GAS-Standard模擬試験 公式問題集

十分な背景情報や目的を与えることで、表現の細かな差に左右されにくい安定した出力が得られます。

プロンプト設計だけでなく、目的整理や情報の与え方なども重要です。設計だけでは十分な成果につながらないことがあります。

適切なコンテキスト設計は、業務で安定した成果を得るために重要な要素です。

GPT-4.1は主にコーディングに特化したモデルで、特にフロントエンドコーディングやバグ修正、指示への正確な追従などの能力が強化されています。デザイン作成ではなくソフトウェア開発支援が主な用途です。

最新のAIモデルでは「Action」や「Agent」と呼ばれる機能により、ユーザーの代わりにアプリの操作、予約、情報検索などの実用的なタスクを自律的に実行できるようになっています。これはAIの活用範囲を大きく広げる新しいトレンドです。

ChatGPT Plusの有料サブスクリプションでは、GPT-4やGPT-3.5など複数のモデルを用途に応じて切り替えて使用できます。

Claudeは日本語に対応しており、英語だけでなく日本語での対話や文書作成も可能です。2023年以降、日本語を含む多言語対応が強化されています。

DALL-E 3は名称変更されておらず、引き続きDALL-E 3として存在しています。2025年3月にChatGPTのデフォルト画像生成は「4o Image Generation」という新しいモデルに変更されましたが、これはDALL-E 3とは技術的に異なる別のモデルです。

Canvaでは『Magic Studio』として、テキストからの画像生成（マジックメディア）、背景削除（背景リムーバー）など、複数のAI機能が提供されています。

Stable Diffusionは無料で利用できるオープンソースの画像生成AIモデルで、商用利用も可能です。個人のコンピュータにインストールして使用することもできます。

Jasper（旧Jarvis）は、マーケティングコンテンツの作成に特化したAIライティングツールで、ブログ記事、SNS投稿、広告コピーなどを効率的に作成できます。

Google Docsの「Help me write」機能は単なる校正だけでなく、文章の下書き作成、書き直し、要約、拡張など幅広い文章作成支援を行います。

ELEVENLABSは高品質な音声合成AIで、テキストから自然な音声を生成できます。複数の言語や声色に対応し、ナレーションやポッドキャスト制作などに利用されています。

Runway MLはGen-2からGen-3へと進化し、動画の一貫性や動きの自然さ、指示への追従性が向上してきました。最新のGen-4.5では、物理的な動きや映像の精細さがさらに改善され、用途に応じたモデル選択が重要になります。

ChatGPTのVoice Mode（音声モード）は日本語にも対応しており、日本語での音声会話が可能です。スマートフォンアプリなどで利用できます。

AIエージェントとは、指示に基づき複数のタスクを自律的に実行する仕組みを指します。

AIエージェントは外部ツールやAPIと連携し、情報取得や処理を行うことがあります。これにより、単独ではできないタスクも実行できるようになります。

RAGは外部情報を参照しながら生成を行うことで、回答精度を高める仕組みです。

RAGを利用しても、参照データや設計次第ではハルシネーションが発生する可能性があります。

AIが生成したコードであっても、品質や安全性を担保するためには人による確認が重要です。

近年は、処理内容や目的といった高レベルな要件からコードを生成する技術が発展しています。コードの細かい書き方を指定しなくても、実装のたたき台を得られる点が注目されています。

AIエージェントは自律的に動作しますが、常に安全に振る舞うとは限りません。誤作動や想定外の挙動が起こる可能性があるため、監督や制御が必要です。

RAGは外部データを参照して回答を生成するため、誤りや古い情報が含まれると出力にも影響します。参照データの品質や更新状況を保つことが、安定した結果につながります。

MCPを用いることで、AIが参照する外部情報や利用するツールの範囲を明確に整理できます。これにより、情報の出どころを把握しやすくなり、想定外の参照や動作に気づきやすくなります。

生成AIが作成したコンテンツの利用には、各AIサービスの利用規約に従う必要があります。多くの場合、商用利用には制限があり、著作権や権利関係の明示が求められます。

著作物のAI学習利用については、各国の法律や学習目的によって扱いが異なります。日本では2018年の著作権法改正で一定の条件下でのAI学習目的の著作物利用が認められましたが、商用利用などには制限があることに注意が必要です。

AIが生成した画像に実在の企業ロゴや商標が含まれている場合、それらの使用権は得られていません。商標権や知的財産権の侵害になる可能性があるため、商用利用やパブリックな場での使用は避けるべきです。

Explainable AI/XAIは、AIの意思決定プロセスを人間が理解できるようにする技術です。AIの利用が拡大するにつれ、透明性や説明責任の観点から、AIがなぜその判断をしたのかを説明できる能力の重要性が高まっています。

生成AIが作成した内容であっても、既存の著作物との関係には注意が必要です。著作権侵害に当たるかどうかを最終的に判断するのは人であり、利用者自身が確認する姿勢が求められます。

AIが作成した文章であっても、著作権侵害となる可能性があるため注意が必要です。

著作権の有無が不明な場合には、リスクを避けるため利用を控える判断が重要です。

生成AIは法律を理解して判断しているわけではないため、法的チェックは人が行う必要があります。

生成AIを利用する際には、その判断や結果について説明できる責任が求められます。

海外製ツールであっても、日本国内で利用する場合は日本の法律を考慮する必要があります。

透明性とは、AIの利用方法や目的について第三者に説明できる状態を指します。

ガバナンスとは、生成AIを適切に管理し、望ましい形で運用するための考え方です。企業のAI導入方針などでよく使われる言葉です。

プロンプトインジェクションは、入力文に紛れ込ませた指示によってAIの挙動を操作しようとする攻撃手法です。システムの指示と外部からの入力情報を区別し、入力をそのまま指示として扱わない管理が重要です。

ユーザー入力を無加工で扱うと、不正指示や攻撃を受けるリスクが高まる可能性があります。

RAG構成やAIエージェントでも、入力経路次第でプロンプトインジェクションが起こり得ます。

業務の判断や責任は人が負う必要があり、AIに委ねることはできません。

間違いを指摘しないことは長期的には問題を生じさせます。ただし、「別のアプローチも試してみましょう」など肯定的な言い回しで提案し、相手の自尊心に配慮しながら正しい方法を伝えることが重要です。

トラブル発生時に状況を共有し、早い段階で対応することで影響の拡大を防ぎやすくなります。初動を遅らせない判断は、現場対応として重要です。

原因を整理して切り分けることで、適切な対応策を見つけやすくなります。

利用者やサポーターも含め、関係者が状況に応じて対応することが重要です。

生成AIは常に正しく動作するとは限らないため、トラブル対応は必要です。

一つの手段に固執せず、代替策を検討する姿勢が重要です。

利用できない状況を想定し、代替手段を用意しておくことが重要です。

過去の対応経験を振り返ることで、今後の活用改善に活かすことができます。

誤りを具体的に指摘し、条件や表現を見直すことで出力が改善する場合があります。問題点を共有しながら調整する姿勢が、生成AIを実務で活用するうえで重要です。

経験や対応策を共有することで、組織全体の対応力が向上します。

解決策を共有することで、同様の問題への対応が迅速になります。

目先の解決だけでなく、再発防止を見据えた改善が重要です。

トラブル経験は学習や改善の機会として活かすことができます。

感情に流されず建設的に対応する力が、サポーターには求められます。

一時的な不具合の場合もあるため、状況を確認しながら段階的に対応することが望ましいです。

原因を整理して切り分けることで、適切な対応策を見つけやすくなります。

原因不明のまま放置すると、問題が拡大したり再発したりする可能性があるため、適切な確認と対応が必要です。

一つの手段に固執せず、代替策を考える姿勢が安定運用につながります。

経験や対応策を共有することで、組織全体の対応力が高まります。

状況を記録しておくことで後から原因や経緯を振り返りやすくなり、同様のトラブルが起きた際の対応判断にも活かせます。

コンテキストウィンドウは、モデルが一度に読み取って処理できる情報量の上限を表します。

処理できる情報量が増えても、不要な情報が含まれると精度が下がる場合があります。大きさだけで精度は決まりません。

コンテキストは内容を指します。一方、コンテキストウィンドウは処理できる量を指すため、両者は異なる概念です。

「マルチ（Multi）」は「複数」、「モーダル（Modal）」は「形式・モード」を意味します。つまり、テキスト・画像・音声など、異なる種類のデータを一度に扱えるのが特徴です。

AI Agentは、指示に基づいて複数のアプリケーションと連携したり、一連の作業を自律的に実行したりできる半自律型のAIシステムです。単なる質問応答を超えて、より複雑なタスクを実行できる点が特徴です。

Context Windowが大きいほど、AIが一度に処理できる情報量は多くなります。例えば、Gemini 2.5 Proは100万token（約100万語に相当）という大きなContext Windowを持ち、長い文書や複雑な会話を処理できます。

現在の生成AIは標準の動作として推論処理を含んでおり、必要に応じて思考の深さが内部で調整されるため、推論は特定のモデルに限定された機能ではありません。

Frontier Modelは単一用途に限定されず、複数の高度な能力を統合した基盤として設計されており、幅広いタスクに対応できる点が特徴です。

Multimodal AIとは、テキスト、画像、音声、動画など複数の形式（モード）の情報を処理できるAIのことです。複数言語の翻訳に特化したものではなく、異なる種類のデータを理解・処理する能力を指します。

100万token（約100万語）のContext Windowを持つAIは、約1000ページ相当の文書を一度に処理できます。これにより、長い文書の全体を理解したり、複雑な会話の文脈を維持したりすることが可能です。

Tokenは必ずしも1単語に相当するわけではありません。英語では単語に近いですが、日本語では複数のtokenで1単語を表すことが多く、また句読点や空白もtokenとして数えられます。Tokenは処理の最小単位を指します。

RAGは、AIが内部知識だけでなく、外部データベースや最新の情報源から関連情報を検索・参照して回答を生成する技術です。これによりAIの知識を最新に保ち、より正確な回答が可能になります。

Zero-shot Learningは、特定のタスクの例を一切見せずにAIがそのタスクを実行できる能力を指します。少量のサンプルから学習するのは「Few-shot Learning (フューショットラーニング)」と呼ばれる別の技術です。

MMLUは、法律、哲学、医学、数学など様々な分野におけるAIの言語理解能力を測定する標準的なベンチマークです。AIモデルの性能を比較する際によく使用されます。

推論に特化したAIモデル（例：OpenAI o1）は、複雑な推論を行うために一般的なモデルより処理時間がかかることが多いです。より詳細で論理的なアプローチを取るため、即時応答よりも正確性を重視する設計になっています。

Small Language Model（例：GPT-4o MiniやClaude 3 Haiku）は、大型モデルよりも機能や精度がやや劣るものの、処理速度が速く、コストが低いというメリットがあります。日常的なタスクや迅速な応答が必要な場面で活用されています。

「Agricultural AI」という一般的に認知された分類や特定のAIモデルは存在しません。農業向けのAIアプリケーションは存在しますが、特定のモデル分類として確立されていません。

レコニング＝「AIの『真価が問われる時期』や『再評価』のこと」「Generative AI Reckoning（再評価）」は、生成AIが実際に何をどこまでできるのか、何をすべきかについての産業界や研究者による批判的な再評価の動きを指します。技術的可能性と実際の価値のギャップを検証する流れを表しています。

ハルシネーションは生成AIが事実に基づかない情報や存在しないデータを本物のように生成してしまう現象です。特に専門的な内容や数値データで発生しやすい特性です。

トークンは文章をAIが処理できる単位に分割したもので、英語では単語に近いですが、日本語では文字や文字のグループになります。例えば「こんにちは」は複数のトークンに分割されます。

最初に背景や前提を伝える重要性を理解してもらうほうが、全体像を把握しやすく効果的です。

個人の不安や懸念を尊重し、強制せずに情報提供することが大切です。AIが向いている場面と向いていない場面があることを認め、選択の自由を尊重する姿勢が信頼関係の構築につながります。

言葉だけでなく、うなずきや笑顔などの非言語コミュニケーション、質問への肯定的な反応、初歩的な質問も歓迎する姿勢など、総合的に質問しやすい環境を作ることが学習効果を高めます。

学習者の文化的背景、年齢、技術的経験などを考慮したコミュニケーションは、理解を深め、尊重の念を示します。例えば、例示する際に様々な文化や状況を反映させることで、より包括的な学習環境を作れます。

このような表現は相手を小さく見せ、質問しにくい雰囲気を作ります。「どの程度理解されていますか？」と確認し、相手のペースに合わせて説明することで、尊重の念を示しながら効果的に教えることができます。

相手の感情を否定すると防衛的になることがあります。まずは「最初は誰でも難しく感じるものです」と共感し、段階的に学べることや、小さな成功体験から始められることを伝える方が効果的です。

相手の考えを最初に傾聴することで、誤解の根本原因を理解し、それに合わせた説明ができます。また、意見を尊重されていると感じることで、新しい情報を受け入れやすくなります。

このような否定的な表現は、自尊心を傷つけ学習意欲を低下させます。「最初は慣れが必要ですね」と共感し、できていることを肯定的に評価しながら、次のステップを示すアプローチが効果的です。

ポジティブな表現は、限界について伝えつつも、AIの現在の能力を適切に評価し、将来の可能性も示唆できます。「できないこと」という否定的な枠組みではなく、「現在できること」という建設的な枠組みで説明することで、バランスの取れた理解を促せます。

誠実さと透明性は信頼関係の基盤です。不確かな情報を提供するより、知識の限界を認め、共に学ぶ姿勢を示すことで、より信頼性の高い関係を構築できます。また、問題解決のプロセスを共有することで、学習効果も高まります。

情報過多は混乱を招きます。相手の目的や背景を理解してから、必要な情報に絞って提供する方が効果的です。「具体的にどのような場面で使いたいですか？」など質問を通じて相手のニーズを探り、それに合わせた情報提供をするべきです。

学習ペースには個人差があります。早く理解できた人には発展的な課題や他の人のサポート役を依頼するなど、全員が有意義に時間を使える工夫をするべきです。

特に初心者は抽象的な概念より具体的な体験から学ぶ方が効果的です。簡単な成功体験を先に提供し、実際に動かしてみた後で基本概念に触れると理解が深まります。

情報過多は混乱を招きます。まずは質問された内容に直接関係する機能に焦点を当て、相手の理解度や関心に合わせて段階的に情報を提供する方が効果的です。

単なる手順の暗記ではなく、理由や背景を理解することで応用力が身につきます。「なぜ」を理解することで、似たような状況でも自分で判断できるようになります。

「簡単」と言われても理解できない場合、自己否定感を強めることがあります。代わりに「最初は慣れが必要ですが、段階的に学んでいきましょう」など、現実的な期待を設定する方が効果的です。

AIの限界と可能性をバランス良く伝えることが重要です。限界を適切に伝えないと、非現実的な期待を持たせることになり、後の失望や誤用につながる可能性があります。

「何をしたのですか？」という質問は責めているように感じられ、不安や恥ずかしさを増幅させることがあります。代わりに協力的な姿勢を示すことで、学習者は安心して問題解決に取り組めます。

実際に手を動かして体験することで記憶に定着しやすくなります。教える側がデモを行うときも、その後で学習者に同じ操作を実践させることで理解が深まります。

このような対応は学習者の自尊心を傷つけ、質問しにくい雰囲気を作ります。同じ質問でも「良い質問ですね」と肯定し、別の角度や例を用いて再度説明する方が効果的です。