基本情報 平成30年度 秋期 問3：テクノロジ系に関する問題

答えは c です。

ディープラーニング＝人間の脳の神経回路（ニューラルネットワーク）を真似て、コンピュータに認識能力を持たせる技術。

何層もの「ニューロン」を重ねて、画像から猫を見つけたり、音声を文字に変えたりできます。AlphaGo、ChatGPT などもこの仕組みの応用。

👉 覚え方：ディープ＝深い＝ニューラルネットを多層化した技術！

ほかの選択肢：a ルールベース＝エキスパートシステム／b 近似解で汎用＝ヒューリスティック探索など／d 医療診断特化＝特定領域エキスパートシステム。

なぜこれが正解か

正解は c。ディープラーニング（Deep Learning、深層学習）は、人間の脳神経回路を模倣したニューラルネットワークを多層化（深層化）することで、画像認識・音声認識・自然言語処理等で高い性能を実現する機械学習手法。CNN、RNN、Transformerなどが代表的アーキテクチャ。

各選択肢の解説

• a 「AならばB」をルール化、論理式で表現：ルールベースAI／エキスパートシステム（第2次AIブーム）。
• b 近似解、広範囲・汎用問題解決：ヒューリスティック探索、メタヒューリスティクス（遺伝的アルゴリズム、焼きなまし法等）。
• c 脳神経回路模倣、ニューラルネット使用：ディープラーニング → 正解。
• d 医療診断分野等の限定領域・確率的判断：特定領域エキスパートシステム／ベイジアンネットワーク等。

覚え方・ひっかけ注意

AIの階層構造：AI ⊃ 機械学習 ⊃ ディープラーニング。

• AI：人工知能全般。
• 機械学習：データから学習する技術。
• ディープラーニング：多層ニューラルネット使用の機械学習。

ディープラーニングはAIの一部、機械学習の一部、ニューラルネットの発展形。3つの関係をベン図でイメージ。

ディープラーニングの理論的背景

ニューラルネットワークは1943年McCulloch-Pittsの形式ニューロンモデルから始まる。1958年Rosenblattのパーセプトロン、1986年Rumelhartらの誤差逆伝播法（backpropagation）で多層化の学習が可能に。2006年Hintonの事前学習＋微調整、2012年Krizhevsky AlexNetのImageNet優勝で第3次AIブーム点火。

主要アーキテクチャ

CNN（Convolutional Neural Network）

• 画像認識の標準。畳み込み層＋プーリング層＋全結合層。
• LeNet（1998）→ AlexNet（2012）→ VGG → GoogLeNet → ResNet（残差接続）→ EfficientNet → ViT。

RNN/LSTM/GRU

• 時系列・系列データ処理。LSTM（Long Short-Term Memory）で長期依存学習。
• 音声認識、時系列予測、機械翻訳の旧主流。

Transformer

• 2017年Vaswaniら『Attention Is All You Need』。Self-Attention機構で系列処理を並列化。
• BERT、GPT、T5、ViT、Whisper、Stable Diffusion等の基盤。現代AIの主役。

GAN/VAE/Diffusion Model

• 生成モデル。GAN（Goodfellow、2014）→ StyleGAN、CycleGAN。
• 拡散モデル（2020〜）：DALL-E 2、Stable Diffusion、Midjourney、Sora。

学習手法

• 誤差逆伝播法：勾配降下法による重み更新の基礎。
• 確率的勾配降下法（SGD）：ミニバッチ単位の更新。
• 最適化アルゴリズム：Momentum、Adam、AdamW、Lookahead。
• 正則化：Dropout、Batch Normalization、Layer Normalization、L1/L2正則化。
• データ拡張：画像反転、回転、色変換、ノイズ付加、MixUp、CutMix。
• 転移学習：事前学習モデルの活用。
• ファインチューニング、LoRA、PEFT：効率的な微調整手法。

ハードウェア

• GPU：並列演算で学習加速。NVIDIA H100、A100、L40S。
• TPU：Google専用設計。
• NPU/AI加速器：Apple Neural Engine、Qualcomm Hexagon、Huawei Ascend。
• 専用チップ：Cerebras、Graphcore、Tenstorrent。
• 分散学習：データ並列、モデル並列、パイプライン並列。Megatron-LM、DeepSpeed、FSDP。

主要フレームワーク

• PyTorch：Facebook/Meta、研究で主流。
• TensorFlow / Keras：Google、本番運用で強み。
• JAX：Google、関数型・XLA基盤。
• MXNet：Apache、Amazon採用。
• Hugging Face Transformers：事前学習モデルのハブ。

LLM（Large Language Model）の革命

• GPT系：GPT-3（175B）→ GPT-4 → GPT-4o → GPT-5。
• Claude系：Anthropic、Constitutional AI。
• Gemini系：Google、マルチモーダル統合。
• LLaMA系：Meta、オープンモデル。
• Mistral、Qwen、DeepSeek：オープンモデルの進化。
• RLHF（Reinforcement Learning from Human Feedback）：人間フィードバックによる調整。
• エージェント化：Tool use、Plan-and-Execute、ReAct、AutoGPT。

試験での位置づけ

FE「ストラテジ／AI」分野で急速に出題増加中。応用情報・データサイエンティスト・ITストラテジストでも中核知識。生成AI時代の到来で出題範囲は拡大傾向。

産業応用

• 画像認識：医療画像診断、自動運転、製造業品質管理。
• 音声認識：Siri、Alexa、Google Assistant、Whisper。
• 自然言語処理：機械翻訳（DeepL、Google翻訳）、要約、質疑応答。
• 生成AI：文章、画像、動画、音楽、3Dモデル生成。
• 強化学習応用：AlphaGo、AlphaFold（タンパク質構造予測）、ロボット制御。
• 推薦システム：YouTube、Netflix、Amazon、TikTok。

課題・倫理的論点

• 解釈可能性（XAI）：ブラックボックス問題、SHAP、LIME、Grad-CAM。
• バイアス：学習データの偏見継承。
• エネルギー消費：大規模学習の環境負荷。
• 著作権：学習データ、生成物の権利。
• ハルシネーション：LLMの誤情報。
• 規制：EU AI Act、米AI大統領令、日本「広島AIプロセス」。

選択肢の発展補足

aのルールベースAI（第2次AIブームの主役）は1980年代に医療診断MYCIN等で実用化されたが、知識獲得のボトルネックで停滞。現代のハイブリッドAI（ニューロシンボリックAI）はディープラーニングと記号推論を統合する研究分野で、LLMにルールベース推論を組み合わせる手法（RAG＋知識グラフ等）が注目される。bのメタヒューリスティクスは組合せ最適化問題（巡回セールスマン、配送ルート最適化等）で実用、シミュレーテッドアニーリング・遺伝的アルゴリズム・粒子群最適化等がある。