ITパスポート 令和3年度 問3：基礎理論に関する問題

答えは c「ニューラルネットワーク」 です。

私たちの脳には「ニューロン」という小さな部品が、手をつなぐみたいにたくさんつながっていて、その間で合図を送り合いながら「考える・覚える」をしています。

この"脳のつなぎ方"をマネしてコンピュータの中に作ったのがニューラルネットワークです。だからAIが写真を見て「これは犬！」と当てられるんです。

👉 覚え方：「ニューラル」＝神経（脳）。"脳をまねた技術"でOK。

ほかの選択肢：a ソーシャルネットワーク＝人と人のつながり（LINEやInstagramみたいな）／b DX＝ITで仕事や生活を便利に変えること／d ブレーンストーミング＝みんなで自由にアイデアを出し合う会議。

なぜこれが正解か

正解は c。ニューラルネットワークは、脳の神経細胞（ニューロン）のつながりを数式で模した仕組み。入力層・中間層（隠れ層）・出力層のノードを重み付きで結び、情報を処理する。ディープラーニングの基盤で、画像認識・音声認識・自然言語処理に広く使われる。

各選択肢の解説

• a ソーシャルネットワーク：人間関係のつながり（SNS）。
• b デジタルトランスフォーメーション（DX）：デジタル技術で業務・生活・ビジネスモデルを変革すること。
• d ブレーンストーミング：集団で自由にアイデアを出す発想技法。

覚え方・ひっかけ注意

d は brain（脳）の語感で紛らわしいが会議の手法。「脳の"神経細胞（ニューロン）"をまねた＝ニューラル」と結びつけて区別する。

理論的背景

ニューラルネットワークの数学的基礎は1943年のMcCulloch-Pittsモデルに遡る。各ノード（人工ニューロン）は「入力値×重み」の総和にバイアスを加え、活性化関数（シグモイド・tanh・ReLU等）を通して次の層へ出力する。中間層を多層化したディープニューラルネットワーク（DNN）の学習には誤差逆伝播法（Backpropagation）を使い、損失関数（予測誤差）の勾配を出力層→入力層方向に計算して各重みを勾配降下法で更新する。活性化関数の選択は学習効率に直結し、シグモイドは勾配消失問題を起こしやすいため現代では中間層でReLU（Rectified Linear Unit：負値を0に変換）が標準。出力層の活性化関数は二値分類にシグモイド、多クラス分類にソフトマックスを使う。バッチ正規化・ドロップアウト・残差接続（ResNet）などの技法が深い層での学習安定化に寄与した。

実務での使われ方

画像認識（CNN：畳み込みニューラルネットワーク）は医療画像診断・自動車の物体検出・工場の外観検査に実用化されている。時系列データにはLSTM（Long Short-Term Memory）などのRNNが用いられ、株価予測・需要予測・異常検知に活用される。自然言語処理では2017年登場のTransformerアーキテクチャ（Self-Attentionが核心）がGPT系LLMの基盤となり、ChatGPTをはじめとする生成AIを実現した。企業ではMLOps（機械学習のDevOps）としてモデルの継続的学習・監視・再デプロイの仕組み構築が課題となっている。

上位資格への接続

基本情報技術者ではCNN・RNN・LSTMの構造的違い、過学習と正則化（L1/L2正則化・早期終了）、訓練データ・検証データ・テストデータの分割目的が問われる。応用情報以上では転移学習・ファインチューニング・説明可能AI（XAI）・フェデレーテッドラーニングといった発展的概念も出題範囲に入る。ITパスポートの「脳の仕組みをまねた」という直感的理解から、資格の階段を登るにつれて数学・実装レベルの理解が要求される。

選択肢の発展補足

DX（選択肢b）は単なるデジタル化ではなく、デジタル技術でビジネスモデルや組織文化まで変革するという概念（経産省「DXレポート」2018年が日本での普及契機）。ブレーンストーミング（選択肢d）はAlexander Osbornが1939年に考案した発散的思考技法で、「批判禁止・自由奔放・質より量・結合改善」の4原則がある。脳（Brain）という語感でニューラルネットワークと混同させるのが典型的な引っ掛けパターン。