ITパスポート 令和6年度 問95：aiに関する問題

答えは b「ニューラルネットワーク」 です。

私たちの脳の中には「ニューロン（神経細胞）」という小さな部品が、手をつなぐようにたくさんつながっていて、情報をリレーしながら「考える・覚える」をしています。

この“脳のつながり方”をマネしてコンピュータの中に作ったしくみがニューラルネットワークです。これを何層にも深く重ねて賢く学習させるのがディープラーニング（深層学習）。名前の「ディープ＝深い」は層が深いことを表しています。

👉 覚え方：「ディープラーニング」の中身は「脳マネ＝ニューラル」。

ほかの選択肢：a ソーシャルネットワーク＝人のつながり（LINEみたいな）／c フィージビリティスタディ＝実現できそうか調べる事前調査／d フォールトトレラント＝壊れても動き続ける丈夫なしくみ。

なぜこれが正解か

正解は b。ディープラーニング（深層学習）は、人間の脳の神経細胞（ニューロン）の結合を数理モデル化したニューラルネットワークを基盤技術とする。特に中間層（隠れ層）を多層に重ねた深いニューラルネットワークを使い、データから特徴を自動的に学習する点が特徴。画像認識・音声認識・自然言語処理などで広く使われる。

各選択肢の解説

• a ソーシャルネットワーク：人と人とのつながり（SNS）。AIの技術ではない。
• c フィージビリティスタディ：新規事業や開発の実現可能性を事前に調査・検討すること。
• d フォールトトレラント：機器の一部が故障してもシステム全体を動かし続ける高信頼性設計。

覚え方・ひっかけ注意

「AI ⊃ 機械学習 ⊃ ディープラーニング」の包含関係と、ディープラーニングの正体＝多層ニューラルネットワーク、をセットで覚える。c・dはどちらもIT用語で紛らわしいが、AI（学習技術）とは無関係なので消去できる。

理論的背景

ディープラーニング（Deep Learning）はニューラルネットワーク（Neural Network）を多層化（3層以上の中間層）したアーキテクチャを使った機械学習手法であり、「ニューラルネットワークを深く積み重ねる」という意味で「ディープ」と称される。ニューラルネットワークの構造：入力層→複数の中間層（隠れ層）→出力層のノード（ニューロン）が重み付き結合で接続され、入力データに活性化関数（ReLU・シグモイド・tanh等）を適用して非線形変換を繰り返す。特徴抽出の自動化が最大の革新であり、従来の機械学習では人間が特徴量エンジニアリング（Feature Engineering）で手動設計していた入力特徴をディープラーニングが層を重ねることで自動的に階層的な特徴表現を学習する。2012年のAlexNet（ImageNet Large Scale Visual Recognition Challenge優勝）がディープラーニングの実用性を実証し、2022年以降のLLM（GPT-4・Claude・Gemini等）は数百億〜数千億パラメータのTransformerベースのディープニューラルネットワークとして実装されている。

実務での使われ方

ディープラーニングの実務適用領域は急速に拡大している。画像処理：医療画像診断（病変検出・病理診断）・自動運転車の物体認識（YOLO・EfficientDet等）・工場の外観検査・顔認識。自然言語処理：チャットボット・機械翻訳（Google Translate）・感情分析・文書分類・生成AI（LLM）。音声処理：音声認識（ASR）・話者識別・音声合成（TTS）。推薦システム：Netflix・Spotify・AmazonのDLベースのコンテンツレコメンド。企業のMLOps（Machine Learning Operations）では、ディープラーニングモデルの学習・デプロイ・監視のパイプラインをKubeflow・MLflow・SageMaker等のプラットフォームで自動化する実践が標準化している。GPU（NVIDIA H100等）やTPU（Google）による高速計算がディープラーニングの実用化を支えるインフラとして不可欠。

試験での位置づけ

ディープラーニングとニューラルネットワークの関係はITパスポートのAI領域で頻出の問題パターン。本問の選択肢（ソーシャルネットワーク・ニューラルネットワーク・フィージビリティスタディ・フォールトトレラント）は全て異なる技術分野の用語が並べられており、「ディープラーニングの技術的基盤を知っているか」を直接問う問題。AI・機械学習分野は近年のシラバス改訂で出題比率が増加しており、「ディープラーニング＝ニューラルネットワークの多層構造」という関係の理解は必須知識となっている。近年は生成AI（Generative AI）・LLM・マルチモーダルAIとの関連問題も出始めており、DLの実応用事例（自動運転・画像診断・ChatGPT等）と絡めた出題が増加傾向にある。基本情報技術者（FE）ではCNN（畳み込みニューラルネットワーク）・RNN（再帰型ニューラルネットワーク）・過学習（Overfitting）と正則化手法まで問われる。

選択肢の発展補足

選択肢aのソーシャルネットワーク（Social Network）はSNS（Social Networking Service）やグラフ理論に基づく人間の社会的関係網のことであり、AIやDLとは無関係の別概念。ただし「ニューラルネットワーク」という語の「ネットワーク」とのイメージ的混同を狙った選択肢として設計されている。選択肢cのフィージビリティスタディ（Feasibility Study：実現可能性調査）はシステム開発・新規事業において技術的・経済的・組織的な実現可能性を事前評価する手法で、プロジェクト管理（PMBOK・ITIL等）の概念。AI開発プロジェクトのフィージビリティスタディとして「データ品質・計算リソース・ROI」を評価する文脈はあるが、DLの技術要素ではない。選択肢dのフォールトトレラント（Fault Tolerant：耐故障性）はシステム設計の信頼性概念であり、コンポーネントが故障してもシステム全体の機能を維持する設計手法（RAID・冗長電源・クラスタリング等）。ディープラーニングのモデル精度・学習アルゴリズムとは全く別領域の概念。