第1回 問題集（全般）

正解: B. B. 機械学習はAIの一分野であり、生成AIは機械学習の一分野である

正解の根拠・詳細解説

AI（人工知能）は最も広い概念で、人間の知能を模倣するシステム全般を指す。機械学習（ML）はAIの一分野で、データからパターンを学習する手法。生成AI（gen AI）はさらに機械学習の一分野で、新しいコンテンツ（テキスト・画像・音声等）を生成するモデルを指す。つまり「AI ⊃ ML ⊃ 生成AI」という包含関係になる。

正解: B. B. 大量のデータで事前学習され、様々なタスクに適応・転用できる汎用モデル

正解の根拠・詳細解説

基盤モデル（foundation model）は、大量かつ多様なデータで事前学習され、ファインチューニングやプロンプトエンジニアリングによって幅広いタスク（テキスト生成、要約、翻訳、画像認識など）に適応できる汎用性の高いモデルを指す。GeminiやGPTなどの大規模言語モデルはこの代表例である。

正解: B. B. テキスト・画像・音声・動画など複数の種類のデータを統合的に処理できるモデル

正解の根拠・詳細解説

マルチモーダル基盤モデルは、テキスト・画像・音声・動画といった複数のモダリティ（データ形式）を同時に理解・生成できるモデルである。Gemini はマルチモーダル基盤モデルの代表例で、テキストと画像を組み合わせた入力を処理できる。

正解: A. A. ノイズを徐々に加えたデータから、ノイズを除去する過程を学習し、ランダムノイズから新しいデータを生成する

正解の根拠・詳細解説

拡散モデルは、画像にノイズを段階的に加えていく過程（順拡散）と、そのノイズを除去して元のデータに近づける過程（逆拡散）を学習する。学習後はランダムノイズから逆拡散過程を経て新しい画像などを生成できる。Imagenなどの画像生成モデルで活用されている技術。

正解: B. B. プロンプトエンジニアリングは入力文を工夫する手法であり、プロンプトチューニングは追加パラメータを学習させてモデルの応答を調整する手法である

正解の根拠・詳細解説

プロンプトエンジニアリングは、モデルの重みを変更せずに入力文（プロンプト）の書き方を工夫して望ましい出力を得る手法。一方プロンプトチューニングは、少数の学習可能なパラメータ（ソフトプロンプト）をタスクごとに学習させ、モデル本体の重みは凍結したまま出力を調整する、より技術的な手法である。

正解: B. B. 膨大なテキストデータで学習され、数十億〜数兆規模のパラメータを持つ言語処理モデル

正解の根拠・詳細解説

大規模言語モデル（LLM）は、インターネット上の膨大なテキストデータなどで事前学習され、数十億から数兆規模のパラメータを持つニューラルネットワークモデルである。文章生成、翻訳、要約、質問応答など幅広い自然言語処理タスクに対応できる。

正解: A. A. 正解ラベルが付与されたデータを使ってモデルを学習させる

正解の根拠・詳細解説

教師あり学習は、入力データとそれに対応する正解ラベル（出力）のペアを用いてモデルを学習させる手法。スパム判定や売上予測など、正解が既知のタスクに適している。これに対し教師なし学習はラベルなしデータからパターンを発見し、強化学習は報酬を通じて行動を最適化する。

正解: A. A. 過去の購買データからラベルなしで顧客をいくつかのセグメントに自動的にグループ化したい

正解の根拠・詳細解説

教師なし学習は、正解ラベルのないデータの中から内在する構造やパターン（クラスタリングなど）を発見する手法。顧客セグメンテーションのように「正解」が存在しないグループ化タスクに適している。メール分類や物体分類は教師あり学習、ロボットの試行錯誤は強化学習の典型例である。

正解: A. A. エージェントが環境と相互作用しながら、行動の結果として得られる報酬を最大化するように学習する

正解の根拠・詳細解説

強化学習は、エージェントが環境の中で行動を選択し、その結果として得られる報酬（フィードバック）を最大化するように方策を学習する仕組み。RLHF（人間のフィードバックを用いた強化学習）は、LLMの応答品質を人間の評価を用いて改善する際に活用される。

正解: B. B. データのクリーニング、欠損値処理、特徴量エンジニアリングなどを行う

正解の根拠・詳細解説

機械学習ライフサイクルは「データ取り込み（ingestion）→データ準備（preparation）→モデル訓練（training）→モデルデプロイ（deployment）→モデル管理（management）」という流れで構成される。データ準備段階では、クリーニング・欠損値処理・特徴量エンジニアリングなどデータの品質を高める作業を行う。

正解: B. B. Vertex AI

正解の根拠・詳細解説

Vertex AIはGoogle Cloudの統合AI/MLプラットフォームであり、データ準備からモデルの訓練、デプロイ、モニタリングまで機械学習ライフサイクルの全段階を支援する。BigQueryは主にデータウェアハウス、Cloud Storageはオブジェクトストレージ、Cloud CDNはコンテンツ配信が主な役割である。

正解: B. B. モデルのバージョン管理、パフォーマンス監視、再学習の判断などを継続的に行うこと

正解の根拠・詳細解説

モデル管理は、デプロイ後のモデルを継続的に監視し、バージョン管理、パフォーマンスのドリフト検知、必要に応じた再学習のトリガーなどを行う段階である。本番運用後もモデルの品質を維持するために不可欠なプロセス。

正解: B. B. 一度のリクエストでモデルが処理できる入力（プロンプト＋履歴）の最大トークン数を決めるため

正解の根拠・詳細解説

コンテキストウィンドウは、モデルが一度の推論で考慮できる入力トークン数の上限を指す。長文書の要約や長い会話履歴を扱うタスクでは、コンテキストウィンドウが大きいモデルを選ぶことで、より多くの情報を一度に処理できる。

正解: B. B. 自社特有のドメイン知識や用語に対応した出力精度を高めたい場合

正解の根拠・詳細解説

ファインチューニングは、事前学習済みの基盤モデルに対し自社の独自データで追加学習を行い、特定ドメイン（医療・法務・社内用語など）における出力精度や一貫性を高める手法。汎用的すぎる応答では業務要件を満たせない場合に重要な選定基準となる。

正解: B. B. SLA（サービス品質保証）、障害時の冗長性、レスポンスタイムの安定性

正解の根拠・詳細解説

可用性と信頼性は、SLAの保証内容、システム障害時の冗長構成、レスポンスタイムの安定性など、本番運用において業務を継続的に支える能力を評価する観点である。ビジネスクリティカルな用途では特に重要視される。

正解: A. A. モデルが処理・生成できるデータの種類（テキスト・画像・音声・動画など）

正解の根拠・詳細解説

モダリティとは、モデルが扱えるデータの種類（テキスト、画像、音声、動画など）を指す。マルチモーダル基盤モデルは複数のモダリティを統合的に処理できるため、業務要件に応じて必要なモダリティに対応したモデルを選定する必要がある。

正解: B. B. マーケティング用のメール文面や広告コピーの自動作成

正解の根拠・詳細解説

生成AIのテキスト生成ユースケースは、マーケティングコピー、メール文面、レポート、要約文書、チャットボットの応答などを自動的に作成する用途が典型的である。企業の文書作成業務の効率化に直結する。

正解: A. A. 顧客からの問い合わせ内容を分類し、適切な部署へ自動的にルーティングする

正解の根拠・詳細解説

生成AIによる自動化は、問い合わせ内容の自動分類・ルーティング、定型レポートの自動生成、コード生成の自動化などが代表例。業務プロセスの中で繰り返し発生する判断や作業を自動化し、人的リソースをより高度な業務へ振り向けることができる。

正解: A. A. 大量の社内文書から関連情報を検索し、必要な知見を発見する

正解の根拠・詳細解説

「ディスカバー」は、大量の非構造化データ（社内文書、ナレッジベースなど）から関連性の高い情報を検索・発見する用途を指す。生成AIによる検索拡張生成（RAG）などはこの代表的な実装手法である。

正解: A. A. データが必要な項目をすべて欠落なく含んでいること

正解の根拠・詳細解説

データ品質における「完全性」は、必要な項目やレコードが欠落せずに揃っていることを指す。欠損値が多いデータセットは、モデルの学習や推論の精度に悪影響を及ぼす可能性がある。

正解: A. A. 同じ顧客の名前表記が複数のシステムで異なる形式で記録されている

正解の根拠・詳細解説

一貫性は、異なるシステムやレコード間でデータの表記・定義が統一されているかを指す。同一の顧客や商品が複数の表記で記録されていると、データを統合・分析する際に不整合が生じ、モデルの学習結果にも悪影響を与える。

正解: A. A. リレーショナルデータベースに格納された顧客の購買履歴テーブル

正解の根拠・詳細解説

構造化データは、行と列で整理されたテーブル形式のデータ（リレーショナルデータベース、スプレッドシートなど）を指す。一方、SNSのテキスト、音声、画像などはあらかじめ固定された構造を持たない非構造化データに分類される。

正解: B. B. コールセンターの音声通話の録音データ

正解の根拠・詳細解説

非構造化データは、あらかじめ定義された固定フォーマットを持たないデータを指す。音声、画像、自由記述のテキストなどが該当する。表形式に整理されたデータ（KPI集計表、マスターテーブル、売上データベース）はいずれも構造化データの例である。

正解: A. A. ラベル付きデータには正解（目的変数）の情報が付与されており、ラベルなしデータにはそれがない

正解の根拠・詳細解説

ラベル付きデータは、各データに正解（分類カテゴリや数値などの目的変数）が付与されているデータで、教師あり学習に使用される。ラベルなしデータは正解情報を持たず、教師なし学習やクラスタリングなどに利用される。

正解: A. A. TPUやGPUなどの計算基盤、データセンター

正解の根拠・詳細解説

生成AIランドスケープは「Infrastructure（インフラ）→Models（モデル）→Platforms（プラットフォーム）→Agents（エージェント）→Applications（アプリケーション）」という5つの層で構成される。インフラ層はTPU・GPU・データセンターなど、モデルを動かすための計算基盤を指す。

正解: B. B. Gemini・Gemma・Imagen・Veoなどの基盤モデルそのもの

正解の根拠・詳細解説

モデル層は、Gemini・Gemma・Imagen・Veoのような基盤モデルそのものを指す。インフラ層の計算資源の上で、これらのモデルが学習・推論を行う。

正解: B. B. モデルの開発・デプロイ・管理を行うためのツールや環境を提供する（例: Vertex AI）

正解の根拠・詳細解説

プラットフォーム層は、開発者や企業がモデルを活用してソリューションを構築するための環境やツール群（Vertex AIなど）を指す。モデルの選定、ファインチューニング、デプロイ、モニタリングなどを統合的に支援する。

正解: B. B. 外部ツールやAPIと連携し、与えられたタスクを自律的に遂行する仕組みを提供する層

正解の根拠・詳細解説

エージェント層は、基盤モデルが外部のツール・API・データストアと連携し、複数ステップのタスクを自律的に遂行できるようにする仕組みを提供する。Agent Platformなどのサービスがこの層に該当する。

正解: D. D. Gemini for Google Workspaceのようなエンドユーザー向け業務アプリケーション

正解の根拠・詳細解説

アプリケーション層は、エンドユーザーが実際に利用する業務アプリケーション（Gemini for Google Workspace、カスタムチャットボットなど）を指す。生成AIランドスケープの最上位に位置し、下位の層（インフラ・モデル・プラットフォーム・エージェント）の上に構築される。

正解: B. B. テキスト・画像・音声・動画を統合的に処理できるマルチモーダル基盤モデルである

正解の根拠・詳細解説

GeminiはGoogleが開発したマルチモーダル基盤モデルで、テキスト・画像・音声・動画など複数のモダリティを統合的に理解・生成できる。Google検索、Workspace、Vertex AIなど幅広い製品に組み込まれている。

正解: B. B. 軽量かつオープンウェイトで提供され、研究者や開発者が比較的少ないリソースでも利用・カスタマイズしやすいモデルである

正解の根拠・詳細解説

Gemmaは、Googleが提供する軽量でオープンウェイトな基盤モデルファミリーである。Geminiの研究成果を基にしつつ、比較的小規模な計算リソースでも動作できるよう設計されており、開発者が自由にカスタマイズ・デプロイしやすい点が特徴。

正解: A. A. テキストから高品質な画像を生成する画像生成モデルである

正解の根拠・詳細解説

Imagenは、テキストプロンプトから高品質な画像を生成するGoogleの画像生成モデルである。マーケティング素材の作成やクリエイティブなコンテンツ生成などのユースケースで活用される。

正解: A. A. テキストプロンプトから動画コンテンツを生成する動画生成モデルである

正解の根拠・詳細解説

Veoは、テキストプロンプトから動画を生成するGoogleの生成AIモデルである。マーケティング動画やプロトタイピングなど、動画コンテンツ制作の効率化に活用できる。

正解: B. B. API呼び出し回数やトークン数に応じた利用料金、ファインチューニングや運用にかかるコスト

正解の根拠・詳細解説

コストの観点では、API呼び出し単価（トークン数ベースの課金など）、ファインチューニングにかかる計算コスト、運用・モニタリングの人的コストなど、総保有コスト（TCO）を多面的に評価する必要がある。

正解: B. B. ユーザーの過去の行動履歴に基づいて、一人ひとりに合わせた商品レコメンデーションやメッセージを生成する

正解の根拠・詳細解説

パーソナライズされたユーザー体験は、個々のユーザーの行動履歴や好みに基づいて、生成AIがカスタマイズされたコンテンツ（レコメンデーション、メッセージ、提案）を動的に生成するユースケースを指す。

正解: A. A. 必要なときにデータへアクセスできなければ、モデルの学習や推論のタイミングに支障が出るため

正解の根拠・詳細解説

AIにおけるデータ品質は正確性や網羅性だけでなく、必要なときに必要な形でデータへ到達できるかという可用性も含みます。学習の段階では、データがアクセス制限やサイロ化によって取り出せなければ再学習の計画自体が組めません。推論の段階では影響がさらに直接的で、たとえば購買履歴を参照して回答する仕組みでは、参照先のデータストアが遅延したり応答しなかったりすると、回答の品質が落ちるか、そもそも応答が返らなくなります。可用性の確保はコストとも密接に関係し、常時低遅延のアクセスが必要なデータと、月次のバッチ学習でしか使わないデータとでは、適した保存先や冗長化の水準が異なります。またラベルが付いているかどうかは可用性とは別の観点であり、ラベルのない生データでも可用性は同じように重要です。

正解: B. B. 長年のAI研究への投資を活かし、最先端の生成AI技術を製品・サービスに継続的に統合していく方針

正解の根拠・詳細解説

Googleは長年にわたるAI研究（Transformerアーキテクチャの開発など）への投資を背景に、検索・Workspace・Cloudなど自社の製品・サービスに最先端の生成AI技術を継続的に統合する「AIファースト」の方針を掲げている。これにより企業は最新のAI技術を迅速に活用できる。

正解: A. A. 責任ある運用・セキュリティ・プライバシー保護・信頼性・スケーラビリティを兼ね備えている

正解の根拠・詳細解説

Google CloudのAIプラットフォームは、責任あるAI（responsible）、セキュリティ（secure）、プライバシー保護（private）、信頼性（reliable）、スケーラビリティ（scalable）を兼ね備えた、企業利用に適したエンタープライズ対応の基盤として設計されている。

正解: A. A. 検索・Workspace・Cloudなど複数の製品にAIが統合され、シナジー効果を生み出せる

正解の根拠・詳細解説

Googleの包括的なAIエコシステムは、検索、Workspace、Android、Cloudなど多様な製品・サービス全体にAI機能が統合されており、各サービス間でのデータ連携やシナジーを生み出せる点が強みである。

正解: B. B. オープンウェイトモデル（Gemmaなど）やオープンソースツールを提供し、特定の技術への過度なロックインを避けられるようにする

正解の根拠・詳細解説

Google Cloudのオープンなアプローチは、Gemmaのようなオープンウェイトモデルや、Kubernetesなどのオープンソース技術を提供することで、企業が特定ベンダーへの過度な依存（ロックイン）を避けつつ柔軟に技術選定できるようにする方針を指す。

正解: A. A. Googleが自社開発したTPU（Tensor Processing Unit）やGPU、ハイパーコンピュータ

正解の根拠・詳細解説

Google CloudのAI最適化インフラは、Google独自設計のTPU、GPU、大規模演算を支える「ハイパーコンピュータ」、そして世界各地のデータセンターによって構成されている。これにより大規模な生成AIモデルの学習・推論を効率的に処理できる。

正解: B. B. 大規模なAIワークロードを効率的に処理するために、計算・ストレージ・ネットワークを統合的に最適化したスーパーコンピュータ規模のシステム

正解の根拠・詳細解説

ハイパーコンピュータは、大規模な生成AIモデルの学習・推論ワークロードに対応するため、計算資源（TPU/GPU）・ストレージ・ネットワークを統合的に最適化したGoogle Cloudのスーパーコンピュータ規模のシステムアーキテクチャを指す。

正解: B. B. セキュリティ・プライバシー・ガバナンスを備え、顧客が自社データの扱いをコントロールできる仕組み

正解の根拠・詳細解説

Google CloudのAIプラットフォームは、セキュリティ対策、プライバシー保護、ガバナンス機能を備え、企業が自社データの利用範囲・アクセス権・保存場所などを自らコントロールできるよう設計されている。

正解: B. B. ローコード・ノーコードツール、事前学習済みモデル、APIの提供

正解の根拠・詳細解説

AI開発の民主化とは、専門的なデータサイエンティストでなくても、ローコード・ノーコードツールや事前学習済みモデル、シンプルなAPIを通じてAI機能を活用できるようにする取り組みを指す。これにより幅広い職種の人がAIを業務に組み込める。

正解: B. B. すぐに利用開始でき、開発・運用コストを抑えられる

正解の根拠・詳細解説

プリビルド済み（事前構築済み）の生成AI製品は、自社でモデルやインフラをゼロから構築する必要がなく、短期間で導入でき、開発・運用コストを抑えられる利点がある。一方で高度な独自要件にはカスタムエージェント開発が必要になる場合もある。

正解: B. B. 設計の初期段階からセキュリティを組み込み、インフラ・データ・モデルの各層で保護を実現する方針

正解の根拠・詳細解説

セキュアバイデザインは、システムの設計段階からセキュリティを組み込む考え方である。Google CloudのAIプラットフォームはインフラ、データ、モデルの各層において、後付けではなく設計時点からセキュリティ対策を統合している。

正解: B. B. チャット形式で質問応答や文章作成、画像理解などを行える対話型AIアシスタント機能

正解の根拠・詳細解説

Geminiアプリは、チャット形式で質問応答、文章作成、画像理解、コード生成などを行える対話型AIアシスタントである。個人ユーザーがブラウザやモバイルアプリから手軽に生成AIの能力を活用できる。

正解: A. A. ユーザーが特定の目的やトーンに合わせてカスタマイズした専用のAIアシスタントを作成できる機能

正解の根拠・詳細解説

Gemsは、Gemini Advancedにおいて、ユーザーが特定の目的（例: ライティングコーチ、コードレビューアー）やトーン、指示内容に合わせてカスタマイズした専用のAIアシスタントを作成・再利用できる機能である。

正解: A. A. マルチモーダル検索やカスタムエージェント機能を含む、企業データに基づいた高度なAI活用基盤

正解の根拠・詳細解説

Gemini Enterpriseは、企業の社内データに基づいたマルチモーダル検索、カスタムエージェントの構築、Cloud NotebookLM APIなどを通じて、企業全体の生産性向上を支援するエンタープライズ向けAI基盤である。

正解: A. A. 企業の独自文書をソースとして要約・質問応答・洞察抽出を行う

正解の根拠・詳細解説

Cloud NotebookLM APIは、企業が持つ独自の文書群をソースとして取り込み、その内容に基づいた要約生成、質問応答、洞察の抽出などを行うための機能を提供する。社内ナレッジの活用を効率化する。

正解: A. A. Gmail・Docs・Sheets・Slidesなどの既存業務アプリ内で、文章作成・要約・データ分析などをAIが支援する

正解の根拠・詳細解説

Gemini for Google Workspaceは、Gmail、Docs、Sheets、Slides、Meetなど既存の業務アプリケーションの中にGeminiの生成AI機能を統合し、メール作成支援、文書要約、スプレッドシートのデータ分析、スライド生成などを支援する。

正解: A. A. 日常的な文書作成やメール対応にかかる時間を削減し、従業員の生産性を高める

正解の根拠・詳細解説

Gemini for Google Workspaceの主な導入目的は、メール作成、議事録要約、データ分析などの日常業務にかかる時間を削減し、従業員がより創造的・戦略的な業務に時間を割けるよう生産性を高めることである。

正解: A. A. 企業固有の業務プロセスやデータに合わせた専用のAIエージェントを構築できる

正解の根拠・詳細解説

Gemini Enterpriseのカスタムエージェント機能により、企業は自社固有の業務プロセスやナレッジベースに基づいた専用のAIエージェントを構築し、社内の問い合わせ対応や業務支援に活用できる。

正解: A. A. Gemini Enterpriseは企業の独自データとの連携やカスタムエージェント構築など、業務利用に特化した機能を備える

正解の根拠・詳細解説

Geminiアプリは一般消費者向けの汎用対話型アシスタントであるのに対し、Gemini Enterpriseは企業の独自データとの統合、マルチモーダル検索、カスタムエージェント構築など、業務利用に特化した機能とガバナンスを備えている点が大きな違いである。

正解: A. A. 企業の社内データと外部のGoogle検索の両方を組み合わせた高度な検索体験を提供する

正解の根拠・詳細解説

Agent SearchはGemini Enterprise Agent Platform上で提供される検索機能で、企業独自のデータソースとGoogle検索の知見を組み合わせ、より高度で文脈に即した検索体験をエンドユーザーに提供する。

正解: A. A. Conversational Agents、Agent Assist、Conversational Insights、Contact Center as a Service

正解の根拠・詳細解説

カスタマーエンゲージメントスイートは、対話型AIエージェント（Conversational Agents）、オペレーター支援（Agent Assist）、会話分析（Conversational Insights）、クラウド型コンタクトセンター（Contact Center as a Service）などで構成される、顧客対応を支援する製品群である。

正解: A. A. 顧客からの問い合わせに対し、自然言語での自動応答や一次対応を行う

正解の根拠・詳細解説

Conversational Agentsは、チャットや音声による顧客からの問い合わせに対して自然言語で自動応答し、よくある質問への対応や一次受付を担うことで、人間のオペレーターの負荷を軽減する。

正解: A. A. 通話中の顧客対応をリアルタイムで支援し、関連情報の提示や応答候補の提案を行う

正解の根拠・詳細解説

Agent Assistは、オペレーターが顧客対応をしている最中に、関連するナレッジベースの情報や推奨される応答候補をリアルタイムで提示し、対応品質とスピードの向上を支援する機能である。

正解: A. A. 顧客との会話データを分析し、傾向や改善点を可視化してカスタマーサービスの品質向上に活用する

正解の根拠・詳細解説

Conversational Insightsは、顧客とのやり取り（チャット・通話記録など）を分析し、よくある問い合わせ内容や対応品質の傾向を可視化することで、カスタマーサービスの継続的な改善に活用できるインサイトを提供する。

正解: A. A. コンタクトセンターの機能をクラウド上のサービスとして利用でき、自社で物理インフラを構築する必要がない

正解の根拠・詳細解説

Contact Center as a Service（CCaaS）は、コンタクトセンターの機能（IVR、ルーティング、AIエージェント連携など）をクラウドサービスとして利用できる仕組みであり、自社でオンプレミスの物理インフラを構築・保守する必要がない点が利点である。

正解: A. A. Google・サードパーティ・オープンソースの様々な基盤モデルを検索・比較・デプロイできる機能

正解の根拠・詳細解説

Model Gardenは、Google自社のモデルだけでなく、サードパーティやオープンソースの様々な基盤モデルを検索・比較し、用途に応じて選択・デプロイできるカタログ機能を提供する。

正解: A. A. 機械学習の専門知識が少なくても、カスタムモデルを自動的に構築・学習できる

正解の根拠・詳細解説

AutoML機能は、機械学習の専門知識が limited な開発者でも、データを入力するだけで自動的に特徴量選択やモデル選定、学習を行い、カスタムモデルを構築できるようにする仕組みである。

正解: A. A. 基盤モデルが学習時点以降の最新情報や企業固有の情報を持たないという限界を、外部データの検索結果で補完する

正解の根拠・詳細解説

RAG（Retrieval-Augmented Generation）は、基盤モデルが持つ知識のカットオフ（学習時点以降の情報を持たない）や企業固有の専有データの欠如という限界を、外部データソースからの検索結果を生成プロセスに組み込むことで補完する技術である。

正解: A. A. RAGの実装をゼロから構築する必要がなく、すぐに検索拡張生成の機能を利用開始できる

正解の根拠・詳細解説

プリビルドRAG（Agent Search経由）は、検索インデックスの構築やベクトル検索の実装をゼロから行う必要がなく、Google Cloudが提供する仕組みをすぐに利用してRAGを実現できる点が大きな利点である。

正解: A. A. 独自のデータソースやワークフローに合わせて、検索拡張生成のロジックをカスタムに実装できる

正解の根拠・詳細解説

RAG APIsは、開発者が独自のデータソース、検索ロジック、ワークフローに合わせて検索拡張生成のパイプラインをカスタムに構築できる柔軟性を提供する、プリビルドRAGよりも高度な実装の選択肢である。

正解: A. A. 企業固有の業務プロセスやデータソースに合わせた専用のAIエージェントを設計できる

正解の根拠・詳細解説

Agent Platformを用いたカスタムエージェント構築では、企業固有の業務フロー、データソース、ツール連携に合わせてエージェントの振る舞いを設計できるため、汎用エージェントでは対応できない独自要件に応える。

正解: A. A. エージェントが外部API・データストア・ツールを呼び出して、情報取得や操作を実行できるようにする

正解の根拠・詳細解説

エクステンションやファンクションは、エージェントが外部のAPI、データストア、ツールを呼び出して、情報の取得や実際の操作（予約、検索、データ更新など）を実行するための仕組みである。これにより会話だけでなく実際のタスク遂行が可能になる。

正解: A. A. エージェントが参照する企業固有のドキュメントやナレッジを格納し、検索や取得の対象とする

正解の根拠・詳細解説

データストアは、企業のドキュメント、FAQ、製品カタログなどのナレッジを格納し、エージェントがRAGや検索を通じて必要な情報を取得するための参照先として機能する。

正解: A. A. Google AI Studioは個人開発者やプロトタイピング向け、Agent Studioはエンタープライズ向けのガバナンス・統合機能を備える

正解の根拠・詳細解説

Google AI Studioは主に個人開発者が手軽にプロトタイピングを行うためのツールであり、Agent Studio（Vertex AI内）はエンタープライズ向けのガバナンス、セキュリティ、データ統合機能を備えた、より本格的なエージェント開発環境である。

正解: A. A. 迅速な試作・実験段階ではGoogle AI Studio、企業データとの統合やガバナンスが必要な本番運用ではAgent Studioを選ぶ

正解の根拠・詳細解説

迅速にアイデアを試作・実験したい初期段階ではGoogle AI Studioが適している。一方、企業データとの統合、アクセス制御、ガバナンス、スケーラビリティが求められる本番運用フェーズでは、Vertex AI内のAgent Studioを選択するのが適切である。

正解: A. A. サードパーティのサービスや機能をエージェントに統合し、機能を拡張する

正解の根拠・詳細解説

プラグインは、サードパーティのサービスや専用機能をエージェントに統合することで、エージェント単体では持っていない機能（特定業務システムとの連携など）を拡張するための仕組みである。

正解: A. A. 音声データをテキストに変換する

正解の根拠・詳細解説

Speech-to-Text APIは、音声データをテキストデータに変換するAPIである。コールセンターの通話内容を文字起こしし、その後のテキスト分析やエージェントの処理に活用する用途などで使われる。

正解: A. A. テキストの応答内容を自然な音声に変換し、音声アシスタントやIVRシステムで再生する

正解の根拠・詳細解説

Text-to-Speech APIは、テキストを自然な音声データに変換するAPIである。音声アシスタントやIVR（自動音声応答）システムにおいて、エージェントの応答を音声で読み上げる用途に使われる。

正解: A. A. 請求書や契約書などの文書から構造化データを自動的に抽出する

正解の根拠・詳細解説

Document AI APIは、請求書、契約書、フォームなどの非構造化・半構造化文書から、必要な項目（金額、日付、氏名など）を構造化データとして自動的に抽出するためのAPIである。

正解: A. A. 画像内のオブジェクト検出、テキスト抽出（OCR）、顔検出などの画像解析を行う

正解の根拠・詳細解説

Cloud Vision APIは、画像内のオブジェクト検出、文字認識（OCR）、顔検出、不適切コンテンツの検出など、画像解析機能を提供するAPIである。エージェントが画像を理解し処理する際のツールとして利用される。

正解: A. A. 動画内のシーン、オブジェクト、テキストなどを自動的に検出・分析する

正解の根拠・詳細解説

Cloud Video Intelligence APIは、動画コンテンツ内のシーン変化、オブジェクト、テキスト、不適切コンテンツなどを自動的に検出・分析するためのAPIであり、動画データを扱うエージェントのツールとして活用される。

正解: A. A. テキストの感情分析、エンティティ抽出、構文解析などの自然言語処理を行う

正解の根拠・詳細解説

Natural Language APIは、テキストの感情分析（ポジティブ/ネガティブ判定）、エンティティ抽出（人名・組織名などの抽出）、構文解析といった自然言語処理機能を提供する。エージェントがテキストの意味や意図を理解する際のツールとなる。

正解: A. A. 特定のビジネスロジックやカスタム処理をサーバーレスで実行し、エージェントのタスク遂行に組み込む

正解の根拠・詳細解説

エージェントは大規模言語モデル単体では実行できない処理を、外部のツールを呼び出すことで補います。Cloud Functions や Cloud Run は、そのツールの実体を置く場所としてよく使われます。理由は、社内APIの呼び出し、在庫数の照会、独自の計算ロジック、データ形式の変換といったカスタム処理を、サーバーの管理をほとんど意識せずHTTPのエンドポイントとして公開でき、リクエストがあったときだけ課金される点にあります。エージェント側にはツールの説明と入出力のスキーマを登録しておき、モデルが利用者の意図に応じて呼び出すべきツールと引数を選びます。実行結果はモデルに戻され、最終的な回答の根拠として使われます。これにより、モデルの学習データに含まれない社内の最新情報や、確実性が求められる計算処理をエージェントの動作に組み込めます。

正解: A. A. モデルが事実に基づかない、誤った情報をあたかも真実のように生成してしまう現象

正解の根拠・詳細解説

ハルシネーションとは、生成AIモデルが事実に基づかない、もしくは存在しない情報をあたかも真実であるかのように生成してしまう現象である。誤った回答や架空の引用を生成することがあり、ビジネス利用において重大なリスクとなる。

正解: A. A. モデルが学習データの収集時点より後に発生した出来事や情報を知らない

正解の根拠・詳細解説

知識のカットオフとは、モデルが学習データを収集した時点までの情報しか持っておらず、それ以降に発生した最新の出来事や情報については認識していないという制約を指す。最新情報を扱うにはRAGなどの補完技術が必要になる。

正解: A. A. 学習データに含まれる偏りが、不公平または差別的な出力につながる可能性があるため

正解の根拠・詳細解説

バイアスは、学習データに含まれる社会的・統計的な偏りがモデルに反映され、特定の属性（性別、人種など）に対して不公平または差別的な出力を生成してしまうリスクを指す。責任あるAIの観点から重要な課題である。

正解: A. A. AIの判断や生成結果に対して、人間が確認・修正・承認するプロセスを組み込む手法

正解の根拠・詳細解説

ヒューマン・イン・ザ・ループ（HITL）は、AIが生成した結果や判断に対して、人間が確認・修正・最終承認を行うプロセスを組み込む手法である。特に誤りの影響が大きい業務領域（医療診断支援、法的文書など）でリスクを低減するために重要である。

正解: A. A. 汎用モデルの応答を、自社特有のドメイン知識や文体に適応させたい場合

正解の根拠・詳細解説

ファインチューニングは、事前学習済みの基盤モデルに対して自社固有のデータで追加学習を行うことで、特定ドメインの知識や望ましい文体・トーンに適応させる手法である。汎用モデルでは対応しきれない専門領域の精度向上に有効。

正解: A. A. 時間の経過とともにモデルの入力データや性能が変化していないかを監視し、劣化を早期に検知する

正解の根拠・詳細解説

ドリフトモニタリングは、本番運用中のモデルにおいて、入力データの傾向（データドリフト）や予測性能（コンセプトドリフト）が時間とともに変化し劣化していないかを継続的に監視し、問題を早期に検知するためのプラクティスである。

正解: A. A. 特徴量（feature）を一元管理し、学習時と推論時で一貫性のあるデータを提供する

正解の根拠・詳細解説

Feature Storeは、機械学習モデルに使用する特徴量（feature）を一元的に管理・保存し、学習時と本番推論時で同じ特徴量定義・値を一貫して利用できるようにする仕組みである。これによりモデルの性能劣化やデータ不整合を防ぐ。

正解: A. A. モデルが期待されるビジネス目標や品質基準を達成し続けているかを定量的に把握できるため

正解の根拠・詳細解説

KPI（重要業績評価指標）のモニタリングは、モデルの精度や応答品質といった技術指標だけでなく、ビジネス目標（顧客満足度、業務効率化など）に対する達成度を定量的に把握し、継続的な改善判断に活用するために重要である。

正解: A. A. 例を一切示さずに、タスクの指示のみでモデルに回答を生成させる手法

正解の根拠・詳細解説

ゼロショットプロンプティングは、タスクの実行例を一切示さず、指示文（インストラクション）のみを与えてモデルに回答を生成させる手法である。モデルが事前学習で獲得した汎用的な知識のみに基づいて応答する。

正解: A. A. ワンショットは1つの例を提示し、フューショットは複数の例を提示してモデルに望ましい出力形式を示す手法である

正解の根拠・詳細解説

ワンショットプロンプティングはタスクの実行例を1つだけ示す手法、フューショットプロンプティングは複数（通常2〜5個程度）の例を示す手法である。いずれもモデルに望ましい出力形式やパターンを例示することで応答品質を向上させる。

正解: A. A. モデルに特定の役割（専門家、編集者など）を与えることで、その役割に応じた視点や口調での応答を引き出す手法

正解の根拠・詳細解説

ロールプロンプティングは、「あなたは経験豊富な弁護士です」のように特定の役割やペルソナをモデルに与えることで、その役割にふさわしい視点、専門知識、口調での応答を引き出すプロンプト技法である。

正解: A. A. 複雑なタスクを複数の小さなステップに分割し、各ステップの出力を次のステップの入力として連鎖的に処理する

正解の根拠・詳細解説

プロンプトチェイニングは、複雑なタスクを複数の小さなサブタスクに分割し、あるステップの出力を次のステップの入力として連鎖的に処理していく手法である。これにより複雑な処理を段階的かつ管理しやすい形で実行できる。

正解: B. B. 複雑な論理的推論や多段階の計算を必要とするタスク

正解の根拠・詳細解説

Chain-of-Thoughtプロンプティングは、モデルに「段階的に考えてください」のように中間の推論過程を明示的に出力させることで、複雑な論理的推論や多段階の計算問題における正答率を向上させる高度なプロンプト技法である。

正解: A. A. 推論（Reasoning）と行動（Acting）を交互に繰り返すことで、外部ツールを使いながら段階的に問題を解決する手法

正解の根拠・詳細解説

ReAct（Reasoning + Acting）プロンプティングは、モデルが「推論する→行動する（外部ツールを呼び出す）→結果を観察する→再度推論する」というサイクルを繰り返しながら、複雑なタスクを段階的に解決していく高度なプロンプト技法である。エージェントの設計でよく用いられる。

正解: A. A. モデルの重みを変更せずに、入力の工夫だけで望ましい出力品質や形式を引き出せるため

正解の根拠・詳細解説

プロンプトエンジニアリングは、モデルの重みやアーキテクチャを変更することなく、指示文の構成・文脈・例示の工夫だけで望ましい出力品質、形式、トーンを引き出せる点が重要である。低コストかつ迅速に応答品質を改善できる。

正解: A. A. 望ましい要約の長さやスタイルの例を示すことで、出力のばらつきを抑え一貫性のある要約を得やすくなる

正解の根拠・詳細解説

要約タスクでフューショットプロンプティングを用いると、望ましい要約の長さ、構成、トーンの例を事前に示すことができ、モデルの出力のばらつきを抑えて、より一貫性のある望ましい形式の要約を得やすくなる。

正解: A. A. モデルの応答を、信頼できる事実情報やデータソースに基づかせることで、ハルシネーションを減らし正確性を高める

正解の根拠・詳細解説

グラウンディングとは、生成AIモデルの応答を、信頼できる事実情報や特定のデータソースに「根拠付け」することで、ハルシネーションを減らし、より正確で検証可能な出力を得る手法・概念である。

正解: A. A. 企業が自社で保有する独自データ（社内文書、製品カタログなど）を根拠として応答を生成する

正解の根拠・詳細解説

ファーストパーティ・エンタープライズデータを用いたグラウンディングは、企業が自社で保有する独自のデータ（社内文書、製品カタログ、FAQなど）を根拠として、企業固有の文脈に即した正確な応答を生成する手法である。

正解: A. A. サードパーティデータは外部の特定企業・組織が提供するデータ、ワールドデータはGoogle検索のような広範な公開ウェブ情報を指す

正解の根拠・詳細解説

サードパーティデータは、外部の特定の企業や組織が提供するデータソース（業界データベースなど）を指す。一方ワールドデータは、Google検索のような広範な公開ウェブ情報全般を指し、グラウンディングの根拠として使い分けられる。

正解: A. A. 関連する外部情報を検索し、その内容をプロンプトに組み込むことで、より正確で最新性のある回答を生成できるようにする

正解の根拠・詳細解説

RAGは、ユーザーの質問に関連する情報を外部データソースから検索し、その検索結果をプロンプトに組み込んでモデルに渡すことで、モデルの知識のカットオフを超えた最新情報や企業固有の情報に基づいた、より正確な回答を生成できるようにする技術である。

正解: A. A. モデルの応答をGoogle検索の最新の公開情報に基づいて根拠付けることができる

正解の根拠・詳細解説

Grounding with Google Searchは、生成AIモデルの応答をGoogle検索が提供する最新の公開ウェブ情報に基づいて根拠付ける機能であり、知識のカットオフを超えた時事性の高い情報を扱う際に有効である。

正解: A. A. 出力の多様性・ランダム性を調整するパラメータで、値が高いほど多様で創造的な出力になりやすい

正解の根拠・詳細解説

temperature（温度）は、モデルの出力における多様性・ランダム性を調整するサンプリングパラメータである。値を低く設定すると一貫性のある決定的な出力になりやすく、値を高く設定すると多様で創造的な出力になりやすい。

正解: A. A. 累積確率が指定した閾値に達するまでの上位候補トークンの中からランダムに選択することで、出力の多様性を制御する

正解の根拠・詳細解説

top-p（nucleus sampling）は、出力候補となるトークンを確率の高い順に並べ、累積確率が指定した閾値（例: 0.9）に達するまでの上位候補の中からサンプリングを行うパラメータである。temperatureと同様に出力の多様性を制御するために使われる。

正解: A. A. 有害・不適切なコンテンツの生成を制御しつつ、出力の長さをビジネス要件（コスト・表示領域など）に合わせて最適化できるため

正解の根拠・詳細解説

生成AIを実サービスへ組み込むときは、モデルの出力を業務要件の範囲に収める調整が欠かせません。セーフティ設定は、ヘイトや暴力、性的表現といったカテゴリごとに、どの程度の確からしさでブロックするかのしきい値を指定する仕組みです。利用者層や用途によって許容できる範囲は変わるため、既定値のままにせず、想定される入力で検証したうえで調整します。出力トークン数の上限は、課金が入力と出力のトークン量に応じて発生する以上コストへ直結し、同時に応答が返るまでの時間や、チャット欄など限られた表示領域に収まるかどうかにも影響します。上限を短く切りすぎると文章が途中で切れてしまうため、要約は短く、手順の説明は長めにといったように、用途ごとに設定を分けるのが実務的な進め方です。

正解: A. A. ビジネス要件と技術的制約の両方を明確にし、それに合致するソリューションを選定する

正解の根拠・詳細解説

生成AIソリューションを成功させるには、解決したいビジネス課題・要件（コスト削減、顧客満足度向上など）と、技術的制約（既存システムとの統合、データの可用性、セキュリティ要件など）の両方を明確にし、それに合致するソリューションを選定することが重要である。

正解: A. A. ユースケースの特定→パイロット導入による検証→段階的なスケールアップ→組織全体への展開という段階的なアプローチをとる

正解の根拠・詳細解説

生成AIの組織導入は、まず具体的なユースケースを特定し、小規模なパイロット導入で効果とリスクを検証した上で、段階的にスケールアップし、最終的に組織全体へ展開していくという段階的なアプローチが推奨される。

正解: A. A. 導入前後の業務効率、コスト削減額、顧客満足度などの定量的・定性的指標を比較する

正解の根拠・詳細解説

生成AI導入のインパクトを測定するには、導入前後の業務処理時間、コスト削減額、エラー率、顧客満足度（NPSなど）といった定量的・定性的な指標を比較し、ROIや業務改善効果を可視化することが重要である。

正解: A. A. 解決したい業務課題の性質（文書作成支援か、視覚コンテンツ作成かなど）に応じて適切なタイプを選ぶ

正解の根拠・詳細解説

生成AIソリューションのタイプ（テキスト生成、画像生成、コード生成、パーソナライズなど）は、解決したい具体的な業務課題の性質に応じて選定すべきである。例えば文書作成支援にはテキスト生成、マーケティング素材作成には画像生成が適している。

正解: A. A. 既存システムとのAPI連携可否、データのセキュリティ要件、レイテンシ要件などを評価する

正解の根拠・詳細解説

技術的制約の評価には、既存システムとのAPI連携の可否、データのセキュリティ・コンプライアンス要件、レスポンスタイム（レイテンシ）要件、スケーラビリティなどが含まれる。これらを踏まえてソリューションの実現可能性を判断する。

正解: A. A. 経営層のコミットメントと、業務部門・技術部門の連携を伴う組織的な変革管理

正解の根拠・詳細解説

生成AIによる変革的な効果を最大化するには、経営層の強いコミットメントのもと、業務部門と技術部門が連携した組織的な変革管理（チェンジマネジメント）が重要である。技術導入だけでなく、業務プロセスや組織文化の変革も伴う必要がある。

正解: A. A. AIシステムを悪意ある攻撃や誤用から保護するための体系的なセキュリティガイドラインを提供する

正解の根拠・詳細解説

Secure AI Framework（SAIF）は、Googleが提唱するAIシステムのセキュリティに関する体系的なフレームワークであり、AIモデルやシステムを悪意ある攻撃（プロンプトインジェクション、データポイズニングなど）や誤用から保護するためのガイドラインを提供する。

正解: A. A. データ収集からモデル開発、デプロイ、運用まで、各段階でセキュリティ対策を組み込む必要がある

正解の根拠・詳細解説

機械学習ライフサイクル全体（データ収集、データ準備、モデル訓練、デプロイ、運用・監視）の各段階において、データの機密性、モデルの完全性、アクセス制御などのセキュリティ対策を組み込む必要がある。

正解: A. A. 誰がどのAIリソース・データにアクセスできるかを制御し、最小権限の原則を適用する

正解の根拠・詳細解説

IAM（Identity and Access Management）は、ユーザーやサービスがどのリソース（データ、モデル、APIなど）にアクセスできるかを細かく制御する仕組みであり、最小権限の原則を適用してAIシステムの不正アクセスやデータ漏洩のリスクを低減する。

正解: A. A. クラウド環境全体のセキュリティリスクや脆弱性を可視化し、脅威を検知する

正解の根拠・詳細解説

Security Command Centerは、Google Cloud環境全体におけるセキュリティリスク、設定ミス、脆弱性、脅威を可視化・検知するためのセキュリティ管理ツールである。AIワークロードを含むクラウド環境全体のセキュリティ態勢を把握するために活用される。

正解: A. A. 異常な挙動や不正アクセスの試みをリアルタイムで検知し、迅速な対応につなげられるため

正解の根拠・詳細解説

ワークロードモニタリングツールは、AIシステムの実行環境における異常な挙動（不審なアクセスパターン、リソースの異常使用など）をリアルタイムで検知し、セキュリティインシデントへの迅速な対応を可能にするために重要である。

正解: A. A. 後付けでセキュリティ対策を追加するよりも、設計段階から組み込む方が脆弱性のリスクを低減し、修正コストも抑えられるため

正解の根拠・詳細解説

セキュリティを設計の初期段階から組み込む「secure-by-design」のアプローチは、後から脆弱性を発見・修正するよりもコストが低く、リスクを根本的に低減できる。AIシステムにおいても同様に、データ・モデル・インフラの各層で初期段階からのセキュリティ設計が推奨される。

正解: A. A. AIの判断プロセスや限界を利用者に明確に伝え、信頼性のあるAI活用を実現するため

正解の根拠・詳細解説

責任あるAIと透明性は、AIがどのように判断・生成を行っているか、またその限界（バイアスやハルシネーションの可能性など）を利用者やステークホルダーに明確に伝えることで、AIに対する信頼を構築し、適切な意思決定を支援するために重要である。

正解: A. A. 学習データに個人を特定できる情報が含まれ、モデルの出力からその情報が漏洩する可能性

正解の根拠・詳細解説

生成AIにおけるプライバシーリスクの代表例は、学習データや入力データに含まれる個人情報（氏名、住所、医療情報など）が、モデルの応答として意図せず出力・漏洩してしまうリスクである。

正解: A. A. 匿名化は個人を特定できる情報を完全に削除・置換し復元不可能にする処理、仮名化は識別子を別の符号に置き換えるが追加情報があれば再識別が可能な処理である

正解の根拠・詳細解説

匿名化は、個人を特定できる情報を完全に削除または置換し、元のデータに復元できない状態にする処理である。一方、仮名化は識別子を別の符号（仮名）に置き換える処理だが、対応表など追加情報があれば再識別が可能な点が匿名化と異なる。

正解: A. A. 学習データの品質や偏りが低いと、モデルの出力に不公平・差別的な結果が生じやすくなる

正解の根拠・詳細解説

学習データに偏り（特定属性のデータが少ない、不正確なラベルが多いなど）があると、モデルの出力に不公平または差別的な結果が生じやすくなる。データ品質の向上とバイアスの検証は、公平なAIシステムを実現するための重要な土台となる。

正解: A. A. AIの判断や生成結果について、誰が責任を持って説明・対応するのかを明確にすることで、組織としての信頼性を確保するため

正解の根拠・詳細解説

アカウンタビリティ（説明責任）は、AIが生成した結果や判断について、誤りや問題が生じた際に誰が責任を持って説明・対応するのかを組織内で明確にすることである。これにより、AI活用における信頼性とガバナンスを確保できる。

正解: A. A. ローン審査や採用選考など、AIの判断が個人に重大な影響を与える業務領域

正解の根拠・詳細解説

説明可能性とは、AIがどの入力要素をどのように重視して結論に至ったかを、人間が理解できる形で示せる性質を指す。これが強く求められるのは、AIの出力が個人の権利や機会を直接左右する場面である。ローン審査や採用選考では、否決された本人に理由を説明する責任が生じ、根拠を示せなければ本人は結果に異議を申し立てることも、次に何を改善すべきかを知ることもできない。さらに、性別や出身地といった本来考慮すべきでない属性と相関する特徴量が判断に効いてしまっていないかを検証するうえでも、判断根拠の可視化は欠かせない。こうした用途は規制の面でもリスクの高い領域として扱われ、透明性の確保や人間による監督が求められる傾向にある。Google Cloudでも、特徴量ごとの寄与度を算出するVertex Explainable AIのような機能が用意されている。一方、広告画像の自動生成や雑談チャットボット、BGMの生成といった用途は、出力が期待に沿わなくても作り直せばよく、個人の重大な不利益に直結しないため、説明可能性よりも品質やブランド上の安全性の管理が主な関心事となる。