【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

正解
2　特定の目的に特化して設計されている

解説
特化型AIは特定のタスクや目的に特化して開発されています。そのため、他のタスクには適用できないことが多いです。

選択肢1や3は汎用AIの特徴を示しており、特化型AIには当てはまりません。

正解
3　多言語翻訳の自動化

解説
多言語翻訳の自動化は、汎用AIや高度な自然言語処理システムに適しています。

特化型AIは、通常特定のタスクや1言語への適用に限定されるため、複数の言語に柔軟に対応することは困難です。

正解
3　工場の特定工程の不良品検知

解説
特化型AIは、狭い範囲での特定の問題解決に強みを発揮します。

選択肢1や2は広範囲かつ多目的な能力を要し、汎用AIの特性に近い内容です。

正解
2　幅広いタスクへの対応能力

解説
汎用AIは多岐にわたるタスクに対応可能であり、学習によって適応力を発揮します。

選択肢1は特化型AIの特徴、選択肢3はAIの機能の一部に過ぎません。

正解
2　汎用AIの実現に必要な技術の確立

解説
汎用AIの実現には複雑な課題が山積しており、これを解決するための技術研究が進められています。

選択肢1は特化型AIの課題であり、選択肢3はAI研究の一部に過ぎません。

正解
1　現行のAIは単一タスクにしか対応できない

解説
汎用AIは多様なタスクに対応可能であるべきですが、現在のAIは単一タスク向けの特化型AIが主流です。

選択肢2や3は一部の技術的要因ですが、本質的な理由ではありません。

正解
2　画像内の物体を識別するシステム

解説
AIによる認識はデータを分析して特定の意味を理解する技術です。

選択肢2はその代表例です。選択肢1や3は認識ではなく、異なるAI技術の応用に該当します。

正解
3　生産ラインでのタスク割り当て

解説
生産ラインのタスク割り当ては認識技術ではなく自動化技術に分類されます。

選択肢1と2はAIが認識を行う具体的な例として正しいです。

正解
1　ニューラルネットワーク

解説
AIによる認識技術では、ニューラルネットワークが広く用いられています。

選択肢2は情報セキュリティに関する技術、選択肢3は一部の手法に過ぎません。

正解
2　作業の効率化と人為的ミスの削減

解説
AIによる自動化の大きな利点は、業務の効率化とミスの削減です。

選択肢1は創造性に関するもので、選択肢3は実現可能性に課題がある内容です。

正解
3　高度な創造的業務

解説
自動化技術は定型的かつ反復的な業務に適しており、高度な創造性が求められるタスクには向いていません。

選択肢1と3はAIの強みを活かせる場面です。

正解
2　自動応答システムの導入

解説
自動応答システムは、AIによる自動化の典型例です。選択肢1や3は自動化ではなく、高度な分析や戦略設計の例です。

正解
1　対話を通じてユーザーを補助する

解説
AIアシスタントは対話型インターフェースを通じて、ユーザーのタスクを支援します。

選択肢2はAIアシスタントの範囲を超える高度なAIの役割、選択肢3は特化型AIに該当します。

正解
2　天気情報の提供やリマインダー設定

解説
AIアシスタントは日常的な情報提供や簡単なタスク管理に最適です。

選択肢1や3はより専門的で高度なAI技術が必要なタスクです。

正解
3　自動運転車の制御システム

解説
自動運転車の制御システムはAI技術の別分野に属し、AIアシスタントとは異なります。

選択肢1と2はAIアシスタントの例として適しています。

正解
2　新しい文章や画像の作成

解説
生成AIは新しいコンテンツを創り出すことを目的としています。

選択肢1と3はAIの認識や分類機能に該当しますが、生成AIの用途ではありません。

正解
2　出力されたデータの正確性と倫理性の確保

解説
生成AIはデータの品質や倫理的問題が課題となります。

選択肢1は根本的な解決策ではなく、選択肢3は特化型AIに関する説明です。

正解
1　創作的な文章や画像の生成

解説
生成AIはクリエイティブな分野で力を発揮します。

選択肢1や3は生成AIよりもプロセス自動化や管理システムの技術が適しています。

正解
3　複数のデータ形式を統合して処理する

解説
マルチモーダルAIは複数の異なるデータ形式を組み合わせて処理することで、より深い理解や分析を可能にします。

選択肢1と3はそれぞれ特化型AIや単一タスク向けの技術に該当します。

正解
2　テキスト要約の作成

解説
テキスト要約は単一形式のデータ処理であり、マルチモーダルAIの範囲には含まれません。

選択肢1と3はマルチモーダルAIが得意とする複数形式のデータ統合分析の一例です。

正解
1　音声認識と顔認識を連携した本人確認システム

解説
音声認識と顔認識など異なる形式のデータを組み合わせるシステムはマルチモーダルAIの典型例です。

選択肢1と3はそれぞれ単一形式のデータ処理に該当します。

正解
3　定型的な事務作業の効率化

解説
定型的な事務作業では規則性が重視されるため、ランダム性は必要ありません。

選択肢1と2はランダム性が特に求められる代表的な場面です。

正解
2　公平性や予測不可能性

解説
ランダム性は予測不可能で偏りのない結果を提供することが求められます。

選択肢1や3はランダム性の特性と矛盾しています。

正解
2　疑似乱数生成器

解説
疑似乱数生成器はランダム性をシミュレーションするための技術です。

選択肢1や3はランダム性とは直接的な関連がありません。

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

解説
AIはビッグデータを解析しパターンやトレンドを明らかにすることで価値を提供します。

選択肢1は主な利点ではなく、選択肢3はデータ収集とは別のプロセスに関する内容です。

正解
2 将来の需要や売上を予測する分析

解説
ビッグデータ解析では、予測分析のようなデータ駆動型の意思決定をサポートするタスクに特化しています。

選択肢1は規模が小さく、AIの適用効果が低くなります。選択肢3は主に運用管理に関連するもので、AIによるビッグデータ解析の目的から外れます。

正解
3 ハードウェア故障時の即時修理

解説
AIは予測や分析を得意としますが、物理的な修理そのものを行う役割ではありません。

選択肢1と2は、AI解析の具体的な活用例として正当です。

正解
1 過去のデータに基づいた未来の結果予測が可能

解説
教師あり学習では過去のラベル付きデータを使用して予測を行います。

選択肢2は教師なし学習に関連し、選択肢3は追加プロセスや設定が必要なことが多いです。

正解
1 新製品の市場における需要を予測する

解説
教師あり学習は予測モデル構築に適しています。

選択肢2は教師なし学習、選択肢3は制御や最適化に関連する強化学習に該当します。

正解
2 ラベルが付いたデータセット

解説
教師あり学習では、入力データとその結果（ラベル）の対応が必要です。

選択肢1と3は教師あり学習の要件を満たしません。

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

解説
教師なし学習はラベルのないデータから特徴を抽出して構造化します。

選択肢1は教師あり学習に関連し、選択肢3は強化学習に近いです。

正解
2 顧客を購買行動で分類

解説
教師なし学習は顧客を行動データで分類するようなクラスタリングに用いられます。

選択肢1は教師あり学習、選択肢3はデータ前処理に関連します。

正解
2 k-平均法（k-means）

解説
k-平均法は代表的なクラスタリングアルゴリズムです。

選択肢1は教師あり学習、選択肢3は学習の枠を超えた広義の技術を指します。

正解
3 自動運転車の経路計画の最適化

解説
強化学習は、環境に適応しながら最適な行動を見つける問題に適しています。

選択肢1は教師あり学習、選択肢3は教師なし学習に近いです。

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

解説
強化学習では、エージェントが環境との相互作用を通じて学習を進めます。

選択肢1は教師あり学習、選択肢3は教師なし学習に関連しています。

正解
1 報酬と状態遷移

解説
強化学習では報酬と状態遷移を通じて意思決定プロセスが強化されます。

選択肢1は教師あり学習、選択肢3はデータ分析の一部に関連する内容です。

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

解説
複数技術を組み合わせることで、個別の技術だけでは達成できない多機能性や柔軟性が実現します。

選択肢1は用途が限定されるとは逆の特徴を示し、選択肢3は必ずしも複数技術に求められる条件ではありません。

正解
3 スプレッドシートの関数計算機能単体の利用

解説
選択肢3は単一機能の利用であり、複数技術を組み合わせたAIサービスには該当しません。

選択肢1と2は複数技術を組み合わせた実例を示しています。

正解
1 システム全体の複雑性が低下する

解説
複数技術を組み合わせると、利便性が向上する一方でシステム全体の複雑性は増す可能性があります。

選択肢2と3は、組み合わせの利点を正しく述べています。

正解
1 AIモデルを一から構築する必要がない

解説
APIを利用すれば、既存のAI機能を簡単に活用できます。選択肢2は誤りでAPI利用に専用ハードウェアは不要です。

選択肢3も誤りで、多くの場合、有料のAPIも存在します。

正解
2 自社開発よりも迅速にAI機能を導入したい場合

解説
APIを利用すれば短期間でAI機能を導入可能です。選択肢1は必ずしもAIサービスを必要としません。

選択肢3はオフラインではAPI活用が制限されます。

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

解説
APIの統合には技術的な適合性が求められるため、環境次第では課題になることがあります。

選択肢1は事実ではなく、選択肢3はAPIの一般的な特徴とは異なります。

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

解説
生成AIは、新しい情報やコンテンツを作り出す点が特徴です。

選択肢1は単なる検索の機能を示し、選択肢3は生成AIの主な用途ではありません。

正解
2 データのクラスタリング

解説
データのクラスタリングは教師なし学習に関連するタスクであり、生成AIの利用範囲ではありません。

選択肢1と3は生成AIの典型的な応用例です。

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

解説
生成AIは学習データに依存するため、偏りや誤りが出力されることがあります。

選択肢1は誤りで品質の保証は必ずしも約束されません。選択肢3も正確ではなく、学習データは非公開の場合が多いです。