PEP検定 練習問題

LLM基礎

1. A. ゼロショット・ラーニング能力が向上し、未学習のタスクにも対応できる（正解）
2. B. モデルのメモリ使用量が減少する
3. C. モデルの学習に必要な訓練データの必要量が減少する
4. D. モデルの推論速度が大幅に高速化する

パラメータ数の増加により、モデルはより複雑なパターンを学習できるようになります。特にゼロショット・ラーニング（事前に例を示さずに新しいタスクを実行する能力）が大きく向上することが研究で示されています。ただし、メモリ使用量は増加し、推論速度は低下する傾向があります。

難易度: 易しい

LLM基礎

1. A. トークンは常に1単語に対応し、日本語でも英語でも同じトークン数になる
2. B. テキストをモデルが処理できる最小単位（トークン）に分割する処理で、言語によってトークン効率が異なる（正解）
3. C. トークン化はモデルの学習時のみ行われ、推論時には不要な処理である
4. D. トークン数が多いほどモデルの出力品質が向上する

トークナイゼーションは、入力テキストをモデルが処理できるサブワード単位に分割する処理です。同じ内容でも、言語やモデルによってトークン数は変わります。区切り方（トークナイザ）はモデルごとに異なるため、正確な数は提供元のツールで実測します。トークン数はコストとコンテキストウィンドウの使用量に直接影響します。

難易度: 難しい

プロンプト基本

1. A. 大量のラベル付きデータを使ってモデルを微調整する手法
2. B. プロンプトに少数の例を含めることで、モデルの出力を誘導する手法（正解）
3. C. モデルの学習率を段階的に下げていく手法
4. D. 複数のモデルの出力を多数決で統合する手法

Few-shot学習とは、プロンプト内に少数（few）の入出力例を示すことで、モデルにタスクのパターンを理解させる手法です。モデル自体の再学習は不要で、プロンプトエンジニアリングの基本テクニックの一つです。

難易度: 易しい

プロンプト技術

1. A. モデルの応答速度を向上させる
2. B. モデルに段階的な推論過程を明示させ、複雑な問題の正答率を高める（正解）
3. C. モデルの出力トークン数を削減してコストを下げる
4. D. モデルが複数の言語を同時に処理できるようにする

Chain of Thought（思考の連鎖）は、推論の過程を明示的に出力させるテクニックです。原典は推論の手順を示した例を与える手法で、例を使わず「ステップバイステップで考えてください」と指示するだけの簡易な形（ゼロショット CoT）も広く使われます。数学的問題や論理的推論など、複雑なタスクでの正答率が大幅に向上することが研究で示されています。

難易度: 標準

実務活用

1. A. 「この文章を要約してください」とだけ指示する
2. B. 「200文字以内で、主要な3つのポイントに絞って要約してください」と具体的に指示する（正解）
3. C. 「できるだけ短く要約してください」と指示する
4. D. 「良い感じに要約してください」と指示する

効果的なプロンプト設計では、出力の文字数・ポイント数・形式などを具体的に指定することが重要です。曖昧な指示ではモデルの出力が安定せず、期待と異なる結果になりやすくなります。

難易度: 易しい

カスタマイズ

1. A. AIの生成した回答を外部データベースに保存し、類似の質問に対して過去の回答を再利用する手法
2. B. 複数のAIモデルが生成した回答を組み合わせ、より正確で包括的な情報を提供する手法
3. C. AIが生成した回答を外部ソースと自動的に照合し、情報の正確性を検証する手法
4. D. 外部の知識ベースから関連情報を検索・取得し、その情報を組み込んでAIが回答を生成する手法（正解）

RAGは「検索拡張生成」と訳され、LLMが回答を生成する前に外部の知識ベース（社内文書、データベースなど）から関連情報を検索・取得し、その情報をコンテキストとして含めて回答を生成する手法です。LLMの知識の限界を補い、最新情報や専門情報に基づく回答を可能にします。

難易度: 標準

倫理・法律

1. A. モデルの温度パラメータを低めに設定する（正解）
2. B. 出力結果を信頼できる情報源と照合し、事実確認（ファクトチェック）を行う（正解）
3. C. RAGを活用して外部の信頼できるデータソースを参照させる（正解）
4. D. 同じプロンプトを複数回実行して最も長い回答を採用する

ハルシネーション対策として有効なのは、(A) 温度パラメータを低めに設定して出力のランダム性を抑えること、(B) 出力を信頼できる情報源と照合するファクトチェック、(C) RAGによる外部データソースの参照です。回答の長さは正確性とは無関係であり、最も長い回答を採用しても対策にはなりません。なお、これらはいずれもハルシネーションを減らす手段であり、完全に無くすものではありません。

難易度: 標準

倫理・法律

1. A. AIが生成したコンテンツには自動的に著作権が発生し、AIの開発者が権利を持つ
2. B. AIの学習に使用されたデータの著作権者は、生成物に対する権利を常に主張できる
3. C. AI生成物の著作権の帰属は国や地域によって判断が異なり、人間の創作的関与の度合いが重要な判断基準となる（正解）
4. D. AI生成物は全て著作権フリーであり、誰でも自由に利用できる

AI生成物の著作権については、各国で判断が分かれています。日本では、人間がAIを「道具」として使い創作的関与がある場合は著作物として認められる可能性がありますが、AIが自律的に生成した場合は著作物に該当しないとされています。プロンプトの具体性や人間の編集・選択の関与度が重要な判断基準です。

難易度: 難しい

AIエージェント

1. A. LLMのパラメータを直接編集して動作を変更する技術
2. B. AIモデルに与える文脈情報（コンテキスト）を最適に設計・管理し、出力品質を最大化する手法（正解）
3. C. プログラミング言語のコンテキストスイッチを最適化する技術
4. D. データベースのインデックスを最適化してクエリ性能を向上させる技術

コンテキストエンジニアリングは、AIエージェントやLLMアプリケーションにおいて、モデルに与える文脈情報（システムプロンプト、ユーザー入力、検索結果、ツール出力など）を最適に設計・管理する手法です。プロンプトエンジニアリングの発展形として、より広範な情報管理を扱います。

難易度: 標準

AIエージェント

1. A. 関数名・パラメータ名を直感的かつ明確にする（正解）
2. B. 各関数のdescriptionに目的・使用条件を詳細に記述する（正解）
3. C. 1つの関数にできるだけ多くの機能を詰め込み、関数の数を最小限にする
4. D. 各関数は単一責任の原則に従い、1つの明確な目的を持たせる（正解）

Function Callingの設計では、(A) 関数名・パラメータ名を明確にすること、(B) descriptionで目的・使用条件を詳細に記述すること、(D) 単一責任の原則に従うことが重要です。1つの関数に多くの機能を詰め込む(C)と、モデルが適切にパラメータを生成できなくなり、エラーの原因になります。

難易度: 難しい