【ITパスポート練習問題 6.3対応】② AI の活用領域及び活用目的

【解説】

正解: 2 特定の目的に特化して設計されている

この問題は、AI（人工知能）の分類において、「特化型AI」と「汎用AI」の基本的な違いを理解しているかを確認するものです。

特化型AI（Narrow AI）とは、画像認識、音声認識、特定のゲーム（囲碁や将棋）など、「特定の目的に特化」して設計され、その限定されたタスクにおいて高い能力を発揮するAIを指します。現在、世の中で実用化されているAIのほとんどがこの特化型AIです。したがって、2が正解です。

1の「幅広いタスクに対応可能」や、3の「自ら学習して新しい分野に応用できる」は、人間のように様々な種類のタスクをこなし、未知の分野にも適応できる未来のAI、「汎用AI（AGI）」の特徴を説明したものであり、特化型AIとは正反対の概念です。

【解説】

正解: 3 多言語翻訳の自動化

この問題は、特化型AIが「特定の限定されたタスク」で使われることを理解し、その具体例を識別できるかを確認するものです。

1の「画像認識システム」（例：不良品検知）や、2の「医療分野の診断支援」（例：CT画像からの病変検出）は、それぞれ「画像認識」「診断支援」という、非常に限定された特定のタスクを実行する特化型AIの典型例です。

一方、3の「多言語翻訳の自動化」は、日本語、英語、中国語など、複数の言語が持つ複雑な文法や膨大な語彙、文化的背景といった多様なルールや文脈を扱う必要があります。この問題の文脈では、他の2つに比べて、より広範で複雑な処理能力が求められるため、特化型AIの利用例として（他の選択肢と比べると）不適切であると判断されます。

【解説】

正解: 3 工場の特定工程の不良品検知

この問題は、特化型AIが得意とするタスク（限定的・単一）と、汎用AIが目指すタスク（広範・複数）を、具体例で区別できるかを確認するものです。

特化型AIは、限定された特定のタスクで高い性能を発揮します。「工場の特定工程の不良品検知」は、ベルトコンベアを流れる製品画像から「不良品という特定のパターンを見つける」という、非常に限定的で単一のタスクです。これは特化型AIが最も適しているタスクです。したがって、3が正解です。

1の「自律走行車の全般的制御」は、画像認識、障害物回避、経路探索、状況判断など、複数の高度なタスクを同時に処理する必要があり、汎用AIに近い能力が求められます。2の「テキスト要約と創作を行うAIシステム」も、文脈理解（要約）と新しい情報の生成（創作）という異なる能力が求められるため、単一タスクとは言えません。

【解説】

正解: 2 幅広いタスクへの対応能力

この問題は、汎用AI（AGI: Artificial General Intelligence）の基本的な定義を理解しているかを確認するものです。

汎用AIとは、特定のタスクに限定されず、人間のように「幅広いタスク」や未知の問題に対して、自ら学習し適応できる能力を持つAIのことを指します。現在主流の特化型AIの、次の目標とされています。したがって、2が正解です。

1の「特定タスク専用の設計」は、汎用AIとは対極にある「特化型AI」の特徴です。3の「高速な計算能力に特化」は、AI全般を支えるハードウェアの能力であり、汎用AIそのものの定義ではありません。

【解説】

正解: 2 汎用AIの実現に必要な技術の確立

この問題は、現在のAI研究の到達点（特化型AIの実用化）と、未来に向けた大きな課題（汎用AIの実現）を区別できているかを確認するものです。

現在のAI研究では、画像認識や自然言語処理などの「特化型AI」が多くの分野で実用化されています。AI研究における次の大きな目標であり、最も困難な課題は、人間のような本当の知能、すなわち「汎用AI」をどのようにして実現するか、そのために必要な根本的な「技術（例：自己学習、推論、意識など）を確立」することです。したがって、2が正解です。

1の「特化型AIの応用範囲の拡大」は、すでに実用化フェーズの課題です。3の「計算コストの削減のみ」も重要な課題ですが、AI研究における数ある課題の一つに過ぎません。

【解説】

正解: 1 現行のAIは単一タスクにしか対応できない

この問題は、汎用AIの定義（多様なタスクに対応）と、現在のAI（特化型AI）の限界を対比させ、汎用AIがなぜまだ実現できていないのか、その根本的な理由を理解しているかを確認するものです。

汎用AIは、人間のように「多様なタスク」に対応できることが求められます。しかし、「現行のAI（特化型AI）」は、設計の段階から「単一タスク」専用（例：画像認識専用、翻訳専用）として作られています。この「単一タスクにしか対応できない」という根本的な設計思想や能力の限界が、汎用AIが実現できていない理由です。したがって、1が正解です。

2の「学習データが不足している」や、3の「ハードウェア技術が進化していない」もAI発展の制約要因ですが、これらが解決されても、現在の特化型AIの仕組みのままでは汎用AIにはなりません。

【解説】

正解: 2 画像内の物体を識別するシステム

この問題は、AIが持つ様々な技術分野（認識、予測、実行など）のうち、「認識技術」が具体的に何を指すかを理解しているかを確認するものです。

AIにおける「認識」とは、コンピュータがデータ（画像、音声、テキストなど）を入力し、それが「何であるか」を識別・理解する技術を指します。「画像内の物体を識別するシステム」（画像認識）は、まさに「画像」データを「認識」する技術の典型例です。したがって、2が正解です。

1の「計画立案の自動化」は、認識した結果に基づいて未来の行動を決める「計画・予測」の技術です。3の「作業の効率を高めるプロセス管理」は、業務プロセスを「最適化・実行」する技術であり、認識そのものではありません。

【解説】

正解: 3 生産ラインでのタスク割り当て

この問題は、AIの「認識技術」と、認識した結果を使って行う「計画・実行（自動化）」の技術を、具体例で区別できるかを確認するものです。

1の「音声をテキストに変換する」（音声認識）や、2の「電子メールの分類」（自然言語処理）は、それぞれ「音声」や「テキスト」というデータが何であるかを「認識」する技術です。

一方、3の「生産ラインでのタスク割り当て」は、例えば「作業員Aが空いている（認識）」や「部品Bが不足している（認識）」という認識結果に基づき、「作業員Aに部品Bの補充を指示する」といった「計画・実行」を行う技術です。これは「認識」そのものではなく、認識の「後」に行われる処理であるため、不適切として3が正解です。

【解説】

正解: 1 ニューラルネットワーク

この問題は、現代のAIによる認識技術（画像認識、音声認識など）を支えている中核的なアルゴリズム（手法）が何かを知っているかを確認するものです。

現代のAI、特に画像認識や音声認識といった高度な「認識技術」の多くは、人間の脳の神経回路の仕組みを模した「ニューラルネットワーク」というアルゴリズムによって実現されています。特に、ニューラルネットワークを多層に深くした「ディープラーニング（深層学習）」が、認識技術の飛躍的な進歩をもたらしました。したがって、1が正解です。

2の「暗号化アルゴリズム」は、データを秘密にするための情報セキュリティ技術です。3の「統計的分析のみ」は、AIの基礎ではありますが、ニューラルネットワークのような特定の高度な手法を指すものではありません。

【解説】

正解: 2 作業の効率化と人為的ミスの削減

この問題は、企業がAIを導入して業務を「自動化」する際に、最も期待される現実的な利点（メリット）は何かを理解しているかを確認するものです。

AIは、人間のように疲れたり集中力を切らしたりすることがありません。ルールに基づいた定型的な作業を、人間よりも高速かつ正確に実行し続けることができます。これにより、業務プロセス全体の「作業の効率化（スピードアップ）」が図れると同時に、人間が作業する際に起こりがちな「人為的ミス（ヒューマンエラー）の削減」が期待できます。これが自動化による最大の利点です。したがって、2が正解です。

1の「高度な創造性」は、現在のAIが苦手とする分野です。3の「全ての業務の自動化」は、AIにも得意・不得意があるため現実的ではありません。

【解説】

正解: 3 高度な創造的業務

この問題は、AIによる自動化が得意とするタスク（定型的・反復的）と、苦手とするタスク（非定型的・創造的）を区別できるかを確認するものです。

AIによる自動化（特にRPAなど）が最も効果を発揮するのは、1の「データ処理の高速化」や、2の「定型的なルーティンタスクの実行」のように、手順やルールが明確に決まっている反復作業です。

一方、3の「高度な創造的業務」、例えば、新しい製品のデザインを考案したり、芸術作品を創作したりするような、ルール化できない非定型的な業務は、現在のAIが最も苦手とする分野であり、自動化には適していません。したがって、3が正解です。

【解説】

正解: 2 自動応答システムの導入

この問題は、AIによる「自動化」が、どのような形で実用化されているか、その具体例を識別できるかを確認するものです。

「自動応答システム」（チャットボットやAIコールセンターなど）は、従来は人間（オペレーター）が行っていた顧客対応という業務を、AIが代わって「自動で」行うものです。これは業務を「自動化」した典型的な例です。したがって、2が正解です。

1の「販売戦略の立案」や3の「高次分析のための仮説検証」は、AIが支援することはあっても、それ自体は人間の高度な判断や知見が必要な「非定型業務」であり、AIが全てを自動化する例としては適切ではありません。

【解説】

正解: 1 対話を通じてユーザーを補助する

この問題は、スマートフォンやスマートスピーカーに搭載されている「AIアシスタント」の基本的な役割や特徴を理解しているかを確認するものです。

AIアシスタント（例：Siri、Googleアシスタント、Alexa）の最も基本的な特徴は、ユーザーが音声やテキストで話しかける（＝対話する）と、その意図を汲み取り、天気予報の検索、スケジュールの登録、音楽の再生といった日常的なタスクを「補助（サポート）」してくれる点にあります。したがって、1が正解です。

2の「高度な経営戦略を立案する」のは、AIアシスタントの補助の範囲をはるかに超えた専門的なAIの役割です。3の「特定分野の専門知識を持つ」のは、医療AIなどの「特化型AI」の特徴です。

【解説】

正解: 2 天気情報の提供やリマインダー設定

この問題は、AIアシスタントが具体的にどのようなタスク（用途）に適しているかを理解しているかを確認するものです。

AIアシスタントは、高度で専門的な作業よりも、日常的で簡単なタスクの補助を得意とします。「天気情報の提供」（情報検索）や「リマインダー設定」（タスク管理）は、まさにAIアシスタントが最もよく使われる、適したタスクです。したがって、2が正解です。

1の「文書の高度な要約と編集」や、3の「機械学習アルゴリズムの構築」は、AIアシスタントが行う日常的な補助の範囲を超えた、専門的なAI（生成AIや、AI開発者自身）が担うタスクです。

【解説】

正解: 3 自動運転車の制御システム

この問題は、AIアシスタント（対話・補助型）と、それ以外の目的を持つAI（制御型など）を、具体例で区別できるかを確認するものです。

1の「Siri」や2の「ChatGPT」は、どちらも人間と「対話」することで、ユーザーのタスクを「補助」するAIであり、AIアシスタントの代表例です。

一方、3の「自動運転車の制御システム」は、人間と対話するのではなく、周囲の状況を認識して「自動車の運転操作を代替・制御」することを目的としたAIです。これはAIアシスタントとは全く異なる種類のAI技術です。したがって、不適切な例として3が正解です。

【解説】

正解: 2 新しい文章や画像の作成

この問題は、近年注目されている「生成AI（Generative AI）」が、従来のAI（認識・分類AI）と何が違うのか、その主な用途を理解しているかを確認するものです。

従来のAIの多くが、データを見て「認識」したり「分類」したりすること（例：これが犬か猫か当てる）を得意としていました。一方、生成AIの最大の特徴は、学習データに基づいて、この世にまだ存在しない「新しい」コンテンツ（文章、画像、音楽、コードなど）を「作成（生成）」することにあります。したがって、2が正解です。

1の「物体検出」や3の「データ分類」は、従来の認識・分類AIの主な用途です。

【解説】

正解: 2 出力されたデータの正確性と倫理性の確保

この問題は、生成AIの便利な側面の裏にある、社会的な「課題（リスク）」として最も重要なものを理解しているかを確認するものです。

生成AIは、学習データに含まれる誤った情報や偏見（バイアス）もそのまま学習してしまいます。そのため、出力（生成物）に平然と「嘘（ハルシネーション）」が含まれていたり、差別的な内容が含まれていたりする「正確性」や「倫理性」の問題が指摘されています。また、著作権の侵害も懸念されます。これらの問題の「確保（担保）」が最大の課題です。したがって、2が正解です。

1は、データの量を増やしても質が伴わなければ解決しません。3の「単一タスクしか処理できない」は特化型AIの特徴であり、生成AIはむしろ多機能です。

【解説】

正解: 1 創作的な文章や画像の生成

この問題は、生成AIの「生成（Create）」するという中核的な特徴が、どのような分野で最も活かされるかを理解しているかを確認するものです。

生成AIの能力は、まさに「新しいコンテンツを作り出す」ことです。したがって、デザイン、アート、コピーライティング、エンターテイメント、研究開発など、「創作的な」活動が求められる分野で最もその力が発揮されます。「創作的な文章や画像の生成」は、その代表例です。したがって、1が正解です。

2の「サプライチェーン管理」や3の「実行業務の自動化」は、モノや業務の流れを「最適化・管理」する分野であり、生成AIよりも予測AIやRPAなどが適しています。

【解説】

正解: 3 複数のデータ形式を統合して処理する

この問題は、「マルチモーダルAI」という用語の定義を正しく理解しているかを確認するものです。

「モーダル（Modality）」とは、様式や形態、具体的には「データの種類」（テキスト、画像、音声など）を指します。「マルチ（Multi）」は「複数」を意味します。したがって、マルチモーダルAIとは、テキストと画像、画像と音声など、「複数のデータ形式」を「統合して処理する」ことができるAIを指します。これにより、単一のデータ形式よりも深い文脈理解が可能になります。よって、3が正解です。

1や2は「単一形式（シングルモーダル）」のデータ処理であり、マルチモーダルAIとは逆の概念です。

【解説】

正解: 2 テキスト要約の作成

この問題は、マルチモーダルAI（複数形式のデータを扱う）と、シングルモーダルAI（単一形式のデータを扱う）を、具体例で区別できるかを確認するものです。

2の「テキスト要約の作成」は、「テキスト」という「単一の」データ形式を入力として受け取り、「テキスト」という「単一の」データ形式を出力する処理です。これはシングルモーダルな処理であり、マルチモーダルAIの特性（複数形式の統合）を必要としません。したがって、不適切なシーンとして2が正解です。

1の「音声と画像の連動分析」や、3の「動画内のシーン分析」（動画は映像と音声の組み合わせ）は、いずれも複数の異なるデータ形式を扱うため、マルチモーダルAIが活用されるシーンです。

【解説】

正解: 1 音声認識と顔認識を連携した本人確認システム

この問題は、「マルチモーダルAI」の具体的な利用例として適切なものを識別できるかを確認するものです。

1の「音声認識と顔認識を連携した本人確認システム」は、「音声（声紋）」というデータ形式と、「顔（画像）」というデータ形式、すなわち「複数の異なるデータ形式」を「連携（統合）」させて本人確認を行います。これはマルチモーダルAIの典型的な利用例です。したがって、1が正解です。

2の「自動翻訳専用AI」や3の「純粋な画像分類モデル」は、それぞれ「テキスト（または音声）」、「画像」といった「単一の」データ形式を主に扱うため、シングルモーダルAIに分類されます。

【解説】

正解: 3 定型的な事務作業の効率化

この問題は、「ランダム性（無作為性）」がどのような場面で必要とされ、どのような場面ではむしろ不要（有害）かを理解しているかを確認するものです。

3の「定型的な事務作業」とは、毎回「同じ手順」で「同じ結果」を出すことが求められる作業です。ここでは「規則性」や「再現性」が重要であり、実行するたびに結果が変わる「ランダム性」は、効率化の妨げとなるため不要です。したがって、不適切な場面として3が正解です。

1の「暗号鍵の生成」や2の「ゲームの乱数生成」は、結果が「予測不可能」であることがセキュリティやゲームの面白さの観点から必須であり、ランダム性が強く求められる代表的な場面です。

【解説】

正解: 2 公平性や予測不可能性

この問題は、ランダム性（乱数）が持つべき本質的な性質は何かを理解しているかを確認するものです。

ランダムである（でたらめである）とは、次に何が起こるか「予測不可能」であり、かつ、特定の事象が起こりやすいといった「偏り（バイアス）がない（＝公平である）」ことを意味します。これがランダム性の最も重要な性質です。したがって、2が正解です。

1の「完全に予測可能な結果」や、3の「決まったパターンを維持すること」は、規則性や予測可能性を意味しており、ランダム性とは正反対の性質です。

【解説】

正解: 2 疑似乱数生成器

この問題は、コンピュータプログラムで「ランダム性」を実現するために用いられる、具体的な技術（アルゴリズム）の名称を知っているかを確認するものです。

コンピュータは計算機であるため、本質的には「計算」によって動作します。そのため、サイコロを振るような真に予測不可能な「乱数」を生成するのは苦手です。そこで、ある計算式（アルゴリズム）を用いて、「一見するとランダムに見える（予測困難な）数列」を生成する技術が使われます。これを「疑似乱数生成器（Pseudo-Random Number Generator）」と呼びます。したがって、2が正解です。

1はデータ圧縮、3はデータ前処理の手法であり、ランダム性の生成とは関係ありません。

【解説】

正解: 1 データ内の隠れたパターンやトレンドを発見できる

この問題は、AIを使って膨大なデータ（ビッグデータ）を「分析」する最大の利点（目的）は何かを理解しているかを確認するものです。

ビッグデータは、その名の通り量が膨大すぎて、人間が目で見て全体を把握したり、傾向を掴んだりすることは不可能です。AI（特に機械学習）は、この膨大なデータを高速に処理し、人間では到底気づくことのできない「データ内の隠れたパターン、相関関係、あるいは将来の傾向（トレンド）」を「発見できる」点に最大の利点があります。したがって、1が正解です。

2の「データの保存コスト」は分析とは無関係です。3の「データの収集」は分析の前段階のプロセスです。

【解説】

正解: 2 将来の需要や売上を予測する分析

この問題は、AIによるビッグデータ分析が、具体的にどのような場面（シナリオ）で最も効果を発揮するかを理解しているかを確認するものです。

AIによるビッグデータ分析の得意分野は、過去の膨大なデータパターンから、未来を「予測」することです。「過去の売上データ（ビッグデータ）」をAIに学習させ、それに基づいて「将来の需要や売上を予測する」のは、AIによるビッグデータ分析が最も適しているシナリオの一つです。したがって、2が正解です。

1の「小規模なデータ処理」は、AIやビッグデータ分析を必要としません。3の「データのバックアップ作業」は、分析ではなく、データを複製・保存する運用管理作業です。

【解説】

正解: 3 ハードウェア故障時の即時修理

この問題は、AIによるビッグデータ「分析」の役割（＝分析・予測）と、それ以外の役割（＝物理的な実行）を区別できるかを確認するものです。

AIは、ビッグデータを分析して「故障の兆候を予測する」ことは得意です。しかし、AIはあくまで「分析」ソフトウェアであり、ロボットアームなどを持たない限り、物理的に「ハードウェアの故障を修理する」という「実行」はできません。したがって、活用事例に該当しないものとして3が正解です。

1の「交通流量の最適化」や2の「病気の早期発見支援」は、どちらもビッグデータを分析してパターンや最適解を見つけるという、AI分析の典型的な活用事例です。

【解説】

正解: 1 過去のデータに基づいた未来の結果予測が可能

この問題は、機械学習の代表的な手法である「教師あり学習」が、何を得意とするか（主な利点）を理解しているかを確認するものです。

「教師あり学習」は、入力（問題）と正解（ラベル）のペアで構成される「過去のデータ」（例：過去の気温とアイスの売上）をAIに学習させる手法です。この学習済みモデルを使うことで、新しい入力（明日の気温）に対して、「未来の結果（アイスの売上）」を「予測する」ことが可能になります。これが教師あり学習の最大の利点です。したがって、1が正解です。

2の「データをグループ分けする」のは「教師なし学習」の利点です。3の「モデルが継続的に自動更新される」のは、オンライン学習などの別の概念です。

【解説】

正解: 1 新製品の市場における需要を予測する

この問題は、機械学習の主要な手法（教師あり、教師なし、強化学習）を、具体的なシナリオで区別できるかを確認するものです。

「教師あり学習」は、過去の正解データに基づいて未来を「予測」するタスクに適しています。「過去の類似製品のデータ（入力）と実際の売上（正解ラベル）」を学習させることで、「新製品の需要（未来の結果）」を「予測する」のは、教師あり学習が適している典型的なシナリオです。したがって、1が正解です。

2の「顧客を購買頻度で分類する」は、正解ラベルなしでグループ分けするため「教師なし学習」です。3の「商品の配送経路を自動で設定する」は、試行錯誤しながら最適行動を学ぶため「強化学習」です。

【解説】

正解: 2 ラベルが付いたデータセット

この問題は、「教師あり学習」を実行するために、どのような種類のデータが不可欠かを理解しているかを確認するものです。

「教師あり学習」の「教師」とは、データに対する「正解（答え）」のことを指します。この正解は専門用語で「ラベル」と呼ばれます。AIは、「問題（入力データ）」と「答え（ラベル）」がペアになった「ラベル付きデータセット」を使って学習します。（例：「この画像（入力）」は「犬（ラベル）」）。したがって、2が正解です。

1の「ラベルの付いていないデータセット」は、「教師なし学習」で使用されます。

【解説】

正解: 3 ラベルのないデータの中から構造やパターンを見つける

この問題は、「教師なし学習」の基本的な目的、すなわち「教師（正解ラベル）」がいない状況でAIが何を行うかを理解しているかを確認するものです。

「教師なし学習」は、その名の通り、正解（ラベル）が与えられていない「ラベルのないデータ」を入力とします。AIは、そのデータ群の中から自ら「データの構造（似たもの同士のグループ）」や「隠れたパターン」を見つけ出すこと（例：クラスタリング、主成分分析）を目的としています。したがって、3が正解です。

1の「予測結果を生成する」のは「教師あり学習」、2の「最適な決定（行動）を行うモデルを作成する」のは「強化学習」の目的です。

【解説】

正解: 2 顧客を購買行動で分類

この問題は、「教師なし学習」の代表的な用途である「クラスタリング（分類・グループ分け）」の具体例を識別できるかを確認するものです。

2の「顧客を購買行動で分類」するタスク（クラスタリング）では、「この人は優良顧客」といった正解（ラベル）はあらかじめ存在しません。「購買行動」というデータだけをAIに与え、似た傾向を持つ顧客同士を自動的にグループ分けさせます。これは「教師なし学習」の典型的な具体例です。したがって、2が正解です。

1の「商品の需要予測」は、過去の正解（売上）から未来を「予測」するため「教師あり学習」です。3の「売上データの欠損値補完」は、データの前処理の一環です。

【解説】

正解: 2 k-平均法（k-means）

この問題は、「教師なし学習」に分類される具体的なアルゴリズム（手法）の名前を知っているかを確認するものです。

「k-平均法（k-means）」は、正解（ラベル）のないデータを、指定したk個のグループ（クラスタ）に分類するためのアルゴリズムです。これは、教師なし学習における最も代表的な「クラスタリング」の手法です。したがって、2が正解です。

1の「線形回帰」は、数値の予測（回帰）に用いられる「教師あり学習」の代表的な手法です。3の「ディープラーニング」は、教師あり、教師なし、強化学習のいずれにも応用される広範な技術（ニューラルネットワーク）を指します。

【解説】

正解: 3 自動運転車の経路計画の最適化

この問題は、機械学習の3つの主要手法（教師あり、教師なし、強化学習）を、具体的なシナリオで区別できるかを確認するものです。

「強化学習」は、AI（エージェント）が環境の中で「試行錯誤」をしながら、与えられる「報酬」（ご褒美）を最大化するような「最適な行動」を学習する手法です。「自動運転車」が、刻々と変わる道路状況（環境）の中で、安全かつ最短で目的地に到着する（報酬）ための「経路計画や運転操作（最適行動）」を学ぶのは、強化学習が活用される典型的なシナリオです。したがって、3が正解です。

1の「商品売上予測」は「教師あり学習」、2の「顧客の購買行動分類」は「教師なし学習」が適しています。

【解説】

正解: 2 試行錯誤を繰り返して報酬を最大化する行動を学ぶ

この問題は、「強化学習」が、他の学習方法（教師あり・なし）とどう違うのか、その学習プロセスの根本的な特徴を理解しているかを確認するものです。

強化学習は、AI（エージェント）が自ら「行動」し、その結果として環境から得られる「報酬」（ご褒美やペナルティ）を受け取ります。AIはこの「報酬」を最大化することを目標に、「試行錯誤」を繰り返しながら「最適な行動」を自ら「学んで」いきます。これが強化学習の最大の特徴です。したがって、2が正解です。

1の「既知のデータから正解を導き出す」のは「教師あり学習」です。3の「データをグループ分けする」のは「教師なし学習」（クラスタリング）です。

【解説】

正解: 1 報酬と状態遷移

この問題は、強化学習のモデルを構成する、最も重要で基本的な要素（用語）を理解しているかを確認するものです。

強化学習は、AI（エージェント）が現在の「状態（State）」で「行動（Action）」を起こし、それによって環境が次の「状態」に変わります（＝状態遷移）。そして、その「行動」が良かったか悪かったかを評価するための「報酬（Reward）」を得ます。AIは「報酬」が最大になるように学習を続けます。したがって、「報酬」と「状態（遷移）」は強化学習に不可欠な要素です。よって、1が正解です。

2の「ラベル付きデータ」は「教師あり学習」で必要な要素です。3の「データの可視化」は、学習プロセスそのものではなく、人間が分析する手法です。

【解説】

正解: 2 相互補完的な技術を組み合わせることで多機能化する

この問題は、現代のAIサービスが、単一の技術ではなく、複数の技術を組み合わせて作られている理由（特徴）を理解しているかを確認するものです。

例えば、会話型AIは、「音声認識AI」（音声をテキストに変換）、「自然言語処理AI」（テキストの意味を理解）、そして「生成AI」（応答テキストを作成）などを組み合わせています。このように、単一の技術では実現できないことも、それぞれの得意分野を「相互補完」するように「組み合わせる」ことで、人間との会話のような「多機能」で高度なサービスを実現できます。したがって、2が正解です。

1の「限定された用途」は逆で、多機能化により用途は広がります。3は、組み合わせる技術によります（教師なし学習を組み合わせる場合はラベルは不要です）。

【解説】

正解: 3 スプレッドシートの関数計算機能単体の利用

この問題は、「複数のAI技術を組み合わせたサービス」の例と、「AIではない単一機能」の例を区別できるかを確認するものです。

1の「会話型AI」は、「音声認識」と「自然言語処理」という複数のAI技術を組み合わせています。2の「医療システム」は、「画像認識」と「診断支援（予測AI）」という複数のAI技術を統合しています。

一方、3の「スプレッドシートの関数計算機能」（SUM関数など）は、AI技術ではなく、コンピュータが昔から持つ「単一」の計算機能です。これは複数のAI技術を組み合わせたサービスとは言えません。したがって、不適切な例として3が正解です。

【解説】

正解: 1 システム全体の複雑性が低下する

この問題は、複数の技術を組み合わせることの「利点（メリット）」として「適切でないもの」（＝デメリットや間違い）を選べるかを確認するものです。

複数の技術を組み合わせることで、2の「複雑な課題を効率的に解決できる」ようになり、3の「個別技術の制約を補完できる」といった「利点」があります。

しかし、その一方で、単一の技術で構成するよりも、複数の異なる技術を連携・統合させる方が、設計や管理、保守は明らかに「複雑」になります。したがって、1の「システム全体の複雑性が低下する」というのは「利点」ではなく、むしろ逆（デメリット・課題）であるため、これが正解となります。

【解説】

正解: 1 AIモデルを一から構築する必要がない

この問題は、他社が開発したAI機能を「API」という形で利用することの、最大の利点（メリット）は何かを理解しているかを確認するものです。

API（Application Programming Interface）とは、他社のAI機能（例：Google翻訳、ChatGPT）を、自社のアプリケーションからインターネット経由で呼び出して利用するための「窓口」です。APIを利用する最大の利点は、自社で膨大なデータやコスト、時間をかけて「AIモデルを一から構築する必要がない」こと、つまり「手軽に高度なAI機能を導入できる」点にあります。したがって、1が正解です。

2の「専用のハードウェア」は不要です（API提供側が用意します）。3の「必ず無償」ではなく、多くは有料（従量課金）です。

【解説】

正解: 2 自社開発よりも迅速にAI機能を導入したい場合

この問題は、AIのAPI（他社のAI機能）を利用するのが、どのような場面（ニーズ）に最も適しているかを理解しているかを確認するものです。

AIモデルを「自社開発」するには、データの収集から学習、モデル構築まで、非常に長い時間と高いコストがかかります。APIを利用すれば、すでに他社が完成させている高度なAI機能を、契約して呼び出すだけですぐに利用できます。したがって、「自社開発よりも迅速に（短期間で）」AI機能をサービスに組み込みたい場合に、APIは最も適しています。よって、2が正解です。

3の「完全オフライン」では、インターネット経由で呼び出すAPIは利用できません。

【解説】

正解: 3 自社のシステムに簡単に統合できない場合がある

この問題は、AIのAPIを利用する際の主な「課題（デメリットやリスク）」として最も適切なものを理解しているかを確認するものです。

APIは便利な反面、他社の「既存の仕様」に合わせて利用する必要があります。そのため、自社の既存システムとの「相性」が悪かったり（例：データの形式が違う）、セキュリティポリシー上の問題があったり、APIの呼び出し方に複雑な制約があったりすると、「自社のシステムに簡単に統合できない」という課題が発生する場合があります。したがって、3が正解です。

1の「機能が非常に限定的」とは限りません。2の「自由にカスタマイズできる」は逆で、APIはカスタマイズ性が低いことが課題です。

【解説】

正解: 2 入力データを基に新しいデータやコンテンツを生成する

この問題は、「生成AI（Generative AI）」の最も根本的な特徴、すなわち「何をするAIか」を理解しているかを確認するものです。

生成AIの最大の特徴は、学習データ（入力データ）のパターンや構造に基づいて、この世にまだ存在しなかった「新しいデータやコンテンツ」を「生成（Create）」する能力を持つ点です。例えば、新しい文章、画像、音楽、プログラムコードなどを作り出します。したがって、2が正解です。

1の「既存のデータのみをそのまま返す」のは「検索エンジン」の機能です。3の「データの整理と検索を効率化する」のは、データベースなどの機能です。

【解説】

正解: 2 データのクラスタリング

この問題は、生成AIの主な用途（＝生成）と、それ以外のAI技術の用途（＝分類、予測など）を、具体的なタスクで区別できるかを確認するものです。

2の「データのクラスタリング」は、データ（例：顧客データ）を似たもの同士のグループに「分類」するタスクです。これは、正解ラベルのないデータからパターンを見つける「教師なし学習」の代表例であり、「生成」AIの用途ではありません。したがって、不適切なものとして2が正解です。

1の「プログラムコードの自動生成」や、3の「科学論文の執筆支援」は、どちらも新しいコードや文章を「生成」するタスクであり、生成AIの典型的な応用例です。

【解説】

正解: 3 出力データに偏りや誤りが含まれる可能性がある

この問題は、生成AIを利用する上で注意すべき、最も重要な「課題（リスク）」は何かを理解しているかを確認するものです。

生成AIは、学習データに含まれる「偏見（バイアス）」をそのまま学習してしまったり、学習していない事実について、もっともらしい「誤り（ハルシネーション＝幻覚）」を自信満々に出力してしまったりする「可能性」があります。このように、出力（生成物）の正確性や倫理性が常に保証されるわけではない点が、最大の課題です。したがって、3が正解です。

1の「品質が保証される」は逆で、保証されないことが課題です。2の「学習済みのデータがすべて公開される」ことはありません。