AWS AIF サンプル問題

正解：C

A　呼び名の違いではなく、対象範囲の異なる概念。混同すると出題の意図を取り違える

B　包含関係が逆。最も狭いのは深層学習で、最も広いのがAI

C（正解）　正解。AIは人間の知的振る舞いを再現する広い概念、機械学習はデータから規則を学ぶ手法群、深層学習は多層ニューラルネットワークを用いる機械学習の一分野

D　深層学習は機械学習の一分野であり独立していない。ルールベースAIなど機械学習を使わないAIも存在する

正解：A

A（正解）　正解。入力と正解ラベルの組から入出力の対応関係を学ぶ方式で、予測対象の答えが事前にわかっている場合に用いる

B　ラベルのないデータから構造やグループを見つける方式。正解が与えられている今回の設定には当てはまらない

C　試行錯誤と報酬によって行動方針を学ぶ方式。ゲームやロボット制御に向き、過去ラベル付きデータからの予測には使わない

D　既存モデルの知識を別タスクへ流用する手法の名前であり、教師あり/なしといった学習の種類を表す語ではない

正解：D

A　売上金額のような連続値を予測する手法。顧客をグループに分ける用途ではない

B　あらかじめ決めた2つのクラスへ振り分ける手法で、ラベル付きデータが必要。今回はグループ自体が未定義

C　大多数と大きく外れたデータを見つける用途。全体をいくつかの塊に整理する目的とは異なる

D（正解）　正解。教師なし学習の代表例で、ラベルなしのデータを類似度に基づいて自動的にグループ化する

正解：B

A　3つ以上のカテゴリのどれかに振り分ける問題。価格帯を区切ればこの形にもできるが、金額そのものを予測する設定には合わない

B（正解）　正解。価格のような連続的な数値を予測する問題は回帰に分類される

C　似たもの同士をまとめる教師なし学習。予測すべき数値が決まっている今回の目的とは異なる

D　特徴量の数を減らして扱いやすくする前処理的な手法で、それ自体が価格を予測するわけではない

正解：C

A　各場面での正解の動きを人が全て用意する必要があり、試行錯誤と報酬で学ぶ今回の説明とは仕組みが異なる

B　ラベルなしデータから構造を見つける方式。報酬という概念は登場しない

C（正解）　正解。エージェントが環境と相互作用し、報酬を最大化する方策を試行錯誤で学ぶ方式

D　少量のラベル付きと大量のラベルなしデータを併用する方式。報酬による行動学習ではない

正解：B

A　訓練データですら精度が出ない状態を指す。訓練で99%出ている今回とは逆の症状

B（正解）　正解。訓練データの細部やノイズまで覚え込み、未知データへの汎化性能が落ちた状態

C　運用開始後に入力データの傾向が変化して精度が落ちる現象。学習直後の訓練/テスト間の差の説明ではない

D　生成AIがもっともらしい誤情報を出力する現象を指す語で、予測モデルの汎化性能の問題とは別

正解：C

A　分割は学習時間短縮が目的ではない。むしろ全データを学習に使わない分だけ情報は減る

B　プライバシー保護の手段ではない。匿名化やアクセス制御は別途必要

C（正解）　正解。学習済みデータで測ると成績が過大評価される。検証データで調整し、最後に未使用のテストデータで最終評価する

D　それはアンサンブル学習の説明。データ分割の目的とは異なる

正解：A

A（正解）　正解。年齢や購入回数のように、予測の手がかりとしてモデルに与える個々の変数を指す

B　それは推論結果やターゲットにあたる。入力側の項目である特徴量とは役割が逆

C　それはハイパーパラメータの説明。学習率やエポック数などが該当する

D　それは評価メトリクスの説明。正解率やF1スコアなどが該当する

正解：A・B

A（正解）　正解。パラメータが極端な値を取ることに罰則を与え、訓練データへの過剰な適合を抑える代表的な手法

B（正解）　正解。データが偏っていたり少なすぎたりすると丸暗記が起きやすい。収集やデータ拡張で多様性を高めると汎化しやすくなる

C　訓練データへの適合をさらに強めるだけで、未知データでの性能はむしろ悪化する。早期終了の方が有効

D　表現力を上げるほど訓練データを丸暗記しやすくなり、症状を悪化させる方向に働く

E　見かけの精度は上がるが、未知データでの性能を測る手段を失う。データリークにあたる

正解：A・C

A（正解）　正解。実績値という正解ラベルが付いたデータから連続値を予測する回帰であり、教師あり学習にあたる

B　ラベルを与えず、データの構造だけでまとめるクラスタリング。教師なし学習に分類される

C（正解）　正解。人が付けた分類ラベルを教師として学習する分類であり、教師あり学習にあたる

D　次元削減であり、正解ラベルを使わない教師なし学習の手法

E　環境から得る報酬を手がかりに方策を学ぶ強化学習であり、正解ラベルを用いる教師あり学習ではない

正解：B

A　従来型の個別タスク特化モデルの説明。基盤モデルは逆に、幅広い用途に転用できる汎用性が特徴

B（正解）　正解。1つのモデルを要約・翻訳・分類・生成など幅広い用途に、プロンプトや追加学習で適応させて利用できる

C　インフラ構成の話であり、モデルの説明ではない。名称の印象に引きずられた誤りの典型

D　ルールベースシステムの説明。基盤モデルは膨大なデータからの学習によって能力を獲得している

正解：C

A　学習データ全体を何回繰り返して学習したかを表す単位で、テキストの分割単位ではない

B　モデル内部の重みの数を指す語。モデル規模の大きさを示すが、入力の分割単位とは異なる

C（正解）　正解。単語や単語の一部、記号などに分割された処理単位で、料金計算やコンテキスト長の基準にもなる

D　トークンなどを数値ベクトルに変換した表現のこと。分割そのものを指す語ではない

正解：A

A（正解）　正解。エンベディングとも呼ばれ、意味の近い内容ほどベクトル空間上で近くに配置されるため、類似検索やRAGの基盤となる

B　テキストを処理単位に分割する前段の処理であり、意味を数値化した表現そのものではない

C　モデルの重みを低い精度で表現し、サイズと計算量を削減する最適化手法

D　データの尺度をそろえる一般的な前処理を指す語で、意味のベクトル表現とは異なる

正解：D

A　出力のランダム性を制御する推論パラメータであり、入力できる長さとは無関係

B　応答が返るまでの時間を指す性能の指標。長さの上限を表す概念ではない

C　言語モデルの予測の難しさを測る評価指標で、入力長の制限とは別の話

D（正解）　正解。モデルが一度に扱えるトークン数の上限で、入力と出力を合わせてこの範囲に収める必要がある

正解：B

A　訓練データに適合しすぎて未知データに弱くなる学習上の問題を指す語で、事実誤りの生成とは別の概念

B（正解）　正解。もっともらしいが事実に基づかない内容を生成する現象。RAGによる根拠付けや出典表示、人による確認で緩和する

C　運用中に入力データの傾向が変化して精度が落ちる現象であり、生成内容の正確性の問題ではない

D　悪意ある入力でモデルの指示を乗っ取る攻撃手法。意図せぬ事実誤りとは原因が異なる

正解：C

A　確率分布がなだらかになり、選ばれる語の幅が広がる。多様性は増すが安定性は下がる

B　出力できる長さの上限が変わるだけで、表現のばらつきは抑えられない

C（正解）　正解。確率の高い語が選ばれやすくなり、出力が決定的で一貫したものに近づく

D　候補として考慮する語の範囲が広がる設定であり、ばらつきはむしろ増える方向に働く

正解：A

A（正解）　正解。出力のランダム性が増し、確率の低い語も選ばれやすくなるため、創造的で多様な案が得られる

B　ほぼ決定的な出力になり、毎回似た表現が返る。事実確認や分類など再現性が欲しい用途向けの設定

C　扱える入力量が減るだけで、出力の多様性を高める設定ではない

D　指定した文字列が現れたら生成を打ち切る設定であり、表現の幅とは関係がない

正解：D

A　それは最大トークン数の役割。Top-Pは長さではなく候補語の絞り込みを制御する

B　検索件数の設定はRAG側の話であり、サンプリングのパラメータではない

C　学習率などの説明。Top-Pは推論時のパラメータで、重みは変化しない

D（正解）　正解。合計確率が指定割合に達するまでを候補とする方式で、値を小さくすると候補が絞られて出力が安定し、大きくすると多様になる

正解：B

A　局所的なパターン抽出に強く画像処理で広く使われるが、現在の大規模言語モデルの中核ではない

B（正解）　正解。自己注意(セルフアテンション)機構により語どうしの関連度を並列に計算でき、大規模化と長文理解を可能にした

C　条件分岐で予測する古典的な機械学習手法。文章生成のためのニューラルネットワーク構造ではない

D　分類に用いられる古典的手法で、大規模言語モデルの基盤アーキテクチャではない

正解：C

A　表形式データの予測に強い手法であり、画像生成には用いられない

B　近いデータを探して予測する古典的な手法。新しい画像を作り出す仕組みではない

C（正解）　正解。ディフュージョンモデルとも呼ばれ、ノイズを段階的に除去していく過程を学習し、テキスト条件付きで画像を生成する

D　数値予測の基本的な統計手法。画像を生成する能力は持たない

正解：A

A（正解）　正解。テキスト・画像・音声など複数の種類のデータを扱えるモデルで、図表の読み取りや画像に関する質問応答に対応できる

B　1種類のデータ形式だけを扱うモデルを指す語。今回の説明とは逆

C　複数のモデルの予測を組み合わせる手法で、扱えるデータ種別の話ではない

D　大きなモデルの知識を小さなモデルに移す技術で作られたモデル。入力形式の多様性とは別の概念

正解：C

A　対話履歴の保持や記憶機能の説明であり、モデル自体を作る工程ではない

B　プロンプトエンジニアリングの説明。モデルの重みは変化しない

C（正解）　正解。膨大な計算資源を要する最も大がかりな工程で、汎用的な能力の土台がここで作られる

D　RAGの説明であり、学習の工程ではなく推論時の仕組み

正解：B

A　入出力の例をいくつか示してから本題を与える手法。例を含めない今回の説明とは異なる

B（正解）　正解。例示なしに指示のみでタスクを実行させる手法で、プロンプトが短く済み一般的な作業に有効

C　途中の考え方を段階的に書かせる手法。例の有無ではなく推論過程の扱いに関する概念

D　追加の大量データでモデルの重みを更新する学習手法であり、プロンプトの与え方ではない

正解：C

A　ばらつきがさらに増える方向の設定で、分類の安定化とは逆行する

B　改善する場合もあるが、指示が曖昧なままではぶれは残る。コストも増える

C（正解）　正解。期待する判断基準と出力形式を具体例で示すことで、モデルの出力が意図した粒度にそろいやすくなる

D　入力が肥大してコストと遅延が増える一方、分類基準は明確にならない

正解：A

A（正解）　正解。チェーンオブソート(CoT)とも呼ばれ、中間の推論ステップを明示的に生成させることで、多段階の推論を要する問題の正答率が向上しやすい

B　例示せず指示だけを与える手法を指す語で、推論過程を書かせるかどうかとは別の観点

C　悪意ある入力で本来の指示を上書きする攻撃手法であり、精度向上の技法ではない

D　外部データを検索して回答に反映させる仕組み。推論過程を明示させる手法とは異なる

正解：D

A　何をするのかを具体的に伝えることは、プロンプト設計の中心

B　文脈を与えることで、前提を取り違えた回答を防げる

C　形式を指定すると後続処理での扱いやすさが大きく向上する

D（正解）　正解(含めるべきでないもの)。認証情報を入力に含めるのは重大なセキュリティリスクで、ログや履歴を通じた漏えいにつながる

正解：B

A　途中で出力が切れて壊れたJSONになる危険がある。形式の指定にはならない

B（正解）　正解。スキーマと具体例を示すことで構造が安定し、後続処理でのパース失敗を減らせる

C　構造まで揺らぐ可能性が高まり、機械処理には不利に働く

D　言語の変更が形式の安定に直結するわけではない。構造の明示のほうが効果的

正解：C

A　役割を与えても外部の資格データベースを参照するわけではない。あくまで生成の傾向が変わるだけ

B　ハルシネーションは役割設定では解消しない。根拠を与えるにはRAGなどが必要

C（正解）　正解。役割(ペルソナ)の指定は出力の語彙や観点、詳しさを目的に合わせて調整する実用的な手法

D　指示が増える分プロンプトはむしろ長くなる。コスト削減の手法ではない

正解：D

A　データベースへの問い合わせ文を改ざんする攻撃で、対象も仕組みも異なる

B　モデルの出力から学習データを推測しようとする攻撃であり、指示の乗っ取りではない

C　学習データに不正なデータを混入させ、モデルの挙動を歪める攻撃

D（正解）　正解。入力を通じて本来の指示を上書きし、意図しない動作や機密情報の開示を狙う攻撃

正解：A

A（正解）　正解(適切でないもの)。区別せず連結すると入力側の文が指示として解釈されやすく、攻撃を成立させてしまう

B　指示と入力の境界を明示することは基本的な緩和策の一つ

C　禁止トピックや機密情報の流出を検知・遮断する仕組みは有効な多層防御になる

D　仮に指示が乗っ取られても実行できる操作を限定でき、被害を抑えられる

正解：B

A　品質のばらつきが大きくなり、問題が起きた際の原因追跡も難しくなる

B（正解）　正解。共通部分をテンプレート化してバージョン管理することで、品質の均一化と改善の反映が容易になる

C　指示文の管理という目的に対して過剰なコストがかかり、変更のたびに再学習が必要になる

D　改善の反映が難しくなり、複数アプリ間での再利用もできない

正解：C

A　実際の入力に対する挙動は事前に読み切れない。固定運用は品質改善の機会を失う

B　コストが増える割に、指示の曖昧さが原因の場合は改善しない。まずプロンプトを見直すのが順当

C（正解）　正解。テストケースを用意して改善を測りながら磨き込むことで、再現性のある品質改善ができる

D　冗長な指示は焦点をぼかし、コストと遅延も増やす。長さと品質は比例しない

正解：A

A（正解）　正解。根拠がない場合の振る舞いを明示することは、誤情報の流通を抑える実践的なプロンプト設計

B　検索を行うにはRAGやツール連携の仕組みが必要で、指示文だけでは実現しない

C　料金はトークン量に応じて変動する。指示内容では固定化されない

D　プロンプトによって重みが変わることはない。効果はそのリクエストの範囲に限られる

正解：B

A　モデル全体の振る舞いや役割を定める上位の指示を指す語で、除外指定に限定された概念ではない

B（正解）　正解。生成結果に含めたくない要素を指定する仕組みで、画像生成モデルで広く利用される

C　指定文字列が出現した時点で生成を打ち切るテキスト生成向けの設定

D　望ましい入出力の例を示す手法で、除外条件の指定とは目的が異なる

正解：D

A　利用者が都度入力する指示のこと。今回の説明とは主体が逆

B　温度やTop-Pなど生成の挙動を数値で制御する設定であり、文章による指示ではない

C　テキストを数値ベクトルに変換した表現であって、役割を定める指示文ではない

D（正解）　正解。アプリが一貫して与える前提指示で、応答の方針や禁止事項を統制する役割を担う

正解：C

A　上限はモデルごとに固定されており、入力に応じて広がることはない

B　無関係な情報が増えると焦点がぼけ、かえって品質が落ちることもある

C（正解）　正解。必要な情報に絞ることが、品質・コスト・レイテンシーの三方に効く基本的な最適化

D　出力の上限は別途指定するもので、入力の長さに連動しない

正解：C

A　処理性能に関わる設定であり、判定結果の偏りとは無関係

B　扱える入力量の制約であって、特定属性への不利な判定を生む要因ではない

C（正解）　正解。歴史的な偏りを含むデータで学習すると、モデルはその傾向を再現し増幅しうる。データの点検と公平性の評価が必要

D　出力のランダム性が変わるだけで、属性に基づく体系的な不利益は説明できない

正解：B

A　データの前処理をGUIで行う機能であり、バイアス検出と説明の専用機能ではない

B（正解）　正解。学習前のデータバイアス、学習後のモデルバイアスを指標で評価し、特徴量の寄与度による説明も提供する

C　MLワークフローを自動化する仕組みで、公平性の分析機能は持たない

D架空　実在しないサービス名。公平性の管理を思わせる語感だが存在しない

正解：D

A　学習時間はデータ量や構成に依存するが、偏りそのものが処理時間を押し上げるわけではない

B　モデルの大きさはアーキテクチャで決まり、データの多様性とは関係がない

C　応答時間はモデル規模やインフラで決まる。データの偏りが直接の原因にはならない

D（正解）　正解。代表性のないデータで学習するとカバーされていない集団で性能が著しく低下する。多様なデータの収集が対策になる

正解：A

A（正解）　正解。AIを利用していること、用途・前提・制約を分かる形で明らかにし、利用者が結果をどう受け止めるべきか判断できるようにする姿勢を指す

B　公開が透明性の唯一の形ではない。企業秘密や安全上の理由から公開しない選択も取りうる

C　むしろ人の監督は責任あるAIの要素の一つ。介入の排除は透明性とは無関係

D　個人情報や権利上の制約があり、現実的でも必須でもない

正解：B

A　事実に基づかない内容を生成する現象を指す語で、表現の有害性とは別の問題

B（正解）　正解。侮辱や差別、憎悪を含む有害な出力を指す概念で、フィルタリングやガードレールによる抑止が対策となる

C　運用中に入力の傾向が変化して精度が落ちる現象であり、出力の有害性を指す語ではない

D　訓練データに適合しすぎる学習上の問題を指す語

正解：C

A　情報保護として重要だが、判断の妥当性を担保する仕組みではない

B　頻繁な再学習が品質や安全性を保証するわけではなく、検証工程がなければむしろ危険

C（正解）　正解。人の生命や権利に関わる領域では、AIの出力を助言として扱い、専門家が責任を持って判断する設計が求められる

D　利便性の指標であり、責任あるAIの中核的な要件ではない

正解：D

A　テキスト分析を行うサービスであり、レビュー工程を管理する仕組みではない

B　リソース構成の変更を記録し準拠状況を評価するサービスで、AI出力の人手確認とは領域が異なる

C架空　実在しないサービス名。レビュー工程の管理を思わせる名前だが存在しない

D（正解）　正解。Amazon A2Iとも表記され、予測の確信度が低い場合などに人によるレビューを挟むワークフローを構築でき、判定の品質を担保できる

正解：C

A　設定ミスや内部不正への耐性がなく、事故時の影響範囲も最大になる

B　誰が操作したか追跡できず、最も避けるべき運用。ルートユーザーは日常業務に使わない

C（正解）　正解。最小権限の原則に基づき、業務に必要な操作だけを許可することで漏えいと誤操作のリスクを抑えられる

D　コードの流出とともに認証情報が漏えいする。ロールによる一時的な認証情報の利用が原則

正解：B

A　Webアプリケーションへの攻撃を防御するファイアウォールで、鍵の管理は行わない

B（正解）　正解。暗号鍵の作成・管理・アクセス制御を担い、鍵の使用はCloudTrailで記録できるため監査にも対応できる

C　アプリケーション利用者の認証・認可を担うサービスで、保管データの暗号鍵管理とは役割が異なる

D　DDoS攻撃からの保護を提供するサービスであり、暗号化の機能ではない

正解：D

A　EC2やコンテナイメージの脆弱性を評価するサービスで、データの内容は検査しない

B　API呼び出しの履歴を記録する監査サービス。保存データの中身を分類する機能はない

C　不審なアクティビティを検出する脅威検知サービスであり、機密データの分類は主目的ではない

D（正解）　正解。機械学習を用いてS3内の個人情報などの機密データを検出・分類し、保護状況を可視化する

正解：A

A（正解）　正解。アカウント内のAPI呼び出しを記録し、操作主体・時刻・内容を追跡できるため監査証跡の基盤になる

B　アプリケーションのログを収集・検索する用途で、API操作の監査証跡としての位置づけとは異なる

C　コストやセキュリティの改善点を助言するサービスで、個別の操作履歴は提供しない

D　インスタンスの運用管理を担うサービスであり、API呼び出しの記録が目的ではない

正解：B

A　VPCからインターネットへの通信を可能にする仕組みで、経路を閉じる目的とは正反対

B（正解）　正解。AWS PrivateLinkによりAWSサービスへの通信をAWSネットワーク内に閉じることができ、データが公衆網を通らない構成を実現できる

C　プライベートサブネットからインターネットへ出るための仕組みであり、通信は外部を経由する

D　固定のパブリックIPを割り当てる機能で、通信経路を内部に限定するものではない

正解：C

A　データセンターの設備やハードウェアの管理はAWSの責任範囲

B　物理セキュリティはクラウドの基盤としてAWSが担う

C（正解）　正解。どのデータを扱い誰に権限を与えるかは顧客側の判断であり、設定の責任も顧客にある

D　マネージドサービスの基盤部分の維持はAWSの責任範囲に含まれる

正解：D

A　リスクは下がるが業務効率化の機会を失う。統制のもとで使う方針の検討が現実的

B　根本原因である情報の取り扱いには対処できない

C　送信経路は保護できても、サービス側で復号された内容が扱われる点は変わらない

D（正解）　正解。禁止だけでは抜け道が生まれるため、ルールの明確化と承認された安全な代替環境の用意を組み合わせる