点: ドロップアウト
ニューラルネットワークの学習で用いる「ドロップアウト」の説明として正しいものはどれか。
▶ 正解と解説を見る
正解: **B**。ドロップアウトは学習時のみ各ユニットを確率 p で無効化し、多数の部分ネットワークを平均するアンサンブルに近い効果を得る。推論時は全ユニットを使う（出力をスケーリングする実装が一般的）。
**他の選択肢:**
- A: 学習率スケジューリングの説明
- C: 欠損値処理の説明
- D: ドロップアウトは推論時には適用しない
Q58. ディープラーニングの概要 (10%)
論点: 学習率の設定
勾配降下法において学習率が大きすぎる場合に起こりやすい現象はどれか。
▶ 正解と解説を見る
正解: **D**。学習率が大きいと更新ステップが最小値を飛び越え、損失が振動したり発散（NaN）したりする。逆に小さすぎると収束が遅い（A は学習率が小さすぎる場合）。Adam などの適応的手法や学習率スケジューラ・ウォームアップで調整する。
**他の選択肢:**
- A: 学習率が小さすぎる場合の症状
- B: 勾配消失や dead ReLU の話
- C: 過学習の症状で学習率とは直接関係しない
Q59. ディープラーニングの概要 (10%)
論点: 早期終了（early stopping）
「検証データの損失が一定エポック改善しなくなった時点で学習を打ち切る」手法の名称と目的の組み合わせとして正しいものはどれか。
▶ 正解と解説を見る
正解: **A**。早期終了は検証損失を監視し、改善が止まった（patience エポック経過）時点で最良の重みに戻して学習を止める。実装が簡単で、正則化と同等の効果を得られる実務で最も使われる過学習対策の一つ。
**他の選択肢:**
- B: 各層の入力分布を正規化する手法
- C: 勾配のノルムを閾値で抑える手法
- D: 学習の停止条件ではない
Q60. DL 手法・生成 AI (25%)
論点: Transformer の位置情報
Transformer で「位置エンコーディング（positional encoding）」が必要な理由として正しいものはどれか。
▶ 正解と解説を見る
正解: **B**。Self-Attention は全トークン同士の関係を一括計算するため、入力を並べ替えても結果が変わらない（順序情報を持たない）。そこで各位置に固有のベクトル（正弦波・学習可能・RoPE など）を加えて語順を表現する。
**他の選択肢:**
- A: CNN の論点
- C: RNN の勾配消失の論点で、Transformer は再帰処理をしない
- D: 語彙削減はトークナイザ（BPE 等）の役割
Q61. DL 手法・生成 AI (25%)
論点: 拡散モデルの仕組み
画像生成で使われる拡散モデル（Diffusion Model）の生成過程の説明として正しいものはどれか。
▶ 正解と解説を見る
正解: **C**。拡散モデルは「画像に段階的にノイズを加える順過程」を学習データで定義し、その逆（ノイズを少しずつ除去する逆過程）をニューラルネットで学習する。生成時はランダムノイズから逆過程を繰り返す。Stable Diffusion は潜在空間で拡散を行う潜在拡散モデル。
**他の選択肢:**
- A: GAN の説明
- B: VAE の説明
- D: PixelCNN など自己回帰型生成モデルの説明
Q62. DL 手法・生成 AI (25%)
論点: パラメータ効率的ファインチューニング
大規模言語モデルを少ない計算資源で特定タスクに適応させる手法「LoRA（Low-Rank Adaptation）」の特徴として正しいものはどれか。
▶ 正解と解説を見る
正解: **D**。LoRA は重み更新量 ΔW を低ランク行列の積 A×B で近似し、A・B だけを学習する。元モデルを凍結するため GPU メモリが少なくて済み、タスクごとの差分ファイルも小さい。PEFT（Parameter-Efficient Fine-Tuning）の代表格。
**他の選択肢:**
- A: フルファインチューニングの説明
- B: Few-shot プロンプティング（in-context learning）の説明
- C: 蒸留や枝刈りなどモデル圧縮の話
Q63. DL 手法・生成 AI (25%)
論点: RAG の適用場面
社内規程など頻繁に更新される文書について LLM に正確に回答させたい。ファインチューニングよりも RAG（検索拡張生成）が適している主な理由はどれか。
▶ 正解と解説を見る
正解: **A**。RAG は質問に関連する文書片を検索してプロンプトに入れ、それを根拠に生成させる。知識の更新が「インデックスの更新」で済み、出典提示もできる。ファインチューニングは文体・形式の学習には向くが、事実知識の更新には再学習コストがかかる。
**他の選択肢:**
- B: RAG はパラメータを更新しない
- C: 検索結果が不適切なら誤答は起こる。低減はするがゼロにはならない
- D: 事実ではない
Q64. DL 手法・生成 AI (25%)
論点: 画像認識タスクの分類
「画像内の各物体の位置を矩形（バウンディングボックス）で囲み、クラスを判定する」タスクの名称はどれか。
▶ 正解と解説を見る
正解: **B**。物体検出は「何が」「どこに」を矩形で出力する。画素単位の塗り分けはセグメンテーション（セマンティック＝クラス単位、インスタンス＝個体単位）、画像全体に1ラベルなら画像分類。
**他の選択肢:**
- A: 位置情報を出力しない
- C: 矩形ではなく画素単位
- D: 関節などのキーポイントを推定するタスク
Q65. DL 手法・生成 AI (25%)
論点: 単語の分散表現
Word2Vec などで得られる「単語の分散表現（word embedding）」の性質として正しいものはどれか。
▶ 正解と解説を見る
正解: **C**。分散表現は「似た文脈に現れる単語は似た意味を持つ」という分布仮説に基づき、低次元の密なベクトルに単語の意味を埋め込む。Word2Vec（CBOW / Skip-gram）は静的な埋め込みで、BERT 以降は文脈に応じて変わる文脈化埋め込みが主流。
**他の選択肢:**
- A: one-hot は高次元・疎で意味の近さを持たない
- B: Bag-of-Words の説明
- D: ランダムでは意味を表現できない
Q66. DL 社会実装・運用 (20%)
論点: データリーケージ
「解約予測モデルの特徴量に、解約手続き後にしか記録されない『解約理由コード』を含めてしまい、検証精度が 99% になった」。この問題の名称はどれか。
▶ 正解と解説を見る
正解: **D**。予測時点では手に入らない情報（未来の情報・目的変数そのものの派生）が特徴量に混入すると、検証では高精度でも本番では全く当たらない。特徴量ごとに「予測時点で取得可能か」を確認するのが対策。
**他の選択肢:**
- A: 時間経過で入力と出力の関係が変わる現象
- B: 正例・負例の比率が偏る問題
- C: 特徴量が多すぎてデータが疎になる問題
Q67. DL 社会実装・運用 (20%)
論点: 安全なモデルのリリース
新しい推薦モデルを本番導入する際、既存モデルと比較しながらリスクを抑えて切り替える方法として最も適切なものはどれか。
▶ 正解と解説を見る
正解: **A**。オフライン評価（検証データ）とオンラインの実ユーザー行動は乖離しうる。段階的に露出を広げ、KPI と異常を監視しながら切り替えるのが MLOps の基本。旧モデルへ即時ロールバックできる設計も重要。
**他の選択肢:**
- B: オフライン精度だけで全面切替は事故のもと
- C: 監視・ログなしでは問題の検知が遅れる
- D: 定量評価を放棄している
Q68. DL 社会実装・運用 (20%)
論点: 説明可能な AI（XAI）
複雑なブラックボックスモデルの「個々の予測」について、入力を局所的に摂動させて単純なモデルで近似し、どの特徴が効いたかを説明する手法はどれか。
▶ 正解と解説を見る
正解: **B**。LIME は説明したい1件の周辺でサンプルを生成し、線形モデル等で局所近似して特徴量の寄与を示す。同じ目的で協力ゲーム理論に基づく SHAP、CNN 向けに注目領域を可視化する Grad-CAM がある。
**他の選択肢:**
- A: 次元削減手法
- C: 教師なしクラスタリング
- D: 学習安定化の手法
Q69. DL 社会実装・運用 (20%)
論点: エッジ AI とクラウド推論
工場の検品カメラで「ネットワーク遅延を避け、画像を外部に送らずにリアルタイム判定したい」場合に適した構成はどれか。
▶ 正解と解説を見る
正解: **C**。エッジ推論は低遅延・通信コスト削減・データを外に出さない点で有利。デバイスの計算資源が限られるため、量子化・蒸留・枝刈りなどでモデルを軽量化する。学習はクラウドで行い、更新したモデルを配布する構成が一般的（D のように学習まで現場で行うのは通常非現実的）。
**他の選択肢:**
- A: 遅延と通信量、データ持ち出しの問題
- B: AI 導入の目的に反する
- D: 学習は計算資源を要するためエッジには不向き
Q70. DL 社会実装・運用 (20%)
論点: 転移学習の適用
医療画像の分類モデルを作りたいが、ラベル付きデータが数百枚しかない。このとき最も現実的なアプローチはどれか。
▶ 正解と解説を見る
正解: **D**。事前学習済みモデル（ImageNet 等）はエッジや形状など汎用的な特徴を既に獲得しているため、少量データでも上位層の再学習で高い精度が出やすい。回転・反転・明度変化などのデータ拡張を併用する。
**他の選択肢:**
- A: 少量データでのフルスクラッチ学習は過学習しやすい
- B: 転移学習という現実的な選択肢がある
- C: 単純複製は情報量が増えず過学習を助長する
Q71. 数理・統計 (5%)
論点: 評価指標の計算
ある2値分類モデルの混同行列が、真陽性（TP）40・偽陽性（FP）10・偽陰性（FN）20・真陰性（TN）30 であった。適合率（Precision）はいくつか。
▶ 正解と解説を見る
正解: **A**。適合率 = TP / (TP + FP) = 40 / 50 = 0.80。参考: 再現率（Recall）= TP / (TP + FN) = 40 / 60 ≒ 0.67、正解率（Accuracy）= (TP + TN) / 全体 = 70 / 100 = 0.70、F1 = 2 × 0.80 × 0.67 / (0.80 + 0.67) ≒ 0.73。
**他の選択肢:**
- B: 再現率の値
- C: 正解率の値
- D: どの指標にも該当しない
Q72. AI 倫理・法律・ガバナンス (15%)
論点: AI 生成物の著作物性
日本の著作権法における「AI が生成した画像・文章」の著作物性について、文化庁「AI と著作権に関する考え方について」（2024年）の整理に最も近いものはどれか。
▶ 正解と解説を見る
正解: **B**。著作物は「思想又は感情を創作的に表現したもの」であり、AI を道具として人間が創作的に関与した場合には著作物となりうる。一方、AI が自律的に生成し人間の創作的寄与がない場合は著作物に当たらない、という整理。個別事案ごとの判断となる。
**他の選択肢:**
- A・D: 一律の結論は取られていない
- C: 帰属先を一律に開発企業とする規定はない
Q73. AI 倫理・法律・ガバナンス (15%)
論点: 個人情報の加工
個人情報保護法で、「特定の個人を識別できず、元の個人情報を復元できないように加工した情報」であって、一定の条件下で本人同意なく第三者提供できるものはどれか。
▶ 正解と解説を見る
正解: **C**。匿名加工情報は復元不可能なレベルまで加工したもので、作成基準・公表義務などを守れば本人同意なしに第三者提供が可能。仮名加工情報は他の情報と照合しなければ識別できない程度の加工で、原則として内部での分析利用に限られ第三者提供は不可。
**他の選択肢:**
- A: 病歴・人種など特に配慮を要する情報（取得に原則同意が必要）
- B: 内部利用向けで第三者提供は原則不可
- D: Cookie 等、個人情報に該当しないが個人に関連する情報
Q74. AI 倫理・法律・ガバナンス (15%)
論点: AI 事業者ガイドライン
総務省・経済産業省「AI 事業者ガイドライン」（2024年4月）が、AI に関わる主体を分類する際に用いる3区分として正しいものはどれか。
▶ 正解と解説を見る
正解: **D**。ガイドラインは「AI 開発者」「AI 提供者」「AI 利用者」の3主体ごとに求められる事項を整理し、共通の指針として人間中心・安全性・公平性・プライバシー保護・セキュリティ確保・透明性・アカウンタビリティ等を掲げる。法的拘束力のないソフトローだが、ガバナンス体制構築の事実上の基準。
**他の選択肢:**
- A・B・C: ガイドラインの主体区分ではない
Q75. AI 倫理・法律・ガバナンス (15%)
論点: 自動化された意思決定と本人の権利
EU の GDPR では、個人に法的効果や重大な影響を及ぼす決定について、ある権利が定められている。最も適切なものはどれか。
▶ 正解と解説を見る
正解: **B**。GDPR 第22条は、専ら自動化された処理のみに基づく重大な決定の対象とされない権利を定める。契約履行に必要・法律で認められている・明示的同意がある場合は例外だが、その場合も人間の関与を得る権利、意見を述べる権利、決定に異議を唱える権利などの保護措置を講じる必要がある。
**他の選択肢:**
- A: 全面禁止ではない
- C: 異議申立ての権利がある
- D: アルゴリズム全公開義務はない（意味のある情報の提供が求められる）