AIの社会実装に向けて
G検定 学習ガイド ／ 30問 ／ 更新：2026年9月8日
実務では、モデルを作る前に解くべき課題と効果の測り方を決めます。データ収集・前処理から配備後の監視まで、AIシステムを継続して運用する流れを確認します。
理解のポイント
検証データの情報が前処理やモデル選択に混ざると、実際より良い評価になることがあります。同じ患者、同じ期間、同じ記録がどちら側に入るかを確認し、将来の利用状況に近い評価を設計しましょう。
このページは解答を確認しながら読む教材です。答えを見ずに挑戦したい場合は、演習ページの単元一覧から該当する単元を選んでください。
30問の解答と解説
問題文を開くと、正解・考え方・各選択肢の理由を確認できます。
01問い合わせ分類AIのPoCに入る前に行うこととして、最も適切なものを選べ。
AIプロジェクトの進め方 ／ 問題ID：g-035
正解：業務上の課題、成功基準、利用可能なデータを確認する
PoCは実現可能性や価値を検証する段階です。例えば分類精度だけでなく、応答時間や削減工数も成功基準に含めます。何を改善したいかを先に定義すると、モデルを作るだけで終わる事態を避けられます。
選択肢ごとの理由
- 業務上の課題、成功基準、利用可能なデータを確認する（正解）
目的と評価条件を定めて検証します。
- 最も大きいモデルを選ぶことだけを先に確定する
規模が大きいこと自体が業務上の価値ではありません。
- 検証結果によらず本導入を確約する
PoCで導入可否を判断する余地が必要です。
- 予測精度以外の運用費用や処理時間を検討対象から外す
実運用ではコストや速度も重要です。
覚える要点：PoCはモデル作りではなく、実現性と価値の検証。
公式シラバスを確認02将来の解約を予測するモデルの入力に「解約手続き完了日」を入れた。運用時には予測時点でこの情報を取得できない。この問題を選べ。
データの収集・加工・分析・学習 ／ 問題ID：g-036
正解：データリーケージ
予測時点では入手できない未来の情報が学習・評価に混入しています。評価時に良い結果が出ても本番ではその情報が使えないため、性能を過大評価します。特徴量ごとにいつ取得できる情報なのかを確認します。
選択肢ごとの理由
- データリーケージ（正解）
未来や正解に関する情報の漏れです。
- 適切なデータ拡張
正解を漏らすことは拡張ではありません。
- L2正則化
重みへの罰則とは無関係です。
- ミニバッチ学習
更新単位となるデータ数の話ではありません。
覚える要点：「その情報を予測時点で知れるか」がリーケージの点検軸。
公式シラバスを確認03CRISP-DMで、データの理解より前に重視する段階を選べ。
AIプロジェクトの進め方 ／ 問題ID：g-202
正解：ビジネスの理解
CRISP-DMはビジネス理解、データ理解、準備、モデル作成、評価、展開という流れで整理します。直線的に一度だけ通るのでなく、結果を見て前の段階に戻ることもあります。
選択肢ごとの理由
- ビジネスの理解（正解）
解くべき課題と成功基準を定めます。
- 最終モデルの本番配備
導入は後の段階です。
- モデルの最適化だけ
目的を先に明確にします。
- 全データの削除
プロセスの段階ではありません。
覚える要点：データやモデルの前に、何を解決するかを明確にする。
公式シラバスを確認04画像分類精度が95%でも、本導入を見送る理由になり得るものを選べ。
AIプロジェクトの進め方 ／ 問題ID：g-203
正解：処理待ち時間が業務の要求を満たさない
評価には予測精度だけでなく、時間、費用、現場負担などを含めます。ラインの検査で予測が間に合わなければ、精度が高くても業務を改善できない場合があります。
選択肢ごとの理由
- 処理待ち時間が業務の要求を満たさない（正解）
実用性は精度以外にも依存します。
- 精度が高いという事実そのもの
高精度自体は見送り理由ではありません。
- 学習に計算機を使ったこと
通常の学習です。
- テストデータを分けていること
適切な評価のために必要です。
覚える要点：精度だけでなく、現場で使えるかを見る。
公式シラバスを確認05PoCの終了条件を定める狙いを選べ。
AIプロジェクトの進め方 ／ 問題ID：g-204
正解：検証後の継続・変更・中止を判断する
PoCは実現性と価値の検証です。必要な性能、コスト、データの見通しなどを終了条件として合意しておくと、期待だけで長期化する事態を避けられます。
選択肢ごとの理由
- 検証後の継続・変更・中止を判断する（正解）
際限のない試行を避けます。
- 検証結果にかかわらず、導入を確定する
検証の意味を失います。
- 検証前にモデルの名称を決定・固定する
成功条件にはなりません。
- 検証用の学習データを非公開にする
意思決定の基準ではありません。
覚える要点：PoCの出口は、次の判断ができること。
公式シラバスを確認06MLOpsの説明として適切なものを選べ。
AIプロジェクトの進め方 ／ 問題ID：g-205
正解：学習・配備・監視・更新を継続管理する
モデルは配備して終わりではありません。入力傾向や性能を監視し、必要な更新を安全に行い、どの版を使ったかを追えるようにすることがMLOpsに関係します。
選択肢ごとの理由
- 学習・配備・監視・更新を継続管理する（正解）
運用まで含むライフサイクルの実践です。
- 学習が終われば記録をすべて削除する
再現性や運用を損ないます。
- 一度だけモデルの構造を選ぶ
それだけに限りません。
- データを一切扱わずサーバーだけ管理する
データとモデルも管理対象です。
覚える要点：作る・届ける・見守る・更新する。
公式シラバスを確認07AIを導入する前のベースラインとして有用なものを選べ。
AIプロジェクトの進め方 ／ 問題ID：g-206
正解：現行業務や単純な手法の性能・費用
比較対象がないと、新しいモデルが本当に役立つか判断できません。現行方式や簡単なモデルと同じ条件で比較し、複雑さに見合う改善があるかを確認します。
選択肢ごとの理由
- 現行業務や単純な手法の性能・費用（正解）
改善の比較対象を作れます。
- 新モデルの最高スコアだけ
比較対象がありません。
- 異なる課題の広告上の精度
条件が一致しません。
- 学習データのファイルサイズだけ
業務効果を測れません。
覚える要点：改善を測るには、まず比較の基準を作る。
公式シラバスを確認08問い合わせ自動分類のKPIとして、事業効果に近いものを選べ。
AIプロジェクトの進め方 ／ 問題ID：g-207
正解：担当振分けの作業時間削減
技術指標は必要ですが、それだけでは業務改善の大きさがわかりません。削減時間、処理件数、再対応率など、課題に合う事業指標も測定します。
選択肢ごとの理由
- 担当振分けの作業時間削減（正解）
現場の課題改善を測ります。
- ネットワークの層数
構造の情報であり事業効果ではありません。
- プログラムの行数
成果の大きさを表しません。
- 保存されたモデル名の長さ
効果に関係しません。
覚える要点：技術の点数を、業務の改善へ結び付ける。
公式シラバスを確認09BPRとAI導入の関係として適切なものを選べ。
AIプロジェクトの進め方 ／ 問題ID：g-208
正解：AIを前提に業務手順や役割を再設計する
BPRは業務プロセスを抜本的に見直す考え方です。AIで一部作業を自動化できても、承認や例外対応が旧来のままだと十分な効果が出ない場合があります。
選択肢ごとの理由
- AIを前提に業務手順や役割を再設計する（正解）
既存作業の置換だけにとどまりません。
- AI導入では業務手順を変えてはいけない
効果のため再設計する場合があります。
- BPRは必ずモデルの重みを圧縮する
業務改革の概念です。
- モデル精度を上げれば役割分担は不要
組織の運用設計が必要です。
覚える要点：AIを入れる場所だけでなく、業務全体を考える。
公式シラバスを確認10要求がまだ不確実なAI開発で短い周期で試作・評価する利点を選べ。
AIプロジェクトの進め方 ／ 問題ID：g-209
正解：利用者の反応や制約を早く把握できる
アジャイルな進め方は小さく実装し、結果から学んで次を調整します。不確実性の高いAI開発と相性がありますが、評価や文書化を不要にする意味ではありません。
選択肢ごとの理由
- 利用者の反応や制約を早く把握できる（正解）
仮説を早く確かめます。
- 最初の仮説を一切変更しなくて済む
必要に応じて修正します。
- 評価データを省略できる
検証は必要です。
- 責任分担を定めなくてよい
反復開発でも責任は必要です。
覚える要点：短い反復で、早く学び直す。
公式シラバスを確認11高精度のモデルを現場に渡したが使われなかった。次の検討として適切なものを選べ。
AIプロジェクトの進め方 ／ 問題ID：g-210
正解：操作負担・例外対応・業務との接続を調べる
実装した機能と、実際に使えるサービスは違います。予測結果を誰がいつ使うか、間違いをどう直すかまで設計し、現場の作業を通じて確認します。
選択肢ごとの理由
- 操作負担・例外対応・業務との接続を調べる（正解）
利用者の要件を見直します。
- 直ちに層数を倍にするだけ
利用上の障壁を解消しません。
- 担当者が使わなくても導入効果は同じとする
利用されなければ効果は出ません。
- 現場の意見を評価から除外する
重要なステークホルダーです。
覚える要点：使われる仕組みまで作って、初めて価値につながる。
公式シラバスを確認12Dockerの利用目的として代表的なものを選べ。
AIプロジェクトの進め方 ／ 問題ID：g-211
正解：依存関係をまとめて実行環境をそろえる
実行環境の違いで動作が変わる問題を減らすため、必要なライブラリなどをコンテナとしてまとめます。ただしデータや外部サービスの版も含めて管理しないと完全な再現性は得られません。
選択肢ごとの理由
- 依存関係をまとめて実行環境をそろえる（正解）
再現や配備を助けます。
- モデルの精度を自動で100%にする
計算環境だけでは保証できません。
- 教師ラベルを自動で正しくする
データ品質の保証ではありません。
- 契約の権利帰属を決定する
法務上の合意ではありません。
覚える要点：環境をまとめても、データや設定の管理は残る。
公式シラバスを確認13Jupyter Notebookが探索的な分析で便利な理由を選べ。
AIプロジェクトの進め方 ／ 問題ID：g-212
正解：コード・結果・説明を一緒に扱える
ノートブックは小さく実行して結果を確認する分析に向きます。一方、途中のセルだけ実行した状態が残ることがあるため、最初から再実行して再現するかも確認します。
選択肢ごとの理由
- コード・結果・説明を一緒に扱える（正解）
分析過程を記録しながら進められます。
- 実行順序に関係なく必ず同じ結果になる
セルの実行順による状態に注意が必要です。
- データがなくても分析結果を確定できる
根拠となるデータが必要です。
- すべての処理が自動的に本番品質になる
運用用の整理や確認は別途必要です。
覚える要点：便利な試行環境ほど、最初からの再現を確かめる。
公式シラバスを確認14推論機能をWeb APIとして公開する設計の説明を選べ。
AIプロジェクトの進め方 ／ 問題ID：g-213
正解：他システムと所定の形式で入出力する
Web APIは機能を他のシステムから使える形で提供します。入力仕様や返却形式だけでなく、認証、タイムアウト、処理失敗時の扱いも重要です。
選択肢ごとの理由
- 他システムと所定の形式で入出力する（正解）
機能を通信で呼び出します。
- 必ず学習データを全公開する
APIの利用とデータ公開は別です。
- 画面を人が毎回コピーすることだけ
機械間の呼出しができます。
- 通信の失敗は考慮しなくてよい
エラーや遅延の設計が必要です。
覚える要点：予測機能を使う約束事が、APIの仕様。
公式シラバスを確認15モデル更新後に障害が出た場合に備える仕組みを選べ。
AIプロジェクトの進め方 ／ 問題ID：g-214
正解：正常なモデル・設定へ戻せるようにする
改善を目指した更新でも、不具合や一部集団での性能低下が起きることがあります。版管理と復旧手順を用意し、変更の影響を限定できるようにします。
選択肢ごとの理由
- 正常なモデル・設定へ戻せるようにする（正解）
ロールバックを可能にします。
- 古い版をすべて消す
復旧の選択肢を失います。
- 更新版を評価せず全件適用する
障害の範囲が広がり得ます。
- どの版を使ったかを記録しない
原因を追えません。
覚える要点：更新と同時に、戻す手段も用意する。
公式シラバスを確認16運用中のデータ分布の変化を監視する意味を選べ。
AIプロジェクトの進め方 ／ 問題ID：g-215
正解：学習時の前提が崩れていないかを検知する
入力の偏りや範囲が変わったら、訓練時に十分扱わなかった条件かもしれません。変化は警告として使い、正解が得られる場合は実際の性能も確認します。
選択肢ごとの理由
- 学習時の前提が崩れていないかを検知する（正解）
性能変化の手掛かりになります。
- 分布が変われば必ずすべて誤答だと証明できる
性能は別途評価します。
- 分布が同じなら誤りは絶対にない
モデルは同じ分布でも誤ります。
- 監視だけで自動的に原因が解消する
対応は別途必要です。
覚える要点：分布変化は、調査を始める手掛かり。
公式シラバスを確認17クラウドで学習する際、計算資源の規模以外に確認すべきものを選べ。
AIプロジェクトの進め方 ／ 問題ID：g-216
正解：保存場所・権限・費用・利用条件
クラウドは必要な資源を使いやすい一方、データの所在や権限、転送コストなどが関係します。機密情報を扱うときは組織のルールとも整合させます。
選択肢ごとの理由
- 保存場所・権限・費用・利用条件（正解）
計算以外の制約も重要です。
- GPUの名称だけ
データ管理や費用を見落とします。
- 請求額が必ず無料になること
通常は利用料金があります。
- 提供者がすべての責任を無条件で負うこと
契約で確認が必要です。
覚える要点：計算の便利さと、データ・費用の条件を併せて見る。
公式シラバスを確認18産学連携でAI研究を進める前の合意として適切なものを選べ。
AIプロジェクトの進め方 ／ 問題ID：g-217
正解：成果公開と知財・データ利用条件を合意する
共同研究では成果を公開したい目的と事業上の秘密を守る目的が両立しない場合があります。事前に条件を整理しておくことで、研究と実用化を進めやすくなります。
選択肢ごとの理由
- 成果公開と知財・データ利用条件を合意する（正解）
研究と事業で目的が異なる場合があります。
- 公開条件は最後まで一切話さない
後で対立しやすくなります。
- 大学が関与すればデータの制約はなくなる
権利や秘密保持は残ります。
- すべての成果を無条件で独占できると考える
権利と利用条件は合意によります。
覚える要点：共同研究の前に、成果とデータの扱いを揃える。
公式シラバスを確認19同じ患者の画像が訓練用とテスト用に分かれて入ることの問題を選べ。
データの収集・加工・分析・学習 ／ 問題ID：g-218
正解：患者固有の特徴により、未知患者への性能を過大評価する
同じ対象に由来する例は似ているため、行単位のランダム分割では情報が漏れる場合があります。新しい患者への性能を知りたいなら、患者単位で分けることを検討します。
選択肢ごとの理由
- 患者固有の特徴により、未知患者への性能を過大評価する（正解）
独立性が崩れます。
- 同一患者の画像が入ることで、パラメータ数が必ず減る
構造は変わりません。
- 患者ごとに画像を混ぜることで、匿名加工の要件を満たす
加工条件の話ではありません。
- 分割を行うだけで、検証に許される時間が自動的に短くなる
評価の独立性の問題です。
覚える要点：新しい誰に使うかに合わせて、分割の単位を決める。
公式シラバスを確認20時系列の需要予測で、未来の運用に近い検証をする方法を選べ。
データの収集・加工・分析・学習 ／ 問題ID：g-219
正解：過去で学習し、それより後で評価する
時系列では隣接する期間が似ていることや未来情報の混入が問題になります。過去から将来へという運用の条件を再現して評価します。季節性などの期間の偏りにも注意します。
選択肢ごとの理由
- 過去で学習し、それより後で評価する（正解）
利用時の時間順を再現します。
- 未来で学び過去だけを評価する
将来予測の条件と逆です。
- 全期間を混ぜた平均で正解を作る
未来の情報を含むおそれがあります。
- 同じ行を両側に複製する
独立性を失います。
覚える要点：将来を予測する評価は、時間順を守る。
公式シラバスを確認21標準化の平均・分散を、検証も含めた全データから求めることの問題を選べ。
データの収集・加工・分析・学習 ／ 問題ID：g-220
正解：検証データの分布が学習手順に漏れる
前処理の統計も学習の一部です。まずデータを分け、訓練データで平均・分散を求め、その値を検証やテストにも使います。前処理だから漏れないわけではありません。
選択肢ごとの理由
- 検証データの分布が学習手順に漏れる（正解）
前処理でもリーケージが起きます。
- 標準化が正則化に変わる
概念は変わりません。
- 正解ラベルが必ず2倍になる
ラベル数とは無関係です。
- 計算誤差が必ず0になる
数値の保証はありません。
覚える要点：前処理の学習も、訓練データだけで行う。
公式シラバスを確認22アノテーションの品質を改善する方法を選べ。
データの収集・加工・分析・学習 ／ 問題ID：g-221
正解：基準を共有し、判断の不一致を修正する
同じ例でも作業者ごとに判断が変わると、モデルは不整合な教師信号を学びます。曖昧な例の取り扱いや複数人による確認を決め、基準を改善します。
選択肢ごとの理由
- 基準を共有し、判断の不一致を修正する（正解）
ラベルの一貫性を高めます。
- 作業者ごとに別の定義を使い続ける
ばらつきが大きくなります。
- モデルが喜ぶラベルへ自由に変える
真の課題から離れます。
- 正解を全件同一に固定する
必要な区別を失います。
覚える要点：ラベルの正しさは、基準と確認の仕組みで支える。
公式シラバスを確認23画像の位置ラベルを作るアノテーションの例を選べ。
データの収集・加工・分析・学習 ／ 問題ID：g-222
正解：対象物を囲む枠を付ける
アノテーションはデータに目的の情報を付ける作業です。分類のクラス、検出の枠、セグメンテーションの画素マスクなど、タスクに応じて形式が変わります。
選択肢ごとの理由
- 対象物を囲む枠を付ける（正解）
物体検出の教師になります。
- 画像の容量だけ記録する
対象の位置を示しません。
- 全画像を同じファイル名にする
識別もしにくくなります。
- 色をすべて灰色にする
前処理であり位置ラベルではありません。
覚える要点：予測したい出力に合わせて、ラベルの形式を選ぶ。
公式シラバスを確認24オープンデータセットを商用のAI開発に使う前に確認することを選べ。
データの収集・加工・分析・学習 ／ 問題ID：g-223
正解：利用目的とライセンスの条件
公開データでも利用条件はそれぞれです。ライセンスの義務に加え、個人情報や収集元の権利、目的に合う分布かを確認します。例えば研究用途限定のデータを、そのまま製品開発に使えるとは限りません。
選択肢ごとの理由
- 利用目的とライセンスの条件（正解）
公開と無制限利用は同じではありません。
- ダウンロードできれば権利確認は不要
利用条件が残ります。
- 件数だけ見れば個人情報の検討は不要
内容に応じた確認が必要です。
- 有名なデータなら必ず偏りがない
収集条件に偏りがあります。
覚える要点：オープンでも、利用条件と内容を確認する。
公式シラバスを確認25コーパスの説明として適切なものを選べ。
データの収集・加工・分析・学習 ／ 問題ID：g-224
正解：文章・発話を集めた言語の分析資料
コーパスは文章や会話などを集めた言語資料です。新聞、会話、専門文書などの構成が違えば学ぶ表現も変わるため、対象の用途との一致を検討します。
選択肢ごとの理由
- 文章・発話を集めた言語の分析資料（正解）
目的に応じて収集・整理します。
- GPUが同時に計算する処理の単位
計算装置の用語ではありません。
- 重みの更新方向を表す損失の微分値
勾配とは異なります。
- 法律により定められた情報の保存期間
法制度の名称ではありません。
覚える要点：どんな言葉を集めたかが、学ぶ言葉を左右する。
公式シラバスを確認26欠損値を平均で埋めるときの注意として適切なものを選べ。
データの収集・加工・分析・学習 ／ 問題ID：g-225
正解：欠損の理由や偏りに合う補完か確認する
欠損が無作為か、特定条件で起きるかによって扱いが変わります。平均補完は手軽ですが分散や関連を変えることもあります。学習データで補完ルールを決めて評価します。
選択肢ごとの理由
- 欠損の理由や偏りに合う補完か確認する（正解）
欠損自体に意味がある場合もあります。
- 欠損はすべて真の0と同じ
0と未取得は異なります。
- 補完すれば元の真値が必ず復元する
推定であり保証はありません。
- 全ての欠損行を必ず捨てれば偏りはなくなる
削除が偏りを生む場合があります。
覚える要点：未取得と0を同じにしない。欠けた理由を見る。
公式シラバスを確認27異常に大きい販売額を見つけた。前処理として適切な判断を選べ。
データの収集・加工・分析・学習 ／ 問題ID：g-226
正解：誤記か、実際の大型取引かを確認する
外れ値には誤りと実際の稀なケースが混在します。機械的に削ると予測したい重要な事例まで失う場合があります。データの生成過程と業務的意味を確認します。
選択肢ごとの理由
- 誤記か、実際の大型取引かを確認する（正解）
外れ値の意味で対応が変わります。
- 大きい値は必ず全て削除する
重要な真の事例かもしれません。
- 外れ値は必ず誤記である
真の稀な事例もあります。
- モデルに入れば必ず無害になる
学習へ強い影響を与え得ます。
覚える要点：外れている値を、誤りと決めつけない。
公式シラバスを確認28異なる店舗から集めたデータを結合する前に確認すべきことを選べ。
データの収集・加工・分析・学習 ／ 問題ID：g-227
正解：列の定義・単位・集計期間の一致
例えば金額が税込・税抜、重量がg・kgなどで異なると、同じ列名で結合しても正しく学べません。結合前にデータの意味と単位を統一します。
選択肢ごとの理由
- 列の定義・単位・集計期間の一致（正解）
同名の列でも意味が違う場合があります。
- 列名が同じなら意味も必ず同じ
定義の確認が必要です。
- 件数が増えれば単位は不要
誤った結合を増やします。
- 全ての数値を文字列にすれば解決する
意味の不一致は残ります。
覚える要点：列名よりも、定義と単位を確認。
公式シラバスを確認29共同開発で再現可能な評価を行うため残すべき記録を選べ。
データの収集・加工・分析・学習 ／ 問題ID：g-228
正解：データ版・分割方法・前処理・モデル設定
モデルの結果はデータの版や分割、乱数、前処理などにも左右されます。何を使ったかを追跡できる記録を残すことで、改善の理由や不具合の原因を調べやすくなります。
選択肢ごとの理由
- データ版・分割方法・前処理・モデル設定（正解）
同じ条件を再構成する手掛かりになります。
- 複数回の試行で得られた最高精度の数値のみ
条件を再現できません。
- 評価を担当したメンバーの感想や印象のみ
検証できる情報が不足します。
- 最終結果を示した画像一枚のみを保存する
全体の評価条件は不明です。
覚える要点：結果の数字と一緒に、作り方の条件も残す。
公式シラバスを確認30学習データを追加しても性能が改善しない。次に確認する観点として適切なものを選べ。
データの収集・加工・分析・学習 ／ 問題ID：g-229
正解：多様性・ラベル品質・分布の差
データが多くても同じ条件の繰り返しや誤ラベルばかりでは役立ちません。何を学べていないかを失敗例から分析し、不足する条件のデータを補います。
選択肢ごとの理由
- 多様性・ラベル品質・分布の差（正解）
件数以外の質を確認します。
- 件数だけを唯一の判断材料にする
情報の質が欠けています。
- 同じ例を複製し続けるだけ
新しい情報は増えません。
- 独立評価を止める
改善を測れなくなります。
覚える要点：量を増やす前に、不足している情報を特定する。
公式シラバスを確認