出題範囲
- 人工知能とは
- 人工知能をめぐる動向（探索・推論／知識表現／機械学習／ディープラーニング）
- 機械学習の概要（教師あり／教師なし／強化学習／モデル選択・評価）
- ディープラーニングの概要（NN／活性化関数／誤差関数／正則化／誤差逆伝播／最適化）
- ディープラーニングの要素技術（全結合・畳み込み・正規化・プーリング・Attention・オートエンコーダ・データ拡張 等）
- ディープラーニングの応用例（画像／NLP／音声／深層強化学習／生成 AI／転移学習・FT／マルチモーダル／解釈性／軽量化）
- AI の社会実装に向けて（AI プロジェクトの進め方・データ収集／加工／分析／学習）
- AI に必要な数理・統計知識
- AI に関する法律と契約（個人情報保護法／著作権法／特許法／不正競争防止法／独占禁止法／AI 開発委託・サービス提供契約）
- AI 倫理・AI ガバナンス（ガイドライン／プライバシー／公平性／安全性／悪用／透明性／民主主義／環境／労働政策／AI ガバナンス）
例題に挑戦
スキルサートのAIが生成した演習問題のサンプルです。アプリでは毎週新しい問題が追加されます。
例題1
コンピュータビジョンにおける画像タスクのうち、個々の物体をピクセル単位で分類し、かつ同じクラスに属する異なる個体（例えば、2台の異なる車）を別々のラベルとして識別する手法として、最も適切なものはどれか。
- パノプティックセグメンテーション
- 物体検出（オブジェクトディテクション）
- セマンティックセグメンテーション
- インスタンスセグメンテーションは、同一クラスの個体を区別する。
- 画像分類（イメージクラシフィケーション）
解答と解説を見る
正解: インスタンスセグメンテーションは、同一クラスの個体を区別する。
セマンティックセグメンテーションは画素単位でクラスを分類しますが、同一クラス内の個別の個体を区別しません。一方、インスタンスセグメンテーションはクラス分類に加えて、個々の物体を個体として識別するタスクです。物体検出は矩形（バウンディングボックス）で位置を示しますが、ピクセル単位の形状は特定しません。パノプティックセグメンテーションはこれら両方の特徴を統合した手法です。画像分類は画像全体にラベルを付与するのみです。正解は「インスタンスセグメンテーションは、同一クラスの個体を区別する。」です。
例題2
自然言語処理において、RNN（再帰型ニューラルネットワーク）の課題であった長距離の依存関係の学習や計算の並列化を解決し、現在のLLM（大規模言語モデル）の基盤となったアテンション機構（Attention Mechanism）に関する記述として、最も適切なものはどれか。
- 入力文のすべての単語に対して、常に均等な重みを与えて処理を行う。
- データのノイズを除去する過程を学習し、高精度な文章を生成する。
- 時系列データを順番に処理することで、過去の情報を隠れ状態として保持する。
- 入力シーケンス内の各単語が、他のどの単語と関連が深いかを動的に重み付けする。
- 単語を固定次元のベクトルに変換し、そのコサイン類似度のみを計算する。
解答と解説を見る
正解: 入力シーケンス内の各単語が、他のどの単語と関連が深いかを動的に重み付けする。
アテンション機構は、文中のある単語を処理する際に、他のどの単語が重要であるかを動的に計算し、重み付けを行う仕組みです。これにより、文の構造や単語間の依存関係を効率的に捉えることが可能になりました。RNNが時系列を順次処理するのに対し、Transformerなどのアテンションを用いたモデルは並列計算が可能なため、大規模なデータセットでの学習速度が飛躍的に向上しました。ノイズ除去プロセスは拡散モデルに関連する記述であり、本問の主旨とは異なります。正解は「入力シーケンス内の各単語が、他のどの単語と関連が深いかを動的に重み付けする。」です。
JDLA Deep Learning for GENERAL (G検定)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。
