この記事では、(Prompt Engineering Professional)PEP検定の学習に役立つ問題集をまとめています。
公式教材の内容を踏まえつつ、理解を深めるための確認問題・補足解説を付けています。
生成AIを安全かつ効果的に活用するための基礎知識を整理したい方に向けた内容です。
※本記事は非公式の学習補助コンテンツであり、検定の出題内容そのものを示すものではありません。
問題1：生成AIのカスタマイズが必要となる主な理由として正しいものはどれか？
A) モデルの計算速度を上げるため
B) 汎用モデルでは専門分野の知識が不足するため
C) モデルのサイズを小さくするため
D) モデルの学習データを削除するため
正解：B
解説（引用：p. 汎用モデルの限界）
汎用モデルは一般知識は広いが、医療・法律・金融など専門分野の最新情報や詳細を十分にカバーできないため、カスタマイズが必要となる。
問題2：汎用モデルの限界として正しいものはどれか？
A) 最新の診療ガイドラインを常に自動更新する
B) 国ごとの法律の違いを完全に把握できない
C) すべての専門分野に完全対応している
D) モデルが自動で専門家の判断を代替する
正解：B
解説（引用：p. 汎用モデルの限界）
法律は国や地域で異なり、汎用モデルではすべての詳細を網羅できない。
問題3：カスタマイズが必要な場面として正しいものはどれか？
A) モデルの計算量を減らしたい場合
B) ブランド独自のトーンを反映したい場合
C) モデルのサイズを小さくしたい場合
D) モデルの学習データを削除したい場合
正解：B
解説（引用：p. ブランドや企業のニーズへの対応）
企業独自のトーンやスタイルを反映するためにカスタマイズが必要となる。
問題4：生成AIのカスタマーサポート活用例として正しいものはどれか？
A) 自動で法律文書を作成する
B) FAQデータを学習した自動応答システム
C) 医療診断を自動で行う
D) 動画編集を自動化する
正解：B
解説（引用：p. カスタマーサポート）
FAQデータを学習したチャットボットが代表的な活用例。
問題5：専門分野に特化したモデルの例として正しいものはどれか？
A) 音楽生成モデル
B) 医療診断補助モデル
C) 動画生成モデル
D) 画像分類モデル
正解：B
解説（引用：p. 専門分野における特化型モデル）
医療分野では症状に基づく診断補助などが行われる。
問題6：マーケティング分野での生成AI活用例として正しいものはどれか？
A) 医療カルテの自動生成
B) ターゲット広告の文案作成
C) 法律相談の自動化
D) 動画編集の高速化
正解：B
解説（引用：p. マーケティングとクリエイティブ業務）
消費者データに基づく広告文生成が代表的な活用例。
問題7：RAGの目的として正しいものはどれか？
A) モデルのサイズを小さくする
B) 外部データを利用して最新情報を応答に反映する
C) モデルの計算量を減らす
D) モデルの学習データを削除する
正解：B
解説（引用：p. RAG）
外部データを検索し、最新情報を応答に取り込むことが目的。
問題8：生成AIカスタマイズの3つの主要手法として正しいものはどれか？
A) トークン化・正規化・圧縮
B) プロンプトエンジニアリング・RAG・ファインチューニング
C) モデル圧縮・蒸留・量子化
D) 画像生成・音声生成・動画生成
正解：B
解説（引用：p. カスタマイズ手法）
生成AIのカスタマイズは主にプロンプト、RAG、ファインチューニングの3つ。
問題9：プロンプトエンジニアリングの特徴として正しいものはどれか？
A) モデルの内部構造を変更する
B) コストがほとんどかからず導入しやすい
C) モデルのサイズを縮小する
D) モデルの学習データを削除する
正解：B
解説（引用：p. プロンプトエンジニアリング）
プロンプトの工夫だけで応答を調整でき、コストがほぼかからない。
問題10：RAGの特徴として正しいものはどれか？
A) モデルを再学習させる必要がある
B) 外部データを検索し応答に組み込む
C) モデルのサイズを縮小する
D) モデルの計算量を減らす
正解：B
解説（引用：p. RAG）
検索エンジンと連携し、外部情報を応答に反映する。
問題11：ファインチューニングの目的として正しいものはどれか？
A) モデルのサイズを小さくする
B) 特定タスクで高精度を実現する
C) モデルの計算量を減らす
D) モデルの学習データを削除する
正解：B
解説（引用：p. ファインチューニング）
特定分野に特化し、高精度な応答を得るために行われる。
問題12：プロンプトエンジニアリングの限界として正しいものはどれか？
A) モデルの根本的な性能は変わらない
B) モデルのサイズが増加する
C) モデルの計算量が増える
D) モデルの学習データが削除される
正解：A
解説（引用：p. プロンプトエンジニアリング）
プロンプトでは根本的な性能向上はできず、限界がある。
問題13：RAGの課題として正しいものはどれか？
A) モデルのサイズが増加する
B) 検索精度や情報整備に依存する
C) モデルの計算量が減る
D) モデルの学習データが削除される
正解：B
解説（引用：p. RAG）
検索精度が低いと誤った情報を取り込む可能性がある。
問題14：ファインチューニングの欠点として正しいものはどれか？
A) 計算リソースが不要
B) 他タスクへの汎用性が低下する可能性
C) モデルのサイズが縮小する
D) モデルの学習データが削除される
正解：B
解説（引用：p. ファインチューニング）
特化しすぎると他タスクへの応用が難しくなる。
問題15：PEFTの特徴として正しいものはどれか？
A) 大量のデータが必須
B) 少ないリソースでファインチューニング可能
C) モデル全体を再学習する
D) モデルのサイズを縮小する
正解：B
解説（引用：p. PEFT）
少ないデータとリソースで調整できる効率的な手法。
問題16：LoRAの特徴として正しいものはどれか？
A) モデル全体を再学習する
B) 重みを低ランク行列に分解し効率的に調整する
C) モデルのサイズを縮小する
D) モデルの学習データを削除する
正解：B
解説（引用：p. LoRA）
低ランク近似により効率的にパラメータ調整できる。
問題17：ファインチューニングに必要なものとして正しいものはどれか？
A) モデルのサイズを縮小するツール
B) 高品質なタスク特化データセット
C) モデルの学習データ削除機能
D) モデルの圧縮ツール
正解：B
解説（引用：p. ファインチューニングに必要なもの）
データ品質が最終性能を大きく左右する。
問題18：RAGの検索エンジンとして正しいものはどれか？
A) Midjourney
B) FAISS
C) DALL·E
D) Suno
正解：B
解説（引用：p. RAGの利用ステップ）
FAISSは高速な近似最近傍探索を提供する検索エンジン。
問題19：RAGモデルの構成要素として正しいものはどれか？
A) 生成フェーズのみ
B) 検索フェーズと生成フェーズ
C) トークン化フェーズのみ
D) モデル圧縮フェーズのみ
正解：B
解説（引用：p. RAGモデルの設定）
検索フェーズで情報取得し、生成フェーズで応答を作る。
問題20：RAGのデプロイ例として正しいものはどれか？
A) 動画編集ツール
B) SlackやWebチャットへの統合
C) 音楽生成ツール
D) 画像分類モデル
正解：B
解説（引用：p. RAGの利用ステップ）
FAQチャットボットとしてSlackなどに統合される。
問題21：全モデルファインチューニングの特徴として正しいものはどれか？
A) 少ないデータで可能
B) モデル全体を再学習し高精度を実現
C) モデルのサイズが縮小する
D) モデルの学習データが削除される
正解：B
解説（引用：p. 全モデルファインチューニング）
モデル全体を再学習するため高精度だが、計算コストが非常に高い。
問題22：LoRAが適している環境として正しいものはどれか？
A) 大規模GPU環境
B) リソースが限られた環境
C) モデル圧縮が必要な環境
D) モデル削除が必要な環境
正解：B
解説（引用：p. LoRA）
計算コストとデータ量を大幅に削減できるため、リソースが限られた環境に適している。
問題23：ファインチューニングのステップで最初に行うべきことはどれか？
A) モデルの圧縮
B) データの準備
C) モデルの削除
D) トークン化の変更
正解：B
解説（引用：p. ファインチューニングの実施ステップ）
データ収集とクリーンアップが最初のステップ。
問題24：RAGの知識ベース準備で重要な点として正しいものはどれか？
A) 画像データのみを保存する
B) JSONやDBなど検索しやすい形式に整備する
C) モデルの学習データを削除する
D) モデルのサイズを縮小する
正解：B
解説（引用：p. RAGの利用ステップ）
検索エンジンが扱いやすい形式に整備することが重要。
問題25：RAGの検索エンジン構築で必要な作業として正しいものはどれか？
A) モデルの圧縮
B) インデックス作成
C) モデルの削除
D) トークン化の変更
正解：B
解説（引用：p. RAGの利用ステップ）
検索可能にするためインデックス作成が必要。
問題26：RAGモデルの統合で行われる処理として正しいものはどれか？
A) モデルの圧縮
B) 検索結果をプロンプトに組み込む
C) モデルの削除
D) トークン化の変更
正解：B
解説（引用：p. RAGモデルの設定）
検索フェーズで取得した情報を生成フェーズに渡す。
問題27：ファインチューニング後の評価で重要な点として正しいものはどれか？
A) モデルのサイズ
B) 応答品質と精度のテスト
C) モデルの削除
D) トークン化の変更
正解：B
解説（引用：p. テストと評価）
精度や応答品質を評価し、必要に応じて再調整する。
問題28：RAGのFAQチャットボット構築で使用されるツールとして正しいものはどれか？
A) Midjourney
B) FAISS
C) DALL·E
D) Suno
正解：B
解説（引用：p. RAG具体例）
FAQデータのベクトル検索にFAISSが使われる。
問題29：ファインチューニングで注意すべき点として正しいものはどれか？
A) データ品質が性能に影響しない
B) モデルのバイアスに注意する必要がある
C) モデルのサイズを縮小する必要がある
D) モデルの学習データを削除する必要がある
正解：B
解説（引用：p. 適切なデータの重要性）
元モデルのバイアスが出力に影響するため、十分な検証が必要。
問題30：生成AIカスタマイズ手法の選択基準として正しいものはどれか？
A) モデルの色
B) 目的・リソース・必要な応答の性質
C) モデルのサイズ
D) モデルの学習データ量
正解：B
解説（引用：p. カスタマイズ手法の選び方）
目的やリソース、必要な応答に応じて手法を選ぶことが重要。