生成AIパスポートの練習問題（当サイト作成）

正解：ウ（訓練データに合わせすぎて、新しいデータに通用しなくなっている。）　当サイトの解答

• ア × 誤り データ量が多いこと自体が原因だと考えた

  データの量が原因ではありません。過学習は、訓練データに合わせすぎることで起こります。データの代表性が低い場合やモデルが複雑すぎる場合に起きやすくなります。

• イ × 誤り 過学習と、学習が足りない状態を取り違えた

  特徴を捉えきれていない場合は、訓練データでも成績が伸びません。今回は訓練データでの成績が高いので、当てはまりません。

• ウ ○ 正しい

  出典の説明どおり、訓練データに過度に適合し、新しいデータで正しく予測できなくなる状態です。訓練と検証で成績が乖離するのが目印です。

• エ × 誤り 訓練データでの成績を、そのまま実際の成績とみなした

  良いモデルは、訓練データだけでなく新しいデータでも正確に予測できるモデルです。そのため、訓練データ以外のデータで確かめます。

正解：ア（教師あり学習）　当サイトの解答

• ア ○ 正しい

  答えにあたるラベルが付いたデータでモデルを訓練し、新しいデータのラベルを予測します。今回の分類は、これに当たります。

• イ × 誤り 分類の作業は、すべて教師なし学習だと考えた

  教師なし学習は、ラベルのないデータから似たものをまとめるなどの方法です。今回はラベル付きのデータがあるので、それを使う教師あり学習が合います。

• ウ × 誤り 「学習」が付く手法を、見分けずに選んだ

  強化学習は、行動の結果として得る報酬をもとに試行錯誤で学ぶ方法です。ラベル付きデータから分類を学ぶ今回の場面とは異なります。

• エ × 誤り データがあっても、人が規則を書く方式が必要だと考えた

  ルールベースは、人が条件を書く方式です。ラベル付きデータがあるなら、そこから特徴とラベルの関係を学習させる教師あり学習のほうが、書く手間を減らせます。

正解：イ（RLHF（人間のフィードバックによる強化学習））　当サイトの解答

• ア × 誤り モデルの調整と、外部情報の参照を取り違えた

  RAGは、回答の生成前に外部の知識を検索して渡す方法です。モデル自体を人の意図に沿うよう調整する手法ではありません。

• イ ○ 正しい

  人が付けた出力のランキングを使い、強化学習でモデルを微調整する手法です。出典の研究では、この調整で人の意図に沿う出力が増え、有害な出力が減りました。

• ウ × 誤り 前処理と、学習の段階を取り違えた

  トークン化は、文章を処理の単位に分ける前処理です。人の評価を使ってモデルを調整する手法ではありません。

• エ × 誤り 入力の工夫で、モデルの傾向そのものが変わると考えた

  プロンプトの工夫で出力はある程度変わりますが、入力側の工夫です。人の評価を使ってモデル自体を調整する手法ではありません。

正解：エ（会話全体が参照範囲に積み上がり、長いほど精度や情報を拾う力が落ちることがある。）　当サイトの解答

• ア × 誤り 会話でモデル自体が学習し直されると考えた

  コンテキストウィンドウは、学習済みのモデルが参照する作業記憶です。会話の中で、モデルが追加学習されるわけではありません。

• イ × 誤り 生成パラメータが、会話の長さで自動的に変わると考えた

  Temperature は、利用者や設定が決める生成パラメータです。会話の長さで自動的に変わる設定ではありません。

• ウ × 誤り 参照中の会話と、学習データを混同した

  会話の入力は、学習データとは別の作業記憶に入ります。チャット画面で古い部分が参照から外れることはありますが、それは参照範囲の管理の話で、学習データからの削除ではありません。

• エ ○ 正しい

  出典によると、トークン数が増えるにつれて精度と情報を拾う力が下がる現象があり、増えた文脈の取捨も重要です。長い会話では、重要な条件を改めて伝えると防ぎやすくなります。

正解：ウ（質問のたびに、規程データベースから関連部分を検索して渡す。）　当サイトの解答

• ア × 誤り 一度学習させれば、以後の改定にも対応できると考えた

  一度学習させても、その後の改定は反映されず、古い内容で答え続けます。出典によると、RAGなら再学習をせずに新しいデータを追加できます。

• イ × 誤り 生成の設定で、知識の古さが直ると考えた

  Temperature は回答のばらつきを調整する設定で、モデルが持つ知識の古さを直す方法ではありません。

• ウ ○ 正しい

  RAGの考え方です。回答の生成前に外部の知識ベースを参照させるので、再学習をせずに最新の内容を反映できます。

• エ × 誤り 出力の長さを増やせば、正しい内容が出ると考えた

  出力の長さを増やしても、モデルが知らない最新の内容は出てきません。根拠にする情報を渡す必要があります。

正解：イ（MCP（Model Context Protocol））　当サイトの解答

• ア × 誤り 検索で外部情報を渡す手法を、接続の標準仕様と考えた

  RAGは、外部の知識を検索して回答に使う手法です。AIアプリを外部システムにつなぐための標準仕様ではありません。

• イ ○ 正しい

  AIアプリをデータ源やツールにつなぐ、オープンソースの標準です。出典は、AI向けのUSB-Cのようなものと説明しています。

• ウ × 誤り 参照できる量の話を、接続の規格と取り違えた

  コンテキストウィンドウは、モデルが一度に参照できる範囲です。外部システムとつなぐための標準ではありません。

• エ × 誤り 特定用途への調整を、接続の手段と取り違えた

  ファインチューニングは、追加の学習でモデルを調整する手法です。外部システムにつなぐ標準ではなく、接続の手間も減らせません。

正解：ア（間接型の攻撃。権限を最小限にし、高リスクな操作は人が承認する。）　当サイトの解答

• ア ○ 正しい

  外部から取り込んだ内容に埋め込まれた指示で振る舞いが変わるのは、間接型です。出典は、最小権限と、高リスクな操作への人の承認を対策に挙げています。

• イ × 誤り 利用者の入力だけが攻撃経路だと考えた

  今回の指示は、利用者の入力でなく、取り込んだ Web ページの中にあります。入力の文字数を制限しても、防げません。

• ウ × 誤り AI が意図しない動きをすれば、すべて同じ原因だと考えた

  ハルシネーションは、事実と異なる内容を出力することです。外部の指示に従ってしまう今回の問題とは別で、Temperature を下げても防げません。

• エ × 誤り 外部の内容を取り込む際の問題を、検索の精度の問題と考えた

  問題は検索の精度でなく、取り込んだ内容にある指示に従ってしまうことです。出典は、RAG やファインチューニングでも完全には防げないとしています。

正解：エ（利用目的の範囲内かを確認し、同意なしの個人データ入力なら学習利用の有無も確認する。）　当サイトの解答

• ア × 誤り 入力した情報は、回答を出したあとに残らないと思い込んだ

  注意喚起は、同意なしに個人データを入力し、応答の出力以外の目的で扱われる場合は法違反のおそれがあるとし、提供事業者が機械学習に利用しないことなどの確認を求めています。

• イ × 誤り 氏名を除けば、個人情報でなくなると考えた

  氏名を省いても、ほかの情報と合わせて個人を識別できる場合があります。省くだけで問題がなくなるとは限りません。

• ウ × 誤り 入力は、利用目的の範囲外でも自由にできると考えた

  注意喚起は、特定した利用目的の達成に必要な範囲内かどうかを確認するよう求めています。

• エ ○ 正しい

  注意喚起が個人情報取扱事業者に求める内容です。本人の同意なしに個人データを入力し、応答の出力以外の目的で扱われる場合は、法に違反するおそれがあります。

正解：ウ（各記述に資料の引用を付けさせ、引用のない記述は削除する。重要な点は人も確認する。）　当サイトの解答

• ア × 誤り 断定的な書き方は、正確さの印だと考えた

  生成AIは、事実と異なる内容を、もっともらしく書くことがあります。書き方の自信は、正確さの根拠になりません。

• イ × 誤り 答えを出させるほど、有用になると考えた

  出典は、分からないと言ってよいと伝えることで、誤情報を大きく減らせるとしています。推測で埋めさせると、誤りが増えます。

• ウ ○ 正しい

  出典が示す方法です。引用で裏づけを取り、見つからない主張は撤回させます。ただし誤りをなくせるわけではないので、重要な点は人が確認します。

• エ × 誤り 資料を渡せば、誤りは出ないと考えた

  出典は、対策で誤りを減らせてもなくせないとし、重要な情報は検証するよう求めています。

正解：イ（入力と出力の例を複数、種類を変えて示し、指示と区切る。）　当サイトの解答

• ア × 誤り 指示を長くするほど、例を示すより効果があると考えた

  出典は、例が出力の形式や構造を決める確実な方法の一つだとしています。例がないと、形式が揺れやすくなります。

• イ ○ 正しい

  Few-Shot の考え方です。出典は、例を実際の用途に近く多様にし、タグなどで指示と区別することを勧めています。例の数について、出典（Claude 向けのガイド）は3〜5個を目安にしていますが、これは出典固有の目安で、一般の決まりではありません。

• ウ × 誤り 例は、1つあれば十分だと考えた

  例が少なく似たものだけだと、意図しない型を覚えてしまうことがあります。出典は、境界のものを含め、多様にするよう勧めています。

• エ × 誤り 例と指示は、区別して書かなくてもよいと考えた

  区切らないと、例と指示を取り違えやすくなります。出典は、例をタグで囲んで指示と区別するよう勧めています。

正解：ウ（検証で良好と分かったあと、まだ見ていないデータでの成績を最終確認する。）　当サイトの解答

• ア × 誤り 検証用データとテスト用データの役割を取り違えた

  設定の調整に使うのは検証用データです。テスト用データで何度も調整すると、そのデータに合わせ込んでしまい、最終確認の意味が薄れます。

• イ × 誤り データが足りないときは、テスト用データも学習に回してよいと考えた

  テスト用データは、モデルが一度も学習していないデータです。学習に使うと、新しいデータでの成績を確かめられなくなります。

• ウ ○ 正しい

  出典のとおり、テスト用データは、検証で良好と分かったあとの最終確認に使います。モデルが学習していないので、新しいデータでの成績の目安になります。

• エ × 誤り 訓練用データと同じものを入れれば確認として十分だと考えた

  訓練用データと重複したデータが入ると、成績が実際より高く出てしまいます。重複は取り除く必要があります。

正解：ア（回帰。売上個数という数値を予測する。）　当サイトの解答

• ア ○ 正しい

  数値そのものを予測する課題は回帰です。出典の用語集でも、回帰モデルはクラスではなく数値を予測するものとされています。

• イ × 誤り 数値を予測する課題も、分類として扱えると考えた

  分類は、スパムかそうでないかのように、あらかじめ決めたカテゴリのどれに入るかを予測する課題です。数値そのものを求める今回の課題とは違います。

• ウ × 誤り 予測の課題と、グループ分けの課題を取り違えた

  クラスタリングは、正解の数値なしにデータをグループ分けする手法です。売上個数という正解の値を予測する課題とは違います。

• エ × 誤り 過去のデータから予測する課題でも、強化学習を使うと考えた

  強化学習は、行動の結果として得られる報酬をもとに学ぶ考え方です。過去のデータから数値を予測する課題とは違います。

正解：エ（各単語が、ほかの単語の意味の解釈にどれだけ影響するかを見て、文脈を捉える。）　当サイトの解答

• ア × 誤り 単語を品詞に分類する処理だと考えた

  品詞の分類は、セルフアテンションの役割ではありません。入力中の各トークンの関係を見て、文脈から意味を捉えるための仕組みです。

• イ × 誤り 人の評価を使った調整（RLHFなど）と取り違えた

  人の評価で調整する手法は別のものです。セルフアテンションは、モデルが文章を処理するときの内部の仕組みです。

• ウ × 誤り 文章は先頭から順に処理するだけだと考えた

  セルフアテンションでは、各トークンを入力中のほかのトークンと比べて見ます。1つずつ順に見るだけではありません。

• エ ○ 正しい

  出典の説明のとおりです。たとえば代名詞が何を指すかを、文中のほかの単語との関係から判断するのに役立ちます。

正解：イ（意味が近い文章ほど、ベクトルの距離が近くなるので、距離で類似度を比べられる。）　当サイトの解答

• ア × 誤り 数値に変換することは、暗号化だと考えた

  埋め込みは暗号化の手法ではありません。意味の近さを計算で扱えるようにするための表現です。

• イ ○ 正しい

  出典のとおり、似た項目は埋め込み空間で近くに置かれ、2点の間の距離を計算して、類似度の目安にできます。

• ウ × 誤り 意味ではなく、同じ語が入っているかだけで決まると考えた

  ベクトルは、同じ語を含むかどうかだけでなく、意味や使われ方の近さを反映するように作られます。

• エ × 誤り 数値にしても、元の文章を完全に復元できると考えた

  埋め込みは、意味の特徴を少ない次元にまとめた表現です。元の文章を復元できるとは限りません。

正解：ア（ワークフローに近い。手順を決めた流れで、LLMを動かす構成である。）　当サイトの解答

• ア ○ 正しい

  出典では、LLMとツールをあらかじめ決めた処理の流れで動かすものをワークフローと呼びます。手順が固定されている今回の仕組みはこれに当たります。

• イ × 誤り LLMを使っていれば、すべてAIエージェントだと考えた

  出典では、エージェントは、LLM自身が処理の進め方とツールの使い方を決めるものです。手順が固定された仕組みは、これに当たりません。

• ウ × 誤り 手順が決まっていると、LLMを使っているとは言えないと考えた

  各ステップでLLMを呼び出しているので、LLMを使った仕組みです。手順が固定なのは、ワークフローの特徴です。

• エ × 誤り ツールを使わない仕組みは、どちらにも当たらないと考えた

  転送などの処理も、決まった流れの一部です。LLMを決まった順序で呼ぶこの仕組みは、ワークフローに当たります。

正解：ウ（AIを組み込んだアプリケーションが呼び出しを実行し、結果をAIに返す。）　当サイトの解答

• ア × 誤り モデルが外部システムを自分で直接操作すると考えた

  モデルは、呼び出したいツールと引数を応答として返します。実行するのは、モデルではありません。

• イ × 誤り ツールの呼び出しは、人が手で実行するものだと考えた

  ユーザーが毎回手で検索する必要はありません。アプリケーションが呼び出しを受け取って実行し、結果をAIに返します。

• ウ ○ 正しい

  出典のとおり、自分で定義したツールは、モデルが呼び出しの形で応答し、アプリケーション側のコードが実行して結果を返します。

• エ × 誤り ツールの実行は、すべて提供元が行うと考えた

  提供元が実行する種類のツールもありますが、自分で定義したツールは、自分のアプリケーションで実行します。「すべて」ではありません。

正解：イ（過去のデータに当時の不平等が反映され、AIがそれを学習した。）　当サイトの解答

• ア × 誤り データの偏りは、サンプル数が少ないときのランダムな誤差だと考えた

  偏りは、ランダムな誤差ではなく、過去の採用の実態がデータに反映されたものです。

• イ ○ 正しい

  出典で歴史的バイアスと呼ばれるものです。データが当時の不平等を反映していると、AIも同じ偏りを学習します。

• ウ × 誤り AIは数学的に判断するので中立だと考えた

  AIは、学習したデータの傾向をそのまま引き継ぎます。データの収集や選び方に人の判断が入るため、偏りも入り込みます。

• エ × 誤り 学習を増やせば偏りが消えると考えた

  同じデータで学習を増やしても、データの偏りは消えません。データの見直しや、結果の検証が必要です。

正解：ウ（AIが応答していることと、AIの能力や限界を、利用者に分かる形で案内する。）　当サイトの解答

• ア × 誤り 利用者に満足してもらうためなら、AIの利用は伏せてよいと考えた

  透明性の指針は、AIを利用している事実などの情報を、関係者に合理的な範囲で提供することを求めています。AIの利用を伏せる対応は、これに反します。

• イ × 誤り 安心させるために、AIの限界には触れないほうがよいと考えた

  指針は、AIの能力だけでなく限界についても情報を提供することを求めています。常に正しいという案内は、事実とも合いません。

• ウ ○ 正しい

  指針が挙げる、AIを利用している事実や、AIシステム・サービスの能力と限界を、合理的な範囲で関係者に伝える対応です。

• エ × 誤り 透明性とは、仕組みをすべて公開することだと考えた

  指針が求めるのは、必要かつ技術的に可能な範囲で、合理的な範囲の情報を提供することです。すべての公開までは求めていません。

正解：エ（報告書を先頭に置き、質問は最後に書く。複数ならタグで区切る。）　当サイトの解答

• ア × 誤り 質問を先に書くほど、AIが報告書を読む観点を絞れると考えた

  出典では、長い資料は質問や指示より前の先頭付近に置くよう勧めています。質問を最後に置くと、品質が上がることがあるとされています。

• イ × 誤り AIは、渡していない資料の内容も知っていると考えた

  資料を渡さなければ、AIは報告書の内容を知りません。もっともらしい作り話を出す原因になります。

• ウ × 誤り 複数の資料でも、区切りを付けなくてよいと考えた

  出典では、複数の文書を使うときは、タグで区切って文書ごとに分けるよう勧めています。区切らないと、どの資料の話か分かりにくくなります。

• エ ○ 正しい

  出典のとおり、長い資料は先頭付近に置き、質問は最後に置きます。複数の文書は、タグで区切って整理します。

正解：ア（回ごとに食い違う数値は、誤りの可能性があるので、確認する場所を絞れる。）　当サイトの解答

• ア ○ 正しい

  出典では、同じプロンプトを複数回実行して比べる方法が紹介されています。結果が食い違う箇所は、作り話の可能性を示します。

• イ × 誤り 結果が一致すれば、正しいと言えると考えた

  一致しても、同じ誤りが繰り返されることがあります。出典も、重要な情報は検証するよう述べています。

• ウ × 誤り 同じ質問を重ねると、AIがその場で学習すると考えた

  指示を繰り返しても、モデルが追加で学習するわけではありません。結果を比べて、食い違いを見つけるために使います。

• エ × 誤り 出力が毎回違うのは、気にしなくてよいと考えた

  数値のように正解が決まっている項目で食い違うのは、誤りの手がかりです。気にせず選ぶと、誤りを見逃します。

正解：イ（迷惑メールの判定は入力を分類する従来型、返信文の下書きは新しい内容を作る生成AI。）　当サイトの解答

• ア × 誤り 判定するAIと作るAIを区別しなかった

  入力をラベルに分類する判別型と、新しい内容を作る生成型は、学ぶ対象が違います。出典も両者を分けて説明しています。

• イ ○ 正しい

  出典のとおり、従来の機械学習は入力を分類する判別型です。生成AIは、データの特徴の関係を学び、学習データにない新しい例を作ります。

• ウ × 誤り 判定を生成、作成を従来型と逆に考えた

  新しい文章を作るのが生成AIです。迷惑メールの判定のように分類するのは、従来の判別型の使い方です。

• エ × 誤り 判別型も新しい内容を作ると考えた

  判別型は、入力を既存のラベルに分類します。新しい内容を作るのは生成型で、違いはデータ量だけではありません。

正解：ア（リコール（実際の不良品のうち、検出できた割合））　当サイトの解答

• ア ○ 正しい

  出典のとおり、リコールは実際の陽性のうち捉えた割合です。見逃しを減らしたいなら、これを見ます。正解率は、不良品が少ないと高く出てしまいます。

• イ × 誤り 正解率が高ければ見逃しも少ないと考えた

  不良品が約1%だと、常に良品と答えても正解率は約99%になります。見逃しの多さは、正解率では分かりません。

• ウ × 誤り 見逃しと誤検知の指標を取り違えた

  適合率は、誤検知の少なさを表します。見逃しを減らしたいなら、リコールの方が目的に合います。

• エ × 誤り データが多ければ見逃しが少ないと考えた

  データの件数は、モデルの評価指標ではありません。見逃しの多さは、リコールで確かめます。

正解：エ（ファインチューニング。特定のタスクの例で追加学習する。）　当サイトの解答

• ア × 誤り 追加学習と、最初の大規模な学習を取り違えた

  事前学習は、大量の文章で言語の理解を身につける最初の学習です。今回は、学習済みのモデルに特定のタスクの例を追加で学ばせています。

• イ × 誤り プロンプトの工夫でモデルの中身が変わると考えた

  プロンプトの工夫は、モデルのパラメータを変えません。追加で学習させる今回の作業とは別のものです。

• ウ × 誤り 追加学習と、小さなモデルへの移し替えを混同した

  蒸留は、費用や速度の問題を減らすために、小さなモデルへ移す方法です。タスクの例で追加学習する作業ではありません。

• エ ○ 正しい

  出典のとおり、ファインチューニングは、特定のタスクの例で追加学習する方法です。分類のように、ラベル付きの例がある場面で使います。

正解：ウ（画像にノイズを加える過程を学び、その逆をたどってノイズから画像を作る。）　当サイトの解答

• ア × 誤り 生成画像は既存画像の貼り合わせだと考えた

  拡散モデルは、画像を検索して貼り合わせるのではありません。ノイズから画像を作る過程を学びます。

• イ × 誤り 1回の処理で完成すると考えた

  出典によると、拡散モデルは1つの出力を作るために、ネットワークを何度も実行します。

• ウ ○ 正しい

  出典のとおり、拡散モデルは、画像の情報を壊してノイズにする過程を学び、その逆をたどって画像を作ります。生成には、何度もネットワークを実行します。

• エ × 誤り 画像も言語モデルと同じ次を予測する方式と考えた

  次を予測して並べていくのは、自己回帰型の方式です。拡散モデルは、ノイズを取り除く過程で画像を作ります。

正解：イ（検索は自動で実行し、メール送信と削除は実行前に人が確認する。利用は記録する。）　当サイトの解答

• ア × 誤り 自動化では人の確認は不要だと考えた

  MCPの仕様は、人がツールの実行を拒否できる状態を保つことを勧めています。取り返しにくい操作を確認なしで実行させるのは危険です。

• イ ○ 正しい

  仕様は、機微な操作で利用者の確認を取り、ツールの入力を事前に見せ、利用を記録するよう勧めています。影響の小さい検索は自動でも構いません。

• ウ × 誤り すべての操作を同じ重さで確認すべきだと考えた

  確認が必要なのは、機微な操作や影響の大きい操作です。影響の小さい検索まで毎回止めると、使い勝手が下がります。

• エ × 誤り AIの自己判断が人の確認の代わりになると考えた

  仕様が求めるのは、人が拒否できることです。AIの自己判断だけでは、人の確認の代わりになりません。

正解：ウ（創作的な表現が似ていて、既存の著作物に依拠したと認められれば、侵害になり得る。）　当サイトの解答

• ア × 誤り AI生成物なら一律に侵害にならないと考えた

  AI生成物かどうかで、侵害かどうかは決まりません。類似性と依拠性が認められれば、AI生成物でも侵害になり得ます。

• イ × 誤り 類似性だけで侵害になると考えた

  侵害になるには、類似性に加えて依拠性が必要です。どちらかが欠ければ侵害になりません。

• ウ ○ 正しい

  文化庁の考え方では、類似性と依拠性の両方が認められ、権利制限の対象外であれば侵害になります。

• エ × 誤り 生成が適法なら、利用も自動的に適法だと考えた

  文化庁の資料は、生成が適法でも、利用まで直ちに適法とはならず、場面ごとの判断が要るとしています。

正解：ア（AIへの過度な依存に注意し、重要な出力は人が確認する運用にする。）　当サイトの解答

• ア ○ 正しい

  AI事業者ガイドラインの「人間中心」は、自動化バイアスなど、AIに過度に依存するリスクへの注意と対策を求めています。重要な出力は人が確認します。

• イ × 誤り AIの出力は人が見なくても十分正しいと考えた

  ガイドラインは、AIへの過度な依存に注意するよう求めています。確認をなくすのは逆の対応です。

• ウ × 誤り 確認の責任を利用先に押しつけてよいと考えた

  顧客に確認を任せても、AIへの過度な依存は減りません。出力は人が確認する運用が求められます。

• エ × 誤り リスクがあるなら使わないのが唯一の対策だと考えた

  ガイドラインは、リスクに注意して適切に活用することを求めています。一律の禁止が求められているわけではありません。

正解：エ（商品の特徴、読者、文字数などの条件を具体的に書く。）　当サイトの解答

• ア × 誤り 同じ入力を繰り返せば質が上がると考えた

  同じ入力を繰り返しても、得られるのは似た内容の文章です。背景や条件を足さないと改善しにくくなります。

• イ × 誤り 抽象的な形容を足せば質が上がると考えた

  抽象的なことばは、何をどうすればよいかを伝えません。具体的な条件の方が効果があります。

• ウ × 誤り ばらつきを大きくすれば良い文章が出ると考えた

  ばらつきを大きくしても、文章が使いやすくなるとは限りません。必要な情報を渡す方が先です。

• エ ○ 正しい

  出典のとおり、明確な指示に加えて、必要な背景と、長さや構造などの出力形式を指定すると、一般的な答えになりにくくなります。

正解：ウ（作業を調査、比較、まとめの順に分け、前の結果を次に渡す。）　当サイトの解答

• ア × 誤り 条件を全部入れれば、一度で完成すると考えた

  1つの指示に詰め込むと、各作業が浅くなり、抜けも出やすくなります。複雑な作業は分けて順に進めます。

• イ × 誤り 複雑な作業はAIに向かないと考えた

  作業を分ければ、生成AIも役立ちます。向かないと決める必要はありません。

• ウ ○ 正しい

  出典のとおり、複雑な作業は複数のプロンプトに分け、順番につなぎます。各段階を確認しながら進められます。

• エ × 誤り 再実行すれば自然と内容が深くなると考えた

  同じ指示の再実行では、作業の構造は変わりません。1回に詰め込みすぎている点を直す必要があります。

正解：ア（成果と価値の測り方を決め、まず既製のサービスで足りるか確かめる。）　当サイトの解答

• ア ○ 正しい

  出典は、AI活用で目指す成果と価値の測り方を定め、要件を満たす中で運用の責任が最も少ない解決策を選ぶよう勧めています。

• イ × 誤り 技術を先に作れば使い道は後で決まると考えた

  出典は、まず使いたい場面と成果を決めるよう勧めています。一から作ると、運用の責任も大きくなります。

• ウ × 誤り 測定なしで広げても成果が分かると考えた

  出典は、成果と価値の測り方を定めるよう勧めています。測り方がないと、投資に見合うかを判断できません。

• エ × 誤り 他社と同じ使い方が自社にも合うと考えた

  自社の業務で価値が出るかが大事です。出典は、使いたい場面と要件から選ぶよう勧めています。