検証済みのGenerative-AI-Leader日本語問題集と解答で合格保証もしくは全額返金 [2026年01月]
Generative-AI-Leader日本語のPDF問題集で2026年01月25日最近更新された問題
質問 # 10
あるユーザーが生成AIモデルに、人気SF映画の科学的正確性について質問しました。モデルは、人間は確かに光より速く移動できると自信たっぷりに述べ、具体的な、しかし完全に架空の理論に言及し、映画の「確立された科学」に基づいてそれがどのように達成されるかについて、作り話のような説明をしました。モデルはこの情報を事実であるかのように提示していますが、それがフィクション作品に由来するものであることを示唆していません。これはどのようなモデルの限界なのでしょうか？
- A. 幻覚
- B. 知識のカットオフ
- C. データ依存性
- D. バイアス
正解：A
解説：
The limitation described is the AI model generating a false or misleading response (humans traveling faster than light is scientifically impossible/unproven) and presenting it as fact (confidently stating a fictional theory is real) without the ability to indicate its uncertainty or the source's fictional nature. This is the definition of a Hallucination in generative AI.
AI Hallucinations occur when a Large Language Model (LLM) generates outputs that are factually incorrect, irrelevant, or nonsensical, despite being linguistically fluent and seemingly plausible. They arise because the model is designed to predict the most statistically probable next word or token based on its training data, even when it lacks information or when its training data contains a mixture of fact and fiction. The model is overconfident in its generated response, a behavior that diminishes user trust and reliability, especially in applications where factual accuracy is critical. While a knowledge cutoff (B) is a common cause of hallucinations when an LLM is asked about recent events, the core limitation of fabricating facts from its own hardwired knowledge is the hallucination itself. Data dependency (A) relates to the model's reliance on the quality and completeness of its training data, and while flawed training data can be a cause, the error mode of inventing facts is the Hallucination.
質問 # 11
ある企業が、生徒一人ひとりにパーソナライズされた学習体験を提供するAIを活用した教育ソリューションの開発を目指しています。このプラットフォームは、生徒の知識を評価し、適切な学習教材を推奨し、パーソナライズされた演習を生成します。また、授業の構成を提供し、進捗状況を追跡するアプリケーションも提供します。どのようなAIソリューションを活用すべきでしょうか？
- A. カスタマイズされた学習エージェント
- B. 学習管理システム（LMS）
- C. 教育コンテンツに合わせて微調整された大規模言語モデル
- D. 学習リソースのためのAI搭載推奨システム
正解：A
解説：
The request goes beyond just recommendations or content generation. It involves assessing knowledge, recommending materials, generating personalized exercises, providing lesson structure, and tracking progress. This implies a more comprehensive, intelligent system that acts as an assistant or tutor for the student, which is best described as a customized learning agent. This agent would likely leverage LLMs and recommendation systems as components, but the overall solution is an agent.
________________________________________
質問 # 12
ある研究チームが、様々な産業機械のセンサー読み取り値の大規模なデータセットを収集しました。このデータセットには、温度、圧力、振動レベル、電流などの測定値が定期的に記録されています。研究チームはまだこれらの測定値にラベルやカテゴリを割り当てておらず、センサーデータのみに基づいて、潜在的な異常、故障、あるいは機械の挙動の自然なグループ分けを特定したいと考えています。
どのようなタイプの機械学習を使用すべきでしょうか?
- A. 強化学習
- B. 教師あり学習
- C. 教師なし学習
- D. ディープラーニング
正解：C
解説：
Since the team has not yet assigned any labels or categories to the sensor readings and wants to identify "anomalies, malfunctions, or natural groupings" based on the data alone, this is a classic unsupervised learning problem. Unsupervised learning techniques like clustering or anomaly detection are used to find hidden patterns or structures in unlabeled data.
________________________________________
質問 # 13
生成 AI 環境におけるインフラストラクチャ層のコアハードウェアコンポーネントは何ですか?
- A. TPUとGPU
- B. 事前学習済みモデル
- C. AIモデルを構築するためのツールとサービス
- D. ユーザーインターフェース
正解：A
解説：
The Generative AI landscape is often broken down into several functional layers: Applications, Agents, Platforms, Models, and Infrastructure.
The Infrastructure Layer is the foundation, providing the physical and virtual computing resources necessary to run and train the large models. These resources include servers, storage, networking, and most importantly, the specialized hardware accelerators required for high-volume, parallel computation.
The core hardware components are the Graphics Processing Units (GPUs) and the custom-designed Tensor Processing Units (TPUs) (A). These accelerators are optimized for the massive matrix operations fundamental to deep learning and Gen AI model training and inference.
Options B (User interfaces) and D (Tools and services) refer to the Application and Platform layers, respectively.
Option C (Pre-trained models) refers to the Model layer.
The physical hardware underpinning these abstract layers are the TPUs and GPUs.
(Reference: Google Cloud Generative AI Study Guides state that the Infrastructure Layer provides the core computing resources needed for generative AI, including the physical hardware (like servers, GPUs, and TPUs) and the essential software needed to train, store, and run AI models.)
質問 # 14
ある住宅ローン会社は、ローン申請の初期審査を自動化するために、生成AIシステムを導入しています。複数の申請者が予期せず却下され、顧客からの苦情や潜在的なバイアスへの懸念が生じています。責任ある公正な融資慣行を確保する必要があります。AIシステムのどの側面を優先すべきでしょうか？
- A. 申請者の財務情報を不正アクセスから保護するために、より厳格なデータセキュリティ対策を実施します。
- B. 時間の経過とともに精度を向上させるために、より多くの財務データを使用して AI モデルを定期的に更新します。
- C. AI の意思決定が説明可能であることを確認して、意思決定の理由を理解し、説明責任を確立します。
- D. 大量のローン申請を処理するために、AI システムがローン申請を処理する速度を向上させます。
正解：C
解説：
The problem centers on unexpected rejections and potential bias in a high-stakes, regulated domain (lending). In such a context, the central tenet of Responsible AI is transparency and fairness.
While all options are valid goals, the priority when facing bias concerns and customer complaints due to rejection is to provide accountability and verify the fairness of the automated decision. This is achieved through Explainable AI (XAI).
Ensuring AI decision-making is explainable (B) means building mechanisms that allow developers, regulators, and affected customers to understand why a specific decision (rejection) was made. Explainability is crucial for:
Auditing for bias: If the reasons for rejection can be traced (e.g., system rejects based on loan-to-value ratio, not race), bias can be identified and corrected.
Compliance: Financial services are heavily regulated, and the ability to explain a lending decision is often a legal or regulatory requirement.
Customer Trust: Providing a clear reason for rejection (even if the news is bad) reduces complaints and fosters confidence, directly addressing the core issue of unexpected rejections.
Options A, C, and D address security, speed, and accuracy, respectively, but Explainability is the direct mechanism for proving fairness and ensuring accountability, making it the most critical priority in this scenario.
(Reference: Google's Responsible AI principles and training materials highlight that in high-stakes domains like finance, explainability is essential for establishing trust, identifying and mitigating bias, and meeting regulatory compliance.)
質問 # 15
規制の厳しい金融機関が、ローン承認システムの中核となる意思決定エンジンとしてGeminiを採用したいと考えています。このシステムは、事前定義された厳格な基準に基づいて、ローン申請を決定論的に承認または却下します。なぜこれがGeminiの不適切なユースケースなのでしょうか？
- A. Gemini は、財務評価のための構造化された数値データを処理するための機能を備えていません。
- B. このシナリオでは、Gemini の導入はコストがかかりすぎて複雑になります。
- C. Gemini は、厳格なルールベースの決定ではなく、柔軟なコンテンツ生成と推論のために設計されています。
- D. Gemini は必要な財務データベースと統合できません。
正解：C
解説：
Gemini, as a large language model, excels at flexible content generation, summarization, understanding, and inference. However, it is not designed for deterministic, rule-based decision-making that requires absolute consistency and adherence to strict, predefined criteria, as is common in highly regulated financial systems like loan approvals. Such systems typically require traditional programming logic or specific rule engines for auditable and consistent outcomes.
________________________________________
質問 # 16
ある企業の大規模学習モデル（LLM）は、知識の限界によって幻覚を生み出しています。検索拡張生成（RAG）は、この限界をどのように克服するのでしょうか？
- A. RAG は、特定の顧客クエリ パターンに基づいて LLM を微調整し、応答生成の速度と効率を向上させます。
- B. RAG は、顧客に情報を提示する前に、人間による監視を行って正確性を確保します。
- C. RAG により、LLM は知識ソースから関連性のある最新の情報を取得できるようになります。
- D. RAG は LLM の創造的なライティング能力を強化し、より魅力的で有益な応答を生み出します。
正解：C
解説：
The primary purpose of RAG is to address the "knowledge cutoff" and hallucination issues of LLMs. It does this by retrieving relevant, up-to-date information from external knowledge sources (like databases or documents) at inference time and then using this retrieved information to ground the LLM's generation, ensuring factual accuracy and relevance to the specific query.
________________________________________
質問 # 17
ある企業は、顧客レビューを肯定的、否定的、中立的に分類するモデルを構築したいと考えています。数千件の顧客レビューのデータセットを収集しており、各レビューには対応する感情（肯定的、否定的、中立的）が手動でタグ付けされています。どのような機械学習を活用すべきでしょうか？
- A. 強化学習
- B. 教師なし学習
- C. 教師あり学習
- D. ディープラーニング
正解：C
解説：
The machine learning approach is determined by the nature of the data available and the desired output.
Data Available: Customer reviews (input) that are manually tagged with a sentiment category (output/label).
Desired Output: A model that can classify new, untagged reviews into one of the predefined categories (positive, negative, or neutral).
This scenario perfectly aligns with the definition of Supervised Learning (D). Supervised learning is the machine learning paradigm where the model is trained on a labeled dataset-a dataset where the input data is explicitly paired with the correct output label. The model learns a function that maps the input (the review text) to the output (the sentiment tag) and is then used to predict the label for unseen data.
Unsupervised Learning (B) is used for unlabeled data to find hidden patterns or groupings (clustering), which is not the goal here.
Reinforcement Learning (C) is used for training an agent through trial and error using a system of rewards and penalties.
Deep Learning (A) is a type of model (using deep neural networks) that can be used for supervised learning, but the learning approach required here is definitively supervised.
(Reference: Google's training materials on Machine Learning Approaches define Supervised Learning as training a model using labeled data to make predictions or classifications for new, unseen inputs. Sentiment analysis is a canonical example of a supervised learning classification task.)
質問 # 18
ある企業は、オンラインアンケートを通じて収集した顧客フィードバックを分析するための生成型AIアプリケーションを開発しています。このフィードバックには個人を特定できる情報（PII）が含まれているため、関係者はデータに関連する潜在的なプライバシーリスクを懸念しています。AIモデルの学習にデータを使用する前に、これらのリスクを軽減する必要があります。企業はどのような対策を優先すべきでしょうか？
- A. データ匿名化技術を適用して、機密データを削除または隠蔽します。
- B. AI モデルが大規模かつ多様なデータセットでトレーニングされていることを確認します。
- C. 今後の調査では定量的なフィードバック データのみを収集することに重点を置きます。
- D. 強力なアクセス制御を実装して、生の調査データを表示できるチームを制限します。
正解：A
解説：
The problem is the existence of Personally Identifiable Information (PII) within the customer feedback data, which introduces privacy risks for the development and training of the generative AI model. The goal is to mitigate these risks before using the data to train the AI model.
According to Google's Responsible AI and data handling best practices, when sensitive data like PII is present in a dataset intended for model training, the most critical step to prioritize is data minimization and privacy protection at the source. This is often achieved through anonymization or de-identification.
Applying data anonymization techniques (D) directly addresses the risk by removing or obscuring the sensitive data elements. This prevents the PII from being embedded into the model's parameters during training, thereby eliminating the risk of data leakage or privacy violations in the AI application's outputs. This is a crucial early step in the ML lifecycle for datasets containing sensitive information.
Option C, implementing access controls, is a necessary security measure but is a reactive control that protects the raw data; it does not remove the PII risk from the derived model itself. Option A is a long-term change to data collection but doesn't solve the problem for the existing data. Option B relates to bias and accuracy, not specifically PII risk mitigation.
(Reference: Google Cloud's Secure AI Framework (SAIF) and Responsible AI principles emphasize protecting sensitive data at all stages of the ML lifecycle, with de-identification being the primary method before training.)
質問 # 19
あるソーシャルメディアプラットフォームは、ユーザーが投稿した投稿の要約を生成AIモデルを用いて自動生成し、他のユーザーに概要を簡潔に提供しています。この要約は事実に基づく投稿については概ね正確ですが、皮肉や風刺、あるいは微妙なニュアンスのある意見をモデルが誤って解釈することがあり、結果として本来の意図を歪めた要約が生成され、ユーザーに誤解や不快感を与える可能性があります。AI生成による要約のこの限界を克服するために、プラットフォームは何をすべきでしょうか？
- A. 要約を改良するために、ヒューマン・イン・ザ・ループ (HITL) レビュー プロセスを組み込みます。
- B. 誤解される可能性のあるコンテンツを完全に除外するために、より厳格な安全性設定を実装します。
- C. 要約の出力長を短くして、より簡潔にします。
- D. モデルの温度パラメータを増やして、より多様で文字通りではない解釈を促進します。
正解：A
解説：
When AI struggles with nuances like sarcasm or satire, human oversight is often the most effective solution.
A human-in-the-loop (HITL) process allows human reviewers to check, correct, and refine AI-generated content before it is published, ensuring accuracy and appropriateness, especially for sensitive or complex language.
________________________________________
質問 # 20
CISOオフィスは、ケース情報の要約、脅威の調査、検出ルールの作成といったタスクの自動化に、生成AI（gen AI）を活用したいと考えています。どのようなエージェントを使用すべきでしょうか？
- A. コードエージェント
- B. カスタマーサービス担当者
- C. セキュリティエージェント
- D. データエージェント
正解：C
解説：
Given the tasks
質問 # 21
ある企業が、ストリーミングデータや構造化データベースなど、多様なデータタイプを扱う機械学習プロジェクトを進めています。Google Cloud はこのプロジェクトのデータ収集をどのようにサポートしていますか？
- A. Google Cloud の強みは、BigQuery などのデータ分析ツールにあります。
- B. Gemini アプリは、データを直接収集するための主要な Google Cloud ツールです。
- C. Google Cloud は、外部データへの接続に Vertex AI を活用しています。
- D. Google Cloud は、Pub/Sub、Cloud Storage、Cloud SQL などのツールを提供しています。
正解：D
解説：
Google Cloud offers a comprehensive suite of services for data ingestion and storage. Pub/Sub is for streaming data, Cloud Storage for various file types (including unstructured), and Cloud SQL for relational structured databases. These are fundamental for gathering diverse data. Gemini is a model, BigQuery is for analysis, and Vertex AI is for ML platform, not primary data collection tools themselves.
________________________________________
質問 # 22
世界的なニュース配信会社が、速報記事をオンラインで配信するとすぐに要約する生成AIツールを開発しています。目標は、世界中の様々な情報源から発信される、急速に進展するニュースの最新情報を視聴者に迅速に提供することです。どのようなGoogle Cloudソリューションを活用すべきでしょうか？
- A. ビッグクエリ
- B. AIドキュメント
- C. Vertex AI 自然言語 API
- D. Google 検索によるグラウンディング
正解：D
解説：
For summarizing breaking news articles as they emerge online from various global sources, the generative AI model needs access to current, broad, and rapidly updating information. Grounding with Google Search allows the LLM to pull in the latest information from the web, ensuring the summaries are current and comprehensive. While Vertex AI Natural Language API can summarize text, it wouldn't inherently have access to the latest breaking news unless explicitly fed.
________________________________________
________________________________________
質問 # 23
ある金融サービス会社は、毎日大量の融資申込書を、スキャンした書類やレイアウトの異なるPDFファイルで受け取ります。重要な情報を手作業で抽出するプロセスは時間がかかり、ミスが発生しやすいため、融資処理の遅延や顧客満足度の低下につながります。同社は、効率性と精度を向上させるため、この重要なデータの抽出を自動化したいと考えています。どのGoogle Cloudツールを使用すべきでしょうか？
- A. データフロー
- B. ビジョンAI
- C. AI APIドキュメント
- D. 自然言語API
正解：C
解説：
Document AI API is specifically designed for intelligent document processing. It uses machine learning to extract structured data from unstructured documents like scanned forms and PDFs, even with varying layouts.
This directly addresses the challenge of automating data extraction from loan applications. Natural Language API focuses on text understanding, Vision AI on image analysis (not structured extraction from documents), and Dataflow is for data processing pipelines.
________________________________________
質問 # 24
ある企業は、顧客が「製品は使いやすく、カスタマーサポートも素晴らしかったが、配送に予想よりも時間がかかった」といった詳細な回答を自分の言葉で記入できる自由回答形式のアンケート質問を通じて、顧客からのフィードバックを収集しています。これはどのような種類のデータでしょうか？
- A. 構造化データ
- B. 定量データ
- C. 非構造化データ
- D. ラベル付きデータ
正解：C
解説：
Data is typically classified into two main types: structured and unstructured.
Structured data is highly organized, formatted for a predefined data model, and easily searchable in tabular form (e.g., columns and rows in a database, like customer names, order IDs, or star ratings).
Unstructured data lacks a pre-defined format or organization.
The customer feedback described is a detailed, free-text response written in the customer's own words. This qualitative data, whether it is an email, an essay, or a long-form survey response, does not fit into fixed fields and requires advanced Natural Language Processing (NLP) or Generative AI techniques to extract meaning. Since the text is non-tabular and has no inherent structure enforced by the collection method, it is correctly classified as Unstructured Data.
Quantitative data (D) refers to numerical values that can be counted or measured. Labeled data (C) is data that has been tagged with a meaningful output category, which this raw feedback has not yet received.
(Reference: Google's Generative AI Study Guides define Unstructured Data as data that does not have a predefined structure or data model, such as text documents, images, audio, and video. Free-text responses in a survey are a primary example of unstructured data.)
質問 # 25
ソフトウェア開発チームは、生成AI（gen AI）を活用してコーディングを高速化し、ソフトウェアのプロトタイプをより早くリリースしたいと考えています。チームは何をすべきでしょうか？
- A. gen AI を使用してコード スニペットを提案し、関数を完成させます。
- B. gen AI を使用して、既存のコードをリファクタリングして最適化します。
- C. gen AI を使用して、コード内の潜在的なバグやセキュリティ上の脆弱性を特定します。
- D. gen AI を使用して、コードの包括的なドキュメントを自動的に生成します。
正解：A
解説：
While generative AI can assist with all the options listed (refactoring, documentation, bug identification), its most direct and significant impact on coding faster for a prototype is through code generation. Suggesting code snippets and completing functions directly accelerates the writing of new code, enabling quicker prototyping.
________________________________________
質問 # 26
カスタマーサービスチームは、顧客からの問い合わせに対するメール返信の品質と一貫性を向上させるために、生成AIを活用したいと考えています。企業ポリシーを遵守しつつ、AIが親切で共感的なトーンで対応できるよう導くソリューションが必要です。どのようなプロンプト手法を用いるべきでしょうか？
- A. 企業知識を持つ経験豊富なカスタマー サービス担当者として行動するように AI に指示するロール プロンプト。
- B. 電子メール応答を生成する前に、AI を会話に参加させて必要な情報を収集するプロンプト チェーン。
- C. 優れたカスタマー サービス メールの例を 1 つ提供するワンショット プロンプト。
- D. 良いカスタマー サービス メールと悪いカスタマー サービス メールの例を示す、短いプロンプトです。
正解：A
解説：
The most direct and effective way to influence the style, personality, and knowledge context of an AI's response is through Role Prompting.
Role Prompting involves instructing the model to assume a specific persona (a "role") before responding. By assigning the AI the role of an "experienced customer service representative" (B), the model is implicitly directed to adopt a professional, helpful, and empathetic tone. Furthermore, specifying "with corporate knowledge" directs the model to prioritize responses consistent with internal company policies. This technique is a foundational element of prompt engineering, often used in conjunction with other methods (like grounding, if specific policy documents were needed) to dramatically shift the output style and relevance.
While Few-shot prompting (D) could provide examples to influence style, it's less efficient than a clear role instruction and still requires the model to infer the persona. Prompt Chaining (A) is used to manage multi-turn conversation memory, not to set the tone or persona. Therefore, defining the Role is the core technique for establishing both the desired tone and the necessary professional context in a single instruction.
(Reference: Google's documentation on prompt engineering for customer service shows examples where users begin the prompt with "I am a customer service representative" to set the tone and persona for the generated response, confirming Role Prompting as the technique for ensuring style and consistency.)
質問 # 27
あるチームは、生成AIモデルを用いて顧客からのフィードバックの短い要約を自動生成しています。要約が簡潔で理解しやすいものになるようにする必要があります。モデルの設定をどのように調整すべきでしょうか？
- A. 安全設定
- B. 温度
- C. 出力長
- D. Top-p（核サンプリング）
正解：C
解説：
The objective is to make the generated summaries concise-that is, to control their length.
In the configuration of a generative AI model, particularly a large language model (LLM), the parameter used to directly control the maximum size of the response is the Output Length parameter (often referred to as max_output_tokens or max_tokens). By setting a low limit on this parameter, the team can ensure that the model is forced to terminate its response once that limit is reached, resulting in a shorter, more concise summary that is "easy to digest," as requested.
The other parameters control different aspects of the output quality:
Temperature (C) controls the creativity or randomness of the output. Lowering it makes the output more predictable; raising it makes it more diverse. It does not control length.
Top-p (A) is a decoding method related to temperature that also controls the model's creativity by limiting the vocabulary from which it can choose the next token. It does not control length.
Safety settings (B) are used to filter and block the generation of harmful, illegal, or inappropriate content. They do not affect the length or conciseness of the output.
(Reference: Google Cloud's Generative AI documentation on model parameters explicitly lists max_output_tokens or Output Length as the setting used to determine the maximum size of a model's generated response.)
質問 # 28
ある企業は、生成AI（gen AI）ソリューションを最適化するためにどのプラットフォームを使用するかを検討しています。なぜVertex AI Platformを使用するべきなのでしょうか？
- A. 機械学習を構築、展開、管理するためのツールの統合プラットフォームを提供します。
- B. 機械学習ワークフローで使用されるデータに対して、スケーラブルでコスト効率の高いオブジェクト ストレージを提供します。
- C. エンタープライズ セキュリティとプライバシー保護を備えた gen AI コーディング支援を提供します。
- D. 機械学習で使用される大規模なデータセットを効率的に分析および探索するためのメカニズムを提供します。
正解：A
解説：
Vertex AI is Google Cloud's core, end-to-end Machine Learning Operations (MLOps) platform, designed to cover the entire ML lifecycle.
The key benefit of Vertex AI, particularly for generative AI, is that it provides a unified platform (D) where all stages of AI development-from accessing foundation models in Model Garden, testing in Vertex AI Studio, training and tuning (via tools like Reinforcement Learning from Human Feedback), to deploying, and monitoring models in production-can be managed from a single service. This significantly reduces complexity, improves collaboration between teams (data scientists, engineers, business leaders), and ensures enterprise-grade governance and scalability necessary for production Gen AI solutions.
Option A describes BigQuery.
Option B describes Gemini Code Assist.
Option C describes Cloud Storage.
Vertex AI is the overarching platform that integrates all these tools to deliver a streamlined MLOps workflow.
(Reference: Google Cloud documentation states that Vertex AI is the unified AI development platform that brings together Google Cloud services for building, deploying, and managing machine learning models and generative AI solutions.)
質問 # 29
生成 AI 企業としての Google Cloud の特徴は何ですか?
- A. Google Cloud は、セキュリティ上のメリットを最大限に高めるために、独自のクローズドソース AI テクノロジーを活用しています。
- B. Google Cloud は、構成や管理のオーバーヘッドを必要としない、完全に自律的な AI エージェントを提供します。
- C. Google Cloud は、継続的なアップデートとプラットフォーム全体の幅広い統合によりイノベーションを可能にする AI ファーストに重点を置いています。
- D. Google Cloud は、すべての生成 AI モデルとデータが完全に保護され、外部ネットワークから分離されていることを保証します。
正解：C
解説：
Google Cloud emphasizes an AI-first approach, integrating AI capabilities across its services and consistently innovating with new models and features. While security is a high priority, fully autonomous AI agents requiring zero configuration are generally not the norm, and "completely secured and isolated from external networks" is an oversimplification of cloud security models. Google also contributes to and supports open- source AI initiatives, not solely relying on proprietary closed-source technologies.
________________________________________
質問 # 30
拡散モデルは何をしますか?
- A. ビジネス プロセスとリソースの割り当てを最適化します。
- B. ノイズを構造化データに精製して、高品質のコンテンツを生成します。
- C. 構造化データの保存と管理を容易にします。
- D. データを分析し、将来の傾向とパターンを予測します。
正解：B
解説：
A Diffusion Model (or Denoising Diffusion Probabilistic Model) is a specific class of generative AI model that is best known for its ability to create highly realistic images (e.g., Google's Imagen and Stable Diffusion are based on this architecture).
The core mechanism of a diffusion model is a two-step process:
Forward Diffusion (Adding Noise): It learns how to gradually corrupt data (like an image) by adding random noise until the original content is completely indistinguishable.
Reverse Diffusion (Denoising): It then learns to reverse this process-to gradually remove the noise-starting from a random noise pattern and iteratively refining it, guided by a text prompt, until a clear, coherent, and high-quality piece of content (an image or video) is generated.
Option D accurately captures this mechanism: the model starts with pure noise and generates the final structured data (the image) by refining that noise.
Option A describes predictive AI (forecasting models).
Option C describes a database or storage service.
Option B describes a workflow agent or optimization AI.
(Reference: Google's training materials on Foundation Models define Diffusion Models as generative models that operate by gradually converting a state of random noise into a structured, meaningful output, most commonly for the generation of high-quality images and video.)
質問 # 31
ある企業がAIエージェントを使っていくつかのタスクを自動化したいと考えています。AIエージェントの様々な機能を全員に理解してもらいたいと考えています。ジェネレーションAIの文脈におけるAIエージェントの機能は何でしょうか？
- A. gen AI モデルのトレーニングと実行に必要な計算リソースを提供します。
- B. gen AI モデルのトレーニングと実行に使用される大規模なデータセットを保存および管理します。
- C. 状況を分析し、複数のツールを使用して、継続的な人間による入力を必要とせずに情報に基づいた意思決定を行います。
- D. gen AI モデルと対話するためのユーザーフレンドリーなインターフェースを提供します。
正解：C
解説：
An AI agent, especially in the context of generative AI, is designed to be more autonomous and capable than a simple model. Its function is to understand a goal, analyze a situation, leverage various tools (including other generative AI models or external APIs), and make decisions or take actions to achieve that goal, often with minimal human intervention.
________________________________________
質問 # 32
ある企業がビデオゲーム用のAIキャラクターを開発しています。AIキャラクターは、複雑な環境を移動し、ゲーム内の特定の目標を達成するための意思決定を学習する必要があります。AIが報酬を見つけたり障害を乗り越えたりするなど、肯定的な結果につながる行動をとった場合、プラススコアが与えられます。壁にぶつかったり、進行が中断したりするなど、否定的な結果につながる行動をとった場合、マイナススコアが与えられます。この試行錯誤のプロセスを通じて、AIはキャラクターがゲームを効果的にプレイする能力を徐々に向上させていきます。この企業はどのような機械学習を活用すべきでしょうか？
- A. 教師なし学習
- B. 教師あり学習
- C. 強化学習
- D. ディープラーニング
正解：C
解説：
This scenario perfectly describes reinforcement learning. In reinforcement learning, an agent learns to make decisions by interacting with an environment, receiving1 rewards for desirable actions and penalties for undesirable ones,2 and iteratively improving its behavior through trial and error to maximize cumulative reward.
________________________________________
質問 # 33
生成 AI の定義は何ですか?
- A. ニューラル ネットワークとディープラーニングを使用してシステムが自律的に学習し、改善できるようにする人工知能の一種。4
- B. 相互接続されたノードで構成される人間の脳にヒントを得た機械学習アルゴリズムの一種。
- C. 観測データに線を当てはめて関係性を推定する予測モデルの一種。
- D. テキスト、画像、音楽、コードなど、新しいコンテンツやアイデアを作成できる人工知能の一種。
正解：D
解説：
The defining characteristic of generative AI is its ability to create new, original content that resembles its training data. This includes various modalities like text, images, music, and code, rather than just classifying, predicting, or analyzing existing data.
________________________________________
質問 # 34
......
Generative-AI-Leader日本語試験問題有効なGenerative-AI-Leader日本語問題集PDF：https://www.jpntest.com/shiken/Generative-AI-Leader-JPN-mondaishu