E資格～模擬試験②～ 2024年12月7日 ailearn 1. 仮想環境「Vagrant」を使用する場合、主にどのようなシナリオで役立つか？ 一貫性のある仮想マシン環境を簡単に構築し、チーム間で共有する場合 クラウドでのデータベース運用を最適化する場合 GPUを利用して大規模な計算を行う場合 ウェブサイトをホスティングする場合 None 2. LIME（Local Interpretable Model-agnostic Explanations）の主な特徴は何ですか？ モデル全体の動作をシミュレーションする ランダムにデータを選んでモデルの予測を評価する 特定の予測に対して、シンプルなローカルモデルを使って説明を行う モデルのパラメータを全て可視化する None 3. エッジコンピューティングにおける「リアルタイム性」を確保するために重要な要素はどれですか？ データをクラウドに送り、結果を待つこと データを定期的にバックアップすること 大量のデータを一度に送信すること データをエッジデバイスで即時に処理すること None 4. 次のうち、深層強化学習でよく使用される「アクター・クリティック（Actor-Critic）」の特徴は何ですか？ 方策を直接学習するアクターと、価値関数を学習するクリティックが協調して学習を行う エージェントが方策を持たずに学習を行う 環境の次の状態を予測するモデル 報酬が無い場合でも学習が進行する None 5. 「Scaled Dot-Product Attention」において、スコアをスケーリングする理由は何ですか？ スコアが小さくなりすぎるのを防ぐため スコアが大きくなりすぎるのを防ぐため 勾配消失を防ぐため 計算コストを削減するため None 6. 分散処理における「スケーラビリティ」とは何ですか？ システムが負荷や規模の変化に対応して拡張できる能力 データの保存容量を増やす機能 すべてのデータをクラウドに移行する機能 ネットワーク帯域を広げる機能 None 7. 分散処理システムでの「シャーディング」の目的は何ですか？ データを圧縮して保存する データを一箇所に集約して保存する データを複数のノードに分割して保存し、処理を分散させる データの一貫性を保証する None 8. 次のうち、RNNにおいて双方向の情報フローを活用するモデルはどれですか？ Bidirectional RNN LSTM GRU Simple RNN None 9. 「環境構築」とは何を指しますか？ ソフトウェアの実行に必要な開発・運用環境を整備する作業 プログラムのデバッグ作業 ネットワークの設定作業 ソフトウェアの保守とサポート業務 None 10. 「コントラスト学習」において、ポジティブペアとネガティブペアの定義は何ですか？ ポジティブペアはラベル付きデータ、ネガティブペアはラベルなしデータを指す ポジティブペアは類似したデータ、ネガティブペアは異なるデータを指す ポジティブペアはラベルなしデータ、ネガティブペアは生成されたデータを指す ポジティブペアは同じモデル、ネガティブペアは異なるモデルを指す None 11. バッチ正規化（Batch Normalization）の効果として最も適切なものはどれですか？ モデルのトレーニングを安定化させる 勾配消失問題を完全に防ぐ 過学習を防ぐために学習データを削減する 学習率を低下させる None 12. 「説明可能AI（Explainable AI, XAI）」の主な目的は何ですか？ モデルがなぜ特定の予測を行ったのかを理解しやすくすること モデルの学習速度を向上させること モデルの訓練データ量を減らすこと モデルの予測精度を下げること None 13. 「ディープラーニングモデルのフェアネス（公平性）」を評価するための方法として最も適切なものはどれですか？ モデルの計算速度を評価する データの分散を計算する パラメータの正則化を行う 特徴量ごとの予測結果の偏りを測定する None 14. ディープラーニング環境を構築する際に一般的に使用されるプログラミング言語はどれですか？ C++ Python Java Ruby None 15. アクセラレータとして最も一般的に使用されるデバイスはどれですか？ GPU（Graphics Processing Unit） HDD（Hard Disk Drive） SSD（Solid State Drive） NIC（Network Interface Card） None 16. エッジコンピューティングと関連の深い技術として正しいものはどれですか？ バッチ処理システム クラウドファンディング リレーショナルデータベース IoT（Internet of Things） None 17. 次のうち、ブースティングにおける勾配ブースティング（Gradient Boosting）の主な特徴として最も適切なものはどれですか？ 勾配消失問題を解決する モデルのパラメータ数を削減する データセットの拡張を行う 前のモデルの予測誤差を利用して次のモデルを改善する None 18. Transformerモデルで使用される「自己注意（Self-Attention）」機構の役割は何ですか？ シーケンス内の全ての単語に均一な重みを割り当てる 各単語の相対的位置関係を強調する 各単語がシーケンス内の他の単語とどのように関連するかを捉える 各単語をランダムにシャッフルする None 19. 「ベイズ最適化」がモデルに適用される主な理由は何ですか？ データの次元を削減するため ハイパーパラメータの調整を効率的に行うため モデルのパラメータをランダムに設定するため モデルの精度を下げるため None 20. GANにおいて、判別器の役割は何ですか？ データを生成する データを圧縮する 本物のデータと偽物のデータを区別する データを分類する None 21. DQNにおいて「Double DQN（DDQN）」が提案された主な理由は何ですか？ Q値の過大評価を防ぎ、学習の安定性を向上させるため 学習速度を向上させるため 方策の更新頻度を増やすため 報酬関数を改善するため None 22. エッジコンピューティングがクラウドコンピューティングと異なる点として正しいものはどれですか？ 大規模なデータのバックアップを行う クラウドに全データを保存する データの処理をローカルで行う 処理能力がクラウドよりもはるかに高い None 23. VAEの潜在空間における「再パラメータ化トリック」の目的は何ですか？ データの次元を削減する モデルの学習速度を速める 勾配を計算可能にし、バックプロパゲーションを適用できるようにする モデルの精度を下げる None 24. 次のうち、VAEとGANの大きな違いとして最も適切なものはどれですか？ VAEは教師なし学習、GANは教師あり学習である VAEは潜在空間に規則性を持たせ、GANは敵対的な学習を行う VAEは再構成誤差を最小化し、GANは分類精度を最大化する VAEは畳み込み層を使わず、GANは畳み込み層を使う None 25. 分散処理システムにおける「データパーティショニング」の目的は何ですか？ データを一箇所に集約して保存する データを圧縮して保存する データの一貫性を保証する データを複数のノードに分割して保存し、負荷を分散する None 26. 「転移学習」の目的は何ですか？ ラベル付きデータを使って新しいモデルを訓練すること あるタスクで学習した知識を別のタスクに適用すること データの前処理を効率化すること モデルのパラメータを削減すること None 27. Transformerの各層において、正規化（Normalization）はどのような役割を果たしますか？ 計算コストを削減する 出力を安定化させ、学習を効率化する モデルの深さを減らす 残差接続を削除する None 28. 自己注意（Self-Attention）機構の計算において、各トークンのスコアはどのように計算されますか？ 各トークンのベクトルの内積 各トークンの位置情報を参照 トークンの順序を無視してランダムに決定 トークンの勾配に基づいて計算 None 29. 「アンサンブル学習」において、バギングを使用する際、各モデルに異なるデータを提供するために使用される手法はどれですか？ ドロップアウト ブートストラップサンプリング 早期停止 クロスバリデーション None 30. エッジコンピューティングの課題として最も適切なものはどれですか？ データの集中管理が難しい クラウドへの依存度が高い ネットワークの帯域幅を広げる必要がある デバイス側の計算リソースや電力制約 None 31. アクセラレータを使用したディープラーニングのトレーニングにおいて、重要なパラメータの一つである「バッチサイズ」が大きくなると、どのような効果が期待されますか？ メモリ使用量が減少し、トレーニングが遅くなる メモリ使用量が増加し、トレーニングが高速化する メモリ使用量が増加し、トレーニングが遅くなる メモリ使用量が減少し、トレーニングが高速化する None 32. 「スパース学習」とは何を目的とする手法ですか？ モデルの精度を向上させるためにパラメータ数を増やす モデルのパラメータの多くを0にすることで、計算コストを削減する ラベルなしデータを用いて特徴を学習する 報酬を用いてモデルを訓練する None 33. 「説明可能AI」の導入が特に重要視されるケースはどれですか？ ゲームAIやチャットボット 音声認識システム 画像処理タスク 医療診断システムや金融スコアリングシステムなどの分野 None 34. FPGAが特に有効となる応用分野はどれですか？ 一般的なデータベース処理 ウェブページのレンダリング テキストエディタの動作 低遅延が要求されるリアルタイム処理や信号処理 None 35. 次のうち、Transformerモデルが機械翻訳において従来のRNNやLSTMベースのSeq2Seqモデルに勝っている理由はどれですか？ より少ないパラメータで学習できる シーケンス長に依存しないため、非常に短い文でも高精度な翻訳ができる 並列計算が可能であり、大規模なデータセットを短時間で処理できる 各トークンに対して固定の重みが割り当てられている None 36. アクセラレータの導入による計算コスト削減の方法として適切なものはどれですか？ ストレージ容量を増加させ、計算時間を短縮する ネットワーク帯域を広げ、データ転送を高速化する CPUのみで処理を行う 特定のタスクに最適化されたハードウェアを使用し、計算効率を向上させる None 37. 「ドロップアウト」のドロップ率（Dropout Rate）が高すぎる場合、どのような問題が発生しますか？ モデルがアンダーフィッティングする モデルが過学習する 勾配爆発が発生する モデルの学習速度が遅くなる None 38. 「正則化（Regularization）」の目的として正しいものはどれですか？ モデルのパラメータ数を増やす モデルの過学習を防ぐ 学習率を高める 勾配消失問題を解決する None 39. 次のうち、GPUを利用してディープラーニングを高速化するために必要なドライバやライブラリのセットはどれですか？ CUDAとcuDNN OpenGLとVulkan DirectXとOpenAL TensorFlowとPyTorch None 40. 次のうち、GPUアクセラレータがデータセンターで広く使用される理由として正しいものはどれですか？ 高い並列処理能力を持ち、ビッグデータやAI関連の処理を効率的に行えるため 消費電力が少なく、コストが安いため ストレージ容量が多いため ネットワーク管理に特化しているため None 41. アンサンブル学習における「バギング（Bagging）」の主な特徴はどれですか？ モデルの出力を逐次的に更新する データの順序に依存する 複数のモデルを並列に訓練し、それぞれの予測を平均化する 勾配消失問題を防ぐ None 42. 「ハードサンプルマイニング」とは、どのような手法ですか？ ラベルなしデータを用いてランダムにサンプリングする手法 モデルのパラメータ数を削減する手法 モデルが誤分類しやすいデータを重点的に学習する手法 ラベル付きデータを使わずに学習する手法 None 43. Transformerの「Feedforward Neural Network」部分は何を行いますか？ データを圧縮する 各トークンの自己注意後の表現をさらに変換し、次の層に渡す 各トークンの位置情報を埋め込む 勾配をクリッピングする None 44. 次のうち、AIの推論処理に特化したアクセラレータはどれですか？ SSD TPU HDD NIC None 45. 「MapReduce」の「Reduce」フェーズの役割は何ですか？ Mapフェーズで生成されたキーと値のペアを集約し、最終結果を生成する 入力データを分割し、キーと値のペアを生成する データをクラウドに送信する データを保存する None 46. VAEにおける「エビデンス下界（ELBO）」の役割は何ですか？ モデルのパラメータ数を増やす モデルの学習を安定化させるための目的関数 データを圧縮するための手法 モデルの精度を評価するための指標 None 47. 「アクセラレータ」とは、コンピュータシステムにおいてどのような役割を持つデバイスですか？ 処理速度を高速化するための専用ハードウェア データの保存容量を増やすためのデバイス インターネットの接続速度を向上させるデバイス 電力消費を増加させるデバイス None 48. L2正則化の効果として正しいものはどれですか？ 小さなパラメータをゼロにする モデルの複雑さを抑える パラメータに対するペナルティを与える モデルの精度を向上させる None 49. 強化学習において、報酬を割り引くために使用される値は何ですか？ 学習率 割引率（Discount Factor, γ） 方策（Policy） 探索パラメータ None 50. リカレントニューラルネットワーク（RNN）における「Teacher Forcing」の目的は何ですか？ 学習を高速化するため 勾配消失問題を防ぐため モデルが過去の正しい出力に基づいて学習するようにするため 過学習を防ぐため None 51. ディープQネットワーク（DQN）における「ターゲットネットワーク」の役割は何ですか？ 行動選択の速度を向上させるために使用される 報酬を増加させるために使用される 方策を変更するために使用される Q値の計算を安定化させるために使用される None 52. 分散処理の「フォールトトレランス」とは何ですか？ データをバックアップするための技術 データの保存容量を増やす技術 システムが障害発生時でも処理を継続できる能力 ネットワークを冗長化する技術 None 53. エッジコンピューティングの主な目的は何ですか？ データの処理を中央のクラウドサーバーに依存させる データの処理をエッジデバイスの近くで行い、遅延を減少させる 大量のデータを一括で処理する デバイスの電力消費を増やす None 54. 次の文脈に最も適したアーキテクチャを選んでください：「非常に長いシーケンスを処理し、長期的な依存関係をより効率的にモデル化できる手法」 単純RNN GRU Transformer LSTM None 55. 複数のプロジェクトで異なるバージョンのPythonやライブラリを利用する場合、どのような環境構築手法が推奨されますか？ すべてのプロジェクトで同じ環境を使い回す システム全体にすべてのライブラリをインストールする 各プロジェクトで同じライブラリのバージョンを強制的に使用する 各プロジェクトごとに仮想環境を作成し、依存関係を分離する None 56. 「SHAP（Shapley Additive Explanations）」の基本的な考え方は何ですか？ モデル全体の挙動を定性的に評価する モデルの計算時間を最小化する 各特徴が予測にどれだけ貢献したかを定量的に示す モデルをランダムに評価する None 57. ディープラーニング環境をGPU対応にするために必要な操作として最も適切なものはどれですか？ CPUのみを使用するように環境を設定する GPUを無効化してトレーニングを行う 特定のライブラリをインストールせずにトレーニングを行う GPU対応のディープラーニングライブラリとCUDAおよびcuDNNのインストール None 58. 次の中で、BERT（Bidirectional Encoder Representations from Transformers）とTransformerの主な違いとして正しいものはどれですか？ BERTは双方向の自己注意を使用し、Transformerは単方向の自己注意を使用する BERTはエンコーダー部分のみを使用し、Transformerはエンコーダーとデコーダーの両方を使用する BERTは逐次処理を行い、Transformerは並列処理を行う BERTは画像データ専用で、Transformerはテキストデータ専用である None 59. 開発環境において、「バージョン管理システム」として最も広く使用されているツールはどれですか？ Docker VirtualBox Git Jupyter Notebook None 60. Transformerにおける「Decoder」の役割として正しいものはどれですか？ 入力シーケンスの圧縮された表現を生成する 自己注意のみを使用して出力を予測する 残差接続を使用して入力シーケンスをそのまま出力する エンコードされた情報を基に、出力シーケンスを逐次生成する None 61. 次のうち、GPUとFPGAの選択を決定する上で最も重要な要素は何ですか？ 計算の性質や目的に応じた適切なハードウェアの選択 ストレージの容量 ネットワーク帯域幅 デバイスの色 None 62. Bidirectional LSTMのメリットとして、最も適切なものはどれですか？ 計算速度が速い 双方向から情報を処理するため、シーケンス全体の文脈を理解できる メモリ消費が少ない 勾配消失問題が完全に解決される None 63. 分散処理システムにおいて「一貫性、可用性、分断耐性（CAP定理）」に関して正しい説明はどれですか？ 一度に全てを満たすことが可能である 一度に全てを満たすことはできず、トレードオフが必要である 可用性だけが重要である 分断耐性は重要ではない None 64. GANの訓練における問題点として最も一般的なものは何ですか？ 過学習 学習率の低下 バッチサイズの不足 モード崩壊 None 65. 強化学習において「逆強化学習（Inverse Reinforcement Learning）」の目的は何ですか？ エージェントの行動を予測すること 環境の状態を再構成すること 報酬関数を未知の状態で推定すること 方策を直接学習すること None 66. 「MapReduce」における「Map」フェーズの役割は何ですか？ 入力データを分割し、キーと値のペアを生成する データを一元化し、集約結果を生成する 入力データをそのまま出力する データをクラウドに送信する None 67. 「早期停止（Early Stopping）」の目的は何ですか？ 過学習を防ぐため、パフォーマンスが最適な時点で学習を終了する 学習速度を上げる 学習率を一定に保つ パラメータの数を増やす None 68. ディープQネットワーク（DQN）の主な特徴は何ですか？ エージェントの方策を直接学習する Q値の更新を行わない ランダムに行動を選択する 深層ニューラルネットワークを用いてQ値を近似する None 69. 深層強化学習において、連続行動空間を処理するために使用されるアルゴリズムはどれですか？ DQN（Deep Q-Network） DDPG（Deep Deterministic Policy Gradient） REINFORCE Q学習 None 70. Jupyter Notebookの主な用途は何ですか？ データベースの管理ツール インタラクティブなデータ分析やプログラム実行を行うツール クラウドサーバーの運用ツール グラフィック処理の最適化ツール None 71. Dockerを使った開発環境の構築で、複数のコンテナが相互に通信するために必要な設定は何ですか？ 各コンテナを独立したサーバーとして設定する すべてのコンテナを同じホストで実行する Docker Composeを使ってネットワークを構成する 各コンテナのIPアドレスを固定する None 72. ディープラーニングモデルを大規模データセットでトレーニングする際にクラウド環境を選択する利点として適切なものはどれですか？ 必要に応じて計算リソースをスケールアップ・スケールダウンできる ローカル環境での計算が常に速い インターネット接続が不要になる ストレージ容量を減らすことができる None 73. 次のうち、Flow-based Modelの特徴として正しいものはどれですか？ 生成したデータの確率密度を直接計算できる モデルの生成精度が低い 潜在変数を使用しない 判別器を必要とする None 74. 次のうち、強化学習において「多腕バンディット問題」が示す課題として最も適切なものはどれですか？ 状態空間の次元削減に関する課題 環境の報酬構造を推定する課題 行動の決定に時間がかかる問題 探索と活用のバランスを取る課題 None 75. データ拡張（Data Augmentation）の主な目的は何ですか？ モデルのサイズを減らす 学習率を調整する データの次元を削減する トレーニングデータを人工的に増やして過学習を防ぐ None 76. バッチ正規化を使用することで、次のどの効果が得られますか？ モデルの収束速度が速くなる トレーニングデータの必要量が増加する 正則化の効果が薄れる 勾配爆発問題が発生しやすくなる None 77. ディープラーニング環境をクラウド上で効率的に運用するためのベストプラクティスはどれですか？ すべての計算をローカルマシンで行う GPUを搭載したインスタンスを使用し、必要に応じてスケールアウトする クラウド上でCPUのみを使用して計算する 固定されたインスタンスを使用し、スケールアウトは行わない None 78. GPUを使用する利点として正しいものはどれですか？ 並列計算による大量のデータ処理が可能 ストレージ容量が増加する ネットワーク速度が向上する データの一貫性が保証される None 79. 次の中で、GRUとLSTMの主な違いとして正しいものはどれですか？ GRUはLSTMに比べてゲートの数が多い GRUは計算コストがLSTMよりも高い GRUは勾配消失問題に弱い GRUは出力ゲートを持たない None 80. 次のうち、深層学習の「解釈性」と「説明性」の違いとして最も正しい説明はどれですか？ 解釈性は予測精度の向上に関わるが、説明性は関係しない 解釈性はモデルの内部構造を理解すること、説明性はモデルの予測結果の理由を明示すること 解釈性はブラックボックス性を強化すること、説明性は精度を最大化すること 解釈性はモデルのパフォーマンスを測定し、説明性はモデルを可視化すること None 81. 分散処理システムで「ネットワークボトルネック」が発生する主な原因として最も適切なものはどれですか？ 各ノードが独立して処理を行うこと 大量のデータがネットワークを介して送信される際の帯域幅不足 データの保存容量が不足すること データのローカリティが高い場合 None 82. モデルの汎化性能を高めるために使用される「ラベルスムージング（Label Smoothing）」の主な効果として正しいものはどれですか？ 学習データのラベルにノイズを追加し、モデルの確信度を下げることで過学習を防ぐ ラベルを拡張してデータセットを増やす ラベルの不確実性を減らし、モデルの信頼性を高める 出力層のニューロン数を減らす None 83. 「自己回帰モデル（Auto-Regressive Model）」とTransformerの関係性について正しいものはどれですか？ Transformerは自己回帰モデルとして動作する Transformerは自己回帰モデルの欠点を補完する Transformerは自己回帰モデルの一部である Transformerは自己回帰モデルを全く使用しない None 84. 分散処理システムの利点として正しいものはどれですか？ 計算リソースの効率的な利用 全てのデータを一箇所に集約して管理する 一台のサーバーに負荷を集中させる ネットワーク帯域を減らす None 85. 仮想環境「Anaconda」が提供する主な機能はどれですか？ ウェブサイトのホスティング ゲーム開発環境の構築 クラウドサーバーの管理 データサイエンスや機械学習のためのPython環境とパッケージ管理の統合 None 86. Transformerのマルチヘッド注意機構では、異なる「ヘッド」を使用する利点は何ですか？ モデルのパラメータ数を減少させるため 異なる部分の情報に注意を向け、より多様な特徴を学習するため モデルの計算速度を向上させるため 出力層での勾配を安定させるため None 87. 「ブラックボックス攻撃」とはどのようなものですか？ モデルの内部構造を知らずに攻撃を行い、その結果を基にモデルの脆弱性を探る手法 モデルのパラメータを直接変更して攻撃する手法 モデルに対してラベル付きデータを用いて攻撃する手法 モデルの精度を最大化するための手法 None 88. エッジデバイスの計算リソースを効率的に活用するために、使用される技術として最も適切なものはどれですか？ コンテナ仮想化 クラウドストレージ データウェアハウス データバックアップ None 89. リカレントニューラルネットワーク（RNN）の順伝播において、各タイムステップで計算される出力は何に基づいていますか？ 前のタイムステップの入力のみ 現在のタイムステップの入力のみ 現在のタイムステップの入力と前のタイムステップの出力 全タイムステップの入力 None 90. 「クロスバリデーション」の目的は何ですか？ モデルのパラメータ数を減らす モデルの学習速度を向上させる モデルの性能をより正確に評価する データ拡張を行う None 91. 次のうち、Wasserstein GAN（WGAN）の目的は何ですか？ GANのモード崩壊問題を完全に解決する GANの学習の安定性を向上させ、生成データの質を高める GANのトレーニング時間を短縮する VAEと統合するための手法を提供する None 92. CycleGANの主な用途として最も適切なものはどれですか？ 異なるドメイン間の画像変換 画像の分類 データの圧縮 文章生成 None 93. 次のうち、深層強化学習で多用される「ソフトアクタークリティック（SAC）」の特徴として正しいものはどれですか？ 方策を持たない強化学習手法である 最大エントロピー原理に基づき、行動の多様性を保持しつつ学習する 確定論的な方策を使用して学習する 報酬を一定に保ちながら学習を行う None 94. エッジコンピューティングにおける「フォグコンピューティング」との違いとして正しいものはどれですか？ フォグコンピューティングはエッジデバイスよりも上位のネットワーク層で処理を行う フォグコンピューティングはクラウドのみで処理を行う フォグコンピューティングはエッジデバイスを使用しない フォグコンピューティングはすべての処理をローカルで完結する None 95. FPGAと比べたGPUの利点として正しいものはどれですか？ 特定のタスクに特化して設計可能 プログラミングが容易で汎用性が高い 消費電力が少ない ハードウェア構成を自由に変更可能 None 96. 変分オートエンコーダ（VAE）の目的は何ですか？ データの圧縮と生成 データの分類 データの回帰 データの分割 None 97. 次のうち、「Proximal Policy Optimization（PPO）」の特徴として最も適切なものはどれですか？ 方策の更新を制御し、過度な更新を防ぐ 経験再生を使用して効率的に学習する 確率的な行動選択を行わない データのバッチサイズを動的に変更する None 98. 次のうち、Q学習とSarsaの主な違いとして正しいものはどれですか？ Q学習は方策を直接学習し、Sarsaは価値関数を学習する Q学習はオフポリシー、Sarsaはオンポリシーである Q学習は方策勾配法を使用し、Sarsaは使わない Q学習は報酬の割引率を持たず、Sarsaは持つ None 99. 「分散トランザクション処理」における「二相コミットプロトコル（2PC）」の目的は何ですか？ データの転送速度を向上させる データを圧縮するためのプロトコル ノード間でデータを共有するプロトコル 分散システムにおけるデータの一貫性を確保する None 100. 分散処理システムでの「レプリケーション」の目的は何ですか？ データの可用性と耐障害性を高めるために、データを複数の場所にコピーする データを削除してシステムの負荷を軽減する データを一箇所に集約して処理する データをクラウドに送信する None Time's up
