CHAPTER 02 / REVIEW
生成AIの仕組み
生成AIが答えを作る仕組みと、現在の主要サービスを理解します。
15問毎回順番が変わります。満点後も何度でも挑戦できます。
QUESTION 01同じ千文字程度の文章でも、使用するモデルや表記によって処理量が変わる主な理由はどれですか。
モデルは文章をトークンへ分けて処理します。分割規則はモデルや表記によって異なるため、文字数とトークン数は一対一ではありません。
文字数が多いほど必ず一文字だけになるから: 一文字が一トークンになるとは限らず、複数文字や単語の一部、記号などにも分かれます。
モデルごとの分割規則で、文字列や記号が異なる単位へ分かれるから: トークナイザーの違いによって、同じ文章でも数え方が変わります。
日本語は数値へ変換されないから: 日本語もトークンへ分けられ、モデルが扱える数値表現へ変換されます。
文章の意味が正しければ処理量がゼロになるから: 内容の正しさとは別に、入力と出力は計算単位として数えられます。
QUESTION 02Microsoft 365 Copilotが組織情報を参照する仕組みを安全に運用するため、導入前に優先して行うことはどれですか。
Microsoft 365 Copilotは利用者がアクセスを許可された情報で回答をグラウンディングします。既存権限が広過ぎると、不要な情報まで見つけやすくなります。
利用者が持つファイルやグループの権限を棚卸しし、過剰共有を修正する: 既存の情報境界を整えてから生成AIの検索力を加える適切な準備です。
全社員の権限を管理者権限へ引き上げる: 取得できる秘密を増やし、最小権限の原則に反します。
根拠資料を示さない設定にする: 出力から正本へ戻りにくくなり、確認可能性を下げます。
モデル名だけを確認し、接続先は調べない: 情報漏えいの範囲は、モデル名だけでなく接続先と利用者権限に左右されます。
QUESTION 03長い動画から重要な決定事項を確認するとき、最も適切な方法はどれですか。
動画は映像・音声・時間順で意味が構成されるため、要約から原場面へ戻れる記録を残します。
動画全体を渡した事実だけで、全場面が均等に扱われたと判断する: 入力範囲に入っていても、すべてが同じ強さで正確に使われるとは限りません。
音声を使わず、最初の一枚だけで内容を確定する: 発言や後の場面を落とし、動画全体の意味を確認できません。
要約に時刻や話者を付け、重要事項を元動画の該当場面で確認する: 要約と原資料を対応させ、誤りや欠落を検証できます。
生成された要約が短ければ、欠落はないと考える: 短さは網羅性や正確さの証拠ではありません。
QUESTION 04出力形式と分類基準が曖昧で、回答が毎回ばらついています。最初の改善として最も適切なものはどれですか。
まず軽く戻しやすいプロンプト改善を試し、同じ問題で効果を測ります。その後、残る誤りの種類に応じて次の方法を選びます。
目的・基準・形式・例を明示した指示を同じ評価セットで試す: 既存能力を仕事へ向ける最小の変更で、効果も比較できます。
機密データを無条件で学習へ追加する: 利用目的、権利、個人情報、保存条件を確認せず学習へ使うのは危険です。
正解例を作らずモデル名だけで選ぶ: 自社用途の評価がなければ、改善や重大な失敗を判断できません。
検索件数を最大にして形式指定をやめる: 知識検索と出力形式は別の問題で、無関係な資料が増える危険もあります。
QUESTION 05生成AIサービスを仕事へ採用する前の比較方法として最も適切なものはどれですか。
確率的な出力と実務条件を考慮し、同じテストと採点基準で再現可能な比較を行います。
代表例と危険例を同じ条件で複数回試し、品質・修正時間・安全性を記録する: 一回の印象ではなく、用途に即した証拠で比較できます。
有名なサービスを一度試し、読みやすければ採用する: 知名度と一度の流ちょうな出力だけでは業務適合性を判断できません。
回答速度だけを測り、内容は評価しない: 速くても誤りや修正負担が大きければ導入価値は下がります。
モデル名が新しければ利用条件を確認しない: データ利用、共有範囲、費用などの条件はモデルの新しさと別に確認します。
QUESTION 06コンテキストウィンドウについて、最も適切な説明はどれですか。
文脈枠は現在の処理へ載せられる情報量です。学習済み知識の総量や表示欄の大きさではなく、枠内の完全理解も保証しません。
モデルが学習した全知識の保存容量だけを示す: 学習時の知識量ではなく、現在の一回の処理で参照する範囲です。
画面に表示できる文字数だけを示す: 画面表示とは別で、サービス側の指示やツール結果も枠を使う場合があります。
一回の処理で参照する指示・履歴・資料・出力などの情報量の枠を示す: 現在の入力と出力を扱う範囲を正しく表しています。
枠内のすべてを均等かつ正確に理解する保証を示す: 枠へ入ることは、見落としや矛盾がないことを保証しません。
QUESTION 07同じ質問への回答が利用のたびに少し変わりました。原因として最も適切なものはどれですか。
サンプリング、会話履歴、検索結果、設定、モデル更新などで、同じ質問でも出力は変わり得ます。
必ずモデルが壊れている: 確率的な候補選択による変化は、直ちに故障を意味しません。
候補の選び方や会話履歴などの条件が変わり得る: 回答の変動を生む代表的な要因です。
質問文が保存されるとパラメータが毎回倍になる: 通常の推論でモデルのパラメータ数が毎回増えるわけではありません。
言語モデルは確率を一切使わない: 次の候補ごとの確率を計算して出力を選びます。
QUESTION 08社内でAIの用途を整理するとき、生成AIに当たるものはどれですか。
生成AIは、学習したパターンと現在の入力を使い、新しい文章や画像などの内容を組み立てます。
依頼条件に合わせて新しい説明文の下書きを作る: 入力に応じて新しい内容を生成する代表例です。
登録済みの社員番号を完全一致で検索する: 保存済みの記録を探す処理であり、新しい内容を作る生成とは異なります。
決められた税率で金額を計算する: 明示された式による計算で、生成モデルを必要としません。
温度が基準を超えたら警報を鳴らす: あらかじめ決めた条件に従うルールベースの処理です。
QUESTION 09マルチモーダルAIの説明として、最も適切なものはどれですか。
複数の情報形式を一つの処理や会話で扱えることを指しますが、各形式の完全な正確さまでは保証しません。
文章だけを必ず一字一句保存する仕組み: 複数形式を扱う能力の説明ではなく、完全保存もマルチモーダルの目的ではありません。
どんな素材でも誤りなく処理する保証: 解像度、雑音、長さ、モデル性能などによる制約と誤りが残ります。
画像を受け取れば必ず画像だけを返す機能: 画像入力から文章出力など、入力と出力の形式が異なる使い方もあります。
文章・画像・音声など複数形式を扱い、形式間の関係や変換に利用できる能力: マルチモーダルの基本的な意味を表しています。
QUESTION 10検索拡張を導入した後も、回答が必要な規程を引用できません。切り分けとして最初に確認することはどれですか。
RAGでは検索と生成を分けて評価します。必要箇所が取得されていなければ、生成側を直す前に分割、索引、質問表現、版管理を確認します。
回答文の丁寧さだけを採点する: 文体が良くても、根拠が取得されていなければ正しい回答にはなりません。
学習済み知識が多いので放置する: モデル内部の知識だけでは、現行規程の版と引用を保証できません。
必要な文書断片を検索段階で取得できたか確認する: 検索失敗と生成失敗を分ける、適切な診断です。
同じ誤答を正解例として追加する: 誤りを学習へ取り込み、問題を悪化させます。
QUESTION 11人のフィードバックを使った調整について、最も適切な説明はどれですか。
RLHFでは人の比較評価を報酬信号へ利用します。指示への適合を改善できますが、事実性、安全性、価値の一致が完全になるわけではありません。
人が一度評価すれば、以後の全回答が事実になる: 人の評価にも誤りがあり、未知の質問まで真偽を保証する仕組みではありません。
利用者の会話が即座に専用モデルへ変わる: 会話履歴や保存情報の参照と、モデルの追加学習は別の処理です。
評価者の好みは文化や基準の影響を受けない: 何を望ましいとするかは、評価者、指示、文化、利用場面の影響を受けます。
複数出力の比較から報酬の手掛かりを作り、望ましい応答へ調整するが、完全性は保証しない: RLHFの流れと限界の両方を表した説明です。
QUESTION 12最新の社内規程に基づく回答をチャットAIで作る運用として、最も適切なものはどれですか。
生成能力や指示追従は、現在の事実を保証しません。変わる情報は正本から取得し、根拠と人の承認で確認します。
事前学習済みなので、規程の改定日を確認しない: 学習後の改定や旧版の混在へ対応できず、現在性を保証できません。
会話が長ければ最新情報も自動で含まれると考える: 会話量と情報の最新性は別で、正しい資料を明示して取得する必要があります。
施行中の正本を取得し、版と引用箇所を示し、重要回答を人が承認する: 現在の根拠、追跡可能性、責任ある承認をそろえた運用です。
RLHFという名称があれば、根拠なしでも自動送信する: RLHFは事実の保証や公開責任の代替ではありません。
QUESTION 13チャットAIと生成AIの関係を説明するものとして最も適切なのはどれですか。
生成AIは内容を作る技術の範囲、チャットAIはそれを会話形式で使うサービスや画面です。
両者は必ず同じ製品名を指す: 技術分野と利用サービスを混同しています。
生成AIは会話履歴を持つ画面だけを指す: 生成AIには画像・音声・コード生成など、会話画面以外の利用もあります。
チャットAIは生成とは無関係な検索専用装置である: 検索を組み合わせる場合はありますが、回答生成の中核とは区別します。
チャットAIは生成モデルへ会話や検索などの機能を組み合わせた利用形態である: モデル、画面、追加機能を正しく分けた説明です。
QUESTION 14生成AIを比較する台帳で、最初に分けて記録すべき組み合わせはどれですか。
同じブランドでも、内部モデル、使える機能、契約、データ処理条件が異なります。五つの層を分けると、品質と安全条件を正しく比較できます。
ロゴの色・広告の長さ・発表会場・会社の設立月: 製品の見た目や広報情報であり、実際の能力やデータ境界を特定できません。
提供会社・サービス・モデル・機能・プラン: 誰が提供し、どの製品で、何が中核となり、どの機能と契約条件を使うかを区別する適切な整理です。
回答の文字数・画面の背景・会社名の順番・利用者の年齢: 一部は使いやすさに関係しても、モデルと契約の混同を解消する分類ではありません。
最初に出た回答・二回目の回答・最後の回答・感想だけ: 回答例だけでは、接続先、権限、保存、学習利用などの運用条件を確認できません。
QUESTION 15広告用の商品画像を生成したところ、ラベルの文字と容量が崩れていました。最も適切な対応はどれですか。
画像生成は見た目の案には強くても、文字、寸法、商品仕様の正確さを保証しません。公式素材との照合が必要です。
正式な商品写真・仕様表と照合し、誤った文字や数値を修正して承認を得る: 商品事実を原資料で確定し、公開責任を人が持つ手順です。
全体の雰囲気が良ければ、そのまま実物写真として公開する: 生成物を実物記録のように見せると、顧客へ誤情報を伝えるおそれがあります。
画像生成は数字を必ず正確に描くので確認しない: 画像内の文字や厳密な数値は崩れることがあり、保証されません。
同じ指示で別画像を一枚作れば、最初の画像も正しいとみなす: 別の生成結果は、正式な仕様を確認する独立した根拠になりません。
章末テスト
第2章・定着テスト
0/ 15