G検定～模擬試験⑤～ 2024年12月6日 ailearn 1. 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 2. 「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 3. 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 4. 「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 5. 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 6. 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 7. オートエンコーダのエンコーダ部分の出力は何を示していますか？ 学習率 潜在変数（Latent Variables） 誤差関数 勾配の大きさ None 8. 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 9. 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 10. 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 11. 「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 12. 「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 13. 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 14. データ拡張を行う際、画像データに対して「水平反転」を適用する目的は何ですか？ 画像の解像度を向上させるため 左右対称性を利用してモデルの汎化性能を向上させるため ノイズを除去するため 画像の色彩を調整するため None 15. 「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 16. 「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 17. モデルの軽量化における「パラメータシェアリング」とは何ですか？ 異なるモデル間で同じデータを共有すること データの分割手法 モデルの出力層を複数持つこと モデル内で同じパラメータを複数の層で再利用すること None 18. オートエンコーダを使った異常検知において、異常なデータはどのように検出されますか？ 再構成誤差が大きい場合 デコーダの出力が正確な場合 潜在変数が固定されている場合 入力データがラベル付きの場合 None 19. 「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 20. データ収集において「ストリーミングデータ」とはどのようなデータを指しますか？ 一度に収集される固定量のデータ 定期的に更新される静的データ 時間とともに連続して生成されるデータ 匿名化されたデータ None 21. 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 22. 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 23. 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 24. 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 25. AIガバナンスにおける「倫理的デザイン」とは何ですか？ AIがすべてのデザインを無視すること AIがすべてのデザインを自動で行うこと AIがすべてのデータを削除すること AIシステムが開発段階から社会的・倫理的な影響を考慮して設計されること None 26. データ拡張を用いたときに、モデルの過学習が防がれる理由は何ですか？ 拡張データが元のデータに過度に依存しなくなるため 学習率が自動的に調整されるため 勾配が消失しないようにするため モデルのパラメータが少なくなるため None 27. 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 28. 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 29. 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 30. 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 31. 「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 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モデルの評価指標として「回帰モデル」において用いられる指標はどれですか？ 精度（Accuracy） 再現率（Recall） 平均二乗誤差（MSE） 混同行列（Confusion Matrix） None 34. AIガバナンスにおける「説明責任」とは何を指しますか？ AIが下した決定に対して、開発者や運用者が責任を持ち、そのプロセスを説明できる必要があるため AIがすべての決定を自動で行うため AIがすべてのデータを削除するため AIがすべての作業を監視するため None 35. 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 36. 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 37. 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 38. 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 39. 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 40. 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 41. 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 42. AI開発委託契約における「成果物の瑕疵担保責任」の期間延長を求める際、委託者が行うべき対応は何ですか？ 開発者に一方的に延長を求める 法律で定められた期間に従う 延長を求めずに自ら修正する 開発者との合意の上で、契約書を修正する None 43. 「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 44. 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 45. 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 46. 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 47. 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 48. 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 49. 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 50. 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 51. モーメンタム法の主な利点は何ですか？ 局所最適解に陥るリスクを減少させること 計算を簡素化すること 学習率を固定すること 各イテレーションで新しいサンプルを使用すること None 52. 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 53. 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 54. 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 55. 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 56. 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 57. 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 58. 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 59. 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 60. 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 61. AIサービス提供契約において、サービス提供者が提供する保証が「性能基準を満たさなかった」場合に、利用者が受けるべき補償内容として一般的なものはどれですか？ 契約解除および損害賠償の請求権 利用者が独自にシステムを改修する義務 サービス提供者が追加の料金を請求する権利 提供者がすべてのデータを公開する義務 None 62. AIサービス提供契約において「サービスの停止」が可能となる理由として、正しいものはどれですか？ 委託者がサービス料金を支払わない場合 サービス提供者が新しい技術を試すため 委託者がサービスの使用方法を変更する場合 サービス提供者が契約を無効にするため None 63. 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 64. 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 65. モデルの解釈性を犠牲にせずに精度を向上させるための技術として適切なのはどれですか？ 蒸留モデル（Model Distillation） ドロップアウト バッチ正規化 過学習の防止 None 66. 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 67. 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 68. AI開発委託契約において、「追加開発」が必要になった場合の取り決めとして適切なのはどれですか？ 開発者が無償で対応する 委託者が新たな契約を交わして費用を負担する 双方で調整せずに追加作業を進める 委託者が自ら追加開発を行う None 69. 「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 70. 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 71. 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 72. データの特徴量を増やすことがモデル性能を向上させる場合、最も適切なアプローチはどれですか？ 無関係な特徴量を追加する すべての特徴量を削除してランダムな値を使用する データをそのまま使用する 既存の特徴量を組み合わせて新しい特徴を生成する None 73. 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 74. 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 75. 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 76. データ分析における「ヒストグラム」は何を示すものですか？ データの欠損値を示す データの正規化を行う手法 データの標準化を示す データの分布を可視化し、各範囲内のデータ数を示す None 77. 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 78. 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 79. 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 80. 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 81. 最適化手法における「バッチサイズ」とは何ですか？ 訓練データの全体の数 モデルの層の数 各イテレーションで使用するサンプル数 学習率の設定 None 82. 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 83. 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 84. モデルの解釈性が低い場合、どのようなリスクが生じますか？ 訓練データが増える モデルのパフォーマンスが向上する モデルの予測結果を信頼できなくなる 学習率が下がる None 85. 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 86. 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 87. 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 88. 「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 89. 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 90. 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 91. 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 92. 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 93. データの「オーバーフィッティング」を防ぐために使用される一般的な手法はどれですか？ データ拡張や正則化 モデルのサイズを増やす データの一部を削除する モデルのパラメータを無作為に設定する None 94. 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 95. 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 96. データ分析の目的は何ですか？ データの傾向やパターンを理解し、AIモデルの学習に役立てるため データを削除するため データの次元を増やすため モデルの複雑さを減らすため None 97. 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 98. 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 99. 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 100. 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 101. 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 102. 「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 103. 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 104. 「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 105. 「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 106. 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 107. 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 108. 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 109. 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 110. 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 111. 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 112. 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 113. 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 114. 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 115. 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 116. 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 117. 「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 118. 「次元削減」を行う際に用いられる代表的な手法はどれですか？ データ拡張 データ分割 主成分分析（PCA） データのスケーリング None 119. モデルの解釈性を高めるために、複雑なモデルを単純化する手法を何と呼びますか？ モデル蒸留（Model Distillation） 勾配消失問題 リカレントニューラルネットワーク バッチ正規化 None 120. ブラックボックスモデルとは何ですか？ 予測結果のみが得られ、内部の処理が不透明なモデル 透明で理解しやすいモデル 単純な線形モデル 人工知能ではなく機械学習のモデル None 121. AI開発委託契約における「データ提供に関する条項」では何が明記されるべきですか？ 開発に使用するデータの提供元とデータの取り扱いに関する条件 データを無制限に利用できる権利 開発者が全てのデータを提供する義務 委託者がデータを販売する権利 None 122. 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 123. 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 124. 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 125. 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 126. 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 127. 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 128. 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 129. 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 130. 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 131. 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 132. 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 133. 「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 134. 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 135. 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 136. 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 137. 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 138. 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 139. 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 140. 「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 141. 「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 142. 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 143. 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 144. AIにおいて「正規分布」がよく使用される理由は何ですか？ 多くの自然現象が正規分布に従うため データが常に対称分布を示すため 外れ値が存在しないため データの分布が一定であるため None 145. 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 146. 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 147. 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 148. 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 149. 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 150. 「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 151. 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 152. AIガバナンスにおいて、「データ主権」の概念が重要視される理由として適切なものを選んでください。 個人や国家が自分のデータに対する管理権を持つことを保証するため データの商業利用を制限するため データ収集を完全に禁止するため データ取引の自由を促進するため None 153. 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 154. 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 155. 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 156. データ拡張を使用することのデメリットは何ですか？ データ拡張によりノイズが増える可能性がある モデルの性能が低下する 訓練データが必要なくなる モデルの学習率が低下する None 157. 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 158. 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 159. 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 160. AIガバナンスにおいて「社会的責任」が強調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 AIシステムが社会に対して悪影響を及ぼした場合、その影響を最小限に抑える責任があるため None Time's up
