G検定「画像認識・物体検出・セグメンテーション・自然言語処理・Transformer・BERT・GPT・基盤モデル・生成モデル（GAN・VAE・拡散モデル）・強化学習の応用・自動運転・AIの社会実装（PoC・MLOps・XAI）」の練習問題9問です。解けなかった問題は、各問の解説末尾のリンクから対応する解説記事に進んでください。
Q1. 画像認識における「物体検出（object detection）」の説明として、もっとも適切なものはどれですか？
回答
解説
正解は「B」です。
物体検出は、1枚の画像の中にある複数の物体それぞれについて、「どこにあるか（位置）」を四角い枠（バウンディングボックス）で示し、「何か（種類）」を判定するタスクです。代表的な手法に YOLO や SSD などがあります。
A は画像1枚に1つのラベルを付ける「画像分類」、C は画素単位で塗り分ける「セグメンテーション」の説明です。D は画像生成のタスクで、いずれも物体検出とは異なります。
Q2. 画像を1画素単位で「ここは人」「ここは道路」のように塗り分けるタスクを何と呼びますか？
回答
解説
正解は「A」です。
セマンティックセグメンテーションは、画像を画素（ピクセル）単位で「人」「道路」「空」などのクラスに塗り分けるタスクです。物体の輪郭まで細かく区別できるため、自動運転で道路や歩行者を把握する場面などで使われます。
B の画像分類は画像1枚に1ラベルを付けるだけ、C の物体検出は四角い枠で位置を示すだけで画素単位では塗り分けません。D の外れ値検出は、ふつうと大きく違うデータを見つける別のタスクです。
Q3. 自然言語処理で広く使われる「Transformer」の中心的な仕組みとして、もっとも適切なものはどれですか？
回答
解説
正解は「C」です。
Transformerは、2017年に提案された深層学習モデルで、文中のどの単語に注目すべきかを重みづけするアテンション（注意機構）を中心に据えているのが特徴です。これにより離れた語どうしの関係も捉えやすく、現在の大規模言語モデルの土台になっています。
A は画像向けの CNN の説明、B は RNN のように逐次処理する従来手法の説明で、Transformer はこの逐次処理に縛られない点が利点です。D はルールベースの古い手法で、学習を中心とする Transformer とは異なります。
Q4. 「BERT」と「GPT」の違いについての説明として、もっとも適切なものはどれですか？
回答
解説
正解は「D」です。
BERT と GPT は、どちらも Transformer をもとにした言語モデルです。BERT は文の前後両方の文脈を見て理解する設計で、分類や質問応答など「読み取る」タスクを得意とします。GPT は前の語から次の語を予測しながら文章を続けていく設計で、文章生成を得意とします。
A は対象とするデータ、B はルールベースと言い切る点、C は両者の役割を逆にしている点で、いずれも誤りです。
Q5. 近年注目される「基盤モデル（ファウンデーションモデル）」の説明として、もっとも適切なものはどれですか？
回答
解説
正解は「B」です。
基盤モデル（ファウンデーションモデル）とは、大量で多様なデータを使って広く事前学習しておき、その後さまざまな下流タスクに応用できる土台となる大規模モデルのことです。1つの大きな土台を作っておき、用途に合わせて調整して使う考え方で、料理の出汁のように多くの料理に応用できるイメージに近いものです。
A は規模が小さく用途も限定的な点、C は学習を行わない点、D は応用や調整ができないと言い切る点で、いずれも基盤モデルの特徴とは異なります。
Q6. 画像などを生成する「拡散モデル（ディフュージョンモデル）」の基本的な考え方として、もっとも適切なものはどれですか？
回答
解説
正解は「A」です。
拡散モデルは、もとのデータに少しずつノイズを加えてぼやけさせていく過程を学習し、その逆をたどって、ノイズだらけの状態から少しずつきれいなデータを復元していくことで新しい画像などを生成します。霧の中から少しずつ絵が浮かび上がってくるようなイメージです。
B は別の生成手法である GAN（敵対的生成ネットワーク）の説明です。C のコピーや D の決まった塗り分けは、新しいデータを生み出す生成モデルの仕組みとは異なります。
Q7. 囲碁で世界トップ級の棋士に勝利した「AlphaGo」に主に使われた技術として、もっとも適切なものはどれですか？
回答
解説
正解は「D」です。
AlphaGoは、ディープラーニングと強化学習を組み合わせて作られた囲碁 AI です。強化学習とは、試行錯誤を繰り返しながら、より高い報酬につながる行動を学んでいく仕組みで、AlphaGo は自己対局を重ねて強くなりました。2016年にトップ棋士に勝利し、大きな話題になりました。
A は単なる表引きで学習を伴わない点、B の言語モデルや C のセグメンテーションは別分野の技術である点で、いずれも AlphaGo の中心技術の説明としては適切ではありません。
Q8. AI を業務に導入する際に行われる「PoC（概念実証）」の説明として、もっとも適切なものはどれですか？
回答
解説
正解は「C」です。
PoC（概念実証 / Proof of Concept）とは、本格的に導入する前に、小規模な試作や試験運用を通じて「その技術が本当に役立つか」「実現できそうか」を確かめる取り組みです。AI プロジェクトでは、いきなり本番導入せず PoC で効果を見極めるのが一般的です。
A は検証を飛ばした本番導入、B は個人情報の販売という別の話、D は性能チューニングの話で、いずれも PoC の説明としては適切ではありません。
Q9. AI の社会実装で重視される「XAI（説明可能なAI）」の説明として、もっとも適切なものはどれですか？
回答
解説
正解は「A」です。
XAI（説明可能なAI / eXplainable AI）とは、AI がなぜその判断や予測に至ったのかを、人が理解できる形で示そうとする考え方や技術のことです。ディープラーニングは判断の根拠が分かりにくい「ブラックボックス」になりがちなため、医療や金融など重要な場面で信頼を得るうえで重視されています。
B の高速化、C の暗号化、D のモデル軽量化は、いずれも別の目的の技術で、判断の根拠を説明する XAI とは異なります。
試験全体の流れを俯瞰したい時は、G検定 試験全体概要 に戻れます。
