本文へ移動
資格ブートキャンプ無料で問題演習
無料WEB問題演習

G検定 WEB問題演習

G検定の解説付きWEB問題を全900問公開しています。今日の10問、科目別演習、間違い復習を使って、理解度確認と弱点対策を無料で進められます。

教材区分 オリジナル予想問題

掲載している問題は、試験範囲や公式情報等を参考に、資格ブートキャンプが独自に制作した試験対策用の予想問題です。実際の過去問を転載したものではありません。

0%
学習進捗0 / 900問
▦
本日の学習0 / 10問残り10問
🔥
連続学習0日ベスト：0日
◎
正答率-%直近100問
効果的な使い方

WEB問題の効果的な使い方

G検定の理解度確認と弱点対策に活用できます。

まずは「今日の10問」で習慣化

一度に大量の問題を解くより、毎日少しずつ継続して問題に触れることで、 知識の抜けや忘れている論点を見つけやすくなります。 正解数だけでなく、迷った問題も復習対象として確認してください。

苦手分野は「科目別学習」で集中対策

正答率が低い科目や理解が曖昧な分野は、科目別に繰り返して解きます。 同じ論点を複数回解くことで、選択肢の違いだけを覚えるのではなく、 正解の根拠を説明できる状態を目指します。

  1. 最初に10問程度解いて現在の理解度を確認する
  2. 間違えた問題・迷った問題の解説を確認する
  3. 苦手科目を科目別学習で集中的に解く
  4. 数日後に「間違い復習」で定着したか確認する
学習方法を使い分ける

WEB問題とPDF教材の使い分け

WEB問題が向いている学習

その場で採点・解説を確認したいとき、日々の学習進捗や正答率を見ながら学びたいとき、 間違えた問題だけを効率よく復習したいときに向いています。

PDF教材が向いている学習

科目ごとにまとめて問題を解きたいとき、印刷して書き込みながら学びたいとき、 端末へ保存してオフラインで繰り返し復習したいときに向いています。

WEB問題で弱点を見つけ、PDF教材で該当科目を反復し、その後に再びWEB問題で確認すると、 「理解度確認 → 弱点整理 → 反復復習 → 再確認」という学習サイクルを作りやすくなります。

科目別学習

科目を選択する

出題方式と問題数を選べます。学習項目と代表問題は、演習の進捗を変更せず確認できます。

人工知能の基礎・歴史・動向

150問

人工知能の基礎・歴史・動向の公開中WEB問題150問を、5つの学習分野・15の細目に沿って確認できる。

詳細な学習項目・代表問題を見る

収録トピック

  • 人工知能とは「人工知能とは」の分野として、人工知能の定義・分類、弱いAI・強いAI・汎用人工知能、フレーム問題・シンボルグラウンディング・身体性などを扱う。
  • 探索・推論「探索・推論」の分野として、探索木・幅優先探索・深さ優先探索、ゲーム木・ミニマックス法・αβ法、論理・推論・確率的推論を扱う。
  • 知識表現・エキスパートシステム「知識表現・エキスパートシステム」の分野として、知識表現・ルール・意味ネットワーク・フレーム、エキスパートシステム、知識獲得・オントロジーを扱う。
  • 機械学習への発展「機械学習への発展」の分野として、第1次・第2次・第3次AIブーム、機械学習の成立と発展、ビッグデータ・GPU・画像認識技術の発展を扱う。
  • ディープラーニングへの発展「ディープラーニングへの発展」の分野として、ニューラルネットワーク・パーセプトロンの歴史、ディープラーニングの成立・表現学習への発展、生成AI・基盤モデルを含むAI技術動向を扱う。
全問題の学習ポイントを見る

代表問題

実際に収録している問題と解説の例です。ここで開いても学習進捗には記録されません。

g_kentei_s01_0016｜中国語の部屋が提起する論点を説明できる。

中国語の部屋の思考実験が主に問題提起する対象として最も適切なものはどれか。

  1. ア ニューラルネットワークは微分できないという数学的問題である。
  2. イ 形式的な記号操作が正しく行えることだけで、意味理解が成立したと言えるのかという問題である。
  3. ウ 探索アルゴリズムでは必ず無限ループが起こるという計算量の問題である。
  4. エ データベースに中国語を保存すると著作権が発生するという法的問題である。
答え・4肢解説を見る

正答：イ

  1. ア

    微分可能性とは無関係の哲学的思考実験である。

  2. イ

    中国語の部屋は、規則どおりの記号操作と意味の理解を同一視できるかを問う。

  3. ウ

    中国語の部屋は探索の停止性ではなく、記号操作と理解の関係を扱う。

  4. エ

    法制度ではなく、心・理解・記号処理についての哲学的議論である。

総合解説

思考実験では、規則に従って中国語記号へ適切に応答できても、操作者が中国語の意味を理解しているとは限らないという直観が使われる。

g_kentei_s01_0121｜パーセプトロンの基本構造を説明できる。

Rosenblattのパーセプトロンを最も適切に説明したものはどれか。

  1. ア 大量のIF-THENルールだけで構成されるエキスパートシステムである。
  2. イ Transformerの自己注意機構の別名である。
  3. ウ 入力の重み付き和に基づいて出力を決め、学習によって重みを調整する初期のニューラルネットワークモデルである。
  4. エ 画像をノイズから生成する拡散モデルである。
答え・4肢解説を見る

正答：ウ

  1. ア

    パーセプトロンは重みを持つ学習モデルである。

  2. イ

    Transformerとは歴史的にも構造的にも異なる。

  3. ウ

    1958年のRosenblattの研究は、認識・一般化を扱う学習モデルとしてパーセプトロンを論じた。

  4. エ

    拡散モデルは現代の生成モデルである。

総合解説

パーセプトロンは現代ニューラルネットワークの祖先の一つだが、単層モデルには表現力上の限界がある。

機械学習・数理統計

150問

機械学習・数理統計の公開中WEB問題150問を、5つの学習分野・15の細目に沿って確認できる。

詳細な学習項目・代表問題を見る

収録トピック

  • 教師あり学習「教師あり学習」の分野として、回帰・線形回帰、分類・ロジスティック回帰・SVM、決定木・ランダムフォレスト・アンサンブルを扱う。
  • 教師なし学習「教師なし学習」の分野として、クラスタリング、主成分分析・次元削減、異常検知・データ構造の把握を扱う。
  • 強化学習「強化学習」の分野として、エージェント・環境・状態・行動・報酬、価値関数・方策・Q学習、探索と活用・方策学習を扱う。
  • モデルの選択・評価「モデルの選択・評価」の分野として、訓練・検証・テスト・交差検証、Accuracy・Precision・Recall・F値・ROC、過学習・未学習・バイアスとバリアンスを扱う。
  • 数理・統計「数理・統計」の分野として、ベクトル・行列・微分・勾配、確率・確率分布・ベイズの定理、平均・分散・相関・情報量・統計指標を扱う。
全問題の学習ポイントを見る

代表問題

実際に収録している問題と解説の例です。ここで開いても学習進捗には記録されません。

g_kentei_s02_0016｜分類閾値の影響を判断できる。

二値分類モデルが「陽性確率0.7」を出力した。閾値を0.5から0.8へ上げたときに一般に起こりやすい変化として、最も適切なものはどれか。

  1. ア 陽性判定が増え、偽陰性が必ず0になる。
  2. イ 予測確率そのものが再学習なしに全件増加する。
  3. ウ 真陽性・偽陽性・真陰性・偽陰性がすべて不変である。
  4. エ 陽性と判定される件数が減り、偽陽性は減りやすい一方で偽陰性は増えやすい。
答え・4肢解説を見る

正答：エ

  1. ア

    閾値を上げると通常は陽性判定が減る。

  2. イ

    閾値変更は確率出力を変える学習処理ではない。

  3. ウ

    閾値を跨ぐサンプルがあれば混同行列は変化する。

  4. エ

    閾値を高くすると陽性判定の条件が厳しくなるため、precisionとrecallのバランスが変化する。

総合解説

分類閾値は業務コストや見逃し・誤警報の重要度に応じて設定する。

g_kentei_s02_0121｜ベクトルの内積を解釈できる。

2つのベクトルの内積について最も適切な説明はどれか。

  1. ア 常に元の2ベクトルより次元が高いベクトルを返す。
  2. イ 各成分を必ず逆数にした行列を返す。
  3. ウ 対応する成分の積を足し合わせたスカラーで、類似度や射影の計算にも使われる。
  4. エ ベクトルの要素を並べ替えるだけの演算である。
答え・4肢解説を見る

正答：ウ

  1. ア

    通常の内積の結果はスカラーである。

  2. イ

    内積の定義ではない。

  3. ウ

    内積は線形モデルやニューラルネットの重み付き和などにも現れる基本演算である。

  4. エ

    内積は積和演算であり並べ替えではない。

総合解説

内積は線形モデルやニューラルネットの重み付き和などにも現れる基本演算である。 数式の形だけでなく、機械学習で何を表している量・操作かを結び付けて理解することが重要である。

ディープラーニング基礎・要素技術

150問

ディープラーニング基礎・要素技術の公開中WEB問題150問を、5つの学習分野・15の細目に沿って確認できる。

詳細な学習項目・代表問題を見る

収録トピック

  • ニューラルネットワーク「ニューラルネットワーク」の分野として、ニューラルネットワーク・多層ネットワーク、活性化関数、誤差関数・損失関数を扱う。
  • 学習アルゴリズム「学習アルゴリズム」の分野として、正則化・過学習対策、誤差逆伝播法、勾配降下法・最適化手法を扱う。
  • 基本レイヤー「基本レイヤー」の分野として、全結合層、畳み込み層、プーリング層を扱う。
  • ネットワーク構造「ネットワーク構造」の分野として、正規化層、スキップ結合、回帰結合層・RNNを扱う。
  • 発展的要素技術「発展的要素技術」の分野として、Attention、オートエンコーダ、データ拡張を扱う。
全問題の学習ポイントを見る

代表問題

実際に収録している問題と解説の例です。ここで開いても学習進捗には記録されません。

g_kentei_s03_0016｜dying ReLUを説明できる。

ReLUで「dying ReLU」と呼ばれる現象として、最も適切なものはどれか。

  1. ア 正の入力が大きいほど出力が必ず0へ近づく現象である。
  2. イ 出力確率の合計が1を超える現象である。
  3. ウ 活性化関数が訓練データを自動削除する現象である。
  4. エ あるユニットの入力が負側に偏り続け、出力も勾配も0となって更新が進みにくくなる現象である。
答え・4肢解説を見る

正答：エ

  1. ア

    ReLUは正の領域では入力をそのまま出力する。

  2. イ

    softmax出力の話ではない。

  3. ウ

    データ削除ではなくユニットの不活性化である。

  4. エ

    標準ReLUは負の領域で勾配が0なので、ユニットが負側に固定されると学習に寄与しにくくなる。

総合解説

Leaky ReLUなどは負の領域にも小さな傾きを持たせ、この問題を緩和する狙いがある。

g_kentei_s03_0121｜Attentionの基本目的を説明できる。

Attention機構の基本的な考え方として、最も適切なものはどれか。

  1. ア 入力要素を必ず等しい重みで平均するだけの処理である。
  2. イ 訓練データのラベルをランダムに入れ替える正則化である。
  3. ウ 入力中の各要素に重要度を割り当て、タスクや文脈に応じて情報を重み付きで集約する。
  4. エ 画像解像度を固定比率で縮小するプーリングだけを指す。
答え・4肢解説を見る

正答：ウ

  1. ア

    重みは通常入力関係に応じて変わる。

  2. イ

    ラベルシャッフルではない。

  3. ウ

    Attentionは関連度に応じた重み付けで必要な情報を選択的に集約する。

  4. エ

    プーリングとは別の機構である。

総合解説

Attentionは系列内または異なる系列間の関係を直接評価し、重要な情報へ重点を置く仕組みである。

ディープラーニング応用・生成AI

150問

ディープラーニング応用・生成AIの公開中WEB問題150問を、5つの学習分野・15の細目に沿って確認できる。

詳細な学習項目・代表問題を見る

収録トピック

  • 画像認識「画像認識」の分野として、画像分類・CNN、代表的CNNアーキテクチャ、物体検出・セグメンテーションを扱う。
  • 自然言語処理「自然言語処理」の分野として、単語表現・分散表現、RNN・LSTM・Seq2Seq、Transformer・大規模言語モデルを扱う。
  • 音声・強化学習・マルチモーダル「音声・強化学習・マルチモーダル」の分野として、音声認識・音声処理、深層強化学習、マルチモーダルを扱う。
  • データ生成・生成AI「データ生成・生成AI」の分野として、GAN、VAE・潜在変数モデル、拡散モデル・生成AIを扱う。
  • 発展的応用「発展的応用」の分野として、転移学習・ファインチューニング、モデルの解釈性、モデルの軽量化を扱う。
全問題の学習ポイントを見る

代表問題

実際に収録している問題と解説の例です。ここで開いても学習進捗には記録されません。

g_kentei_s04_0016｜代表CNNを比較できる。

AlexNetとResNetを比較した説明として最も適切なものはどれか。

  1. ア AlexNetだけが畳み込みを使い、ResNetは全結合だけである。
  2. イ ResNetはAlexNetより古く、GPU以前に登場した。
  3. ウ 両者は層構造も学習目的も完全に同一である。
  4. エ ResNetはスキップ結合を導入し、AlexNetよりはるかに深いネットワークを学習可能にした。
答え・4肢解説を見る

正答：エ

  1. ア

    両者ともCNNを用いる。

  2. イ

    ResNetは後年である。

  3. ウ

    設計に大きな違いがある。

  4. エ

    CNNの深層化を支えた構造上の進歩である。

総合解説

代表モデルは単なる名前暗記ではなく、技術的課題と解決策を対応づけるとよい。

g_kentei_s04_0121｜転移学習の基本を理解する。

転移学習の基本的な考え方として適切なものはどれか。

  1. ア 新しいタスクごとに必ず全パラメータを乱数から学習し直す。
  2. イ 教師データを使わずモデルの重みを一切更新しないことだけを指す。
  3. ウ あるタスクや大規模データで学習した表現を、関連する別タスクの学習に再利用する。
  4. エ 異なるタスク間では学習済み特徴を利用してはいけないという原則。
答え・4肢解説を見る

正答：ウ

  1. ア

    これは転移を利用しない学習である。

  2. イ

    転移学習は更新有無に限定されない。

  3. ウ

    既学習の特徴を新しいタスクへ活用するのが転移学習である。

  4. エ

    転移学習の考え方と逆である。

総合解説

低層の一般的特徴など、既学習表現を再利用することで少量データでも有利になる場合がある。

AIの社会実装・プロジェクト

150問

AIの社会実装・プロジェクトの公開中WEB問題150問を、5つの学習分野・15の細目に沿って確認できる。

詳細な学習項目・代表問題を見る

収録トピック

  • AIプロジェクト企画「AIプロジェクト企画」の分野として、課題設定・AI適用可能性の判断、プロジェクト工程・PoC、KPI・評価基準・事業目的を扱う。
  • データ収集「データ収集」の分野として、データ入手・収集計画、データ品質・欠損・偏り、データ利用条件・権利・プライバシーへの配慮を扱う。
  • データ加工・準備「データ加工・準備」の分野として、アノテーション・ラベル付け、前処理・クレンジング、訓練・検証・テストデータの設計を扱う。
  • 分析・モデル開発「分析・モデル開発」の分野として、探索的データ分析・特徴量、モデル選択・学習、実験・評価・再現性を扱う。
  • 実装・運用「実装・運用」の分野として、モデルの実装・デプロイ・推論、性能監視・データ変化・再学習、人間とAIの役割分担・運用上の判断を扱う。
全問題の学習ポイントを見る

代表問題

実際に収録している問題と解説の例です。ここで開いても学習進捗には記録されません。

g_kentei_s05_0016｜プロジェクト体制を理解する。

AIプロジェクトの工程で、業務部門の関与が特に必要な理由として最も適切なものはどれか。

  1. ア 業務部門だけが機械学習アルゴリズムを実装する必要があるから。
  2. イ 技術部門はデータを見てはいけないから。
  3. ウ 業務部門が関与すると評価指標を使えなくなるから。
  4. エ 現場の課題、データの意味、誤判定コスト、運用手順を技術チームだけでは完全に把握できないため。
答え・4肢解説を見る

正答：エ

  1. ア

    技術実装は役割分担できる。

  2. イ

    適切な権限で共同確認する。

  3. ウ

    むしろ事業指標の設定に重要である。

  4. エ

    AIの社会実装は技術と業務の共同設計が必要である。

総合解説

ステークホルダーの役割、責任、意思決定権限を明確にする。

g_kentei_s05_0121｜バッチ推論とオンライン推論を使い分けられる

バッチ推論とオンライン推論の使い分けとして最も適切な説明はどれか。

  1. ア バッチ推論は1件ずつ必ずミリ秒以内に応答する方式である。
  2. イ オンライン推論では本番データを受け取れない。
  3. ウ 即時応答が必要ならオンライン推論、一定間隔でまとめて処理できるならバッチ推論が候補になる。
  4. エ 推論方式は事業要件に関係なく常に同じものを選ぶ。
答え・4肢解説を見る

正答：ウ

  1. ア

    それはオンライン推論に近い。

  2. イ

    入力を受けてリアルタイムに予測する。

  3. ウ

    推論方式は要求レイテンシ、データ鮮度、処理量、コストで選ぶ。

  4. エ

    要件で適切な方式は変わる。

総合解説

処理方式は鮮度と運用コストのトレードオフを考える。

AI関連法規・倫理・ガバナンス

150問

AI関連法規・倫理・ガバナンスの公開中WEB問題150問を、5つの学習分野・15の細目に沿って確認できる。

詳細な学習項目・代表問題を見る

収録トピック

  • 個人情報・プライバシー「個人情報・プライバシー」の分野として、個人情報保護法・個人情報・個人データ、匿名加工情報等・データ利活用、AI利用とプライバシーを扱う。
  • 知的財産「知的財産」の分野として、著作権法・AI学習・生成物、特許法、不正競争防止法・営業秘密を扱う。
  • 競争法・契約「競争法・契約」の分野として、独占禁止法、AI開発委託契約、AIサービス提供契約を扱う。
  • AI倫理「AI倫理」の分野として、公平性・バイアス・差別、安全性・セキュリティ・悪用、透明性・説明可能性を扱う。
  • AIガバナンス「AIガバナンス」の分野として、国内外のAIガイドライン・AIガバナンス、民主主義・環境保護・その他の社会的価値、労働政策・人間中心・リスク管理を扱う。
全問題の学習ポイントを見る

代表問題

実際に収録している問題と解説の例です。ここで開いても学習進捗には記録されません。

g_kentei_s06_0016｜匿名加工情報の第三者提供を理解する

匿名加工情報を第三者に提供する場合の対応として最も適切なものはどれか。

  1. ア 匿名加工情報なら何の手続もなく秘密裏に提供してよい。
  2. イ 匿名加工情報は第三者提供が一切禁止されている。
  3. ウ 提供先に再識別を依頼する。
  4. エ 提供する匿名加工情報に含まれる項目等を公表し、提供先に匿名加工情報である旨を明示するなど法定義務を守る。
答え・4肢解説を見る

正答：エ

  1. ア

    法定の公表・明示等が必要である。

  2. イ

    一定の条件で提供できる制度である。

  3. ウ

    再識別目的の行為は制度趣旨に反する。

  4. エ

    匿名加工情報は一定条件で本人同意なく第三者提供が可能だが、公表・明示等の義務がある。

総合解説

「匿名だから自由」ではなく、匿名加工情報特有の取扱義務を守る。

g_kentei_s06_0121｜日本のAI事業者ガイドライン最新版を理解する

2026年9月時点の日本の「AI事業者ガイドライン」の最新版として適切なものはどれか。

  1. ア 2024年公表の第1.0版が、その後も改訂されず最新版である。
  2. イ 2026年3月にAI事業者ガイドラインは廃止され、別名称の法令へ完全移行した。
  3. ウ 第1.2版。
  4. エ 最新版は事業者ごとに任意に名乗るため、公的な版番号は設定されていない。
答え・4肢解説を見る

正答：ウ

  1. ア

    第1.0版の後も改訂が行われており、2026年9月時点の最新版は第1.2版である。

  2. イ

    AI事業者ガイドラインは廃止されておらず、2026年3月31日に第1.2版が公表されている。

  3. ウ

    正しい。2026年9月時点のAI事業者ガイドライン最新版は第1.2版である。

  4. エ

    AI事業者ガイドラインには公的な版番号が付されており、最新版を確認して参照する必要がある。

総合解説

AI事業者ガイドラインは継続的に改訂されるため、版番号と確認日を明確にすることが重要である。2026年9月時点では第1.2版が最新版である。

問題データを読み込んでいます…

情報について 教材内容は試験対策用です。制度・試験情報は必ず公式発表も確認してください。

実際の収録問題から掲載

G検定（JDLA Deep Learning for GENERAL）の代表問題

資格ブートキャンプでは、 G検定（JDLA Deep Learning for GENERAL）のWEB問題を公開しています。 以下は実際に収録している問題から、 収録科目ごとに1問ずつ掲載した代表問題です。

すべて4択形式で、問題ごとに正答と解説を確認できます。解説を通して、正しい知識や判断のポイントを学べます。

代表問題1 GK01 人工知能の基礎・歴史・動向

出題分野：人工知能の定義・分類

人工知能（AI）の説明として、最も適切なものはどれか。

  1. ア． 知覚・推論・学習・意思決定など、知的とみなされる機能を機械で実現しようとする研究・技術分野である。
  2. イ． 数値計算を高速に行うすべてのコンピュータ処理を指す。
  3. ウ． 人間の脳を生物学的に完全複製することだけを目的とする分野である。
  4. エ． 大量のデータを保存するデータベース技術の総称である。
答え・解説を見る

正答： ア

ア：AIは単一の厳密な定義に限られないが、人間が知的とみなす機能を計算機で扱うという捉え方は代表的である。
イ：高速な数値計算だけでは、知覚・推論・学習などの知的機能を扱うというAIの特徴を表せない。
ウ：AI研究には脳の仕組みを参考にする立場もあるが、生物学的完全複製だけが目的ではない。
エ：データベースはAIで利用されることがあるが、保存技術そのものをAI全体とは呼ばない。

総合解説：AIは定義の仕方に幅があるが、知的とみなされる振る舞いや能力を人工的なシステムで実現することを中心課題とする。G検定では、定義が一意ではない点も含めて概念を区別できることが重要である。
代表問題2 GK02 機械学習・数理統計

出題分野：回帰・線形回帰

教師あり学習における回帰の説明として、最も適切なものはどれか。

  1. ア． 入力から連続値の目的変数を予測する課題である。
  2. イ． 入力データを正解ラベルなしで似た群に分ける課題である。
  3. ウ． 各状態で将来報酬を最大にする行動を学ぶ課題である。
  4. エ． 入力を必ず二つのクラスだけに分ける課題である。
答え・解説を見る

正答： ア

ア：回帰は価格・温度・需要量など連続的な数値を予測する代表的な教師あり学習である。
イ：これはクラスタリングであり、教師なし学習に分類される。
ウ：これは強化学習の説明である。
エ：これは二値分類の説明であり、回帰ではない。

総合解説：回帰と分類はどちらも教師あり学習だが、目的変数が連続値かカテゴリかで基本的に区別する。
代表問題3 GK03 ディープラーニング基礎・要素技術

出題分野：ニューラルネットワーク・多層ネットワーク

人工ニューロンの基本的な処理として、最も適切なものはどれか。

  1. ア． 複数の入力を重み付きで合成し、バイアスを加えた値に活性化関数を適用して出力する。
  2. イ． 入力を重みと無関係にそのまま複製し、常に同じ値を出力する。
  3. ウ． 正解ラベルを入力として受け取り、そのラベルだけを次層へ転送する。
  4. エ． 入力特徴量を必ず一つだけ選び、残りを永久に削除する。
答え・解説を見る

正答： ア

ア：人工ニューロンは入力の線形結合に非線形変換を組み合わせる基本単位として表現される。
イ：重みや活性化関数による変換を行うため、単なる複製ではない。
ウ：推論時に正解ラベルを入力することを前提としない。
エ：一般には複数入力を重み付きで統合する。

総合解説：ニューラルネットワークでは、各ニューロンの重み・バイアスと非線形性を層状に組み合わせて複雑な写像を表現する。
代表問題4 GK04 ディープラーニング応用・生成AI

出題分野：画像分類・CNN

画像分類タスクの出力として最も典型的なものはどれか。

  1. ア． 画像全体に対して一つまたは複数のクラスラベルを予測する。
  2. イ． 画像中の各物体へ境界ボックスを付与する。
  3. ウ． 各画素へクラスラベルを付ける。
  4. エ． 音声波形を文字列へ変換する。
答え・解説を見る

正答： ア

ア：画像分類は画像全体のカテゴリを予測するタスクである。
イ：これは物体検出の説明である。
ウ：これはセマンティックセグメンテーションの説明である。
エ：これは音声認識である。

総合解説：画像分類では空間的位置の詳細を直接出力せず、画像単位のカテゴリ判断を行う。
代表問題5 GK05 AIの社会実装・プロジェクト

出題分野：課題設定・AI適用可能性の判断

AIプロジェクトの企画で最初に明確にすべきこととして最も適切なものはどれか。

  1. ア． 解決したい業務課題と、改善したい事業上の成果を具体化する。
  2. イ． 利用するニューラルネットワークの層数を先に固定する。
  3. ウ． GPUの機種だけを先に決める。
  4. エ． AIを導入すること自体を最終目的にする。
答え・解説を見る

正答： ア

ア：AI手法の選定より先に、何を改善するのかを明確にすることが重要である。
イ：課題やデータを確認する前にモデル構造を固定するのは適切でない。
ウ：計算資源は要件に応じて後から選定する。
エ：AIは目的ではなく課題解決の手段である。

総合解説：AI適用の可否は、課題、データ、評価可能性、運用条件、リスクを総合して判断する。
代表問題6 GK06 AI関連法規・倫理・ガバナンス

出題分野：個人情報保護法・個人情報・個人データ

個人情報保護法上の「個人情報」の説明として最も適切なものはどれか。

  1. ア． 生存する個人に関する情報で、氏名等により特定の個人を識別できるものや個人識別符号を含むもの。
  2. イ． 法人に関する情報はすべて個人情報である。
  3. ウ． 死者に関する情報は常に個人情報保護法上の個人情報である。
  4. エ． 氏名が削除されていれば必ず個人情報ではない。
答え・解説を見る

正答： ア

ア：個人情報には、他の情報と容易に照合して個人を識別できるものや個人識別符号を含むものも含まれる。
イ：法人そのものに関する情報は原則として個人情報の定義とは異なる。
ウ：同法の定義は生存する個人に関する情報を基本とする。
エ：他情報との容易照合等で個人識別できる場合がある。

総合解説：氏名の有無だけでなく、個人識別可能性や個人識別符号の有無を確認する。