Path & Pass資格問題演習
AIF-C01

AWS Certified AI Practitioner（AIF-C01）

他の資格を学習する
学習進捗0%
直近正答率0%
復習待ち0問
回答済み0 / 550問

分野別演習

1 AI・MLの基礎AI、機械学習、深層学習、ユースケース、開発ライフサイクルを扱う。102問高
2 生成AIの基礎生成AI、基盤モデル、RAG、プロンプト、AWSの生成AIサービスを扱う。103問高
3 基盤モデルの応用基盤モデルの設計、プロンプト、適応、評価を扱う。147問高
4 責任あるAI公平性、透明性、説明可能性、安全性を扱う。82問高
5 AIシステムのセキュリティ・コンプライアンス・ガバナンスAIシステムの保護、監査、ガバナンス、コンプライアンスを扱う。116問高
5 分野 / 14 詳細目標 選択中550問が対象

学習モード

模擬試験時間と問題数を設定して確認する

分野別の問題一覧

学びたい分野を開くと、問題文・ヒント・解説を個別に読めます。演習の設定は不要です。

1.1 AIの基本概念と用語を説明する21 問
  1. AIと機械学習の関係を整理する
  2. 教師あり学習と教師なし学習を区別する
  3. 訓練と推論を区別する
  4. 分類と回帰を区別する
  5. 強化学習の構成要素を選ぶ
  6. AIと機械学習の関係を整理する
  7. 学習方式を要件に合わせる
  8. 予測モデルと生成モデルを使い分ける
  9. 問い合わせの意図と固有表現を分ける
  10. 画像のカテゴリと対象位置を区別する
  11. 出力の意味から分類・回帰・生成を分ける
  12. 既知の用件分類と未知の群の探索を分ける
  13. 文字起こしと話者区分を区別する
  14. OCRの文字位置と請求書の業務検証を分ける
  15. モデルの学習と固定したモデルの推論を分ける
  16. 転移学習で再利用するものと評価を確認する
  17. 回帰と分類を分ける
  18. 教師あり学習と教師なし学習を分ける
  19. 強化学習の要素を理解する
  20. アンサンブルの目的を理解する
  21. 異常検知の基準を作る
1.2 AIの実用的なユースケースを識別する32 問
  1. 分類と回帰の用途を選ぶ
  2. 生成AIの業務利用を選ぶ
  3. 異常検知の用途を判別する
  4. 推薦システムのユースケースを選ぶ
  5. 需要予測のユースケースを選ぶ
  6. 通話の文字起こしを振り分けと集計に使う
  7. コンピュータビジョンの処理を選ぶ
  8. 異常検知を選ぶ
  9. 予測の誤差を業務へ伝える
  10. 固定条件の自動化と機械学習の利用を選ぶ
  11. ドリフトと品質低下を区別する
  12. 評価データの漏えいを防ぐ
  13. 不均衡データを評価する
  14. 特徴量の尺度をそろえる
  15. ドリフトの基準期間を決める
  16. 欠損値の扱いを管理する
  17. ラベル定義をそろえる
  18. 特徴量ドリフトを検知する
  19. 訓練データとテストデータを分ける
  20. ターゲット漏洩を見抜く
  21. 過学習を抑える
  22. 不均衡データの指標を選ぶ
  23. 交差検証の分割を管理する
  24. 特徴量の尺度をそろえる
  25. 次元削減の用途を選ぶ
  26. 分類しきい値を調整する
  27. 合成データを検証する
  28. ラベル品質を監査する
  29. 欠損値を扱う
  30. 層化サンプリングを使う
  31. 概念ドリフトを見分ける
  32. 分布外入力を扱う
1.3 AI・ML開発ライフサイクルを説明する49 問
  1. 機械学習ライフサイクルの順序を整理する
  2. 本番モデルの監視項目を選ぶ
  3. 訓練データの欠損が与える影響を考える
  4. 評価データを訓練から分離する
  5. 本番モデルのドリフトを検知する
  6. 過学習の兆候を判断する
  7. 特徴量前処理の目的を理解する
  8. 目的に応じた評価指標を選ぶ
  9. データリーケージを防ぐ
  10. 時系列データを分割する
  11. データドリフトを検出する
  12. 特徴量とラベルを分離する
  13. 評価用データを分ける
  14. 交差検証のリーケージを防ぐ
  15. クラス不均衡を評価する
  16. 欠損値の扱いを決める
  17. 予測確率を校正する
  18. 概念ドリフトへ対応する
  19. 層化分割を使う
  20. 外れ値を扱う
  21. ハイパーパラメータ探索を評価する
  22. 学習方法を選ぶ
  23. データリーケージを防ぐ
  24. データ分割の役割を分ける
  25. 強化学習を識別する
  26. 埋め込み類似度を使う
  27. モデルライフサイクルを管理する
  28. 欠損値を扱う
  29. データ拡張を評価する
  30. 再学習スケジュールを決める
  31. 特徴量を作る
  32. 評価指標を要件へ合わせる
  33. モデル承認を管理する
  34. モデルCI/CDのゲートを設ける
  35. シャドーデプロイを使う
  36. カナリア展開を設計する
  37. モデルビルドを再現する
  38. 実験を追跡する
  39. ロールバック条件を決める
  40. アクティブラーニングを使う
  41. 実験の揺らぎを扱う
  42. データ系譜を追跡する
  43. 転移学習の用途を選ぶ
  44. 推論方式を選ぶ
  45. スループットとレイテンシを比較する
  46. データセットの来歴を記録する
  47. 推論再試行を冪等にする
  48. 長時間処理をチェックポイント化する
  49. 期限切れデータを学習から外す
2.1 生成AIの基本概念を説明する44 問
  1. 基盤モデルの特徴を理解する
  2. RAGの目的を選ぶ
  3. プロンプトの具体化による改善を判断する
  4. 生成AIと予測モデルの出力を区別する
  5. 基盤モデルを利用する利点を選ぶ
  6. 文書分割の目的を選ぶ
  7. マルチモーダルモデルを理解する
  8. 生成AIの限界を識別する
  9. Transformerの注意機構を理解する
  10. 埋め込みの類似度を使う
  11. 基盤モデルの事前学習を理解する
  12. 温度設定の意味を理解する
  13. 拡散モデルの特徴を理解する
  14. モデルパラメータとコンテキストを区別する
  15. エンコーダー・デコーダー構成を理解する
  16. 埋め込み次元のトレードオフを考える
  17. 転移学習の考え方を理解する
  18. トークン埋め込みと文書埋め込みを区別する
  19. マルチモーダルモデルを選ぶ
  20. 文字数・入力トークン・出力予算を分ける
  21. Attentionの役割を理解する
  22. 拡散モデルを説明する
  23. 生成AIアプリと外部ツールを共通の方式で接続する
  24. 事前学習と推論を区別する
  25. 人のフィードバックを使う
  26. コンテキスト上限を扱う
  27. 知識の更新時点を扱う
  28. 入力モダリティを確認する
  29. 量子化のトレードオフを判断する
  30. 調整方法を選ぶ
  31. トークナイザーの影響を評価する
  32. 生成パラメータを選ぶ
  33. 短期・長期メモリと業務知識の取得を分ける
  34. コンテキスト長を選ぶ
  35. 例示を選ぶ
  36. マルチモーダル限界を扱う
  37. 複数エージェントの役割と回答の統合を選ぶ
  38. モデルクォータを管理する
  39. モデル選定条件を整理する
  40. 長期メモリへの反映待ちを扱う
  41. マルチモーダル入力を整える
  42. トークン予算を管理する
  43. モデル提供者のデータ利用を確認する
  44. モデル選定表を作る
2.3 生成AIアプリケーション向けAWSサービスを識別する31 問
  1. BedrockとSageMaker AIの使い分け
  2. Knowledge Basesの役割を選ぶ
  3. エージェントのツール利用を理解する
  4. 複数段階のプロンプト処理を理解する
  5. ユーザー入力と信頼できる指示を分ける
  6. 出力形式をプロンプトで指定する
  7. 少数例プロンプトを使う
  8. システム指示とユーザー入力を分離する
  9. プロンプト変更を評価する
  10. 推論過程の扱いを安全に設計する
  11. メッセージ役割を使い分ける
  12. プロンプト入力を検証する
  13. テンプレート変数を安全に扱う
  14. 会話履歴を最小化する
  15. プロンプトを分割する
  16. ハルシネーションを抑える
  17. 生成パラメータを選ぶ
  18. ツール実行を承認する
  19. 生成出力の注入を防ぐ
  20. ツール引数を検証する
  21. 制約の優先順位を設計する
  22. コンテンツフィルターを調整する
  23. プロンプト長を管理する
  24. 安全な拒否を設計する
  25. 命令の信頼度を分ける
  26. temperatureの影響を理解する
  27. コンテキストウィンドウを管理する
  28. 再現可能な生成条件を作る
  29. few-shot例を設計する
  30. top-kとtop-pを使い分ける
  31. 停止条件を設計する
3.2 効果的なプロンプトエンジニアリング手法を選択する29 問
  1. 構造化出力を求めるプロンプトを選ぶ
  2. プロンプトに役割と制約を含める
  3. RAG回答の根拠を確認する
  4. メタデータフィルターを使う
  5. 更新文書を検索インデックスへ反映する
  6. RAGのチャンク境界を設計する
  7. キーワードとベクトルを組み合わせる
  8. RAGの検索品質を測る
  9. RAGの権限境界を維持する
  10. RAGの情報鮮度を管理する
  11. 検索クエリを改善する
  12. 本番用プロンプトの版を固定する
  13. RAGの再ランキングを検討する
  14. 取得文書を圧縮する
  15. ハイブリッド検索を評価する
  16. 文書レイアウトを保持して取り込む
  17. RAG検索へ認可を適用する
  18. チャンク分割を調整する
  19. 重複文書を整理する
  20. 根拠の順位を評価する
  21. 曖昧な検索対象を確認する
  22. 識別子検索を優先する
  23. 再ランキングを評価する
  24. 版メタデータで検索を絞る
  25. 引用で根拠を示す
  26. ベクトル索引を更新する
  27. 回答キャッシュを安全に使う
  28. 信頼度を校正する
  29. プロンプトの設定差分と出力品質を比較する
3.3 基盤モデルの訓練と微調整のプロセスを説明する48 問
  1. RAGと微調整を使い分ける
  2. 適合率と再現率を使い分ける
  3. 人手評価を組み合わせる
  4. RAGの検索品質を評価する
  5. プロンプト変更による回帰を検出する
  6. 品質と運用指標を合わせて評価する
  7. 構造化出力の評価指標を選ぶ
  8. レッドチーム評価の目的を選ぶ
  9. 誤検知と見逃しの指標を選ぶ
  10. 生成品質を自動評価と人手評価で測る
  11. 有害性を評価する
  12. 人手の比較評価を設計する
  13. 生成評価指標の限界を理解する
  14. スライス別にモデルを評価する
  15. 生成回答の不確実性を表示する
  16. 品質と遅延のトレードオフを評価する
  17. 信頼度の校正を確認する
  18. 自動評価と人手評価を組み合わせる
  19. 有害出力を評価する
  20. オフラインと本番指標を分ける
  21. 混同行列を読む
  22. 文字列指標の限界を知る
  23. 本番サンプルを評価する
  24. AI利用費を監視する
  25. レート制限を設ける
  26. AIのSLOを定義する
  27. 障害時のフォールバックを選ぶ
  28. ドリフトアラートを運用する
  29. アラート疲れを抑える
  30. 遅延ラベルで性能を監視する
  31. モデルをカナリア展開する
  32. AIコスト異常を検知する
  33. キャッシュの安全性を確認する
  34. モデルフォールバックを設計する
  35. モデル版を監視する
  36. 推論を相関追跡する
  37. プロンプトを段階展開する
  38. ドリフト通知のしきい値を決める
  39. AI設定をバックアップ・復元する
  40. SLAと実測を分ける
  41. モデルを安全に廃止する
  42. サービスヘルスを切り分ける
  43. AI依存関係を棚卸しする
  44. AI利用分析を匿名化する
  45. AI予算を統制する
  46. データ品質SLOを決める
  47. モデルをロールバックする
  48. 再学習のトリガーを決める
3.4 基盤モデルの性能評価方法を説明する32 問
  1. 生成テキストの評価指標を選ぶ
  2. 生成AI評価用の正解データを用意する
  3. 生成AIの安全制御を運用する
  4. 生成結果を下流処理へ渡す前に検証する
  5. 推論コストを監視する
  6. 不確実な回答を人手へ引き継ぐ
  7. 生成AIアプリを監視する
  8. レート制限時のフォールバックを設計する
  9. AIインシデントへ対応する
  10. 生成AIのSLOとアラートを決める
  11. 生成品質のドリフトを検知する
  12. プロンプト乱用を監視する
  13. 固定評価セットを作る
  14. 推論障害を再試行する
  15. トークン費用を監視する
  16. 入力分布の変化を検知する
  17. 生成処理を追跡する
  18. 推論容量を自動調整する
  19. 推論ヘルスチェックを設計する
  20. 幻覚を評価する
  21. 有害出力を評価する
  22. 人手評価の基準をそろえる
  23. 回帰評価セットを維持する
  24. ゴールデンセットを維持する
  25. 意味類似度指標の限界を知る
  26. 生成回答の引用を検証する
  27. RAGを端から端まで評価する
  28. 人手確認キューを設計する
  29. 多言語の品質を比較する
  30. 引用の確信度を説明する
  31. 利用者フィードバックを評価へ戻す
  32. モデル比較ベンチマークを作る
4.1 責任あるAIシステムの開発を説明する40 問
  1. バイアス低減の取り組みを選ぶ
  2. 公平性評価のデータを準備する
  3. バイアス低減の流れを選ぶ
  4. 利用者への影響を考慮する
  5. グループ別しきい値を検討する
  6. AI利用で個人情報を最小化する
  7. 代理変数によるバイアスを調べる
  8. 公平性の改善を検証する
  9. 包摂的なAI設計を行う
  10. ラベルノイズを調べる
  11. 人間の監督を組み込む
  12. 表象上の偏りを評価する
  13. サブグループ別に公平性を評価する
  14. 学習データの偏りを緩和する
  15. 公平性評価とプライバシーを両立する
  16. 代表性を確認する
  17. 不均衡な影響を検出する
  18. ラベル付け基準を整える
  19. 公平性と閾値を比較する
  20. 少人数集団の公平性を扱う
  21. 交差する属性を評価する
  22. ラベルの偏りを確認する
  23. 代理属性の影響を調べる
  24. 説明方法の限界を理解する
  25. プライバシーを最小化する
  26. グループ間の影響差を測る
  27. 代表性を確認する
  28. プライバシー脅威を洗い出す
  29. アクセシブルなAI出力を作る
  30. 目的別保持を決める
  31. 公平性対策を選ぶ
  32. AI利用の同意を管理する
  33. AI機能のアクセシビリティを確認する
  34. AI利用を通知する
  35. 生成物の出所を表示する
  36. 本番投入の準備を確認する
  37. 生成物の著作権リスクを確認する
  38. AI利用のリスク層を決める
  39. 安全性をリリース条件にする
  40. 新モデルを影響なしで比較する
4.2 透明性と説明可能性の重要性を認識する42 問
  1. AIの説明可能性を高める方法を選ぶ
  2. AIの説明可能性を高める
  3. AIの堅牢性を評価する
  4. モデルの利用条件を文書化する
  5. 利用者に合わせて説明する
  6. AI出力の追跡可能性を確保する
  7. 説明可能性の限界を伝える
  8. モデル情報を文書化する
  9. AI利用を利用者へ開示する
  10. AI利用を透明化する
  11. 人手確認へ振り分ける
  12. 説明可能性の限界を伝える
  13. モデルの責任範囲を記録する
  14. 生成コンテンツの出所を示す
  15. 異議申立てを設計する
  16. 高影響用途を開示する
  17. 説明と根拠を対応付ける
  18. AIの責任者を明確にする
  19. AI利用の同意を扱う
  20. 透明性と異議申立てを設ける
  21. AIインシデントの責任者を決める
  22. AIリスク台帳を運用する
  23. モデル文書を整備する
  24. AI利用を通知する
  25. 関係者レビューを行う
  26. 人間の上書きを設計する
  27. AI変更を承認する
  28. 苦情・異議申立てを扱う
  29. 交差する属性の公平性を測る
  30. 説明可能性の限界を扱う
  31. モデルカードを整備する
  32. 公平性と性能のトレードオフを説明する
  33. 人的な上書きを統制する
  34. 人手へのエスカレーションを決める
  35. モデル文書を変更へ追随させる
  36. 公平性を継続監視する
  37. AI障害を利用者へ伝える
  38. モデルとデータのライセンスを確認する
  39. 人手確認の条件を決める
  40. AI判断への異議申立てを受ける
  41. AI機能の利用可能性を確認する
  42. AI導入判断を記録する
5.1 AIシステムを保護する方法を説明する60 問
  1. 生成AIの入力と出力を保護する
  2. AIアプリケーションのIAM権限を設計する
  3. プロンプトインジェクションを識別する
  4. AIアプリケーションの実行ロールを限定する
  5. 入力データの個人情報を保護する
  6. AIデータの暗号化キーを管理する
  7. AIデータへのネットワーク経路を保護する
  8. 取得文書の命令をデータとして扱う
  9. AIアプリの権限を最小化する
  10. AIアプリの秘密情報を保護する
  11. 入出力ガードレールを使う
  12. AIサービスへの通信を分離する
  13. AIデータの暗号化鍵を管理する
  14. エンドポイントポリシーでAIアクセスを制限する
  15. 検索文書の命令を隔離する
  16. 顧客分類JSONの形式と値を検証する
  17. 暗号鍵へのアクセスを限定する
  18. 機密データの取り扱いを制御する
  19. 実行ロールを使う
  20. プライベート接続を過信しない
  21. 秘密情報をローテーションする
  22. 推論エンドポイントを認証する
  23. 保存時と転送時の暗号化を分ける
  24. 外向き通信を制御する
  25. 秘密取得権限を限定する
  26. 機密値をトークン化する
  27. IAM条件を使う
  28. ログの機密値を隠す
  29. 文書内の指示を隔離する
  30. 出力検証の失敗を安全に処理する
  31. 認可を検索前に適用する
  32. 推論経路を分離する
  33. 推論用秘密をローテーションする
  34. リソースポリシーを限定する
  35. 暗号鍵を分離する
  36. プロンプトログを保護する
  37. 推論エンドポイントを認証する
  38. AI依存ライブラリを更新する
  39. 推論通信を閉域化する
  40. 生成出力を安全に表示する
  41. AI機能の停止手段を用意する
  42. プロンプト前に個人情報を扱う
  43. 多ターンのインジェクションを防ぐ
  44. データ所在地を確認する
  45. モデル供給網を確認する
  46. JSONの業務ルールと実行権限を確認する
  47. ガードレールを多層化する
  48. AIをレッドチームで試験する
  49. 削除要求を検証する
  50. 保持例外を管理する
  51. プライバシー影響を評価する
  52. 有害出力を段階的に扱う
  53. 埋め込みの個人情報を守る
  54. 設計段階でプライバシーを組み込む
  55. 学習データの出所を追跡する
  56. 学習データの利用ゲートを設ける
  57. モデル依存物を一覧化する
  58. 監査証跡を再現可能にする
  59. 敵対的な入力を評価する
  60. 危険なAI機能を停止する
5.2 AIシステムのガバナンスとコンプライアンスを認識する56 問
  1. AI利用の監査証跡を整備する
  2. AIログの保持方針を決める
  3. AI導入前のコンプライアンス確認
  4. 高影響のAI判断へ人間の監督を置く
  5. AIモデルの台帳を整備する
  6. AI資産の責任者を明確にする
  7. AI利用ポリシーの例外を管理する
  8. AI監査ログの保持を設計する
  9. 第三者AIサービスを審査する
  10. AI利用の承認証跡を残す
  11. AIデータの保管地域を確認する
  12. AIプロバイダー変更を管理する
  13. AIインシデントの証跡を残す
  14. AIデータの保持と削除を決める
  15. コンプライアンス管理を対応付ける
  16. 監査ログの完全性を保つ
  17. AIサービスのSLAを確認する
  18. 削除の証拠を確認する
  19. 国外移転を確認する
  20. 学習データの権利を確認する
  21. 監査イベントを相関する
  22. AI事故の通知を判断する
  23. 法的保全と削除期限を両立する
  24. AIサプライチェーンを確認する
  25. 削除要求へ対応する
  26. 監査証跡をそろえる
  27. モデルカードを管理する
  28. 第三者ライセンスを確認する
  29. 保持例外を管理する
  30. 監査ログへのアクセスを見直す
  31. 記録を削除する
  32. リージョン要件を管理する
  33. AIインシデントを振り返る
  34. AIログを安全に残す
  35. プロンプトの秘密情報を防ぐ
  36. AIアクセス権を定期レビューする
  37. 保存時と転送時を暗号化する
  38. 暗号鍵をローテーションする
  39. AIガバナンスの役割を分ける
  40. AI変更の承認範囲を決める
  41. 監査証跡をまとめる
  42. AI APIの濫用を制限する
  43. 鍵アクセスを最小化する
  44. 入力を検証・制限する
  45. 重大期間のAI変更を凍結する
  46. 学習データへのアクセスを監査する
  47. AIポリシーの例外を承認する
  48. 推論通信を閉域化する
  49. AIサービスを終了する
  50. AIツールの権限境界を作る
  51. AIベンダー契約を確認する
  52. 承認済みモデルを配布する
  53. 推論データの処理地域を管理する
  54. ポリシー例外を期限管理する
  55. 第三者AI障害を連携する
  56. モデル変更の影響を評価する
2.2 基盤モデルの機能と限界を説明する28 問
  1. トークンとコンテキスト長を理解する
  2. 埋め込みの目的を選ぶ
  3. 事前学習と微調整を区別する
  4. ハルシネーションへの対処を選ぶ
  5. モデルのパラメータ数を理解する
  6. トークン化と入力長を考える
  7. コンテキストウィンドウを設計する
  8. ハルシネーションを抑える
  9. マルチモーダル入力を設計する
  10. 生成パラメータを比較する
  11. 入力データを区切る
  12. 出力長の制約を設計する
  13. 信頼できる根拠を選ぶ
  14. 長い文書を要約する
  15. 例示の品質を整える
  16. Zero-shot利用を判断する
  17. 指示の役割を分ける
  18. 具体的なプロンプトを書く
  19. 役割指示を使う
  20. 中間結果の扱いを決める
  21. 要約の根拠範囲を示す
  22. 文書分割の重なりを決める
  23. 検索データの鮮度を管理する
  24. メタデータで検索を絞る
  25. OCR取り込みを検証する
  26. 言語メタデータを使う
  27. 重複文書を除く
  28. RAGとファインチューニングを分ける
3.1 基盤モデルを選択・適応する38 問
  1. レイテンシ要件でモデルを比較する
  2. ゼロショットと少数ショットを区別する
  3. 微調整と検索拡張を使い分ける
  4. 推論パラメータの温度を選ぶ
  5. モデルカスタマイズ用データを保護する
  6. モデルの能力を要件と照合する
  7. プロンプト変更と微調整を使い分ける
  8. モデルをレイテンシ要件で選ぶ
  9. 微調整データを管理する
  10. モデルルーティングを設計する
  11. モデル版更新を管理する
  12. プロンプト、RAG、微調整を選ぶ
  13. 効率的なモデル適応を検討する
  14. モデル能力とレイテンシを比較する
  15. 適応データを分割する
  16. モデル費用と品質を比較する
  17. 小型モデルへの蒸留を検討する
  18. 推論方式を選ぶ
  19. 適応方法を選ぶ
  20. モデル更新を段階展開する
  21. 遅延要件でモデルを選ぶ
  22. 適応データを管理する
  23. 品質と費用の境界を選ぶ
  24. 埋め込みモデルを選ぶ
  25. ベクトル次元を選ぶ
  26. ハイブリッド検索を使う
  27. 取得件数を調整する
  28. 再ランキングを評価する
  29. 近似最近傍検索を選ぶ
  30. Recall@kを使う
  31. RAGのチャンクを設計する
  32. 埋め込み検索を説明する
  33. ハイブリッド検索を選ぶ
  34. 根拠メタデータを保持する
  35. 検索結果へ認可を適用する
  36. 検索情報の鮮度を管理する
  37. ベクトル索引を更新する
  38. 根拠がない時に答えない