セクション3：生成 AI モデルの出力を改善する手法約20% · 5項目

Q1. 社内の規程について答えるチャットで、回答の根拠を利用者が確かめられるようにしたい。最も適した方法はどれか。

1. 社内の規程の文書でグラウンディングし、回答に出典を示す
2. 規程の文書でモデルをファインチューニングし、内容を記憶させる
3. temperature を下げて、回答のぶれを小さくする
4. Grounding with Google Search を有効にし、Web の情報で回答を補う

Q2. 基盤モデルの「バイアス」の限界への対策として最も適切なものはどれか。

1. 多様な観点で評価し、偏りがあればデータや運用を見直す
2. モデルは中立なので、偏りを確認する必要はない
3. バイアスは学習データと無関係なので、データは確認しない
4. バイアスのある出力は、利用者に気づかれないように隠す

Q1. 生成 AI のモデルの「継続的な監視」で追跡すべき指標の例として最も適切なものはどれか。

1. モデルの名前の長さと、ロゴの色
2. 社員の通勤の時間と、出社の日数
3. データセンターの建物の築年数
4. 回答の正確性、満足度、応答時間

Q2. 生成 AI のモデルの「バージョン管理」が重要な理由として最も適切なものはどれか。

1. バージョン管理は、画像の生成でだけ必要になるため
2. モデルの更新で出力が変わるため、版を記録して比較・切り戻しする
3. バージョン番号が大きいほど、必ず料金が安くなるため
4. バージョンを固定すると、セキュリティの更新が自動で適用されるため

Q1. 問い合わせの分類で出力の形式をそろえたい。プロンプトは短く保つ必要があり、典型的な例は 1 件しか用意できない。最も適した手法はどれか。

1. プロンプトチェーン（複数の指示を順に実行）
2. Zero-shot プロンプト（例を示さず指示だけ）
3. Few-shot プロンプト（複数の例を示す）
4. One-shot プロンプト（例を 1 つ示す）

Q2. Chain-of-Thought が特に効果を発揮するタスクとして最も適切なものはどれか。

1. 画像の色を明るくする処理
2. 一言のあいさつの文の作成
3. 単語を 1 つだけ翻訳する処理
4. 段階的な推論が必要な問題

Q1. RAG（検索拡張生成）の仕組みとして正しいものはどれか。

1. モデルの回答を検索エンジンに登録し、他の利用者が見られるようにする
2. 質問を画像に変換して、画像の検索の結果をそのまま返す
3. 関係する情報を検索し、プロンプトに加えて回答を生成させる
4. 質問の答えをすべて事前にモデルに学習させ、検索は一切行わない

Q2. RAG がファインチューニングより適している場面として最も適切なものはどれか。

1. モデルの口調を、特定のキャラクターの話し方に固定したい
2. 専門の分野の分類のタスクの精度を、大量の例で上げたい
3. 特定の出力の形式を、モデルに深く身につけさせたい
4. 頻繁に更新される社内の情報で、根拠を示して答えたい

Q1. 社内文書を使う RAG のチャットで、廃止された旧規程に基づく回答が出た。原因の説明として最も適切なものはどれか。

1. 回答の正確さはモデルのサイズで決まり、検索の結果の品質は影響しないため
2. 検索で取り出された文書の内容と鮮度が、生成される回答の正確さを左右するため
3. temperature が高いと検索の結果が無視され、事前学習の知識から回答されるため
4. RAG ではモデルが事前学習の知識を優先し、取り出した文書は補足に使われるだけのため

Q2. 製品の説明文で、確率の低い不自然な語が混ざらないようにしつつ、ある程度の表現の幅は残したい。調整する設定として最も適切なものはどれか。

1. 安全性の設定を厳しくし、不適切な語の出力をブロックする
2. top-p を下げ、累積の確率の高い候補の中から次の語を選ばせる
3. 出力のトークン数の上限を下げ、文章を短くして不自然な語を減らす
4. temperature を上げ、多様な候補の中から次の語を選ばせる