生成AIパスポート 2026年2月シラバス改訂まとめ｜5分で掴む要点と章別ドリル

生成AIは、モデルの進化だけでなく使い方（活用）・つなげ方（RAG/エージェント）・守り方（ガバナンス）が一体でアップデート中。10/1にプレリリースされた2026年2月適用シラバスの改訂点を、5分で全体像→各章のドリルの順に掴めるよう整理しました。

• 改訂の三本柱：最新モデル／RAG・AIエージェント／ガバナンス

• 章ごとの学習フォーカス：増えた項目と注意点をシンプルに

• 章別“重点ドリル”：ミニ講義→用語カード→四択12問で定着

【CH0】今回の改訂の全体像

1. 改訂の背景と基本方針

• 変化の速度に“毎年同期”：モデル性能だけでなく、マルチモーダル化／外部ツール連携／運用ガバナンスが同時進行。

• 実務で“使える骨格”に再配置：単語の暗記ではなく、モデル→活用（RAG・エージェント）→守り（ガバナンス）を一連の導線で学ぶ構成へ。

• 章横断で迷わない：各章に「ミニ講義→用語カード→四択12問」の重点ドリルを標準配置し、短時間で定着。

1-1. 改訂の背景

• 変化の速度に“毎年同期”：モデル性能だけでなく、マルチモーダル化／外部ツール連携／運用ガバナンスが同時進行。

1-2. 記事の編集指針

• 学習で“使える骨格”に再配置：単語の暗記ではなく、モデル→活用（RAG・エージェント）→守り（ガバナンス）を一連の導線で学ぶ構成で解説。

• 章横断で迷わない：各章に「ミニ講義（5分）→用語カード→四択12問」の重点ドリルを標準配置し、短時間で定着。

2. 改訂の三本柱（今回の“核”）

1. 最新モデル・ツールの反映

   • ChatGPT系（GPT-4o／o1／o3／o4／4.1／5）の位置づけを可視化。

   • Operator／Codex／Image Generationなど周辺語彙も整理。

   • Gemini／Claude／Copilot等、ベンダー横断で俯瞰する視点を追加。
     出題されやすい観点：BERT vs GPTの役割、自己回帰／自己注意の違い、マルチモーダルの意味。

2. RAG（検索拡張生成）とAIエージェントの新設

   • RAGの基本フロー：チャンク → 埋め込み → ベクトルDB → 検索 → 生成。

   • AIエージェント：計画→実行→観察のループと外部ツール連携（※MCP＝Model Context Protocol（外部ツール連携の考え方）。
     出題されやすい観点：RAGの効用（幻覚抑制／最新性／根拠提示）、エージェントの反復サイクル。

3. ガバナンス強化（AI事業者GL v1.1／AI新法）

   • AI事業者ガイドライン v1.1の更新点を反映。

   • AI新法は「基本構造・内容・具体リスク・GLとの関係」を暗記ではなく構造理解で学習。
     出題されやすい観点：個人情報の語彙（要配慮個人情報など）、生成物の権利・証跡、責任の所在。

3. 章構成と“なにが増えたか”

• 第1章：AI（人工知能）— 基礎
  定義、二大アプローチ（ルールベース／機械学習）、過学習対策、ANI／AGI、歴史。
  → 語彙の精緻化と「基礎→DL→歴史」の学び順が明確に。

• 第2章：生成AI（系譜／ChatGPTの歴史と他モデル）
  BM/CBM→VAE→GAN→RNN/LSTM→Transformer、BERT vs GPT、最新モデル群と周辺機能、他社モデル。
  → 最新モデル・周辺語彙を追加し、位置づけで理解。

• 第3章：現在の動向（生成物／RAG／エージェント）
  テキスト・画像・音楽・音声・動画、ディープフェイク、RAG、AIエージェント（MCP）。
  → RAG／エージェントを新設、動画生成の例を整理。

• 第4章：情報リテラシー・ガイドライン・AI新法
  情報リテラシー、脅威カタログ、個人情報保護の語彙、知財・パブリシティ・営業秘密・限定提供データ。
  → GL v1.1に更新、AI新法の学習範囲を新設。

• 第5章：テキスト生成AIのプロンプト
  Temperature／Top-p、プロンプト4点（Instruction／Context／Input／Output）、Zero／Few-Shot、実務テンプレ、不得意と補完。
  → 実務で使う“仕様としてのプロンプト”を重視。RAG・検算・ツール連携で補完。

4. 学び方の指針（先に“道筋”を決める）

• 逆算型（速習）：第2章→第3章→第4章→第5章→第1章

  • 概念（系譜・RAG・エージェント・ガバナンス・プロンプト）を先に固め、最後に基礎で穴を埋める。

• 順学習型（王道）：第1章→第2章→第3章→第4章→第5章

  • 概念の積み上げで迷いにくい。

• 各章は同じ型で回す：ミニ講義（5分）→用語カード→四択12問。

• 検索ヒント（note内ジャンプ）：冒頭にCHタグを案内（例：CH1／CH2…をCtrl+Fでジャンプ）。

5. こう出たらこう答える（出題の“型”を先に覚える）

〇理解系（定義・対比を聞かれたら）

型：①一言結論 → ②根拠キーワード（2語） → ③補足1行
例：BERTとGPTの違い

• 一言：BERT＝理解、GPT＝生成。

• 根拠：MLM/NSP（BERT）、自己回帰（GPT）

• 補足：学習目的と主用途の対応まで書く。

〇プロセス系（手順・流れを聞かれたら）

型：①段数を明言 → ②順番を矢印で → ③狙い/効果
例：RAGの流れ（5ブロック）

• チャンク → 埋め込み → ベクトルDB → 検索 → 生成

• 狙い：幻覚抑制／最新性／根拠提示。

〇ガバナンス系（枠組み・責任を聞かれたら）

型：①基本構造 → ②内容 → ③具体リスク → ④GLとの関係
例：AI新法で押さえる粒度

• 基本構造：目的・推進体制・対象

• 内容：求められる配慮・手続き

• 具体リスク：安全・倫理・偏見・偽情報

• GLとの関係：GL v1.1と誰が何を担保するかを明示。

〇運用系（プロンプト設計・設定を聞かれたら）

型：①プロンプト4点（Instruction/Context/Input/Output） → ②Temperature／Top-p → ③再現性の工夫
例：プロンプト最適化

• 4点を明示し、Output Indicator（体裁・語数・言語・読者）まで指定

• 生成ハイパラ：Temperature（多様性）／Top-p（核サンプリング）

• 再現性：必要ならZero/Few-Shotで良い例を添える。

〇3秒チェック

• 固有語は入れた？（例：MLM/自己回帰、ベクトルDB、GL v1.1）

• 順番は正しい？（RAGの5ブロック）

• 誰が何を担保？（ガバナンス）

• 出力条件は指定？（Output Indicator）

6. よくある勘違い（先に潰す）

• 数値や日付の“丸暗記”勝負ではない：位置づけ・関係・手順を言語化できるかが問われる。

• RAG＝“検索だけ”ではない：検索結果を根拠として“生成”に活かすのが本質。

• プロンプト＝魔法の一文ではない：4点セットと検証手順で仕様化する。

7. 仕上げチェックリスト（10行で自己採点）

1. 「AIの定義」を一文で言える。

2. ルールベースと機械学習の違いを用途込みで説明できる。

3. BERT vs GPTを根拠つきで対比できる。

4. Transformer登場の意義を一言で。

5. RAGの5ブロックを順で言える。

6. AIエージェントのループ（計画→実行→観察）が言える。

7. 個人情報の語彙（要配慮個人情報など）を説明できる。

8. GL v1.1とAI新法の学習範囲を列挙できる。

9. プロンプト4点とTemperature／Top-pを説明できる。

10. モデルの不得意（文字数・計算・最新情報・芸術評価）に対し、補完策を言える。

【CH1】第1章：AI（人工知能）— 基礎

ここがポイント（定義／二つの仕組み／過学習対策／ANI・AGI／歴史）

• AIの定義：AI＝「知能的行動を示すシステム」。ロボットの有無は本質ではない。

• 二つの仕組み

  • ルールベース：人が決めた規則で推論。

  • 機械学習：データから規則性（パラメータ）を学ぶ（教師あり／教師なし／強化／半教師あり）。

• ディープラーニングの要諦：多層のニューラルネットで表現を学ぶ。過学習は正則化・ドロップアウトで抑制、転移学習で少データにも対応。

• ANIとAGI：現実の大半はタスク特化のANI。AGIは汎用知能の概念。

• 歴史の流れ：第一次→第二次（エキスパートシステム）→第三次（DL & ビッグデータ）。“AIの冬”と復活を押さえる。

学び方のコツ（図解→用語カード→小テスト）

1. 図解で「ルールベース ↔ 機械学習」「ANI ↔ AGI」を一画面に整理。

2. 用語カードで“定義→用途→注意点”を1カード=1分で回す。

3. 小テスト（○×＋四択）で誤りの理由に線を引く＝理解の穴を特定。

4. ミニ目標：1日10分×3日で、定義・仕組み・対策（過学習）を口頭で説明できる状態へ。

重点ドリル（第1章）

• 構成：ミニ講義（5分） → 用語カード（20語） → 四択12問

• ねらい：定義・仕組み・過学習対策を言語化できるようにする。

• 使い方：

  • 初回：ミニ講義→用語カードを一周→四択6問だけ解く。

  • 2回目：残り6問＋ミス問題の解き直し（“なぜ”を一行で書く）。

• 所要の目安：15〜20分。

ミニ講義（5分で全体像）

1. AI＝「知能的行動を示すシステム」。物理ロボットの有無は本質ではなく、推論・学習・判断などの“知能機能”に焦点を当てる（ロボットはAIを搭載することも、しないこともある）。

2. 二大アプローチ

   • ルールベース：人が決めたif-then等の規則に基づく推論。

   • 機械学習：データからパターン（パラメータ）を学ぶ。教師あり／教師なし／強化／半教師あり等がある。

3. ディープラーニングは多数の人工ニューロンを重ね、重みの学習で高度な表現を獲得。過学習には正則化・ドロップアウトなどで対処。必要に応じ転移学習で少データでも適用を加速。

4. ANIとAGI：現実の多くは特定タスクのANI。あらゆるタスクで人間レベルのAGIは研究段階の概念。

5. 歴史：探索・推論の第一次、エキスパートシステムの第二次、ビッグデータ＋計算資源＋DLの第三次という流れ。AIの冬（期待先行→停滞）を経て現在に至る。シンギュラリティは技術的特異点の仮説。

用語カード（やさしい定義・20語）

• AI（人工知能）：知能的行動を示すシステム全般。

• ルールベース：人手で定めた規則に従い判断する方式。

• 機械学習：データから規則性を学ぶ手法群の総称。

• 教師あり学習：正解付きデータで予測モデルを学ぶ。

• 教師なし学習：正解なしデータの構造を見つける（例：クラスタリング、次元削減）。

• 強化学習：環境との試行で報酬最大化の方策を学ぶ。

• 半教師あり学習：少量の正解と大量の非正解データを併用。

• 特徴量：学習に使う説明変数。

• ニューロン／シナプス：DLの基本要素（計算ノード／結合）。

• ニューラルネット：多数のニューロンを結合したモデル。

• 重み付け：入力の重要度を示す係数。学習で更新。

• 過学習：訓練データに過度適合し汎化が悪化。

• 正則化：過学習を抑えるペナルティ付与等の手法。

• ドロップアウト：学習時に一部ノードを無効化し過学習抑制。

• 転移学習：学習済みモデルの知識を別課題へ再利用。

• AIが画像を認識する仕組み：多層表現で特徴を抽出・分類。

• ANI（弱いAI）：特定タスクに特化したAI。

• AGI（強いAI）：汎用的に多様なタスクを遂行できるAI像。

• AIの冬：過度な期待後の資金・関心低下期。

• シンギュラリティ：技術的特異点の仮説（2045年問題等）。

章末演習（四択×12問）

Q1. 「AI（人工知能）」の説明として最も適切なのはどれか。
① 人型ロボットの総称／② 人間の脳そのもの／③ 知能的行動を示すシステム／④ コンピュータビジョンの別名
正解：③（AIは“知能的行動”を示すシステム。ロボットの有無は本質ではない）

Q2. ルールベースの特徴として正しいのはどれか。
① 統計的推定で重みを学ぶ／② 人が決めた規則に基づく推論／③ 正解データを使って分類境界を学ぶ／④ 正解なしデータの構造を発見
正解：②

Q3. 教師なし学習の代表例として最も適切なのはどれか。
① 線形回帰／② ロジスティック回帰／③ k-meansや次元削減／④ 教師あり転移学習
正解：③

Q4. 強化学習の目的として最も適切なのはどれか。
① 誤差二乗和の最小化／② 予測確率の最大化／③ 既知のラベルの再現率向上／④ 長期の累積報酬の最大化
正解：④

Q5. 過学習の典型的な兆候はどれか。
① 訓練性能と検証性能が共に低い／② 訓練性能のみが高く検証で急落／③ 双方で安定して高い／④ どちらも不規則に変動
正解：②

Q6. 正則化やドロップアウトの主目的として正しいのはどれか。
① 訓練時間の短縮のみ／② 学習率の自動最適化／③ 過学習の抑制と汎化の向上／④ データの正解付けを自動化
正解：③

Q7. 転移学習が有効になりやすい状況はどれか。
① 学習データが極端に大量／② まったく同一のタスクで再学習／③ 近縁タスクでデータが少ない／④ 学習済みモデルが存在しない
正解：③

Q8. ニューラルネットにおける「重み」の説明として最も適切なのはどれか。
① 予測の閾値そのもの／② 入力の重要度を表す係数で学習で更新／③ 活性化関数の固定パラメータ／④ 勾配を0にする項
正解：②

Q9. ANI（弱いAI）に該当する例として最も適切なのはどれか。
① あらゆる課題を人以上に解くAI／② 画像だけでなく言語・計画も万能に解くAI／③ 顔認識に特化したモデル／④ 自己意識をもつAI
正解：③

Q10. 第二次AIブームを牽引した技術として近いのはどれか。
① エキスパートシステム／② 大規模言語モデル／③ 強化学習の深層化／④ 生成敵対ネットワーク
正解：①

Q11. 「AIの冬」を簡潔に表す説明として最も適切なのはどれか。
① GPUの枯渇期／② 過大期待の反動で投資と関心が落ち込んだ時期／③ 量子計算の過渡期／④ インターネット未普及期
正解：②

Q12. シンギュラリティ（技術的特異点）の説明として適切なのはどれか。
① 人間がAIを使わなくなる転換点／② AIの性能が頭打ちになる時点／③ 技術進歩が加速度的に進み社会が非連続に変化する仮説／④ AI規制が一斉に撤廃される時点
正解：③

【CH2】第2章：生成AI（系譜／ChatGPTの歴史と他モデル）

ここがポイント（BM→VAE→GAN→RNN/LSTM→Transformer／BERT vs GPT）

• 系譜：BM/CBM → VAE（潜在） → GAN（生成器×識別器） → RNN/LSTM（系列） → Transformer（自己注意・位置エンコーディング）。

• BERT vs GPT：BERT＝理解寄り（MLM/NSP）、GPT＝生成寄り（自己回帰）。

• 要点：Transformer以降の主流化で「長文文脈×計算効率」が飛躍。

最新化の要点（GPT-4o→o1/o3/o4→4.1→5／周辺機能／Gemini・Claude・Copilot）

• ChatGPTの進化：4→4o→o1/o3/o4→4.1→5（位置づけを理解）。

• 周辺機能：Code Interpreter／GPTs／Operator／Codex／Image Generation。

• 他社主要モデル：Gemini／Claude／Copilotをベンダー横断で比較（長文・統合・統制など“方向性”をつかむ）。

重点ドリル（第2章）

• 構成：ミニ講義（5分） → 用語カード（24語） → 四択12問

• ねらい：系譜を口で言える／BERTとGPTの違いを一言で言える／最新語彙を位置づけで説明できる。

• 使い方

  • 系譜を矢印一行で書き出してから問題に入る。

  • 語彙は“用途タグ（理解/生成/ツール連携）”を付けて覚える。

• 所要の目安：20〜25分。

ミニ講義（5分で全体像）

1. 生成モデルの系譜

   • 初期：ボルツマンマシン（BM／CBM）など確率モデル。

   • 表現学習の拡張：VAE（潜在空間で再構成）、GAN（生成器×識別器の対抗学習）。

   • 系列モデル：RNN／LSTMが時系列・文章の“流れ”を保持。

   • 転換点：Transformerの登場で“自己注意”が文脈把握の主役に。以後の派生・大型化で現在の主流に。

2. BERTとGPTの違い

   • BERT：MLM（穴埋め）＋NSP等の事前学習で文理解に強い（エンコーダ寄り）。

   • GPT：自己回帰（次の単語予測）で生成に強い（デコーダ寄り）、ChatGPTへ。

3. ChatGPTの歴史と強化

   • GPT-1→2→3→3.5→4の大規模化に加え、InstructGPT／RLHFで“指示に従う”性質を強化。

   • Code Interpreter／GPTsでツール活用が進み、GPT-4o／o1／o3／o4／4.1／5と世代が続く。Operator／Codex／Image Generationも周辺機能の語彙として把握。

4. 他社主要モデル

   • Gemini／Claude／Copilotを“代表例”として位置づけまで把握（詳細スペック暗記より位置づけ理解が目的）。

用語カード（やさしい定義・24語）

• ボルツマンマシン（BM/CBM）：確率的学習を行う初期の生成モデル群。

• 自己回帰モデル：直前までの出力から次トークンを確率生成。

• CNN：畳み込みで局所特徴を抽出するNN。

• VAE：潜在ベクトルに写像して復元する生成モデル。

• GAN：生成器と識別器の対抗学習で高品質サンプルを生成。

• RNN/LSTM：再帰構造で文脈や長期依存を扱う系列モデル。

• Transformer：自己注意と位置エンコーディングを用いる現在主流の基盤。

• 自己注意（Self-Attention）：入力内の関連度で重み付けする仕組み。

• 位置エンコーディング：系列位置を表現に注入する方法。

• BERT：MLM/NSPで事前学習された言語理解モデル。

• MLM（Masked LM）：隠したトークンを当てる学習。

• NSP：文の連続性を判定する学習。

• GPT：自己回帰で次語を予測し続ける生成モデル系列。

• RLHF：人間フィードバックで“望ましい出力”に寄せる学習。

• ハルシネーション：根拠のない出力の混入。

• Code Interpreter：ファイル解析や計算を行うツール実行系。

• GPTs：用途特化のカスタムGPT。

• GPT-4o / o1 / o3 / o4 / 4.1 / 5：ChatGPT系の主要派生・世代。

• Operator：ツール実行・連携の枠組み（語彙として把握）。

• Codex：コード生成・補完に特化した系統名。

• Image Generation：画像の生成機能。

• Gemini（Google系）／Claude（Anthropic系）／Copilot（MS統合）：他社主要モデルの代表。

• Transformer派生の系譜：登場以後の派生モデルの広がり。

章末演習（四択×12問）

Q1. 「生成AIの“転換点”となった基盤技術」の説明として最も適切なのはどれか。
① CNNのプーリング／② RNNの勾配消失／③ Transformerの自己注意／④ K平均の再初期化
正解：③（自己注意で長距離依存を効率に扱える）

Q2. BERTとGPTの主な学習・用途の違いを表す組み合わせはどれか。
① BERT＝生成／GPT＝理解／② BERT＝理解／GPT＝生成／③ ともに生成特化／④ ともに理解特化
正解：②（BERTはMLM/NSPで理解、GPTは自己回帰で生成）

Q3. VAEのキーワードとして最も適切なのはどれか。
① 生成器・識別器の競合／② 畳み込みとプーリング／③ 再帰と記憶セル／④ 潜在ベクトルと復元
正解：④（潜在空間→復元の枠組み）

Q4. ChatGPTの“指示追従性”を高めた技術として正しいのはどれか。
① RLHF／② PCA／③ アンサンブル平均／④ 早期停止
正解：①（人間フィードバック強化学習）

Q5. GANの基本構成として正しいのはどれか。
① 生成器と識別器の対抗学習／② エンコーダとデコーダの積和計算／③ Q学習の方策更新／④ 隠れ層の層正則化
正解：①

Q6. Transformerで系列情報を扱うために導入されるものはどれか。
① カーネル密度推定／② 位置エンコーディング／③ バギング／④ 交差検証
正解：②

Q7. 「自己回帰モデル」の説明として最も適切なのはどれか。
① ラベル付きで境界を学ぶ／② 分布推定で尤度最大化／③ ランダム探索で強化学習／④ 直前までの出力から次を生成
正解：④（次トークン予測で前後文脈を拡張）

Q8. ChatGPT関連の周辺機能／語彙として“本章”に含まれる組はどれか。
① AutoML・NAS／② Code Interpreter・GPTs／③ ハード注意・ソフト注意／④ 量子回路・振幅推定
正解：②

Q9. 他社主要モデルの代表例として“本章”で列挙されるものはどれか。
① LLaMA・Mistral／② PaLM・ERNIE／③ Gemini・Claude・Copilot／④ Chinchilla・Jurassic
正解：③

Q10. ChatGPTの歴史（系譜）に含まれる項目として適切なのはどれか。
① BERTのNSP→MLM→RoBERTa／② GPT-1→2→3→3.5→4→4o→o1/o3/o4→4.1→5／③ WaveNet→Tacotron→Whisper／④ ResNet→DenseNet→ViT
正解：②（本章に沿った“位置づけ”の理解）

Q11. 画像生成の機能名として“本章の語彙”に含まれるものはどれか。
① DiffEdit／② Image Generation／③ LoRA／④ StyleGAN2-ADA
正解：②

Q12. Operatorの位置づけに関して最も適切なのはどれか。
① 画像拡散の別名／② 教師なし学習の一種／③ ツール実行・連携の語彙／④ 量子計算手法
正解：③（ツール連携系の語彙として把握）

【CH3】第3章：現在の動向（できること／ディープフェイク／RAG／エージェント）

ここがポイント（テキスト/画像/音楽/音声/動画／代表的ツール）

• 生成できる領域：テキスト／画像／音楽／音声／動画。

• 動画の代表例：Sora／Runway Gen-3／Luma Dream Machine／Veo3 など。

• ディープフェイク：偽情報との結びつきが強いリスク領域。対策はリテラシー＋検証手順。

RAG超入門（チャンク→埋め込み→ベクトルDB→検索→生成）

• パイプライン：文書チャンク → 埋め込み → ベクトルDB → 検索 → 生成。

• 効用：幻覚抑制／最新性確保／根拠提示。

• 限界と設計：分割粒度・再検索・スコア閾値をチューニング。ユースケースは社内規程Q&A・ナレッジ検索が入り口。

AIエージェント要諦（計画→実行→観察／ツール連携／MCP）

• 基本ループ：計画 → 実行 → 観察（フィードバック）。

• ツール連携：外部API・業務SaaSと接続。権限設計と監査ログが鍵。

• MCP：外部接続の標準化の考え方として理解（“何とどうつなぐか”を記述できるように）。

重点ドリル（第3章）

• 構成：ミニ講義（5分） → 用語カード（20語） → 四択12問

• ねらい：メディア横断の地図を持つ／RAGの5ブロックを言える／エージェントの基本ループを説明できる。

• 使い方：

  • RAGは自分の仕事の文書で“チャンク単位”を想像してから問題を解く。

  • エージェントは「どのツールを、誰の権限で、どこまで自動化するか」を一行仕様で書く練習を。

• 所要の目安：20〜25分。

ミニ講義（5分で全体像）

1. “できること”の全体図
   生成AIは、テキスト／画像／音楽／音声／動画の各メディアで活用が進む。動画では Sora／Runway Gen-3／Luma Dream Machine／Veo3 などが代表例として挙がる（名称は“位置づけ”理解が目的）。

2. ディープフェイク
   生成モデルで人物や音声・映像を偽造する技術。偽情報（ディスインフォメーション）との結びつきが強く、リスク理解が必須。

3. RAG（Retrieval-Augmented Generation）
   LLMに外部知識を与えて幻覚抑制／最新性確保を狙う実装。キーワードはチャンク（分割）とベクトルデータベース（埋め込み格納）。“検索→生成”の二段構えで、社内文書Q&Aや規程FAQに効く。

4. AIエージェント
   LLMが計画→実行→観察を回しつつ、外部ツールやAPIを呼び出して業務を自動化。MCPにより外部システムと連携する設計も射程。語彙として GenSpark／Manus／Skywork AI が例示される。

用語カード（やさしい定義・20語）

• テキスト生成AI：文章の作成・要約・翻訳・質疑応答などを行う。

• 画像生成AI：テキストから静止画を生成・編集する。

• 音楽生成AI：作曲・伴奏・スタイル模倣を行う。

• 音声生成AI：音声合成（TTS）やボイス変換を行う。

• 動画生成AI：テキストや画像から動画を生成する（例：Sora、Runway Gen-3、Veo3 ほか）。

• ディープフェイク：深層学習で生成・改変した偽の映像や音声。

• RAG：検索拡張生成。検索で得た外部知識を使って生成する方式。

• チャンク：長文を検索・再利用しやすい小片に分けること。

• ベクトルデータベース：テキスト等を埋め込みベクトルで格納し、意味近傍検索するDB。

• AIエージェント：LLMがタスクを計画→実行→観察し、ツール連携で処理する枠組み。

• MCP：外部システムと安全に接続・連携するための仕組み（語彙理解）。

• GenSpark／Manus／Skywork AI：エージェント関連のツール・事例語彙。

• Veo3：動画生成分野で例示される代表的ツールの一つ。

• Sora／Runway Gen-3／Luma Dream Machine：動画生成で挙がる主要例。

• 自己回帰モデル：直前までの出力から次を生成する系列モデル。

• 偽情報（ディスインフォメーション）：意図的に誤った情報の拡散。

• ユースケース（RAG）：「社内規程Q&A」「ナレッジ検索」「議事録からの根拠回答」など。

• 仕組みとメリット（RAG）：根拠付き回答・最新性・私有データ活用で実務適用を強化。

• ツール事例（エージェント）：外部APIや業務SaaSに接続して自動化。

章末演習（四択×12問）

Q1. 第3章の「できること」の軸に含まれるものはどれか。
① 量子回路の最適化のみ／② 3Dプリンタのギア設計／③ テキスト・画像・音楽・音声・動画の生成／④ SoCのレイアウト配線
正解：③（本章はメディア横断の“生成物”を俯瞰）

Q2. ディープフェイクの説明として最も適切なのはどれか。
① 低解像の画像補間技術／② 深層学習で作成・改変された偽の映像や音声／③ 画像の正規化手法の一種／④ データの拡張（augmentation）
正解：②（偽情報との関係も重視される）

Q3. RAGの基本ブロックに含まれないものはどれか。
① チャンク化／② ベクトルDB／③ 検索→生成の流れ／④ 量子アニーリング
正解：④（量子計算はRAGの基本構成外）

Q4. AIエージェントの要点に最も近いのはどれか。
① GPUクロックの固定化／② 学習率の自動調整のみ／③ 画像生成向けの拡散過程／④ 計画→実行→観察のループとツール連携
正解：④（ツール実行と観察で反復）

Q5. 動画生成の代表例として本章で挙がる語彙の組はどれか。
① ViT・ResNet／② Whisper・Tacotron／③ XGBoost・CatBoost／④ Sora・Runway Gen-3・Veo3
正解：④（動画生成分野の例示）

Q6. ディープフェイクが社会的に問題となる主な理由に近いのはどれか。
① 画像の解像度が下がるため／② 計算コストが高いから／③ 偽情報の拡散に悪用されうるから／④ 生成速度が遅いから
正解：③（偽情報との結びつき）

Q7. RAGの狙いとして最も適切なのはどれか。
① 画像生成の画質向上のみ／② 学習データ削減のみ／③ 幻覚抑制や最新性確保、根拠提示の強化／④ 量子耐性の向上
正解：③（外部知識を参照して回答品質を上げる）

Q8. チャンクの説明として正しいのはどれか。
① 画像の色空間変換／② 文書を検索・再利用しやすい小片に分割すること／③ ノイズ除去フィルタ／④ 乱数の初期化
正解：②（長文→小片で検索性を上げる）

Q9. MCPに最も近い理解はどれか。
① 画像の圧縮形式／② GPUの管理プロファイル／③ 外部システムと連携するための仕組み（語彙）／④ データの欠損補間手法
正解：③（エージェント連携の語彙）

Q10. 本章の「できること」に関する代表的なツール例の組み合わせとして適切なのはどれか。
① Sora・Runway Gen-3・Luma Dream Machine／② Roberta・ALBERT・ELECTRA／③ LLaMA・Chinchilla・Mistral／④ ROCm・CUDA・oneDNN
正解：①（動画生成領域の例示）

Q11. AIエージェントに関する語彙として本章に含まれるものはどれか。
① GenSpark・Manus・Skywork AI／② AutoML・NAS／③ ARIMA・Prophet／④ DiffEdit・LoRA
正解：①（エージェント関連の例示語彙）

Q12. ベクトルデータベースの説明として最も適切なのはどれか。
① 行列演算に特化したGPUライブラリ／② 画像のピクセルを並べた二次元配列／③ 文書の意味を埋め込みベクトルで格納し近傍検索するDB／④ データベースの暗号化規格
正解：③（意味ベース検索の中核）

【CH4】第4章：情報リテラシー・ガイドライン・AI新法

ここがポイント（情報リテラシー／脅威カタログ／個人情報保護／権利）

• 情報リテラシーの土台：テクノロジー理解／情報の真偽判定／セキュリティ＆プライバシー／デジタル市民権。

• 脅威カタログ：フィッシング・スミッシング・ヴィッシング、マルウェア／ランサムウェア、ソーシャルエンジニアリング、悪意のQR・危険Wi-Fi、アップロード詐欺など。

• 個人情報保護（生成AIで特に注意）：個人識別符号・要配慮個人情報・匿名加工情報／過剰提供や再識別の回避／第三者提供の管理。

• 権利とデータ：知的財産（著作・特許・商標・意匠）、肖像・パブリシティ、不正競争防止、営業秘密、限定提供データ。“生成物の扱い”と記録（証跡）がポイント。

ガバナンス更新（AI事業者GL v1.1／AI新法の学習範囲）

• AI事業者ガイドライン v1.1

  • 位置づけ：事業者が配慮すべき安全・透明性・説明責任の枠組み。

  • 学び方：条文暗記ではなく、自社の導入プロセスにどう落とすか（評価・監査・運用体制）。

• AI新法（人工知能関連技術の研究開発及び活用の推進に関する法律）

  • 学習範囲：基本構造／内容／具体的リスク／ガイドラインとの関係。

  • 要点：誰に何が求められるか、適用対象と責任の所在を図解で押さえる。

• 実務ヒント

  • モデル選定～デプロイまでの各段階で、リスクチェックリストを1枚に集約。

  • データ系は「入れる前」「出す前」の2ブロックで検査（入力の機微情報、出力の権利・個人情報・誤情報）。

重点ドリル（第4章）

• 構成：ミニ講義（5分） → 用語カード（24語） → 四択12問

• ねらい：脅威の具体像を言える／個人情報の語彙を説明できる／GLと新法の“射程”を整理できる。

• 使い方

  • まず自分の業務で起こり得る3つのリスク例を箇条書き→ドリルへ。

  • 問題に根拠一言を必ず添えて復習すると、合規の説明が強くなる。

• 所要の目安：20分。

ミニ講義（5分で全体像）

1. インターネット／情報リテラシーの土台
   本章はまず、インターネットを適切に利用する力（テクノロジーの理解・情報リテラシー・セキュリティとプライバシー・デジタル市民権）を定義する。生成AI活用はこの土台の上に成り立つ。

   1. 脅威カタログと“使う前の警戒”
      現実のリスクは具体的。フィッシング（Eメール）／スミッシング（SMS）／ヴィッシング（音声）、マルウェア／ランサムウェア、ソーシャルエンジニアリング、悪意のQR／危険Wi-Fi、アップロードサービス悪用など。生成AIの普及で“生成物を介した脅威”も増えるため、プライバシー設定やアクセス先の妥当性確認が必須。

2. 個人情報と生成AI
   個人情報保護法の語彙（個人情報取扱事業者、個人識別符号、要配慮個人情報、匿名加工情報 等）を押さえ、生成AIへの入力・出力で過剰提供／再識別／第三者提供が起きないよう配慮する。

3. 生成物と権利
   知的財産権（著作権・特許・商標・意匠）、肖像権、パブリシティ権、不正競争防止法、営業秘密、限定提供データなど、生成AIの産出物に関わるルールを俯瞰で理解。

4. AI事業者ガイドライン v1.1 と AI新法
   改訂ポイントは明確：ガイドラインをv1.0→v1.1へ更新し、AI新法（正式名：人工知能関連技術の研究開発及び活用の推進に関する法律）を学習範囲に新設。相互関係（基本構造／具体リスク／事業者の留意）もセットで学ぶ。

用語カード（やさしい定義・24語）

• インターネットリテラシー：ネットを適切に使うための基礎力（技術理解・情報リテラシー・セキュリティ・プライバシー・市民権）。

• 情報リテラシー：情報の真偽・価値を見極め活用する力。

• セキュリティ／プライバシー：安全確保と個人情報の保護。

• デジタル市民権：オンライン空間での権利と責任。

• フィッシング／スミッシング／ヴィッシング：Eメール／SMS／音声でだます攻撃。

• マルウェア／ランサムウェア：悪意のソフト／身代金型の暗号化攻撃。

• ソーシャルエンジニアリング：人の心理をつく攻撃手法。

• 悪意のQR・危険Wi-Fi：偽サイト誘導や情報窃取の起点。

• プライバシー設定：公開・共有・追跡の範囲設定。

• 個人情報取扱事業者：個人情報を扱う主体。

• 個人識別符号：個人を特定できる符号。

• 要配慮個人情報：特に配慮が必要な個人情報。

• 匿名加工情報：再識別が困難な加工データ。

• マスキング：重要情報を伏せる加工。

• 知的財産権：著作権・特許・商標・意匠の総称。

• 肖像権／パブリシティ権：顔等の写り込み・商用価値の権利。

• 不正競争防止法：営業上の公正を守る法律。

• 営業秘密：秘密管理・有用性・非公知性を満たす情報。

• 限定提供データ：契約等で提供範囲が限定されたデータ。

• AI事業者ガイドライン v1.1：2025年改訂の事業者向け指針（本章では位置づけの理解が目的）。

• AI新法：人工知能関連技術の研究開発及び活用の推進に関する法律（基本構造・具体リスク・GLとの関係を学ぶ）。

• 基本構造（AI新法）：目的・推進体制・対象領域などの枠組み。

• 具体的なリスク（AI新法文脈）：安全・倫理・偏見・偽情報などの視点を想定。

章末演習（四択×12問）

Q1. 「インターネットリテラシー」を最も適切に表すのはどれか。
① 通信速度の改善手法の総称／② 検索演算子の暗記のみ／③ 技術理解・情報リテラシー・セキュリティ・プライバシー・市民権の総合力／④ 端末のスペック比較表
正解：③（定義の要素を包括）

Q2. スミッシングの説明として最も近いものはどれか。
① SNS上の誹謗中傷／② SMSを使ったフィッシングの一種／③ 画像圧縮の方式名／④ Wi-Fi暗号方式の別名
正解：②

Q3. 次のうちRISK対策の観点として本章の脅威カタログに含まれないのはどれか。
① 悪意のQRコード／② 危険な公衆Wi-Fi／③ アップロードサービスの詐欺／④ 量子アニーリングの調整
正解：④

Q4. 個人情報保護法の語彙に含まれないものはどれか。
① 個人識別符号／② 要配慮個人情報／③ 匿名加工情報／④ 広告ターゲティングIDの買い取り義務
正解：④

Q5. 限定提供データの理解として最も適切なのはどれか。
① 誰でも自由に使える公開データ／② 著作者人格権が付与されるデータ／③ 契約等により提供範囲が限定されたデータ／④ 暗号化され必ず匿名化されたデータ
正解：③

Q6. 肖像権／パブリシティ権の説明として正しいのはどれか。
① 言語モデルの推論速度に関する権利／② 顔写真の写り方や商用価値に関する権利／③ 特許請求の範囲に関する権利／④ データベースのスキーマ設計の権利
正解：②

Q7. AI事業者ガイドライン v1.1に関する本章の扱いに最も近いのはどれか。
① 条文全文の暗記を求める／② 事業者の位置づけ・基本観点の理解を求める／③ 海外のGDPRだけを学ぶ／④ コンピュータ犯罪の刑法のみを扱う
正解：②（本章は位置づけ・観点の理解）

Q8. AI新法について本章が新設した学習範囲として適切なのはどれか。
① 法の施行規則の全文暗記／② 基本構造・内容・具体リスク・ガイドラインとの関連／③ 罰則条項のみ／④ 研究倫理の海外史のみ
正解：②（学習項目として明示）

Q9. ソーシャルエンジニアリングの例として妥当なのはどれか。
① SQLインジェクションの自動化／② GPUドライバの改変／③ プレテキストを使い信頼を装う行為／④ 量子鍵配送の実験
正解：③（人をだます手法）

Q10. 匿名加工情報の基本理解として正しいのはどれか。
① 権利の放棄が前提の情報／② 再識別が技術的・法的に容易な情報／③ 個人が特定できないよう一定要件で加工した情報／④ 決済情報に限定された概念
正解：③

Q11. 知的財産権に含まれないものはどれか。
① 著作権／② 商標権／③ 意匠権／④ プロバイダ責任制限法
正解：④（知財の枠外）

Q12. Wi-Fiに潜む罠への一般的な対策に最も近いのはどれか。
① 暗号方式のないAPへ積極接続／② 不明なAPでは個人情報入力を避けVPN等で保護／③ 共有SNSで接続情報を公開／④ 不明APに重要ファイルをアップロード
正解：②（安全側の基本動作）※問題文趣旨：危険回避
（※脅威の列挙は本章に明記。対策は一般的な基礎動作として理解。）

【CH5】第5章：テキスト生成AIのプロンプト

ここがポイント（Temperature／Top-p／プロンプト4点セット／Zero/Few-Shot）

• 生成ハイパラ

  • Temperature＝出力多様性、Top-p＝核サンプリング（確率質量上位p）。

• プロンプト4点セット：Instruction（指示）／Context（前提）／Input Data（対象）／Output Indicator（出力条件）。

• 提示スタイル：Zero-Shot（例なし）／Few-Shot（良い例を少数添えて期待フォーマットを暗示）。

• 狙い：再現性の高い“仕様としてのプロンプト”を設計する。

実務テンプレ（校正・要約・整形・対象/話者変更・会話化・比喩化・数値変換）

• 編集チェーン：校正 → 要約 → 体裁整形 → 対象/話者変更 → 会話化 → 比喩化 → 数値変換。

• ビジネス定番：メール／アンケ設計→分析／コピー＆テンプレ／議事アジェンダ／手順分解＆タスク抽出／翻訳・英作文／海外宛文書／ディベート進行／姓名分離・ふりがな／ブレスト／対話型進行。

• 出力インジケータの例：体裁（箇条書き/表）・トーン（丁寧/カジュアル）・語数/厳守事項・言語/地域・対象読者。

不得意と補完（厳密文字数・計算・最新情報・芸術批評→RAG/検算/ツール）

• 不得意領域：厳密な文字数、数値計算、最新版の事実、芸術の価値判断。

• 補完策

  • RAGで社内知識と根拠を付与（“検索→生成”の二段）。

  • 電卓／スプレッドシートで計算結果を確定→生成に合流。

  • 検算・後処理（文字数カウント、語尾統一、NGワード検査）。

  • プロンプトに検証手順を組み込む（例：「出力後に数値の合計を再計算して報告せよ」）。

重点ドリル（第5章）

• 構成：ミニ講義（5分） → 用語カード（20語） → 四択12問

• ねらい：温度/Top-pを言語化できる／4点セットを暗記ではなく“設計”できる／不得意に対する補完策を段取り化できる。

• 使い方

  • まず自分の業務ドキュメント1つを選び、Output Indicatorを具体指定してから演習へ。

  • ミスは“どの要素（Instruction/Context/Input/Output）が弱かったか”で分類して再設計。

• 所要の目安：20分。

ミニ講義（5分で全体像）

1. LM/LLMと温度・Top-p
   LM（言語モデル）→LLM（大規模）へと発展。生成の“ゆらぎ”はTemperature（出力の多様性）とTop-p（確率質量のしきい）で調整する。温度↑やTop-p↑で発散的、温度↓やTop-p↓で保守的。

2. プロンプトの基本構造＝4点セット
   Instruction（指示）／Context（前提）／Input Data（対象データ）／Output Indicator（出力条件）を揃えると再現性が上がる。Zero-Shotは“汎用指示のみ”、Few-Shotは良い例を少数添えて期待フォーマットを暗示する。

3. 実務プロンプティングの代表ワーク
   校正→要約→整形→対象/話者変更→会話化→比喩化→数値置換などの“編集チェーン”を、単発より小ステップ連鎖で回すと品質が安定する。

4. ビジネス応用パターン
   メール・アンケート設計/分析・コピー/テンプレ・議事アジェンダ・手順分解/タスク抽出・翻訳/英作文・海外向け文書・ディベート・姓名分離/ふりがな・ブレスト・対話型進行は“すぐ使える”基本メニュー。

5. 不得意領域と補完
   厳密な文字数は後処理カウント＆再指示、計算は電卓/スプレッドシート連携、最新情報はRAGや検索併用、芸術批評は主観の幅を前提条件化する。まず不得意を認識して設計するのが鉄則。

用語カード（やさしい定義・20語）

• LM／LLM：言語モデル／大規模言語モデル。

• ハイパーパラメータ：学習/生成過程で外から設定する値（例：Temperature, Top-p）。

• Temperature：出力の多様性制御（高→多様、低→確定寄り）。

• Top-p（核サンプリング）：確率上位pの候補から生成。

• プロンプト／プロンプトエンジニアリング：指示文設計・改善の総称。

• Instruction：モデルにさせたいことの明示。

• Context：背景・前提・制約。

• Input Data：処理対象の原文/データ。

• Output Indicator：出力形式・トーン・制約。

• Zero-Shot／Few-Shot：例なし／少数例ありの提示法。

• 校正／要約／整形：誤字訂正・凝縮・体裁/書式の整え。

• 箇条書き⇄散文：箇条書きを文章化／文章を箇条書き化。

• 対象/話者変更：読者層や話者設定を切り替える。

• 会話化：文章を対話形式へ。

• 比喩化（例え話）：抽象概念を身近な例で説明。

• 数値変換：単位変換・丸め等の数字加工。

• タスク分解／抽出：手順を分解し、タスクを列挙。

• 姓名分離／ふりがな付与：文字列処理系の小タスク。

• ブレインストーミング：多案発散の生成。

• 不得意領域：厳密文字数・計算・最新情報・芸術批評。

章末演習（四択×12問）

Q1. プロンプトの4点セットに含まれるものはどれか。
① Instruction・Context・Input Data・Output Indicator／② Instruction・Loss・Epoch・Batch／③ Context・Optimizer・LR・Seed／④ Input・Top-p・Temperature・Beam
正解：①（本章の基本構造）

Q2. Temperatureの理解として最も近いのはどれか。
① 出力の多様性を制御する指標／② 学習率の別名／③ 入力埋め込みの次元数／④ 勾配クリッピングの閾値
正解：①

Q3. Top-pの説明として適切なのはどれか。
① 上位p%の確率質量を含む候補から生成／② ビーム幅pで探索／③ p個の候補を同確率で抽選／④ pはプロンプト長の略
正解：①

Q4. Zero-ShotとFew-Shotの違いとして適切な記述はどれか。
① Zeroは例示あり、Fewは例示なし／② Zeroは例示なし、Fewは少数の良い例を提示／③ どちらも例示必須／④ どちらも例示禁止
正解：②

Q5. 以下のうち実務プロンプティングに含まれるものはどれか。
① 逆畳み込みの実装／② 文章の校正・要約・会話化／③ 量子回路の合成／④ 画像の補間アルゴ
正解：②

Q6. ビジネス応用として本章に挙がるものはどれか。
① 乱数表の生成のみ／② GPUクロック調整／③ アジェンダ作成・手順分解とタスク抽出・翻訳／④ BIOS設定の自動化
正解：③

Q7. 「姓名分離・ふりがな付与」は本章ではどのカテゴリに近いか。
① 文字列処理の小タスク群／② 画像拡散の前処理／③ モデル評価指標／④ 暗号鍵管理
正解：①

Q8. 対話型進行（質問させながら一緒に進める）の狙いに近いのはどれか。
① モデルの学習を再開する／② 推論ハードを交換する／③ ステップごとに確認し認知負荷を下げる／④ 乱数Seedを固定する
正解：③

Q9. 不得意領域として本章が挙げるものはどれか。
① 最新情報・厳密な文字数・計算・芸術批評／② 行列積・逆行列・固有値分解／③ 画像の畳み込み・プーリング／④ 暗号化・復号
正解：①

Q10. メール作成や海外企業宛の文書作成を効率化する設定として適切なのはどれか。
① 出力インジケータで敬称・体裁・言語/地域を指定／② 温度だけ最高にする／③ 例示を一切禁じる／④ コンテキストを空にする
正解：①（Output Indicatorを設計）

Q11. アンケート項目の作成→分析を行う際の“型”として最も近いのはどれか。
① まず生成した後、設問の尺度・網羅性を見直しFew-Shotで改善／② 温度を0にして無指示生成／③ 対話を禁止する／④ 出力を常に1文に制限
正解：①（Few-Shotで例示→改善）

Q12. 比喩化（例え話）を使う目的として最も適切なのはどれか。
① 生成を遅くするため／② 誤字を増やすため／③ 抽象概念の理解を助けるため／④ 出力言語を固定するため
正解：③

要点（第1〜第5章の横断まとめ）

第1章：AI（人工知能）の基礎

• 定義：AI＝「知能的行動を示すシステム」。ロボットの有無は本質ではない（AI≠必ずしもロボット）。

• 二つの仕組み：①ルールベース／②機械学習（教師あり・教師なし・強化・半教師あり）。過学習は正則化・ドロップアウト等で抑制、転移学習で少データでも適用を加速。

• ANIとAGI：現実は特定タスクのANIが中心。AGIは汎用AIの概念。

• 歴史と語彙：第一次→第二次（エキスパートシステム）→第三次（DL/ビッグデータ）。シンギュラリティは技術的特異点の仮説。

第2章：生成AI（モデルの系譜／ChatGPTと他モデル）

• 系譜の地図：BM/CBM → VAE（潜在） → GAN（生成器×識別器） → RNN/LSTM → Transformer（自己注意・位置エンコーディング） → BERT/GPT。

• BERT vs GPT：BERT＝MLM/NSPで理解寄り、GPT＝自己回帰で生成寄り。

• ChatGPTの歴史と語彙：GPT-1→2→3→3.5→4→4o／o1／o3／o4／4.1／5、RLHF、Code Interpreter、GPTs、Operator／Codex／Image Generation。

• 他社主要モデル：Gemini／Claude／Copilot。

第3章：現在の生成AIの動向（できること／RAG／エージェント）

• できること（生成物）：テキスト／画像／音楽／音声／動画。動画例：Sora／Runway Gen-3／Luma Dream Machine／Veo3。

• ディープフェイク：偽情報と結びつくリスクを理解。

• RAG（検索拡張生成）：チャンク→埋め込み→ベクトルDB→検索→生成で、幻覚抑制・最新性・根拠提示を強化。※2025/10/1改訂で新規項目。

• AIエージェント：計画→実行→観察のループで外部ツール連携。MCPによる外部接続も射程。※2025/10/1改訂で新設。

第4章：情報リテラシー／ガイドライン／AI新法

• インターネット・情報リテラシー：技術理解・情報リテラシー・セキュリティ＆プライバシー・デジタル市民権。

• 典型的脅威：フィッシング／スミッシング／ヴィッシング、マルウェア／ランサム、ソーシャルエンジニアリング、悪意のQR、危険Wi-Fi、アップロード詐欺、生成AIに潜む脅威。

• 個人情報保護の語彙：個人情報取扱事業者、個人識別符号／要配慮個人情報、匿名加工情報 等。

• 権利とデータ：知的財産、営業秘密、限定提供データ 等を俯瞰。

• 改訂要点：AI事業者ガイドライン v1.1への更新とAI新法（2025年交付）の新設（必要性／基本構造／内容／具体的リスク／GLとの関連）。

第5章：テキスト生成AIのプロンプト

• LM/LLMと生成ハイパラ：Temperature（多様性）／Top-p（核サンプリング）。

• プロンプトの4点セット：Instruction／Context／Input Data／Output Indicator。Zero-Shot／Few-Shotで再現性UP。

• 実務メニュー：校正・整形・要約・箇条書き⇄散文・対象/話者変更・会話化・比喩化・数値変換。

• ビジネス応用：メール、アンケ設計/分析、コピー/テンプレ、アジェンダ、手順分解/タスク抽出、翻訳/英作文、海外宛文書、ディベート、姓名分離・ふりがな、ブレスト、対話型進行。

• 不得意と補完：正確な文字数／計算／最新情報／芸術の批評は弱い→RAG・外部ツール・検算で補強。

用語クイックチェック（20問）

各問、正しいものを1つ選んでください（①〜④）。
（配点均等・難易度：基礎〜中級）

Q1. 「AI」の最も適切な説明は？
① 知能的行動を示すシステム　② 人型ロボット全般　③ OSの別名　④ GPUの規格名

Q2. 過学習対策として代表的なのはどれ？
① 乱数シード固定　② 正則化やドロップアウト　③ バッチサイズ増加のみ　④ 学習率を無限小にする

Q3. Transformerの要素で“文中の関連度に基づき重み付け”する仕組みは？
① 畳み込み　② LSTM　③ 自己注意（Self-Attention）　④ プーリング

Q4. BERTとGPTの組み合わせで正しいのは？
① BERT＝生成／GPT＝理解　② 両方とも理解専用
③ BERT＝理解／GPT＝生成　④ 両方とも生成専用

Q5. RAGの基本ブロックに含まれないものは？
① チャンク化　② ベクトルDB　③ 検索→生成の流れ　④ 量子アニーリング

Q6. ベクトルデータベースの役割は？
① 画像の画素を二次元配列で格納　② 意味ベクトルで格納し近傍検索
③ データの暗号化のみ　④ CPU温度の監視

Q7. MCPに最も近い理解は？
① 画像圧縮方式　② OSの権限管理API　③ 外部システム連携の仕組み（語彙）　④ 乱数生成器

Q8. ディープフェイクの説明として正しいのは？
① データ拡張の一種　② 低解像度補間　③ 深層学習で作成・改変した偽映像/音声　④ ノイズ除去

Q9. Temperatureの役割は？
① 出力の多様性を調整　② モデルの層数　③ 学習率　④ 入力長の上限

Q10. Top-pは何を制御？
① バッチの個数　② 確率質量上位pからの生成　③ トークン長　④ 勾配のノルム

Q11. Zero-ShotとFew-Shotの違いは？
① Zero＝例示あり／Few＝例示なし　② Zero＝例示なし／Few＝少数の良い例を提示
③ 両方とも例示必須　④ どちらも例示禁止

Q12. 本シラバスのビジネス応用に含まれるのは？
① BIOS設定の自動化　② アジェンダ作成や手順分解・翻訳　③ 量子鍵配送　④ GPUクロック管理

Q13. ANIの説明として最も適切なのは？
① 汎用AI　② 人の監督無しのAI　③ 特定タスク特化のAI　④ 自己意識を持つAI

Q14. ChatGPTの“指示追従性”を高めた技術は？
① PCA　② RLHF　③ K-means　④ Early Stopping

Q15. 第3章の動画生成の例で適切な組は？
① Sora・Runway Gen-3・Veo3　② ResNet・ALBERT・Chinchilla
③ Whisper・Tacotron・TTS　④ CUDA・ROCm・oneDNN

Q16. 個人情報保護の語彙に含まれないのは？
① 要配慮個人情報　② 匿名加工情報　③ 個人識別符号　④ 量子耐性鍵

Q17. パブリシティ権の要旨に近いのは？
① 統計値の著作権　② 特許の存続期間　③ 肖像・氏名等の商業的価値の管理　④ 情報銀行の契約

Q18. 改訂点として正しいのは？
① GLはv1.0のまま　② GLをv1.1へ更新しAI新法の項目を新設　③ GDPRだけに限定　④ 変更なし

Q19. AI新法の学習範囲に含まれるのは？
① 罰則条項の暗記のみ　② 基本構造・内容・具体リスク・GLとの関連　③ 海外倫理史のみ　④ 施行規則全文

Q20. RAGの主な効用は？
① 計算速度の向上　② 画質改善　③ 幻覚抑制・最新性確保・根拠提示　④ モデル圧縮

解答
1① / 2② / 3③ / 4③ / 5④ / 6② / 7③ / 8③ / 9① / 10② / 11② / 12② / 13③ / 14② / 15① / 16④ / 17③ / 18② / 19② / 20③

出典
・生成AIパスポート試験シラバス2026（2026年2月適用）
・改訂のお知らせ（2025-10-01掲載）

ご利用にあたって

本記事は、一般社団法人 生成AI活用普及協会（GUGA）が公開する「生成AIパスポート シラバス（2026年2月適用）」を参照し、出題範囲の理解促進を目的に筆者が独自に作成した非公式の解説・演習です。GUGAならびに「生成AIパスポート」試験の実施機関とは一切関係ありません。
掲載する出題形式・選択肢・難易度・解説は実際の試験と異なる場合があり、正確性・網羅性・最新性は保証されません（本記事には 2025-10-01 時点の情報を含みます）。合格を保証するものではありません。
本資料の利用によって生じたいかなる結果・損害についても、制作者は責任を負いません。商標は各社に帰属します。引用は出典明記・リンク付きに限り可とし、無断転載はご遠慮ください。

公式サイト

作成記事リンク