模擬問題集一覧

GCP-GAIL 模擬問題集（練習問題）

Generative AI Leader 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 90 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 90 分 合格 70%
2
模擬問題集② プラン限定
50 問 90 分 合格 70%
3
模擬問題集③ プラン限定
50 問 90 分 合格 70%
4
模擬問題集④ プラン限定
50 問 90 分 合格 70%

説明

GCP-GAIL（Generative AI Leader）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。

GCP-GAIL 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GCP-GAIL の学習ガイドにまとめています。

GCP-GAIL 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 1Google の Customer Engagement Suite のどのコンポーネントがこのニーズに最も適しています…Google Cloud の生成 AI サービス
問題
ある組織は、自動チャットボットによる対応とライブ エージェント（有人オペレーター）によるサポートの両方を対象に、顧客とのやり取りの傾向を把握し、よくある問題を特定し、顧客の感情を測定し、顧客体験全体を改善したいと考えています。そのためには、既存の会話データを分析して、実用的なビジネス インテリジェンスを得られるツールが必要です。Google の Customer Engagement Suite のどのコンポーネントがこのニーズに最も適していますか？

選択肢と解説

  • 1
    Agent Assist
  • 2
    Google Cloud Contact Center as a Service
  • 3
    Conversational Agents
  • ✓
    Conversational Insights

解説

【正解】D

【0からの解説】
①前提知識：Customer Engagement Suite の選択肢を見分けるときは、「その製品が会話に対して何をするか」で考えると迷いません。会話を受け付けて振り分ける土台が CCaaS、顧客と自分で話すのが Conversational Agents（現 CX Agent Studio）、話している人間の横で助けるのが Agent Assist、そして終わった会話をまとめて振り返るのが Conversational Insights（旧 Contact Center AI Insights、現 Customer Experience Insights）です。この問題で重要なのは最後の「振り返る」役割です。Conversational Insights は、音声通話の文字起こしやチャットの記録を取り込み、次のような分析を行います。
・感情分析：顧客やオペレーターの発言がポジティブ / ネガティブのどちらに傾いているかを数値化する。
・トピック モデリング：大量の会話を自動で分類し、「何についての問い合わせが多いか」（問い合わせ理由）を洗い出す。
・ハイライトや品質評価（Quality AI）：注目すべき発言の抽出や応対品質の採点を行う。
・BigQuery や Looker へのエクスポート：分析結果を BI ツールで集計・可視化する。
取り込む会話はボットが応対したものでも人間が応対したものでも構いません。
②問題文の要件：決め手は「既存の会話データを分析して」という一文です。これは、いま進行中の会話に手を出すのではなく、すでに蓄積された会話を後からまとめて調べる、という意味です。そのうえで「傾向の把握」「よくある問題の特定」「顧客感情の測定」は、それぞれトピック モデリングと感情分析で得られる結果に当たります。また「チャットボットとライブ エージェントの両方」とあるため、どちらの会話も分析対象にできることも条件です。
③正解の理由：上の要件はすべて「会話の事後分析」に集約され、それを担う唯一のコンポーネントが Conversational Insights です。ボットと有人の会話をまとめて取り込み、問い合わせ理由の分布や感情の変化をビジネス インテリジェンスとして経営や業務改善に渡せるため、D が最も適しています。

【誤りの選択肢】
A：Agent Assist も会話の中身（要約や回答候補）を扱うため紛らわしいですが、その対象は「いまオペレーターが対応している 1 件の会話」です。数千件の会話を横断して傾向や感情の推移を集計する機能ではなく、またボットだけで完結した会話は支援の対象外です。
B：Contact Center as a Service は、電話・チャットなどのチャネルを受け付けてオペレーターに振り分ける運用基盤です。会話データは基盤を通過しますが、それを分析してインサイトを出すのは基盤自体の役割ではなく、分析は別途 Insights で行います。
C：Conversational Agents は顧客との会話そのものを自動化する仮想エージェントを作るためのものです。チャットボット側の会話を生み出す製品であり、生まれた会話を分析して改善点を見つける製品ではありません。

【参考】
Dialogflow CX のドキュメント
自然言語処理とは
この問題のページを開く →
問題 2このユースケースで Gemini を使用する主な利点は何ですか？生成 AI の基礎
問題
ある企業は、メールの下書き、ドキュメントの要約、画像の生成、コーディングの支援といったタスクに使える汎用性の高い AI モデルを必要としています。目的は部門をまたいで業務効率を向上させることです。このユースケースで Gemini を使用する主な利点は何ですか？

選択肢と解説

  • 1
    完全なオープンソースであり、ライセンス費用なしで自由に改変できること。
  • 2
    最小限の入力で、複雑なタスクを自動化する高度にカスタマイズされた AI エージェントを簡単に作成できること。
  • 3
    技術者でないユーザーでも利用できる、ビジネス インテリジェンス向けの専門的なデータ分析機能。
  • ✓
    テキスト、画像、コードを扱うことができ、幅広いタスクを支援できること。

解説

【正解】D

【0からの解説】
①前提知識：Gemini は Google が開発した基盤モデル（大量のデータで事前学習され、さまざまなタスクに転用できる大規模モデル）のファミリーです。最大の特長は「マルチモーダル」であること、つまりテキスト・画像・音声・動画・コードといった複数の種類（モダリティ）の情報を 1 つのモデルで理解し、生成できることです。Gemini Enterprise Agent Platform（旧 Vertex AI）や Gemini アプリ、Gemini for Google Workspace などを通じて利用できます。
②問題文の要件：求められているのは「メールの下書き（テキスト生成）」「ドキュメントの要約（テキスト理解）」「画像の生成（画像）」「コーディング支援（コード）」という、性質の異なる複数のタスクを 1 つの汎用モデルでこなすことです。キーワードは「versatile（汎用性の高い）」と「部門をまたいで」です。
③正解の理由：D の「テキスト、画像、コードを扱える」は、まさに Gemini のマルチモーダル性という主な利点を表しており、列挙された 4 種類のタスクすべてを 1 つのモデルでカバーできる、という要件に直接対応します。部門ごとに別々の専用ツールを導入する必要がないため、効率化という目的にも合致します。

【誤りの選択肢】
A：Gemini は Google のプロプライエタリ（独自）モデルであり、オープンソースではありません。Google のオープンモデルは Gemma です。また問題の要件は「汎用性」であり、ライセンス費用や改変の自由は問われていません。
B：カスタム エージェントの作成は Gemini Enterprise や Agent Platform の機能であり、Gemini モデル自体の「主な利点」ではありません。さらに「最小限の入力で高度にカスタマイズされたエージェントを簡単に」という表現は誇張で、問題のタスク（下書き・要約・画像生成・コード支援）はエージェント化しなくても実現できます。
C：非技術者向けの BI データ分析は Looker などの BI ツールの領域であり、要件に挙がっているテキスト・画像・コードにまたがる汎用タスクを説明していません。データ分析という 1 つの用途に限定されており、「汎用性」という要件に合いません。

【参考】
Google モデル
基盤モデルとは
マルチモーダル プロンプトを設計する
この問題のページを開く →
問題 3これはどの種類のモデルの限界ですか？生成 AI モデルの出力を改善する手法
問題
ある企業は、顧客からのフィードバックをポジティブ、ネガティブ、ニュートラルに分類するよう設計された生成 AI モデルをトレーニングしています。しかし、トレーニング データセットには特定の属性層からのフィードバックが不釣り合いに多く含まれており、また現在の顧客のコミュニケーション スタイルを反映していない古い言語表現が使われています。モデルをデプロイすると、新しい顧客フィードバックの感情分析において強いバイアスを示し、十分に代表されていない属性層からのレビューを誤分類したり、最新のスラングや言い回しを理解できなかったりします。これはどの種類のモデルの限界ですか？

選択肢と解説

  • 1
    エッジケース
  • ✓
    データ依存
  • 3
    ハルシネーション
  • 4
    過学習

解説

【正解】B

【0からの解説】
①前提知識：基盤モデルや生成 AI モデルには、試験ガイドでも挙げられている代表的な限界があります。
・データ依存：モデルの品質は学習データの品質・量・代表性・鮮度に大きく依存する。偏った、古い、不完全なデータで学習すると、その欠陥がそのまま出力に現れる。
・知識のカットオフ：学習時点以降の情報を知らない。
・バイアスと公平性：学習データの偏りが不公平な出力につながる。
・ハルシネーション：もっともらしいが事実と異なる内容を生成する。
・エッジケース：まれで想定外の入力に対してうまく動作しない。
②問題文の要件：原因として「特定の属性層に偏ったデータ」と「古い言語表現」という、トレーニング データそのものの問題が明示されています。その結果、バイアスのある分類と最新表現の理解不足という症状が出ています。
③正解の理由：偏り（代表性の欠如）と古さ（鮮度の欠如）はどちらも学習データの性質であり、モデルの性能がデータに左右されるという「データ依存」の限界にあたります。選択肢の中で、データの偏りと古さの両方を根本原因として説明できるのはデータ依存だけです。対策としては、多様で最新のデータでの再学習・ファインチューニング、データ品質の評価、継続的な監視、ヒューマン イン ザ ループ（HITL）によるレビューなどが挙げられます。

【誤りの選択肢】
A：エッジケースは、まれで特殊な入力に対する失敗を指します。この問題では、特定の属性層のレビュー全般や現在一般的に使われるスラングという、日常的に大量に発生する入力で体系的に誤っているため、まれなケースの問題ではありません。
C：ハルシネーションは、事実に基づかないもっともらしい内容をモデルが「作り出す」現象です。この問題はラベルの誤分類であり、架空の情報の生成ではありません。
D：過学習は、モデルが学習データを細部まで覚え込みすぎて未知のデータに汎化できない状態を指します。新しいデータで性能が落ちる点は似ていますが、問題文が示す原因はモデルの複雑さや学習のしすぎではなく、データの偏りと古さです。データが偏っていれば、過学習していなくても同じ問題が起こります。

【参考】
責任ある AI
責任ある AI
チューニングの概要
この問題のページを開く →
問題 4この段階で重要な考慮事項は何ですか？生成 AI ソリューションを成功させるビジネス戦略
問題
ある組織は、顧客サービス向けの生成 AI モデルをトレーニングするためのデータを収集しています。組織は ML ライフサイクル全体を通じてセキュリティを確保したいと考えています。この段階で重要な考慮事項は何ですか？

選択肢と解説

  • 1
    AI モデルに最新のソフトウェア パッチを定期的に適用する。
  • 2
    AI モデルのパフォーマンスを監視し、予期しない出力や潜在的なエラーを検出する。
  • 3
    AI モデルの回答について倫理ガイドラインを定め、公平性を確保し害を回避する。
  • ✓
    アクセス制御を実装し、トレーニング データ内の機密情報を保護する。

解説

【正解】D

【0からの解説】
①前提知識：ML ライフサイクルは、データの収集・取り込み → データ準備 → トレーニング → デプロイ → 運用・管理（監視）という段階で進みます。セキュリティは各段階で考慮が必要ですが、段階ごとに重点が異なります。Google のセキュア AI フレームワーク（SAIF）でも、AI システムの基盤となるデータの保護（アクセス制御、機密データの保護、データの来歴管理）を重要な要素としています。顧客サービスのデータには氏名・連絡先・購入履歴などの個人情報が含まれやすいため、収集段階から保護が欠かせません。
②問題文の要件：「トレーニング用のデータを収集している」段階で、「セキュリティ」上重要な考慮事項を問われています。「この段階で（at this stage）」と「セキュリティ」という 2 つの制約を両方満たす選択肢を選びます。
③正解の理由：D は、データ収集段階におけるセキュリティ対策そのものです。IAM などによる最小権限のアクセス制御で、誰がトレーニング データにアクセスできるかを制限し、Sensitive Data Protection（旧 Cloud DLP）などで個人情報や機密情報を検出・マスキング / 匿名化することで、データ漏えいや、モデルが機密情報を学習して出力してしまうリスクを抑えられます。

【誤りの選択肢】
A：ソフトウェア パッチの適用は、モデルやシステムがデプロイされた後の運用・保守段階の対策です。データ収集段階の考慮事項ではありません。
B：モデルのパフォーマンスや予期しない出力の監視は、デプロイ後の監視段階の活動です。また、セキュリティというよりも品質・信頼性の管理が主眼です。
C：倫理ガイドラインの策定による公平性の確保や害の回避は「責任ある AI」の観点として重要ですが、問われているのは「セキュリティ」です。また、モデルの回答に関するガイドラインは収集段階のデータ保護とは別のテーマです。

【参考】
セキュア AI フレームワーク（SAIF）
生成 AI のセキュリティ管理
アクセス制御
この問題のページを開く →
問題 5Google が独自に設計した TPU を使用する主な利点は何ですか？Google Cloud の生成 AI サービス
問題
Google が独自に設計した TPU を使用する主な利点は何ですか？

選択肢と解説

  • 1
    TPU は Google Cloud データセンター内のストレージ容量とデータ取得速度を向上させる。
  • 2
    TPU はエッジデバイスへのデプロイを目的とした軽量のプロセッサである。
  • ✓
    TPU は機械学習ワークロードの並列処理に優れた、AI 専用のプロセッサである。
  • 4
    TPU は主にクラウド内の仮想マシンの汎用的な処理速度を向上させるために設計されている。

解説

【正解】C

【0からの解説】
①前提知識：TPU（Tensor Processing Unit）は、Google が機械学習のために独自に設計した ASIC（特定用途向け集積回路）です。ニューラル ネットワークの計算の大部分を占める行列演算を大規模に並列実行するよう最適化されており、大規模なモデルのトレーニングや推論を高速かつ費用対効果よく行えます。Google Cloud では Cloud TPU として提供され、AI Hypercomputer（AI 向けに最適化されたハードウェア・ソフトウェア・利用モデルを統合したスーパーコンピューティング アーキテクチャ）の中核を担います。Gemini などの Google のモデル自体も TPU でトレーニングされています。
②問題文の要件：TPU の「主な利点」を問う知識問題です。TPU が何のために設計されたか（用途）を正しく理解しているかがポイントです。
③正解の理由：C の「機械学習ワークロードの並列処理に優れた AI 専用プロセッサ」は TPU の設計目的そのものです。汎用 CPU よりも ML の行列演算を大量に並列処理でき、大規模な生成 AI モデルのトレーニングと推論を効率化します。

【誤りの選択肢】
A：TPU は演算用のプロセッサであり、ストレージ容量やデータ取得速度を向上させるものではありません。ストレージは Cloud Storage や Hyperdisk などの別のサービスの役割です。
B：Cloud TPU はデータセンターで大規模に連結（Pod / スライス）して使う高性能なアクセラレータです。エッジ向けには Edge TPU という別製品が存在しますが、Google Cloud で提供される TPU の主な利点としては誤りです。
D：TPU は ML 専用に特化したプロセッサであり、仮想マシンの汎用的な処理（ウェブ サーバーや一般的なアプリケーション）を高速化するためのものではありません。汎用処理は CPU が担います。

【参考】
Cloud TPU の概要
AI Hypercomputer の概要
この問題のページを開く →
問題 6教師あり機械学習の例はどれですか？生成 AI の基礎
問題
教師あり機械学習の例はどれですか？

選択肢と解説

  • ✓
    過去のラベル付きサポート チケットを使用して、解決にかかる時間を予測するモデルを構築する。
  • 2
    購買履歴を使用して、未知の顧客セグメントを特定する。
  • 3
    ウェブサイトのクリックを分析して、ユーザー行動のクラスタを見つける。
  • 4
    カスタマー レビューを調べて、繰り返し現れるトピックを自動的に特定する。

解説

【正解】A

【0からの解説】
①前提知識：機械学習（ML）の代表的な学習方法には、教師あり学習・教師なし学習・強化学習があります。
・教師あり学習：入力データと「正解（ラベル）」のペアから学習し、新しいデータの正解を予測します。数値を予測する「回帰」と、カテゴリを予測する「分類」があります。
・教師なし学習：ラベルのないデータから、データに潜む構造やパターン（クラスタ、トピックなど）を見つけます。
・強化学習：エージェントが環境の中で行動し、報酬を最大化するように試行錯誤で学習します。
②問題文の要件：「教師あり」の例を選ぶ問題です。判断の決め手は「正解ラベルが付いたデータを使って予測しているか」です。
③正解の理由：A は過去のサポート チケットに「実際の解決時間」というラベル（正解値）が付いており、それを学習して新しいチケットの解決時間を予測します。これは教師あり学習の回帰タスクの典型例です。

【誤りの選択肢】
B：「未知の」顧客セグメントを見つける、つまり事前に正解となるセグメントが与えられていないため、ラベルなしデータからグループを見つける教師なし学習（クラスタリング）です。
C：クリック データから行動の「クラスタ」を見つけるのは、ラベルを使わずに似たもの同士をまとめるクラスタリングであり、教師なし学習です。
D：レビューから繰り返し現れるトピックを自動的に見つけるのは、トピック モデリングと呼ばれる教師なし学習です。事前にトピックのラベルを付けたデータで学習しているわけではありません。

【参考】
教師あり学習と教師なし学習
機械学習の概要 種類と用途
この問題のページを開く →
問題 7どのモデル設定を調整すべきですか？生成 AI モデルの出力を改善する手法
問題
あるチームは、生成 AI モデルを使用して顧客フィードバックの短い要約を自動生成しています。これらの要約が簡潔で理解しやすいものになるようにする必要があります。どのモデル設定を調整すべきですか？

選択肢と解説

  • 1
    Temperature
  • ✓
    出力の長さ（Output length）
  • 3
    Top-p（nucleus sampling）
  • 4
    安全性設定（Safety settings）

解説

【正解】B

【0からの解説】
①前提知識：生成 AI モデルには、出力を制御するサンプリング パラメータ（コンテンツ生成パラメータ）があります。
・Temperature：次のトークンを選ぶ際のランダム性の度合い。低いほど決定的で一貫した出力、高いほど多様で創造的な出力になる
・Top-p（nucleus sampling）：累積確率が p に達するまでの上位候補トークンからのみ選ぶ。値が小さいほど候補が絞られ、出力が保守的になる
・出力の長さ（最大出力トークン数、max output tokens）：1 回の応答で生成できるトークン数の上限。短くすると応答も短くなる
・安全性設定：ヘイトスピーチ、ハラスメント、性的・危険なコンテンツなどの有害カテゴリをどの程度ブロックするかのしきい値

②問題文の整理：要件は要約を「簡潔（concise）」で「理解しやすい（easy to digest）」ものにすること、つまり要約の長さを短く抑えることです。

③正解の理由：出力の長さ（最大出力トークン数）を調整すれば、生成される要約の長さを直接制限でき、短く簡潔な要約になります。実務では、プロンプトでも「3 文以内で要約して」のように長さを指示し、出力トークン数の上限と組み合わせると、文の途中で切れることを防ぎつつ簡潔さを保てます。よって B が正解です。

【誤りの選択肢】
A：Temperature は出力のランダム性・創造性を調整するパラメータです。下げると表現が安定し一貫性は増しますが、要約の長さ（簡潔さ）を直接制御するものではありません。
C：Top-p は候補トークンの範囲を確率で絞り込み、出力の多様性を調整するパラメータです。Temperature と同様に語彙選択のばらつきに影響しますが、出力の長さは制御しません。
D：安全性設定は有害なコンテンツをブロックするためのしきい値で、責任ある AI のための設定です。要約の簡潔さや読みやすさとは関係ありません。

【参考】
コンテンツ生成パラメータ
パラメータ値を試す
この問題のページを開く →
問題 8チームは何をすべきですか？Google Cloud の生成 AI サービス
問題
ある人材育成（L&D）チームは、自社のブランディングと主要なメッセージに合ったカスタム アバターとナレーション（ボイスオーバー）付きの新入社員研修動画を、すばやく作成したいと考えています。チームには制作のための予算がまったく割り当てられていません。チームは何をすべきですか？

選択肢と解説

  • 1
    Imagen で動画のフレームを生成する。
  • ✓
    Google Vids で動画を作成する。
  • 3
    Vertex AI でモデルをトレーニングし、動画を制作する。
  • 4
    Gemini アプリにプロンプトを入力して動画を作成させる。

解説

【正解】B

【0からの解説】
①前提知識：Google Vids は Google Workspace に含まれる AI 搭載の動画作成アプリです。Gemini の支援でスクリプトや絵コンテ（ストーリーボード）を生成し、テンプレート、ストック素材、AI アバター（台本を話すデジタルの人物）、AI ボイスオーバー（台本を入力するとナレーションを生成）などを使って、研修・社内連絡・製品紹介といった業務用動画を専門知識なしで作成できます。ブランドのロゴや色、画像を取り込んで自社らしい動画に仕上げることもできます。AI アバターとボイスオーバーは対象の Workspace プランに月間の上限付きで含まれています。
②問題文の要件：「すばやく」「カスタム アバターとナレーション」「自社のブランディングと主要メッセージに合わせる」「制作予算がゼロ」という条件をすべて満たす方法が求められています。予算ゼロとは、外部の制作会社への発注や新たな開発プロジェクト、追加のツール購入ができないということです。
③正解の理由：Google Vids なら、組織がすでに利用している Workspace の中で、アバターとボイスオーバーを備えた研修動画をノーコードで短時間に作成でき、追加の制作費も開発工数もかかりません。業務用動画の作成という用途に特化した構築済みの生成 AI アプリであり、全条件を満たします。

【誤りの選択肢】
A：Imagen は画像生成モデルです。静止画のフレームを 1 枚ずつ生成しても、それをつなげて一貫したアバターの動きやナレーション付きの動画にするには別途の編集作業や開発が必要で、「すばやく」作る要件に合いません。
C：Vertex AI（現 Gemini Enterprise Agent Platform）で独自のモデルをトレーニングするには、データの準備、ML の専門知識、コンピューティング費用、長い開発期間が必要です。予算ゼロ・短期間という条件に明らかに反します。
D：Gemini アプリでも Veo を使った短い動画クリップを生成できますが、生成されるのは数秒程度の汎用的な映像であり、一貫したカスタム アバターが台本どおりに話し、ブランドに沿った構成で進む研修動画を作る用途には向いていません。また動画生成は利用プランや回数の制限もあります。研修動画の作成に特化した Google Vids の方が要件に適しています。

【参考】
Agent Platform で動画を生成する
サンプル ユースケース | Gemini Enterprise
この問題のページを開く →
問題 9企業はどの機械学習を使用すべきですか？生成 AI の基礎
問題
ある企業は、カスタマー レビューをポジティブ、ネガティブ、ニュートラルに分類するモデルを構築したいと考えています。企業は数千件のカスタマー レビューから成るデータセットを収集しており、各レビューには対応する感情（ポジティブ、ネガティブ、ニュートラル）が手作業でタグ付けされています。企業はどの機械学習を使用すべきですか？

選択肢と解説

  • 1
    強化学習
  • 2
    ディープ ラーニング
  • 3
    教師なし学習
  • ✓
    教師あり学習

解説

【正解】D

【0からの解説】
①前提知識：教師あり学習は、入力（ここではレビュー本文）と正解ラベル（ここでは感情）のペアを大量に学習し、新しい入力に対して正しいラベルを予測できるようにする機械学習の手法です。カテゴリを予測するものを「分類」と呼びます。教師なし学習はラベルのないデータから構造を見つける手法、強化学習は報酬を最大化するよう行動を学習する手法です。
②問題文の要件：「各レビューに感情が手作業でタグ付けされている（＝ラベル付きデータがある）」「ポジティブ / ネガティブ / ニュートラルの 3 つのカテゴリに分類したい」という 2 点が決め手です。
③正解の理由：ラベル付きデータを使ってあらかじめ決まったカテゴリに分類するのは、教師あり学習（多クラス分類）の典型です。手作業で付けたラベルがモデルにとっての「教師（正解）」になります。

【誤りの選択肢】
A：強化学習は、環境の中で行動し報酬をもとに試行錯誤して方策を学ぶ手法で、ゲームやロボット制御、推奨の最適化などに使われます。固定されたラベル付きデータセットで分類する問題には適しません。
B：ディープ ラーニング（深層学習）は多層ニューラル ネットワークを使う「モデルの構造・技術」の分類であり、教師あり / 教師なし / 強化学習という「学習方法」の分類とは軸が異なります。ディープ ラーニングでも教師あり学習として学習させることになるため、問題が問う「どの学習方法か」の答えとしては不適切です。
C：教師なし学習はラベルのないデータからパターンを見つける手法です。この企業はすでにラベル付きデータを持っており、決まった 3 カテゴリへの分類が目的なので、ラベルを活用できない教師なし学習は適しません。

【参考】
教師あり学習と教師なし学習
機械学習の概要 種類と用途
この問題のページを開く →
問題 10企業が優先すべき対策はどれですか？生成 AI ソリューションを成功させるビジネス戦略
問題
ある企業は、オンライン アンケートで収集した顧客フィードバックを分析する生成 AI アプリケーションを開発しています。フィードバックには個人を特定できる情報（PII）が含まれているため、関係者はこのデータに伴うプライバシー リスクを懸念しています。AI モデルのトレーニングにデータを使用する前に、これらのリスクを軽減する必要があります。企業が優先すべき対策はどれですか？

選択肢と解説

  • 1
    今後のアンケートでは定量的なフィードバック データのみを収集することに注力する。
  • 2
    強力なアクセス制御を実装し、生のアンケート データを閲覧できるチームを制限する。
  • 3
    AI モデルを大規模で多様なデータセットでトレーニングするようにする。
  • ✓
    データ匿名化の手法を適用し、機密データを削除または不明瞭化する。

解説

【正解】D

【0からの解説】
①前提知識：個人を特定できる情報（PII：Personally Identifiable Information）とは、氏名・メールアドレス・電話番号・住所など、特定の個人を識別できる情報です。PII をそのまま AI モデルのトレーニングに使うと、モデルが学習データを記憶して出力に再現してしまう（データ漏えい）、規制（個人情報保護法、GDPR など）に違反する、といったプライバシー リスクが生じます。
責任ある AI のプライバシー対策として代表的なのが次の手法です。
・匿名化（anonymization）：個人を特定できる情報を削除・一般化し、個人と結び付けられないようにする
・仮名化（pseudonymization）：氏名などを別の識別子（トークン）に置き換える
・マスキング、墨消し（redaction）など
Google Cloud では、Cloud DLP（現 Sensitive Data Protection）を使って PII を検出し、匿名化（de-identification）を自動化できます。

②問題文の整理：要件は「トレーニングにデータを使用する前に」「PII に起因するプライバシー リスクを軽減する」ことです。つまり、すでに収集済みのデータそのものから PII のリスクを取り除く対策が求められています。

③正解の理由：データ匿名化を適用して PII を削除・不明瞭化すれば、トレーニング データに個人情報がそもそも含まれなくなります。リスクの原因である「PII そのもの」をデータから取り除くため、モデルが PII を学習・記憶して出力で漏えいするリスクも、データが流出した場合の被害も、根本から下げられます。フィードバックの内容（意見や感想）は残るため、分析の価値も維持できます。よって D が正解です。
※ 匿名化とアクセス制御の違い：アクセス制御は「誰がデータを見られるか」を制限する対策で、データの中身には PII が残ったままです。匿名化は「データの中身から PII を消す」対策なので、データがモデルに渡っても個人は特定できません。トレーニングにデータを使う場面では、モデルという「人以外の利用者」にもデータが渡るため、中身から PII を取り除く匿名化が優先されます。

【誤りの選択肢】
A：今後のアンケートの設計を変える対策であり、すでに収集した PII を含むデータのリスクは解消されません。また、自由記述の定性的フィードバックを捨てると、顧客フィードバック分析という生成 AI アプリの目的自体が損なわれます。
B：アクセス制御は重要なセキュリティ対策で、匿名化と併用すべきものです。しかし制限できるのは「生データを閲覧できる人」だけで、データの中身には PII が残ります。トレーニングに使えば PII はそのままモデルに学習され、モデルの出力を通じて、閲覧権限のない利用者にまで漏えいするおそれがあります。PII のリスクを根本から下げる匿名化に比べ、トレーニング前の対策としては劣ります。
C：大規模で多様なデータセットはモデルの汎化性能やバイアス低減には役立ちますが、PII の除去とは無関係です。むしろ PII を含むデータが増えるだけでプライバシー リスクは減りません。

【参考】
責任ある AI
責任ある AI
この問題のページを開く →
問題 11この企業が Vertex AI Platform を使用すべき理由は何ですか？Google Cloud の生成 AI サービス
問題
ある企業は、生成 AI（gen AI）ソリューションを最適化するためにどのプラットフォームを使用するかを決めようとしています。この企業が Vertex AI Platform を使用すべき理由は何ですか？

選択肢と解説

  • 1
    エンタープライズ レベルのセキュリティとプライバシー保護を備えた、生成 AI によるコーディング支援を提供するため。
  • 2
    機械学習で使用する大規模なデータセットを効率的に分析・探索する仕組みを提供するため。
  • ✓
    機械学習の構築、デプロイ、管理のためのツールを統合したプラットフォームを提供するため。
  • 4
    機械学習のワークフローで使用するデータのための、スケーラブルで費用対効果の高いオブジェクト ストレージを提供するため。

解説

【正解】C

【0からの解説】
①前提知識：Vertex AI（現 Gemini Enterprise Agent Platform）は、Google Cloud の統合 AI / 機械学習（ML）プラットフォームです。2026 年 4 月に Gemini Enterprise Agent Platform（Agent Platform）へ改称され、Vertex AI の機能は同プラットフォームに統合されました。主な機能は次のとおりです。
・Model Garden：Gemini、Imagen、Veo などの Google のモデル、Gemma などのオープンモデル、サードパーティ モデルを検索・利用できる
・Vertex AI Studio（現 Agent Studio）：プロンプトの設計・テスト、パラメータの調整、モデルのチューニング
・トレーニング（AutoML / カスタム トレーニング）、モデルのデプロイと推論、Pipelines による MLOps、Model Registry、モニタリング、評価
・エージェントの構築・デプロイ・ガバナンス
つまり、データ準備からトレーニング、デプロイ、運用・管理までの ML / 生成 AI のライフサイクル全体を 1 つのプラットフォームで扱えることが最大の価値です。

②問題文の整理：問われているのは「生成 AI ソリューションを最適化する」プラットフォームとして Vertex AI を選ぶ理由、すなわち Vertex AI の本質的な位置付けです。

③正解の理由：「機械学習の構築・デプロイ・管理のためのツールを統合したプラットフォーム」は、Vertex AI（現 Agent Platform）の公式な説明そのものです。モデルの選定・プロンプト調整・チューニング・評価・デプロイ・モニタリングを一貫して行えるため、生成 AI ソリューションの最適化に適しています。よって C が正解です。

【誤りの選択肢】
A：エンタープライズ向けのセキュリティとプライバシー保護を備えた生成 AI のコーディング支援は、Gemini Code Assist（Gemini for Google Cloud の一部）の説明です。Vertex AI のプラットフォームとしての価値ではありません。
B：大規模データセットの効率的な分析・探索は、主に BigQuery（サーバーレスのデータ ウェアハウス）の役割です。Vertex AI はデータを使ってモデルを構築・運用する側のプラットフォームです。
D：スケーラブルで費用対効果の高いオブジェクト ストレージは Cloud Storage の説明です。ML ワークフローのデータ保存先にはなりますが、Vertex AI を選ぶ理由ではありません。

【参考】
Agent Platform の概要
Gemini Enterprise Agent Platform を使ってみる
この問題のページを開く →
問題 12どのプロンプト手法を使用すべきですか？生成 AI モデルの出力を改善する手法
問題
あるカスタマー サービス チームは、生成 AI を使用して、顧客からの問い合わせに対するメール返信の品質と一貫性を向上させたいと考えています。AI が会社のポリシーを順守しながら、親切で共感的なトーンを採用するよう導くことができるソリューションが必要です。どのプロンプト手法を使用すべきですか？

選択肢と解説

  • ✓
    社内の知識を持つ経験豊富なカスタマー サービス担当者として振る舞うよう AI に指示する、ロール プロンプト
  • 2
    良いカスタマー サービス メールと悪いカスタマー サービス メールの例を提示する、フューショット プロンプト
  • 3
    メール返信を生成する前に、必要な情報を収集するために AI との会話を進める、プロンプト チェーン
  • 4
    良いカスタマー サービス メールの例を 1 つ提示する、ワンショット プロンプト

解説

【正解】A

【0からの解説】
①前提知識：代表的なプロンプト エンジニアリングの手法は次のとおりです。
・ゼロショット プロンプト：例を示さず指示だけで回答させる
・ワンショット / フューショット プロンプト：1 つ / 複数の入出力例を示し、期待する形式やパターンを学ばせる
・ロール プロンプト（role prompting）：「あなたは〇〇の専門家です」のように AI に役割（ペルソナ）を与え、その役割にふさわしい視点・知識・口調・振る舞いで回答させる。Vertex AI（現 Gemini Enterprise Agent Platform）ではシステム指示（system instructions）にロールやトーン、守るべきルールを書いておくことで、すべての応答に一貫して適用できる
・プロンプト チェーン：複雑なタスクを複数のプロンプトに分割し、前の出力を次の入力に渡して段階的に処理する

②問題文の整理：要件は (1) メール返信の品質と一貫性の向上、(2) 親切で共感的なトーンの採用、(3) 会社のポリシーの順守、の 3 つです。いずれも「どのような立場・態度・ルールで書くか」という振る舞いの指定です。

③正解の理由：ロール プロンプトで「社内の知識（会社のポリシー）を持つ経験豊富なカスタマー サービス担当者」という役割を与えると、AI はその役割に沿った共感的で丁寧なトーンを採用し、会社のポリシーに沿った対応を一貫して行うよう方向付けられます。トーンと行動規範の両方をまとめて導けるため、A が最も適切です。

【誤りの選択肢】
B：フューショット プロンプトは出力の形式やパターンを示すのに有効で、良い例と悪い例を見せればトーンもある程度誘導できるため、この問題では次点の選択肢です。ただし目的は「例の模倣」であり、例に出てこない種類の問い合わせでも会社のポリシーを一貫して守らせる手段としては弱く、トーンとポリシー順守という振る舞い全体を導く手法としてはロール プロンプトに劣ります。また、例に引きずられて内容が似通う、悪い例の要素が混入するといったリスクもあります。多数の例を毎回用意・保守する手間もかかります。
C：プロンプト チェーンは、情報収集 → 下書き → 推敲のように複雑なタスクを段階的に処理するための手法です。必要な情報を集める点では役立ちますが、問題の要件である「共感的なトーン」や「ポリシー順守」を導く仕組みそのものではありません。
D：ワンショット プロンプトは例が 1 つだけのため、多様な問い合わせに対してトーンやポリシー順守を一般化させるには情報が不足します。単一の例に過度に合わせた出力になりやすく、品質と一貫性の向上という要件を満たすには不十分です。

【参考】
システム指示を使用する
プロンプト戦略の概要
AI のプロンプト エンジニアリング ガイド
この問題のページを開く →
問題 13拡散モデルは何をするモデルですか？生成 AI の基礎
問題
拡散モデルは何をするモデルですか？

選択肢と解説

  • ✓
    ノイズを構造化されたデータへと段階的に洗練させることで、高品質なコンテンツを生成する。
  • 2
    構造化データの保存と管理を容易にする。
  • 3
    データを分析し、将来の傾向やパターンを予測する。
  • 4
    ビジネス プロセスとリソースの割り当てを最適化する。

解説

【正解】A

【0からの解説】
①前提知識：拡散モデル（diffusion model）は、画像・動画・音声などを生成する生成 AI モデルの一種です。トレーニングでは、元の画像に少しずつノイズを加えて最終的に完全なノイズにする過程（拡散過程）を学び、その逆、つまり「ノイズを少しずつ取り除く方法」を学習します。生成時は、ランダムなノイズから出発し、プロンプトなどの条件に従ってノイズ除去を何段階も繰り返すことで、意味のある高品質な画像や動画を作り出します。Google の画像生成モデル Imagen や動画生成モデル Veo も拡散モデルの技術を基盤としています。
②問題文の要件：拡散モデルの基本的な働きを問う知識問題です。
③正解の理由：A の「ノイズを構造化されたデータへと洗練させて高品質なコンテンツを生成する」は、拡散モデルの生成プロセス（ノイズ除去の反復）をそのまま説明しています。

【誤りの選択肢】
B：構造化データの保存・管理はデータベースやデータ ウェアハウス（Cloud SQL、BigQuery など）の役割であり、生成モデルである拡散モデルの機能ではありません。
C：データを分析して将来の傾向を予測するのは、時系列予測などの予測（判別）型の機械学習モデルの役割です。拡散モデルは新しいコンテンツを「生成」するモデルです。
D：ビジネス プロセスやリソース割り当ての最適化は、数理最適化やオペレーションズ リサーチ、強化学習などの領域であり、拡散モデルの説明ではありません。

【参考】
Agent Platform で動画を生成する
Cloud GPU で xDiT コンテナを使用して Diffusion Transformer モデルをサービングする
基盤モデルとは
この問題のページを開く →
問題 14銀行はどの Google Cloud プロダクトを使用すべきですか？Google Cloud の生成 AI サービス
問題
ある全国規模の銀行は、複数のチャネルにわたる顧客からの問い合わせに対応しきれていません。シームレスで一貫したサポートを提供し、カスタマー サポート担当者を支援し、サービス品質を向上させる AI を活用したソリューションが必要です。銀行はどの Google Cloud プロダクトを使用すべきですか？

選択肢と解説

  • 1
    Gemini for Google Workspace
  • ✓
    Google Contact Center as a Service
  • 3
    Vertex AI Search
  • 4
    Gemini for Google Cloud

解説

【正解】B

【0からの解説】
①前提知識：Google Cloud は顧客体験（CX）向けに Customer Engagement Suite with Google AI を提供しており、主に次の機能で構成されます。
・Conversational Agents（会話型エージェント。Dialogflow CX を基盤とする）：チャットや音声で顧客の問い合わせに自動応答するバーチャル エージェント
・Agent Assist：人間のサポート担当者に、回答候補・ナレッジ提示・会話要約・リアルタイム コーチングなどをその場で提供
・Conversational Insights（旧 Contact Center AI Insights、現 Customer Experience Insights）：問い合わせ内容を分析し、品質管理や改善点の把握を支援
・Google Contact Center as a Service（CCaaS）：音声・チャット・メール・SMS などすべてのチャネルを統合した、クラウド型のコンタクト センター基盤。上記の AI 機能を組み込んで運用できる

②問題文の整理：要件は (1) 複数チャネルの大量の問い合わせに対応、(2) シームレスで一貫したサポート、(3) カスタマー サポート担当者の支援（エンパワー）、(4) サービス品質の向上、の 4 つです。

③正解の理由：Google Contact Center as a Service は、オムニチャネルの問い合わせを 1 つの基盤で受け付けて一貫した体験を提供し、バーチャル エージェントによる自動応答、Agent Assist による担当者支援、分析による品質向上を組み合わせられるコンタクト センター ソリューションです。4 つの要件すべてを満たすため、B が正解です。

【誤りの選択肢】
A：Gemini for Google Workspace は、Gmail・ドキュメント・Meet など社内の Workspace アプリで従業員の生産性を高める機能です。複数チャネルの顧客問い合わせを受け付けて対応するコンタクト センター機能は持ちません。
C：Vertex AI Search（現 Agent Search）は、企業データを対象にした検索・RAG アプリを構築するサービスです。FAQ 検索などの一部としては役立ちますが、オムニチャネルの問い合わせ受付、担当者支援、品質管理といったコンタクト センター全体の要件は満たしません。
D：Gemini for Google Cloud は、Gemini Code Assist や Gemini Cloud Assist など、開発者・クラウド運用者の作業（コーディング、クラウド運用）を支援する製品群です。銀行の顧客サポート業務向けのソリューションではありません。

【参考】
Dialogflow CX のドキュメント
AI エージェントの定義、例、種類
この問題のページを開く →
問題 15営業チームは生成 AI をどのように活用すべきですか？生成 AI ソリューションを成功させるビジネス戦略
問題
ある営業マネージャーは、既存の業務の効率を高めるために、生成 AI（gen AI）を責任を持って活用したいと考えています。営業チームが顧客との関係構築や商談の成約に集中できるようにしたいと考えています。営業チームは生成 AI をどのように活用すべきですか？

選択肢と解説

  • 1
    ブログ記事やソーシャル メディアの更新などのクリエイティブなコンテンツを自動化し、新しいリードを獲得する。
  • ✓
    メールの下書きを作成し、顧客ニーズに関するリアルタイムの知見を提供する。
  • 3
    ソーシャル メディア上の顧客とのやり取りを分析し、公開プロフィールに合わせた営業トークを自動生成する。
  • 4
    営業チームの CRM システムを、より直感的で使いやすいインターフェースに置き換える。

解説

【正解】B

【0からの解説】
①前提知識：生成 AI をビジネスに導入する際の基本的な考え方は、「人間を置き換える」のではなく「人間の能力を拡張（augment）する」ことです。定型的で時間のかかる作業（下書き、要約、情報収集）を AI に任せ、人間は判断や関係構築など付加価値の高い仕事に集中します。また、Google の責任ある AI の原則では、プライバシーへの配慮、人間による監督（ヒューマン イン ザ ループ）、透明性が重視されます。

②問題文の整理：要件は 3 つです。(1)「既存の業務」の効率化であること（新しい業務の追加ではない）、(2)「責任を持って」活用すること、(3) 営業チームが顧客との関係構築と成約に集中できるようにすること。

③正解の理由：メールの下書き作成は営業担当者の既存業務の時間を大きく削減し、顧客ニーズに関するリアルタイムの知見は商談や関係構築の質を高めます。最終的な送信や判断は担当者が行うため人間の監督も保たれ、責任ある活用になります。3 つの要件をすべて満たすため B が正解です。

【誤りの選択肢】
A：ブログやソーシャル メディアのコンテンツ自動化は、主にマーケティング部門の新規リード獲得施策であり、営業チームの「既存業務」の効率化ではありません。顧客との関係構築や成約に集中させるという目的とも直接結び付きません。
C：顧客の公開プロフィールやソーシャル メディアでのやり取りを分析して個人向けの営業トークを自動生成する方法は、顧客の同意や期待を超えた個人データの利用につながり、プライバシー上の懸念があります。また人間の確認なしに自動生成する点も「責任ある」活用とは言えません。
D：CRM システムの置き換えは大規模なシステム刷新であり、既存業務を生成 AI で効率化するという要件から外れます。生成 AI は既存の CRM と組み合わせて使うのが適切で、置き換えには移行コストと業務混乱のリスクが伴います。

【参考】
責任ある AI
Gemini Enterprise: Google の AI でビジネスを加速
この問題のページを開く →

GCP-GAIL 模擬問題集についてよくある質問

GCP-GAIL の練習問題は無料で試せますか？

はい。GCP-GAIL 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？

GCP-GAIL 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。