本文へ移動
資格ブートキャンプ無料で問題演習
WEB問題 出題論点

AIの社会実装・プロジェクト

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。

全問題の論点と学習ポイント

3問

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。

30問

  1. 課題設定・AI適用可能性の判断

    問題ID g_kentei_s05_0001

    AIプロジェクトで課題設定を先行させる理由を理解する。

  2. 課題設定・AI適用可能性の判断

    問題ID g_kentei_s05_0002

    AI導入の手段目的化を避けられる。

  3. 課題設定・AI適用可能性の判断

    問題ID g_kentei_s05_0003

    AIが適しやすい課題条件を判断できる。

  4. 課題設定・AI適用可能性の判断

    問題ID g_kentei_s05_0004

    ベースラインの役割を理解する。

  5. 課題設定・AI適用可能性の判断

    問題ID g_kentei_s05_0005

    課題特性に応じた評価観点を選べる。

  6. 課題設定・AI適用可能性の判断

    問題ID g_kentei_s05_0006

    AI出力と業務アクションの接続を理解する。

  7. 課題設定・AI適用可能性の判断

    問題ID g_kentei_s05_0007

    データ可用性を実運用の観点から評価できる。

  8. 課題設定・AI適用可能性の判断

    問題ID g_kentei_s05_0008

    高リスクAIの企画で統制を考慮できる。

  9. 課題設定・AI適用可能性の判断

    問題ID g_kentei_s05_0009

    AIを使うべきでないケースも判断できる。

  10. 課題設定・AI適用可能性の判断

    問題ID g_kentei_s05_0010

    AI適用可能性を多面的に評価できる。

  11. プロジェクト工程・PoC

    問題ID g_kentei_s05_0011

    PoCの役割を説明できる。

  12. プロジェクト工程・PoC

    問題ID g_kentei_s05_0012

    PoCの出口条件を設計できる。

  13. プロジェクト工程・PoC

    問題ID g_kentei_s05_0013

    AIプロジェクトの反復性を理解する。

  14. プロジェクト工程・PoC

    問題ID g_kentei_s05_0014

    PoCデータの代表性を評価できる。

  15. プロジェクト工程・PoC

    問題ID g_kentei_s05_0015

    AIライフサイクルの監視を理解する。

  16. プロジェクト工程・PoC

    問題ID g_kentei_s05_0016

    プロジェクト体制を理解する。

  17. プロジェクト工程・PoC

    問題ID g_kentei_s05_0017

    PoCを複数要件で評価できる。

  18. プロジェクト工程・PoC

    問題ID g_kentei_s05_0018

    安全な本番移行を設計できる。

  19. プロジェクト工程・PoC

    問題ID g_kentei_s05_0019

    段階導入手法を理解する。

  20. プロジェクト工程・PoC

    問題ID g_kentei_s05_0020

    PoCと本番運用の違いを理解する。

  21. KPI・評価基準・事業目的

    問題ID g_kentei_s05_0021

    KPIの目的を説明できる。

  22. KPI・評価基準・事業目的

    問題ID g_kentei_s05_0022

    モデル指標と事業指標を接続できる。

  23. KPI・評価基準・事業目的

    問題ID g_kentei_s05_0023

    評価基準の事前設定を理解する。

  24. KPI・評価基準・事業目的

    問題ID g_kentei_s05_0024

    誤判定コストから指標を選べる。

  25. KPI・評価基準・事業目的

    問題ID g_kentei_s05_0025

    精度と事業価値の乖離を診断できる。

  26. KPI・評価基準・事業目的

    問題ID g_kentei_s05_0026

    主KPIと制約指標を区別できる。

  27. KPI・評価基準・事業目的

    問題ID g_kentei_s05_0027

    KPI目標設定に比較基準を使える。

  28. KPI・評価基準・事業目的

    問題ID g_kentei_s05_0028

    AIの費用対効果を評価できる。

  29. KPI・評価基準・事業目的

    問題ID g_kentei_s05_0029

    A/Bテストを事業評価に使える。

  30. KPI・評価基準・事業目的

    問題ID g_kentei_s05_0030

    KPIの継続監視を理解する。

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。

30問

  1. データ入手・収集計画

    問題ID g_kentei_s05_0031

    データ収集計画の構成要素を理解する。

  2. データ入手・収集計画

    問題ID g_kentei_s05_0032

    時間的代表性を設計できる。

  3. データ入手・収集計画

    問題ID g_kentei_s05_0033

    外部データ利用の事前確認を理解する。

  4. データ入手・収集計画

    問題ID g_kentei_s05_0034

    センサーデータ収集設計を判断できる。

  5. データ入手・収集計画

    問題ID g_kentei_s05_0035

    データ定義管理を理解する。

  6. データ入手・収集計画

    問題ID g_kentei_s05_0036

    本番再現性を考えたデータ収集ができる。

  7. データ入手・収集計画

    問題ID g_kentei_s05_0037

    収集段階のサンプリング偏りを判断できる。

  8. データ入手・収集計画

    問題ID g_kentei_s05_0038

    ログの時間整合性を理解する。

  9. データ入手・収集計画

    問題ID g_kentei_s05_0039

    データ収集の費用対効果を考えられる。

  10. データ入手・収集計画

    問題ID g_kentei_s05_0040

    継続的データ収集を設計できる。

  11. データ品質・欠損・偏り

    問題ID g_kentei_s05_0041

    データ品質を多面的に説明できる。

  12. データ品質・欠損・偏り

    問題ID g_kentei_s05_0042

    欠損処理を適切に選べる。

  13. データ品質・欠損・偏り

    問題ID g_kentei_s05_0043

    欠損と偏りの関係を理解する。

  14. データ品質・欠損・偏り

    問題ID g_kentei_s05_0044

    ラベル品質の影響を説明できる。

  15. データ品質・欠損・偏り

    問題ID g_kentei_s05_0045

    外れ値の意味を確認して処理できる。

  16. データ品質・欠損・偏り

    問題ID g_kentei_s05_0046

    データ重複の影響を理解する。

  17. データ品質・欠損・偏り

    問題ID g_kentei_s05_0047

    データ鮮度とドリフトを理解する。

  18. データ品質・欠損・偏り

    問題ID g_kentei_s05_0048

    単一統計量の限界を理解する。

  19. データ品質・欠損・偏り

    問題ID g_kentei_s05_0049

    グループ別性能差をデータ品質から分析できる。

  20. データ品質・欠損・偏り

    問題ID g_kentei_s05_0050

    データ品質を継続監視できる。

  21. データ利用条件・権利・プライバシーへの配慮

    問題ID g_kentei_s05_0051

    公開データの利用条件を慎重に判断できる。

  22. データ利用条件・権利・プライバシーへの配慮

    問題ID g_kentei_s05_0052

    個人情報利用の基本原則を理解する。

  23. データ利用条件・権利・プライバシーへの配慮

    問題ID g_kentei_s05_0053

    外部生成AIへのデータ入力リスクを判断できる。

  24. データ利用条件・権利・プライバシーへの配慮

    問題ID g_kentei_s05_0054

    AIデータ契約の確認事項を理解する。

  25. データ利用条件・権利・プライバシーへの配慮

    問題ID g_kentei_s05_0055

    個人データの安全管理を理解する。

  26. データ利用条件・権利・プライバシーへの配慮

    問題ID g_kentei_s05_0056

    プライバシー配慮とデータ必要性を両立できる。

  27. データ利用条件・権利・プライバシーへの配慮

    問題ID g_kentei_s05_0057

    識別子除去と匿名化を区別できる。

  28. データ利用条件・権利・プライバシーへの配慮

    問題ID g_kentei_s05_0058

    AI学習データの著作権を一律判断しない。

  29. データ利用条件・権利・プライバシーへの配慮

    問題ID g_kentei_s05_0059

    データ来歴管理の意義を理解する。

  30. データ利用条件・権利・プライバシーへの配慮

    問題ID g_kentei_s05_0060

    プライバシー・バイ・デザインを説明できる。

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。

30問

  1. アノテーション・ラベル付け

    問題ID g_kentei_s05_0061

    アノテーションを説明できる。

  2. アノテーション・ラベル付け

    問題ID g_kentei_s05_0062

    アノテーション基準の役割を理解する。

  3. アノテーション・ラベル付け

    問題ID g_kentei_s05_0063

    アノテータ間一致を品質管理に使える。

  4. アノテーション・ラベル付け

    問題ID g_kentei_s05_0064

    専門アノテーションの品質設計を判断できる。

  5. アノテーション・ラベル付け

    問題ID g_kentei_s05_0065

    タスクとラベル形式を対応づけられる。

  6. アノテーション・ラベル付け

    問題ID g_kentei_s05_0066

    セグメンテーションラベルを理解する。

  7. アノテーション・ラベル付け

    問題ID g_kentei_s05_0067

    不確実ラベルを適切に扱える。

  8. アノテーション・ラベル付け

    問題ID g_kentei_s05_0068

    ラベル監査を設計できる。

  9. アノテーション・ラベル付け

    問題ID g_kentei_s05_0069

    ラベル定義変更を適切に管理できる。

  10. アノテーション・ラベル付け

    問題ID g_kentei_s05_0070

    アノテーションの費用対効果を考えられる。

  11. 前処理・クレンジング

    問題ID g_kentei_s05_0071

    データクレンジングを説明できる。

  12. 前処理・クレンジング

    問題ID g_kentei_s05_0072

    表記揺れを処理できる。

  13. 前処理・クレンジング

    問題ID g_kentei_s05_0073

    前処理によるデータリーケージを防げる。

  14. 前処理・クレンジング

    問題ID g_kentei_s05_0074

    数値変換の目的を理解する。

  15. 前処理・クレンジング

    問題ID g_kentei_s05_0075

    カテゴリ変数の符号化を理解する。

  16. 前処理・クレンジング

    問題ID g_kentei_s05_0076

    単位不整合を処理できる。

  17. 前処理・クレンジング

    問題ID g_kentei_s05_0077

    時系列前処理のリーケージを防げる。

  18. 前処理・クレンジング

    問題ID g_kentei_s05_0078

    前処理の再現性を確保できる。

  19. 前処理・クレンジング

    問題ID g_kentei_s05_0079

    不要・危険な識別子特徴を判断できる。

  20. 前処理・クレンジング

    問題ID g_kentei_s05_0080

    再現可能な前処理を設計できる。

  21. 訓練・検証・テストデータの設計

    問題ID g_kentei_s05_0081

    データ分割の基本役割を理解する。

  22. 訓練・検証・テストデータの設計

    問題ID g_kentei_s05_0082

    データリーケージの影響を説明できる。

  23. 訓練・検証・テストデータの設計

    問題ID g_kentei_s05_0083

    グループリーケージを防げる。

  24. 訓練・検証・テストデータの設計

    問題ID g_kentei_s05_0084

    時系列データ分割を設計できる。

  25. 訓練・検証・テストデータの設計

    問題ID g_kentei_s05_0085

    層化分割の目的を理解する。

  26. 訓練・検証・テストデータの設計

    問題ID g_kentei_s05_0086

    テスト汚染を防げる。

  27. 訓練・検証・テストデータの設計

    問題ID g_kentei_s05_0087

    重複リーケージを理解する。

  28. 訓練・検証・テストデータの設計

    問題ID g_kentei_s05_0088

    テストデータの代表性を評価できる。

  29. 訓練・検証・テストデータの設計

    問題ID g_kentei_s05_0089

    交差検証中のリーケージを防げる。

  30. 訓練・検証・テストデータの設計

    問題ID g_kentei_s05_0090

    最終テスト集合を適切に設計できる。

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。

30問

  1. 探索的データ分析・特徴量

    問題ID g_kentei_s05_0091

    EDAの目的を理解する

  2. 探索的データ分析・特徴量

    問題ID g_kentei_s05_0092

    連続変数間の関係を可視化できる

  3. 探索的データ分析・特徴量

    問題ID g_kentei_s05_0093

    将来情報を含む特徴量のリーケージを判断できる

  4. 探索的データ分析・特徴量

    問題ID g_kentei_s05_0094

    対数変換の用途と限界を理解する

  5. 探索的データ分析・特徴量

    問題ID g_kentei_s05_0095

    ターゲットエンコーディングでリーケージを避けられる

  6. 探索的データ分析・特徴量

    問題ID g_kentei_s05_0096

    スケーリングの影響をモデル特性と結び付けられる

  7. 探索的データ分析・特徴量

    問題ID g_kentei_s05_0097

    交互作用特徴量の意味を理解する

  8. 探索的データ分析・特徴量

    問題ID g_kentei_s05_0098

    多重共線性の影響を適切に説明できる

  9. 探索的データ分析・特徴量

    問題ID g_kentei_s05_0099

    欠損フラグを特徴量として使う条件を判断できる

  10. 探索的データ分析・特徴量

    問題ID g_kentei_s05_0100

    PCAと特徴量選択の違いを理解する

  11. モデル選択・学習

    問題ID g_kentei_s05_0101

    ベースラインモデルの役割を理解する

  12. モデル選択・学習

    問題ID g_kentei_s05_0102

    ハイパーパラメータ調整のデータ分離を理解する

  13. モデル選択・学習

    問題ID g_kentei_s05_0103

    モデル複雑度を適切に判断できる

  14. モデル選択・学習

    問題ID g_kentei_s05_0104

    不均衡データの学習・評価を判断できる

  15. モデル選択・学習

    問題ID g_kentei_s05_0105

    時系列データの分割方法を判断できる

  16. モデル選択・学習

    問題ID g_kentei_s05_0106

    正則化強度の役割を理解する

  17. モデル選択・学習

    問題ID g_kentei_s05_0107

    Early stoppingの使い方を理解する

  18. モデル選択・学習

    問題ID g_kentei_s05_0108

    アンサンブルの利点と代償を理解する

  19. モデル選択・学習

    問題ID g_kentei_s05_0109

    確率的学習のばらつきを踏まえて比較できる

  20. モデル選択・学習

    問題ID g_kentei_s05_0110

    本番制約を含むモデル選定ができる

  21. 実験・評価・再現性

    問題ID g_kentei_s05_0111

    再現性に必要な記録項目を理解する

  22. 実験・評価・再現性

    問題ID g_kentei_s05_0112

    前処理を分割内でfitする理由を理解する

  23. 実験・評価・再現性

    問題ID g_kentei_s05_0113

    テストセットの独立性を理解する

  24. 実験・評価・再現性

    問題ID g_kentei_s05_0114

    評価結果のばらつきを解釈できる

  25. 実験・評価・再現性

    問題ID g_kentei_s05_0115

    実験追跡システムの用途を理解する

  26. 実験・評価・再現性

    問題ID g_kentei_s05_0116

    再現性とデータバージョン管理を理解する

  27. 実験・評価・再現性

    問題ID g_kentei_s05_0117

    乱数制御の意味と限界を理解する

  28. 実験・評価・再現性

    問題ID g_kentei_s05_0118

    オフライン評価とオンライン評価を区別できる

  29. 実験・評価・再現性

    問題ID g_kentei_s05_0119

    評価設計を固定して比較可能性を保てる

  30. 実験・評価・再現性

    問題ID g_kentei_s05_0120

    非決定性がある場合の実務的再現性を理解する

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。

30問

  1. モデルの実装・デプロイ・推論

    問題ID 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

  2. モデルの実装・デプロイ・推論

    問題ID g_kentei_s05_0122

    前処理とモデルの一貫性を保てる

  3. モデルの実装・デプロイ・推論

    問題ID g_kentei_s05_0123

    モデルAPIの互換性を考慮できる

  4. モデルの実装・デプロイ・推論

    問題ID g_kentei_s05_0124

    カナリアリリースの目的を理解する

  5. モデルの実装・デプロイ・推論

    問題ID g_kentei_s05_0125

    ロールバック戦略を理解する

  6. モデルの実装・デプロイ・推論

    問題ID g_kentei_s05_0126

    学習・推論の特徴量処理を共有する意義を理解する

  7. モデルの実装・デプロイ・推論

    問題ID g_kentei_s05_0127

    レイテンシとスループットを区別できる

  8. モデルの実装・デプロイ・推論

    問題ID g_kentei_s05_0128

    実行環境の互換性を確認できる

  9. モデルの実装・デプロイ・推論

    問題ID g_kentei_s05_0129

    推論障害時のフォールバックを設計できる

  10. モデルの実装・デプロイ・推論

    問題ID g_kentei_s05_0130

    推論サービスのセキュリティ基本を理解する

  11. 性能監視・データ変化・再学習

    問題ID g_kentei_s05_0131

    データドリフトの意味を理解する

  12. 性能監視・データ変化・再学習

    問題ID g_kentei_s05_0132

    概念ドリフトを理解する

  13. 性能監視・データ変化・再学習

    問題ID g_kentei_s05_0133

    ラベル遅延時の監視を設計できる

  14. 性能監視・データ変化・再学習

    問題ID g_kentei_s05_0134

    training-serving skewを検出できる

  15. 性能監視・データ変化・再学習

    問題ID g_kentei_s05_0135

    再学習トリガーを適切に設計できる

  16. 性能監視・データ変化・再学習

    問題ID g_kentei_s05_0136

    フィードバックループのリスクを理解する

  17. 性能監視・データ変化・再学習

    問題ID g_kentei_s05_0137

    入力スキーマ・品質を監視できる

  18. 性能監視・データ変化・再学習

    問題ID g_kentei_s05_0138

    季節性とドリフトを区別して分析できる

  19. 性能監視・データ変化・再学習

    問題ID g_kentei_s05_0139

    再学習データの代表性を考慮できる

  20. 性能監視・データ変化・再学習

    問題ID g_kentei_s05_0140

    Champion/Challengerや廃止判断を理解する

  21. 人間とAIの役割分担・運用上の判断

    問題ID g_kentei_s05_0141

    人間の役割と責任を明確化できる

  22. 人間とAIの役割分担・運用上の判断

    問題ID g_kentei_s05_0142

    自動化バイアスを理解する

  23. 人間とAIの役割分担・運用上の判断

    問題ID g_kentei_s05_0143

    Human-in-the-loopの実効性を判断できる

  24. 人間とAIの役割分担・運用上の判断

    問題ID g_kentei_s05_0144

    意思決定支援としてAIを位置付けられる

  25. 人間とAIの役割分担・運用上の判断

    問題ID g_kentei_s05_0145

    不確実時のエスカレーションを設計できる

  26. 人間とAIの役割分担・運用上の判断

    問題ID g_kentei_s05_0146

    人間のオーバーライド記録を活用できる

  27. 人間とAIの役割分担・運用上の判断

    問題ID g_kentei_s05_0147

    責任をAIへ転嫁できないことを理解する

  28. 人間とAIの役割分担・運用上の判断

    問題ID g_kentei_s05_0148

    不確実性の伝え方を適切に設計できる

  29. 人間とAIの役割分担・運用上の判断

    問題ID g_kentei_s05_0149

    独立したレビューや職務分掌を考えられる

  30. 人間とAIの役割分担・運用上の判断

    問題ID g_kentei_s05_0150

    自動化レベルをリスクに応じて選択できる

WEB問題ページへ戻る