G検定～模擬試験⑤～ 2024年12月6日 ailearn 1. スパースオートエンコーダが入力データに対して「スパースな表現」を学習する目的は何ですか？ 潜在変数の次元数を増やすため エンコーダとデコーダの計算量を削減するため 再構成誤差をゼロにするため 必要最小限の特徴のみを学習することで、ノイズや冗長性を排除するため None 2. スパースオートエンコーダが通常のオートエンコーダと異なる点は何ですか？ 潜在変数が全てのニューロンに分散される 潜在変数の一部だけが活性化されるように制約がかかる 重みの更新方法が異なる データの次元削減が行われない None 3. AIサービス提供契約において、委託者がサービス提供者に対して持つ権利として、一般的に認められるものはどれですか？ サービス提供者の知的財産権を取得する権利 サービスの停止を要求する権利 サービス提供者に罰金を科す権利 サービスの品質に関する保証を求める権利 None 4. 「データのスケーリング」を行わないと発生する問題は何ですか？ モデルの学習が収束しない可能性がある モデルの複雑さが増す データが削除される モデルのパラメータ数が増える None 5. AIサービス提供契約における「データの取り扱い」に関する条項で、委託者が提供したデータに対してサービス提供者が負うべき義務はどれですか？ データの保護とセキュリティ確保 データの無期限使用権 データの所有権の譲渡 データの公開 None 6. AIにおける「確率分布」とは何を意味しますか？ データの変動範囲を示すもの ある変数が特定の値をとる確率を表す関数 データの分散を求めるための手法 AIモデルのトレーニングに使用されるアルゴリズム None 7. AI開発委託契約における「成果物の所有権」に関して、最も一般的な取り決めはどれですか？ 開発者が常に所有権を持つ 委託者が常に所有権を持つ 契約で明示的に取り決めた場合に所有権が決まる 法律で自動的に所有権が決まる None 8. モデルの解釈性が低い場合、実運用で直面するリスクとして最も適切なのはどれですか？ モデルのトレーニングが早く終わる モデルのパフォーマンスが向上する モデルの設計が単純化される モデルの判断が誤解され、信頼性が低下する None 9. AI開発委託契約で、成果物が「第三者の知的財産権を侵害している」と判明した場合、委託者の対応として適切なのはどれですか？ 成果物をそのまま使用し続ける 委託者が第三者との交渉を行う 受託者に責任を求め、成果物の修正または代替品の提供を要求する 成果物の利用を中止し、契約を終了する None 10. 「適応学習率（Adaptive Learning Rate）」を利用する最適化手法の主な目的は何ですか？ 勾配の計算を簡略化するため 層ごとの学習率を均一化するため 各パラメータごとに適切な学習率を設定し、収束を効率化するため 学習率を一貫して一定に保つため None 11. GANを使用したデータ拡張の利点は何ですか？ 現実に近い新しいデータを生成できるため、データセットのサイズを効率的に増やせる データ拡張が不要になる トレーニングデータを削除できる モデルの性能が自動的に向上する None 12. オートエンコーダのエンコーダ部分で行われる処理は何ですか？ データの圧縮 データの拡張 データの分類 データの逆伝播 None 13. AIプロジェクトで「異常検知」を行う際、時系列データを使用する場合に最も重要な前処理はどれですか？ データを匿名化する 欠損値の処理とデータのスムージング 特徴量の作成とデータの拡張 データを正規分布に変換する None 14. オートエンコーダにおいて、潜在変数（Latent Variables）が重要とされる理由は何ですか？ 再構成誤差を最小化するために直接利用されるため 高次元データを圧縮して重要な特徴を抽出するため デコーダの構造を単純化するため 入力データのラベルを付けるため None 15. AI開発委託契約において「守秘義務契約（NDA）」の目的は何ですか？ 開発者が納期を守るため 開発に関わる情報を外部に漏らさないようにするため 委託者が開発費用を支払うため 開発者が他のプロジェクトで技術を利用するため None 16. モデルの軽量化で「ハードウェアアクセラレーション」を活用する理由は何ですか？ モデルのサイズを増やすため モデルの精度を低下させるため モデルのトレーニング時間を延長するため モデルのパフォーマンスを最大化するために専用のハードウェアを使用する None 17. 変分オートエンコーダ（VAE）において、潜在空間を確率分布としてモデル化する利点は何ですか？ 再構成誤差がなくなる エンコーダの計算効率が向上する 新しいデータの生成が可能になる データの次元削減がより正確になる None 18. GAN（Generative Adversarial Networks）はどのようにデータ拡張に関連していますか？ GANはデータを直接ラベル付けする GANはデータ拡張を必要としない GANは新しいデータを生成することでデータ拡張を行う GANはデータを正規化する None 19. AIガバナンスにおける「国際協力」が必要とされる主な理由はどれですか。 各国の技術開発競争を促進するため 世界共通の倫理基準を策定するため AI技術の進化を遅らせるため 特定の国におけるAIの独占を助長するため None 20. 最適化手法における「早期停止」とは何ですか？ 訓練データの量を減らすこと モデルのトレーニングを早めに停止すること 学習率を低下させること バッチサイズを変更すること None 21. AIガバナンスにおいて「データセキュリティ」が重要視される理由は何ですか？ AIがすべてのデータを公開するため AIシステムが大量のデータを扱うため、そのデータが不正にアクセスされないように保護する必要があるため AIがすべての決定を隠すため AIがすべてのデータを削除するため None 22. AIサービス提供契約における「データの匿名化」が求められる理由として適切なものはどれですか？ データの使用を無制限にするため データの削除を容易にするため データを共有しやすくするため 個人情報保護法やGDPRなどの法的規制に準拠するため None 23. モデル軽量化の手法として「ディープコンプレッション（Deep Compression）」に含まれる3つの主要なステップはどれですか？ 量子化、プルーニング、エンコード プルーニング、正規化、アクティベーション 量子化、逆伝播、勾配消失 エンコード、デコーディング、正則化 None 24. バッチ勾配降下法の特徴は何ですか？ 各イテレーションでデータポイントを1つだけ使用する 複数のデータポイントを使用するが、各バッチが固定されている 学習率が固定されている 全てのデータポイントを使用して勾配を計算する None 25. オートエンコーダはどのようなタイプのニューラルネットワークですか？ 教師あり学習モデル 強化学習モデル 自己教師あり学習モデル 無教師あり学習モデル None 26. LIMEを使用する際に考慮すべき重要な点は何ですか？ モデル全体を再訓練する必要がある モデルのパラメータを大幅に削減する モデルのローカルな部分での挙動を解釈するための手法であるため、グローバルな解釈には適さない 学習率を大幅に低下させる None 27. モデルの軽量化とは何を指しますか？ モデルの性能を高めること モデルのパラメータ数や計算量を減少させること モデルのデータセットサイズを増加させること モデルの学習時間を長くすること None 28. 「ラプラス変換」は、AIでどのように利用されますか？ データを標準化するため 微分方程式を解く際に使用されるため、特に制御理論や信号処理で活用される データの次元を削減するため データのばらつきを減らすため None 29. バッチサイズを選択する際の考慮点はどれですか？ データのサイズのみ モデルの精度のみ メモリの制約と計算速度 全ての選択肢 None 30. データ拡張を使っても汎化性能が向上しない可能性がある場合は、どのような状況ですか？ 元のデータが非常に大規模で多様性がある場合 学習率が高すぎる場合 正則化が適切に行われていない場合 モデルが適切に訓練されていない場合 None 31. モーメンタム法の主な利点は何ですか？ 学習速度が一定である 過剰適合を防ぐ 局所最適解に陥るリスクを減少させる 計算コストを減らす None 32. 「ホワイトボックスモデル」とは何ですか？ 解釈が可能な透明なモデル 非常に複雑なモデル 計算速度が速いモデル データセットの前処理を行うモデル None 33. AIシステムが「倫理的ガバナンス」を必要とする理由は何ですか？ AIが全ての仕事を自動化するため AIがすべてのデータを削除するため AIが誤った決定を下すリスクがあり、これを防ぐために倫理的な枠組みが必要であるため AIが全ての規制を無視するため None 34. AI開発委託契約における「納期遅延」の場合、開発者に課される可能性がある罰則は何ですか？ 遅延損害金の支払い 委託者への特許権の譲渡 契約の延長 成果物の無料提供 None 35. 最適化手法において「Nesterov Accelerated Gradient（NAG）」の特徴は何ですか？ 勾配を更新する前に予測を行う 学習率が常に一定である バッチサイズを小さくすること モデルの複雑さを増すこと None 36. 「逆伝播法（Backpropagation）」がモデル解釈性に与える影響は何ですか？ モデルの計算量を増加させる モデルの性能を低下させる 訓練データを必要としなくなる 特定の予測に対する寄与度を確認するために使用できる None 37. 学習率減衰（Learning Rate Decay）の目的は何ですか？ 学習率を段階的に減少させること 学習率を増加させること 学習を早く終わらせること モデルの複雑さを増すこと None 38. AIガバナンスにおける「リスク管理」の重要性は何ですか？ AIがすべてのリスクを無視すること AIが全てのデータを削除すること AIがすべてのリスクを自動で処理するため AIシステムが社会や個人に与えるリスクを特定し、適切な対策を講じるため None 39. AI開発委託契約において「成果物の品質保証期間」は通常どのように設定されますか？ 成果物の引渡し後、契約で定めた期間 成果物の引渡し後、無期限 成果物の引渡し前にのみ適用される 法律で自動的に定められる None 40. AI技術における「データの正確性」を確保するために重要な取り組みは何ですか？ AIが全てのデータを削除すること データ収集の段階から正確で信頼性の高いデータを使用し、定期的に更新・検証すること AIが全てのデータを無視すること AIが全てのデータを自動で生成すること None 41. AI倫理における「公正性」と「平等性」の違いとして適切なのはどれですか？ 公正性は個別の状況に応じた扱い、平等性は全ての人を同じように扱うこと 公正性は全ての人に同じ結果を提供すること、平等性は全ての人に異なる結果を提供すること 公正性は特定のグループを優遇すること、平等性は全ての人を無視すること 公正性は全ての人に同じ結果を提供すること、平等性は特定のグループを優遇すること None 42. モデルの軽量化に関連する「ハフマン符号化」とは何ですか？ モデルの精度を高めるための手法 モデルのパラメータを圧縮するための手法 モデルのデータセットを増やすための手法 モデルの計算速度を低下させる手法 None 43. 「安全性」がAIシステムにおいて重要視される理由は何ですか？ AIがすべての危険を無視するため AIがすべての作業を自動で行うため AIがデータをすべて削除するため AIが予測不能な行動を取ると、深刻な事故や問題を引き起こす可能性があるため None 44. AIガバナンスにおける「国際協力」が必要な理由は何ですか？ AIがすべての国で同じ技術を使用するため AI技術は国境を越えて影響を及ぼすため、各国が連携してルールやガイドラインを整備する必要があるため AIがすべてのデータを無視するため AIがすべての国で同じ規則に従うため None 45. AIにおいてデータの「ラベリング」とは何を指しますか？ データを削除すること データを無作為に分割すること データの次元を増やすこと データに対して正解を付けること None 46. VAEにおける「再構成誤差」と「KLダイバージェンス」のバランスを取る理由は何ですか？ モデルの学習速度を向上させるため データの再構成精度と生成データの多様性を同時に向上させるため パラメータ数を削減するため 活性化関数を最適化するため None 47. モデルの軽量化を行う主な目的は何ですか？ モデルの精度を向上させるため モデルの計算リソースを削減し、実行速度を向上させるため モデルをより複雑にするため モデルのトレーニングデータを増やすため None 48. モデルの解釈性とは何を指しますか？ モデルが複雑であること モデルがどのようにして予測や判断を行ったかを説明できること モデルの性能が高いこと モデルが高速に動作すること None 49. 変分オートエンコーダ（VAE）の損失関数に含まれる「KLダイバージェンス」は何を表しますか？ モデルの誤差を最小化する値 出力層での分類精度 活性化関数の変化量 潜在変数の確率分布と正規分布との違い None 50. 「異常検知モデル」において、データの分布が重要である理由は何ですか？ モデルのトレーニング時間を短縮するため 正常なデータと異常なデータの分布が異なるため、異常の検出が可能になる データのラベリングを行うため データのバイアスを減らすため None 51. AIサービス提供契約において、「データ所有権」が明確に定義される理由は何ですか？ データの帰属を明確にし、不当利用を防ぐため データの利用が無制限で許可されるようにするため サービス提供者がすべてのデータを公開できるようにするため データを契約終了後も利用できるようにするため None 52. 「モンテカルロ法」がAIにおいて有用である理由は何ですか？ 確率分布に基づいて複雑な問題を数値的に解く手法であり、サンプリングによって結果を推定できるため データの次元を削減するため モデルのパラメータを最適化するため データの欠損を補完するため None 53. AIサービス提供契約で「不可抗力条項」が意味するものは何ですか？ サービス提供者が契約を自由に解除できる条件 委託者が無条件で契約を解約できる条項 サービスの料金を変更できる条件 予測不可能な事態により契約の履行が不可能になる場合の免責条項 None 54. ニューラルネットワークの学習において使用される「勾配降下法」とは何を指しますか？ 最適化問題で勾配を最大化する手法 損失関数を最小化するための反復的な手法 モデルのパラメータを固定する手法 損失関数を最小化するための確率的手法のみを指す None 55. AI技術における「人間中心設計」が推奨される理由は何ですか？ AIがすべてのデータを自動で処理するため AIが人間の価値観や倫理観に基づいて設計され、人間の幸福や利益に貢献することが重要であるため AIがすべての作業を手動で行うため AIがすべてのデータを削除するため None 56. 「アクティブラーニング」とはどのような手法ですか？ 全データに対して一度にラベリングを行う手法 ラベル付きデータを削除して学習する手法 データの次元を削減する手法 モデルが自動的に学習データを選んでラベル付けを行う手法 None 57. AI技術における「倫理的影響」を監視するために必要なメカニズムは何ですか？ AIがすべての倫理的影響を無視すること AIがすべてのデータを自動で削除すること 独立した倫理委員会を設置し、AIの使用が社会や個人に与える影響を定期的に監視すること AIが全ての倫理的影響を自動で報告すること None 58. AI倫理における「説明責任」と「説明可能性」の違いについて最も適切な説明を選んでください。 説明責任は開発者にのみ求められるが、説明可能性は利用者に求められる 説明責任は法律上の義務であり、説明可能性は任意で提供される情報である 説明責任と説明可能性は同義である 説明責任は結果に対する責任であり、説明可能性はAIシステムの判断プロセスを理解可能にすることを指す None 59. AIサービス提供契約における「秘密保持義務」はどのような情報に適用されるべきですか？ 双方が機密と認めた情報にのみ適用される すべての情報に適用される 委託者が提供したデータにのみ適用される サービス提供者の技術にのみ適用される None 60. オートエンコーダの潜在変数（Latent Variables）とは何ですか？ データの次元削減された表現 訓練データの分類結果 データの誤差関数 デコーダ部分の入力値 None 61. AI開発委託契約で、開発中に新たな技術やノウハウが発見された場合、それらの知的財産権の取り扱いを決めるために契約に盛り込むべき内容は何ですか？ すべての新技術は受託者に帰属する 新技術の利用を全面的に禁止する 委託者が無条件で新技術を利用する権利を持つ 新技術の権利を双方で共有するか、利用範囲を明確に定める None 62. データの「正規化」とは何を目的とした処理ですか？ データを無作為に選択すること データをランダムに削除すること データの範囲を揃え、学習の効率を向上させること データの次元を増やすこと None 63. AI開発委託契約で「成果物の検収プロセス」とは、どのような目的で設定されるものですか？ 成果物が契約仕様を満たしているかを確認するため 成果物を第三者に公開するため 成果物を利用者に転売するため 成果物の著作権を移転するため None 64. AIサービス提供契約における「責任制限条項」とは何を目的としたものですか？ サービス提供者の全責任を免除するため 提供者が負う責任の上限を明確に定めるため サービスの利用範囲を制限するため 契約を解除する条件を示すため None 65. SHAP（Shapley Additive exPlanations）とは何ですか？ モデルのパラメータを最適化する手法 モデルの各特徴量が予測にどの程度貢献しているかを定量化する手法 モデルの過学習を防ぐ手法 データの前処理手法 None 66. データ拡張の一環として「ノイズを追加する」主な理由は何ですか？ モデルのトレーニング時間を短縮するため データの品質を向上させるため モデルのノイズ耐性を向上させるため 特定の特徴を強調するため None 67. 「p値」とは何を意味しますか？ 帰無仮説が正しいと仮定した場合に、観察された結果が得られる確率 モデルの精度を示す値 仮説検定の結果の有意性を示す閾値 データの分布を可視化する手法 None 68. 「分散」とは何を意味しますか？ データの最大値と最小値の差 データのばらつきを示す指標 データの中央値 データの確率分布を示す関数 None 69. AIサービス提供契約における「知的財産権の帰属」はどのように決定されますか？ サービス提供者に自動的に帰属する 委託者に自動的に帰属する 契約で取り決められる 法律で自動的に定められる None 70. モデル軽量化を行う際に「モデル圧縮ライブラリ」が使用される理由は何ですか？ モデルの圧縮や量子化、プルーニングを容易に行うため モデルの学習データを増加させるため モデルの精度を低下させるため モデルのトレーニング時間を延長するため None 71. オートエンコーダを異常検知に使用する際、異常データが検出される基準は次のうちどれですか？ 再構成誤差が異常に大きい場合 潜在変数の次元が基準を超える場合 エンコーダの出力が入力データに一致する場合 デコーダの構造が複雑な場合 None 72. AIサービス提供契約において、サービス提供者が委託者に対して行う保証の内容として、一般的に含まれるものはどれですか？ サービスの無停止稼働を保証 サービスが契約条件に従って正常に機能することの保証 サービスが委託者のビジネス成功を保証 サービスの無償提供 None 73. 自然言語処理（NLP）でのデータ拡張として有効な手法はどれですか？ 文の逆順化 単語のランダム挿入や削除 ストップワードの削除 活性化関数の変更 None 74. モデル軽量化において「層間結合の削減」を行う理由は何ですか？ モデルのパラメータ数を削減し、計算コストを減らすため モデルの精度を向上させるため データセットを圧縮するため モデルのトレーニング時間を増加させるため None 75. 部分依存プロット（PDP）が使用される目的として最も適切なのはどれですか？ 特定の予測結果の根拠を説明するため モデルのトレーニング時間を短縮するため 特徴量の全体的な影響を視覚化するため モデルの予測精度を向上させるため None 76. データ拡張における「カットアウト（Cutout）」手法の目的は何ですか？ モデルの複雑さを減らすため 画像の一部をランダムに黒く塗りつぶして隠すことで、モデルが全体的な文脈を学習するため モデルの精度を上げるため 勾配の更新を行うため None 77. AI技術の使用において「透明性」が求められる理由は何ですか？ AIがすべての決定を公開するため AIがどのようにして決定を下しているのかがわからないと、結果の正当性や信頼性が失われるため AIが全てのデータを隠すため AIがすべての判断を自動で行うため None 78. AI開発委託契約における「ライセンス契約」とは何ですか？ 開発者が開発した技術を他社に販売するための契約 委託者が開発した技術を他社に販売するための契約 開発者が委託者に対して成果物の使用を許諾する契約 法律で定められた標準契約 None 79. 「ロジスティック回帰」における目的変数は何ですか？ 連続値 カテゴリカルデータ（0または1などの二値データ） 離散値 多次元データ None 80. AIガバナンスにおける「公平性」とは何を指しますか？ AIがすべての人に同じ結果を提供すること AIが特定のグループに有利な結果をもたらすこと AIが平等な処理を行い、偏見や差別を回避すること AIがすべての判断を無視すること None 81. ディープラーニングモデルにおいて「ヒートマップ」が解釈性向上のために使われる場面として適切なのはどれですか？ テキスト生成タスク 画像認識タスク 時系列データ解析タスク 数値回帰タスク None 82. オートエンコーダが他のニューラルネットワークと異なる特徴はどれですか？ ラベル付きデータを必要としない 活性化関数を使用しない 勾配消失問題を持たない 出力層を持たない None 83. 最適化手法で「局所最適解」に陥るリスクを軽減するために有効な戦略として適切なのはどれですか？ 学習率を固定する モーメンタムを導入する 勾配の符号を反転させる バッチサイズを増加させる None 84. 「標準偏差」はどのように定義されますか？ 平均の2倍 データのばらつきの平均 分散の2倍 分散の平方根 None 85. 「ポアソン分布」の適用範囲として最も適切なのはどの状況ですか？ 連続データの分布をモデル化する場合 多変量データを分析する場合 データのばらつきを最小化する場合 一定の時間内に発生する稀なイベントの発生回数をモデル化する場合 None 86. 「平均」とは何を表しますか？ データの最大値 データの全体を均等に分布させた場合の中心値 データのばらつきを表す指標 データの最小値 None 87. 「プライバシーの保護」がAI倫理において重要な理由は何ですか？ AIが全てのデータを公開するため AIが個人のプライバシーを侵害しないようにするため AIが全てのプライバシーを削除するため AIが個人の情報を勝手に変更するため None 88. モデル軽量化において、「混合精度トレーニング（Mixed Precision Training）」が効果的な理由は何ですか？ モデルのトレーニング速度を遅くするため モデルの計算精度を低下させるため 32ビットと16ビットの計算を組み合わせることで、計算効率を向上させつつ精度を維持できるため モデルのデータセットを圧縮するため None 89. 「データバランシング」の主な目的として最も適切なのはどれですか？ データを均等に分割するため クラス不均衡の影響を軽減し、モデルの公平性を向上させるため 特徴量間の相関を削除するため トレーニングデータを増加させるため None 90. データ拡張はどのようなタイプの学習において効果的ですか？ 無教師あり学習 教師あり学習 強化学習 深層強化学習 None 91. データのバイアスとは何を指しますか？ 特定の傾向に偏ったデータ データの欠損を意味する データ量が多すぎること データの正規化が不十分なこと None 92. 「ハイパーパラメータチューニング」を行う際に、過学習を防ぐための適切な手法はどれですか？ 学習データを増加させる 検証データを使用してモデルのパフォーマンスを評価する ハイパーパラメータをランダムに設定する データをすべてトレーニングデータとして使用する None 93. データ拡張における「ミックスアップ（Mixup）」とは何ですか？ データのランダム削除 画像の色調補正 データを削減する手法 複数の異なるデータを混合して新しいデータを生成する手法 None 94. モデルの軽量化に役立つ「モバイルネット（MobileNet）」の特徴は何ですか？ 高精度な分類能力を持つ大規模モデル 計算コストを削減するために深層畳み込みを使用した軽量モデル リアルタイム処理のためのリカレントネットワーク データの前処理を効率化する手法 None 95. デノイジングオートエンコーダが、入力データに意図的にノイズを加えた状態で学習を行う理由は何ですか？ モデルがノイズを学習するようにするため ノイズを除去する能力を向上させるため 再構成誤差を増大させるため 潜在変数の次元数を削減するため None 96. AIガバナンスにおいて「説明可能性」が必要とされる理由は何ですか？ AIが自動で全ての決定を行うため AIがすべての判断を自動で行うため AIの決定を人間が理解できる形で説明できる必要があるため AIが全てのデータを無視するため None 97. AI倫理において「倫理的影響評価」が必要とされる理由として最も適切なものを選んでください。 AIシステムの効率性を高めるため AI技術が社会に及ぼす影響を予測し、リスクを最小限に抑えるため AI技術の開発速度を遅らせるため 特定の技術を優先するため None 98. 学習率が小さすぎると、どのような問題が発生しますか？ 学習が収束しない 学習速度が遅くなる モデルが過剰適合する バッチサイズが固定される None 99. モデルの軽量化の手法として「プルーニング（Pruning）」とは何ですか？ 不必要なパラメータやニューロンを削除する手法 モデルの構造を複雑化する手法 データセットを増やす手法 学習率を変更する手法 None 100. 「ベイズ推定」とはどのような方法ですか？ データの次元削減を行う手法 確率分布を均一にする手法 データの標準化を行う手法 事前確率と新しいデータを組み合わせて、事後確率を求める手法 None 101. AI倫理において「国際協力」が求められる理由として適切なものを1つ選んでください。 各国の競争を促進するため 世界共通の基準を確立し、AI技術の公平な利用を促進するため AI技術を完全に規制するため 特定の国がAI技術を独占できるようにするため None 102. AI倫理において「データバイアス」を検出・解消するために必要な最も重要な取り組みとして適切なものを選んでください。 収集したデータの多様性を確認し、不足しているデータを補完する データ収集を完全に停止する データ分析をアルゴリズムに任せる 特定のデータセットに依存する設計を優先する None 103. AI開発委託契約において「契約解除の条件」とは何ですか？ 契約が自動的に終了する条件 委託者が納期を守らない場合の条件 開発者が納品物を納期前に提出する条件 契約が解約される際の条件を明記したもの None 104. AIガバナンスにおいて、企業が「リスク管理」を強化する理由として適切でないものを1つ選んでください。 法規制への違反を防ぐため 社会的信用を維持するため 競合他社の技術を排除するため ユーザーへの安全性を確保するため None 105. 「共分散」とは何ですか？ 2つのデータセット間の線形関係を示す指標 1つのデータセット内のばらつきを示す指標 データの最小値と最大値の差 2つのデータセット間の非線形関係を示す指標 None 106. AI開発委託契約における「リスク分担」とは、どのような内容を指しますか？ 委託者が全てのリスクを負うこと 開発に関わる費用や責任を、開発者と委託者で事前に明確に分け合うこと 開発者が全てのリスクを負うこと リスクに関して取り決めは行わないこと None 107. RPROP（Resilient Backpropagation）の特徴は何ですか？ 勾配を使用して更新を行う バッチ学習の方法を使用する 各重みに対して固定の学習率を使用する 更新の大きさを勾配の符号に基づいて調整する None 108. データ拡張を使用する場合、どのような注意が必要ですか？ データ拡張が過度にならないように調整する必要がある 常に最大限のデータ拡張を行う データ拡張を行わない方が良い ラベルを変える必要がある None 109. LIME（Local Interpretable Model-agnostic Explanations）とは何ですか？ モデル全体の挙動を理解するための手法 特定の予測に対してローカルに解釈を提供する手法 モデルのトレーニングを最適化する手法 データの前処理を行う手法 None 110. モデルの解釈性が求められる理由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時間を短縮するため モデルの予測に対する信頼性を向上させるため モデルのパラメータを増やすため モデルの計算速度を上げるため None 111. 「相関係数」の範囲はどれですか？ 0から1まで -1から1まで 0から無限大まで -無限大から無限大まで None 112. 最適化手法として「RMSprop」を使用する利点は何ですか？ 各パラメータごとに異なる学習率を使用すること 学習率を一律に保つこと 訓練データのサイズを減少させること モデルの複雑さを増すこと None 113. AIサービス提供契約において、提供者が利用者の機密情報を守るために課せられる「秘密保持義務」の内容として適切なのはどれですか？ 契約期間中のみ機密情報を保護する 提供者が自らの判断で情報を開示できる権利を持つ 機密情報を第三者に開示しないこと、および契約終了後も一定期間保護する 契約終了後にすべての情報を公開する None 114. AI開発委託契約において「開発のスコープ（範囲）」とは何ですか？ 開発者の責任範囲を決定するためのもの 開発者が自由に決定するもの 開発する技術や機能の範囲を明確にするためのもの 法律で定められるもの None 115. AI技術が「ディープフェイク」のような悪用に対処するために必要な対策は何ですか？ AIの技術を使ってディープフェイクの検出や防止を行い、法的規制を整備すること AIが全てのデータを公開すること AIが全てのフェイクを無視すること AIが全てのフェイクを削除すること None 116. AI開発において、委託者が成果物に満足できなかった場合、どのような措置を取るべきですか？ 自ら修正する 開発者に罰金を科す 開発者を変更する まず契約に基づく瑕疵修正を開発者に求める None 117. モデルの軽量化手法として「低ランク近似」を用いる場合の主な目的は何ですか？ モデルの精度を向上させる データセットを小さくする モデルのパラメータを減少させ、効率化を図る モデルの学習時間を増やす None 118. AI技術において「説明責任」が不可欠である理由は何ですか？ AIが全ての説明を無視するため AIが下した決定に対して人間が責任を持ち、その結果を説明する必要があるため AIが自動で全ての決定を行うため AIがすべてのデータを削除するため None 119. AI開発委託契約において、進捗報告を義務付けることの目的は何ですか？ 開発の進行状況を把握し、問題発生時に早期対応できるようにするため 開発者の能力を評価するため 契約の終了を早めるため 委託者が開発者を監視するため None 120. AIサービス提供契約において、委託者がサービスを利用する上で負うべき責任は何ですか？ サービスの利用に関する法的遵守とデータ提供の責任 サービス提供者の技術サポートを受ける義務 サービス提供者の知的財産権の譲渡 サービスの開発を支援する責任 None 121. 「主成分分析（PCA）」がデータ解析で重要視される理由は何ですか？ データを標準化するため データのノイズを増やすため データの次元削減を行い、データの本質的な情報を抽出するため データの欠損を補完するため None 122. 大規模データセットを扱う際に「データのサンプリング」を行う利点は何ですか？ モデルの精度を向上させる データ量を減らし、処理を効率化する データの次元を増加させる データのノイズを増やす None 123. AIガバナンスにおける「イノベーションの促進」と「リスク管理」のバランスをとるために重要なことは何ですか？ リスク管理を無視してイノベーションを優先すること イノベーションを抑制し、すべてのリスクを避けること AIがすべてのリスクを自動で管理すること リスク管理を行いながら、イノベーションが阻害されないようにするためのガイドラインや規制を整備すること None 124. AI倫理において「アルゴリズム監査」が必要とされる理由として最も適切なものを選んでください。 アルゴリズムの設計プロセスを完全に公開するため アルゴリズムの性能を最大化するため アルゴリズムが偏りや誤動作を引き起こさないかを定期的に検証するため すべてのアルゴリズムを禁止するため None 125. モデルの軽量化における「ディープラーニングアクセラレーションチップ」の利点は何ですか？ 専用ハードウェアにより計算効率を大幅に向上させることができる モデルの学習時間を長くする モデルの精度を向上させるために必要 モデルのサイズを増やす None 126. AIモデルにおいて、過学習を防ぐための一般的な手法として適切でないものはどれですか？ データを増やす 正則化を導入する モデルの複雑さを減らす 学習データの一部を削除する None 127. Adamオプティマイザーの特長は何ですか？ 固定された学習率を使用する モーメンタムを使用しない 自動的に学習率を調整する 各パラメータに対して同じ更新を行う None 128. SHAPとLIMEの違いとして最も適切なのはどれですか？ SHAPはゲーム理論に基づき、LIMEはモデルを単純化して解釈を行う SHAPはローカル解釈に特化し、LIMEはグローバル解釈に特化している SHAPは特徴量の重要度を計算し、LIMEはモデルの速度を向上させる SHAPはブラックボックスモデルには適用できない None 129. データ分析における「特徴量エンジニアリング」の目的は何ですか？ データを削除すること データを統計的に分析すること データの欠損値を補完すること モデルの性能を向上させるために、新しい特徴量を生成・選択すること None 130. オートエンコーダの再構成誤差（Reconstruction Error）とは何ですか？ 元のデータと再構成されたデータとの差 学習中の重みの変化量 次元削減後のデータの大きさ 活性化関数の値の変化 None 131. AI開発委託契約において「知的財産権の帰属」はどのように決定されますか？ 開発者に自動的に帰属する 委託者に自動的に帰属する 契約で取り決める必要がある 法律で決定される None 132. オートエンコーダにおいて、再構成されたデータの品質を改善するために使われる技術は次のどれですか？ バッチ正規化 L2正則化 ドロップアウト デノイジング None 133. データ拡張における「ラベル保持」とは何ですか？ 新しいラベルを生成すること ラベルを削除して無効にすること ラベルを正規化すること データを拡張した際に、元のラベルをそのまま維持すること None 134. AI開発委託契約で「成果物のエラーやバグが発見された場合」に、受託者に求められる対応として適切なのはどれですか？ 委託者が独自にエラーを修正する 受託者が無償で修正し、再納品する 成果物をそのまま使用する エラーが発生しても責任を問わない None 135. AI開発委託契約において、第三者の知的財産権を侵害していることが判明した場合の対応として、委託者が考慮すべき事項は何ですか？ 契約に基づき、開発者に責任を負わせるか、対応を協議する 開発者に無条件で責任を負わせる 契約を無効にする 知的財産権の侵害を無視する None 136. AIガバナンスにおける「アルゴリズムのバイアス」を解消するための方法として、最も適切なのはどれですか？ AIシステムを全て削除する データの多様性を確保し、アルゴリズムが特定のグループに偏らないように設計・検証すること AIがすべての判断を無視すること AIがすべてのデータを削除すること None 137. AIサービス提供契約で「知的財産権の共有」を設定する場合、注意すべき点は何ですか？ 知的財産権の行使に関する使用範囲や制限を明確にする必要がある 知的財産権は常に委託者に帰属させる必要がある 契約において知的財産権に言及する必要はない 知的財産権は一方的に譲渡される None 138. AIガバナンスにおける「監視体制の強化」が重要視される理由は何ですか？ AIがすべての判断を無視するため AIシステムが誤作動を起こした場合に迅速に対処し、悪影響を最小限に抑えるため AIがすべてのデータを削除するため AIがすべての決定を隠すため None 139. 最適化手法における「自動微分」とは何ですか？ 勾配降下法の別名 微分計算を自動化する手法 データの前処理手法 パラメータの最適化技術 None 140. Adamオプティマイザーの特徴として正しいものはどれですか？ 学習率が固定である 逐次的にデータを学習する 交差エントロピー損失に特化している 勾配のモーメントを利用する None 141. 「責任の所在」がAI倫理において重要な理由は何ですか？ AIがすべての決定を自動で行うため AIが全ての責任を放棄するため AIがすべてのデータを削除するため AIが誤った決定を下した場合、誰がその結果に責任を持つべきかが明確でなければならないため None 142. AIサービス提供契約において、一般的に委託者の責任として含まれる事項は何ですか？ AIシステムのアルゴリズムの更新 サービス提供に必要なデータの提供と使用許諾 AIモデルの改善 サービスの独占使用権 None 143. AIプロジェクトで「データのクレンジング」が必要となる理由として最も適切なのはどれですか？ データを匿名化するため データの正規分布を確認するため データの質を向上させ、分析の正確性を高めるため データを分割するため None 144. ニューラルネットワークの学習過程で、勾配消失問題（Vanishing Gradient Problem）が発生する原因として最も適切なのはどれですか？ 活性化関数の勾配が非常に小さくなる 学習率が過大である データが標準化されていない 活性化関数がReLU以外の場合のみ発生する None 145. デノイジングオートエンコーダの訓練過程において、入力データにノイズを加える目的は何ですか？ データの正規化 勾配爆発を防ぐため モデルのロバスト性を向上させるため ノイズの影響を強調するため None 146. 「ローカルな解釈性」とは何ですか？ モデル全体を理解する手法 個別の予測や判断に対して解釈を行う手法 データの前処理を行う手法 モデルの訓練方法を説明する手法 None 147. 画像データ拡張における「アフィン変換（Affine Transformation）」の役割は何ですか？ データを標準化する 画像のスケーリング、回転、平行移動を行う データの次元を削減する 重みの初期化を行う None 148. モデル解釈性を考慮したAIシステムの設計において、「倫理的意思決定」を補助するために重要となる要素はどれですか？ モデルの処理速度 モデルの予測精度 モデルの説明可能性 モデルのパラメータ数 None 149. AI倫理における「公平性」とは何を意味しますか？ 全ての人に平等なアクセスを提供すること 特定のグループに有利な結果を提供すること AIが決定を自動で行うこと AIがすべてのデータを削除すること None 150. データ拡張において、ランダムクロッピング（Random Cropping）は何を行いますか？ 画像全体を小さくする 画像の一部を拡大する 画像の一部をランダムに切り取る 画像を水平反転する None 151. 勾配降下法の目的は何ですか？ モデルの精度を向上させること 損失関数を最小化すること 学習率を調整すること 特徴量を選択すること None 152. AI開発委託契約での「品質保証」とは、どのような意味を持ちますか？ 委託者が自由に品質を決定できること 開発者が品質管理を行わないこと 成果物が契約条件に従って適切に動作することを保証すること 成果物が常に最新技術に基づいていること None 153. モデルの解釈性が低いと考えられるディープラーニングモデルに対して、解釈を提供する代表的な技術はどれですか？ LIMEやSHAP 正則化やドロップアウト 勾配消失の防止 ハイパーパラメータの最適化 None 154. AIシステムの導入において「社会的責任」を果たすために企業が最優先で行うべきことはどれですか。 利益を最大化する戦略を構築する AIが引き起こす可能性のある社会的影響を評価する 技術的競争に勝つための資金を増やす 社会的責任についての議論を回避する None 155. 「低ランク近似」によるモデル軽量化が有効とされる理由はどれですか？ 全てのパラメータを削除できる モデルサイズが変化しない 行列分解により計算負荷を削減できる モデルの学習速度が遅くなる None 156. データ拡張の主な目的は何ですか？ モデルのパラメータ数を増加させる 訓練データの多様性を高め、過学習を防ぐ 訓練時間を短縮する モデルの精度を下げる None 157. AIガバナンスにおいて「監査」が必要な理由は何ですか？ AIシステムの運用が適切かどうかを定期的に監視し、問題がないか確認するため AIがすべてのデータを公開するため AIが全ての作業を自動で行うため AIがデータを勝手に変更するため None 158. オートエンコーダが次元削減に適している理由は何ですか？ 出力層の活性化関数が特別だから エンコーダとデコーダの層数が多いから 潜在変数がデータの重要な特徴を保持するから ラベル付きデータを使うから None 159. 「データの正規化」と「標準化」の違いは何ですか？ 正規化はデータを削除することであり、標準化はデータを増やすことである 正規化はデータの次元を減らし、標準化は次元を増やす 正規化はデータのスケールを0から1の範囲に収め、標準化は平均0、標準偏差1に変換する 正規化はデータのバイアスを減らし、標準化はノイズを増やす None 160. AIサービス提供契約で、サービスの「障害発生時の対応手順」を明記する目的は何ですか？ サービス提供者が責任を免れるため サービスを停止するため 障害が発生した場合に迅速に対応し、サービスを復旧させるため 委託者がサービスをキャンセルするため None Time's up
