QUESTION 01AI・機械学習・深層学習・生成AIの関係として、最も適切な説明を1つ選んでください。
AIは技術分野全体を表す大きな呼び名です。機械学習はAIを実現する方法、深層学習は機械学習の一種、生成AIは新しい内容を作るAIの一分野です。ChatGPTは生成AIを会話形式で利用するサービスです。
生成AIはAI全体の一分野で、深層学習などの技術が使われる: AIが最も広い概念です。生成AIはAIの一分野で、その実現に深層学習などが使われます。
AIと生成AIは、名前が違うだけで同じもの: 生成AIはAI全体の一部です。予測・分類・異常検知など、生成を目的としないAIもあります。
深層学習は機械学習より広い分野: 関係が逆です。深層学習は、多層のニューラルネットワークを使う機械学習の一種です。
ChatGPTはAIという技術分野そのもの: ChatGPTは生成AIを会話形式で利用するサービスです。AI全体を指す名前ではありません。
QUESTION 02飲食店の売上が前週より10%以上下がったら、必ず担当者へ警告する仕組みを作ります。最も適した方法はどれですか。
条件と処理が明確なので、ルールベースが適しています。新しいAI方式が登場しても、料金計算や承認条件など、必ず同じ規則を守らせたい場面ではルールベースが有効です。
人が条件を決めて、その条件どおりに動かす: 数値条件と実行内容が明確なので、ルールベースで確実に処理できます。
過去の文章から次の単語を予測させる: 文章生成の仕組みであり、決められた売上条件の判定には不要です。
画像の特徴を何層にも分けて学習させる: 画像認識などに使う深層学習の説明で、今回の数値条件とは目的が違います。
利用者との会話から目的を自由に変更させる: 目的を変えさせる必要はなく、決めた条件を確実に守ることが重要です。
QUESTION 03学習用データから見つけたパターンを保持し、新しい入力に対して予測や生成を行う中核部分を何と呼びますか。
モデルは、学習データから得たパターンや関係を計算に使える形で保持したものです。ChatGPTの会話画面などのサービスと、その内部で結果を作るモデルは分けて考えます。
モデル: 学習データから得たパターンを保持し、予測や生成を担う中核部分です。
サービス画面: 利用者が操作する入口です。画面の奥でモデルが入力を処理します。
学習用データそのもの: モデルを作る材料です。学習後のモデルそのものとは区別します。
プロンプト: モデルに渡す指示や入力です。学習結果を保持する中核部分ではありません。
QUESTION 04学習済みの生成AIへ質問を入力し、その場で回答を作らせています。このとき実行されている工程はどれですか。
学習済みモデルへ新しい入力を渡し、予測や生成の結果を得る工程が推論です。普段の会話で質問するたびに、モデル全体を一から学習し直しているわけではありません。
推論: 学習済みモデルに新しい入力を渡し、予測や生成の結果を得る工程です。
事前学習: 大量のデータから基礎的なパターンを学ぶ、利用前の学習工程です。
正解ラベルの作成: 教師あり学習用のデータに、人が正解情報を付ける作業です。
学習データの収集: モデルを学習させる材料を集める工程で、回答を作る工程ではありません。
QUESTION 05生成AIの回答が自然で読みやすくても、重要な事実を別に確認する必要があるのはなぜですか。
生成AIは、入力と学習したパターンから適切そうな内容を組み立てます。文章の自然さは高くても、すべての内容を一次情報と照合して保証しているわけではありません。
自然な文章を作ることと、事実を保証することは別だから: 文章として自然な候補を作る能力と、内容の真偽を保証する仕組みは別です。
生成AIは短い文章しか学習していないから: 学習データには長い文章も含まれます。文章の長さが、誤りの根本原因ではありません。
生成AIは入力された文章をそのまま表示するだけだから: 入力を単純に再表示するのではなく、学習したパターンを使って出力を生成します。
会話形式のサービスでは検索機能を一切使えないから: 検索機能を使えるサービスもあります。ただし検索できても、出典と内容の確認は必要です。
QUESTION 06過去のメールに「迷惑」「通常」という正解を付け、新しいメールをどちらかに分けたい場合、最も適した学習方法はどれですか。
入力と正解ラベルの組から、新しい入力の答えを予測するのが教師あり学習です。この場合は答えがカテゴリーなので、分類の問題でもあります。
教師あり学習: 入力と「迷惑・通常」という正解ラベルの組を使うため、教師あり学習です。
教師なし学習: 正解ラベルを使わず、似たデータの構造を探す場合に使います。
強化学習: 行動後の報酬を手掛かりに学ぶ方法で、今回の正解付き分類とは異なります。
ルールを持たない無作為な処理: 無作為に分けても過去の正解から傾向を学べず、未知メールの分類性能は改善しません。
QUESTION 07購入履歴を使い、まだ名前の付いていない「似た買い方をする顧客のまとまり」を見つけたい場合、最も適した方法はどれですか。
正解ラベルがない状態で、データの似ている度合いからまとまりを探すため、教師なし学習のクラスタリングが候補になります。見つけたグループの意味は人が確認します。
教師なし学習によるクラスタリング: 正解のないデータから似た特徴のグループを探す目的に合います。
教師あり学習による回帰: 回帰は正解となる連続数値を予測する課題で、名前のない集団発見とは異なります。
強化学習による報酬最大化: 行動と報酬を繰り返す問題ではなく、既存データの構造を探す課題です。
人が全顧客へ正解ラベルを付けるだけ: まだ正解グループが決まっていないため、先に似た構造を探すことが目的です。
QUESTION 08ロボットが迷路を進み、ゴールで加点、壁への衝突で減点されながら、より良い進み方を覚えます。この学び方はどれですか。
行動の結果として得る報酬やペナルティを手掛かりに、長期的な得点を増やす行動を学ぶのが強化学習です。
強化学習: 行動後の加点・減点を手掛かりに、将来の得点を増やす進み方を学びます。
教師あり学習: 各場所での正解行動を毎回ラベルとして教えているわけではありません。
教師なし学習: データのまとまりを探すのではなく、行動を選び報酬を得る課題です。
単純な並べ替え: 順番を整理するだけでは、行動結果から方策を改善できません。
QUESTION 09部屋の広さ・築年数・駅までの距離から、家賃という数値を予測します。教師あり学習のどの課題に当たりますか。
答えが「高い・安い」の種類ではなく、家賃という連続する数値なので回帰です。分類は、あらかじめ決めたカテゴリーを予測します。
回帰: 家賃という連続する数値を予測するため回帰です。
分類: 「高額・標準・低額」のような種類を当てるなら分類ですが、今回は金額そのものを予測します。
クラスタリング: 正解なしで似た物件群を探す方法で、正解家賃を使う数値予測とは異なります。
報酬設計: 行動結果の得点を決める強化学習の要素で、今回の課題ではありません。
QUESTION 10動画サービスが「クリック数」だけを高得点にした結果、刺激の強い動画ばかり勧めるようになりました。最も重要な改善はどれですか。
AIは設定された報酬を増やそうとします。人の本当の目的を一つの数字で表し切れないため、複数の評価と安全上の制約を組み合わせます。
満足度・安全性・長期利用なども評価へ入れる: クリック以外の本来の目的を報酬と制約へ反映します。
クリック数の得点をさらに大きくする: 現在の偏りを強め、刺激の強い推薦をさらに増やす可能性があります。
人の確認をなくして試行回数を増やす: 問題のある報酬のまま自動化を強めると、望まない行動も拡大します。
動画の内容に関係なく同じ得点を与える: 行動の良し悪しを学ぶ手掛かりがなくなり、改善できません。
QUESTION 11ニューラルネットワークが学習するとき、中心的に調整されるものはどれですか。
学習では、予測と正解の差が小さくなるように、多数の重みを少しずつ調整します。
各入力の影響度を表す多数の重み: 重みは入力をどれだけ強く見るかを表し、学習によって調整されます。
利用者が操作する画面の配置: 画面はサービスの操作部分です。モデル内部の学習対象とは別です。
学習データに書かれた文章の文字色: 文字色が目的に関係する特殊な課題を除き、文章モデルの中心的な学習対象ではありません。
コンピューターの保存フォルダ名: ファイル管理上の名前であり、モデルが知識や傾向を獲得する仕組みではありません。
QUESTION 12深いニューラルネットワークで層を重ねる主な利点として、最も適切な説明はどれですか。
複数の層を通すことで、画像の線から形へ進むように、単純な入力を判断に役立つ複雑な表現へ変換できます。
単純な特徴を組み合わせ、より複雑な特徴へ段階的に変換できる: 中間層を重ねる重要な役割です。
入力したデータを必ず一字一句そのまま保存できる: ニューラルネットワークの主目的はデータの完全保存ではなく、パターンを学んで予測や生成に使うことです。
人による目的設定や評価が一切不要になる: 何を入力し、何を正解とし、どう評価するかは人が設計します。
計算を行わずに正解だけを取り出せる: 各層で数値計算を行い、出力を作ります。
QUESTION 13損失関数の役割として、最も適切なものはどれですか。
損失関数は予測の間違いを数値化する物差しです。その損失を小さくする方向へ重みを調整します。
予測と正解の違いを、改善に使える数値で表す: 学習の改善方向を決めるための基本的な役割です。
モデルの画面デザインを自動で決める: 損失関数はサービス画面ではなく、モデルの学習評価に使います。
入力データをすべて削除する: データ削除の機能ではありません。
出力が社会的に正しいと自動保証する: 損失が小さくても、物差しやデータが目的に合っているとは限らず、人の確認が必要です。
QUESTION 14「予測する→間違いを測る」の次に、誤差逆伝播が行うことはどれですか。
出力側の誤差から前の層へたどり、どの重みをどちらへ直せば損失が減るかを求めます。
各重みが誤差へ与えた影響を逆向きに計算する: 誤差逆伝播の説明です。計算結果を使って重みを更新します。
正解データを見ないまま結果を公開する: 学習の仕組みではなく、危険な運用です。
入力画面へ同じ質問をもう一度表示する: 画面操作であり、モデル内部の学習計算ではありません。
モデルの全知識を一つの文章へ変換する: 知識は多数のパラメータへ分散しており、一文へ変換する処理ではありません。
QUESTION 15ニューラルネットワークの精度が高かった場合でも、採用や融資などで別に確認すべきことはどれですか。
高精度と説明可能性・公平性・安全性は別です。影響が大きい判断ほど、人が確認し責任を持てる設計が必要です。
判断理由、データの偏り、失敗時の影響、人の最終責任: 実運用で精度と同時に評価すべき要素です。
モデル名の文字数だけ: 名称の長さは、判断の安全性や公平性を示しません。
学習に使った電源コードの色だけ: モデルの判断品質を評価する情報ではありません。
回答画面の背景色だけ: 使いやすさには関係しても、判断の妥当性や責任を保証しません。
QUESTION 16画像の中で近くにある線・模様・形などの局所的な特徴を捉えるために発展したモデルはどれですか。
CNNは小さな範囲を画像全体へ適用し、位置が変わっても似た局所特徴を見つけやすくします。
CNN: 画像の局所的な特徴を捉えることに強みを持つモデルです。
RNN: 前の状態を次へ渡し、主に順番や時系列を扱うモデルです。
単純な表計算: 数値計算には使えますが、ここで説明している深層学習モデルではありません。
ルールを一つだけ持つ警告装置: 明示条件で動く仕組みであり、画像特徴を学ぶモデルではありません。
QUESTION 17RNNが長い文章の処理や大規模学習で抱えやすかった課題として、適切なものはどれですか。
RNNは過去の状態を順に渡すため、長い依存関係と計算の並列化に難しさがありました。
遠く離れた情報を保ちにくく、順番処理のため並列化しにくい: RNNの代表的な課題です。
画像の近い画素しか入力できない: CNNの局所処理と混同しています。RNNは時系列や文章の順序を扱います。
必ず最新ニュースを自動検索してしまう: 検索は別機能であり、RNNの構造上の課題ではありません。
重みを一つも持てない: RNNも学習によって調整する重みを持ちます。
QUESTION 18文章中のある語を処理するとき、離れた位置も含め、関係の深い部分へ計算上の重みを付ける仕組みはどれですか。
Attentionは、現在の処理に関係する入力部分を計算し、文脈上重要な関係を捉える助けになります。
Attention: 入力内の要素同士の関係を計算し、重要度を付ける仕組みです。
データ漏洩: 評価時に知ってはいけない情報が混ざる問題で、文脈関係を計算する仕組みではありません。
クラスタリング: 似たデータをグループ化する教師なし学習の方法です。
損失の削除: 学習方法を表す正式な用語ではなく、損失を測らなければ改善方向を決められません。
QUESTION 19Transformerが大規模言語モデルの中心技術になった理由として、最も適切なものはどれですか。
Attentionを中心に文脈内の関係を扱い、多くの位置を並列に計算しやすいことが大規模化につながりました。
離れた要素の関係を扱いやすく、学習時の並列計算にも向く: Transformerの重要な利点です。
文章を一切数値へ変えずに理解できる: 文章もモデルが計算できる数値表現へ変換して扱います。
事実確認なしで常に正答できる: 構造が優れていても、誤情報や知識の限界は残ります。
一つの規則だけで全言語を処理する: 多数のパラメータと層を使って関係を学びます。単一規則ではありません。
QUESTION 20新しい生成AIサービスを選ぶとき、「パラメータ数が大きい」以外に比較すべきものはどれですか。
モデル規模は一要素です。実際の仕事で代表例と失敗例を試し、必要な品質と運用条件に合うかを見ます。
用途での品質、速度、費用、利用条件、安全性: 実務でモデルを選ぶ際に必要な複数の評価軸です。
ロゴの大きさだけ: ブランド表現であり、モデルの実用性能を示しません。
会社名のアルファベット順だけ: 能力や適合性とは関係しません。
発表資料のページ数だけ: 資料量は、利用目的での品質を保証しません。
QUESTION 21訓練データでは非常に高得点なのに、初めて見る利用者のデータで性能が大きく落ちました。この状態は何ですか。
訓練データの偶然の特徴やノイズまで合わせ込み、未知データへ適用できていない状態が過学習です。
過学習: 訓練に合わせすぎ、未知データで性能が落ちる状態です。
汎化: 未知データでも適切に働く能力であり、問題文とは反対です。
推論の停止: 回答処理を止めることを表すだけで、訓練と未知データの性能差の名称ではありません。
ルールベースへの完全移行: 別方式への変更であり、起きている評価上の問題を表しません。
QUESTION 22完成したモデルの性能を最後に公平に測るため、設定調整へ使わず残しておくデータはどれですか。
テストデータは最終評価用です。結果を見ながら何度も調整すると、公平な未知データではなくなります。
テストデータ: 学習や設定選びから分離し、完成後の未知性能を測ります。
訓練データ: モデルの重みを調整するために使うため、最終評価には適しません。
画面表示用データ: 評価工程を表す用語ではありません。
公開後に削除したデータ: 削除の有無だけでは、評価用に適切か判断できません。
QUESTION 23退職予測モデルの入力へ「退職後にだけ発行される書類の有無」を含め、高得点が出ました。主な問題はどれですか。
予測したい時点では存在しない答えに近い情報が混ざり、実運用では再現しない高得点になっています。
予測時点では使えない未来情報が混ざるデータ漏洩: 評価を不自然に高くする代表的なデータ漏洩です。
モデルの文字数が少ない: モデル名や文章の長さは、この問題の原因ではありません。
教師なし学習を必ず使うべきだった: 退職する・しないの正解があるなら教師あり学習は候補になります。問題は未来情報の混入です。
画面の色が評価へ反映されていない: 予測性能の不正な高得点とは関係しません。
QUESTION 24不正取引が1000件中10件だけのデータで、AIがすべて「正常」と答えて正解率99%でした。評価として最も適切な考え方はどれですか。
少数の重要事例を一件も見つけていません。データが偏る場合、正解率だけでは目的達成を判断できません。
正解率だけでなく、不正の見逃しを測る指標も確認する: 失敗の種類と業務影響を捉えるために必要です。
99%なので無条件で完全自動化する: 重要な不正をすべて見逃しており、目的を達成していません。
不正10件は少ないので評価から除外する: 少数でも影響が大きい事例こそ評価に含める必要があります。
正解率を100%と読み替える: 数値を変更しても性能は改善せず、誤解を増やします。
QUESTION 25公開時に合格した問い合わせ分類AIが、新商品追加後に誤分類を増やしました。最も適切な対応はどれですか。
商品や言葉が変われば入力の傾向も変わります。運用後も性能を監視し、停止・再評価・改善の手順を持ちます。
分布変化を疑い、新しいデータで再評価し、基準を超えれば人の確認へ戻す: 運用中の変化へ安全に対応する流れです。
公開時に合格したので何もしない: 公開後も環境は変わり、性能低下が起こります。
誤分類の記録を削除する: 原因分析と改善に必要な情報を失います。
利用者へ同じ言い方だけを強制する: 現実の利用を狭めるだけで、モデルの変化対応や評価にはなりません。
QUESTION 26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 27生成AIが詳しい回答を返しました。重要な数字を外部公開する前の対応として最も適切なものはどれですか。
生成結果の自然さは事実性の保証ではありません。一次情報との照合と責任者の承認を分けて行います。
文章が自然ならそのまま公開する: 流ちょうさと事実の正しさは別なので、確認を省けません。
同じAIに『正しいですか』と一度だけ聞く: 同じ誤りを繰り返す可能性があり、独立した根拠の確認になりません。
公式資料の該当箇所と照合し、担当者が承認する: 根拠確認と公開責任を人が担う適切な流れです。
回答を長く書き直せば正しいと判断する: 文章量を増やしても、数字の正しさは保証されません。
QUESTION 28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 29新商品の紹介文を生成AIで作るとき、最初の試行として安全性と実用性を両立しやすい進め方はどれですか。
低リスクなデータと人の確認から始め、生成は下書き、承認と公開は人という役割分担を保ちます。
顧客情報と未公開原価をすべて入力し、自動公開する: 必要最小限の入力と公開前承認の両方を欠いています。
架空データで下書きを作り、事実・権利・表現を人が確認する: 戻せる範囲で試し、確認可能な候補として使う方法です。
AIが断定した内容は台帳より優先する: 生成結果は公式記録の代わりになりません。
一つの成功例だけで今後の全商品を自動化する: 結果は入力や条件で変わるため、代表例と失敗例による評価が必要です。
QUESTION 30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 31大量の文章を使った学習で、言葉同士の関係を反映するために繰り返し調整されるものはどれですか。
学習では予測の誤差を小さくするよう多数のパラメータを調整し、言葉や文脈のパターンをモデルへ反映します。
パラメータ: モデルが学習中に調整する数値で、関係や特徴が分散して反映されます。
公開URL: サービスの場所を示しますが、モデル内部で学習される数値ではありません。
画面の配色: 利用画面のデザインであり、文章を生成する中核の学習対象ではありません。
利用者の役職: 入力条件になり得ますが、モデル全体の学習で調整される内部値の名称ではありません。
QUESTION 32学習済みの言語モデルが長い回答を作る基本的な流れとして、最も適切なものはどれですか。
現在の入力と生成済みの文脈から次の候補を計算し、選択と再計算を繰り返して文章を組み立てます。
完成文を一冊の本からそのまま取り出す: モデルは回答集を検索する本棚ではなく、学んだ関係から出力を生成します。
毎回すべての学習データを読み直す: 利用時の推論で、訓練データ全体を毎回答え合わせするわけではありません。
候補の確率を計算し、選んだ要素を加えて次を再計算する: 文章生成の基本的な反復処理を表しています。
質問を受けるたびモデル全体をゼロから再学習する: 通常のチャット利用は学習ではなく、完成したモデルによる推論です。
QUESTION 33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 34生成された企画書に、実在しそうな文献名と発行年が書かれていました。公開前の対応はどれですか。
モデルは引用らしい形式も生成できます。出典の実在と主張を支える箇所を独立した一次情報で確認します。
書式が整っていれば本物とみなす: 形式の自然さは、出典の実在や内容の正しさを保証しません。
別の生成AIに同じ質問をして一致すれば確定する: 似た学習傾向から同じ誤りを出す可能性があり、原典確認の代わりになりません。
発行年だけを削除して公開する: 出典そのものが架空なら、表記を減らしても根拠にはなりません。
一次情報で実在と該当箇所を確認し、担当者が承認する: 根拠確認と公開責任を分けて行う安全な手順です。
QUESTION 35旅行案内を生成AIで作るとき、役割分担として最も適切なものはどれですか。
生成AIは案と文章化を支援し、変わりやすい事実と現実性、承認は人が一次情報で確認します。
AIに候補を作らせ、営業時間・料金・移動時間は公式情報で人が確認する: 生成の速さを活かしつつ、最新事実と責任を人が担う分担です。
AIの文章が詳しければ、予約状況も確認済みと扱う: 詳しさは外部システムを確認した証拠ではありません。
最新情報が必要でも検索や資料参照を使わない: 学習後の変更を反映できないため、最新情報の確認には不適切です。
顧客の個人情報をすべて入力し、そのまま自動公開する: 必要最小限の入力と公開前確認の両方を欠いています。
QUESTION 36会議の録音を議事録へ変えるとき、確認の流れとして最も適切なものはどれですか。
音声認識の誤りが要約で自然に整えられることがあるため、重要項目を元録音へ戻って確認します。
完成した要約だけを読み、録音は削除する: 誤りの発生箇所と原発言をたどれなくなり、重要事項を検証できません。
文字起こしの固有名詞・数字を元録音で確認してから要約を採用する: 前工程の認識結果と原資料を照合する適切な確認手順です。
雑音が多いほど認識結果は正確だと考える: 雑音や同時発話は認識を難しくし、聞き間違いを増やす要因です。
文字起こしと要約を同じ結果として扱う: 音声から文字への変換と、文字から要点を選ぶ処理は別工程です。
QUESTION 37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 38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。
QUESTION 39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 40複数形式を使う生成作業を安全に進める設計として、最も適切なものはどれですか。
工程がつながるほど誤りも広がるため、素材から公開まで追跡できる確認と承認を置きます。
最後の成果物だけ保存し、途中結果と原資料は残さない: 誤りの原因と修正箇所を追跡できず、再確認も困難になります。
入力・変換・公開の各工程で、原資料・権利・重要項目・承認者を確認する: 品質、権利、安全性、責任を工程ごとに管理する設計です。
人物の声や写真は、公開されていれば同意なく自由に使う: 公開されていることだけで、生成や商用利用への同意があるとは限りません。
一つの工程が合格すれば、後の工程は確認しない: 後工程で別の誤りや権利問題が生じるため、各工程の確認が必要です。
QUESTION 41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 42長いチャットを続けたとき、最初の重要条件が回答へ反映されなくなりました。最も適切な対策はどれですか。
会話履歴の表示と、モデルが現在参照している内容は同じとは限りません。失われると困る条件は版を付けた仕様として再提示します。
会話画面に残っているので何もしない: 表示されている履歴の全量が、毎回一字一句同じように参照される保証はありません。
同じ会話をさらに長くして思い出させる: 無関係な履歴も増え、重要条件がさらに埋もれる可能性があります。
重要条件を画像だけに変えて隠す: 形式を変えても参照の確実性は上がらず、読み取り誤りも増えます。
最新版の短い仕様書へまとめ、節目ごとに明示して確認する: 重要条件を独立した最新版として管理し、現在の作業で再確認できます。
QUESTION 43十年分の社内規程から現在の申請期限を調べるとき、最初に行うべきことはどれですか。
長文の誤りは量だけでなく、版の混在と優先順位の不明確さから起きます。先に有効な正本を確定し、引用を原文で確認します。
施行中の正本を確定し、旧版と改定案を分ける: どの資料を根拠にするかを先に決める、適切な版管理です。
すべての資料を版の説明なしで一度に渡す: 旧情報と新情報を組み合わせた誤答を作る危険が高まります。
最も長い回答を正解とみなす: 回答の長さは、現在の規程に合うことや網羅性の証拠ではありません。
出典を付けず要点だけを公開する: 根拠へ戻れず、誤りや改定の影響を検証できません。
QUESTION 44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 45機密を含む長い資料を生成AIで整理するとき、安全な進め方として最も適切なものはどれですか。
長文処理でもデータ最小化と元のアクセス権が基本です。必要な範囲だけを使い、重要な主張は引用元と人の承認で確認します。
扱える上限まで全資料を入れ、後から用途を決める: 不要な秘密情報を広げ、目的外利用と誤参照の危険を増やします。
目的に必要な範囲へ絞り、個人情報・権限・保存条件を確認してから使う: データ最小化、権限維持、利用条件確認を組み合わせた安全な手順です。
検索結果なら元文書の権限を無視して共有する: 検索後も元文書の閲覧権限と機密区分を守る必要があります。
回答が自然なら引用元を確認せず公開する: 自然さは正確さや根拠の実在を保証しないため、原文確認が必要です。
QUESTION 46社内規程が毎月改定され、現在有効な版を根拠に回答させたい場合、まず検討する方法はどれですか。
頻繁に変わる知識は、現行資料を検索して回答へ使うRAGが更新と根拠確認に向きます。検索品質と文書の版・権限は別に管理します。
過去の全規程を追加学習し、更新しない: 旧版を覚えたままになり、改定後の正しさと根拠を保ちにくくなります。
現行の正本を検索して回答時の文脈へ渡す: 変わる知識を正本から取得し、引用元へ戻れる設計です。
質問のたびに基盤モデルを事前学習し直す: 事前学習は大規模なモデル作成工程で、日常の質問ごとに行うものではありません。
出典を示さず長い回答を作らせる: 回答の長さは最新性や正確さを保証せず、根拠も検証できません。
QUESTION 47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 48ファインチューニングの用途として、最も適切な候補はどれですか。
追加学習は、十分な例から特定の分類傾向や出力形式を揃える用途が候補です。変わる事実の取得、権限突破、確定計算の代わりではありません。
今日の在庫数を自動で知る: 最新在庫はデータベースや検索から取得すべきで、追加学習だけでは更新されません。
閲覧権限のない資料を取得する: 追加学習はアクセス権を与える仕組みではなく、権限を守る必要があります。
返金額を法定規則どおり確定する: 確定計算は明示的な規則や業務システムで処理し、例外は人が承認します。
多数の正解例から独自ラベル分類の振る舞いを安定させる: 反復する特定作業の振る舞いを例から揃える、適切な候補です。
QUESTION 49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 50改善方法を本番へ採用する前の評価として、最も適切なものはどれですか。
学習と分けた代表的な評価セットで、正確さだけでなく根拠、安全性、運用費、修正時間を比較し、停止・復旧条件も決めます。
学習に使った例だけで満点なら採用する: 学習例への当てはまりだけでは、新しい入力へ通用するか分かりません。
通常例・境界例・安全例を含む未使用の問題で、品質・根拠・費用・重大誤りを比較する: 未知の代表例と失敗例を含め、実務に必要な複数指標で比べる方法です。
一度自然な回答が出れば評価を終える: 出力は変動し、自然さも事実性や安全性の証拠にはなりません。
提供者の紹介文だけで自社用途の安全を判断する: 実際の利用者、資料、言語、影響へ合わせた自社評価が必要です。
QUESTION 51ある製品の説明で、生成モデル本体と、会話画面・検索・保存などを含む製品全体を区別したいとき、最も適切な整理はどれですか。
中核モデルと利用サービスは別の層です。サービスには、時期や契約により会話、検索、保存、各種ツールなどが組み合わされます。
両方を常に同じ名前として扱う: モデルの能力と、製品側の機能・設定・利用条件を混同してしまいます。
会話画面だけをモデルと呼ぶ: 画面は利用者との接点であり、内部で出力を作るモデルそのものではありません。
GPTはモデル系列、ChatGPTはモデルと機能を組み合わせたサービスとして分ける: モデル、対話設計、ツール、設定を正しく層に分けた説明です。
検索機能があれば基盤モデルも常にウェブ接続済みとみなす: 検索は必要に応じて組み合わされる別機能で、モデルの事前学習とは区別します。
QUESTION 52GPTという名称の三つの要素を説明するものとして、最も適切なのはどれですか。
GPTはGenerative Pre-trained Transformerの略です。生成、事前学習、Transformerというモデルの特徴を示します。
生成を行い、用途別利用の前に広く学習し、Transformerを土台にする: Generative、Pre-trained、Transformerの対応を正しく説明しています。
検索結果を永久保存し、利用者ごとに毎回再学習する: 検索・保存とモデル学習を混同しています。日常の会話は通常、学習済みモデルによる推論です。
人が書いた規則だけで、文章を一文字ずつ固定する: GPTは固定規則だけで文章を出す仕組みではなく、学習した確率的な関係から生成します。
会話画面、料金プラン、保存設定だけを表す: それらはサービス側の要素であり、GPTというモデル名の三要素ではありません。
QUESTION 53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 54チャットAIが昨日の指定形式を再び使ったため、担当者が『基盤モデルが会社専用に学習し直した』と考えました。まず確認すべきことはどれですか。
以前の条件を使えた理由は、保存された情報を現在の文脈へ加えたことかもしれません。推論時の参照とモデルの再学習を区別します。
昨日の成功だけで恒久的な学習を証明する: 一例では処理の仕組みも、将来の再現性も証明できません。
会話履歴・保存設定・参照資料が推論時に使われたのか、追加学習が行われたのかを分ける: 記憶のように見える動作の原因を層ごとに確認する方法です。
自然な回答なら正式な規程を確認しない: 会話の自然さは、現在の正本と一致する証拠ではありません。
同じサービス名なら内部モデルと機能は永遠に変わらないとみなす: サービスは更新されるため、モデル・機能・設定・確認日を記録します。
QUESTION 55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 56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 57同じ生成AIブランドを個人向けアカウントと会社の企業契約で利用するとき、適切な考え方はどれですか。
製品名が同じでも、個人向けと商用契約ではデータ処理や管理機能が異なる場合があります。公式資料と現在の管理画面を環境ごとに確認します。
ロゴが同じなら、保存や学習利用も必ず同じである: ブランド名から契約や設定を推測する典型的な混同です。
個人向けの設定は会社の管理者が自動で統制する: 個人アカウントが組織管理の対象とは限らず、承認済み入口とアカウントの確認が必要です。
一度安全だったサービスは、更新後も確認が不要である: モデル、機能、規約、設定は変わるため、確認日と再評価が必要です。
プラン、設定、データ利用、保存、管理者制御を利用環境ごとに確認する: 同じ名前でも条件を分け、実際のデータ境界を確かめる正しい方法です。
QUESTION 58Microsoft 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 59営業月報を作る生成AIサービスを選ぶ試験として、最も適切なものはどれですか。
条件をそろえた代表業務と失敗例で比較すると、ブランドの印象ではなく、自社での品質と運用負担を測れます。
各サービスへ別々の資料と指示を渡し、最も長い回答を選ぶ: 条件が異なり、回答量も実務品質の合格基準にはなりません。
有名なランキング一件だけで決める: 一般評価が自社資料、言語、権限、失敗時の影響へ一致するとは限りません。
同じ匿名化資料と指示で、正確さ・根拠・修正時間・重大誤り・費用を比較する: 公平性、安全性、実務価値を同時に確認できる評価方法です。
実際の顧客情報を全候補の個人向け画面へ最初から入力する: 契約とデータ境界の確認前に機密を渡す危険な進め方です。
QUESTION 60検索やコネクタを使うチャットAIへ外部文書を読ませるとき、最も適切な安全策はどれですか。
外部内容には誤りや悪意ある命令が含まれる可能性があります。データと命令を分け、最小権限、承認、ログ、停止手順を組み合わせます。
文書内の指示は提供元に関係なくすべて実行する: プロンプトインジェクションにより、本来の目的や制約を乗っ取られる危険があります。
取得内容を参照データとして扱い、権限を絞り、高影響操作へ人の承認を置く: 接続による利便性を保ちながら、情報取得と外部作用を制御する方法です。
検索できるなら出典確認を省略する: 検索結果が古い、無関係、誤っている可能性があり、主張と根拠の照合は必要です。
連携先を増やすほど安全性も自動で上がると考える: 接続先が増えるほど権限と攻撃面も広がるため、必要最小限へ絞ります。
QUESTION 61社内規程への質問に答えるRAGの基本的な処理順として、最も適切なものはどれですか。
RAGは、質問に関係する情報を先に取得し、その内容を生成モデルの文脈へ渡して回答と出典を作ります。権限は取得前に適用します。
回答を先に作り、後から似た資料名を添える: 主張を作った後に出典を飾る方法では、根拠に基づく回答にならず、引用の捏造も防げません。
全資料を毎回一つの入力へ入れ、権限は生成後に確認する: 不要情報と秘密をモデルへ渡してしまい、入力上限や情報流出の危険も増えます。
質問に関係する閲覧可能な箇所を取得し、根拠として回答と出典を作る: 取得、権限、生成、出典確認を正しい順でつなぐRAGの基本です。
モデルへ規程を永久に覚えるよう一度だけ依頼する: 会話上の依頼は基盤モデルの恒久的な再学習ではなく、改定への追随や根拠提示も保証しません。
QUESTION 62製品番号の完全一致と、言い換えられた問い合わせの両方を探したい場合、検討に適した検索方法はどれですか。
キーワード検索は型番などの一致、ベクトル検索は意味の近さに強みがあります。組み合わせた後も代表質問で取得品質を評価します。
キーワード検索とベクトル検索を組み合わせるハイブリッド検索: 完全一致と意味の近さを補い合う候補です。設定後の評価は別に必要です。
文書を無作為に一件だけ選ぶ方法: 質問との関連性を使わないため、必要な根拠へ安定して到達できません。
回答文の長さだけで資料を順位付けする方法: 文章量は質問との関連性や正本性を示しません。
検索せずにモデルの学習済み知識だけを使う方法: 社内固有情報、最新の改定、正確な製品番号へ到達できる保証がありません。
QUESTION 63旧版の規程が検索結果へ混ざる問題を減らすため、最も有効な準備はどれですか。
現在有効な版を検索時に選べる管理情報が必要です。正本更新時には旧チャンクの削除や無効化も確認します。
旧版のタイトルを短くして目立たなくする: 表示名を変えても、検索索引に残る旧内容を排除できません。
検索件数を無制限に増やす: 旧版や無関係資料も増え、重要な根拠が埋もれる可能性があります。
文書の版を回答生成後に推測する: 版は推測せず、文書登録時の管理情報と正本から確認します。
施行日・終了日・版をメタデータへ持たせ、現行版で絞り込む: 検索前に現行性を制御し、回答から版へ追跡できる適切な設計です。
QUESTION 64部門限定の資料を含むRAGで、情報流出を防ぐための権限制御として最も適切なものはどれですか。
秘密を生成モデルへ渡した後で隠すのでは遅いため、取得候補を作る段階で利用者の権限を適用します。権限不明は拒否側へ倒します。
全資料をモデルへ渡し、回答画面で秘密の文だけを隠す: 表示されなくても、秘密はすでにモデルの文脈やログへ渡る可能性があります。
利用者の権限を検索時に適用し、許可されたチャンクだけを取得する: 情報をモデルへ渡す前に境界を守る正しい制御です。
一度ログインした利用者には、以後すべての部署資料を許可する: 認証と全資料への認可は別で、職務に必要な最小権限へ限定します。
文書に権限情報がない場合は一般公開として扱う: 管理情報の欠落を許可へ倒すと秘密を公開する危険があるため、取得を拒否します。
QUESTION 65RAGの回答に引用が付いているとき、公開前の確認として最も適切なものはどれですか。
引用は自動的な正しさの保証ではありません。主張を直接支えるか、現行版か、例外を落としていないかを人が原文で確かめます。
引用件数が多ければ本文を読まずに承認する: 出典数は、個々の主張が根拠で支えられている証拠になりません。
リンクが開けば、版や適用条件は確認しない: 実在する文書でも旧版や対象外の条件である可能性があります。
回答の各主張を引用箇所と照合し、版・例外・根拠不足を確認する: 主張と根拠の対応、現在性、適用範囲を確認できる方法です。
引用元に書かれていない部分は一般知識で自然に補う: 根拠のない補完はRAGの確認可能性を失わせるため、保留や確認先を示します。
QUESTION 66過去の問い合わせに正しい担当部署が付いており、新しい問い合わせの担当部署を予測したい場合、最初に検討する方法はどれですか。
入力と正解部署の組があり、未知の入力を既存の種類へ分ける課題なので、教師あり学習の分類が候補です。
教師なし学習で名前のない群だけを作る: 正解部署を予測する目的なのに、利用できるラベルを使わないため課題の形と合いません。
教師あり学習で部署ラベルを予測する: 問い合わせと正解部署の組から、新しい問い合わせの部署を分類する適切な考え方です。
強化学習で無制限に部署を変更する: 各件の正解ラベルがある分類問題であり、現実の業務で無制限な試行錯誤をさせる必要はありません。
回答文を生成するだけで部署を決める: 自然な文章の生成と、定義済みラベルを一貫して予測する分類は別の課題です。
QUESTION 67クラスタリングで得られた三つの顧客群を業務へ使う前の確認として、最も適切なものはどれですか。
クラスタは、使った特徴や類似度、集団数によって変わります。数値的なまとまりと業務上の意味を分け、人が妥当性と影響を確認します。
三群という数だけを正解として固定する: 群の数は設定や評価で変わり得るため、数だけでは妥当性を判断できません。
最大の群だけを優良顧客と名付ける: 人数の多さは価値や優良さを意味せず、根拠のない価値判断です。
群番号を顧客の人格評価として公開する: 分析上の識別番号を人格や信用の評価へ広げるのは不適切です。
特徴・類似度・安定性・群の意味と影響を確認する: 結果がどの設計に依存し、業務で解釈可能か、誰へ不利益が出るかを確認する方法です。
QUESTION 68視聴時間だけを報酬にした推薦が、刺激の強い動画へ偏りました。改善策として最も適切なものはどれですか。
一つの代理指標だけを最大化すると、本来の目的を損なう近道が選ばれます。複数指標、禁止制約、監視、停止を組み合わせます。
視聴時間の報酬をさらに大きくする: 現在の偏りをさらに強める可能性があります。
利用者の操作権限をすべて広げる: 権限拡大は報酬設計を直さず、影響範囲を広げる危険があります。
満足・安全・多様性も評価し、制約と停止条件を置く: 測りやすい数字と本来の目的のずれを減らし、望ましくない行動を止める設計です。
偏りを隠すためログを残さない: 原因確認と是正ができなくなり、説明責任も果たせません。
QUESTION 69チャットAIへ会話中に『この表現は使わないで』と伝え、次の返答が変わりました。この現象の説明として最も適切なものはどれですか。
会話中の修正は、通常その会話の文脈として次の推論へ影響します。モデル訓練や学習利用の条件は、サービスの公式仕様で別に確認します。
会話履歴が現在の推論の文脈として使われた可能性がある: 会話内の指示が次の回答へ反映される仕組みを、訓練と混同しない説明です。
必ず基盤モデル全体が恒久的に再学習された: 一回の会話修正が、ただちに全体モデルの恒久学習になるとは限りません。
必ず強化学習の報酬が全利用者へ即時反映された: 利用者の一言が、全利用者向け方策へ即座に反映されたと断定できません。
教師なし学習で新しい顧客群が作られた: 会話上の指示反映は、顧客のクラスタリングとは別です。
QUESTION 70学習方法を選ぶ前の実務確認として、最も適切な進め方はどれですか。
課題の形と比較基準を先に定義すると、必要以上に複雑な方法を選ばず、価値と危険を同じ条件で評価できます。
最新の名称を持つ方法を無条件で選ぶ: 学習方法は性能の順位ではなく、課題とデータの形に合わせて選びます。
目的・利用できる手掛かり・失敗費用・ベースラインを先に決める: 業務目的から方法と評価を選び、現行手順より改善したか確認できる進め方です。
学習データは出所を確認せず、量だけを増やす: 不正確、無許可、偏ったデータを増やすと品質と安全の問題も拡大します。
平均性能だけを見て、少数集団の誤りは除外する: 全体平均が高くても、重要事例や特定集団に重大な失敗が集中する可能性があります。
QUESTION 71社長そっくりの音声で、普段と異なる口座へ緊急送金するよう求められました。最初の対応として最も適切なものはどれですか。
高品質な音声は聞き分けにくいため、真偽を声だけで決めません。送金を止め、受信経路とは独立した既知の連絡先、口座変更手続、複数承認で確認します。
声に違和感がなければ、その場で少額だけ送金する: 自然な声は本人証明にならず、少額でも攻撃者へ支払いや口座確認の機会を与えます。
処理を止め、社内名簿などで確認済みの連絡先から本人と手続を確認する: 音声の鑑定に依存せず、本人確認と取引確認を独立した経路で行う安全な対応です。
音声を同僚全員へ転送し、多数決で本物か決める: 多数の印象でも本人確認にはならず、合成音声や個人情報を不要に拡散します。
受信メッセージに書かれた別番号へ電話し、同じ相手に確認する: 攻撃者が用意した連絡先かもしれず、受信経路から独立した確認になりません。
QUESTION 72C2PAのContent Credentialsなど、検証可能な来歴情報について最も適切な説明はどれですか。
来歴情報は出所や編集経路の検証を助けますが、内容へ真偽の価値判断を付けるものではありません。有無だけで本物・偽物を決めません。
付いていないコンテンツは、すべて偽物だと証明できる: 未対応機器、再配布、スクリーンショットなどで来歴がない場合もあり、欠如だけで偽物とは言えません。
署名が有効なら、映像内の発言内容も必ず真実である: 署名と対象資産の関係を検証できても、発言、字幕、説明の事実性は別問題です。
一度スクリーンショットにすれば、来歴は必ず完全に保存される: スクリーンショットや再撮影では、元コンテンツに関連付いた来歴情報が失われることがあります。
作成・編集・署名の履歴を確かめる材料だが、主張の真実性は別に確認する: 来歴の役割と限界を分けた適切な説明です。
QUESTION 73誤った情報が広がる場面を整理するとき、ミスインフォメーションとディスインフォメーションを分ける中心的な点はどれですか。
どちらも誤情報になり得ますが、ディスインフォメーションは欺く意図を含みます。意図は推測で断定せず、確認できる証拠に基づいて扱います。
人を誤らせる意図が確認できるか: 誤って共有した情報と、意図的に欺くため作られた情報を分ける中心です。
画像か文章かという媒体の違い: 画像、音声、動画、文章のどれでも、意図のない誤りと意図的な偽情報があり得ます。
投稿の文字数が長いか短いか: 長さは情報の正確さや発信者の意図を示しません。
生成AIの有料プランを使ったか: 利用プランは、情報が誤りか、欺く意図があるかを決めません。
QUESTION 74短い動画が本物か確かめる手順として、最も適切な組み合わせはどれですか。
出所、内容、文脈、独立した裏付けを組み合わせます。確認できない状態を『本物』か『偽物』へ無理に分類せず、保留できることも重要です。
映像の表情だけを見る→違和感がなければ即共有する: 高品質な合成を見落とす一方、本物の圧縮映像を誤って疑う可能性があります。
検出器を一つ使う→表示された数値だけで投稿者を処分する: 検出器にも対象外や誤判定があり、重大な決定を単独結果へ委ねられません。
元投稿と完全版へ戻る→日時・文脈・独立資料・来歴を確認する→根拠不足なら保留する: 複数の独立した材料を確認し、不確実性も明示する適切な手順です。
拡散数を見る→多く共有されていれば公式情報とみなす: 拡散の多さは、発信元や内容の正しさを保証しません。
QUESTION 75ディープフェイク対策を業務手順へ組み込む考え方として、最も適切なものはどれですか。
生成品質が変わっても使える防御は、送金、認証、機密共有などの行動を、別経路確認と通常承認で止められる仕組みです。
全社員に顔の違和感だけを見抜く訓練を行い、承認手順はなくす: 目視には限界があり、承認をなくすと一度の誤判定が直接被害になります。
合成か断定できなくても、高影響の依頼を止められる確認・複数承認・報告手順を作る: 真偽判定の不確実性を前提に、行動の被害を防ぐ実務的な設計です。
社内から届いた動画は、発信元確認なしですべて本物として扱う: アカウント乗っ取りや連絡先偽装もあるため、社内らしい表示だけでは足りません。
疑わしい素材は注意喚起のため必ずSNSへ再投稿する: 本人の権利侵害、被害拡大、誤認の拡散につながるため、報告先と共有範囲を限定します。
QUESTION 76生成AIのモデル単体と、AIエージェントの仕組みを分ける説明として最も適切なものはどれですか。
モデルは判断や生成の中核ですが、エージェントとして仕事を進めるには、外部機能を呼ぶツール、結果を戻して続けるループ、状態、権限、承認などの周辺設計が必要です。
どちらも会話画面があれば、構成と権限は必ず同じになる: 画面が似ていても、利用できるツール、状態、外部操作の権限はサービスや設定で異なります。
エージェントはモデルに指示・ツール・実行制御・状態・安全策を組み合わせる: モデル単体ではなく、複数の構成要素を含むシステムとして捉える適切な説明です。
モデル単体も、許可なしで外部サービスを自由に操作できる: 外部操作には接続手段と権限が必要で、実行側が検査しなければなりません。
エージェントには生成モデルが使われることはない: 多くのエージェントでは、指示を理解して次の行動を選ぶ中核に生成モデルが使われます。
QUESTION 77予定候補を整理するエージェントが、予定表を読み、結果を見て別の条件で再検索しました。この動きを最もよく表すものはどれですか。
エージェントループでは、現在の状況から行動を選び、ツール結果を次の判断へ返し、完了条件まで続けます。回数や時間などの停止条件も必要です。
学習データを毎回作り直す処理: 通常のエージェント実行は、基盤モデルを毎回再学習することではありません。
人の承認を永久に省く処理: ループがあっても、高影響な操作には承認を挟めます。
結果を保存せず同じ命令を繰り返す処理: 結果を観察して次の行動を変えることが重要で、同じ処理の無限反復は防ぐべき失敗です。
観察・選択・ツール実行・結果確認を繰り返す処理: エージェントループの基本的な流れを表しています。
QUESTION 78問い合わせメールの回答支援を始めるとき、最小権限に最も合う設定はどれですか。
最初は対象データの閲覧と下書きなど、目的達成に必要な最小操作へ限定します。送信、返金、削除は別権限にし、条件と承認を加えます。
対象メールと注文を閲覧し、回答は下書き保存だけ許可する: 読む範囲と書ける範囲を絞り、外部送信前に確認を残す設計です。
全メールの閲覧・削除と、無制限の返金・送信を最初から許可する: 一度の誤判断や攻撃が広い被害へ直結する過剰権限です。
利用者全員の認証情報を会話へ貼り付ける: 秘密を不必要に共有し、なりすましや漏えいの危険を高めます。
権限の内容を確認せず、モデル名だけで安全と判断する: 安全性はモデル名だけでなく、接続、権限、検査、承認、運用で決まります。
QUESTION 79外部公開を行うエージェントの検証として、最も十分な考え方はどれですか。
エージェントは途中で外部へ作用するため、最終文だけでなく行動経路も評価します。資料不足、権限不足、悪意ある入力、再試行なども試験します。
完成した文章が自然なら、途中の行動は記録しない: 誤ったデータ閲覧や危険なツール呼出しを見逃すため、最終出力だけでは足りません。
通常例だけ一度試し、ツール障害や資料不足は対象外にする: 本番で起きる境界例や失敗時の挙動を確認できません。
最終結果に加え、ツール選択・引数・承認前の変更・停止判断をトレースで確認する: 結果と過程の両方を監査し、危険な行動を見つける方法です。
公開後の失敗はモデルの責任として、停止や復旧手順を用意しない: 運用主体が監視、停止、復旧、責任分担を設計する必要があります。
QUESTION 80同じ週次記事作成を再実行したとき、二重公開を防ぐために最も重要な設計はどれですか。
状態として実行IDと反映済み操作を記録し、再試行しても一度だけ反映されるようにします。会話の記憶だけへ依存しません。
毎回別のモデル名へ変更する: モデル名の変更は、同じ外部操作が二度実行される問題を防ぎません。
実行IDと完了済み操作を保存し、公開前に既存結果を確認する: 再開と再試行を区別し、重複反映を避けるための適切な状態管理です。
会話履歴をすべて削除し、進捗を分からなくする: 完了状況を失うと、同じ処理を再び実行する危険が高まります。
再実行では承認手順を必ず省略する: 再実行でも影響と権限を再確認し、必要な承認を残します。
QUESTION 81問い合わせ対応へ生成AIを導入する前に、最初に行うこととして最も適切なのはどれですか。
大きな仕事を工程へ分解すると、ルール、チャットAI、エージェント、人のどれが適するかを、目的と危険に応じて判断できます。
最も高価なモデルを全工程へ接続する: 工程ごとの難しさや危険を見ずに広く接続すると、費用と影響範囲が増えます。
人の承認をなくして自動化率を最大にする: 戻せない操作や高影響な判断まで無承認にするのは危険です。
仕事を工程へ分け、入力・出力・責任・失敗を整理する: 任せる範囲と確認点を具体化するための適切な第一歩です。
現在の時間や誤りを測らず、導入後だけ評価する: 比較するベースラインがなく、改善したか判断できません。
QUESTION 82請求書の必須欄が空なら警告し、金額を決めた式で合計する工程に最も適した方法はどれですか。
条件と計算方法が明確で、同じ入力へ同じ結果が必要な工程は、ルールや通常のソフトウェアが説明しやすく安定します。
決定的なルールと計算: 明確な条件と式を再現性高く実行する用途に合います。
自由に行動を選ぶエージェントだけ: 曖昧な判断や複数工程がなく、エージェントの自由度は不要です。
毎回、人へ自然文で質問するだけ: 自動で確実に検査・計算できる工程へ、不要な手作業を残します。
生成AIに規則を推測させるだけ: 確定した必須条件や計算式を推測へ任せると、再現性が下がります。
QUESTION 83人間参加型の確認を、形だけでなく安全策として機能させる設計はどれですか。
誰が、いつ、何を見て、どの条件なら承認・修正・停止するかを定めることで、人の確認が実際の安全策になります。
AIの案を見ず、担当者が毎回同じボタンを押す: 機械的な承認は誤りや危険を見つけられず、安全策になりません。
担当者を決めず、問題が起きた後だけ探す: 判断と対応が遅れ、責任の所在も曖昧になります。
承認前でも外部送信し、後で取り消す: 送信後は相手へ影響が出るため、承認前に止める必要があります。
金額・根拠不足・個人情報など、人へ戻す条件と確認項目を決める: 高影響・不確実な場面を見分け、人が必要な材料を確認できる設計です。
QUESTION 84AIで週次レポートを作る取り組みが仕事全体を改善したか確かめる評価はどれですか。
生成の速さだけでなく、確認や修正を含む業務指標を導入前のベースラインと比較して、実際の価値を判断します。
生成した文章の文字数だけを増やす: 文章量は、正確さや作業時間の改善を示しません。
導入前と、総作業時間・修正率・誤り・費用・再作業を比較する: 仕事全体の価値と負担を確認できる適切な評価です。
AIを使った回数だけを数える: 利用回数は手段の指標で、成果や安全を示しません。
最も成功した一回だけを選んで発表する: 代表例、例外、危険例での再現性や失敗を確認できません。
QUESTION 85初めてAIを業務へ導入するとき、範囲を広げる方法として最も適切なものはどれですか。
対象と可逆的な操作を限定し、代表例・例外・危険例で検証してから、実績に基づいて段階的に拡大します。
全顧客と全操作へ同時に公開する: 問題が起きた際の影響範囲が大きく、原因と対策も見つけにくくなります。
正常例だけ一度試し、例外は運用後に考える: 本番で起きやすい情報不足や障害への対応を確認できません。
一部署・一種類・下書きから始め、例外と危険例に合格した範囲だけ広げる: 小さく安全に検証し、証拠に基づいて広げる適切な方法です。
精度が不明でも自動化率を目標にして権限を増やす: 手段の数値を優先し、品質と安全を損なう恐れがあります。
QUESTION 86銀行を名乗るSMSで『本日中に口座を確認してください』とリンクが届きました。最初の対応として最も適切なのはどれですか。
通知の中にあるリンクや連絡先を使わず、自分で開いた公式経路から事実を確認します。急がせる要求ほど、行動前に立ち止まります。
SMSへ返信して本物か尋ねる: 攻撃者本人へ確認することになり、電話番号が有効だと知らせる可能性もあります。
リンクを開かず、公式アプリや保存済みの正規サイトから状態を確認する: 通知と独立した正規経路で、口座状態や警告の有無を安全に確認できます。
リンク先へIDだけ入力し、パスワードは後で判断する: IDだけでも攻撃へ利用され得ます。偽サイトかもしれない場所へ情報を入力しません。
送信者名が銀行名なら、そのままリンクを開く: 表示名や送信元は偽装される場合があり、銀行名の表示だけでは本人確認になりません。
QUESTION 87フィッシングとソーシャルエンジニアリングの関係を最も適切に説明しているものはどれですか。
信頼、権威、焦りなどを利用して安全確認を省かせるのが中心です。メール、SMS、電話、偽サイトなど複数の媒体が組み合わされます。
どちらも端末を物理的に壊す攻撃だけを指す: 人をだまして秘密や操作を引き出す攻撃であり、物理的破壊だけではありません。
フィッシングは常に誤字が多く、自然な文章では行われない: 実在情報や生成AIを使い、自然で個別化された文面を作ることもできます。
ソーシャルエンジニアリングは人の心理や手順を利用し、フィッシングはその代表的な手段の一つになり得る: 心理的誘導という広い考え方と、偽連絡などの具体的手口の関係を正しく表します。
フィッシングは個人だけが対象で、組織には起こらない: 取引先や経営者になりすます請求詐欺など、組織も標的になります。
QUESTION 88フィッシング耐性を高める認証方法として、最も適切な考え方はどれですか。
NISTは、手入力する認証コードをフィッシング耐性がある方式とは扱いません。対応環境では、認証結果を正規サイトへ結び付ける方式を優先します。
正規サイトとの結び付きを暗号学的に確認できるパスキーや対応セキュリティキーを使う: 偽サイトで認証結果を使い回されにくくする適切な考え方です。
全サービスで同じ長いパスワードを使う: 一つの漏えいで他サービスまで侵入されるため、サービスごとに固有の情報を使います。
ワンタイムコードを電話で求められたら共有する: コードは本人確認の秘密であり、正規事業者を名乗っても共有しません。
多要素認証を使えば、方式に関係なく偽サイトへの入力も安全になる: 手入力コードを中継する攻撃があるため、方式と利用時の確認が重要です。
QUESTION 89怪しい取引先メールをチャットAIで確認するときの使い方として、最も適切なのはどれですか。
チャットAIは文面の特徴や確認項目を整理できますが、送信者の本人確認や画面外の契約状態を保証できません。秘密を減らし、公式手順で確定します。
顧客名や口座番号を含む全文を入力し、AIが本物と言えば送金する: 情報漏えいと誤判定の両方を招くため、秘密を伏せ、送金は別に確認します。
AIへ送信者本人の認証を任せ、社内確認を省く: 文面だけでは本人を認証できず、通常の確認と承認を省いてはいけません。
AIの文章が自然なら、元メールも安全だと判断する: 自然な文章は生成でき、内容と発信元の真正性を示しません。
秘密情報を伏せて注意点を整理させ、本人確認と送金判断は既知の連絡先と社内手順で行う: AIを補助に限定し、高影響な判断を独立した確認へ戻す安全な使い方です。
QUESTION 90偽サイトへパスワードと認証コードを入力した後の対応として、最も適切なものはどれですか。
既に情報が渡った前提で被害拡大を止めます。安全な経路から変更し、同じ情報を使う他サービス、ログイン中セッション、金融取引も確認します。
画面を閉じれば情報は戻るため、何もしない: 送信済みの情報は攻撃者に利用される可能性があり、閉じるだけでは足りません。
正規経路で直ちに認証情報を変更し、セッション・取引を確認して担当窓口へ報告する: 封じ込め、影響確認、組織的な対応を早く始める適切な手順です。
同じリンクを同僚全員へ送り、本物か試してもらう: 別の被害者を増やすため、指定された報告窓口へ証拠として共有します。
証拠をすべて削除してから、一週間様子を見る: 対応が遅れ、調査材料も失います。メール、URL、日時などを保存して即時報告します。
QUESTION 91生成AIが補助金の締切日と公式らしいURLを示しました。業務で利用する前の対応として最も適切なのはどれですか。
行動へ影響する主張を分解し、所管組織の最新資料で発行元、版、対象条件、本文を確認します。
回答の文体が丁寧なら、そのまま社内へ共有する: 文章の丁寧さと事実性は別です。外部・社内利用前に重要な主張を検証します。
同じAIへもう一度尋ね、同じ日付なら確定する: 同じ誤った前提や学習傾向から同じ答えが出ても、独立した裏取りにはなりません。
制度名・対象・締切などの主張へ分け、現在の公式募集要項で確認する: 検証対象を明確にし、適用される一次情報で確かめる適切な手順です。
URLの文字数が長ければ公式情報だと判断する: URLの長さは、発行元や内容の正しさを示しません。
QUESTION 92大規模言語モデルで、もっともらしい誤答が生じ得る理由として最も適切なのはどれですか。
言語モデルは学習した関係から続きとして適切そうな出力を作りますが、全主張を事実データベースへ照合して保証する仕組みではありません。
モデルが利用者を困らせる意図を必ず持つため: ハルシネーションを意図的なうそと決めつけず、生成の仕組みと情報不足から考えます。
長い回答ではコンピューターが計算を一切しないため: 長い回答でもモデルは計算を行います。問題は計算の目的と事実保証が同じではないことです。
学習した文章を毎回一字一句そのまま取り出すため: 出力は入力と文脈に応じて生成され、必ず原文をそのまま取り出すわけではありません。
文脈に続きそうな要素の生成と、現実の事実を一文ずつ保証する処理が同じではないため: 自然な続きの生成と事実確認を分けて理解する説明です。
QUESTION 93生成AIが論文へのリンクを引用として示したとき、確認方法として最も適切なのはどれですか。
出典の存在だけでなく、適切な版と対象で、原文の該当箇所が主張を直接支持するかを確かめます。
リンクを開き、著者・発行元・日付・対象範囲と、本文が主張を支える箇所を確認する: 出典の真正性、最新性、適用範囲、内容の一致を確認できる手順です。
リンクが青色で表示されれば、本文は読まずに採用する: 表示形式は出典の実在や内容の一致を保証しません。
引用が三件以上あれば、すべて独立した一次情報だとみなす: 同じ情報の転載や二次資料かもしれず、件数だけでは独立性を判断できません。
検索結果の見出しだけが一致すれば、論文全体も一致すると判断する: 見出しや抜粋は文脈を省くため、原文の該当箇所まで読みます。
QUESTION 94検索機能や社内RAGを使う生成AIについて、最も適切な説明はどれですか。
検索やRAGは根拠を与えて危険を下げる助けですが、取得と生成の両工程を検証し、正しさを保証されたものとは扱いません。
資料を取得できれば、回答の読み違いは絶対に起きない: 正しい資料があっても、関係箇所の選択や要約で誤る可能性があります。
現在情報や固有資料へ近づけるが、検索漏れ・古い版・取得ミス・生成時の誤りは残る: 検索・RAGの利点と限界を両方示す適切な説明です。
社内文書を使う場合は、アクセス権や版管理を考えなくてよい: 秘密情報の権限、文書の最新版、取得範囲を管理する必要があります。
検索結果が一件あれば、他の一次情報との照合は不要になる: 重要な主張は適用範囲を確認し、必要に応じて独立資料や担当窓口で裏取りします。
QUESTION 95生成AIで作った契約・医療・送金に関わる案を扱う運用として、最も適切なのはどれですか。
高影響な用途では、AIを候補作成へ限定し、根拠確認、人の承認、記録、問題時の停止と訂正を組み合わせます。
AIが自信を示した案だけを自動確定する: 自信のある表現は事実性や安全性を保証せず、高影響な決定の根拠になりません。
誤りが見つかっても、その一文だけ直して記録を残さない: 同じ方法で作った成果物へ誤りが広がっている可能性があり、範囲確認と記録が必要です。
案を主張と根拠へ分け、一次情報で確認し、権限を持つ人が承認して記録する: 検証と責任を人の運用へ組み込む、影響に見合った方法です。
生成速度が速ければ、影響評価と停止手順を省略する: 速さは安全性を示さず、事故時に止めて訂正できる手順が必要です。
QUESTION 96顧客から届いた長い相談メールを生成AIで要約したいとき、最初の対応として最も適切なのはどれですか。
送信前に目的と必要項目を絞り、組織が認めた環境の契約・設定・保持・共有条件を確認します。AIへ削除を頼む時点では既に全文が送られています。
個人向けの無料アカウントへ全文を貼り、後から会話を削除する: 画面上の削除と、送信前の保護、ログや保持の削除は同じではありません。承認前の環境へ送らないことが先です。
氏名だけを消し、添付ファイルは確認せずそのまま送る: 他の項目の組合せや添付の別ページ・メタデータから識別や機密漏えいが起こり得ます。
目的を決め、不要な個人情報・機密を送信前に除き、承認済み環境と利用条件を確認する: データ最小化と利用環境の確認を送信前に行う、適切な手順です。
AIへ全文を渡し、秘密部分を自動で見つけてから消してもらう: 秘密を見つける処理へ全文を渡すため、入力前の最小化になりません。
QUESTION 97顧客記録から氏名を削除した後も、安全性の確認が必要な主な理由はどれですか。
氏名以外の情報を容易に照合して個人が分かる場合があります。単純な削除や置換と、法令上の匿名加工情報は別です。
所属、地域、役職、出来事の組合せやファイル情報から個人を識別できる場合があるため: 再識別の手掛かりを組合せまで含めて確認する必要を示しています。
氏名のない文章は、必ず法令上の匿名加工情報になるため: 匿名加工情報には識別と復元ができないよう規則に従う加工が必要で、氏名削除だけでは決まりません。
生成AIは、氏名以外の文字を一切処理できないため: 生成AIは多様な文字やファイルを処理できます。それが情報範囲を広げる一因でもあります。
匿名化すると、組織の利用規程がすべて無効になるため: 組織の規程、契約、目的、権限は引き続き確認します。
QUESTION 98業務用の生成AIサービスを利用する前に、確認項目の組合せとして最も適切なのはどれですか。
安全条件は会社名だけで決まりません。実際のプラン、機能、契約、設定、情報の流れと、問題時の対応先を確認します。
画面の色、ロゴの大きさ、回答速度だけ: 使い勝手の一部であって、データの扱いと権限を確認できません。
利用者数と広告の評価だけ: 人気や宣伝は、組織の秘密を扱える契約・設定の証拠にはなりません。
モデル名と料金だけ: 同じモデルでもサービス、プラン、接続機能でデータ条件が異なります。
対象プラン、学習利用、保持・削除、共有、連携先、アクセス権、事故連絡先: 入力から削除と事故対応までを確認できる、適切な組合せです。
QUESTION 99承認済みの生成AIへ資料をアップロードした後の運用として、最も適切なのはどれですか。
情報保護は入力時だけで終わりません。生成、保存、共有、連携、削除までを追い、各段階の閲覧範囲と保持を管理します。
承認済みなら、共有リンクを期限なしで誰にでも公開する: サービスの利用承認と、個々の情報を外部共有する許可は別です。
出力への秘密の再出現、保存先、共有範囲、保持期間を確認し、不要になれば規程どおり削除する: データのライフサイクル全体を管理する適切な運用です。
入力が安全なら、生成された出力にはアクセス制御が不要になる: 出力が元情報を含んだり、新たな機密成果物になったりするため、同様に管理します。
履歴から消せば、すべてのログと接続先から即時に消えたと判断する: 画面上の履歴、提供者の保持、監査ログ、連携先の保存は別の可能性があります。
QUESTION 100業務用のAPIキーを誤って生成AIの会話へ貼り付けた直後の対応として、最も適切なのはどれですか。
秘密が送信された前提で、利用を止め、認証情報を交換し、組織の事故対応を開始します。会話削除だけでは封じ込めになりません。
回答が表示されなければ漏れていないと判断する: 送信処理や記録が行われた可能性があり、画面表示だけでは判断できません。
会話の題名だけを変更して、そのまま使い続ける: 秘密の有効性も送信履歴も変わらず、不正利用を止められません。
キーを直ちに無効化・再発行し、指定窓口へ報告してログと影響範囲を確認する: 封じ込め、報告、調査を速やかに行う適切な対応です。
キーの最後の一文字だけ変え、事故記録を残さない: 元のキーが有効なままで、再発防止と影響調査もできません。
QUESTION 101イベント用の画像を生成する前に、入力素材について最初に確認することはどれですか。
入力できることと、利用する権利があることは別です。権利者、ライセンス、契約、許された用途と条件を送信前に確認します。
検索結果の上位に表示されたか: 検索順位やネットで閲覧できることは、再利用の許諾を示しません。
自分が利用できる権利と、改変・商用利用・表示などの条件があるか: 入力前に権利根拠と利用条件を確かめる、適切な対応です。
生成AIがファイルを読み込める形式か: 技術的に読み込めても、素材を送信・利用できる権利があるとは限りません。
素材の色がブランドカラーと合うか: デザイン上の確認であり、入力素材の権利確認にはなりません。
QUESTION 102著作権法第30条の4と生成AIの利用を考えるとき、最も適切な理解はどれですか。
第30条の4はAIなら無条件に使える免許ではありません。学習・入力段階と、生成物を公開・販売する段階も分けて検討します。
生成AIへ渡すものは、目的や入手方法に関係なくすべて自由に使える: 実際の目的、利用態様、権利者の利益、契約などの条件を無視しています。
社内利用であれば、著作権や契約は一切関係しない: 社内利用でも複製やサービスへの送信、契約上の制限などを確認します。
条文があるため、生成物の公開時には確認が不要になる: 入力が適法でも、出力の類似性・依拠性や公開方法は別の問題です。
利用目的や態様、享受目的の有無、権利者の利益への影響を確認し、出力の利用は別に検討する: 条文を万能な許可にせず、段階と条件を分ける適切な理解です。
QUESTION 103生成した広告画像を公開する前の手順として、最も適切なのはどれですか。
公開前に、入力・生成・公開の各段階を証拠で確認します。AI生成との表示は、第三者の権利確認の代わりにはなりません。
入力素材の権利と規約を確認し、既存作品との類似性・依拠性や他の権利を比較し、判断記録を残す: 権利根拠、出力、用途、証拠を一続きで確認する適切な手順です。
画像にAI生成と書けば、類似性の確認を省略する: 生成方法の表示と、既存作品を侵害していないかの確認は別です。
一案目をすぐ公開し、申立てが来た後だけ調べる: 公開前に戻せる段階で確認せず、権利者と利用者への影響を広げます。
生成AIへ安全か尋ね、肯定回答の画面だけを保存する: AIは許諾を与えたり、侵害を確定したりできません。公式資料と権利証拠が必要です。
QUESTION 104AIを使った制作物について、人の創作的関与を確認する記録として最も適切なのはどれですか。
人が表現の形成へどう関わったかを具体的に示す記録が重要です。操作回数や端末の情報だけでは創作的な選択を説明できません。
生成ボタンを押した回数だけ: 回数が多いだけでは、表現へどのような創作的選択をしたか分かりません。
利用した端末の価格だけ: 道具の価格は、人が表現を創作した事情を示しません。
表現上の指示、候補の選択理由、構成・加筆・修正した箇所: 人の具体的な創作的関与を後から説明できる記録です。
AIサービスへ登録した年月だけ: 利用期間は、個々の制作物の表現形成を示す証拠にはなりません。
QUESTION 105生成AIサービスの規約に『商用利用可』とある場合の対応として、最も適切なのはどれですか。
商用利用可という規約は、第三者の権利を一律に消すものではありません。契約、素材、生成物、公開方法をそれぞれ確認します。
どの入力素材も許諾なしで使えると判断する: サービス規約は、他人の素材を使う権利まで自動で与えません。
提供者との利用条件に加え、入力素材のライセンス、第三者の権利、公開用途を別に確認する: 規約と第三者権利を分ける適切な確認です。
出力には必ず独占的な著作権が生じると判断する: 人の創作的関与などにより個別に検討され、一律には決まりません。
既存作品に似ていても、販売価格を低くすれば公開する: 価格の低さは、類似性・依拠性や利用許諾の問題を解消しません。
QUESTION 106採用支援AIの入力から性別などの属性欄を外した後、確認すべきことはどれですか。
属性欄を削除しても、関連する別の情報から同じ区別が再現される場合があります。入力と結果の両方を監査します。
属性欄がなければ、その時点で公平性が保証される: 代理変数や過去のラベルを通じて偏りが残る可能性があります。
全体正解率だけを確認し、集団別の誤りは見ない: 平均は小さな集団へ集中する誤りを隠します。
居住地や経歴などが代理変数になっていないかを調べ、集団別の影響も評価する: 直接属性だけでなく間接的な区別と実際の影響を確かめる適切な方法です。
入力項目をすべて削除し、無作為に結果を出す: 目的を達成できず、公平性を評価・改善する方法にもなりません。
QUESTION 107過去の採用結果を学習データへ使うとき、最初に疑うべきリスクはどれですか。
過去に選ばれたという記録は、能力そのものではありません。過去の制度や判断の偏りを正解として学ぶ可能性があります。
過去の選考慣行が正解ラベルへ入り、適格者の見逃しを繰り返すこと: ラベルバイアスとフィードバックループにつながる重要なリスクです。
データ件数が多いほど計算が一切できなくなること: 処理量は増えますが、件数の多さだけで計算不能になるとは限りません。
AIが応募者全員を必ず採用すること: 過去データ利用から必然的に起こる結果ではありません。
画面の色が過去と同じになること: 表示デザインではなく、正解の定義と人への影響が問題です。
QUESTION 108問い合わせ分類AIを公開する前の評価として、最も適切なものはどれですか。
全体平均に加え、意味のある集団別に偽陽性・偽陰性などを調べ、危険な差が出たときの運用まで決めます。
全体の正解率が高ければ、そのまま全件を自動処理する: 小さな集団の失敗と誤りの影響を見落とします。
最も多い問い合わせだけをテストする: 珍しいが影響の大きい例や少数集団を評価できません。
AIへ公平かどうかを尋ね、肯定回答を保存する: 自然な回答は、実データを使った独立した監査の証拠になりません。
目的に合う集団ごとに件数と誤りを比較し、停止基準と人への引継ぎを決める: 測定と安全な運用を一続きにした適切な評価です。
QUESTION 109ある小さな集団のテスト件数が非常に少ない場合、結果を扱う方法として最も適切なのはどれですか。
少数の割合は大きく揺れます。断定せず、データ不足を可視化し、安全な代替手順へつなげます。
一件の結果から、集団全体の性能を断定する: 標本が小さく、偶然の影響を強く受けるため断定できません。
件数と不確かさを示して評価不能も選び、追加データや人の確認を用意する: 不確かさと実務上の安全を両方扱う適切な方法です。
その集団を報告から削除し、問題がないことにする: 見えていないリスクを隠し、改善の機会を失います。
個人を特定できる詳細データを全社へ公開する: 公平性監査にもプライバシー保護と最小権限が必要です。
QUESTION 110公開時に公平性テストへ合格したAIを運用するとき、継続して行うことはどれですか。
環境や利用者が変わると偏りも変化します。公開後の監視、異議申立て、救済、停止を運用へ組み込みます。
一度合格したため、モデルや利用者が変わっても再評価しない: 公開後の分布変化や新しい利用方法で性能差が生まれます。
苦情や担当者の修正を記録せず、平均処理時間だけを見る: 速度だけでは人への不利益や隠れた誤りを把握できません。
集団別の誤り、上書き、苦情を監視し、基準超過時は停止・訂正・再評価する: 公開後の変化と影響へ対応できる適切な運用です。
過去のAI出力をすべて正解として自動学習する: 誤りや偏りを正解として循環させ、フィードバックループを強める危険があります。
QUESTION 111社内で生成AIの利用を始めるとき、ガバナンスの最初の行動として最も適切なのはどれですか。
把握していないAI利用は、評価、監視、停止ができません。まず用途と責任を見えるようにします。
全社員の利用を一律に禁止し、利用実態を記録しない: 実態が隠れ、危険な利用を発見・改善しにくくなります。
利用目的、入力情報、影響を受ける人、責任者を利用台帳で把握する: 審査と継続監視の土台を作る適切な行動です。
提供会社の広告に安全とあれば、審査を省略する: 提供者の一般的な説明だけでは、自社の用途への適合性は確認できません。
個人の判断だけで無料サービスを選び、顧客情報を入力する: 契約、保存、再学習、機密管理を確認せず、漏えいなどの危険があります。
QUESTION 112採用候補者をAIが順位付けする案を審査するとき、最も適切な対応はどれですか。
雇用など生活へ大きく影響する用途では、厳しい事前審査、人の実質的な監督、異議申立てと停止が必要です。
AIの順位を最終決定として自動採用する: 誤りや偏りが直接不利益につながり、人の監督もありません。
精度が高ければ、候補者への説明や異議申立てを省く: 平均精度だけでは個人への影響を扱えず、救済手段も失われます。
担当者に承認ボタンだけを押させ、元資料を見せない: 判断材料と停止権限のない形式的承認は、実質的な人の監督ではありません。
人への影響を高く評価し、目的・データ・集団別誤り・人の再審査・停止条件を厳格に確認する: 影響に応じて対策を強くする適切な審査です。
QUESTION 113AIサービスの契約・調達で確認する項目として、最も適切な組合せはどれですか。
機密・個人情報、モデル変更、事故対応、サービス終了まで運用できる条件を契約前に確認します。
入力の再学習利用、保存・削除、再委託、変更通知、事故連絡、終了時のデータ扱い: 利用期間全体の責任と情報管理を確認できる適切な組合せです。
ロゴの色と広告の印象だけ: 見た目は、データ管理や責任分担の確認になりません。
初月料金だけを確認し、モデル変更やデータ削除は見ない: 運用中の品質変化と終了後の情報残存を見落とします。
利用者数だけを確認し、規約は導入後に読む: 導入前に契約条件と用途の適合性を確認する必要があります。
QUESTION 114AIの誤回答により顧客へ不利益が生じたとき、最初から最後までの対応として最も適切なのはどれですか。
インシデント対応は、拡大防止、調査、通知、救済、再発防止、再開判断を一続きにします。
担当者個人を責め、記録を削除して利用を続ける: 原因分析と影響確認ができず、同じ問題を繰り返します。
提供会社へ連絡するだけで、顧客への訂正は行わない: 影響を受けた人への説明と救済が欠けています。
利用を止め、影響範囲と証拠を確認し、必要な連絡・訂正・再審査を行ってから再発防止を検証する: 被害の拡大防止から救済と安全な再開まで含む適切な流れです。
同じAIへ原因を質問し、その回答だけで再開する: 独立した調査、証拠、再テストがなく、原因の見落としがあります。
QUESTION 115一度審査に合格した生成AIの運用について、最も適切な考え方はどれですか。
AIと利用環境は変化します。定期見直しと、重要な変更をきっかけにした臨時審査の両方が必要です。
一度合格すれば、規約やモデルが変わっても見直さない: 前提が変われば、過去の評価結果をそのまま使えません。
モデル・規約・用途・法令の変更や苦情増加を再審査の条件にし、定期確認も続ける: 変化を監視と再評価へ結び付ける適切な運用です。
出力品質が落ちても、契約期間中は必ず使い続ける: 停止基準を超えた場合は、契約中でも人の処理へ戻す必要があります。
法令の適用日は解説記事だけで確認し、公式情報を見ない: 対象地域、役割、例外、施行日を公式情報で確認する必要があります。
QUESTION 116問い合わせ返信支援の価値を導入前に定義するとき、最も適切な記述はどれですか。
対象となる変化、比較する現状、測定指標を事前に置くと、導入後の価値を検証できます。
最新モデルを導入し、利用者数だけを増やす: モデルの新しさと利用人数は、業務課題が改善した証拠ではありません。
文章が自然に見えたら成功とし、現状値は測らない: 自然さだけでは正確さや業務効果が分からず、比較するベースラインもありません。
作成時間を十二分から七分以内へ減らし、全面修正率と苦情を悪化させない: 時間、品質、利用者への影響を検証可能な条件へした適切な価値仮説です。
競合が使っているため、効果を測らず同じサービスを契約する: 他社の用途や条件は自社と異なり、自社の価値とリスクを説明できません。
QUESTION 117顧客メール返信支援のPoCを設計するとき、最も適切な進め方はどれですか。
PoCは完成品作りではなく、重要な不確実性へ期限内に答える小さな検証です。
対象と期間を絞り、代表例・境界例・危険例で現状と比較し、受入基準と中止基準を開始前に決める: 価値、品質、安全を偏りなく測り、次の判断へつなげられます。
全機能を完成させてから、何を測るか考える: 費用を使った後まで重要な不確実性が残り、PoCの目的と逆になります。
担当者が選んだ成功しやすい例だけで評価する: 本番の例外や重大失敗を見落とし、性能を過大評価します。
試行中の結果に合わせて合格基準を何度でも下げる: 都合よく成功を定義できてしまい、客観的な判断材料になりません。
QUESTION 118生成AIサービスを三年間使う案の費用を比べるとき、最も適切な見積りはどれですか。
総保有コストは、購入や利用開始だけでなく、運用・変更・終了までに必要な人、時間、金額を含みます。
初月の利用料だけを比較する: 継続運用と利用量増加、障害や変更への費用を見落とします。
開発費だけを数え、確認担当者の時間をゼロとする: 人の確認は実際の運用コストであり、省くと効果を過大評価します。
高性能モデルを選べば監視と再評価は不要と考える: データ、用途、モデル、規約が変わるため、性能にかかわらず監視と再評価が必要です。
利用料、データ整備、連携、確認、教育、監視、事故対応、変更時の再評価、終了時の移行まで含める: 導入期間全体の費用を比較できる適切な見積りです。
QUESTION 119試行で時間短縮は確認できた一方、古いFAQを参照する例が残りました。次の判断として最も適切なのはどれですか。
価値があっても不確実性が残る場合は、対策と再評価条件を明確にした条件付き試行が適切です。
時間短縮だけを根拠に、確認なしの自動送信へ広げる: 品質上の失敗を無視し、戻しにくい範囲へ危険を拡大します。
全社導入を保留し、版指定と更新通知を追加した限定試行で再評価する: 見つかった原因へ対策し、限定範囲で証拠を追加する妥当な判断です。
一度問題が出たため、再検討条件を残さず永久に禁止する: 見送り自体は選択肢ですが、改善可能な条件と再検討時期を残す方が判断を更新できます。
AIへ導入可否を質問し、その回答だけで決裁する: AIは組織の費用、契約、責任、リスク許容度を完全には把握できません。
QUESTION 120限定導入後の残余リスクを扱う方法として、最も適切なのはどれですか。
対策後にも残る危険を可視化し、止める権限と戻す手順を含めて責任者が管理します。
人が確認するため、残る危険はゼロと記録する: 確認疲れや自動化バイアス、見落としがあり、人の確認でも危険はゼロになりません。
一度の審査に合格したら、モデルや用途が変わっても再評価しない: 前提が変われば、以前の評価をそのまま使えません。
残る可能性と影響を示し、責任者が受入れを判断し、中止・復旧・救済・再評価の条件を運用する: 残余リスクと可逆性を継続管理する適切な方法です。
重大な誤りが起きても、契約期間中は利用を続ける: 契約より中止基準と利用者の安全を優先し、必要なら人の工程へ戻します。
QUESTION 121AIの社会原則を組織の運用へ反映する方法として、最も適切なのはどれですか。
原則は、現場が実行でき、後から確認できる行動へ変換して初めて機能します。担当、証拠、停止条件を組み合わせます。
原則を社内サイトへ掲載し、具体的な手順は各自に任せる: 標語だけでは、迷う場面で判断が分かれ、守れた証拠も残りません。
原則ごとに行動、証拠、担当者、中止条件を決める: 人間中心や透明性を具体的な運用へ変える適切な方法です。
高性能モデルを選び、原則の確認を省く: 性能が高くても、用途、権利、説明、責任の問題は残ります。
事故が起きてから初めて責任者を決める: 発見直後に止められず、影響拡大と対応の遅れにつながります。
QUESTION 122AIガバナンスで最初に作る利用台帳へ記録する内容として、最も適切なのはどれですか。
名称だけでなく、どの業務で何が入り、誰へ影響し、誰が止めるかまで把握して初めて審査・監視できます。
サービス名と月額料金だけ: 費用管理には使えますが、データ、影響、責任を判断できません。
利用者の感想だけ: 使いやすさの参考にはなっても、リスクと責任の管理には不足します。
目的、入力情報、出力先、影響、自動化範囲、責任者、見直し日: 利用実態と管理責任を追える台帳として適切です。
提供会社の広告コピーだけ: 提供者の説明は参考資料であり、自社の実際の用途を表しません。
QUESTION 123人による確認が実質的に機能している状態はどれですか。
人間参加型では、確認者が内容を理解し、AI案を変更・拒否・停止できなければなりません。
根拠を見られないまま大量のAI判断へ承認を押す: 形式的な確認になり、自動化バイアスと見落としを増やします。
拒否すると担当者が処罰される: 異議を唱えられないため、実質的な監督ではありません。
元データとAI案を比較でき、十分な時間と停止権限がある: 理解、比較、拒否、停止が可能な実効性のある確認です。
AIの提案は必ず採用するルールにする: 人が結果を覆せず、確認者を置く意味が失われます。
QUESTION 124日本のAI新法と他のルールの関係について、最も適切な説明はどれですか。
AI新法は推進とリスク対応の国の枠組みです。個人情報、著作権、労働、消費者保護、契約などを置き換えるものではありません。
AI新法だけ確認すれば、個人情報や著作権の確認は不要: 既存法上の義務は残るため、用途ごとの確認が必要です。
AI新法はすべてのAI利用を一律禁止する: 研究開発と活用を推進しながら、必要なリスク対応を進める枠組みです。
AI新法の枠組みに加え、用途に関係する既存法、契約、ガイドラインも確認する: 複数の要求を重ねて判断する適切な理解です。
AI新法は提供会社だけに関係し、利用企業には関係しない: 利用側にも、自社の用途と影響を管理する責任があります。
QUESTION 125AIによる重大な誤案内を発見した直後の対応として、最も適切なのはどれですか。
事故対応は、停止、証拠保全、影響確認、連絡、訂正・救済、原因分析、再発防止、再開承認を一続きにします。
原因が分かるまで自動送信を続ける: 調査中にも被害が広がるため、先に影響拡大を止めます。
影響拡大を止め、証拠を保全し、範囲確認と必要な連絡・訂正へ進む: 利用者保護と原因究明を両立する適切な初動です。
記録をすべて削除して問題を公表しない: 影響範囲と原因を確認できず、必要な説明・救済もできません。
モデル提供者へ連絡するだけで、利用者への対応をしない: 導入側は、自社の利用で生じた影響の停止、説明、訂正を担います。
QUESTION 126次の説明が示す用語を、選択肢から1つ選んでください。
「生成AIへ渡す指示、質問、資料、会話履歴などのまとまりです。短い質問だけを指すとは限らず、目的、前提、入力データ、条件、例、出力形式を含む仕事の設計図として扱います。」
プロンプト:生成AIへ渡す指示、質問、資料、会話履歴などのまとまりです。短い質問だけを指すとは限らず、目的、前提、入力データ、条件、例、出力形式を含む仕事の設計図として扱います。
プロンプト: 生成AIへ渡す指示、質問、資料、会話履歴などのまとまりです。短い質問だけを指すとは限らず、目的、前提、入力データ、条件、例、出力形式を含む仕事の設計図として扱います。
Zero-Shot: 完成例を示さず、目的、材料、条件、出力形式などの指示だけでモデルへ仕事を依頼する方法です。モデルがすでに持つ一般的な知識や指示理解を使うため、短く始めやすい一方、組織独自の基準は推測されます。
Few-Shot: 少数の入力例と望ましい出力例をプロンプト内へ示し、例に共通する分類基準、表現、形式などを新しい入力へ適用させる方法です。例を見せることで、モデル自体を追加学習しているわけではありません。
代表例: 実際の対象の中で頻度が高く、標準的な判断を示す例です。珍しい例だけを集めず、日常的に処理する中心ケースから選びます。
QUESTION 127次の説明が示す用語を、選択肢から1つ選んでください。
「回答を作るときに参照できる会話、資料、画像、データ、前提の範囲です。AIが知っているはずと期待せず、今回の作業に必要な情報を、出所と対象範囲が分かる形で渡します。」
コンテキスト:回答を作るときに参照できる会話、資料、画像、データ、前提の範囲です。AIが知っているはずと期待せず、今回の作業に必要な情報を、出所と対象範囲が分かる形で渡します。
コンテキスト: 回答を作るときに参照できる会話、資料、画像、データ、前提の範囲です。AIが知っているはずと期待せず、今回の作業に必要な情報を、出所と対象範囲が分かる形で渡します。
Few-Shot: 少数の入力例と望ましい出力例をプロンプト内へ示し、例に共通する分類基準、表現、形式などを新しい入力へ適用させる方法です。例を見せることで、モデル自体を追加学習しているわけではありません。
代表例: 実際の対象の中で頻度が高く、標準的な判断を示す例です。珍しい例だけを集めず、日常的に処理する中心ケースから選びます。
境界例: 二つの分類の間や、判断保留・対象外になりやすい例です。何をしないか、迷ったときどう止めるかを伝えるために使います。
QUESTION 128次の説明が示す用語を、選択肢から1つ選んでください。
「文字数、対象者、期限、禁止事項、使える資料など、出力が守る条件です。条件を増やすこと自体が目的ではなく、採用判断に必要なものだけを優先順位付きで示します。」
制約:文字数、対象者、期限、禁止事項、使える資料など、出力が守る条件です。条件を増やすこと自体が目的ではなく、採用判断に必要なものだけを優先順位付きで示します。
制約: 文字数、対象者、期限、禁止事項、使える資料など、出力が守る条件です。条件を増やすこと自体が目的ではなく、採用判断に必要なものだけを優先順位付きで示します。
代表例: 実際の対象の中で頻度が高く、標準的な判断を示す例です。珍しい例だけを集めず、日常的に処理する中心ケースから選びます。
境界例: 二つの分類の間や、判断保留・対象外になりやすい例です。何をしないか、迷ったときどう止めるかを伝えるために使います。
評価集合: プロンプト作成に使った例とは分けて用意する確認用データです。代表例、境界例、危険例を含め、変更前後を同じ条件で比較します。
QUESTION 129次の説明が示す用語を、選択肢から1つ選んでください。
「表、箇条書き、見出し構成、JSONなど、結果の形を指定するものです。後工程で人やシステムが確認・再利用しやすい形式を選び、必要な項目名と順番を明確にします。」
出力形式:表、箇条書き、見出し構成、JSONなど、結果の形を指定するものです。後工程で人やシステムが確認・再利用しやすい形式を選び、必要な項目名と順番を明確にします。
出力形式: 表、箇条書き、見出し構成、JSONなど、結果の形を指定するものです。後工程で人やシステムが確認・再利用しやすい形式を選び、必要な項目名と順番を明確にします。
境界例: 二つの分類の間や、判断保留・対象外になりやすい例です。何をしないか、迷ったときどう止めるかを伝えるために使います。
評価集合: プロンプト作成に使った例とは分けて用意する確認用データです。代表例、境界例、危険例を含め、変更前後を同じ条件で比較します。
要約: 元資料の重要な内容を、目的に合わせて短く再構成する作業です。単なる文字数削減ではなく、誰が何を判断するために読むかによって残す情報が変わります。
QUESTION 130次の説明が示す用語を、選択肢から1つ選んでください。
「出力を採用してよいか人が判断する条件です。事実の根拠、禁止表現、必須項目、文字数範囲などを観察可能な形で置き、AI自身の自己評価だけで合格にしません。」
受入基準:出力を採用してよいか人が判断する条件です。事実の根拠、禁止表現、必須項目、文字数範囲などを観察可能な形で置き、AI自身の自己評価だけで合格にしません。
受入基準: 出力を採用してよいか人が判断する条件です。事実の根拠、禁止表現、必須項目、文字数範囲などを観察可能な形で置き、AI自身の自己評価だけで合格にしません。
評価集合: プロンプト作成に使った例とは分けて用意する確認用データです。代表例、境界例、危険例を含め、変更前後を同じ条件で比較します。
要約: 元資料の重要な内容を、目的に合わせて短く再構成する作業です。単なる文字数削減ではなく、誰が何を判断するために読むかによって残す情報が変わります。
校正: 誤字、脱字、文法、表記揺れ、読みにくさなどを点検し、意味を変えない範囲で整える作業です。事実の正しさや法的妥当性を保証する校閲とは分けます。
QUESTION 131条件を細かく書くほど、生成AIの回答は必ず正確になる?
いいえ。条件の衝突や古い資料、権限過多は、長い指示だけでは解決しません。目的に必要な条件を優先順位付きで示し、資料、権限、人の確認を合わせて設計します。
はい: 不正解です。条件を細かくするだけでは、回答の正確性は保証できません。条件同士の衝突や、参照資料の誤り・古さが残ることがあります。
いいえ: 正解です。必要な条件を優先順位付きで示し、資料の版、権限、人の確認を組み合わせる必要があります。
QUESTION 132次の説明が示す用語を、選択肢から1つ選んでください。
「完成例を示さず、目的、材料、条件、出力形式などの指示だけでモデルへ仕事を依頼する方法です。モデルがすでに持つ一般的な知識や指示理解を使うため、短く始めやすい一方、組織独自の基準は推測されます。」
Zero-Shot:完成例を示さず、目的、材料、条件、出力形式などの指示だけでモデルへ仕事を依頼する方法です。モデルがすでに持つ一般的な知識や指示理解を使うため、短く始めやすい一方、組織独自の基準は推測されます。
Zero-Shot: 完成例を示さず、目的、材料、条件、出力形式などの指示だけでモデルへ仕事を依頼する方法です。モデルがすでに持つ一般的な知識や指示理解を使うため、短く始めやすい一方、組織独自の基準は推測されます。
Few-Shot: 少数の入力例と望ましい出力例をプロンプト内へ示し、例に共通する分類基準、表現、形式などを新しい入力へ適用させる方法です。例を見せることで、モデル自体を追加学習しているわけではありません。
代表例: 実際の対象の中で頻度が高く、標準的な判断を示す例です。珍しい例だけを集めず、日常的に処理する中心ケースから選びます。
境界例: 二つの分類の間や、判断保留・対象外になりやすい例です。何をしないか、迷ったときどう止めるかを伝えるために使います。
QUESTION 133次の説明が示す用語を、選択肢から1つ選んでください。
「少数の入力例と望ましい出力例をプロンプト内へ示し、例に共通する分類基準、表現、形式などを新しい入力へ適用させる方法です。例を見せることで、モデル自体を追加学習しているわけではありません。」
Few-Shot:少数の入力例と望ましい出力例をプロンプト内へ示し、例に共通する分類基準、表現、形式などを新しい入力へ適用させる方法です。例を見せることで、モデル自体を追加学習しているわけではありません。
Few-Shot: 少数の入力例と望ましい出力例をプロンプト内へ示し、例に共通する分類基準、表現、形式などを新しい入力へ適用させる方法です。例を見せることで、モデル自体を追加学習しているわけではありません。
代表例: 実際の対象の中で頻度が高く、標準的な判断を示す例です。珍しい例だけを集めず、日常的に処理する中心ケースから選びます。
境界例: 二つの分類の間や、判断保留・対象外になりやすい例です。何をしないか、迷ったときどう止めるかを伝えるために使います。
評価集合: プロンプト作成に使った例とは分けて用意する確認用データです。代表例、境界例、危険例を含め、変更前後を同じ条件で比較します。
QUESTION 134次の説明が示す用語を、選択肢から1つ選んでください。
「実際の対象の中で頻度が高く、標準的な判断を示す例です。珍しい例だけを集めず、日常的に処理する中心ケースから選びます。」
代表例:実際の対象の中で頻度が高く、標準的な判断を示す例です。珍しい例だけを集めず、日常的に処理する中心ケースから選びます。
代表例: 実際の対象の中で頻度が高く、標準的な判断を示す例です。珍しい例だけを集めず、日常的に処理する中心ケースから選びます。
境界例: 二つの分類の間や、判断保留・対象外になりやすい例です。何をしないか、迷ったときどう止めるかを伝えるために使います。
評価集合: プロンプト作成に使った例とは分けて用意する確認用データです。代表例、境界例、危険例を含め、変更前後を同じ条件で比較します。
要約: 元資料の重要な内容を、目的に合わせて短く再構成する作業です。単なる文字数削減ではなく、誰が何を判断するために読むかによって残す情報が変わります。
QUESTION 135次の説明が示す用語を、選択肢から1つ選んでください。
「二つの分類の間や、判断保留・対象外になりやすい例です。何をしないか、迷ったときどう止めるかを伝えるために使います。」
境界例:二つの分類の間や、判断保留・対象外になりやすい例です。何をしないか、迷ったときどう止めるかを伝えるために使います。
境界例: 二つの分類の間や、判断保留・対象外になりやすい例です。何をしないか、迷ったときどう止めるかを伝えるために使います。
評価集合: プロンプト作成に使った例とは分けて用意する確認用データです。代表例、境界例、危険例を含め、変更前後を同じ条件で比較します。
要約: 元資料の重要な内容を、目的に合わせて短く再構成する作業です。単なる文字数削減ではなく、誰が何を判断するために読むかによって残す情報が変わります。
校正: 誤字、脱字、文法、表記揺れ、読みにくさなどを点検し、意味を変えない範囲で整える作業です。事実の正しさや法的妥当性を保証する校閲とは分けます。
QUESTION 136次の説明が示す用語を、選択肢から1つ選んでください。
「プロンプト作成に使った例とは分けて用意する確認用データです。代表例、境界例、危険例を含め、変更前後を同じ条件で比較します。」
評価集合:プロンプト作成に使った例とは分けて用意する確認用データです。代表例、境界例、危険例を含め、変更前後を同じ条件で比較します。
評価集合: プロンプト作成に使った例とは分けて用意する確認用データです。代表例、境界例、危険例を含め、変更前後を同じ条件で比較します。
要約: 元資料の重要な内容を、目的に合わせて短く再構成する作業です。単なる文字数削減ではなく、誰が何を判断するために読むかによって残す情報が変わります。
校正: 誤字、脱字、文法、表記揺れ、読みにくさなどを点検し、意味を変えない範囲で整える作業です。事実の正しさや法的妥当性を保証する校閲とは分けます。
編集: 読者、目的、媒体に合わせて、構成、情報の順序、説明量、見出し、表現を組み直す作業です。元の主張を勝手に変えず、変更理由を確認できるようにします。
QUESTION 137Few-Shotの例を増やし続ければ、回答は必ず正確になる?
いいえ。誤った例、偏った例、矛盾する例は結果を悪化させ、入力の長大化も招きます。Zero-Shotの基準結果を測り、特定の失敗を直す代表例・境界例だけを加え、例とは別の評価集合で効果を確認します。
いいえ: 正解です。特定の失敗を直す代表例・境界例だけを加え、例とは別の評価集合で効果を確認します。
はい: 不正解です。誤り、偏り、矛盾を含む例を増やすと結果が悪化し、入力も不必要に長くなります。
QUESTION 138次の説明が示す用語を、選択肢から1つ選んでください。
「元資料の重要な内容を、目的に合わせて短く再構成する作業です。単なる文字数削減ではなく、誰が何を判断するために読むかによって残す情報が変わります。」
要約:元資料の重要な内容を、目的に合わせて短く再構成する作業です。単なる文字数削減ではなく、誰が何を判断するために読むかによって残す情報が変わります。
要約: 元資料の重要な内容を、目的に合わせて短く再構成する作業です。単なる文字数削減ではなく、誰が何を判断するために読むかによって残す情報が変わります。
Few-Shot: 少数の入力例と望ましい出力例をプロンプト内へ示し、例に共通する分類基準、表現、形式などを新しい入力へ適用させる方法です。例を見せることで、モデル自体を追加学習しているわけではありません。
代表例: 実際の対象の中で頻度が高く、標準的な判断を示す例です。珍しい例だけを集めず、日常的に処理する中心ケースから選びます。
境界例: 二つの分類の間や、判断保留・対象外になりやすい例です。何をしないか、迷ったときどう止めるかを伝えるために使います。
QUESTION 139次の説明が示す用語を、選択肢から1つ選んでください。
「誤字、脱字、文法、表記揺れ、読みにくさなどを点検し、意味を変えない範囲で整える作業です。事実の正しさや法的妥当性を保証する校閲とは分けます。」
校正:誤字、脱字、文法、表記揺れ、読みにくさなどを点検し、意味を変えない範囲で整える作業です。事実の正しさや法的妥当性を保証する校閲とは分けます。
校正: 誤字、脱字、文法、表記揺れ、読みにくさなどを点検し、意味を変えない範囲で整える作業です。事実の正しさや法的妥当性を保証する校閲とは分けます。
代表例: 実際の対象の中で頻度が高く、標準的な判断を示す例です。珍しい例だけを集めず、日常的に処理する中心ケースから選びます。
境界例: 二つの分類の間や、判断保留・対象外になりやすい例です。何をしないか、迷ったときどう止めるかを伝えるために使います。
評価集合: プロンプト作成に使った例とは分けて用意する確認用データです。代表例、境界例、危険例を含め、変更前後を同じ条件で比較します。
QUESTION 140次の説明が示す用語を、選択肢から1つ選んでください。
「読者、目的、媒体に合わせて、構成、情報の順序、説明量、見出し、表現を組み直す作業です。元の主張を勝手に変えず、変更理由を確認できるようにします。」
編集:読者、目的、媒体に合わせて、構成、情報の順序、説明量、見出し、表現を組み直す作業です。元の主張を勝手に変えず、変更理由を確認できるようにします。
編集: 読者、目的、媒体に合わせて、構成、情報の順序、説明量、見出し、表現を組み直す作業です。元の主張を勝手に変えず、変更理由を確認できるようにします。
境界例: 二つの分類の間や、判断保留・対象外になりやすい例です。何をしないか、迷ったときどう止めるかを伝えるために使います。
評価集合: プロンプト作成に使った例とは分けて用意する確認用データです。代表例、境界例、危険例を含め、変更前後を同じ条件で比較します。
要約: 元資料の重要な内容を、目的に合わせて短く再構成する作業です。単なる文字数削減ではなく、誰が何を判断するために読むかによって残す情報が変わります。
QUESTION 141次の説明が示す用語を、選択肢から1つ選んでください。
「作成物を受入基準と元資料に照らし、採用、修正、差戻しを判断する工程です。AIの自己評価だけでなく、担当者や専門家が責任範囲に応じて確認します。」
レビュー:作成物を受入基準と元資料に照らし、採用、修正、差戻しを判断する工程です。AIの自己評価だけでなく、担当者や専門家が責任範囲に応じて確認します。
レビュー: 作成物を受入基準と元資料に照らし、採用、修正、差戻しを判断する工程です。AIの自己評価だけでなく、担当者や専門家が責任範囲に応じて確認します。
評価集合: プロンプト作成に使った例とは分けて用意する確認用データです。代表例、境界例、危険例を含め、変更前後を同じ条件で比較します。
要約: 元資料の重要な内容を、目的に合わせて短く再構成する作業です。単なる文字数削減ではなく、誰が何を判断するために読むかによって残す情報が変わります。
校正: 誤字、脱字、文法、表記揺れ、読みにくさなどを点検し、意味を変えない範囲で整える作業です。事実の正しさや法的妥当性を保証する校閲とは分けます。
QUESTION 142次の説明が示す用語を、選択肢から1つ選んでください。
「仕事の開始から完成までを、入力、処理、確認、承認、公開などの工程と担当へ分けた流れです。AIは一部工程を支援できますが、全体の責任主体にはなりません。」
ワークフロー:仕事の開始から完成までを、入力、処理、確認、承認、公開などの工程と担当へ分けた流れです。AIは一部工程を支援できますが、全体の責任主体にはなりません。
ワークフロー: 仕事の開始から完成までを、入力、処理、確認、承認、公開などの工程と担当へ分けた流れです。AIは一部工程を支援できますが、全体の責任主体にはなりません。
要約: 元資料の重要な内容を、目的に合わせて短く再構成する作業です。単なる文字数削減ではなく、誰が何を判断するために読むかによって残す情報が変わります。
校正: 誤字、脱字、文法、表記揺れ、読みにくさなどを点検し、意味を変えない範囲で整える作業です。事実の正しさや法的妥当性を保証する校閲とは分けます。
編集: 読者、目的、媒体に合わせて、構成、情報の順序、説明量、見出し、表現を組み直す作業です。元の主張を勝手に変えず、変更理由を確認できるようにします。
QUESTION 143AIが作った顧客向け文章は、読みやすく誤字がなければそのまま送信してよい?
いいえ。読みやすさと、事実・権利・約束・相手への影響の妥当性は別です。元資料との照合、校閲、責任者の承認を行い、送信権限は下書き生成から分離します。
はい: 不正解です。読みやすさと誤字の有無だけでは、事実、権利、約束、相手への影響を確認できません。
いいえ: 正解です。元資料との照合、校閲、責任者の承認を行い、送信権限を下書き生成から分離します。
QUESTION 144次の説明が示す用語を、選択肢から1つ選んでください。
「生成AIが、事実ではない内容や存在しない出典を、自然で確からしい文章として作る現象です。意図的な嘘とは限らず、生成の仕組み上起こり得ます。」
ハルシネーション:生成AIが、事実ではない内容や存在しない出典を、自然で確からしい文章として作る現象です。意図的な嘘とは限らず、生成の仕組み上起こり得ます。
ハルシネーション: 生成AIが、事実ではない内容や存在しない出典を、自然で確からしい文章として作る現象です。意図的な嘘とは限らず、生成の仕組み上起こり得ます。
代表例: 実際の対象の中で頻度が高く、標準的な判断を示す例です。珍しい例だけを集めず、日常的に処理する中心ケースから選びます。
境界例: 二つの分類の間や、判断保留・対象外になりやすい例です。何をしないか、迷ったときどう止めるかを伝えるために使います。
評価集合: プロンプト作成に使った例とは分けて用意する確認用データです。代表例、境界例、危険例を含め、変更前後を同じ条件で比較します。
QUESTION 145次の説明が示す用語を、選択肢から1つ選んでください。
「主張を一次情報、原資料、複数の独立資料などと照合し、事実として採用できるか確認する作業です。検索結果の要約だけで終えず、発行元と日付、対象範囲を見ます。」
ファクトチェック:主張を一次情報、原資料、複数の独立資料などと照合し、事実として採用できるか確認する作業です。検索結果の要約だけで終えず、発行元と日付、対象範囲を見ます。
ファクトチェック: 主張を一次情報、原資料、複数の独立資料などと照合し、事実として採用できるか確認する作業です。検索結果の要約だけで終えず、発行元と日付、対象範囲を見ます。
境界例: 二つの分類の間や、判断保留・対象外になりやすい例です。何をしないか、迷ったときどう止めるかを伝えるために使います。
評価集合: プロンプト作成に使った例とは分けて用意する確認用データです。代表例、境界例、危険例を含め、変更前後を同じ条件で比較します。
要約: 元資料の重要な内容を、目的に合わせて短く再構成する作業です。単なる文字数削減ではなく、誰が何を判断するために読むかによって残す情報が変わります。
QUESTION 146次の説明が示す用語を、選択肢から1つ選んでください。
「同じ入力と規則から同じ結果を得ることを重視する処理です。料金計算、日付判定、文字数、許可条件などは、生成AIの文章生成より規則・コード・専用ツールが向きます。」
決定論的処理:同じ入力と規則から同じ結果を得ることを重視する処理です。料金計算、日付判定、文字数、許可条件などは、生成AIの文章生成より規則・コード・専用ツールが向きます。
決定論的処理: 同じ入力と規則から同じ結果を得ることを重視する処理です。料金計算、日付判定、文字数、許可条件などは、生成AIの文章生成より規則・コード・専用ツールが向きます。
評価集合: プロンプト作成に使った例とは分けて用意する確認用データです。代表例、境界例、危険例を含め、変更前後を同じ条件で比較します。
要約: 元資料の重要な内容を、目的に合わせて短く再構成する作業です。単なる文字数削減ではなく、誰が何を判断するために読むかによって残す情報が変わります。
校正: 誤字、脱字、文法、表記揺れ、読みにくさなどを点検し、意味を変えない範囲で整える作業です。事実の正しさや法的妥当性を保証する校閲とは分けます。
QUESTION 147次の説明が示す用語を、選択肢から1つ選んでください。
「重要な工程へ、人が理解・修正・拒否・停止できる形で参加する設計です。単に最後に承認ボタンを置くだけでなく、根拠と判断時間、権限を与えます。」
ヒューマン・イン・ザ・ループ:重要な工程へ、人が理解・修正・拒否・停止できる形で参加する設計です。単に最後に承認ボタンを置くだけでなく、根拠と判断時間、権限を与えます。
ヒューマン・イン・ザ・ループ: 重要な工程へ、人が理解・修正・拒否・停止できる形で参加する設計です。単に最後に承認ボタンを置くだけでなく、根拠と判断時間、権限を与えます。
要約: 元資料の重要な内容を、目的に合わせて短く再構成する作業です。単なる文字数削減ではなく、誰が何を判断するために読むかによって残す情報が変わります。
校正: 誤字、脱字、文法、表記揺れ、読みにくさなどを点検し、意味を変えない範囲で整える作業です。事実の正しさや法的妥当性を保証する校閲とは分けます。
編集: 読者、目的、媒体に合わせて、構成、情報の順序、説明量、見出し、表現を組み直す作業です。元の主張を勝手に変えず、変更理由を確認できるようにします。
QUESTION 148次の説明が示す用語を、選択肢から1つ選んでください。
「失敗の起こりやすさと影響の大きさに応じて、確認、権限、監視、承認の強さを変える考え方です。すべてを同じ重さで確認せず、重大な用途へ資源を集中します。」
リスクベース:失敗の起こりやすさと影響の大きさに応じて、確認、権限、監視、承認の強さを変える考え方です。すべてを同じ重さで確認せず、重大な用途へ資源を集中します。
リスクベース: 失敗の起こりやすさと影響の大きさに応じて、確認、権限、監視、承認の強さを変える考え方です。すべてを同じ重さで確認せず、重大な用途へ資源を集中します。
校正: 誤字、脱字、文法、表記揺れ、読みにくさなどを点検し、意味を変えない範囲で整える作業です。事実の正しさや法的妥当性を保証する校閲とは分けます。
編集: 読者、目的、媒体に合わせて、構成、情報の順序、説明量、見出し、表現を組み直す作業です。元の主張を勝手に変えず、変更理由を確認できるようにします。
レビュー: 作成物を受入基準と元資料に照らし、採用、修正、差戻しを判断する工程です。AIの自己評価だけでなく、担当者や専門家が責任範囲に応じて確認します。
QUESTION 149AIが自信のある文章で詳しく答え、出典名も示した場合、内容は正確だと判断してよい?
いいえ。流暢さ、断定の強さ、細かな数字、出典らしい名称は正確さの証拠ではありません。原典を開き、発行元、日付、対象範囲、引用箇所を確認します。
いいえ: 正解です。原典を開き、発行元、日付、対象範囲、該当箇所が回答を支えるか確認します。
はい: 不正解です。流暢さ、断定の強さ、出典らしい名称は、内容が正確である証拠にはなりません。
QUESTION 150次の説明が示す用語を、選択肢から1つ選んでください。
「失敗が起きる可能性と、起きた場合の人・権利・金銭・業務・社会への影響を整理し、対策の強さを決める作業です。用途、対象人数、戻せるか、発見しやすさも見ます。」
リスク評価:失敗が起きる可能性と、起きた場合の人・権利・金銭・業務・社会への影響を整理し、対策の強さを決める作業です。用途、対象人数、戻せるか、発見しやすさも見ます。
リスク評価: 失敗が起きる可能性と、起きた場合の人・権利・金銭・業務・社会への影響を整理し、対策の強さを決める作業です。用途、対象人数、戻せるか、発見しやすさも見ます。
境界例: 二つの分類の間や、判断保留・対象外になりやすい例です。何をしないか、迷ったときどう止めるかを伝えるために使います。
評価集合: プロンプト作成に使った例とは分けて用意する確認用データです。代表例、境界例、危険例を含め、変更前後を同じ条件で比較します。
要約: 元資料の重要な内容を、目的に合わせて短く再構成する作業です。単なる文字数削減ではなく、誰が何を判断するために読むかによって残す情報が変わります。
QUESTION 151次の説明が示す用語を、選択肢から1つ選んでください。
「公開、送信、契約、支払、削除などの前に、責任と権限を持つ人が、根拠・影響・未確認事項を見て実行可否を決めることです。単なる確認済みチェックではありません。」
承認:公開、送信、契約、支払、削除などの前に、責任と権限を持つ人が、根拠・影響・未確認事項を見て実行可否を決めることです。単なる確認済みチェックではありません。
承認: 公開、送信、契約、支払、削除などの前に、責任と権限を持つ人が、根拠・影響・未確認事項を見て実行可否を決めることです。単なる確認済みチェックではありません。
評価集合: プロンプト作成に使った例とは分けて用意する確認用データです。代表例、境界例、危険例を含め、変更前後を同じ条件で比較します。
要約: 元資料の重要な内容を、目的に合わせて短く再構成する作業です。単なる文字数削減ではなく、誰が何を判断するために読むかによって残す情報が変わります。
校正: 誤字、脱字、文法、表記揺れ、読みにくさなどを点検し、意味を変えない範囲で整える作業です。事実の正しさや法的妥当性を保証する校閲とは分けます。
QUESTION 152次の説明が示す用語を、選択肢から1つ選んでください。
「出力が、どの目的、入力、資料、モデル、設定、確認、変更、承認から作られたかを後からたどれる状態です。問題時の訂正と改善に必要です。」
トレーサビリティ:出力が、どの目的、入力、資料、モデル、設定、確認、変更、承認から作られたかを後からたどれる状態です。問題時の訂正と改善に必要です。
トレーサビリティ: 出力が、どの目的、入力、資料、モデル、設定、確認、変更、承認から作られたかを後からたどれる状態です。問題時の訂正と改善に必要です。
要約: 元資料の重要な内容を、目的に合わせて短く再構成する作業です。単なる文字数削減ではなく、誰が何を判断するために読むかによって残す情報が変わります。
校正: 誤字、脱字、文法、表記揺れ、読みにくさなどを点検し、意味を変えない範囲で整える作業です。事実の正しさや法的妥当性を保証する校閲とは分けます。
編集: 読者、目的、媒体に合わせて、構成、情報の順序、説明量、見出し、表現を組み直す作業です。元の主張を勝手に変えず、変更理由を確認できるようにします。
QUESTION 153次の説明が示す用語を、選択肢から1つ選んでください。
「重大誤り、情報漏えい、修正率の急増など、運用を続けず止める基準です。開始前に数値と判断者を決め、現場が実際に停止できる権限を持ちます。」
停止条件:重大誤り、情報漏えい、修正率の急増など、運用を続けず止める基準です。開始前に数値と判断者を決め、現場が実際に停止できる権限を持ちます。
停止条件: 重大誤り、情報漏えい、修正率の急増など、運用を続けず止める基準です。開始前に数値と判断者を決め、現場が実際に停止できる権限を持ちます。
校正: 誤字、脱字、文法、表記揺れ、読みにくさなどを点検し、意味を変えない範囲で整える作業です。事実の正しさや法的妥当性を保証する校閲とは分けます。
編集: 読者、目的、媒体に合わせて、構成、情報の順序、説明量、見出し、表現を組み直す作業です。元の主張を勝手に変えず、変更理由を確認できるようにします。
レビュー: 作成物を受入基準と元資料に照らし、採用、修正、差戻しを判断する工程です。AIの自己評価だけでなく、担当者や専門家が責任範囲に応じて確認します。
QUESTION 154次の説明が示す用語を、選択肢から1つ選んでください。
「公開・導入後も、誤り、差戻し、苦情、費用、入力傾向、モデルや資料の変更を見続ける活動です。試験時の合格が将来も続くとは限りません。」
継続監視:公開・導入後も、誤り、差戻し、苦情、費用、入力傾向、モデルや資料の変更を見続ける活動です。試験時の合格が将来も続くとは限りません。
継続監視: 公開・導入後も、誤り、差戻し、苦情、費用、入力傾向、モデルや資料の変更を見続ける活動です。試験時の合格が将来も続くとは限りません。
編集: 読者、目的、媒体に合わせて、構成、情報の順序、説明量、見出し、表現を組み直す作業です。元の主張を勝手に変えず、変更理由を確認できるようにします。
レビュー: 作成物を受入基準と元資料に照らし、採用、修正、差戻しを判断する工程です。AIの自己評価だけでなく、担当者や専門家が責任範囲に応じて確認します。
ワークフロー: 仕事の開始から完成までを、入力、処理、確認、承認、公開などの工程と担当へ分けた流れです。AIは一部工程を支援できますが、全体の責任主体にはなりません。
QUESTION 155安全対策は、AIが作った文章を最後に人が一度読めば十分?
いいえ。目的選定、入力情報と権利の確認、資料と権限の限定、生成中の検査、専門確認、承認、公開後の監視・停止・訂正まで連続した手順が必要です。
はい: 不正解です。最後の一読だけでは、入力、権利、権限、生成途中、公開後に生じる失敗を防げません。
いいえ: 正解です。目的選定から入力確認、権限制限、生成中の検査、承認、公開後の監視・停止・訂正までを連続して設計します。
理解度確認
理解度チェック
0/ 155