想定問題.com

分野 T｜テクノロジ

生成AIの仕組み（LLM・トークン・RAG）

今の制度の過去問（3回分）では、生成AIの説明を選ぶ形が1問出ています。

シラバス案 Ver.0.1（2026年8月31日公表）の『4-18-3 生成AI技術の特徴』

最終更新

よく出る形

  • 生成AIの説明として適切な物を選ぶ（3回分で1問）
  • 問われるとしたら：事例で、社内文書を使って回答させる方法（RAG）を選ぶ形
  • 問われるとしたら：トークン（プロンプトを分けた単位）の説明を選ぶ形
  • 問われるとしたら：LLM（大量の文章で学んだ言語モデル）の a〜c の組合せの形

覚えること

  • 生成AI：自然言語の指示に従い、学習したデータをもとに新しいコンテンツを作る AI
  • 大規模言語モデル（LLM）：大量のテキストで学習し、続く確率が高い単語を出力する言語モデル
  • トークン：LLM に問い合わせるとき、プロンプトを分割した最小の単位
  • トークンの数：利用料金に影響することがある
  • LLM の弱点：学習していない社内文書や最新の情報には、正確に答えにくい
  • コンテキスト内学習（In-Context Learning）：プロンプトに例を示し、追加学習なしで出力を導く方法
  • 検索拡張生成（RAG）：質問に関連するデータを外部のデータベースから検索し、質問に付けて回答を生成させる技術
  • RAG の効果：学習していない社内文書にも答えられ、誤りを減らす効果が期待される
  • ファインチューニング：学習済みモデルに追加のデータで学習させ、特定の分野に特化させる技術

ひっかけ

  • RAG はモデルを更新せず、検索結果を質問に付ける。更新するのはファインチューニング
  • コンテキスト内学習は、モデルの内部の値を変えない
  • RAG を使っても、誤りが全くなくなるわけではない

想定問題

4問（四肢択一）。選ぶと、その場で正解と解説が開きます。

想定問題 1四肢択一

A 社の方法として、最も適切なものはどれか。

A 社は、社内の規程をもとに、従業員の質問に答える生成 AI の導入を検討している。規程は毎月改定され、モデルへの追加の学習には、費用と時間がかかる。

正解：イ 質問に関連する規程の部分を検索して、質問に付けたうえで、モデルに回答を生成させる。

ポイント

社内文書をもとに回答させる方法として、検索拡張生成（RAG）を選ぶ事例の問題です。

考え方と解き方

毎月変わる文書を、そのたびに学習させると、費用と時間がかかります。モデルは変えず、必要な部分を質問に付けて渡す方法が合います。

  1. 事例では、回答のもとにするのは社内の規程で、毎月改定され、追加の学習には費用と時間がかかります。
  2. 質問に関連するデータを外部から検索し、質問に付けて回答を生成させるのが、検索拡張生成（RAG）です。規程の改定は、検索の対象を更新すれば反映できます。
  3. したがって、最も適切なのは イ です。

ほかの選択肢

  • ア 追加の学習はファインチューニングの方法です。事例では、費用と時間がかかるとされています。
  • ウ 規程を使わない方法で、社内の規程をもとに答える事例の目的に合いません。
  • エ 検索の対象がインターネット全体で、社内の規程ではありません。事例は、規程をもとに答えさせる場面です。

覚えておくこと

  • 検索拡張生成（RAG）：質問に関連するデータを外部のデータベースから検索し、質問に付けて回答を生成させる技術
  • ファインチューニング：学習済みモデルに追加のデータで学習させ、特定の分野に特化させる技術

（テーマ・覚えること）

想定問題 2四肢択一

生成 AI におけるトークンの説明として、最も適切なものはどれか。

正解：エ プロンプトを分割した最小の単位で、料金に影響することがある単位

ポイント

生成 AI に問い合わせるときの、トークンが何を指すかを問う問題です。

考え方と解き方

トークンという言葉は認証にも使うので、意味を表す数値や、誤りを知らせる印など、別の物と混ぜて選びがちです。

  1. トークンは、LLM に問い合わせるときに、プロンプトを分割した最小の単位です。
  2. トークンの数は、利用料金に影響することがあります。
  3. したがって、最も適切なのは エ です。

ほかの選択肢

  • ア 文章の意味を数値の列で表す情報の説明で、プロンプトを分割した単位ではありません。
  • イ 正解のある物とない物を区別する区分は、教師あり学習と教師なし学習の考え方で、トークンではありません。
  • ウ 誤りを知らせる印は、トークンの説明ではありません。トークンは、処理の単位です。

覚えておくこと

  • トークン：LLM に問い合わせるとき、プロンプトを分割した最小の単位
  • トークンの数：利用料金に影響することがある

（テーマ・覚えること）

想定問題 3四肢択一

適切なものだけを全て挙げたものはどれか。

A 社は、社内向けの文書作成の支援に、大規模言語モデル（LLM）を使った生成 AI の導入を検討している。担当者が、仕組みについて整理した内容は、a〜c のとおりである。
  • a LLM は、大量のテキストで学習し、続く確率が高い単語を出力することで、文章を作る。
  • b LLM は、学習していない社内の文書や最新の情報について質問されると、正確に答えにくい。
  • c 検索拡張生成（RAG）は、検索で得た情報を使うので、LLM が誤った内容を出力する可能性が全くなくなる。

正解：ア a、b

ポイント

LLM の仕組みと弱点、検索拡張生成（RAG）の効果を、a〜c で判定する問題です。

考え方と解き方

RAG は誤りを減らす効果が期待される方法です。誤りがなくなる方法と読み替えて、c を適切とするのが、典型的な間違え方です。

  1. a は適切です。LLM は、大量のテキストで学習し、続く確率が高い単語を出力する言語モデルです。
  2. b は適切です。LLM が学習していないデータに関する回答は、精度が低下します。
  3. c は不適切です。RAG は誤りを減らす効果が期待されますが、可能性が全くなくなるわけではありません。
  4. したがって、適切なのは a、b で、ア です。

ほかの選択肢

  • イ c も適切としていますが、RAG を使っても誤りが全くなくなるわけではないので、c は不適切です。
  • ウ a が適切なのに入っておらず、不適切な c が入っています。
  • エ a、b が適切なのに入っておらず、不適切な c だけになっています。

覚えておくこと

  • 大規模言語モデル（LLM）：大量のテキストで学習し、続く確率が高い単語を出力する言語モデル
  • LLM の弱点：学習していない社内文書や最新の情報には、正確に答えにくい
  • RAG の効果：学習していない社内文書にも答えられ、誤りを減らす効果が期待される

（テーマ・覚えること）

想定問題 4四肢択一

コンテキスト内学習に該当するものはどれか。

正解：ウ 出力の形式の例をプロンプトに書き込み、モデルの内部の値は変えずに、その形式で答えさせる。

ポイント

コンテキスト内学習が、モデルの更新を伴わない方法であることを問う問題です。

考え方と解き方

名前に「学習」とあるため、モデルを再学習させる方法と考えがちです。実際は、プロンプトに例を書くだけで、モデルは変わりません。

  1. コンテキスト内学習は、プロンプトに例を示し、モデルを追加で学習させずに出力を導く方法です。
  2. 出力の形式の例をプロンプトに書き込み、モデルの内部の値は変えない方法は、その例です。
  3. したがって、該当するのは ウ です。

ほかの選択肢

  • ア モデルを追加のデータで再学習させる、ファインチューニングの説明です。
  • イ 関連する文書を検索して質問に付ける、検索拡張生成（RAG）の説明です。
  • エ 入力を再学習の用に蓄積する説明です。コンテキスト内学習は、プロンプトに例を示すだけで、モデルを更新しません。

覚えておくこと

  • コンテキスト内学習（In-Context Learning）：プロンプトに例を示し、追加学習なしで出力を導く方法
  • ファインチューニング：学習済みモデルに追加のデータで学習させ、特定の分野に特化させる技術
  • 検索拡張生成（RAG）：質問に関連するデータを外部のデータベースから検索し、質問に付けて回答を生成させる技術

（テーマ・覚えること）

1問ずつの画面で解く（4問）

このテーマの過去問

過去問を解く（1問）
前のテーマ次のテーマ：情報デザインとUI（ユーザビリティ・アクセシビリティ）

同じ分野のテーマ（テクノロジ）