コンセプト解説

資格試験のコンセプト解説

試験に出る概念を3Dの図と具体例で解説しています。正解と紛らわしい選択肢を分けるポイントに絞って説明します。

• プロンプトエンジニアリングの手法ゼロショット・フューショット・思考の連鎖・ネガティブプロンプト・テンプレートがモデルの出力をどう変えるのか、そしてプロンプトを狙う攻撃まで。
• 検索拡張生成（RAG）モデルが知らない文書を探して付け、それをもとに答えさせる方法です。チャンク分割・埋め込み・ベクトル検索・グラウンディングから、ナレッジベースの管理と評価、ファインチューニングとの選び分けまで解説します。
• LLMのしくみLLMが文章を作る流れを最初から順に追います。次トークン予測、トークン、埋め込み、Transformerとアテンション、学習、temperature・top-p、コンテキストウィンドウまで。
• ファインチューニング学習済みのモデルを自分たちのデータで追加学習させ、重みを調整する方法。学習データの準備、エポック・学習率・過学習、PEFTとLoRA、継続事前学習・指示チューニング・選好チューニング・知識蒸留、破滅的忘却、そしてファインチューニングを選ぶべき場面までを解説します。
• AIモデルの評価指標モデルが十分に良いかを判断する方法をまとめています。正解率の落とし穴、混同行列、適合率・再現率・F1スコア、ROC曲線とAUC、MAEとRMSE、BLEU・ROUGE・意味的類似度、忠実性と関連性を測るLLM-as-a-Judge、そしてA/Bテストとビジネス指標まで扱います。
• 機械学習の基礎AI・機械学習・ディープラーニングの関係から、特徴量とラベル、訓練・検証・テストデータの分け方、教師あり学習・教師なし学習・強化学習、決定木と代表的なアルゴリズム、過学習と未学習、勾配降下法とハイパーパラメータ、欠損値やスケーリングなどのデータの準備まで扱います。
• AIエージェント聞かれたら答えるチャットボットから一歩進んで、自分で計画を立て、ツールを使って仕事をやり遂げるAIエージェント。Function Calling、ReActと計画、短期・長期メモリ、マルチエージェントとオーケストレーション、MCP・A2A、最小権限や人の承認といった安全対策までを解説します。
• ハルシネーションとガードレール生成AIが間違ったことを自信たっぷりに話すハルシネーションがなぜ起き、どう減らすのか。そして有害なリクエストや回答を止めるガードレール。入力・出力のチェック、コンテンツフィルターと強さ、個人情報のマスキング、レッドチーミングまで解説します。
• 責任あるAI責任あるAIの原則と、それを実際に守る方法。データから来るバイアス、公平性の指標と4/5ルール、SHAP・LIMEによる説明可能性、モデルカード、AIガバナンスとリスクベースの規制まで。
• MLOps（機械学習の運用）機械学習モデルを作って動かし続ける仕事を仕組みにまとめたMLOps。ライフサイクル、パイプラインと再現性、モデルレジストリ、バッチ推論とリアルタイム推論、カナリアリリース・シャドーデプロイ・ブルー/グリーンデプロイ、ドリフトのモニタリング、再学習の戦略、学習・サービング スキューと特徴量ストア、LLMサービスの運用まで。