2026年版・6-1

AIプロジェクトの計画と進め方の一問一答

G検定（ジェネラリスト検定）「AIの社会実装に向けて」から、AIプロジェクトの計画と進め方に関する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） AIの社会実装に向けての要点解説を読む

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16-1

データ分析・データマイニングのプロジェクトの標準的な進め方として知られるCRISP-DMの段階の順序として、最も適切なものを1つ選びなさい。

①ビジネスの理解 → データの理解 → データの準備 → モデリング → 評価 → 展開
②データの準備 → モデリング → ビジネスの理解 → データの理解 → 評価 → 展開
③モデリング → 評価 → ビジネスの理解 → データの理解 → データの準備 → 展開
④データの理解 → ビジネスの理解 → モデリング → データの準備 → 展開 → 評価

答えと解説を見る

正解 ①ビジネスの理解 → データの理解 → データの準備 → モデリング → 評価 → 展開

解説
CRISP-DM（CRoss-Industry Standard Process for Data Mining）は、業種を問わず使えるデータ分析のプロジェクトの標準的な進め方として知られています。次の6つの段階からなります。ビジネスの理解（何を解決したいのか、目的と成功の基準を明確にする）、データの理解（使えるデータを集めて中身を確認する）、データの準備（分析やモデリングに使える形にデータを整える）、モデリング（モデルを作る）、評価（ビジネスの目的に照らしてモデルを評価する）、展開（実際の業務で使えるようにする）です。各段階は一方向に進むだけでなく、必要に応じて前の段階に戻りながら繰り返し進めます。

他の選択肢が不適切な理由
・データの準備から始める順序：何を解決するかを決めずにデータを整えても、目的に合った分析になりません。最初は「ビジネスの理解」です。
・モデリングから始める順序：目的とデータの確認をせずにモデルを作る順序で、誤りです。
・データの理解から始め、展開のあとに評価する順序：評価は展開の前に行います。

覚え方のポイント
CRISP-DMのポイントは「最初がビジネスの理解」であることです。AIの導入では、技術ありきではなく、解決したい課題と目的を最初に明確にすることが重要です。これに品質保証の観点を加えたCRISP-ML(Q)という進め方も提案されています。

問26-1

AIプロジェクトで行われる「PoC（Proof of Concept：概念実証）」の説明として、最も適切なものを1つ選びなさい。

①完成したAIシステムを、全社のすべての業務に一斉に導入して運用する段階
②本格的な開発の前に、小規模にAIを試して、実現可能性や効果を確かめる段階
③開発を終えたAIシステムの全体を、納品の前に最終的に受け入れ検査する段階
④運用中のAIの性能を監視し、精度が落ちたときに再学習を行っていく段階

答えと解説を見る

正解 ②本格的な開発の前に、小規模にAIを試して、実現可能性や効果を確かめる段階

解説
PoC（概念実証）は、本格的な開発や導入に進む前に、限られたデータや範囲でAIのモデルを試作し、その課題にAIが本当に役立つのか、どの程度の精度が出そうか、実際の業務に組み込めそうか、費用に見合う効果がありそうかを確かめる段階です。AIは、実際にデータで試してみないと精度が分からないことが多いため、PoCで見通しを得てから次の段階に進む判断をするのが一般的です。

他の選択肢が不適切な理由
・全社のすべての業務に一斉に導入して運用する：これは本格的な導入・運用の段階で、PoCではありません。
・納品の前に最終的に受け入れ検査する：これは開発の終盤に行う受入れの検査で、本格的な開発の前に行うPoCではありません。
・運用中の性能を監視して再学習する：これは運用段階の保守の作業で、PoCではありません。

覚え方のポイント
PoCを何度も繰り返すだけで本格導入に進まない状態は「PoC止まり（PoC貧乏）」と呼ばれ、AIプロジェクトの典型的な失敗例とされます。PoCの段階から、成功の基準と次の段階へ進む条件を決めておくことが大切です。

問36-1

AIプロジェクトの進め方の特徴として、最も適切なものを1つ選びなさい。

①開発の開始前に完成時の精度を正確に決められるため、最初の計画どおり一度で作り上げて完了する。
②PoCで目標の精度が出れば、本番の環境でも同じ精度が出るため、そのまま全社に導入してよい。
③実際にデータで試すまで精度が分からないことが多く、検証と改善を段階的に繰り返しながら進める。
④十分な精度に達したモデルは運用後も精度が変わらないため、再学習の計画は立てなくてよい。

答えと解説を見る

正解 ③実際にデータで試すまで精度が分からないことが多く、検証と改善を段階的に繰り返しながら進める。

解説
AIのモデルの精度は、使えるデータの量や質、課題の難しさによって大きく変わり、実際にデータで試してみるまで分からないことが多くあります。そのため、AIプロジェクトは、最初にすべてを決めて一度で作り上げる進め方ではなく、小さく試して結果を確かめ、必要に応じてデータやモデル、目標を見直しながら、段階的に進めるのが一般的です。経済産業省の「AI・データの利用に関する契約ガイドライン」でも、アセスメント、PoC、開発、追加学習と段階を分ける「探索的段階型」の進め方が示されています。

他の選択肢が不適切な理由
・完成時の精度を開始前に正確に決められる：実際のデータで試すまで精度が分からないのがAIの特徴です。
・PoCで精度が出ればそのまま全社に導入してよい：PoCは限られたデータと範囲で試したものです。本番のデータや業務の流れの中では、精度や効果が変わることがあるため、段階ごとに結果を確かめてから次に進みます。
・運用後も精度が変わらないので再学習の計画は不要：運用中に現実のデータの傾向が変わると、モデルの精度は落ちることがあります。継続的な監視と、再学習などの改善をあらかじめ計画しておく必要があります。

覚え方のポイント
AIプロジェクトは「やってみないと分からない」ことが前提です。そのため「段階的に進める」「運用後も見守り、改善する」という2点が、従来のシステム開発との大きな違いとして問われます。

問46-1

AIを業務に導入する際の目標設定の考え方として、最も適切なものを1つ選びなさい。

①最新のAI技術を導入すること自体を最大の目的とし、効果の測定は必要に応じて後で考える。
②まずモデルの正解率を目標として定め、業務上の効果を測る指標は導入の後で決める。
③課題を決める前に使いたいAIの手法を選び、それに合う業務を後から探して当てはめる。
④AIを使うこと自体を目的にせず、解決したい課題と、効果を測る指標を最初に明確にする。

答えと解説を見る

正解 ④AIを使うこと自体を目的にせず、解決したい課題と、効果を測る指標を最初に明確にする。

解説
AIは課題を解決するための手段の一つであり、AIを使うこと自体が目的ではありません。導入にあたっては、「どの業務の、どのような課題を解決したいのか」「それが実現したかどうかを、何の指標（KPI）で、どの水準を目標として測るのか」を最初に明確にすることが重要です。そのうえで、その課題にAIが本当に適しているのか、ほかの方法（業務の手順の見直しや、ルールによる自動化など）のほうがよいのかも含めて検討します。

他の選択肢が不適切な理由
・導入すること自体を目的とし効果の測定は後で考える：目的と評価の方法が曖昧なまま進めると、効果の判断ができず、PoC止まりになりやすくなります。
・正解率を目標にし、業務上の効果の指標は後で決める：正解率はモデルの性能の指標で、それが高くても業務の課題が解決するとは限りません。作業時間やコストの削減など、業務上の効果を測る指標（KPI）も最初に決めておく必要があります。
・手法を先に選び、合う業務を後から探す：技術ありきの進め方で、本当に解決すべき課題とずれやすくなります。まず課題を決め、そのうえでAIが適した手段かどうかを検討します。

覚え方のポイント
「目的（課題）→ 指標（KPI）→ 手段（AIかどうか）」の順で考えるのが基本です。モデルの精度の指標と、業務上の効果の指標（コスト削減額など）を分けて考えることも大切です。

問56-1

病気の見逃しを減らしたい検査にAIを使う場合の、判定のしきい値や評価指標の考え方として、最も適切なものを1つ選びなさい。

①見逃し（偽陰性）の損失が大きいため、誤検知が多少増えても再現率を重視して判定を設計する。
②誤検知（偽陽性）をゼロにすることを最優先とし、見逃しが増えても適合率だけを重視して設計する。
③誤りの種類による損失の違いは考えず、正解率だけが最も高くなるように判定を設計すればよい。
④しきい値は技術的な問題にすぎないため、業務の担当者と相談せずに開発者だけで自由に決める。

答えと解説を見る

正解 ①見逃し（偽陰性）の損失が大きいため、誤検知が多少増えても再現率を重視して判定を設計する。

解説
AIの誤りには、陽性を見逃す「偽陰性」と、陰性を陽性と誤って判定する「偽陽性（誤検知）」があり、どちらの誤りのほうが損失が大きいかは、業務によって異なります。病気の検査では、病気の人を見逃すと治療の機会を失うなど重大な結果につながるため、再現率（実際に陽性のもののうち、正しく陽性と判定できた割合）を重視し、陽性と判定するしきい値を低めにするなどの設計が考えられます。誤検知は、その後の精密検査などで確かめる、といった業務の流れとあわせて設計します。

他の選択肢が不適切な理由
・誤検知ゼロを最優先に適合率だけを重視する：見逃しが増えると、見逃しを減らしたいという目的に反します。
・正解率だけを最大にする：陽性が少ない不均衡なデータでは、すべて陰性と予測するだけで正解率が高くなってしまい、見逃しを減らす目的に合いません。
・開発者だけで決める：どの誤りを許容できるかは業務上の判断であり、業務の担当者などの関係者と合意して決めるべきです。

覚え方のポイント
「見逃しが怖い（病気・不正・故障）＝再現率重視」「誤検知が怖い（迷惑メールで大事なメールを消す等）＝適合率重視」。評価指標は、ビジネス上の損失から逆算して選びます。

問66-1

AIを業務に組み込む際に、AIの出力をそのまま使うのではなく、重要な判断の前に人間が確認・修正する仕組みを設ける考え方として、最も適切なものを1つ選びなさい。

①エンド・ツー・エンド学習
②ヒューマン・イン・ザ・ループ
③アンサンブル学習
④オープンイノベーション

答えと解説を見る

正解 ②ヒューマン・イン・ザ・ループ

解説
ヒューマン・イン・ザ・ループ（Human-in-the-Loop）は、AIを使った処理の流れ（ループ）の中に人間が関与し、AIの出力を確認・修正したり、最終的な判断を下したりする考え方です。AIは誤ることがあるため、医療の診断支援や融資の審査のように、判断の誤りが人に大きな影響を与える業務では、人間が最終的な責任を持って判断する仕組みが重要です。人間が修正した結果を学習データとして蓄積し、モデルの改善に活かすこともできます。

他の選択肢が不適切な理由
・エンド・ツー・エンド学習：入力から出力までを1つのモデルで直接学習する方法で、人間の関与の仕組みではありません。
・アンサンブル学習：複数のモデルの予測を組み合わせて性能を高める方法です。
・オープンイノベーション：社外の組織と協力して新しい価値を生み出す取り組みのことです。

覚え方のポイント
「ヒューマン・イン・ザ・ループ＝人がループの中にいる」。AIの判断をどこまで自動化し、どこで人が関わるかを決めることは、AIガバナンスの重要な論点でもあります。

問76-1

AIプロジェクトに関わる役割の説明として、最も不適切なものを1つ選びなさい。

①データサイエンティストは、データを分析し、課題に合ったモデルを検討・構築する役割を担う。
②データエンジニアは、データを集めて蓄積し、分析や学習に使える形に整える仕組みを作る。
③ドメインエキスパートが関与するのは、モデルが完成した後の業務での評価の段階に限られる。
④プロジェクトマネージャーは、目的・予算・日程を管理し、関係者の調整を行う役割を担う。

答えと解説を見る

正解 ③ドメインエキスパートが関与するのは、モデルが完成した後の業務での評価の段階に限られる。

解説
ドメインエキスパートとは、医療、製造、金融など、AIを使う対象の業務や分野の専門家のことです。どの課題を解くべきか、データの意味や品質は妥当か、正解ラベルをどう付けるか、AIの出力が業務上妥当かといった判断には、その分野の知識が欠かせません。これらの判断は、課題の設定やデータの準備といった初期の段階から必要になるため、関与をモデルの完成後の評価だけに限るのは誤りです。AIの技術に詳しくなくても、プロジェクトの成否を左右する重要な役割を担います。

他の選択肢が不適切な理由
※この問題は「不適切なもの」を選ぶ問題です。以下はAIプロジェクトの役割として正しい記述です。
・データサイエンティスト：データの分析とモデルの検討・構築を担います。
・データエンジニア：データを集めて蓄積し、使える形に整える基盤（データパイプライン）を作ります。
・プロジェクトマネージャー：目的・予算・日程を管理し、関係者を調整します。

覚え方のポイント
AIプロジェクトは、技術者だけでは成功しません。「業務の専門家（ドメインエキスパート）」と「技術の専門家」が協力することが重要です。運用の段階では、モデルを本番環境で動かし続ける機械学習エンジニア（MLエンジニア）の役割も大きくなります。

問86-1

AIの導入に伴い、単に作業の一部をAIに置き換えるだけでなく、業務の流れ全体を根本から見直して再設計する取り組みとして、最も適切なものを1つ選びなさい。

①PoC（概念実証）
②A/Bテスト
③アノテーション
④BPR（ビジネスプロセス・リエンジニアリング）

答えと解説を見る

正解 ④BPR（ビジネスプロセス・リエンジニアリング）

解説
BPR（Business Process Re-engineering）は、既存の業務の流れ（ビジネスプロセス）を根本から見直し、全体として最も効果が上がるように再設計する取り組みです。AIの導入でも、今の作業の一部をそのままAIに置き換えるだけでは、効果が限られることがあります。AIが得意なこと・苦手なことを踏まえ、人とAIの役割分担や、確認の手順、データの集め方まで含めて業務全体を組み立て直すことで、AIの効果を最大限に引き出せます。

他の選択肢が不適切な理由
・PoC（概念実証）：本格的な開発の前に、小規模にAIを試して実現可能性を確かめる段階です。
・A/Bテスト：2つの案を利用者に振り分けて比較し、どちらが効果的かを確かめる方法です。
・アノテーション：データに正解ラベルを付ける作業です。

覚え方のポイント
「AIを入れる＝業務を作り直すチャンス」。AIの導入の効果は、モデルの精度だけでなく、業務の設計によって大きく変わることを押さえておきましょう。

問96-1

AIの導入に適した課題の特徴として、最も不適切なものを1つ選びなさい。

①過去のデータがほとんどなく、今後も集める見込みがない課題
②同じような判断を大量に、繰り返し行う必要がある課題
③判断の材料となるデータが十分にあり、継続して集められる課題
④ある程度の誤りが許容されるか、人が確認して直せる課題

答えと解説を見る

正解 ①過去のデータがほとんどなく、今後も集める見込みがない課題

解説
機械学習を用いたAIは、データからパターンを学習するため、学習に使えるデータがほとんどなく、今後も集める見込みがない課題には向いていません。そのような課題では、ルールによる自動化や、人の判断の支援など、ほかの方法を検討することになります。

他の選択肢が不適切な理由
※この問題は「不適切なもの」を選ぶ問題です。以下はAIの導入に適した課題の特徴として正しい記述です。
・大量に繰り返し行う判断：AIによる自動化の効果が大きくなります。
・データが十分にあり、継続して集められる：学習と、運用後の再学習の両方に役立ちます。
・誤りが許容されるか、人が確認・修正できる：AIは誤ることがあるため、誤りへの備えがある課題のほうが導入しやすくなります。

覚え方のポイント
AIの導入の検討では「データはあるか」「繰り返しの多い判断か」「誤りに耐えられるか」の3点を確認しましょう。データがなければ、まずデータを集める仕組みづくりから始めることになります。

問106-1

機械学習を用いたシステムの品質を確保するための考え方として、最も適切なものを1つ選びなさい。

①プログラムの誤りさえなければ、学習データの内容にかかわらず品質は必ず保証される。
②学習データの品質や運用中の性能の変化も含め、品質を継続的に管理する必要がある。
③テストデータでの正解率が一度でも高ければ、運用中に性能を確かめる必要はない。
④テストデータで目標の精度が出ていれば、学習データの偏りは品質の問題にならない。

答えと解説を見る

正解 ②学習データの品質や運用中の性能の変化も含め、品質を継続的に管理する必要がある。

解説
従来のソフトウェアは、人が書いたプログラムどおりに動くため、プログラムを検証することで品質を確かめやすいものでした。一方、機械学習を用いたシステムの振る舞いは、学習データによって決まります。そのため、プログラムの正しさだけでなく、学習データが十分で偏りがないか、正解ラベルが正確か、運用中に入力データの傾向が変わって性能が落ちていないか、といった点も含めて、品質を継続的に管理する必要があります。日本でも、産業技術総合研究所が「機械学習品質マネジメントガイドライン」を公表しています。

他の選択肢が不適切な理由
・プログラムの誤りさえなければ品質は保証される：学習データに偏りや誤りがあれば、プログラムが正しくても出力は誤ります。
・一度正解率が高ければ運用中に確かめる必要はない：現実のデータの傾向は時間とともに変わるため、運用中の監視が必要です。
・テストデータで精度が出れば偏りは問題にならない：テストデータも同じ偏りを持っていると、偏りは評価では見つかりません。特定の条件や属性のデータで性能が落ちていないかなど、データの品質そのものを確かめる必要があります。

覚え方のポイント
「機械学習の品質＝プログラム＋データ＋運用」。データと運用まで含めて管理する点が、従来のソフトウェアとの大きな違いです。

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。