IT・情報処理 / AWS 認定

AWS Certified AI Business Strategist (AIB-C01)の無料問題集・例題・出題範囲

AWS 認定（ベータ試験）。AI をビジネス成果につなげる戦略・責任ある AI・ガバナンス・組織変革を問う。公式試験ガイド（4ドメイン13タスク）に準拠。ベータは85問・170分、英語・日本語で受験可能。

  • 180問
  • 18分野
  • 解説つき・無料で演習
  • 問題の最終更新:

出題範囲（18分野）

  • D1-T1：AIの基本概念（アルゴリズム・モデル・学習・推論・予測）とAI・ML・生成AIの違い10問
  • D1-T1：データとAI（構造化・非構造化データ・データ品質・過去データによる学習・ISO/IEC 23053・42001）10問
  • D1-T2：AIソリューションの選択（ルールベースの自動化との使い分け・AIエージェントの能力とオーケストレーション）10問
  • D1-T2：AIの継続的な監視（モデルドリフト）とAIツールの分類によるシャドーAI対策10問
  • D1-T3：生成AIの活用（プロンプトエンジニアリング・トークン上限とコンテキストウィンドウ・RAG・ファインチューニング）10問
  • D2-T1：高インパクトなユースケースの特定とビルド・バイ・パートナーの判断10問
  • D2-T1：AI施策の優先順位付け（拡大・中断・終了）・AIが適さない場合の判断・AIへの移行時の考慮事項10問
  • D2-T2：AIのKPI（有形・無形の効果）・ベースライン指標・先行指標10問
  • D2-T2：AIのROIの算出とコスト管理（料金体系・Savings Plans・Pricing Calculator・Cost Explorer）10問
  • D2-T3：AIによる競争優位（競争環境の分析・ビジネスモデル変革・投資水準の判断）10問
  • D3-T1：責任あるAIの原則（公平性・説明可能性・プライバシー・安全性・透明性・堅牢性）と人による監督・ガードレール10問
  • D3-T2：AIガバナンス体制と規制対応（部門横断・説明責任・アクセス制御・リスク分類フレームワーク）10問
  • D3-T3：エンタープライズのAIリスクと対策（バイアス・有害コンテンツ・知的財産・ハルシネーション・ドリフト）10問
  • D4-T1：AIレディネスと成熟度の評価（成熟度モデル・人・プロセス・技術・ガバナンスのギャップ）10問
  • D4-T2：AIのためのデータとインフラの基盤（データの準備状況・サイロ・データ戦略と所有権）10問
  • D4-T3：全社変革のリーダーシップ（経営層のスポンサーシップ・AIチャンピオン・部門横断チーム・コミュニケーション）10問
  • D4-T3：AI人材の育成と文化（文化的な障壁・AIリテラシー教育・人とAIの役割分担）10問
  • D4-T4：パイロットから全社展開へ（段階的な変革・CoE・フィードバック・本番化の要件・AWS CAF）10問

AWS Certified AI Business Strategist (AIB-C01)の例題（6問・解説つき）

スキルサートのAIが出題範囲に沿って作成した演習問題です（過去問ではありません）。アプリでは毎週新しい問題が追加されます。

例題1D1-T1：AIの基本概念（アルゴリズム・モデル・学習・推論・予測）とAI・ML・生成AIの違い

ある小売企業の経営層向けに、人工知能（AI）、機械学習（ML）、生成AI（Generative AI）の包含関係およびそれぞれの特徴を説明する資料を作成しています。これら3つの概念の関係性と定義を最も適切に説明しているものはどれですか。

  1. AIとMLは同一の技術領域を指す同義語であり、生成AIのみが独立した別体系の技術として分類される。
  2. AIはMLのサブセットであり、過去データからパターンを学習して新たなコンテンツを生成する技術を指す。
  3. AIは広義の概念であり、MLはそのサブセットであり、生成AIはさらにMLのサブセットとして位置づけられる。
  4. 生成AIは最も広範な枠組みであり、AIやMLは生成AIを実現するための特定のアルゴリズムに過ぎない。
  5. MLはルールベースのシステムのみを扱い、AIは統計的アプローチ、生成AIは自然言語処理のみを扱う。
解答と解説を見る

正解: AIは広義の概念であり、MLはそのサブセットであり、生成AIはさらにMLのサブセットとして位置づけられる。

正解は「AIは広義の概念であり、MLはそのサブセットであり、生成AIはさらにMLのサブセットとして位置づけられる。」です。AI（人工知能）は人間の知的能力を模倣する包括的な概念であり、ML（機械学習）はデータから学習してパターンを見出すAIの一分野です。生成AIは深層学習などのML技術を活用して新しいテキストや画像を生成する技術であり、MLのサブセットに該当します。「AIはMLのサブセットであり…」は包含関係が逆です。「生成AIは最も広範な枠組みであり…」も順序が誤りです。「AIとMLは同一の技術領域を指す同義語であり…」は同義ではないため不適切です。「MLはルールベースのシステムのみを扱い…」はルールベースが従来の古典的AIアプローチでありMLと混同しているため誤りです。

例題2D1-T1：データとAI（構造化・非構造化データ・データ品質・過去データによる学習・ISO/IEC 23053・42001）

ある企業が自社の顧客対応業務を改善するため、カスタマーサポートのチャット履歴やコールセンターの音声録音ログを活用した生成AIソリューションの導入を検討しています。AIプロジェクトにおけるデータの分類と取り扱いに関する記述として、最も適切なものはどれですか。

  1. テキストデータや音声データは構造化データに分類されるため、既存のリレーショナルデータベースに加工なしで直接取り込むことが推奨される。
  2. データレイクに非構造化データを蓄積する場合、データ品質の検証やガバナンス管理を行う必要はない。
  3. リレーショナルデータベースに保存された購入履歴などの表形式データは非構造化データであり、分析には自然言語処理モデルが必須である。
  4. 非構造化データを機械学習モデルで処理する際は、ベクトル埋め込み（Embeddings）などの手法を用いて意味表現を数値化することが有効である。
  5. 非構造化データは形式が不定であるため、生成AIのファウンデーションモデルの追加学習やプロンプト拡張に活用することはできない。
解答と解説を見る

正解: 非構造化データを機械学習モデルで処理する際は、ベクトル埋め込み（Embeddings）などの手法を用いて意味表現を数値化することが有効である。

正解は「非構造化データを機械学習モデルで処理する際は、ベクトル埋め込み（Embeddings）などの手法を用いて意味表現を数値化することが有効である。」です。テキストや音声などの非構造化データは、埋め込み表現を通じて数値ベクトル化することで、検索や類似度計算、モデルへの入力が可能になります。テキストや音声は非構造化データであり、表形式のリレーショナルデータベースに加工なしで格納・活用するのには向きません。また、非構造化データはRAG（検索拡張生成）や追加学習において中心的な役割を果たします。データレイクであっても品質管理やガバナンスは不可欠です。表形式の購入履歴データは構造化データであり、自然言語処理モデルが必須となるわけではありません。

例題3D1-T2：AIソリューションの選択（ルールベースの自動化との使い分け・AIエージェントの能力とオーケストレーション）

ある金融機関では、融資申請プロセスの自動化を検討しています。申請データは、所定のフォーマットで提出される申請書からの数値抽出と、申請者が自由記述で入力した事業計画書の妥当性評価の2つの主要タスクで構成されています。コスト効率と信頼性を最大化するための、ルールベースの自動化（RPA）とAIソリューションの最適な組み合わせはどれですか。

  1. 両方のタスクにおいて、誤判定リスクを避けるために厳密な条件分岐を持つルールベース自動化のみで実装する
  2. 所定フォーマットの数値抽出には生成AIを適用し、自由記述の事業計画書の妥当性評価にはルールベース自動化を適用する
  3. 人間による手作業の検証プロセスを完全に排除するため、すべてのタスクを自律型AIエージェントに一任する
  4. 両方のタスクにおいて、柔軟な文脈理解が可能な生成AIモデルを最初から単一パイプラインとして適用する
  5. 所定フォーマットの数値抽出にはルールベース自動化を適用し、事業計画書の文脈評価には生成AIを活用する
解答と解説を見る

正解: 所定フォーマットの数値抽出にはルールベース自動化を適用し、事業計画書の文脈評価には生成AIを活用する

正解は「所定フォーマットの数値抽出にはルールベース自動化を適用し、事業計画書の文脈評価には生成AIを活用する」です。決定論的で入力形式が固定された処理には、低コストで確実性の高いルールベース自動化（RPAなど）が適しています。一方、自然言語の文脈理解や曖昧性の解釈が求められる事業計画書の評価には、生成AIが適しています。「両方のタスクにおいて、柔軟な文脈理解が可能な生成AIモデルを最初から単一パイプラインとして適用する」は、定型処理に対して過剰なコストとハルシネーションのリスクを招きます。「両方のタスクにおいて、誤判定リスクを避けるために厳密な条件分岐を持つルールベース自動化のみで実装する」は、自由記述の柔軟な評価に対応できません。「所定フォーマットの数値抽出には生成AIを適用し、自由記述の事業計画書の妥当性評価にはルールベース自動化を適用する」は技術特性の適用が逆です。「人間による手作業の検証プロセスを完全に排除するため、すべてのタスクを自律型AIエージェントに一任する」は、金融審査におけるガバナンスやヒューマン・イン・ザ・ループの観点から不適切です。

例題4D1-T2：AIの継続的な監視（モデルドリフト）とAIツールの分類によるシャドーAI対策

本番環境で稼働している機械学習モデルにおいて、時間の経過とともにモデルの予測精度が低下するリスクに対処するため、Amazon SageMaker Model Monitorの導入を検討しています。学習時のデータ分布と本番推論時の入力データ分布の乖離を継続的に追跡し、データの特徴量の変化を検知するモニタリングの種類として、最も適切なものはどれですか。

  1. モデル品質 (Model Quality) ドリフトの監視
  2. データ品質 (Data Quality) ドリフトの監視
  3. インフラストラクチャリソースの枯渇監視
  4. 特徴量属性 (Feature Attribution) ドリフトの監視
  5. バイアス (Bias) ドリフトの監視
解答と解説を見る

正解: データ品質 (Data Quality) ドリフトの監視

正解は「データ品質 (Data Quality) ドリフトの監視」です。データ品質ドリフトの監視は、学習時に設定したベースラインの統計的分布と本番環境での推論入力データの分布を比較し、入力データの統計的特性の変化や欠損値の発生などを検出します。一方、「モデル品質 (Model Quality) ドリフトの監視」は、推論結果と後から得られる正解ラベルを比較して精度指標（ROC曲線下面積やF1スコア等）を追跡する仕組みです。「特徴量属性 (Feature Attribution) ドリフトの監視」は予測に対する各特徴量の寄与度の変化を監視します。「バイアス (Bias) ドリフトの監視」は特定の属性グループに対する公平性指標の変動を検知します。「インフラストラクチャリソースの枯渇監視」はCloudWatch等で行うシステム運用監視であり、モデル固有の入力データ統計を分析する機能ではありません。

例題5D1-T3：生成AIの活用（プロンプトエンジニアリング・トークン上限とコンテキストウィンドウ・RAG・ファインチューニング）

ある金融機関では、生成AIを活用して頻繁に更新される融資規定や社内コンプライアンス規則に関する従業員の問い合わせに回答するシステムを計画しています。情報の正確性を担保し、最新の社内文書に基づいた回答を低コストで迅速に提供するためのアプローチとして、最も適切なものはどれですか。

  1. 新しい社内文書が追加されるたびに、基底モデルの事前学習を最初から再実行する
  2. 検索拡張生成（RAG）を採用し、外部ベクターデータベースから関連文書を動的に取得する
  3. ルールベースの固定チャットボットを構築し、生成AIの利用を完全に避ける
  4. 毎週新しい社内文書を用いて大規模言語モデルの全パラメータをファインチューニングする
  5. 社内文書の全履歴を単一のプロンプトに毎回含めてモデルに入力する
解答と解説を見る

正解: 検索拡張生成（RAG）を採用し、外部ベクターデータベースから関連文書を動的に取得する

正解は「検索拡張生成（RAG）を採用し、外部ベクターデータベースから関連文書を動的に取得する」です。RAGは頻繁に更新される情報源を参照して回答を生成できるため、再学習コストを抑えつつ最新知識に基づく正確な回答が可能です。「事前学習を最初から再実行する」は膨大な計算リソースと時間を要するため不適切です。「全履歴を単一のプロンプトに毎回含めてモデルに入力する」はトークン上限やコスト、処理速度の面で現実的ではありません。「毎週全パラメータをファインチューニングする」は計算コストが高く、最新情報の即時反映には向きません。「ルールベースの固定チャットボットを構築する」は柔軟な問い合わせ対応という要件を満たせません。

例題6D2-T1：高インパクトなユースケースの特定とビルド・バイ・パートナーの判断

ある小売企業が、バックオフィス部門の社内手続きに関する問い合わせ対応を自動化するため、生成AIの導入を検討しています。この業務は業界共通の標準的な手続きであり、自社の競争上の差別化要因にはならず、社内には機械学習の専門人材がいません。このシナリオにおいて、最も費用対効果が高く迅速に導入できる戦略はどれですか。

  1. オープンソースの大規模言語モデルをファインチューニングして社内運用する自社開発（Build）戦略
  2. 自社専用のカスタムモデルを数年かけて共同開発するためのパートナー（Partner）戦略
  3. 既製のSaaS型AIソリューションやマネージドサービスを採用する購入（Buy）戦略
  4. 独自の基盤モデルをゼロから事前学習して自社インフラでホストする自社開発（Build）戦略
  5. データサイエンティストを新規採用して機械学習基盤全体を一から構築する自社開発（Build）戦略
解答と解説を見る

正解: 既製のSaaS型AIソリューションやマネージドサービスを採用する購入（Buy）戦略

正解は「既製のSaaS型AIソリューションやマネージドサービスを採用する購入（Buy）戦略」です。自社の競争優位性に直結しない非差別化業務であり、専門人材が不足している場合は、市場にある実証済みの製品を導入する購入（Buy）が最も迅速かつ低コストで価値を実現できます。「独自の基盤モデルをゼロから事前学習して自社インフラでホストする自社開発（Build）戦略」や「データサイエンティストを新規採用して機械学習基盤全体を一から構築する自社開発（Build）戦略」は莫大なコストと期間を要し、非差別化業務には適しません。「オープンソースの大規模言語モデルをファインチューニングして社内運用する自社開発（Build）戦略」も社内の運用負荷や専門スキルが求められます。「自社専用のカスタムモデルを数年かけて共同開発するためのパートナー（Partner）戦略」は社内手続きの自動化に対して過剰な投資となります。

AWS Certified AI Business Strategist (AIB-C01)の重要用語

AI (人工知能)
人間の知能をコンピュータで模倣・再現する技術の総称です。情報の推論、学習、判断といった知的活動を自動化することを目的としています。ビジネスにおいては、予測分析や自動化を通じて意思決定を支援する基盤技術となります。AIは非常に広い概念であり、機械学習や生成AIはその下位分野に位置づけられます。
構造化データ
表形式（行と列）で整理され、リレーショナルデータベースなどで管理しやすいデータのこと。売上記録や顧客リストなどが該当する。形式が固定されているため、機械学習モデルのトレーニングデータとして直接的に利用しやすく、分析や検索の自動化が比較的容易であるという特徴を持つ、AI活用の基礎となるデータ形式である。
ルールベースシステム
あらかじめ人間が定義した「IF-THEN」形式の明示的なルールに従って処理を行うシステムです。結果の予測可能性や透明性が高く、定型的な業務の自動化に適していますが、複雑なパターン認識や予期しない状況の変化への対応には限界があります。AIソリューションを選択する際、業務が非定型かどうかを判断する重要な比較基準となります。
モデルドリフト
学習時と運用時の環境変化により、AIモデルの予測精度が時間の経過とともに低下する現象です。データの統計的性質が変化するデータドリフトや、予測対象との関係性が変わるコンセプトドリフトが含まれます。ビジネスにおいては、モデルの信頼性を維持するために、ドリフトを検知し、適切なタイミングで再学習を行う監視体制の構築が極めて重要です。
プロンプトエンジニアリング
生成AIから望ましい出力を引き出すために、入力文（プロンプト）を最適化する技術です。AIに明確な役割を与えたり、指示の背景や制約条件を具体的に定義したりすることで、回答の精度や一貫性を向上させます。ビジネスの現場では、既存のAIモデルを最大限に活用するための重要なスキルとして位置付けられています。
ビルド・バイ・パートナー (Build vs Buy vs Partner)
AIソリューションを自社で開発（ビルド）、既製品を購入（バイ）、または外部と提携（パートナー）するかを決定する戦略的枠組みです。自社の技術力、コスト、納期、差別化の必要性を基準に判断します。競争優位性の源泉となる領域では「ビルド」を、汎用的な機能やスピード重視の場合は「バイ」や「パートナー」を選択することが一般的です。
確定的なワークフロー
入力に対して常に一定の出力が返される、ルールに基づいた処理のことです。AIは不確実な予測やパターンの認識を得意とするため、明確な計算式や論理で完結する確定的なタスクは、従来のプログラムで処理する方がコストや精度の面で適しています。AIを導入すべきか判断する際の重要な境界線となります。
KPI (重要業績評価指標)
AIプロジェクトの目標達成度を評価するための定量的な指標です。ビジネス戦略に直結する項目を選定し、継続的に測定することで、プロジェクトの進捗管理やリソース配分の最適化に役立てます。具体的な数値として把握できるため、ステークホルダーへの説明責任を果たす上でも極めて重要な役割を担い、プロジェクトの成功を定義する根幹となります。

よくある質問

AWS Certified AI Business Strategist (AIB-C01)の問題はスキルサートで何問解けますか？
全180問・18分野の問題を用意しています。問題は出題範囲に沿って随時追加しています。
無料で使えますか？
無料プランで週10回の演習（1回10問）と、毎日の「今日の1問」を利用できます。解説を読み、わからない点はAIに質問できます。
ここの問題は過去問ですか？
過去問ではありません。出題範囲に沿ってAIが作成した演習問題です。すべて解説つきで、間違えた問題は繰り返し解けます。

AWS Certified AI Business Strategist (AIB-C01)の対策はアプリで

AIが毎週生成する新作問題・ランクマッチ・週次ランキング・AI診断で「続けられる」資格学習を。無料で始められます。

Download on the App Store Google Play で手に入れよう

スマホのカメラで読み取ると、このページの続きをアプリで解けます。