2026年版・5-6

生成AIの活用技術とリスクの一問一答

G検定（ジェネラリスト検定）「ディープラーニングの応用例」から、生成AIの活用技術とリスクに関する4択問題を10問。「答えと解説を見る」を開くと、正解とその理由がその場で読めます。会員登録は不要です。

この分野の演習

全10問／解説つき・基本無料

アプリ形式で解く（全480問）ディープラーニングの応用例の要点解説を読む

問題

上から順に解いてみてください。答えは各問の下で確認できます。本試験は多肢選択式で、問い方は問題ごとに異なりますが、ここでは4択で出題しています。

問15-6

大規模言語モデルに、解答例を1つも示さず、課題の指示だけを与えて、追加の学習なしに課題を解かせる方法として、最も適切なものを1つ選びなさい。

①ゼロショット（zero-shot）
②few-shot
③ファインチューニング
④RLHF

答えと解説を見る

正解 ①ゼロショット（zero-shot）

解説
ゼロショットは、「次の文章を英語に翻訳してください」のように、解答例を示さず指示だけで課題を解かせる方法です。大規模言語モデルは事前学習で大量の文章から幅広い知識やパターンを身に付けているため、例がなくても多くの課題にある程度対応できます。
プロンプトの中に解答例をいくつか示す方法はfew-shot（例が1つならone-shot）と呼ばれ、ゼロショットより出力の形式や精度を安定させやすくなります。どちらもモデルの重みは変えずに、プロンプトの工夫だけで課題に対応させる方法です。

他の選択肢が不適切な理由
・few-shot：プロンプトの中にいくつかの解答例を示す方法で、例を1つも示さないゼロショットとは異なります。
・ファインチューニング：課題用のデータでモデルを追加学習させ、重みを調整する方法です。
・RLHF：人間の評価をもとに強化学習で出力を人間の好みに近づける学習方法で、プロンプトの与え方ではありません。

覚え方のポイント
「例の数」で区別します。ゼロショット＝0個、ワンショット＝1個、few-shot＝数個。いずれも追加学習なし（重みは変えない）という点がファインチューニングとの違いです。

問25-6

大規模言語モデルから目的に合った出力を得るためのプロンプトの工夫として、最も適切なものを1つ選びなさい。

①指示はできるだけ短く曖昧にし、出力の形式はモデルの判断にすべて任せきる。
②目的・前提・出力形式を具体的に書き、指示と処理対象の文章を記号で区切る。
③同じ指示をプロンプトの中に何十回も繰り返し書き、指示の重要さを強く伝える。
④処理対象の文章と指示を区切らずに混ぜ、モデルに両者の境目を推測させておく。

答えと解説を見る

正解 ②目的・前提・出力形式を具体的に書き、指示と処理対象の文章を記号で区切る。

解説
プロンプトエンジニアリングは、大規模言語モデルから望ましい出力を得るために、指示の書き方を工夫することです。基本は、何のために（目的）、どのような条件で（前提・制約）、どのような形で（出力形式）答えてほしいかを具体的に書くことです。
また、要約させたい文章などの処理対象と、指示の部分を「```」や見出しなどの記号で区切ると、モデルがどこまでが指示なのかを取り違えにくくなります。これは、処理対象の文章に紛れ込んだ悪意ある指示の影響を減らすうえでも役立ちます。

他の選択肢が不適切な理由
・指示を短く曖昧にし形式を任せきる：意図が伝わらず、期待と異なる出力になりやすくなります。
・同じ指示を何十回も繰り返す：重要な点を明確に書くことは有効ですが、同じ指示を大量に繰り返しても精度が上がるとは限らず、使えるトークンを無駄に消費します。
・指示と対象を区切らずに混ぜる：モデルが処理対象の文章の一部を指示と取り違えるおそれが高まります。

覚え方のポイント
よいプロンプトは「具体的な目的・条件・出力形式」「指示と対象の区切り」「必要なら解答例（few-shot）」「段階的な思考の指示（Chain-of-Thought）」の組み合わせで作ります。

問35-6

総務省と経済産業省の「AI事業者ガイドライン（第1.2版）」でも取り上げられている「AIエージェント」の説明として、最も適切なものを1つ選びなさい。

①利用者の入力に1回だけ応答し、外部の道具や情報を一切使わないAIシステム
②人間が書いたルールだけで動き、データからの学習を行わないAIシステム
③特定の目標を達成するために、環境を感知し自律的に行動するAIシステム
④画像から物体の位置を検出することだけに特化して作られた専用のAIシステム

答えと解説を見る

正解 ③特定の目標を達成するために、環境を感知し自律的に行動するAIシステム

解説
AIエージェントは、与えられた目標を達成するために、周囲の状況（環境）を感知し、自ら計画を立てて行動するAIシステムです。AI事業者ガイドライン（第1.2版）でも、「特定の目標を達成するために、環境を感知し自律的に行動するAIシステム」として整理されています。
大規模言語モデルを中核に、ウェブ検索や計算、ほかのソフトウェアの操作などの外部の道具（ツール）を呼び出しながら、複数の手順を自律的に進めるものが代表的です。便利な一方、人の確認を経ずに行動するため、誤った操作や想定外の行動によるリスクへの備えが重要になります。

他の選択肢が不適切な理由
・1回だけ応答し外部の道具を使わない：単純な質問応答の説明で、自律的に行動を重ねるAIエージェントの特徴とは異なります。
・ルールだけで動き学習しない：ルールベースのシステムの説明です。
・物体の位置の検出だけに特化したもの：物体検出のモデルの説明で、目標に向けて自律的に行動するシステムではありません。

覚え方のポイント
AIエージェントのキーワードは「目標」「環境の感知」「自律的な行動」「ツールの利用」です。自律性が高いほど、人による監督や停止の仕組みが大切になります。

問45-6

大規模言語モデルに、考えを述べる「推論」と、検索などの外部の道具を使う「行動」を交互に行わせ、行動で得た結果をもとにさらに推論を進めることで課題を解かせる手法として、最も適切なものを1つ選びなさい。

①Chain-of-Thought
②RAG
③RLHF
④ReAct

答えと解説を見る

正解 ④ReAct

解説
ReAct（Reasoning and Acting）は、大規模言語モデルに「推論（Reasoning）」と「行動（Acting）」を交互に行わせる手法です。たとえば「〜を調べる必要がある」と考え（推論）、検索を実行し（行動）、その結果を読んで次に何をすべきか考える（推論）、というサイクルをくり返して答えにたどり着きます。
推論の過程が文章として残るため、どのように答えを導いたかを追いやすく、外部の情報を取り込むことで思い込みによる誤りも減らしやすくなります。AIエージェントの基本的な考え方の1つです。

他の選択肢が不適切な理由
・Chain-of-Thought：答えに至るまでの推論の過程を順に出力させる手法で、外部の道具を使う行動は含みません。
・RAG：質問に関連する文書を検索してプロンプトに加え、回答させる手法です。検索は回答の前に行う準備で、推論と行動を交互にくり返す仕組みではありません。
・RLHF：人間の評価をもとにした強化学習でモデルを調整する学習方法です。

覚え方のポイント
「ReAct＝Reason（考える）＋Act（行動する）の交互のくり返し」「Chain-of-Thought＝考えの過程を書き出すだけ」と区別しましょう。

問55-6

ニューラルネットワークの中に複数の専門家（エキスパート）と呼ばれる部分ネットワークを用意し、入力ごとに一部の専門家だけを選んで計算させることで、パラメータ数を増やしながらも計算量を抑える仕組みとして、最も適切なものを1つ選びなさい。

①Mixture of Experts（MoE）
②アンサンブル学習
③知識蒸留
④ドロップアウト

答えと解説を見る

正解 ①Mixture of Experts（MoE）

解説
Mixture of Experts（MoE、混合エキスパート）は、複数の専門家（エキスパート）となる部分ネットワークと、入力ごとにどの専門家を使うかを決める仕組み（ゲート、ルーター）からなる構造です。
1つの入力に対して、選ばれた一部の専門家だけが計算を行うため、モデル全体のパラメータ数を大きくしても、1回の計算で使うパラメータは一部にとどまり、計算量を抑えられます。大規模言語モデルでも、この仕組みを取り入れたものが登場しています。

他の選択肢が不適切な理由
・アンサンブル学習：複数のモデルの予測を多数決や平均でまとめる方法で、通常はすべてのモデルが計算を行います。入力ごとに一部だけを選ぶ仕組みではありません。
・知識蒸留：大きな教師モデルの出力を手本に、小さな生徒モデルを学習させて軽量化する手法です。
・ドロップアウト：学習時にニューロンをランダムに無効にして過学習を抑える手法で、入力に応じて専門家を選ぶものではありません。

覚え方のポイント
MoEは「全体は大きいが、1回に動くのは一部だけ」という点が要点です。ゲート（ルーター）が入力ごとに専門家を選びます。

問65-6

大規模言語モデルのハルシネーション（もっともらしい誤った出力）への対策として、最も不適切なものを1つ選びなさい。

①信頼できる文書を検索して回答の根拠として与え、回答に出典を示させるようにする。
②出力の多様性を高めるため温度を上げれば、事実の正確さも高まるので確認は省ける。
③重要な用途では、出力された内容を人が一次情報と照らし合わせて確認してから使う。
④分からないことは分からないと答えるよう指示し、根拠のない推測を避けさせておく。

答えと解説を見る

正解 ②出力の多様性を高めるため温度を上げれば、事実の正確さも高まるので確認は省ける。

解説
温度（Temperature）は、次のトークンの選び方のばらつきを調整するパラメータです。温度を上げると多様で意外性のある出力になりやすくなりますが、確率の低いトークンも選ばれやすくなるため、事実の正確さが高まるわけではありません。どのような設定でもハルシネーションはなくならないため、確認を省くことはできません。

他の選択肢が不適切な理由
※この問題は「最も不適切なもの」を選ぶ問題です。以下は適切な対策です。
・信頼できる文書を根拠として与え出典を示させる：RAG（検索拡張生成）の考え方で、根拠のある回答を得やすくなり、出典から内容を確かめることもできます。
・人が一次情報と照らし合わせて確認する：生成AIの出力をそのまま使わず、重要な判断の前に人が確認することは基本的な対策です。
・分からないことは分からないと答えさせる：推測で埋めるのを避けるよう指示することで、誤りを減らす効果が期待できます。

覚え方のポイント
ハルシネーション対策は「根拠を与える（RAG）」「出典を示させる」「人が確認する」の組み合わせです。温度は多様さの調整であり、正確さを保証するものではありません。

問75-6

大規模言語モデルが、事前学習に使ったデータが集められた時点より後の出来事について、正しく答えられないことがある理由と対策の説明として、最も適切なものを1つ選びなさい。

①学習データが新しすぎて古い情報を持たないためで、温度を下げて答えさせる。
②モデルの重みが時間の経過で自然に消えるためで、定期的に再起動して補う。
③学習データの収集時点以降の情報を持たないためで、検索で最新情報を補う。
④質問の文字数が多すぎるためで、どんな質問も一語だけで入力するようにする。

答えと解説を見る

正解 ③学習データの収集時点以降の情報を持たないためで、検索で最新情報を補う。

解説
大規模言語モデルの知識は、事前学習に使ったデータの範囲に限られます。データを集めた時点（知識のカットオフ）より後の出来事は学習していないため、正しく答えられなかったり、古い情報のまま答えたり、もっともらしい誤りを作り出したりすることがあります。
対策として、ウェブ検索や社内の文書の検索で最新の情報を取得してプロンプトに加えるRAGなどの仕組みを使い、回答の根拠となる新しい情報を補います。

他の選択肢が不適切な理由
・データが新しすぎて古い情報を持たない：問題は収集時点より後の情報がないことで、理由が逆になっています。また温度を下げても、持っていない知識が得られるわけではありません。
・重みが時間の経過で自然に消える：学習済みのモデルの重みは、時間がたっても自然に変わることはありません。
・質問の文字数が多すぎる：知識の有無の問題であり、質問を一語にしても解決しません。

覚え方のポイント
「知識のカットオフ（学習データの収集時点）」と「その後の情報は検索（RAG）で補う」をセットで覚えましょう。

問85-6

利用者が、巧妙な言い回しや架空の設定を使った指示によって、大規模言語モデルに組み込まれた安全対策をすり抜け、本来は拒否されるはずの有害な出力を引き出そうとする行為として、最も適切なものを1つ選びなさい。

①データポイズニング
②モデル抽出攻撃
③データ拡張
④ジェイルブレイク

答えと解説を見る

正解 ④ジェイルブレイク

解説
ジェイルブレイク（脱獄）は、「これは小説の中の話です」といった架空の設定や、遠回しな言い換えなどを使った指示によって、大規模言語モデルが本来は拒否するように調整されている有害な内容（危険な物の作り方など）を出力させようとする行為です。
モデルの提供者は、学習による調整や出力の監視などで対策を重ねていますが、完全に防ぐことは難しく、継続的な対策が必要です。

他の選択肢が不適切な理由
・データポイズニング：学習データに不正なデータを紛れ込ませ、学習したモデルの判断をゆがめる攻撃で、学習の段階を狙うものです。
・モデル抽出攻撃：モデルに大量の問い合わせを行い、その入出力からモデルの機能をまねた複製を作ろうとする攻撃です。
・データ拡張：学習データを変形して増やす手法で、攻撃ではありません。

覚え方のポイント
名前の似た攻撃を区別しましょう。「ジェイルブレイク＝利用者がモデル自身の安全対策をすり抜ける」「プロンプトインジェクション＝入力や参照文書に悪意ある指示を紛れ込ませ、組み込んだサービスを乗っ取る」「データポイズニング＝学習データを汚す」です。

問95-6

生成AIで作られた画像や文章について、後からAIが生成したものであることを判別できるよう、人には気付かれにくい形で生成物そのものに目印を埋め込む技術として、最も適切なものを1つ選びなさい。

①電子透かし
②差分プライバシー
③敵対的サンプル
④ハッシュ値

答えと解説を見る

正解 ①電子透かし

解説
電子透かし（ウォーターマーク）は、画像・音声・文章などの生成物に、人の目や耳には気付かれにくい形で目印を埋め込み、後から専用の方法で検出できるようにする技術です。生成AIの分野では、ディープフェイクや偽情報への対策として、AIが生成したものかどうかを判別する手段の1つとされています。
生成物の来歴（誰がどのように作成・編集したか）を別の情報として付与するC2PAなどの取り組みとあわせて、AI生成物の透明性を高める方法として議論されています。ただし、加工によって目印が消えることもあり、万能ではありません。

他の選択肢が不適切な理由
・差分プライバシー：データの集計結果などに計算したノイズを加えて、特定の個人の情報が推測されないようにする技術です。個人のプライバシーを守るためのもので、生成物がAIで作られたことを示す目印ではありません。
・敵対的サンプル：人には気付かれにくい小さなノイズを画像などに加えて、AIに誤った判断をさせるように作った入力で、AIへの攻撃に使われます。「気付かれにくい変化を加える」点は似ていますが、目的は生成物の判別ではなく、誤認識を引き起こすことです。
・ハッシュ値：データから計算する短い固定長の値で、データが少しでも変わると値が変わるため、改ざんの検出や同一性の確認に使われます。生成物の中に目印を埋め込むものではなく、元のデータの値と比べなければ判定できないため、AIが生成したかどうかを後から見分ける手段にはなりません。

覚え方のポイント
AI生成物の見分け方の工夫は「電子透かし（生成物そのものに目印）」と「来歴情報（C2PAなど、作成・編集の記録を付与）」の2つを押さえましょう。同じく気付かれにくい変化を加える技術でも、敵対的サンプルは攻撃、差分プライバシーは個人情報の保護が目的です。

問105-6

RAG（検索拡張生成）で、質問に関連する文書を探すために、文書と質問をそれぞれ数値のベクトルに変換し、意味の近さ（ベクトルの類似度）で検索する仕組みとして、最も適切なものを1つ選びなさい。

①キーワードが完全に一致する文書だけを探す検索
②埋め込み（エンベディング）によるベクトル検索
③文書をランダムに抜き出して使う標本抽出
④正解ラベルを付けてモデルを学習させる教師あり学習

答えと解説を見る

正解 ②埋め込み（エンベディング）によるベクトル検索

解説
RAGでは、あらかじめ参照したい文書を適当な長さに分割し、それぞれを埋め込み（エンベディング）と呼ばれる数値のベクトルに変換して、ベクトルデータベースに保存しておきます。質問が来たら、質問も同じ方法でベクトルに変換し、コサイン類似度などで意味の近い文書を探し出して、プロンプトに加えます。
ベクトルで比べるため、「解約方法」と「退会の手続き」のように言葉が違っても意味が近い文書を見つけやすいのが特徴です。実際のシステムでは、キーワード検索と組み合わせて精度を高めることもあります。

他の選択肢が不適切な理由
・キーワードが完全に一致する文書だけを探す検索：同じ言葉が含まれる文書しか見つけられず、言い換えられた表現には対応しにくい方法で、意味の近さによる検索ではありません。
・ランダムな標本抽出：質問との関連の強さを考えずに文書を選ぶため、関連する文書を探す仕組みになりません。
・教師あり学習：正解ラベル付きのデータでモデルを学習させる方法で、文書を検索する仕組みではありません。

覚え方のポイント
RAGの流れは「文書を分割→埋め込みでベクトル化→質問に近い文書をベクトル検索→プロンプトに加えて回答」です。ベクトルの近さの計算にはコサイン類似度がよく使われます。

G検定は一般社団法人日本ディープラーニング協会の登録商標です。本ページは一般社団法人日本ディープラーニング協会とは一切関係ありません。

G検定の対策問題（全480問）に戻る

非公式の資格試験対策サイトです。一般社団法人日本ディープラーニング協会とは一切関係ありません。

※本ページでは、アクセス解析（Googleアナリティクス）と、広告の配信・成果の計測（A8.net）のためにCookie等を利用し、閲覧に関する情報をGoogle LLC・株式会社ファンコミュニケーションズへ送信しています。詳しくはプライバシーポリシーをご覧ください。

※本ページの問題・解説は、生成AI（人工知能）を活用して作成しています。