模擬問題集一覧

AIF-C01 模擬問題集（練習問題）

AWS AI Practitioner 合格に向けた本番形式の模擬問題集。すべての問題に詳しい解説と、ドメイン別の弱点分析つき。

4 練習テスト 200 問 合格ライン 70% 各 120 分

この模擬問題集で身につくこと

  • 本番と同じ形式・難易度の問題で実力を確認
  • 制限時間つきの試験モードで時間配分を体得
  • 演習モードで1問ずつ解説を読みながら学習
  • すべての問題に正解の根拠つきの詳しい解説
  • ドメイン別スコアで弱点分野をひと目で把握
  • 完了後も何度でも復習して本番前に仕上げ

練習テストの内容

4 テスト · 全 200 問
1
模擬問題集①先頭 15 問 無料
50 問 120 分 合格 70%
2
模擬問題集② プラン限定
50 問 120 分 合格 70%
3
模擬問題集③ プラン限定
50 問 120 分 合格 70%
4
模擬問題集④ プラン限定
50 問 120 分 合格 70%

説明

AIF-C01（AWS AI Practitioner）の合格に向けた、本番形式の模擬問題集です。全 200 問を4 回の練習テストに分割し、 試験モード／演習モードで受験できます。各問題には正解の根拠と誤答の理由を記した詳しい解説が付き、受験後はドメイン別のスコアで弱点を把握できます。 各試験は先頭の問題から無料でお試しいただけます。

月額 ¥980 で全 200 問＋全解説が受け放題

模試プラン（¥980/月）なら、ロックされた練習テストと詳しい解説、ドメイン別の弱点分析がすべて使い放題。本番に向けて実力を仕上げましょう。

AIF-C01 の出題範囲（カバーしている分野）

全 200 問を、本番の試験ガイドに沿った次の分野から出題しています。 受験後はドメイン別の正答率が表示され、弱点が特定できます。 難易度・学習時間・合格までの進め方はAIF-C01 の学習ガイドにまとめています。

AIF-C01 の無料練習問題（15 問・解説つき）

会員登録なしで、全 200 問のうち 15 問を正解と解説つきでご覧いただけます。 問題をクリックすると選択肢と解説が開きます。

問題 1これらの要件を満たす SageMaker の機能はどれですか？責任あるAIのガイドライン
問題
ある企業は、ソーシャルメディアの投稿に特定のトピックが含まれているかどうかを識別するモデルをデプロイするために、Amazon SageMaker を使用しています。同社は、さまざまな入力特徴量がモデルの動作にどのように影響するかを示す必要があります。 これらの要件を満たす SageMaker の機能はどれですか？

選択肢と解説

  • 1
    SageMaker Canvas
  • ✓
    SageMaker Clarify
  • 3
    SageMaker Feature Store
  • 4
    SageMaker Ground Truth

解説

【正解】B

【0からの解説】
「入力特徴量がモデルの動作（予測）にどう影響するかを示す」ことは、モデルの説明可能性（explainability）と呼ばれます。Amazon SageMaker Clarify は、この説明可能性とバイアス検出の専用機能です。
・Clarify は SHAP（Shapley 値）という手法を使って、各特徴量が予測結果にどれだけ・どの方向に寄与したか（特徴量重要度）を定量的に計算します。
・「この投稿がトピック X と判定されたのは、どの単語・特徴の影響が大きいのか」を、関係者に示せる形でレポートできます。

【誤りの選択肢】
A：SageMaker Canvas は、コードを書かずに ML モデルを構築できるノーコードツールであり、特徴量の影響を分析・説明する専用機能ではありません。
C：SageMaker Feature Store は、ML の特徴量を保存・管理・再利用するためのリポジトリであり、特徴量の「影響の説明」は行いません。
D：SageMaker Ground Truth は、トレーニングデータにラベルを付ける（アノテーションする）ためのサービスです。モデルの動作の説明とは無関係です。

【参考】
SageMaker Clarify による公平性とモデル説明可能性
この問題のページを開く →
問題 2同社はどのメトリクスを使用すべきですか？AIとMLの基礎
問題
ある企業がデータセットで ML モデルをトレーニングしています。データセットには、他のクラスよりも多くの例を持つクラスがいくつか含まれています。同社は、モデルがクラスの検出とラベル付けをどれだけバランスよく行えているかを測定したいと考えています。 同社はどのメトリクスを使用すべきですか？

選択肢と解説

  • 1
    精度（Accuracy）
  • 2
    再現率（Recall）
  • 3
    適合率（Precision）
  • ✓
    F1 スコア

解説

【正解】D

【0からの解説】
本問のポイントは 2 つです。(1) データセットにクラス不均衡がある、(2)「検出（＝再現率）」と「ラベル付けの正しさ（＝適合率）」のバランスを測りたい。
・F1 スコアは、適合率（Precision：正と予測したもののうち正解の割合）と再現率（Recall：実際の正のうち検出できた割合）の調和平均で、両者のバランスを 1 つの数値で表す指標です。「バランスよく」というキーワードが F1 を指しています。
・またクラス不均衡があるデータでは、F1 スコアは多数派クラスに引きずられにくく、少数派クラスの予測品質を適切に反映します。

【誤りの選択肢】
A：精度（Accuracy）は全体の正解割合ですが、クラス不均衡があると多数派をすべて当てるだけで高くなってしまい、評価指標として不適切です。
B：再現率だけでは「検出の網羅性」しか測れず、誤検出の多さ（適合率の低下）を見逃します。
C：適合率だけでは「予測の正確さ」しか測れず、取りこぼし（再現率の低下）を見逃します。バランスを測るには両方を組み合わせた F1 が必要です。

【参考】
SageMaker Autopilot のメトリクス（分類指標）
この問題のページを開く →
問題 3最も運用効率の高い方法でこれらの要件を満たすソリューションはどれですか？生成AIの基礎
問題
ある企業は動画コンテンツを制作しています。同社は、新しいクリエイティブコンテンツを生成し、動画制作時間を短縮するために、生成 AI を使用したいと考えています。 最も運用効率の高い方法でこれらの要件を満たすソリューションはどれですか？

選択肢と解説

  • 1
    Amazon Bedrock の Amazon Titan Image Generator モデルを使用して中間画像を生成する。動画編集ソフトウェアを使用して動画を作成する。
  • 2
    Amazon Bedrock の Amazon Nova Canvas モデルを使用して中間画像を生成する。動画編集ソフトウェアを使用して動画を作成する。
  • ✓
    Amazon Bedrock の Amazon Nova Reel モデルを使用して動画を生成する。
  • 4
    Amazon Bedrock の Amazon Nova Pro モデルを使用して動画を生成する。

解説

【正解】C

【0からの解説】
Amazon Bedrock で利用できる Amazon Nova ファミリーのモデルは、用途（モダリティ）ごとに分かれています。
・Amazon Nova Reel：テキストや画像から動画を生成する動画生成専用モデルです。プロンプトから直接動画を作れるため、「新しいクリエイティブな動画の生成」と「制作時間の短縮」を 1 つのモデルで実現でき、最も運用効率が高い選択です。

【誤りの選択肢】
A・B：Amazon Titan Image Generator と Amazon Nova Canvas はどちらも「画像」生成モデルです。中間画像を生成してから動画編集ソフトでつなぎ合わせる方式は、編集作業という手間が残り、動画を直接生成できる Nova Reel より運用効率が劣ります。
D：Amazon Nova Pro は、テキスト・画像・動画を入力として理解できるマルチモーダルな「理解系」モデルですが、出力はテキストであり、動画を「生成」することはできません。

【参考】
Amazon Nova モデルの概要
Amazon Bedrock でサポートされている基盤モデル
この問題のページを開く →
問題 4これらの要件を満たす AWS のサービスはどれですか？AIとMLの基礎
問題
大量の教育資料を保有するオンライン学習企業が、エンタープライズ検索を使用したいと考えています。 これらの要件を満たす AWS のサービスはどれですか？

選択肢と解説

  • 1
    Amazon Comprehend
  • 2
    Amazon Textract
  • ✓
    Amazon Kendra
  • 4
    Amazon Personalize

解説

【正解】C

【0からの解説】
Amazon Kendra は、ML を活用したエンタープライズ検索（社内文書検索）の専用マネージドサービスです。
・社内のさまざまな場所（S3、SharePoint、データベースなど）にある文書をコネクタで取り込み、統合された検索インデックスを構築します。
・キーワードの一致だけでなく自然言語の質問を理解し、文書の中から最も関連性の高い回答箇所を返します。大量の教育資料から目的の情報を探すという本問のニーズに最適です。

【誤りの選択肢】
A：Amazon Comprehend はテキスト分析（感情分析・エンティティ抽出など）のサービスであり、検索エンジンではありません。
B：Amazon Textract は、スキャン文書や PDF から文字・表を抽出する OCR サービスです。文書の「検索」機能は提供しません。
D：Amazon Personalize は、ユーザーの行動履歴に基づくレコメンデーション（おすすめ）のサービスであり、検索とは別の用途です。

【参考】
Amazon Kendra とは
この問題のページを開く →
問題 5教師なし学習の例はどれですか？AIとMLの基礎
問題
教師なし学習の例はどれですか？

選択肢と解説

  • ✓
    類似性に基づいてデータポイントをグループにクラスタリングする
  • 2
    動物の画像を認識するようにモデルをトレーニングする
  • 3
    住宅の特徴に基づいて住宅の価格を予測する
  • 4
    与えられたプロンプトに基づいて人間のようなテキストを生成する

解説

【正解】A

【0からの解説】
ML の学習方式は「正解ラベルの有無」で大きく分かれます。
・教師なし学習：正解ラベルのないデータから、データ自体の構造やパターンを発見する方式です。クラスタリング（似たデータ同士を自動的にグループ分けする）はその代表例で、「このデータはどのグループ」という正解を与えずに、類似性だけからグループを見つけます。
・教師あり学習：入力と正解ラベルのペアから「入力→正解」の対応を学習する方式です。

【誤りの選択肢】
B：動物の画像認識は、「この画像は犬」「この画像は猫」というラベル付きデータで学習する教師あり学習（分類）です。
C：住宅価格の予測は、過去の「特徴と価格」のペアから学習する教師あり学習（回帰）です。
D：プロンプトからのテキスト生成は、大規模言語モデルによる生成 AI のタスクです。基盤モデルの事前学習は自己教師あり学習と呼ばれ、「教師なし学習の代表例」として問われているクラスタリングとは区別されます。

【参考】
機械学習とは（AWS）
この問題のページを開く →
問題 6同社が評価している FM の特性はどれですか？生成AIの基礎
問題
ある企業は、製品カタログ用の画像と説明文を生成する AI ソリューションを作成したいと考えています。同社は、このソリューションのために基盤モデル（FM）を選択する必要があります。 同社は、各 FM の出力タイプを考慮しなければなりません。 同社が評価している FM の特性はどれですか？

選択肢と解説

  • 1
    レイテンシ
  • 2
    モデルサイズ
  • 3
    モデルのカスタマイズ性
  • ✓
    モダリティ

解説

【正解】D

【0からの解説】
モダリティ（modality）とは、モデルが扱えるデータの種類（テキスト・画像・音声・動画など）のことです。基盤モデルには、テキスト生成モデル、画像生成モデル、音声モデル、複数の種類を扱えるマルチモーダルモデルなどがあり、「入力に何を受け取れるか・出力に何を生成できるか」がモデルごとに異なります。

本問の要件は「画像と説明文（テキスト）の生成」という出力タイプの検討なので、評価している特性はモダリティです。画像生成にはモダリティが画像のモデル（Amazon Nova Canvas など）、説明文にはテキストのモデルが必要になります。

【誤りの選択肢】
A：レイテンシは応答速度の特性であり、「出力の種類」とは関係ありません。
B：モデルサイズはパラメータ数（モデルの規模）の話であり、出力タイプを決めるものではありません。
C：モデルのカスタマイズ性は、ファインチューニングなどでモデルを調整できるかという特性であり、出力タイプの検討とは別の観点です。

【参考】
Amazon Bedrock でサポートされている基盤モデル
生成 AI とは（AWS）
この問題のページを開く →
問題 7これらの要件を満たす AWS のサービスまたは機能はどれですか？責任あるAIのガイドライン
問題
ある AI プラクティショナーは、ML モデルを評価したいと考えています。AI プラクティショナーは、モデルの予測に関する説明を顧客とステークホルダーに提供したいと考えています。 これらの要件を満たす AWS のサービスまたは機能はどれですか？

選択肢と解説

  • 1
    Amazon QuickSight
  • 2
    Amazon Comprehend
  • 3
    AWS Trusted Advisor
  • ✓
    Amazon SageMaker Clarify

解説

【正解】D

【0からの解説】
「モデルの予測に関する説明の提供」＝モデルの説明可能性（explainability）を担う AWS の機能が Amazon SageMaker Clarify です。
・Clarify は SHAP に基づく特徴量重要度の分析により、「どの入力特徴量が予測にどれだけ寄与したか」を計算し、レポートとして出力します。
・モデル全体の傾向（グローバルな説明）と個々の予測の根拠（ローカルな説明）の両方を提供でき、顧客やステークホルダーへの説明資料として活用できます。あわせてデータ・モデルのバイアス検出も行える、責任ある AI のための中核機能です。

【誤りの選択肢】
A：Amazon QuickSight は BI（データ可視化・ダッシュボード）のサービスであり、モデルの予測の根拠を分析する機能はありません。
B：Amazon Comprehend はテキスト分析のサービスであり、ML モデル一般の説明可能性とは無関係です。
C：AWS Trusted Advisor は、コスト・セキュリティなどの AWS 利用のベストプラクティスをチェックするサービスであり、ML モデルの評価・説明とはまったく別の用途です。

【参考】
SageMaker Clarify による公平性とモデル説明可能性
この問題のページを開く →
問題 8これらの要件を満たすソリューションはどれですか？基盤モデルの応用
問題
ある研究グループは、研究論文を作成するためにさまざまな生成 AI モデルをテストしたいと考えています。研究グループはプロンプトを定義済みで、モデルの出力を評価する方法を必要としています。研究グループは、科学者のチームを使用して出力の評価を実行したいと考えています。 これらの要件を満たすソリューションはどれですか？

選択肢と解説

  • 1
    Amazon Personalize の自動評価を使用する。
  • 2
    Amazon Rekognition のコンテンツモデレーションを使用する。
  • ✓
    Amazon Bedrock のモデル評価を使用する。
  • 4
    Amazon Comprehend の感情分析を使用する。

解説

【正解】C

【0からの解説】
Amazon Bedrock のモデル評価（model evaluation）は、複数の基盤モデルの出力品質を比較・評価するための組み込み機能です。評価方式には次の 2 種類があります。
・自動評価：定義済みメトリクスでアルゴリズム的に採点。
・人間による評価（human evaluation）：自社の作業チーム（本問では科学者のチーム）に、複数モデルの出力を提示して評価（好ましさの比較・採点など）してもらうワークフローを構築できます。
「複数の生成 AI モデルのテスト」と「人間のチームによる評価」という 2 つの要件を、Bedrock のモデル評価がそのまま満たします。

【誤りの選択肢】
A：Amazon Personalize はレコメンデーションのサービスであり、生成 AI モデルの出力評価の機能はありません。
B：Amazon Rekognition のコンテンツモデレーションは、画像・動画内の不適切なコンテンツを検出する機能であり、研究論文（テキスト）の品質評価とは無関係です。
D：Amazon Comprehend の感情分析は、テキストのポジティブ/ネガティブを判定する機能であり、生成された論文の品質を科学者が評価するワークフローを提供しません。

【参考】
Amazon Bedrock のモデル評価
この問題のページを開く →
問題 9この要件を満たすメトリクスはどれですか？基盤モデルの応用
問題
ある企業が、テキスト要約タスクのためにいくつかの大規模言語モデル（LLM）を評価しています。同社は、LLM が生成する要約の品質を評価するためのメトリクスを選択する必要があります。 この要件を満たすメトリクスはどれですか？

選択肢と解説

  • 1
    再現率（Recall）
  • 2
    ROC 曲線下面積（AUC）
  • ✓
    ROUGE（Recall-Oriented Understudy for Gisting Evaluation）
  • 4
    平均二乗誤差（MSE）

解説

【正解】C

【0からの解説】
ROUGE は、テキスト要約の品質評価のために設計された標準的なメトリクスです。モデルが生成した要約と、人間が作成した参照要約（正解）を比較し、単語や語句（n-gram）の重なり具合をスコア化します。参照要約の内容をどれだけ網羅できているか（再現率志向）を測ることから、この名前が付いています。要約タスクの評価といえば ROUGE、翻訳タスクなら BLEU、と覚えるのが定石です。

【誤りの選択肢】
A：再現率（Recall）は分類タスクの指標であり、生成された文章の品質を直接測ることはできません。
B：AUC は二値分類モデルの判別能力の指標であり、テキスト生成の評価には使えません。
D：平均二乗誤差（MSE）は回帰タスク（数値予測）の誤差指標であり、文章の品質評価とは無関係です。

【参考】
基盤モデルの評価（SageMaker/Bedrock）
Amazon Bedrock のモデル評価
この問題のページを開く →
問題 10これらの要件を満たすソリューションはどれですか？AIとMLの基礎
問題
ある企業がモデルを本番環境にデプロイしました。4 か月後、モデルの推論品質が劣化しました。同社は、モデルの推論品質が劣化した場合に通知を受け取りたいと考えています。また、この問題が再発しないようにしたいと考えています。 これらの要件を満たすソリューションはどれですか？

選択肢と解説

  • 1
    モデルを再トレーニングする。Amazon SageMaker Clarify を使用してモデルドリフトを監視する。
  • ✓
    モデルを再トレーニングする。Amazon SageMaker Model Monitor を使用してモデルドリフトを監視する。
  • 3
    新しいモデルを構築する。Amazon SageMaker Feature Store を使用してモデルドリフトを監視する。
  • 4
    新しいモデルを構築する。Amazon SageMaker JumpStart を使用してモデルドリフトを監視する。

解説

【正解】B

【0からの解説】
対処は 2 段構えです。
(1) 現在の劣化への対処 → 再トレーニング：時間の経過によるデータの変化（ドリフト）で性能が落ちたモデルは、新しいデータで再トレーニングして現実に追いつかせます。ゼロから新しいモデルを構築し直す必要はありません。
(2) 再発防止 → Amazon SageMaker Model Monitor：本番エンドポイントのデータ・モデル品質をベースラインと比較して継続監視する専用機能です。ドリフトを検出すると CloudWatch 経由で通知（アラート）を受け取れるため、「劣化したら通知が欲しい」「問題を早期に検知して再発を防ぎたい」という要件をそのまま満たします。

【誤りの選択肢】
A：SageMaker Clarify はバイアス検出と説明可能性のための機能であり、推論品質のドリフトを継続監視して通知する機能は Model Monitor の役割です。
C：Feature Store は特徴量の保存・管理のリポジトリであり、監視機能はありません。
D：JumpStart は事前学習済みモデルのハブであり、ドリフト監視とは無関係です。

【参考】
Amazon SageMaker Model Monitor
この問題のページを開く →
問題 11これらの要件を満たすソリューションはどれですか？責任あるAIのガイドライン
問題
ある金融会社は、新規顧客にクレジット限度額を割り当てるために生成 AI モデルを使用しています。同社は、モデルの意思決定プロセスを顧客に対してより透明にしたいと考えています。 これらの要件を満たすソリューションはどれですか？

選択肢と解説

  • 1
    ML モデルの代わりにルールベースのシステムを使用する。
  • ✓
    説明可能な AI（explainable AI）の手法を適用して、モデルの決定にどの要因が影響したかを顧客に示す。
  • 3
    顧客向けの対話的な UI を開発し、システムについての明確な技術的説明を提供する。
  • 4
    透明性の必要性を減らすために、モデルの精度を高める。

解説

【正解】B

【0からの解説】
「モデルの意思決定プロセスの透明性」という要件への直接の答えが、説明可能な AI（XAI：explainable AI）です。
・XAI の手法（SHAP による特徴量重要度の分析など）を適用すると、「この顧客の限度額がこの金額になったのは、収入が＋に、延滞履歴が−に影響したから」のように、個々の決定に影響した要因を顧客に提示できます。
・金融の与信判断は規制上も説明責任が求められる領域であり、AWS では SageMaker Clarify がこの分析を支援します。モデルを使い続けながら透明性を実現できる点が重要です。

【誤りの選択肢】
A：ルールベースへの置き換えは、ML モデルの予測力（パーソナライズされた精度の高い判断）を放棄することになり、透明性のための手段として過剰で本末転倒です。
C：UI や技術的な説明文書は一般的な情報提供にすぎず、「個々の顧客への個別の決定理由」を示すことはできません。
D：精度を高めても意思決定の中身は見えないままです。「正確だから説明不要」という考え方は、責任ある AI の透明性の原則に反します。

【参考】
SageMaker Clarify によるモデル説明可能性
責任ある AI（AWS）
この問題のページを開く →
問題 12これらの要件を満たすソリューションはどれですか？AIとMLの基礎
問題
ある企業は、Amazon SageMaker Model Monitor を使用して予測モデルを監視しています。同社は、定義したしきい値を超えるデータドリフトに気づきました。同社は、予測モデルへの潜在的な悪影響を緩和したいと考えています。 これらの要件を満たすソリューションはどれですか？

選択肢と解説

  • 1
    SageMaker AI エンドポイントを再起動する。
  • 2
    監視の感度を調整する。
  • ✓
    新しいデータでモデルを再トレーニングする。
  • 4
    実験の追跡（experiments tracking）をセットアップする。

解説

【正解】C

【0からの解説】
データドリフトとは、本番でモデルに入力されるデータの分布が、トレーニング時のデータから変化してしまう現象です。モデルは「学習した時点の世界」を基準に予測するため、ドリフトが進むと予測の前提が崩れ、性能が劣化します。

ドリフトへの根本的な対処は、現在の（変化後の）データを反映した新しいデータでモデルを再トレーニングすることです。これによりモデルの「知識」が現実に追いつき、予測品質への悪影響が緩和されます。「ドリフト検出 → 再トレーニング」は MLOps の基本サイクルです。

【誤りの選択肢】
A：エンドポイントの再起動はインフラの操作にすぎず、モデルの中身（学習済みの知識）は何も変わらないため、ドリフトの影響は解消されません。
B：監視の感度を調整（しきい値を緩く）すると、アラートが出なくなるだけで問題そのものは放置されます。むしろ悪化を見逃す危険な対応です。
D：実験の追跡はモデル開発時の試行の記録・比較のための仕組みであり、本番のドリフトへの対処にはなりません。

【参考】
Amazon SageMaker Model Monitor
この問題のページを開く →
問題 13この要件を満たすアプローチはどれですか？基盤モデルの応用
問題
ある企業が生成 AI ツールを構築しています。同社は、社内文書を使用して基盤モデル（FM）をカスタマイズします。 この要件を満たすアプローチはどれですか？

選択肢と解説

  • 1
    分類（Classification）
  • ✓
    継続事前トレーニング（Continued pre-training）
  • 3
    蒸留（Distillation）
  • 4
    回帰（Regression）

解説

【正解】B

【0からの解説】
基盤モデルのカスタマイズ手法のうち、「ラベルのない大量の社内文書」を使ってモデルにドメイン知識を吸収させる手法が継続事前トレーニング（continued pre-training）です。
・基盤モデルの事前学習（大量のテキストから言語のパターンを学ぶ）を、自社のドメイン文書で「継続」するイメージです。入力と正解のペア（ラベル付きデータ）を用意する必要がなく、生の文書をそのまま学習に使えます。
・Amazon Bedrock のカスタムモデル機能では、ファインチューニング（ラベル付きデータでタスクに特化）と継続事前トレーニング（ラベルなしデータでドメイン知識を追加）の両方がサポートされています。「社内文書（＝ラベルなしのテキスト）でのカスタマイズ」は後者に該当します。

【誤りの選択肢】
A・D：分類と回帰は従来型 ML のタスクの種類であり、基盤モデルをカスタマイズする「手法」ではありません。
C：蒸留（distillation）は、大きなモデル（教師）の知識を小さなモデル（生徒）に転移させてモデルを軽量化する手法であり、社内文書による知識のカスタマイズとは目的が異なります。

【参考】
Amazon Bedrock のカスタムモデル
この問題のページを開く →
問題 14この要件を満たすために、同社はどのアルゴリズムを使用すべきですか？AIとMLの基礎
問題
ある企業は、顧客の人口統計（デモグラフィック）と購買パターンに基づいて、顧客のグループを特定したいと考えています。 この要件を満たすために、同社はどのアルゴリズムを使用すべきですか？

選択肢と解説

  • 1
    k 近傍法（k-NN）
  • ✓
    K-means
  • 3
    決定木（Decision tree）
  • 4
    サポートベクターマシン（SVM）

解説

【正解】B

【0からの解説】
「顧客のグループを特定する」＝正解ラベルなしで、似た者同士のまとまりを発見するタスクは、教師なし学習のクラスタリングです。K-means はクラスタリングの最も代表的なアルゴリズムで、データを k 個のグループ（クラスター）に自動的に分割します。人口統計や購買パターンが似ている顧客同士が同じクラスターにまとまるため、顧客セグメンテーション（マーケティングのグループ分け）の定番手法です。

【誤りの選択肢】
A：k 近傍法（k-NN）は名前が似ていますが、教師あり学習のアルゴリズムです。「新しいデータ点の近くにある既知のラベル付きデータ」から分類・回帰を行うもので、ラベルのないグループ発見はできません（K-means との混同を狙った定番のひっかけです）。
C：決定木は教師あり学習（分類・回帰）のアルゴリズムであり、正解ラベルが必要です。
D：サポートベクターマシン（SVM）も教師あり学習の分類アルゴリズムであり、グループの「発見」には使えません。

【参考】
SageMaker の K-means アルゴリズム
この問題のページを開く →
問題 15モデルの予測を理解することを指す用語はどれですか？責任あるAIのガイドライン
問題
ある企業は ML モデルを保有しています。同社は、モデルがどのように予測を行うのかを知りたいと考えています。 モデルの予測を理解することを指す用語はどれですか？

選択肢と解説

  • ✓
    モデルの解釈可能性（Model interpretability）
  • 2
    モデルのトレーニング（Model training）
  • 3
    モデルの相互運用性（Model interoperability）
  • 4
    モデルのパフォーマンス（Model performance）

解説

【正解】A

【0からの解説】
モデルの解釈可能性（interpretability）とは、「モデルがなぜ・どのようにその予測に至ったのか」を人間が理解できる度合いを指す用語です。たとえば線形回帰は係数から判断根拠を直接読み取れる解釈可能性の高いモデルであり、深いニューラルネットワークは解釈可能性が低い（ブラックボックス）モデルです。責任ある AI の文脈では、解釈可能性・説明可能性（explainability）が透明性の柱として重視され、AWS では SageMaker Clarify がこの分析を支援します。

【誤りの選択肢】
B：モデルのトレーニングは、データからモデルを学習させる工程のことであり、予測の理解とは別の概念です。
C：相互運用性（interoperability）は、異なるシステム同士が連携して動作できる性質のことです。interpretability と綴りが似ているひっかけです。
D：モデルのパフォーマンスは、精度やレイテンシなどの性能を指し、「どう予測したか」の理解そのものではありません。

【参考】
SageMaker Clarify によるモデル説明可能性
責任ある AI（AWS）
この問題のページを開く →

AIF-C01 模擬問題集についてよくある質問

AIF-C01 の練習問題は無料で試せますか？

はい。AIF-C01 は先頭 15 問を会員登録なしで、正解と全選択肢の解説つきでご覧いただけます。16 問目以降は模試プラン（月額 ¥980）または Pro プラン（月額 ¥4,980）でご利用ください。

問題は何問ありますか？

AIF-C01 は本番形式の練習テスト 4 回・全 200 問を収録しています。全問に解説が付いています。

解説は付いていますか？

全ての問題に、正解の理由と各選択肢がなぜ誤りなのかの解説を付けています。ドメイン（出題分野）別の正答率も受験後に確認できます。