G検定～模擬試験⑤～ 2024年12月6日 ailearn 1. 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 2. AIガバナンスにおける「透明性」が重要視される背景として適切なものを1つ選んでください。 AIのパフォーマンスを最大化するため AIシステムの意思決定に信頼を確保するため AI開発のコストを削減するため AIシステムを完全に制御するため None 3. 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 4. モデル解釈性を向上させるための代表的な手法の一つとして「注意機構（Attention Mechanism）」があるが、その主な目的は何ですか？ モデルの計算速度を向上させる モデルがどの特徴に注目しているかを明示する モデルのパラメータを削減する モデルの正則化を行う None 5. 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 6. モデルの軽量化で「ファインチューニング」が行われる主な目的はどれですか？ モデルサイズを削減する 圧縮後に低下した精度を回復させる 新しい特徴量を追加する モデルを別のデバイスに適応させる None 7. AIサービス提供契約において、「委託者が提供したデータの著作権」に関する取り決めはどのように定められるべきですか？ 著作権は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 著作権はサービス提供者に自動的に譲渡される 法律で一律に定められる None 8. 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 9. 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 10. 「オンザフライデータ拡張（On-the-fly Data Augmentation）」の利点として最も適切なものはどれですか？ データ拡張の結果が常に同じである 訓練データのサイズを大幅に減らすことができる モデルのトレーニング速度を向上させる 拡張データを事前に保存する必要がないため、ストレージコストを削減できる None 11. モデル軽量化の技術として「エッジAI」とは何ですか？ クラウド上で大規模モデルを実行する技術 モバイルデバイスやエッジデバイス上で軽量化されたAIモデルを実行する技術 モデルのトレーニングを高速化する技術 モデルのパラメータ数を増やす技術 None 12. AIシステムの開発において「持続可能性」が重要とされる理由は何ですか？ AIシステムが長期的に利用可能で、環境への影響を最小限に抑えることが求められるため AIがすべてのエネルギーを削減するため AIがすべての資源を使用するため AIがすべてのデータを消去するため None 13. 軽量化されたモデルをエッジデバイスにデプロイする際に「オンデバイス推論」が推奨される理由として最も適切なのはどれですか？ クラウドへの依存度を減らし、リアルタイム処理を可能にするため モデルを直接トレーニングするため 高精度な計算を実行するため デバイスのストレージを最小化するため None 14. 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 15. 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 16. 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 17. 「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 18. 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 19. 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 20. データの収集において「データプライバシー法（例: GDPR）」に従わない場合のリスクは何ですか？ データの質が低下する 法的な制裁を受ける可能性がある モデルの精度が低下する データ量が減少する None 21. AIガバナンスにおける「人権の保護」の重要性は何ですか？ AIがすべての人権を無視するため AIが個人のプライバシーや平等の権利を侵害する可能性があるため AIがすべてのデータを削除するため AIがすべての判断を公開するため None 22. RMSPropが「AdaGrad」の課題を解決するために導入した主な改善点は何ですか？ 学習率を完全に固定した パラメータ更新をミニバッチ単位で行う 損失関数を動的に変更する 勾配の移動平均を計算する仕組みを追加した None 23. 「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 24. モデル軽量化の手法の一つである「知識蒸留（Knowledge Distillation）」とは何ですか？ 大きなモデルの知識を小さなモデルに伝達する手法 モデルのパラメータを増加させる手法 モデルのデータ量を削減する手法 モデルの精度を向上させる手法 None 25. 「線形回帰」において、決定係数（(R^2\））が示すものとして正しいのはどれですか？ 説明変数が目的変数をどれだけ説明できるかを表す指標 モデルがすべてのデータ点を正確に予測できる確率 モデルの誤差の総和 データの分散の逆数 None 26. 「カットミックス（CutMix）」というデータ拡張手法の主な特徴として正しいものを選んでください。 2つの画像をランダムに切り取り、ラベルを線形補間して混ぜる 画像をランダムに切り取って黒塗りにする ノイズを追加してラベルを変化させる 画像を複数のセグメントに分割してランダムに並べ替える None 27. AI開発委託契約で成果物の納期が遅れた場合の対応として、委託者が契約解除を選択できる条件は何ですか？ 委託者の判断で自由に解除できる 契約で明示的に解除条件が定められている場合 納期に関係なく契約を解除できる 納品後に解除を選択できる None 28. データの欠損値が多い場合に行われる代表的な処理方法はどれですか？ 欠損値の除去や補完 モデルの複雑化 特徴量のスケーリング ランダムフォレストの適用 None 29. AIサービス提供契約で、提供者がサービスの品質を保証するために定める「サービスの稼働率（Availability）」の基準は、主に何を表していますか？ サービスが完全に無停止で稼働する割合 サービスが利用可能である時間の割合 サービスがデータを完全に保護する割合 サービス提供者のサポート品質の割合 None 30. データ加工において「次元削減」が行われる理由は何ですか？ データ量を増やすため モデルのパフォーマンスを向上させるため データの関連性を減らすため データのノイズを増加させるため None 31. 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 32. AIモデルを学習させる前に「データの分割」を行う理由は何ですか？ データを削除するため データの質を落とすため モデルの精度を検証するため モデルの複雑さを増やすため None 33. 「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 34. モデルの軽量化を行った際に、精度が下がる可能性があるのはなぜですか？ モデルの学習率が高くなるため モデルの重要なパラメータが削除され、学習内容が失われる可能性があるため モデルが過学習するため データセットが増加するため None 35. 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 36. 「学習率減衰（Learning Rate Decay）」が特に有効となる場面はどれですか？ 初期学習段階で収束速度を上げたい場合 勾配が発散しやすいモデルの場合 学習の後半で微調整を行いたい場合 モデルの汎化性能を完全に改善する場合 None 37. 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 38. 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 39. 「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 40. AI開発委託契約における「委託料の支払いスケジュール」はどのように決定されますか？ 法律で自動的に決定される 契約で取り決める必要がある 委託者が任意に決定する 開発者が任意に決定する None 41. 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 42. 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 43. 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 44. 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 45. 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 46. AIサービス提供契約で、委託者が提供するデータに対するセキュリティ対策を契約に盛り込む際に考慮すべき重要な要素は何ですか？ データの暗号化、アクセス制限、バックアップの実施 サービス提供者が自由にデータを処理できるようにする データの公開 データの削除を促進する None 47. AIガバナンスにおける「倫理的ガイドライン」の役割は何ですか？ AIシステムが社会に与える影響を考慮し、倫理的問題を防ぐための枠組み AIが全ての判断を下すための規則 AIがすべてのデータを無視するため AIが自動で全ての作業を行うため None 48. AIサービス提供契約において、委託者がサービスに対する独占的な使用権を持つ場合、どのようなリスクが伴いますか？ 他の企業が同様のサービスを使用できなくなる サービス提供者がサービスの改良や更新に制限を受ける可能性 サービスの利用料金が引き下げられる サービスの稼働率が上がる None 49. AI開発委託契約において、「進捗報告」を義務付ける主な理由は何ですか？ 開発プロセスの透明性を確保し、リスクを早期に発見するため 開発者の業務を監視するため 委託者が進捗に基づいて契約を終了させるため 開発の進行を遅らせるため None 50. AIガバナンスにおける「データの正確性」を確保するために必要な取り組みは何ですか？ AIがすべてのデータを削除すること AIがすべてのデータを無視すること AIがすべてのデータを自動で生成すること 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 None 51. 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 52. オートエンコーダの主な目的は何ですか？ 画像生成 次元削減と特徴抽出 データの分類 出力層の誤差を減らす None 53. 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 54. モデルの軽量化において「量子化（Quantization）」の役割は何ですか？ モデルの精度を向上させる モデルの計算精度を低下させる モデルのパラメータを低精度な数値に置き換えることで計算コストを削減する モデルの訓練時間を増やす None 55. 「AIの安全性」と「技術革新」をバランスさせるために必要な取り組みは何ですか？ AIの技術革新を完全に止めること AIが全ての技術を無視すること AIが技術革新を自動で行うこと AIの安全性を確保しつつ、技術革新を進めるために倫理的なガイドラインを導入すること None 56. AIサービス提供契約において「利用停止権」がサービス提供者に認められる場合、その行使条件として適切なものは何ですか？ サービスが委託者に必要ないと判断された場合 委託者が契約条件に違反した場合 サービス提供者が他の契約を優先したい場合 サービスの更新が必要な場合 None 57. 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 58. 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 59. VAEが新しいデータを生成できる理由は何ですか？ 正規分布に基づくサンプリングが行われるから ランダムなノイズが常に入力されるから 潜在変数が固定されているから モデルが過学習を避けるため None 60. AIプロジェクトでデータ収集を行う際に重要なことは何ですか？ データ量が多ければよい データの質と目的に合った適切な収集が行われていること データの前処理を行う前にすべてのデータを削除すること モデルの選定を先に行うこと None 61. 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 62. 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 63. 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 64. 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 65. 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 66. モデルの解釈性を高めるために「部分依存プロット（Partial Dependence Plot, PDP）」が使用される理由は何ですか？ 特定の特徴量が予測結果にどのような影響を与えるかを可視化するため モデルのパラメータを最適化するため データセットのサイズを削減するため モデルの学習率を調整するため None 67. 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 68. オートエンコーダの出力が入力と同一であることを確認するために使用される損失関数はどれですか？ クロスエントロピー損失 Hinge損失 正則化損失 平均二乗誤差（MSE） None 69. 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 70. 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 71. AIシステムの意思決定プロセスにおける説明可能性を確保する際、技術的に不適切な手段はどれですか。 システムのアルゴリズムを可視化する データ入力と出力の関係を解析する ユーザー向けに判断理由を簡潔に説明する 開発者がアルゴリズムを秘匿する None 72. 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 73. 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 74. 「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 75. スパースオートエンコーダが有効な理由は何ですか？ データ全体を網羅的に処理するため データの冗長性を除去し、重要な特徴を強調するため 活性化関数を変更できるため 大量のラベル付きデータが必要だから None 76. 「Adamオプティマイザー」がRMSPropに比べて有利な点として最も適切なものはどれですか？ 一次モーメントと二次モーメントの両方を利用している 学習率が自動的に減少する バッチサイズの選択が不要である 勾配消失問題を完全に解決する None 77. 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 78. AI開発委託契約において、知的財産権に関連する紛争が発生した場合の対応策として、契約に盛り込むべき内容は何ですか？ 委託者が全ての責任を負うことを定める 開発者が全ての責任を負うことを定める 知的財産権に関する取り決めは行わない 知的財産権に関する責任の所在と、紛争解決の手順を明記する None 79. 「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 80. 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 81. 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 82. 最適化手法の選択で重要な要因はどれですか？ データの種類 モデルのアーキテクチャ 学習速度と収束の安定性 全ての選択肢 None 83. 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 84. スタッケードエルボー（Stochastic Elbow）とは何ですか？ オプティマイザーの種類 学習率の設定手法 バッチサイズを最適化する手法 勾配の分散を考慮した手法 None 85. AIサービス提供契約における「データの保存期間」はどのように決定されますか？ 法律で決定される 委託者の判断で決定される 契約によって明示的に定められる サービス提供者が一方的に決定する None 86. 最適化手法において「局所最適解」とは何ですか？ モデルが収束する最良の点 訓練データの中で最適なサンプル 勾配がゼロになる点で、最適でない可能性がある モデルが一貫して高い精度を持つ状態 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. 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 89. 「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 90. 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 91. 勾配降下法のバリエーションとして「確率的勾配降下法（SGD）」がありますが、これの特徴は何ですか？ 各イテレーションで1つのサンプルを使用して勾配を計算する 全てのデータを使用して勾配を計算する バッチサイズを使用して勾配を計算する 自動的に学習率を調整する None 92. 「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 93. 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 94. AI開発委託契約において「瑕疵担保責任」とは何ですか？ 開発者が納期を守る責任 開発者が納品した成果物に欠陥があった場合、その修正や損害賠償を負う責任 委託者が開発費用を支払う責任 契約のキャンセルに関する責任 None 95. 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 96. 「データ拡張（Data Augmentation）」がAIモデルの学習に有効な理由は何ですか？ 学習データを仮想的に増やし、モデルの汎化性能を向上させるため データを削除して学習時間を短縮するため データを無作為に分割して学習するため モデルの過学習を促進するため None 97. AIガバナンスにおいて「透明性」が重要視される理由は何ですか？ AIがすべてのデータを隠すため AIの決定プロセスが不透明だと、利用者がその結果を信頼できなくなるため AIがすべてのデータを公開するため AIがすべての判断を自動で行うため None 98. AIガバナンスにおいて「ディープフェイク」のような悪用に対する対策が必要な理由は何ですか？ AIがすべてのフェイクを作成するため AIがすべてのフェイクを隠すため AIを利用したディープフェイクは、社会に混乱をもたらし、信頼性を損なうリスクがあるため AIがすべてのフェイクを自動で処理するため None 99. 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 100. 「スパースニューラルネットワーク」とは何を指しますか？ 不要な結合やパラメータが削除されたネットワーク すべてのパラメータが等しく重要なネットワーク 低精度の計算を行うネットワーク エッジデバイスでのみ動作するネットワーク None 101. 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 102. 「カイ二乗検定」の主な目的は何ですか？ データ間の独立性や適合性を検定すること データの分散を最小化すること データを正規分布に従わせること データの相関係数を計算すること None 103. モデルの解釈性が重要とされる分野はどれですか？ 医療診断 自動運転 金融取引 すべての選択肢 None 104. 解釈性の高いモデルとして知られるものはどれですか？ ニューラルネットワーク サポートベクターマシン（SVM） k-近傍法（k-NN） 決定木（Decision Tree） None 105. 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 106. 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 107. モデル軽量化を行う際に使用される「スパース性」とは何ですか？ モデルがトレーニング時にランダムに動作すること モデル内の多くのパラメータがゼロ値を持つこと モデルが複数のデータセットを使用すること モデルが非常に大きくなること None 108. 次のうち、オートエンコーダが適用される典型的なタスクはどれですか？ クラス分類 物体検出 ノイズ除去 時系列予測 None 109. 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 110. AIにおける「アルゴリズムのバイアス」を取り除くために重要な取り組みは何ですか？ AIのアルゴリズムを全て削除する AIが全てのアルゴリズムを無視すること データの多様性を確保し、アルゴリズムのトレーニング段階でのバイアス除去のための監視と修正を行うこと AIが全てのデータを無視すること None 111. 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 112. 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 113. 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 114. モデル解釈性を向上させるために「代理モデル」が使用される理由はどれですか？ モデルの精度を上げるため 複雑なモデルの振る舞いをシンプルなモデルで近似し、解釈性を向上させるため モデルのパラメータを減らすため モデルのトレーニング時間を短縮するため None 115. 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 116. 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 117. 「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 118. AIサービス提供契約において、「契約の解除条件」はどのように定められますか？ 法律で一律に定められている サービス提供者が一方的に決定する 契約で明示的に取り決められる 委託者が自由に決定する None 119. 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 120. データの前処理において「正規化」が重要となる理由は何ですか？ データをランダムに並び替えるため 特徴量のスケールが異なる場合、モデルが学習しやすくなるため データの次元を減らすため モデルのパラメータ数を減らすため None 121. 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 122. 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 123. 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 124. 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 125. 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 126. 「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 127. モデルの軽量化を行う際に「エッジデバイス」に適したモデルを設計する主な理由は何ですか？ エッジデバイスはインターネット接続が不要だから エッジデバイスは低リソース環境で動作するため エッジデバイスには軽量化が必要ないため エッジデバイスはトレーニングデータを保存するため None 128. 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 129. 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 130. 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 131. AIガバナンスにおいて、アルゴリズムのバイアスを防ぐための適切な方法を1つ選んでください。 データセットの多様性を確保する アルゴリズムの複雑性を高める AIシステムを全自動で運用する データ分析を省略する None 132. 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 133. 「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 134. AIサービス提供契約において、提供されたデータに誤りがある場合、サービス提供者が負うべき責任は何ですか？ 提供データの修正義務と損害賠償の責任 提供データを削除する責任 提供データに関しては責任を負わない データを無制限に使用できる権利 None 135. 自然言語処理（NLP）におけるデータ拡張の難しさは何ですか？ 文法や意味が崩れやすいため データセットのサイズが増えるため ラベル付きデータが多く必要なため モデルが拡張データを学習しにくい None 136. 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 137. オンザフライデータ拡張（On-the-fly Data Augmentation）とは何ですか？ モデルのトレーニング中にリアルタイムでデータを拡張する手法 事前に拡張データを生成してから訓練する手法 トレーニングデータを無視してモデルを学習する手法 拡張データのラベルを変更する手法 None 138. 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 139. 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 140. 「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 141. 主成分分析（PCA）の主な目的は次のうちどれですか？ モデルの精度を向上させる データの次元を削減し、情報を効率的に保持する 特徴量間の相関関係を削除する データを標準化する None 142. 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 143. データ拡張が必要となる理由は何ですか？ 訓練データのサイズが非常に小さい場合 モデルの複雑さを増やすため 推論時の計算コストを減らすため 学習率を下げるため None 144. AIガバナンスにおける「持続可能性」が考慮される理由は何ですか？ AI技術が長期的に社会に良い影響を与え続け、環境への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がすべての判断を自動で行うため AIがすべてのリソースを無視するため None 145. 「Nesterov Accelerated Gradient（NAG）」がモーメンタム法と異なる点はどれですか？ 勾配の方向を無視する 現在の位置ではなく、予測された位置で勾配を計算する パラメータの更新を完全に停止する 学習率を動的に変更する None 146. AI技術の開発における「倫理的デザイン」が求められる理由は何ですか？ AIが全てのデザインを無視するため AIが人間の倫理基準に基づいて設計されることで、技術の悪用を防ぐため AIが全ての設計を自動で行うため AIがすべてのデザインを削除するため None 147. 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 148. 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 149. 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 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. 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 152. 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 153. 「t検定」が使用される場面はどのような場合ですか？ データの分散を求める場合 データを正規分布に従わせる場合 2つのグループの平均が統計的に有意に異なるかを検定する場合 データのばらつきを減少させる場合 None 154. 「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 155. 「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 156. AI技術が「持続可能な開発目標（SDGs）」に貢献できる方法として適切なのはどれですか？ AIが全ての開発目標を無視すること AI技術を活用してエネルギー効率を改善し、貧困や教育、医療の分野での解決策を提供すること AIが全てのデータを削除すること AIが全ての開発目標を自動で設定すること None 157. AIサービス提供契約で、利用者がサービスを運用中に規約違反を犯した場合、提供者がサービスを停止する権利を行使する主な理由として適切なのはどれですか？ 規約違反があっても、提供者には停止権はない 提供者が利用者の行動を監視して収益を上げるため 規約違反に関わらず、利用者に常時サービスを提供する義務があるため 利用者が規約に違反した場合、サービス提供者に法的責任が及ぶ可能性があるから None 158. AIシステムが倫理的に使用されるために「説明可能性」が求められる理由は何ですか？ AIの決定が人間に理解可能でなければ、その結果がなぜ出たのか分からないため AIが自動で全てを説明するため AIがすべてのデータを削除するため AIが説明を不要とするため None 159. 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 160. オートエンコーダのアーキテクチャには、次のどの層が含まれますか？ 畳み込み層とプーリング層 入力層と出力層のみ エンコーダ層とデコーダ層 隠れ層のみ None Time's up
