生成AIパスポート AIの基礎と歴史 問題

選ぶと、すぐに正誤と解説が出ます。選んだ答えは変えられません。

1. AIの基本的な仕組み

   問 1迷惑メールの判定を、担当者が書いた「件名に特定の語を含むなら迷惑メール」といった規則で行ってきた会社が、機械学習による判定へ切り替えます。切り替えで期待できる主な利点として、最も適切なものはどれですか。

   判定の根拠が担当者の書いた規則の一覧としてそのまま残るので、誤判定の理由をいつでも必ず説明できる学習に使う例を用意しなくても、導入した時点から高い精度で判定できる迷惑メールの文面の傾向が変わっても、新しい例を集めて学習し直せば判定の基準を更新できる一度学習させれば、文面の傾向が変わっても精度が下がることはない

2. 機械学習

   問 2次のうち、教師あり学習の「多値分類」に当たる課題はどれですか。

   明日の最高気温が何度になるかを、数値で予測する届いたメールが迷惑メールかどうかを判定する購買履歴の似た顧客を、正解なしにいくつかの集団に分ける手書きの数字の画像が、0から9のどの数字かを当てる

3. 問 3製品のレビュー10万件のうち、人が「肯定」「否定」の印を付けられたのは2,000件だけです。印の付いた少量のデータと印の無い大量のデータを合わせて使い、分類の精度を上げようとする学習の考え方はどれですか。

   強化学習半教師あり学習k平均法などのクラスタリング次元削減

4. 問 4機械学習の「ノーフリーランチ定理」が示す内容として、最も適切なものはどれですか。

   あらゆる問題で他より常に優れた、万能の学習手法は存在しない学習データを増やせば、どの手法でも精度は限りなく100%に近づく計算量の多い手法ほど、どの問題でも精度が高くなる正解の付いたデータを使う手法は、使わない手法より常に精度が高い

5. ニューラルネットワーク

   問 5ニューラルネットワークの学習で、誤差逆伝播法と勾配降下法が果たす役割の組み合わせとして、最も適切なものはどれですか。

   誤差逆伝播法で各重みの勾配を出力側から順に求め、勾配降下法で損失が小さくなる向きへ重みを少しずつ動かす誤差逆伝播法で隠れ層の数を決め、勾配降下法で活性化関数の種類を選ぶ誤差逆伝播法で学習データを水増しして増やし、勾配降下法で増やしたデータの中から外れ値を順に見つけて取り除く誤差逆伝播法で各重みの勾配を出力側から順に求め、勾配降下法で損失が大きくなる向きへ重みを動かす

6. 問 6過学習を防ぐためにアーリーストッピングを使います。学習を止める時点を決めるときに見るデータとして、最も適切なものはどれですか。

   最終的な性能を報告するために、学習の最初から取り分けておいたテストデータ重みの更新にも最終の評価にも使わない、取り分けておいた検証データ重みの更新に使っている訓練データ訓練データとテストデータを混ぜて作った評価用のデータ

7. 問 7データの種類と、それを扱うために考えられた代表的なモデルの組み合わせとして、最も適切なものはどれですか。

   画像にも文章や音声にも、多数の決定木を組み合わせたランダムフォレスト画像のように縦横に並んだデータにはVAE、文章や音声のように順序のあるデータにはGAN画像のように縦横に並んだデータにはCNN、文章や音声のように順序のあるデータにはRNN画像のように縦横に並んだデータにはLSTM、文章や音声のように順序のあるデータにはVAE

8. 問 8RNNの学習で起こる「勾配爆発問題」の説明として、最も適切なものはどれですか。

   時刻をさかのぼって誤差を伝えるうちに勾配が0に近づき、遠い昔の入力の影響を学べなくなる学習データが多すぎて計算機のメモリが足りなくなり、学習が途中で止まる生成する文章が長くなりすぎて、出力が途中で切れてしまう時刻をさかのぼって誤差を伝えるうちに勾配が極端に大きくなり、重みの更新が不安定になる

9. 問 9VAE (変分オートエンコーダ) で新しい画像を生成するときの流れとして、最も適切なものはどれですか。

   生成器と識別器を競わせ、識別器が本物と見分けられなくなった画像を出力するランダムなノイズから、少しずつノイズを取り除く工程を何十回も繰り返す入力された画像にラベルを付け、ラベルごとの確率を出力する学習で整えた潜在空間から潜在ベクトルを選び、デコーダに通して画像に戻す

10. AIの歴史

    問 10第一次AIブームで中心となった「探索」の考え方に当たる例として、最も適切なものはどれですか。

    専門医の判断の決まりを、大量の「もし〜ならば〜」の規則として書き込み、病名を推論させる大量の画像から、猫の顔に当たる特徴をデータから自動で学ばせる迷路の出口までの道を、分かれ道ごとに場合分けしながら順に調べて見つける大量の文章から、次に来る単語を予測するように学習させる

11. 問 11ディープラーニングの発展から生成AIが広く使われるようになるまでの流れの説明として、最も適切なものはどれですか。

    2017年に提案されたエキスパートシステムを土台に知識ベースが急速に大きくなり、2022年ごろから対話型の生成AIや画像の生成が一般の人にも広く使われるようになった2012年の画像認識の成果を最後にニューラルネットワークの研究は止まり、生成AIは規則を書き込む方式で作られた1956年に提案されたTransformerを土台に、1960年代から対話型の生成AIが家庭で広く使われていた2017年に提案されたTransformerを土台に大規模言語モデルが発展し、2022年ごろから対話型の生成AIや拡散モデルによる画像生成が一般に広がった

12. 問 12「シンギュラリティ (技術的特異点)」の説明として、最も適切なものはどれですか。

    AIが自らより優れたAIを生み出し、技術の進歩が人間に予測できないほど加速するとされる転換点AIが人間と区別できない受け答えをできるかどうかを、人が文字だけの会話で確かめるための有名な試験AIの研究への期待がしぼみ、研究資金が大きく減った時期1つのモデルが画像、音声、文章をまとめて扱えるようになること