ITパスポート 2025年 問80

AIにおける「広範囲かつ大量のデータで訓練されたもの」を何というか【ITパスポート 解説】

正解の理由

• 基盤モデルは大量かつ多様なデータで事前学習されます。
• その後、特定用途向けに「ファインチューニング（微調整）」や追加学習を行うことで、文章生成・翻訳・要約・画像生成などに使えます。
• 代表例は大規模言語モデル（LLM：Large Language Model）やマルチモーダルモデル（画像＋テキスト対応）などです。

解法ステップ

1. 問題文のキーワードを探す：「広範囲かつ大量のデータ」「ファインチューニング」「文章生成AIに適応できる」など。
2. 各選択肢の意味を思い出す（下に用語説明あり）。
3. 「大量データで事前学習して、あとから用途に合わせて調整する」という特徴に該当するものを選ぶ。
4. その結果、ウ（基盤モデル）が該当するため選ぶ。

選択肢別の誤答解説

• ア: アノテーション
  • 意味：データに対するラベル付け作業（例：写真に「猫」「犬」とタグを付ける）。
  • なぜ不正解か：アノテーションは「データの加工（ラベル付け）」であり、モデルそのものではありません。
• イ: エキスパートシステム
  • 意味：人間の専門知識をルールや知識ベースとして組み込み、推論するシステム（例：医療診断のルールベース）。
  • なぜ不正解か：エキスパートシステムは主に手作りのルールで動く。大量データで自己学習して汎用化する「基盤モデル」とは仕組みが異なります。
• ウ: 基盤モデル（正答）
  • 意味：大量かつ多様なデータで事前学習（pretraining）され、ファインチューニング（fine-tuning：微調整）で特定タスクに適応できる汎用的なモデル。
  • 例：GPTやBERT、CLIPなど。文章生成や要約、質問応答、画像キャプション生成などに応用可能です。
• エ: 畳み込みニューラルネットワーク（CNN: Convolutional Neural Network）
  • 意味：主に画像処理に強いニューラルネットワーク構造の一種。フィルタで画像の特徴を抽出する仕組み。
  • なぜ不正解か：CNNは「特定の構造（アーキテクチャ）」であり、問題文の「広範囲なデータで事前学習され、微調整で多用途に使える」という定義を直接示す言葉ではありません。

よくある誤解

1. 「大量データ＝アノテーション（ラベル付け）」と混同する
   • 実際は、基盤モデルはラベル付きデータだけでなく、ラベル無しデータを使う自己教師あり学習（self-supervised learning）で事前学習されることが多いです。アノテーションは微調整時や評価で使われます。
2. 「エキスパートシステム＝賢いAI」と考える
   • エキスパートシステムはルールに基づく設計で、学習して汎用性を獲得する基盤モデルとは性質が違います。エキスパートシステムは人間の知識を明示的に書く必要があります。
3. 「基盤モデル＝文章だけ」ではない
   • 基盤モデルはテキストだけでなく、画像や音声など複数モード（マルチモーダル）に対応することもあります。文章生成だけが全てではありません。

補足コラム

• ファインチューニング（fine-tuning）は、基盤モデルが持つ一般的な知識をベースに、少量のタスク特化データで調整して高精度化する方法です。たとえば汎用の言語モデルを「医療文書の要約」に合わせて追加学習すると、医療領域に特化した性能が得られます。これは転移学習（transfer learning：ある学習で得た知識を別のタスクに活かすこと）の一形態です。
• 基盤モデルの学習には「自己教師あり学習（self-supervised learning）」がよく使われます。これはデータの一部を隠して当てさせるなど、ラベル無しデータから学ぶ方法で、大量データを効率よく利用できます。
• 社会的な注意点：基盤モデルは計算資源やデータ量が巨大になりやすく、環境負荷や偏り（バイアス）、誤情報の生成といった問題も指摘されています。利用時は用途とリスクを考えることが重要です。

FAQ