G検定 模擬試験 第1回

第1回の出題範囲

シラバスの10分野（大項目）ごとの問題数です。配分は当サイトの推計で、公式の配分は公表されていません。

この模擬試験について

問題の選び方

公開中の500問から、上の表の配分で145問を選んでいます。第1回はいつ解いても同じ問題が同じ順番で出ます。問題の追加や修正にあわせて、一部が入れ替わることがあります。第1回〜第3回のあいだで、同じ問題は出題しません。選択肢の並びは解くたびに入れ替わります（表示設定で切り替えられます）。

試験時間

時間制限は、オンライン試験と同じ100分（1問あたり約41.4秒）です。会場試験の120分も選べます。時間制限ありでは一時停止できず、ページを離れても時間は進み、0になると自動で採点します。時間を気にせず解きたいときは「時間制限なし」を選べます。

採点のしかた

解答は最後にまとめて採点します。すべての問題を同じ重みで数え、未回答は不正解とします。複数選択の問題は、正しい選択肢をすべて選んだときだけ正解です。結果では、8区分と大項目ごとの正答率、時間がかかった問題がわかります。合格ラインは公表されていないため、合否の判定はしません。

オリジナル問題

問題はすべて当サイトが作成したオリジナルです。本番の試験問題を再現したものではありません。JDLAは過去問を公開していないため、シラバスのキーワードをもとに、本番と同じ考え方で解く問題を作っています。

結果の記録

結果はこの端末のブラウザにだけ保存され、下の「過去の結果」に第1回の記録が並びます。2回目からは、前回からの正解数の変化と、分野ごとの正答率の差を表示します。記録は模擬試験全体で新しい20回分まで残ります。

第1回の例題（5問）

この回に出題される問題から、分野の違う5問を載せています。正解は「正解を見る」で確かめられます。

1. 問15 人工知能とは

   ルールベース機械翻訳と統計的機械翻訳の特徴に関する説明として、最も不適切なものを1つ選べ。

   1. AA：ルールベース機械翻訳は、訳文の生成に使われた規則や辞書の項目を人がたどれるため、誤訳の原因となった箇所を特定しやすい。
   2. BB：統計的機械翻訳では、訳語の対応を表す翻訳モデルと、訳文としての自然さを評価する言語モデルを組み合わせて、もっともらしい訳文を選ぶ。
   3. CC：統計的機械翻訳は、ニューラルネットワークで原文全体を1つのベクトルに符号化し、そのベクトルから訳文を生成する。
   4. DD：語句を単位に訳を組み立てる統計的機械翻訳は、日本語と英語のように語順が大きく異なる言語の組では、長い文の訳が不自然になりやすかった。
   正解を見る

   正解 C

   統計的機械翻訳は、翻訳モデルと言語モデルの確率を組み合わせて訳文を選びます。原文全体をベクトルに符号化して訳すのはニューラル機械翻訳です。

   すべての選択肢の解説を読む

2. 問44 ディープラーニングの応用例

   ある企業が、パラメータ数70億の言語モデルを社内のGPU搭載PCで動かすことを検討している。重みを16ビットの浮動小数点数で保持した場合の重みのデータ量（ア）と、重みを4ビットに量子化した場合の重みのデータ量（イ）の組み合わせとして、最も適切なものを1つ選べ。なお、1バイトは8ビット、1GBは10億バイトとし、量子化の係数など重み以外のデータは考えないものとする。

   1. AA：（ア）14GB　（イ）3.5GB
   2. BB：（ア）28GB　（イ）7GB
   3. CC：（ア）14GB　（イ）7GB
   4. DD：（ア）112GB　（イ）28GB
   正解を見る

   正解 A

   重みのデータ量はパラメータ数×1パラメータあたりのバイト数で求まり、16ビットから4ビットへの量子化で4分の1になります。

   すべての選択肢の解説を読む

3. 問73 人工知能をめぐる動向

   ある旅行会社が、自社サイトに載せた観光施設の情報を、ほかの企業のシステムやAIが意味を正しく解釈して再利用できる形で公開したいと考えている。この目的に沿ったセマンティックWebの考え方に関する説明として、最も適切なものを1つ選べ。

   1. AA：「施設名」「所在地」などの意味を共有の語彙（オントロジー）で定め、データとその関係をRDFなどの機械が読める形式で記述する。
   2. BB：HTMLのタグでページの見出しや文字の大きさ、配色などを整え、人間が読みやすい見た目で情報を公開することを中心とする考え方である。
   3. CC：データの意味は検索エンジンが文章から自動で推測するため、公開する側がデータの意味を記述する必要はないという考え方である。
   4. DD：ページ内でよく出る単語を数え、出現回数の多い単語をキーワードとして自動で付けることを、中心的な仕組みとする考え方である。
   正解を見る

   正解 A

   セマンティックWebは、Web上のデータにコンピュータが処理できる意味の情報を付ける考え方で、WWWを考案したティム・バーナーズ＝リーらが提唱しました。

   すべての選択肢の解説を読む

4. 問103 AIに関する法律と契約

   デザイン会社のK社は、SaaS型の画像生成AIサービスの導入を検討している。このサービスの利用規約には「生成物に関する権利は利用者に帰属し、提供事業者は生成物について権利を主張しない」という条項がある。この条項に関する考え方として、最も適切なものを1つ選べ。

   1. AA：この条項があるため、短いプロンプトを入力して得ただけの画像にも、著作物としてK社の著作権が発生する。
   2. BB：この条項は、K社と提供事業者の間で生成物の権利の扱いを定めたものにとどまり、生成物が著作物になるかや、第三者の権利を侵害しないかは別に検討する。
   3. CC：権利が利用者に帰属すると定められている以上、ほかの利用者が同じサービスで似た画像を生成した場合、K社はその利用を必ず差し止められる。
   4. DD：生成物の権利が利用者に帰属する以上、K社が入力した画像や指示文を提供事業者が学習に使うかどうかも、この条項で決まっている。
   正解を見る

   正解 B

   利用規約の権利帰属条項は利用者と提供事業者の間の取り決めにとどまり、生成物が著作物になるかは著作権法に沿って別に判断します。

   すべての選択肢の解説を読む

5. 問132 ディープラーニングの要素技術

   ある法律事務所は、Transformerを用いたモデルで契約書を分析している。入力できる系列の長さを1,000トークンから4,000トークンに広げることを、チームで検討した。検討中の発言として、最も不適切なものを1つ選べ。

   1. AA：Self-Attentionは全トークンの組について重みを求めるので、1つのヘッドが計算する注意の重みは1,000×1,000個から4,000×4,000個へ、16倍に増える。
   2. BB：ヘッドの数を8から4に減らせば、注意の重みの計算量は系列長に比例する程度に収まるため、4,000トークンでもメモリの心配はほぼなくなる。
   3. CC：RNNと違い、離れた位置のトークンどうしも1回のSelf-Attentionで直接結びつくので、冒頭と末尾の条項の関係も捉えやすい。
   4. DD：メモリが足りない場合は、文書を区間に分けて処理する方法や、各トークンが注目する範囲を限定する効率的なAttentionを使う方法が考えられる。
   正解を見る

   正解 B

   Self-Attentionはすべてのトークンの組の関連度を求めるため、計算量とメモリが系列長の2乗に比例して増えます。

   すべての選択肢の解説を読む

第1回の過去の結果