「AI・データ活用」の過去問(テクノロジ・40問+午後5大問)

1. この分野は何か

AI・データ活用分野は、人工知能（AI）の基礎理論から、膨大なデータ（ビッグデータ）を蓄積・分析・活用するための技術全般を扱う領域です。
機械学習（教師あり学習、教師なし学習、強化学習）やディープラーニングの仕組みに加え、学習モデルの精度を評価する手法が含まれます。また、大量のデータをリアルタイムに処理する複合イベント処理（CEP）や、データサイエンスの応用事例など、ビジネス価値を創出するためのデータ活用技術も対象となります。

2. 実際の出題のされ方

午前問題では、AIの学習手法に関する専門用語や、データ処理技術の概念を問う問題が頻出します。

• 機械学習の手法と評価: ディープラーニングの説明や、教師あり学習においてデータセットを分割してモデルの精度を検証する「交差検証（クロスバリデーション）」の目的・手順を問う問題が出題されます。
• 生成AIと応用: 近年のトレンドとして、「独自のデータを学習させることにより基盤モデルを自社の業務に特化させるファインチューニング」など、生成AIの具体的なカスタマイズ手法やビジネス活用事例が問われる機会が増えています。
• ビッグデータ処理技術: ストリームデータに対して複数の事象の関連性をリアルタイムに分析する「CEP（複合イベント処理）」や、大量の非構造化データを扱うNoSQLに関する特徴を選択させる問題が定番です。

3. 学習のポイント

AI関連の用語は直感的にわかりにくいものが多いため、分類と具体例を紐付けることが重要です。

• 学習アルゴリズムの分類:
  • 教師あり学習：正解ラベルがあるデータから予測モデルを作る（回帰分析、SVMなど）。
  • 教師なし学習：正解ラベルがないデータから特徴やグループを見つけ出す（クラスタリング、主成分分析など）。
  • 強化学習：エージェントが報酬を最大化するように行動を学習する（Q学習など）。
    これら3つの違いを、どのような課題解決に向いているか（例：売上予測なら教師あり、顧客のグループ分けなら教師なし）をセットで覚えましょう。
• 精度評価指標の整理: 適合率（Precision）、再現率（Recall）、F値といった評価指標について、混同行列（TP, TN, FP, FN）の表を描いてそれぞれの数式を自分で導出できるようにしておくことが得点のカギとなります。
• ニューラルネットワークの派生: CNN（画像処理向け）、RNN（時系列データ・自然言語処理向け）、GAN（画像などの生成に使われるモデル）など、ディープラーニングの代表的なモデル名とその得意分野を区別できるようにしてください。

4. 間違えやすいところ

機械学習の評価手法に関する問題において、「過学習（オーバーフィッティング）」の意味を取り違えるケースがよく見られます。過学習とは「訓練データに対しては高い精度を出すが、未知のテストデータに対する予測精度が低下してしまう」状態のことです。単に「学習しすぎた状態」ではなく、「未知のデータへの汎化性能が失われた状態」であることを正確に理解しておきましょう。
また、適合率（予測した正例のうち本当に正例だった割合）と再現率（実際の正例のうち正しく予測できた割合）の定義を混同するミスも多いため、医療の検査などを例にして「誤検知を減らしたい場合は適合率」「見逃しを減らしたい場合は再現率」と具体的なシナリオで覚えると間違いを防げます。