G検定 人工知能をめぐる動向 一問一答（111問）

◯ 正しい 探索しながらαとβを更新し、αがβ以上になった時点で、その先の枝は結果に影響しないので調べるのをやめます。 αβ法

× 誤り αβ法はMini-Max法の計算を省く工夫です。末端の局面の評価には、Mini-Max法と同じ評価値（評価関数）を使います。 αβ法

× 誤り 2つ目の手の価値は7以下と分かるだけで、5より大きい可能性が残ります。残りの応手に5以下の値がないかを調べるまで、枝刈りはできません。 αβ法

× 誤り 候補の数は10の手数乗で増えるため、計算速度が10倍になっても、同じ時間で読める手数は1手増えるだけです。速度の向上だけでは組合せ爆発を乗り越えられません。 組合せ爆発

◯ 正しい John Trompらが2016年に正確な値を求めました。局面の数だけでこの規模になるため、すべてを調べ尽くすことはできません。 組合せ爆発

◯ 正しい 小さな問題で通用した方法が、現実の規模では候補の急増に阻まれると指摘しました。経験則を使う方法への転換が必要だとも述べています。 組合せ爆発

◯ 正しい たとえば、緑の立方体2つとピラミッド1つを積んだものを「steeple」と呼ぶと教えると、その言葉を使った質問に答えたり、同じものを組み立てたりできました。 SHRDLU

× 誤り SHRDLUは、文法や単語の意味、積み木の世界の知識を、人がプログラムとして書き込んで動いていました。データから統計的に学ぶ方式ではありません。 SHRDLU

◯ 正しい 自分の行動の履歴と目的を記憶していたためです。たとえば、ある積み木を動かした理由として、別の積み木の上を空けるためだったと答えられました。 SHRDLU

◯ 正しい 変わる事実だけを書けばよいので、記述と推論の手間を大きく減らせます。行動で変わらない事柄をどう扱うかは、フレーム問題として議論されてきた論点です。 STRIPS

× 誤り STRIPSは、人が記述した行動の定義を使い、目標に至る手順を探索で求めるプランニングの手法です。報酬から行動の選び方を学ぶのは強化学習です。 STRIPS

◯ 正しい 根から枝をたどる経路が操作の手順にあたります。ゴールの状態に着く経路が見つかれば、それが問題の解です。 探索木

× 誤り 探索木は、探索を進めながら、調べる部分だけを順に展開していきます。すべてを先に作ろうとすると、組合せ爆発でノードが膨大になり、メモリが足りなくなります。 探索木

◯ 正しい 決定木は教師あり学習の手法です。探索木は、第1次AIブームの探索・推論で使われた問題の表し方です。 探索木

◯ 正しい 上の円盤をすべて移し、いちばん下の円盤を1手で動かし、上の円盤をその上へ移し直すためです。たとえば4枚の15手から、5枚では15×2＋1＝31手になります。 ハノイの塔

× 誤り 深さ優先探索は1つの道筋を深くたどるため、遠回りの手順を先に見つけることがあります。最初に見つかる解が最短になるのは、浅い順に調べる幅優先探索です。 ハノイの塔

× 誤り ハノイの塔は1人で解くパズルで、相手はいません。初期状態からゴールまでの手順を探す問題なので、幅優先探索などの探索の方法で解きます。 ハノイの塔

◯ 正しい 先入れ先出しで取り出すので、浅いノードから順に調べられます。深さ優先探索では後入れ先出しのスタックを使います。 幅優先探索

◯ 正しい 幅優先探索が保証するのは、手数（段数）が最も少ない解です。コストの違いを考えるには、均一コスト探索など別の方法が必要です。 幅優先探索

× 誤り 見込みの良さで順番を決めるのはヒューリスティック探索（最良優先探索など）です。幅優先探索は深さの順に機械的に調べます。 幅優先探索

◯ 正しい バックトラック（後戻り）をくり返すことで、1本ずつ順にすべての枝を調べられます。 深さ優先探索

◯ 正しい 1本の枝をたどり続けるおそれがあるため、深さに上限を設ける深さ制限探索などの工夫が使われます。 深さ優先探索

× 誤り 手数最小の解が保証されるのは幅優先探索です。深さ優先探索は、先に選んだ枝の奥で遠回りの解を見つけることがあります。 深さ優先探索

× 誤り チェスの手順は10の120乗程度と見積もられ、調べ尽くせません。ディープブルーは膨大な局面を調べましたが、枝刈りと評価関数で探索を打ち切っていました。 ブルートフォース

× 誤り 手順の数は掛け算で増え、30の10乗、約5.9×10の14乗通りになります。深さとともに指数関数的に増えるのが組合せ爆発です。 ブルートフォース

◯ 正しい 評価する必要のない枝を刈り込む（枝刈り）ことで、総当たりより少ない計算で同じ結論に達します。 ブルートフォース

◯ 正しい チェスなどは終局まで読み切れないため、途中の局面の有利さを評価関数で数値にします。シャノンが1950年の論文でこの考え方を示しました。 Mini-Max法

× 誤り 逆です。相手は常に自分にとって最も不利な手を選ぶと仮定し、最悪の場合でも得られる評価値が最大になる手を選びます。 Mini-Max法

◯ 正しい 相手は最小を選ぶので、Aの価値はmin(3, 9)=3、Bの価値はmin(5, 6)=5です。自分は大きいほうのBを選びます。 Mini-Max法

◯ 正しい 正方形に対する四分円の面積の比はπ/4です。点の数を増やすほど、割合を4倍した値はπに近づきます。 モンテカルロ法

× 誤り カジノで知られるモナコのモンテカルロ地区にちなむ名前で、偶然（乱数）を使う方法であることを表しています。 モンテカルロ法

◯ 正しい すべての候補手に均等に試行を配る方法を改良したものです。2000年代後半から囲碁AIで使われ、アルファ碁も採用しました。 モンテカルロ法

◯ 正しい スタックでは直前に展開したノードの子から調べるので、奥へ奥へと進みます。キューでは先に加えた浅いノードから順に調べるので、1段ずつ広がります。 深さ優先探索と幅優先探索の違い

× 誤り 幅優先探索は浅い順に調べるため、ループで同じ状態が重複しても、解のある深さまでいずれ到達します。ループで解に届かなくなるおそれがあるのは、1本の枝をたどり続ける深さ優先探索です。 深さ優先探索と幅優先探索の違い

◯ 正しい 上限の深さまでは深さ優先で調べるので、保持するノードは少なく済みます。浅い上限から順に試すため、最初に見つかる解は手数が最小です。Korfの1985年の論文が、この方法の効率を分析しています。 深さ優先探索と幅優先探索の違い

◯ 正しい 関係の種類によって成り立つ推論が変わるため、リンクの意味をラベルで明示します。 意味ネットワーク

◯ 正しい 「鳥は飛べる」を鳥に書けば、「スズメは鳥の一種」から「スズメは飛べる」を導けます。これを性質の継承と呼びます。 意味ネットワーク

× 誤り それは分散表現（単語埋め込み）の説明です。意味ネットワークは、人が概念と関係を記号で書き表す知識表現です。 意味ネットワーク

◯ 正しい DOCTORと呼ばれる台本（スクリプト）です。カウンセラーは自分の知識を示さずに質問を返しても不自然ではないため、単純な仕組みでも会話が成り立ちました。 イライザ(ELIZA)

× 誤り 応答は、キーワードと文型に対応づけた規則を人間があらかじめ書いたものです。データから学習する仕組みはもっていません。 イライザ(ELIZA)

◯ 正しい ELIZAと話した人の中に、相手が自分を理解していると感じて打ち明け話をする人がいたことにちなむ呼び名です。 イライザ(ELIZA)

× 誤り ここでのインタビューシステムは、エキスパートシステムを作るために、専門家から知識を聞き出す作業を支援する仕組みです。 インタビューシステム

◯ 正しい 1970年代にデイビスが開発しました。推論の過程を示して誤りの箇所を絞り込み、専門家の知識を知識ベースに取り込む手助けをしました。 インタビューシステム

× 誤り 質問を工夫すれば聞き出せる知識は増えますが、言葉にしにくい知識をすべて取り出すことはできません。この限界は、データから学ぶ機械学習が重視されるようになった一因です。 インタビューシステム

◯ 正しい 重要なページからリンクされるほど、そのページの評価も高くなります。ブリンとペイジが1998年の論文で示し、検索エンジンの順位付けに使われました。 ウェブマイニング

× 誤り Web上のデータは、書き方のばらばらな文章が多くを占めます。内容を分析するには、形態素解析などの自然言語処理が欠かせません。 ウェブマイニング

◯ 正しい 知識をコンピュータに与えて問題を解かせる考え方が中心となった時期です。第1次AIブームは探索・推論、第3次AIブームは機械学習が中心です。 エキスパートシステム

◯ 正しい 結論の候補から出発し、それを支える条件をさかのぼって確かめるのが後ろ向き推論です。 エキスパートシステム

× 誤り DEC社のXCON（R1）は、コンピュータの構成を決める作業を支援するシステムとして、1980年ごろから実務で使われました。 エキスパートシステム

◯ 正しい 情報科学では、グルーバーが1993年の論文で示した「概念化の明示的な仕様」という定義がよく引用されます。 オントロジー

× 誤り それはヘビーウェイトオントロジーの説明です。ライトウェイトオントロジーは厳密さよりも実用性を重視し、データから自動で関係を取り出すことも許します。 オントロジー

◯ 正しい 用語が指す概念の範囲や、上位・下位の関係を明確に定義しておくと、異なる組織やシステムの間で知識を正しく共有できます。 オントロジー

× 誤り 文章から答えの部分を抜き出す抽出型のほかに、答えの文を新たに作る生成型もあります。大規模言語モデルを使う質問応答の多くは生成型です。 Question-Answering（質問応答）

◯ 正しい 分野を限るものはクローズドドメインと呼ばれます。クイズ番組で幅広い分野の問題に答えたワトソンは、オープンドメインの例です。 Question-Answering（質問応答）

◯ 正しい モデルが学習していない社内文書や新しい情報も、回答に反映できます。ただし誤りがなくなるわけではないため、根拠の文書を確かめる運用が必要です。 Question-Answering（質問応答）

◯ 正しい MYCINは感染症の診断という狭い分野の専門知識を扱いました。Cycは分野を問わない常識を対象にしたため、書くべき知識の量が桁違いに多くなりました。 Cycプロジェクト

× 誤り 1984年に始まり、1995年からはCycorp社が開発を引き継いで、数十年にわたって続けられました。常識を書き尽くすことの難しさを示す例です。 Cycプロジェクト

◯ 正しい 記述言語はCycLと呼ばれます。「すべての鳥は動物である」「動物は呼吸する」という知識から「鳥は呼吸する」を導くように、知識を組み合わせて推論します。 Cycプロジェクト

◯ 正しい この3つ組をトリプルと呼びます。主語や述語をURI（IRI）というWeb上の識別子で表すため、別々のサイトにあるデータどうしを結びつけられます。 セマンティックWeb

× 誤り 2001年の記事でも、セマンティックWebは別のWebではなく、現在のWebを拡張するものだと説明されています。既存のページやデータに意味の情報を付け加えます。 セマンティックWeb

◯ 正しい W3Cが標準として定めた問い合わせ言語です。関係データベースにおけるSQLに近い役割を、RDFのデータに対して果たします。 セマンティックWeb

◯ 正しい 用意した規則に当てはまらない入力には対応できません。その反面、返す内容を事前にすべて確認しておけるため、手続きの案内など答えが決まっている用途に向きます。 チャットボット

× 誤り もっともらしい文章を生成する仕組みなので、事実と異なる内容を答えることがあります（ハルシネーション）。回答の正確性は、生成AIの課題としてよく指摘されます。 チャットボット

× 誤り 1966年に論文で発表されたイライザ(ELIZA)をはじめ、文章で対話するプログラムは古くから作られてきました。ChatGPTは、大規模言語モデルによる対話を広く普及させたサービスです。 チャットボット

◯ 正しい ファイヤドらは、選択、前処理、変換、データマイニング、解釈・評価という流れで整理しました。前処理の質が結果を大きく左右します。 データマイニング

◯ 正しい 季節など共通の要因による見かけの相関（擬似相関）や、偶然の一致の可能性があります。施策に使う前に、実験などの別の方法で確かめます。 データマイニング

× 誤り 似たもの同士をグループにまとめるクラスタリングも、データマイニングの代表的な手法です。正解のない大量のデータから傾向を探す場面でよく使われます。 データマイニング

× 誤り これはMYCINの説明です。DENDRALは、質量分析のデータなどから有機化合物の分子構造を推定する、化学の分野のシステムです。 DENDRAL

◯ 正しい 計画・生成・テストの3段階で推論しました。専門家の知識で候補を絞り込むことで、膨大な組合せをすべて調べずに済むようにしました。 DENDRAL

◯ 正しい 知識を人から聞き取る代わりに、データから規則を自動で導く試みでした。知識の獲得がシステムづくりのボトルネックになるという問題意識から生まれました。 DENDRAL

◯ 正しい あわせて、2016年度までに大学入試センター試験で高得点をとることも目標としていました。 東ロボくん

× 誤り 国立情報学研究所の発表によると、問題文を計算できる形に変換し、数式処理で解くまでを人手を介さずに行いました。数学（理系）の偏差値は76.2でした。 東ロボくん

◯ 正しい 確信度（certainty factor）は-1から1の範囲の値です。医療の判断にともなうあいまいさに対応するための工夫でした。 マイシン(MYCIN)

× 誤り 評価研究では専門医と同等以上の評価を得ましたが、日常の診療では使われませんでした。誤った場合の責任や、診療の流れへの組み込みの難しさが壁になりました。 マイシン(MYCIN)

◯ 正しい 医学知識を除いた推論の部分はEMYCINとして、他分野のエキスパートシステムを作るための道具（シェル）に使われました。 マイシン(MYCIN)

× 誤り IBMによると、ワトソンはインターネットに接続せずに質問に答えました。答えの根拠となる大量の文書を、あらかじめ取り込んでいました。 ワトソン

× 誤り 自己対戦による強化学習で強くなったのは、囲碁のアルファ碁です。ワトソンは、大量の文書から答えの候補と根拠を集め、多数のアルゴリズムの評価を統合して答えを選びました。 ワトソン

◯ 正しい IBMは、この質問応答の技術を企業向けのサービスとして提供しました。問い合わせへの回答の候補をオペレーターに示す使い方などが広がりました。 ワトソン

◯ 正しい 状態を表す変数が増えると、計算すべき組合せが指数的に増えることを指して使われました。のちに機械学習でも広く使われるようになりました。 次元の呪い

◯ 正しい 距離にもとづいて似たデータを探すk近傍法などが、高次元で性能を落としやすい理由の1つです。 次元の呪い

× 誤り 組合せは10×10×10＝1,000通りです。特徴量が1つ増えるごとに10倍になり、空間を埋めるのに必要なデータ量も急激に増えます。 次元の呪い

× 誤り 決められたクラスに振り分けるのは分類問題です。回帰問題は、売上や気温のように連続した数値を予測する問題を指します。 スパムフィルタ

◯ 正しい 単語ごとの出現確率を学習データから求め、ベイズの定理で迷惑メールである確率を計算します。単語どうしを互いに独立とみなして、計算を簡単にしています。 スパムフィルタ

× 誤り 送信元のドメイン、添付ファイルの有無、件名に含まれる記号の割合なども手がかりになります。1998年のナイーブベイズの研究でも、こうした特徴を単語に加えると精度が上がることが示されました。 スパムフィルタ

◯ 正しい たとえばbi-gram（2-gram）では、直前の1語だけを手がかりにします。数えた頻度から確率を求めるため、規則を人が書く必要がありません。 統計的自然言語処理

× 誤り 統計的な方法は1990年代に主流になりました。BERTは、それよりずっと後の2018年に発表された、ニューラルネットワークによる事前学習済みモデルです。 統計的自然言語処理

◯ 正しい 規則だけでは決めきれない曖昧さを、実際の文章での頻度にもとづいて解消します。解釈ごとの確率を比べ、最も高いものを選ぶのが基本です。 統計的自然言語処理

◯ 正しい ビッグデータは、量（Volume）、多様性（Variety）、速度（Velocity）の3つのVで説明されることが多くあります。速度は、データが生まれ、処理される速さを指します。 ビッグデータ

× 誤り データが多くても、特定の地域や年代に偏って集めていれば、モデルも偏ります。量だけでなく、データの質や代表性の確認が欠かせません。 ビッグデータ

◯ 正しい ImageNetのような大規模な画像データセットと、並列計算が得意なGPUの組み合わせが、深いネットワークの学習を現実的にしました。 ビッグデータ

◯ 正しい 論文の題名にもあるとおり、商品と商品を結びつけるアイテムベースの方式です。顧客や商品の数が非常に多くても、推薦をすばやく計算できる点が利点とされました。 レコメンデーションエンジン

× 誤り 購買、閲覧、視聴などの行動の履歴も、好みを表すデータとして使えます。明示的な評価よりも手に入りやすいため、実際のサービスで広く使われています。 レコメンデーションエンジン

◯ 正しい この性質をスパース性（疎であること）といいます。空欄の多い表から好みを推定するために、行列分解などの手法が工夫されてきました。 レコメンデーションエンジン

◯ 正しい 1枚の画像に複数の物体が写っていることがあるため、上位5候補のどれかが正解なら正しいとみなしました。 ILSVRC

◯ 正しい ResNetのアンサンブルは3.57%でした。人間の値（5.1%）は、訓練を積んだ注釈者が実際に分類して得た推定です。 ILSVRC

× 誤り 画像分類部門で使われたのは、ImageNetから選んだ1,000カテゴリ、約120万枚の学習画像です。 ILSVRC

◯ 正しい この結果は2016年1月にNature誌で発表されました。李世乭（イ・セドル）に勝ったのは、その後の2016年3月です。 アルファ碁(AlphaGo)

× 誤り 囲碁は手順の数が膨大で、全数探索はできません。ニューラルネットワークで候補手を絞り、局面を評価しながら、モンテカルロ木探索で先を読みました。 アルファ碁(AlphaGo)

◯ 正しい IBMのディープ・ブルーがカスパロフに勝ったのが1997年、AlphaGoが李世乭に勝ったのが2016年です。囲碁は探索すべき手の数がチェスよりはるかに多いためです。 アルファ碁(AlphaGo)

◯ 正しい Amazon Mechanical Turkを使い、多くの作業者が画像とカテゴリの対応を確認しました。 ImageNet

◯ 正しい 上位と下位の関係で整理されたWordNetの名詞を使うため、カテゴリも木のような階層構造になっています。 ImageNet

× 誤り 画像検索などでウェブから集めた候補の画像を、人手で確認して選んでいます。自ら撮影したものではありません。 ImageNet

◯ 正しい AI事業者ガイドラインも、生成AIを文章、画像、プログラム等を生成できるAIモデルにもとづくAIの総称としています。文章を作るLLMは、その一部です。 生成AI

× 誤り Transformerは2017年の論文「Attention Is All You Need」で提案されました。ChatGPTは、その後のGPTなどの研究の積み重ねの上に公開されたサービスです。 生成AI

◯ 正しい 実在の人物の顔や声をまねた偽の映像や音声は、なりすましの詐欺や世論の誘導に使われる危険があります。技術だけでなく、確認の手順や制度での対策も必要です。 生成AI

◯ 正しい S細胞は入力の狭い範囲から特徴を取り出し、C細胞は近くのS細胞の出力をまとめて、位置の小さなずれを吸収します。 ネオコグニトロン

× 誤り ネオコグニトロンの論文は1980年に発表されており、AlexNetより30年以上前です。CNNの研究は、この頃から積み重ねられてきました。 ネオコグニトロン

◯ 正しい 1980年の論文の題名にも、位置のずれに影響されないパターン認識の仕組みであることが示されています。 ネオコグニトロン

◯ 正しい LeNetの論文は1989年と1998年に発表されています。AlexNetは、LeNetの考え方を、より深いネットワークと大規模なデータに広げたモデルです。 LeNet

× 誤り ReLU関数とGPUによる学習を組み合わせて注目されたのは、2012年のAlexNetです。LeNet-5は、tanh関数を拡大・縮小した、S字形の関数を使っていました。 LeNet

◯ 正しい 1998年の論文によると、このシステムは商用で運用され、1日に数百万枚の小切手を読み取っていました。CNNが研究室の外で使われた早い例です。 LeNet