G検定（ジェネラリスト検定）

レッスン内容

0
• 1

  人工知能の定義

  人工知能（AI）とは何かを学びます。人工知能とロボットの違い、人工知能の４つのレベル、人工知能・機械学習・ディープラーニングの関係性とそれぞれの特徴について解説します。
• 2

  人工知能研究の歴史

  人工知能（AI）の歴史、変遷について学びます。AIの基礎知識としてだけではなく、これから機械学習など手法や技術を学ぶ際の入門にもなるので、流れを把握しておきましょう。「AI効果」と呼ばれる現象についても解説します。
• 3

  人工知能分野で議論される問題 1

  古くから人工知能分野で指摘されている問題である「トイ・プロブレム」と「フレーム問題」、そして人工知能の確認に使用されつつ未だに議論の耐えない「チューリングテスト」について解説します。
• 4

  人工知能分野で議論される問題 2

  AIのカテゴライズとして1980年代から使われている「強いAIと弱いAI」と、強いAIの実現可能性に関わる“中国語の部屋”や“シンボルグラウンディング問題”とはなにかを解説します。
• 5

  探索・推論 1（探索木とロボットの行動計画）

  第１次ブームで中心的な役割を果たした推論・探索ではどのような研究が行われていたのかを学びます。探索の基本的な手法である幅優先探索・深さ優先探索の方法や、探索を使ったロボットの行動計画について解説します。
• 6

  探索・推論 2（ゲームの探索とモンテカルロ法）

  古くから人工知能研究では、ボードゲームで人間に勝利するための方法も考えられてきました。代表的なゲーム木探索のアルゴリズムであるMini-Max法とαβ法の考え方、従来の評価方式を一変させた「モンテカルロ法」と呼ばれる手法の特徴について解説します。
• 7

  知識表現とエキスパートシステム

  第２次ブームで中心的な役割を果たした知識表現について学びます。本レッスンでは初代チャットボットと呼ばれる「イライザ」や、1970年代人工知能研究で注目を浴びていたルールベースの手法を使った「エキスパートシステム」について解説します。
• 8

  意味ネットワークとオントロジー

  第２次ブームで中心的な役割を果たした知識表現について学びます。本レッスンでは知識獲得のボトルネックを受けて研究された、意味ネットワークとオントロジー
• 9

  機械学習

  ・機械学習とは何か説明できる ・機械学習とルールベース手法の差異、およびメリットデメリットについて説明できる ・機械学習が注目されるようになった背景を説明できる ・機械学習がどのような場面において、効果を発揮するのか理解する ・機械学習の代表的な応用例について理解する
• 10

  深層学習（ディープラーニング）

  ・ディープラーニングがどのように発展してきたのか、その歴史を説明できる ・古典的な機械学習とディープラーニングの差異を説明できる ・ディープラーニングの代表的な応用例について理解する
• 11

  機械学習の代表的な手法
• 12

  教師あり学習と代表的なモデル

  ・教師あり学習には、特徴量と教師データのペアが必要であることを理解する ・教師あり学習における、分析対象に応じた問題の種類を列挙・説明できる ・代表的な教師あり学習モデルの基本概念を理解する ・目的やデータの特性・量に応じて、適切な教師あり学習モデルを選択できる ・ビジネスにおける教師あり学習の応用例を説明できる
• 13

  教師なし学習と代表的なモデル

  ・教師なし学習には、特徴量のみが必要であることを理解する ・教師なし学習における、分析対象に応じた問題の種類を列挙・説明できる ・代表的な教師なし学習モデルの基本概念を理解する ・目的やデータの特性・量に応じて、適切な教師なし学習モデルを選択できる ・ビジネスにおける教師なし学習の応用例を説明できる
• 14

  強化学習と代表的な手法

  ・強化学習の基本概念を理解する ・強化学習と、教師あり学習および教師なし学習との差異を説明できる ・価値関数の学習と、方策の学習の2つの代表的なアプローチを理解する ・各アプローチに属する代表的な強化学習手法について概要を理解する ・ビジネスにおける強化学習の応用例を説明できる
• 15

  データの扱いとモデルの評価

  ・基本的なモデルの選択基準、評価方法並びに評価指標を理解する ・訓練誤差と汎化誤差の違いを説明できる ・データの量や目的に応じて、汎化性能を推定する検証方法を適切に選択できる
• 16

  モデルの適用と複雑さの調整

  ・汎化性能の悪化につながる代表的な現象を列挙・説明できる ・モデルの適用環境、ビジネス課題、並びに目的に応じて、適切な評価指標・モデルを選択できる ・モデルの複雑さを上げることによるメリット・デメリットを理解した上で、モデル選択の指針を説明できる
• 17

  ニューラルネットワークとディープラーニング

  ・ニューラルネットワークの基礎的な知識を理解する ・ニューラルネットワークとディープラーニングの関係を説明できる ・ディープラーニングの学習に必要なデータ量や計算リソースについて理解し、ディープラーニングが適用可能な場 面を挙げることができる ・CPU・GPU・TPUの特徴をそれぞれ説明できる ・GPUやTPUがディープラーニングの学習・推論に適する理由を説明できる
• 18

  誤差関数

  ・誤差関数の基礎的な知識を理解する ・代表的な誤差関数を理解する ・適用するタスクに応じて、適切な誤差関数を選択できる
• 19

  正則化

  ・正則化を導入する目的を説明できる ・代表的な正則化手法の特徴を説明できる ・獲得したいモデルの特性に応じて、適切な正則化手法を選択できる
• 20

  最適化手法

  ・勾配降下法の概要を理解する ・勾配降下法の問題とそれを解決するための手法を列挙できる ・勾配降下法の計算を効率化する方法を説明できる ・ハイパーパラメータの概要と代表的な調整方法を列挙・説明できる
• 21

  誤差逆伝播法

  ・誤差逆伝播法の概要を説明できる ・誤差逆伝播法の適用時に生じる問題とその主たる原因について説明できる
• 22

  活性化関数

  ・代表的な活性化関数の定義・使い分け・注意点について、それぞれ説明できる ・ディープラーニングにおける活性化関数の役割を説明できる
• 23

  ネットワークの基本構成要素

  ・畳み込み層の基礎的な知識を理解する ・全結合層と畳み込み層の差異について、説明できる ・畳み込み層の役割について説明できる ・畳み込み層のパラメータ数について理解する ・畳み込み層が適用できるデータの特性について理解する ・プーリング層の基礎的な知識を理解する ・代表的なプーリング操作について理解する ・プーリング層がディープラーニングモデルの学習において、どのような役割を果たすのか説明できる ・全結合層の概要を理解する ・全結合層のパラメータ数について理解する ・ディープラーニングにおける全結合層の役割を説明できる
• 24

  ネットワークの進化と拡張?

  ・正規化層の基礎的な知識を理解する ・代表的な正規化手法について理解する ・正規化層がディープラーニングモデルの学習において、どのような役割を果たすのか説明できる ・スキップ結合の概要を理解する ・ディープラーニングにおけるスキップ結合の役割を説明できる ・スキップ結合を活用したResidual Network（ResNet）の概要を理解する
• 25

  リカレントニューラルネットワーク（RNN）

  ・回帰結合層の概要を理解する ・回帰結合層を含むネットワークであるRNNを理解する ・RNNがどのような特性のデータに適したモデルか説明できる ・RNNの学習方法について理解する ・RNNの学習における課題とその解決手法を説明できる
• 26

  Attentionとトランスフォーマー

  ・Attention の基礎的な知識を理解する ・Attention がどのような役割を果たすのか説明できる ・Self-AttentionとEncoder-Decoder Attention(Source Target Attention)について理解する ・RNN の問題点を Attention はどのように解決できるか説明できる ・Attention を用いた代表的モデルのTransformerについて理解する
• 27

  トランスフォーマー
• 28

  オートエンコーダとその応用

  ・オートエンコーダの概要を理解する ・ディープラーニングにおけるオートエンコーダの役割を説明できる ・オートエンコーダの代表的な亜種を理解する
• 29

  データ拡張とその手法

  /* GPT作成部分 */ ・データ拡張の基礎的な知識を理解する ・代表的なデータ拡張手法について理解する ・ディープラーニングにおけるデータ拡張の役割を説明できる ・タスクやデータセットに応じて、使用するデータ拡張手法を選択できる
• 30

  画像認識

  ・画像認識タスクの種類とその概要について理解する ・代表的な画像認識モデルについて理解する ・画像認識が実世界において、どのように活用されているか理解する
• 31

  自然言語処理

  ・自然言語処理タスクの種類とその概要について理解する ・自然言語処理タスクにおける特徴表現とその手法について理解する ・代表的な自然言語処理モデルについて理解する ・自然言語処理が実世界において、どのように活用されているか理解する
• 32

  音声処理

  ・音声処理タスクの種類とその概要について理解する ・音声処理タスクにおける特徴表現とその手法について理解する ・代表的な音声処理モデルについて理解する ・音声処理が実世界において、どのように活用されているか理解する
• 33

  深層強化学習

  ・代表的な強化学習モデルについて理解する ・強化学習が実世界において、どのように活用されているか理解する
• 34

  データ生成

  ・データ生成タスクの種類とその概要について理解する ・代表的なデータ生成モデルについて理解する ・データ生成モデルが実世界において、どのように活用されているか理解する
• 35

  転移学習・ファインチューニング

  ・転移学習とファインチューニングの基礎的な知識を理解する ・どのような場面やタスクにおいて、転移学習・ファインチューニングが効果を発揮するのか理解する ・転移学習・ファインチューニングによって、様々なタスクにおいて大幅な精度向上を果たした代表的なモデルについて理解する
• 36

  マルチモーダル

  ・マルチモーダルタスクの種類とその概要について理解する ・代表的なマルチモーダルモデルについて理解する ・マルチモーダルモデルが実世界において、どのように活用されているか理解する
• 37

  モデルの解釈性

  ・モデルの解釈性が必要な背景について理解する ・解釈性が必要なユースケースについて理解する ・解釈性の向上に寄与する代表的な手法について理解する ・モデルの軽量化が必要な背景について理解する ・モデルの軽量化が必要なユースケースについて理解する ・代表的なモデル軽量化手法について理解する
• 38

  AI をビジネスに活用するのための基礎知識
• 39

  AI プロジェクトの進め方

  ・AIプロジェクトをどのように進めるか、全体像と各フェーズで注意すべき点などを理解する ・AIプロジェクトを進めるにあたって、考えるべき論点や基本となる概念、国内外の議論、並びに事例を理解する ・サービスやプロダクトとしてAIシステムを世に出す局面で注意すべきことを理解する ・AIの運用に必要となるモデルのヘルスモニタリングやライフサイクル管理等を理解する ・サービスやプロダクトとしてAIシステムを世に出す局面で注意すべきことを理解する ・AIの運用にあたって、どのようなことが必要か理解する
• 40

  データの収集・加工

  ・AIの学習対象となるデータを取得・利用するときに注意すべきことを理解する ・集めたデータを加工・分析・学習させるときの注意点を理解する
• 41

  データの分析・学習

  ・集めたデータを加工・分析・学習させるときの注意点を理解する ・データを共有しながら共同開発を進める場合の留意点を理解する
• 42

  個人情報保護法

  個人情報の分類（個人情報、個人データ、保有個人データ）について知り、個人情報保護法と情報の取り扱いで生じる義務について学びます。匿名加工情報と仮名加工情報の制度趣旨や、EU領域内の個人情報の保護を目的とした「GDPR」についても解説します。
• 43

  著作権法

  手で触れることは出来ないけれど存在する、ソフトウェアのプログラム、新しい技術や発明や創作物などを知的財産と言います。本レッスンでは知的財産権の1つである 「著作権」　について学びます。著作権の中に含まれる権利、強化学習に用いるデータの著作権、AI生成物と著作権の関係を解説します。
• 44

  特許法

  手で触れることは出来ないけれど存在する、ソフトウェアのプログラム、新しい技術や発明や創作物などを知的財産と言います。本レッスンでは産業上で利用される「発明」を保護するための特許法について学びます。特許権が認められる発明とはどんなものか、従業員が職務で発明を行った場合の権利の帰属先について解説します。
• 45

  不正競争防止法と独占禁止法

  企業間の公正な競争を守るために、不正な行為を禁止する法律「不正競争防止法」と、企業が自由に競争できる環境を維持するための法律「独占禁止法」があります。それぞれの法律の概要と、AIやデータに関すして重要な制度・問題となっている点について解説します。
• 46

  AI開発委託の契約形態と方式

  AI開発では、事前に性能保証をすることが難しいなど、従来のソフトウェア開発とは異なる特徴があります。このため経済産業省による『AI・データの利用に関する契約ガイドライン』では開発プロセスを分割した探索的段階型の開発方式が推奨されています。それぞれのフェーズの内容と、適切な契約関係について解説します。
• 47

  AI開発に関わる契約とAI利用契約

  AI開発委託では、NDA（秘密保持契約）など、請負・準委任契約以外にも様々な契約が取り交わされます。 代表的な契約と、それぞれの概要について解説します。また、特定の会社のために開発したものI、SaaS型のような不特定多数のユーザーに提供されるAIシステムやソフトウェアにおける「利用契約」との違いも学びましょう。
• 48

  AI倫理と国内外のガイドライン

  AIの社会実装が進むにつれて、問題点も多く取り上げられるようになりました。国内外で規制やガイドラインなどのソフトロー（拘束力がない規範）が策定されている他、 EUの「AI法」からハードロー（法規制）強化の動きもあります。AIに関わる国内外の代表的なガイドラインや、AI法について解説します。
• 49

  AIの公平性

  AIは与えられる学習データやアルゴリズムによって、特定の人々やグループに対して不公平な判断を下してしまうことがあります。AIシステムの公平性を保つためには、AIが導き出す結論に「不当な差別がないようにする」ことが重要です。本レッスンではAIの公平性と、AIの公平性を損なわせるバイアス（偏り）について解説します。
• 50

  安全性とセキュリティ

  AIを安全に利活用するためには、安全性やセキュリティの確保も重要です。AIモデル固有の安全性やセキュリティの課題、対応や防御方法について解説します。
• 51

  透明性

  AIの信頼性を高めるためには、どのようなデータ・根拠に基づいて出力を行ったか分かるようにする「透明性」と「説明可能性」が大切です。透明性とはどのようなものか、AIの説明可能性とアカウンタビリティとの違いなど、重要なポイントを中心を解説します。
• 52

  プライバシー

  機械学習やディープラーニングでは、データ収集段階と推論段階で異なったプライバシー侵害のリスクがあります。懸念される問題や、プライバシー上留意すべき事項、対応策について解説します。
• 53

  AIの悪用と民主主義

  AI技術の進歩に伴い、その悪用も大きな社会問題となっています。AI技術の悪用とその影響について学びましょう。代表的なAIの悪用と対策、民主主義社会や人間の自律性・周囲士に与える影響についても解説します。
• 54

  労働政策と環境保護

  AI技術の進展により、AIは仕事の自動化・効率化にも大きく貢献するようになっています。その一方で、雇用に与える影響・失業などの懸念もあり、AIと人間がどのように協働していくのかが議論されています。AI、特に、ディープラーニングと呼ばれる技術を使ったAIモデルの開発・運用には膨大な電力が消費されていることも、今後のAI活用の課題となっています。
• 55

  そのほかAIの課題

  ここまでのレッスンで触れたもの以外にも、AIの実用や発展には様々な課題があります。本レッスンでは インクルージョン、軍事利用、自律性など、国際的に議論されている代表的なAIの課題について紹介していきます。
• 56

  AIガバナンス

  AIの開発や運用が倫理的で安全に行われるためには、法規制だけではなく、企業単位での取り組みも必要です。AI技術を開発・利用・提供する際に、社会規範や法令を順守し、活動を適切に管理・統制する「AIガバナンス」を学びましょう。AIポリシーや倫理アセスメントなど、G検定シラバスに掲載されているキーワードについても解説します。