AI・機械学習の要点整理と想定問題

正解: B 【A（不正解）】 ？ 二つを切り離して考える説明です。 Google Cloud の解説では、機械学習は AI の一部とされています。別々の分野ではありません。 【B（正解）】 ？ 片方がもう片方に含まれるという説明です。 正解です。機械学習は人工知能の一部（サブセット）で、明示的なルールを書かずにデータから学ぶ手法です。 【C（不正解）】 ？ 包含関係を逆にした説明です。 包含関係が逆です。AI のほうが広い概念で、機械学習はその中に入ります。 【D（不正解）】 ？ 二つを同じものとみなす説明です。 よく混同されますが、Google Cloud は同じ意味ではないと説明しています。AI は広い分野で、機械学習はその応用の一つです。

出典: AI と機械学習の違い／機械学習とは

正解: D 【A（不正解）】 ？ 過去の数字を集計して見える形にする作業です。 すでに起きたことの集計と可視化はビジネスインテリジェンスのツールで足ります。モデルを作る必要はありません。 【B（不正解）】 ？ 実績を比べる作業です。 実績の集計と比較は、表計算や BI のレポートで実現できます。 【C（不正解）】 ？ 決まった数字を定期的に届ける作業です。 決まった値の定期配信は、単純な自動化で実現できます。学習するモデルは要りません。 【D（正解）】 ？ まだ起きていない値を見積もる作業です。 正解です。過去データのパターンから将来の値を予測するのは、機械学習の典型的な使い方です。

出典: AI と機械学習の違い／機械学習とは／ビジネス インテリジェンス（BI）とは

正解: A 【A（正解）】 ？ ML モデルを使う AI の大きな分野の呼び名です。 正解です。生成 AIは ML モデルを使い、多くはプロンプトから文章・画像・音楽・音声・動画などを新しく作ります。 【B（不正解）】 ？ データを集めて意思決定に使う取り組みです。 データを集めて分析し、日々の意思決定に使う取り組みです。新しいコンテンツを作ることは目的ではありません。 【C（不正解）】 ？ 人が書いた規則で動く仕組みです。 人が書いた規則どおりに判断する仕組みで、データから学んで新しい内容を作るものではありません。 【D（不正解）】 ？ ラベルの無いデータから構造を見つける学び方です。 データのまとまりを見つける学習の方法で、コンテンツを作る AI の呼び名ではありません。

出典: マルチモーダル AI とは／ビジネス インテリジェンス（BI）とは

正解: C 【A（不正解）】 ？ あらかじめ決めたルールで応答する仕組みです。 ボットは自律性が最も低く、決められたルールに沿って動きます。複数手順の処理を任せるには向きません。 【B（不正解）】 ？ 人が手順ごとに指示し、最後の判断も人がする仕組みです。 AI アシスタントは提案はできますが、判断して実行するのは利用者です。手続きを代わりに進める目的には足りません。 【C（正解）】 ？ 推論・計画・記憶を持ち、自分で判断して動く仕組みです。 正解です。AI エージェントは自律性が最も高く、複数の手順を伴う処理を利用者に代わって進められます。 【D（不正解）】 ？ データを見える形にまとめる道具です。 集計や可視化はできますが、返品や返金の手続きを実行することはできません。

出典: AI エージェントとは

正解: C 【A（不正解）】 ？ 人の確認作業を楽にする効果です。 文章の校正の補助は生成 AIでもできます。エージェント型 AI の特徴は、目標に向けて行動まで進めることです。 【B（不正解）】 ？ 生成する文章の量に関する変化です。 文章の長さはモデルや指示で変わるもので、エージェント型 AI の本質ではありません。 【C（正解）】 ？ 作るだけでなく、実行と見直しまで進める動きです。 正解です。Google Cloud は、生成した素材をエージェント型 AIが配信し、成果を追って戦略を自動で調整する例を挙げています。 【D（不正解）】 ？ 処理に使う機器に関する変化です。 エージェント型 AI は AI の動かし方に関する考え方で、計算機の要否とは関係ありません。

出典: エージェント型 AI とは

正解: A 【A（正解）】 ？ 社内の生産性の向上を担う種類です。 正解です。従業員エージェントは繰り返し作業の処理、社員の質問への回答、文書の編集や翻訳で生産性を高めます。 【B（不正解）】 ？ 社外の顧客の体験を担う種類です。 顧客の要望の理解や商品の推薦など、社外の顧客対応を担う種類です。 【C（不正解）】 ？ 攻撃への備えと対応を担う種類です。 攻撃の緩和や調査の迅速化で、セキュリティ態勢を強める種類です。 【D（不正解）】 ？ ソフトウェア開発を担う種類です。 コードの生成や開発の支援を担う種類で、社員の質問対応は主な役割ではありません。

出典: AI エージェントとは

正解: D 【A（不正解）】 ？ SQL でモデルを作る機能です。 BigQuery の中で SQL を使ってモデルを作る機能で、Google 自社開発の基盤モデルそのものではありません。 【B（不正解）】 ？ 翻訳に特化した API です。 翻訳という一つの作業に特化した事前トレーニング済み APIで、幅広い作業に使う基盤モデルではありません。 【C（不正解）】 ？ エージェントを作るための枠組みです。 エージェントを開発するためのオープンソースのフレームワークで、モデルではありません。 【D（正解）】 ？ Google Cloud の AI サービスで使えるモデル群の名前です。 正解です。Geminiは Google が開発したモデル群で、文章・画像・音声・動画などを扱えます。

出典: Google のモデル（Gemini）／マルチモーダル AI とは

正解: B 【A（不正解）】 ？ エージェントを作るためのフレームワークです。 エージェントを開発する枠組みで、モデルを選ぶためのカタログではありません。 【B（正解）】 ？ Agent Platform でモデルを扱う機能の一つです。 正解です。Model Gardenは Google やパートナーのモデルを探し、試し、調整し、デプロイできるライブラリです。 【C（不正解）】 ？ AI 向けの計算基盤です。 GPU や TPU などの計算基盤をまとめたもので、モデルを選ぶカタログではありません。 【D（不正解）】 ？ 文書から情報を取り出すサービスです。 文書の処理に使うサービスで、さまざまなモデルを選ぶ場所ではありません。

出典: Model Garden の概要／Gemini Enterprise Agent Platform（製品ページ）

正解: D 【A（不正解）】 ？ コードでエージェントを作る方法です。 自由度は高いものの開発者が必要です。開発者がいない会社にとって手早い方法ではありません。 【B（不正解）】 ？ 文章を分析する API を使う方法です。 文章分析の部品にはなりますが、アプリの開発が必要で、権限に沿った横断検索にはなりません。 【C（不正解）】 ？ 自社データでモデルを作る方法です。 表形式や画像のモデルを作る手段で、社内データの横断検索や対話の仕組みにはなりません。 【D（正解）】 ？ 社員がそのまま使う完成品の製品です。 正解です。Gemini Enterpriseは SharePoint や Jira などの既製コネクタを持ち、権限に応じた検索と対話を社員に提供します。

出典: Gemini Enterprise とは／AI エージェントとは

正解: B 【A（不正解）】 ？ 人が規則を書く量に関する説明です。 機械学習は規則を人が書く代わりに例から学ぶため、規則を書き足す手間は減る方向です。 【B（正解）】 ？ 例から一般化する力に関する説明です。 正解です。規則が爆発的に増える場面では、例から学ぶ仕組みが必要だと Google Cloud は説明しています。 【C（不正解）】 ？ 学習用の例の要否に関する説明です。 種類別の振り分けのような教師あり学習には、答え（正解ラベル）付きの例が必要です。 【D（不正解）】 ？ 判断の透明性に関する説明です。 機械学習のモデルは中身が見えにくいことが多く、理由を示すには説明可能な AIなどの工夫が要ります。

出典: AutoML 入門ガイド

正解: C 【A（不正解）】 ？ 答え付きのデータから数値を予測する方法です。 回帰は正解付きのデータで数値を予測する方法です。ラベルが無く、グループ分けが目的の今回には合いません。 【B（不正解）】 ？ 試行錯誤と報酬で学ぶ方法です。 行動の結果に報酬を与えて学ぶ方法で、データをグループに分ける用途ではありません。 【C（正解）】 ？ ラベル無しのデータからまとまりを見つける方法です。 正解です。クラスタリングはラベルの無いデータを似たもの同士に分ける手法で、顧客の分類（セグメント化）に使われます。 【D（不正解）】 ？ 人が書いた規則で動く仕組みです。 機械学習ではありません。人が決めた規則では、似た会員のまとまりを自ら見つけることはできません。

出典: 教師なし学習とは／機械学習とは

正解: A 【A（正解）】 ？ 値の並びを時系列で見通す種類です。 正解です。AutoML の予測モデルは値の並びを予測します。日別の需要を見積もって在庫を準備する例が公式に示されています。 【B（不正解）】 ？ はい／いいえの 2 択を当てる種類です。 2 つのうちどちらかを当てる種類で、日ごとの数量の並びは予測できません。 【C（不正解）】 ？ 3 つ以上の区分から 1 つを選ぶ種類です。 顧客をタイプ別に分けるような場面で使う種類で、数量の並びの予測には使いません。 【D（不正解）】 ？ 1 つの連続した数値を当てる種類です。 来月の購入額のように 1 つの数値を出す種類です。日ごとの値の並びを見通すなら予測を選びます。

出典: AutoML 入門ガイド／AutoML トレーニングの概要

正解: B 【A（不正解）】 ？ 保存の費用に関する効果です。 機械学習を使っても、データを保存する費用はかかります。 【B（正解）】 ？ 大規模なデータと意思決定の規模に関する価値です。 正解です。銀行やカード会社が大量の取引から不審な動きを即時に見つける用途は、機械学習の代表例です。 【C（不正解）】 ？ データ収集の要否に関する効果です。 機械学習は学習にデータが必要です。データ集めが不要になることはありません。 【D（不正解）】 ？ 検知の完全さに関する効果です。 機械学習でも見逃しや誤検知は起こりえます。完全な検知を約束するものではありません。

出典: 機械学習とは

正解: D 【A（不正解）】 ？ 重複が無いかを見る側面です。 同じデータが重複していないかを見る側面で、形式の違いとは別の問題です。 【B（不正解）】 ？ 必要な情報がそろっているかを見る側面です。 値の欠けを見る側面です。今回は値はあるものの形式が違うという問題です。 【C（不正解）】 ？ データが十分に新しいかを見る側面です。 いつ更新されたかを見る側面で、記録の形式とは関係がありません。Knowledge Catalog では「鮮度」と呼びます。 【D（正解）】 ？ 決められた形式や範囲に合っているかを見る側面です。 正解です。有効性は、形式や許容範囲などの基準にデータが合っているかを評価します。

出典: 自動データ品質の概要（Knowledge Catalog）

正解: A 【A（正解）】 ？ 複数の場所で同じ値になっているかを見る側面です。 正解です。整合性は、表や列など複数の場所でデータの値が一致しているかを見ます。公式にも売上高の食い違いの例があります。 【B（不正解）】 ？ 重複が無いかを見る側面です。 重複の有無を見る側面です。二つのデータベースで値が食い違う問題とは別です。 【C（不正解）】 ？ 必要な情報がそろっているかを見る側面です。 値の欠けを見る側面です。今回は値はそろっていて、食い違っていることが問題です。 【D（不正解）】 ？ 決められた形式や範囲に合っているかを見る側面です。 形式や範囲の基準を見る側面です。どちらの値も形式は正しくても、食い違いは起こります。

出典: 自動データ品質の概要（Knowledge Catalog）

正解: C 【A（不正解）】 ？ 形式に注目した見方です。 値は形式と選択肢の範囲に合っているので、有効性は満たしています。 【B（不正解）】 ？ 重複に注目した見方です。 同じ行が重複しているという話ではありません。 【C（正解）】 ？ 値が現実と合っているかに注目した見方です。 正解です。有効なデータが正確とは限りません。不正確なデータで学ぶと、モデルが誤ったパターンを学ぶおそれがあります。 【D（不正解）】 ？ 更新時期に注目した見方です。 更新時期の問題ではありません。また、データの新しさは予測の速さを左右するものではありません。

出典: 自動データ品質の概要（Knowledge Catalog）／AI のハルシネーションとは

正解: C 【A（不正解）】 ？ 学習時間に関する見方です。 偏りによる主な問題は学習時間ではなく、予測が多い区分に引っぱられることです。 【B（不正解）】 ？ 画質に関する見方です。 ラベルの偏りと写真の解像度は関係がありません。 【C（正解）】 ？ 区分ごとの例の数の差に関する見方です。 正解です。正解ラベルが偏ると、モデルは多い区分を答えるのが安全だと学びます。区分ごとの例の数をそろえるのが基本です。 【D（不正解）】 ？ 多い区分の当たりやすさに関する見方です。 多い区分はむしろ当たりやすくなります。困るのは例の少ない区分です。

出典: AutoML 入門ガイド

正解: A 【A（正解）】 ？ AI の信頼性に関わる考え方の一つです。 正解です。説明可能な AIは、モデルがどう振る舞い、学習データがどう影響したかを理解しやすくし、信頼や改善につなげます。 【B（不正解）】 ？ 新しいコンテンツを作る AI です。 文章や画像を新しく作る AI の分野で、判断の理由を示す考え方そのものではありません。 【C（不正解）】 ？ 回答の前に関連する情報を検索する手法です。 回答を外部の情報に結び付ける手法です。予測モデルの判断の理由を説明する考え方とは別です。 【D（不正解）】 ？ 少ない手間でモデルを作る機能です。 専門知識が少なくてもモデルを作れる機能で、判断の理由を示す考え方を指す言葉ではありません。

出典: Vertex Explainable AI の概要／Google Cloud の責任ある AI

正解: D 【A（不正解）】 ？ 計算機の性能に関する見方です。 計算性能は処理の速さに関わるもので、特定の属性だけ結果が偏る理由にはなりません。 【B（不正解）】 ？ 処理の速さに関する見方です。 応答の速さは、結果が公平かどうかとは関係がありません。 【C（不正解）】 ？ 画面の使いやすさに関する見方です。 画面の問題では、特定の属性の承認率だけが下がることを説明できません。 【D（正解）】 ？ データの偏りと扱いの公平さに関する見方です。 正解です。偏ったデータで学ぶと偏った結果が出ます。融資の AI が特定の層に不利に働かないよう配慮が必要だと Google Cloud は説明しています。

出典: エージェント型 AI とは／機械学習とは

正解: B 【A（不正解）】 ？ データの量を変える方法です。 精度の向上には役立ちえますが、個々の予測の理由は分かりません。 【B（正解）】 ？ 入力の各項目が予測にどれだけ効いたかを示す方法です。 正解です。特徴量の寄与（feature attribution）は、各特徴量が個々の予測にどれだけ影響したかを示します。 【C（不正解）】 ？ 処理の速さを上げる方法です。 速さは上がっても、予測の理由は示されません。 【D（不正解）】 ？ 生成 AI への指示を変える方法です。 生成 AI への指示の工夫で、表形式データの予測モデルの理由を示す方法ではありません。

出典: Vertex Explainable AI の概要

正解: D 【A（不正解）】 ？ 運用を始めてから対応する進め方です。 影響の大きい用途で、問題が起きてからの対応だけに頼るのは危険です。事前の安全性テストが勧められています。 【B（不正解）】 ？ 技術的な対策だけに頼る進め方です。 フィルタは有害な表現を抑えますが、専門的な内容の正確さまでは保証しません。 【C（不正解）】 ？ 言語の扱いを工夫する進め方です。 言語や方言によって品質に差が出うると Google Cloud は注意しています。翻訳すれば差が消えるわけではありません。 【D（正解）】 ？ モデルの調整と人の関与を組み合わせる進め方です。 正解です。専門的で権利に関わる用途では、分野のデータでの調整と、人による意味のある監督が必要だと公式に示されています。

出典: 責任ある AI（Agent Platform の生成 AI）／安全性（責任ある AI）

正解: B 【A（不正解）】 ？ 費用に関する効果です。 責任ある AI は費用の削減を約束する考え方ではありません。 【B（正解）】 ？ 信頼と導入に関する効果です。 正解です。AI への信頼の不足は企業での導入の壁になっており、責任ある取り組みが信頼を得ると Google Cloud は説明しています。 【C（不正解）】 ？ 手続きに関する効果です。 責任ある AI は評価や審査を重視する考え方です。確認を不要にするものではありません。 【D（不正解）】 ？ 人の関与に関する効果です。 影響の大きい場面では、むしろ人による監督が重要だとされています。

出典: Google Cloud の責任ある AI

正解: C 【A（不正解）】 ？ 独自のモデルを作る方法です。 時間と専門知識が必要で、2 週間・専門家なしという条件に合いません。 【B（不正解）】 ？ 自社データで画像のモデルを作る方法です。 画像の分類は、多言語化という目的に合いません。 【C（正解）】 ？ 学習済みの翻訳機能をそのまま使う方法です。 正解です。事前トレーニング済み APIなら学習なしですぐに組み込め、実装のスピードと手間の面で条件に合います。 【D（不正解）】 ？ SQL で予測モデルを作る方法です。 売上の予測は、今回の目的とは異なります。

出典: Cloud Translation のドキュメント／トレーニング方法を選択する

正解: A 【A（正解）】 ？ 学習用のコードを自分で書く手段です。 正解です。カスタム学習なら目的・アルゴリズム・損失関数まで自由に決められ、差別化につなげやすい手段です。 【B（不正解）】 ？ 学習済みの汎用機能を使う手段です。 すぐ使えますが、自社データに特化したモデルにはならず、差別化は生まれにくい手段です。 【C（不正解）】 ？ コードを書かずにモデルを作る手段です。 手軽ですが、決められた目的から選ぶ必要があり、独自の損失関数は使えません。 【D（不正解）】 ？ 社員向けの完成品の製品です。 社内情報の検索や対話のための製品で、独自の予測モデルを作る手段ではありません。

出典: トレーニング方法を選択する

正解: B 【A（不正解）】 ？ 学習用のコードを自分で書く手段です。 学習用のプログラムを書く力と、データサイエンスの知識が必要です。 【B（正解）】 ？ Agent Platform で自社データからモデルを作る手段の一つです。 正解です。AutoML はデータサイエンスの知識もプログラミングも不要で、表形式データの分類や回帰のモデルを作れます。 【C（不正解）】 ？ SQL でモデルを作る手段です。 データサイエンスの知識は少なくてよいものの、SQL を書く力が必要です。コードを書ける人がいない今回は AutoML が合います。 【D（不正解）】 ？ エージェントを開発するための枠組みです。 エージェントを作るためのもので、コードも必要です。表形式データの予測モデルを作る手段ではありません。

出典: トレーニング方法を選択する

正解: D 【A（不正解）】 ？ 手軽さの順番を逆にした見方です。 順番が逆です。カスタム学習はコードの開発が要るため、使い始めるまでの時間が最も長くなります。 【B（不正解）】 ？ AutoML を両方の良いところ取りとみる見方です。 AutoML はデータの準備と学習が要るので API より手間がかかり、決められた目的しか選べないため自由度はカスタム学習より低くなります。 【C（不正解）】 ？ 差が無いとみる見方です。 必要な専門知識や学習にかかる時間、選べる目的の幅は手段ごとに大きく違います。 【D（正解）】 ？ 手軽さと自由度が逆向きになるという見方です。 正解です。API は学習なしで使え、AutoML は少ない手間で自社データのモデルを作れます。カスタム学習は自由度が最も高い分、専門性と時間が要ります。

出典: トレーニング方法を選択する／Cloud Vision API のドキュメント

正解: A 【A（正解）】 ？ 開発者が AI を作って運用するための土台です。 正解です。Agent Platform は、企業データに根ざしたエージェントを構築・拡大・統制・最適化するための基盤です。Vertex AI のサービスはここに統合されました。 【B（不正解）】 ？ 社員がそのまま使う製品です。 これはGemini Enterpriseの説明です。Agent Platform は開発者がエージェントやモデルを作る基盤です。 【C（不正解）】 ？ 画像の分析に特化した機能です。 これはCloud Vision APIの説明です。 【D（不正解）】 ？ 計算資源を提供する仕組みです。 計算基盤はAI Hypercomputerの役割です。Agent Platform はモデルやエージェントの開発と運用までを扱います。

出典: Gemini Enterprise Agent Platform のドキュメント／Vertex AI からの名称変更

正解: C 【A（不正解）】 ？ コードでエージェントを作る枠組みです。 コードでエージェントを開発・評価・デプロイする枠組みで、画面上で指示を並べて比べる作業場ではありません。 【B（不正解）】 ？ SQL でモデルを作る機能です。 BigQuery の中で SQL を使ってモデルを作る機能です。 【C（正解）】 ？ モデルを試して指示を磨く作業場です。 正解です。Agent Studioはモデルを探して試し、システム指示の自動生成や並べての比較ができる共同作業スペースです。 【D（不正解）】 ？ AI 向けの計算基盤です。 GPU や TPU などの計算資源をまとめた基盤で、プロンプトを比べる道具ではありません。

出典: Agent Studio の概要

正解: C 【A（不正解）】 ？ 社員向けの完成品の製品です。 社員が検索や対話に使う製品で、開発フレームワークではありません。 【B（不正解）】 ？ 画像を分析する API です。 画像の分析機能で、エージェントを作る枠組みではありません。 【C（正解）】 ？ エージェントを開発するための枠組みです。 正解です。ADK はオープンソースのフレームワークで、複数のエージェントが協力・分担する仕組みを作れます。Python のほか TypeScript・Go・Java に対応します。 【D（不正解）】 ？ 文章を分析する API です。 文章の感情や固有名を分析する機能で、エージェントを作る枠組みではありません。

出典: Agent Development Kit（ADK）

正解: A 【A（正解）】 ？ 回答を確かめられる情報源に結び付ける方法です。 正解です。グラウンディングは出力を検証できる情報源に結び付け、ハルシネーションを減らします。根拠へのリンクも示せます。 【B（不正解）】 ？ 回答を繰り返し得て比べる方法です。 根拠となる文書に結び付かないため、同じ誤りが繰り返されるおそれがあります。 【C（不正解）】 ？ 計算資源を変える方法です。 処理は速くなっても、回答の正しさは変わりません。 【D（不正解）】 ？ 出力の長さを変える方法です。 短くしても、根拠の無い内容が混ざることは防げません。

出典: グラウンディングの概要／検索拡張生成（RAG）とは

正解: D 【A（不正解）】 ？ 音声を文字にする API です。 音声の文字起こしに使う API で、写真は扱いません。 【B（不正解）】 ？ 文章を翻訳する API です。 文章の翻訳に使う API で、写真に写った物は判別できません。 【C（不正解）】 ？ 文章の意味や感情を分析する API です。 文章の分析に使う API で、画像の分析はできません。 【D（正解）】 ？ 画像を分析する API です。 正解です。Cloud Vision APIは画像のラベル付け、顔やランドマークの検出、文字の読み取り（OCR）などをアプリに組み込めます。

出典: Cloud Vision API のドキュメント

正解: B 【A（不正解）】 ？ 文章を音声にする API です。 変換の向きが逆です。文章を自然な音声にする API です。 【B（正解）】 ？ 音声を文字にする API です。 正解です。Speech-to-Text APIは音声を送ると文字起こしの結果を返します。 【C（不正解）】 ？ 画像を分析する API です。 画像の分析に使う API で、音声は扱いません。 【D（不正解）】 ？ 文書から情報を取り出すサービスです。 請求書などの文書を処理するサービスで、通話の音声は扱いません。

出典: Cloud Speech-to-Text のドキュメント／Cloud Text-to-Speech のドキュメント

正解: D 【A（不正解）】 ？ 文章を翻訳する API です。 言語を置き換える API で、感情の傾向や施設名の抽出はしません。 【B（不正解）】 ？ 音声を文字にする API です。 音声が対象で、すでに文章になっている口コミの分析には使いません。 【C（不正解）】 ？ 画像を分析する API です。 写真の分析に使う API で、文章の感情は分析しません。 【D（正解）】 ？ 文章の意味や感情を分析する API です。 正解です。Cloud Natural Language APIは感情分析やエンティティ分析（固有名の抽出）などを提供します。

出典: Cloud Natural Language のドキュメント

正解: B 【A（不正解）】 ？ 文章を翻訳する API です。 言語を変えるだけで、金額や期日を項目として取り出すことはしません。 【B（正解）】 ？ 文書から必要な情報を取り出すサービスです。 正解です。Document AIは文書の非構造化データを構造化データに変え、文書処理のアプリを作れるようにします。 【C（不正解）】 ？ 文章を音声にする API です。 文章を読み上げる API で、表にまとめる用途ではありません。 【D（不正解）】 ？ SQL でモデルを作る機能です。 表になったデータでモデルを作る機能で、PDF から項目を取り出す道具ではありません。

出典: Document AI のドキュメント

正解: C 【A（不正解）】 ？ 画像から文字などを検出する方法です。 文字は読み取れても、要約や自由な質問への回答はできません。 【B（不正解）】 ？ 文章の感情や固有名を調べる方法です。 決まった種類の分析はできますが、要約や自由な質問への回答には向きません。 【C（正解）】 ？ 文章と画像をまとめて扱う生成 AI を使う方法です。 正解です。Gemini は文章や画像などを扱える基盤モデルで、要約や質問への回答のように幅広い作業に使えます。 【D（不正解）】 ？ 音声を文字にする方法です。 資料はすでに文書なので、音声の文字起こしは目的に合いません。

出典: マルチモーダル AI とは／基盤モデルとは

正解: A 【A（正解）】 ？ 顧客対応の業務に関わる Google Cloud の製品です。 正解です。Contact Center AI Platform は複数のチャネルを 1 つにまとめ、AI によるセルフサービスや振り分け、オペレーターの支援を提供します。 【B（不正解）】 ？ データを分析して共有する BI の基盤です。 データの分析と可視化の基盤で、顧客対応のチャネルをまとめる製品ではありません。 【C（不正解）】 ？ 音声を文字にする API です。 部品の一つにはなりえますが、チャネルの統合やオペレーター支援までを含むソリューションではありません。 【D（不正解）】 ？ データを整理・統制する仕組みです。 データの発見や品質の管理に使うもので、コンタクトセンターの製品ではありません。

出典: Contact Center AI（CCAI）Platform

正解: B 【A（不正解）】 ？ 出力を確かめられる情報源に結び付けることです。 ハルシネーションを減らすための対策の名前で、現象そのものではありません。 【B（正解）】 ？ 生成 AI の出力の性質に関わる言葉です。 正解です。ハルシネーションは AI が誤った、または誤解を招く結果を出す現象で、存在しないリンクを作ることもあります。 【C（不正解）】 ？ 自社データでモデルを追加学習させることです。 モデルを用途に合わせる方法の名前で、今回の現象を指す言葉ではありません。 【D（不正解）】 ？ 学習済みモデルで答えを出すことです。 モデルが答えを出す処理全般を指す言葉で、誤りの現象の名前ではありません。

出典: AI のハルシネーションとは／グラウンディングの概要

正解: D 【A（不正解）】 ？ 例を付けずに直接指示する書き方です。 例を付けずに指示や質問だけを与える書き方です。今回は例を添えています。 【B（不正解）】 ？ 途中の考えを段階的に書かせる書き方です。 複雑な推論を途中の段階に分けて進めさせる書き方で、例を添えることとは別です。 【C（不正解）】 ？ モデルそのものを追加学習させる方法です。 プロンプトの書き方ではなく、データでモデルの重みを調整する方法です。 【D（正解）】 ？ プロンプトの書き方の一つです。 正解です。望ましい入力と出力の組を 1 つ以上先に示すと、モデルが作業を理解しやすくなります。

出典: プロンプト エンジニアリングとは

正解: A 【A（正解）】 ？ Agent Platform で自社データからモデルを作る機能を使う方法です。 正解です。AutoML は少ない手間と専門知識で、自社の画像データから分類や物体検出のモデルを作れます。 【B（不正解）】 ？ 汎用の学習済み機能を使う方法です。 一般的な物の名前は付けられますが、自社部品の良否のような独自の区分は学んでいません。公式も独自の用途には AutoML などを案内しています。 【C（不正解）】 ？ SQL で数値の予測モデルを作る方法です。 数値の並びを予測する選択で、写真の良否判定には合いません。 【D（不正解）】 ？ 社員向けの検索と対話の製品です。 文書の検索や対話の製品で、画像の判定モデルは作れません。

出典: AutoML トレーニングの概要／Cloud Vision API のドキュメント

正解: C 【A（不正解）】 ？ 例を付けずに指示する方法です。 例を減らすと、独自の書式はむしろ伝わりにくくなります。 【B（不正解）】 ？ 文章を翻訳する方法です。 翻訳の API で、独自の書式や言い回しを身につけさせることはできません。 【C（正解）】 ？ 答え付きのデータで追加学習させる方法です。 正解です。ラベル付きデータが十分にあり（公式の目安は 100 件以上）、複雑で独自の作業では、ファインチューニングが有効です。 【D（不正解）】 ？ 文章を分析する API を使う方法です。 文章の分析はできますが、独自の書式で文章を作ることはできません。

出典: モデルのチューニングの概要

正解: C 【A（不正解）】 ？ 新しい情報をモデルの学習に入れ直す方法です。 変更のたびに学習し直す必要があり、毎週変わる情報を反映し続けるには負担が大きい方法です。 【B（不正解）】 ？ 指示の文言を変える方法です。 指示を変えるだけでは、モデルは学習した時点より新しい情報を知りません。 【C（正解）】 ？ 回答の前に情報を検索してモデルに渡す方法です。 正解です。LLM は学習した時点のデータに限られますが、RAG なら最新の情報を渡して、根拠のある回答を作れます。 【D（不正解）】 ？ 計算資源を増やす方法です。 応答は速くなっても、最新の情報は反映されません。

出典: 検索拡張生成（RAG）とは／モデルのチューニングの概要

正解: A 【A（正解）】 ？ Google Cloud で使える AI 向けの処理装置の一つです。 正解です。TPUは Google が独自に開発した ASIC で、ML に多い大きな行列計算を効率よく処理します。 【B（不正解）】 ？ 並列計算に強い処理装置です。 AI Hypercomputer では NVIDIA の GPU も使えますが、Google が独自に開発した ASIC ではありません。 【C（不正解）】 ？ 割安だが途中で止まることがある VM です。 計算資源の調達方法の一つで、集積回路の名前ではありません。 【D（不正解）】 ？ データを保存するサービスです。 データの保存先で、計算を速くする集積回路ではありません。

出典: Cloud TPU の概要／AI Hypercomputer の概要

正解: D 【A（不正解）】 ？ 容量を前もって確保しておく方式です。 容量を確実に確保したい重要なワークロード向けで、安さを最優先する短時間の作業には向きません。 【B（不正解）】 ？ 長い期間の利用を約束して割引を受ける方式です。 長く安定して使う前提の割引で、たまに動かす短時間のジョブには合いません。 【C（不正解）】 ？ 必要なときにすぐ起動して使う方式です。 すぐ使えますが通常の料金で、中断に強い作業の費用を下げる選択にはなりません。 【D（正解）】 ？ VM の調達方法の一つで、料金と可用性に特徴があります。 正解です。Spot VM は中断に強い短時間の GPU ワークロード向けで、大きな割引を受けられます。

出典: AI Hypercomputer の使用量（消費）オプション／AI Hypercomputer の概要

正解: B 【A（不正解）】 ？ 並列計算に強い汎用的な処理装置です。 GPU は、独自の PyTorch や JAX の演算が多いモデルなどに向くとされています。今回の条件は TPU の目安に当てはまります。 【B（正解）】 ？ Google Cloud で使える AI 向けの処理装置の一つです。 正解です。行列計算が中心で、独自の演算が無く、数週間から数か月学習する大規模モデルは、TPU に向くと公式に示されています。 【C（不正解）】 ？ 汎用の処理装置だけを使う方式です。 CPU は素早い試作や、学習に時間のかからない小さなモデルに向く選択です。 【D（不正解）】 ？ 短い処理をイベントで動かすサービスです。 短い処理を動かすサーバーレスの仕組みで、数週間の大規模な学習には使いません。

出典: Cloud TPU の概要／AI Hypercomputer の概要

正解: D 【A（不正解）】 ？ データをグラフや表で見せる道具です。 ダッシュボードやレポートを作る道具で、モデルは作れません。 【B（不正解）】 ？ データを整理・統制する仕組みです。 データの発見や品質の管理に使うもので、モデルを作る機能ではありません。 【C（不正解）】 ？ データを分析して共有する BI の基盤です。 BI の基盤で、SQL でモデルを学習させる機能ではありません。 【D（正解）】 ？ BigQuery に組み込まれた機能の一つです。 正解です。BigQuery MLは GoogleSQL のクエリでモデルを作って実行でき、モデルは BigQuery のデータセットに保存されます。

出典: BigQuery の ML の概要

正解: B 【A（不正解）】 ？ データを移してからコードで学習する方法です。 Python を書ける人が必要で、データを移して整える手間もかかります。 【B（正解）】 ？ BigQuery に組み込まれた機能を使う方法です。 正解です。BigQuery ML なら SQL の知識でモデルを作れ、データを別の環境へ移す手間も要りません。 【C（不正解）】 ？ 文章を分析する API を使う方法です。 文章の感情などを分析する API で、表形式の会員データから解約を予測するものではありません。 【D（不正解）】 ？ データを見える形にして人が判断する方法です。 可視化はできますが、予測モデルを作るわけではありません。

出典: BigQuery の ML の概要／トレーニング方法を選択する

正解: C 【A（不正解）】 ？ 似たデータをグループに分ける方法です。 グループ分けはできますが、文章の要約や感情の判定はしません。 【B（不正解）】 ？ 文章を翻訳する方法です。 データを外に出すうえ、翻訳では要約も感情の判定もできません。 【C（正解）】 ？ BigQuery ML から外部のモデルを使う方法です。 正解です。BigQuery ML や AI 関数を使うと、Gemini Enterprise Agent Platformのモデルを呼び出して、要約や感情の分析を SQL で行えます。 【D（不正解）】 ？ 数を数えて見える形にする方法です。 単語の数は分かっても、要約や感情の判定はできません。

出典: BigQuery の ML の概要／BigQuery の生成 AI の概要／BigQuery ML のモデルのユーザー ジャーニー