正解：A
過学習（オーバーフィッティング）とは、モデルが訓練データに過剰に適合し、未知のデータに対する汎化性能が低下する現象。訓練誤差は非常に小さくなるが、テスト誤差は大きくなる。これを防ぐためには、ドロップアウトや正則化といった手法の導入、あるいは訓練データの追加が有効とされる。

正解：B
AI（人工知能）という広義の概念の中に機械学習が含まれ、さらに機械学習の一手法としてディープラーニングが存在する。ディープラーニングは多層のニューラルネットワークを用いてデータの特徴を自動的に抽出する手法であり、両者は同義語や独立した概念ではない。包含関係を適切にとらえることが重要である。

正解：B
フレーム問題とは、AIやロボットなどの有限の処理能力しか持たないシステムが、ある課題を実行する際に関係のある事項だけを枠（フレーム）の中に収めて考慮することが極めて困難であるという問題。現実世界には無数の不確定要素が存在するため、どの情報が無関係であるかを判断する処理自体に限界が生じてしまう点が本質とされる。

正解：C
第2次AIブーム（1980年代）では、特定分野の専門知識をコンピューターに記憶させ、推論させる「エキスパートシステム」が多数開発された。しかし、知識の記述や管理の困難さなどの要因によりブームは衰退した。なお、Aは第3次ブーム、Bは第1次ブームの内容である。

正解：D
第1次AIブーム（1950年代後半〜1960年代）では、探索や推論を用いてトイ・プロブレム（おもちゃの問題）と呼ばれるパズルや迷路などを解くことに成功した。しかし、ルールが明確でない現実世界の複雑な問題（トイ・プロブレムの枠を超える問題）を解決することができず、ブームは終息した。なお、Cは第2次ブームの課題である。

正解：B
バギング（ブートストラップ・アグリゲーティング）とは、ブートストラップサンプリングによって生成した複数の部分データセットを用いて、それぞれ独立したモデル（決定木など）を並列に学習させるアンサンブル手法。個々のモデルの予測結果を多数決や平均によって統合することで、モデル全体の分散（バリアンス）を減らし、汎化性能を高める効果がある。

正解：C
適合率（Precision、精度ともよばれる）は、モデルが陽性と予測したデータの中で、実際に陽性であったものの割合。TP/(TP+FP)で計算される。誤検知（偽陽性）を減らすことを重視する場合に用いられる評価指標である。なお、Bは再現率（Recall）、Aは特異度（Specificity）の説明である。

正解：B
k-近傍法（k-NN）とは、分類したい未知のデータが与えられたとき、特徴空間内における距離が最も近い上位k個の学習データ（近傍点）を選択し、それらのクラスの多数決によって分類結果を決める手法。事前学習をほとんどおこなわず、推論時にすべての学習データとの距離を計算するため「怠惰学習」とよばれる。

正解：A
エポック（Epoch）とは、用意した訓練データ全体を1回学習に取り入れた単位を指す。一方、データを小分けにしたミニバッチごとにパラメーターを1回更新する処理の単位はイテレーションとよばれる。全データ数が1,000でミニバッチサイズが100の場合、10イテレーションの処理をおこなうことで1エポックが完了する。

正解：C
ReLU関数は、入力が0以下の場合は0、正の場合は入力値をそのまま出力する活性化関数である。入力が正の領域において微分値が常に1となるため、多層ニューラルネットワークにおいても勾配消失問題が発生しにくい。一方で、入力が負の領域では微分値が0となり、ニューロンの更新が停止する「Dying ReLU」現象が生じることもある。

正解：A
バッチ勾配降下法は、1回のパラメーター更新をおこなうために訓練データセット全体を用いて勾配を計算する手法である。解の収束が比較的安定するという利点を持つ一方で、データ量が非常に大きい場合には1ステップの計算コストが大きくなり、処理に膨大な時間を要するという課題がある。なお、Bは狭義の確率的勾配降下法（SGD）の説明である。

正解：C
BERTは、Transformerのエンコーダー部分を利用した言語モデルである。文脈を左右の双方向から同時に考慮して学習する点が最大の特徴であり、文脈理解に優れている。事前学習としてマスクされた単語を予測するタスクなどをおこない、ファインチューニングによってさまざまな自然言語処理タスクへ応用される。なお、BはおもにGPTシリーズなどの特徴である。

正解：B
Max Pooling（最大値プーリング）は、設定した領域（ウィンドウ）の中から最大値を選択して縮小をおこなうプーリング処理である。特徴マップの縦横のサイズを小さくして計算量を削減するとともに、物体の位置がわずかに変化しても影響を受けにくい、空間的な位置のずれに対する不変性をモデルに付与する効果を持つ。なお、Cは畳み込み処理の説明である。

正解：B
CNNにおけるカーネル（フィルター）とは、入力画像や特徴マップの上を一定のストライド（歩幅）で滑らせながら積和演算をおこない、輪郭やテクスチャなどの局所的な特徴を抽出する正方形の重み行列を指す。フィルターの重みパラメーターは学習によって最適化され、獲得された応答の空間的配置が特徴マップとなる。

正解：B
重み量子化（Quantization）とは、モデルの重みや活性化関数の出力値を、たとえば32ビット浮動小数点数（FP32）から8ビット整数（INT8）などのより低い精度に変換する手法。これにより精度低下を最小限に抑えつつ、モデルのメモリ容量や計算コストを大幅に削減できる。なお、Aは剪定（プルーニング）の説明である。

正解：C
現在の深層学習領域ではTransformerが主流となっている。従来のRNNのような再帰構造を持たず、アテンション機構のみを用いて処理をおこなうことで、高い並列処理性能を実現した。時系列データの長距離依存関係を効率よくとらえることが可能となり、大規模言語モデルであるBERTやGPTなどをはじめ、画像処理などの幅広い分野で基礎的なアーキテクチャとして用いられている。

正解：B
自己教師あり学習は、データ自身から疑似的な正解ラベルを作成し、大量のラベルなしデータから有効な表現や特徴量を事前学習する手法の一つである。事前学習で得られた知識を目的タスクへ転移させることで、ラベル付きデータが少ない環境でも高い精度を実現できる。自然言語処理をはじめとする多様な分野で活用されており、手動でのラベル付けコストを大きく削減する手法として機能する。

正解：A
単語の分散表現は、単語を低次元の密な数値ベクトルとして表現する技術である。Word2vecやFastTextなどが代表例であり、単語間の意味的な類似度や関係性を高次元空間上の距離や角度として計算できる。これにより、従来のワンホット表現と比べて意味の近さをとらえることが可能となり、分類や翻訳をはじめとするさまざまな自然言語処理タスクの精度向上に寄与する。

正解：B
パノプティックセグメンテーションは、セマンティックセグメンテーションとインスタンスセグメンテーションを統合した手法である。空や道路のような対象物（Stuff）と、自動車や人物のような個体識別が可能な物体（Things）の双方を対象とする。画像全体のすべてのピクセルに対してクラス分類と個体識別を同時におこなうことで、シーン全体を統合的に理解する。自動運転技術などにおいて活用されている。

正解：A
連合学習（フェデレーテッドラーニング）は、各端末やローカル環境で学習したモデルのパラメータのみを中央サーバーに収集・統合する手法である。患者の個人情報や企業の機密データなど、外部へ送信できないプライバシーやセキュリティが重要視される領域で用いられる。中央にデータを一元管理する単一モデル学習と比べて、データのプライバシーを保護しつつ複数端末の知識を活用できる利点を持つ。

正解：B
PoC（概念実証）で終わらせずに実運用へつなげるには、企画段階で目的や課題を明確にし、ROI（投資対効果）の目標を設定することが不可欠である。単にモデルの精度向上を目指すだけでなく、実際の業務プロセスや運用フローに組み込めるかどうかの検証を同時におこなうことが重要となる。精度のみの追求やデータの品質軽視は、実運用時の失敗につながる大きな要因となる。

正解：A
大数の法則は、確率変数の試行回数（標本数）を増やすほど、その標本平均が母平均（期待値）へ近づくという統計学の基本法則である。たとえば、サイコロを投げる回数を増やすほど、出た目の平均値が理論上の期待値である3.5に近づく現象などが該当する。中心極限定理が標本平均の分布の形状（正規分布）を扱うのに対し、大数の法則は標本平均が一定の値（母平均）に収束する点を示している。

正解：A
イエンセン・シャノン・ダイバージェンス（JSD）は、二つの確率分布間の違いを測る統計的指標である。KLダイバージェンスを拡張した手法であり、非対称であるKLダイバージェンスとは異なり、方向によって値が変わらない対称性を持つ。また、計算結果が常に一定の範囲内に収まるため、値が無限大に発散するリスクを回避できる。GANをはじめとする生成モデルの学習や性能評価などで広く活用されている。

正解：A
ある行列の逆行列が存在するための必要十分条件は、その行列が正方行列であり、かつ行列式（デターミナント）が0でないことである。このような行列を正則行列と呼ぶ。行列式が0のときは逆行列が存在せず、正則ではない行列（特異行列）となる。ディープラーニングにおけるパラメータの最適化や線形変換の可逆性を議論するうえで、正則性の理解がきわめて重要となる。

正解：B
AIシステムの開発委託契約では、データの性質やモデルの不確実性を考慮することが求められる。従来のシステム開発と異なり、精度をあらかじめ完全保証することは難しいため、段階的なアプローチが推奨される。その際、提供されたデータの取扱いや生成されたモデルの権利帰属、およびノウハウの二次利用の可否をあらかじめ取り決めておくことがトラブル防止のうえで重要となる。

正解：B
Open RAILライセンスは、AIモデルや関連データのオープンな共有を促進しつつ、倫理的で責任ある利用を担保するために開発されたライセンス体系である。従来のオープンソースライセンスとは異なり、軍事利用や差別的なコンテンツの生成、犯罪行為など、特定の有害な用途に対する利用制限規定を設けることができる点に特徴がある。AI技術の悪用を防ぎながら技術革新を促進する手段として活用されている。

正解：A
生成AIを活用したシステム開発委託では、入力データ（プロンプト等）が外部AIサービスの再学習に利用され、機密情報や個人情報が意図せず流出するリスクがある。そのため、委託契約において外部サービスの利用条件やオプトアウトの設定、データの取り扱いルールをあらかじめ明確に規定することがきわめて重要となる。生成AIの出力物は必ずしも著作権が発生するとは限らず、精度保証の難しさなども考慮した取り決めが求められる。

正解：A
近年、大規模言語モデルをはじめとするAIモデルの巨大化により、モデルの学習や推論に要する計算資源と電力消費が爆発的に増加している。これによる二酸化炭素の排出増加や環境負荷の増大が地球規模の課題となっており、省エネルギーで高効率なモデル構造や学習プロセスの開発を目指すグリーンAIの重要性が高まっている。持続可能な社会の実現に向け、環境面への影響に配慮した技術選択や運用が強く求められている。

正解：A
プロンプトインジェクションは、生成AIや大規模言語モデルを用いたシステムに対して、悪意のある入力文章を与えることで開発者の設定した制御指示を上書きし、本来許可されていない動作を実行させる攻撃手法である。不適切なコンテンツの生成やシステム内部に保持された秘密情報の漏洩、外部APIとの連携を通じた不正操作などのリスクが存在する。システムの入力検証や出力のフィルタリングなど、適切な防御策の構築が求められる。

正解：A
ユネスコの「AIの倫理に関する勧告」では、人権と人間の尊厳の保護、透明性と説明可能性、人間による監視と意思決定などの重要性が示されている。一方で、政府による国民の社会的信用スコアリングのように、人権やプライバシーを著しく侵害するおそれのあるAIの利用については制限や禁止が求められている。AIの利活用にあたっては、技術の発展だけでなく人権保障との両立を図ることがきわめて重要となる。