「G検定の勉強を始めたけど、カタカナや専門用語が多すぎて頭に入らない…」
そんな悩みを抱えていませんか？
G検定（ジェネラリスト検定）は、約2時間で200問近くを解くスピード勝負の試験です。合格の鍵は、重要用語を見た瞬間に意味が浮かぶ「即答力」にあります。
この記事では、試験に繰り返し出題される最重要キーワードを5つの分野に分けて分かりやすく解説します。試験直前の総チェックや、日々の学習の整理にぜひ役立ててください！
1. AIの歴史と基礎概念（AIの限界を知る）
AIのブームの変遷や、AIが抱える根本的な課題（弱点）に関する問題は、毎回必ずと言っていいほど出題されます。
- ダートマス会議（1956年）
「人工知能（AI）」という言葉が世界で初めて使われた伝説的な会議です。 - エキスパートシステム
第2次AIブームの主役。専門家の知識を「もし〜なら（If-Then）」というルールで覚えさせ、コンピュータに推論させるシステム。 - チューリングテスト
機械が「人間のように思考できているか」を判定するテスト。 - ELIZA（イライザ）
1960年代に開発された、元祖・人工無脳（おしゃべりプログラム）。 - フレーム問題
「限られた処理能力のAIは、関係のない事柄まで考えすぎてフリーズしてしまう」というAI最大の弱点。 - シンボルグラウンディング問題（記号接地問題）
AIが言葉（記号）の意味を、現実世界の概念（体感や視覚など）と結びつけて理解できない問題。 - 強いAI / 弱いAI
人間のように自意識や汎用的な知能を持つのが「強いAI」、特定のタスク（画像認識など）のみをこなすのが「弱いAI」。
2. 機械学習の基礎（評価指標の計算も重要！）
機械学習の手法と、モデルの性能を測る「評価指標」は得点源です。ここは落とせません。
- 教師あり学習 / 教師なし学習 / 強化学習
機械学習の3大分類。どのアルゴリズムがどこに属するか（例：ランダムフォレストは教師あり、k-meansは教師なし）の仕分け問題が頻出です。 - 過学習（オーバーフィッティング）
訓練データにばっちり適合しすぎて、新しいデータ（未知のデータ）に対する予測精度が落ちてしまう現象。 - 交差検証（クロスバリデーション）
データをいくつかのグループに分割し、学習と評価を順番に入れ替えて行うことで、偏りのない汎化性能を測定する手法。 - 混同行列（コンフュージョンマトリックス）
予測と実際の結果を4つのパターンに分類した表。「正解率（Accuracy）」「適合率（Precision）」「再現率（Recall）」「F値」の定義と、計算式のマスターは必須です！ - サポートベクターマシン（SVM）
境界線（マージン）をできるだけ広くとることで、きれいにクラスを分類する強力な機械学習アルゴリズム。
3. ディープラーニングの仕組み（どうやって学習する？）
ニューラルネットワーク（NN）が、どのようにデータを処理して賢くなっていくかのメカニズムです。
- パーセプトロン
人間の脳の神経細胞（ニューロン）をモデル化した、すべてのネットワークの最小単位。単純パーセプトロンは「線形分離可能な問題しか解けない（XOR問題が解けない）」という限界がありました。 - 活性化関数
ニューロンの出力を決定する関数。昔の「シグモイド関数」から、現在主流の「ReLU（レル）関数」への流れと、それぞれの特徴を押さえましょう。 - 勾配降下法
予測と正解の「誤差」を最小化するために、パラメータ（重み）を少しずつ最適化していく手法。 - 誤差逆伝播法（バックプロパゲーション）
出力側から入力側に向かって逆向きに誤差を伝えていき、効率よくすべてのパラメータを更新するアルゴリズム。 - 勾配消失問題
ネットワークの層を深くしすぎると、誤差の情報が途中で消えてしまい、入力層の近くが学習できなくなる問題。主にReLU関数の登場で解決しました。
4. ディープラーニングの主な手法・モデル
「画像」「音声」「自然言語」など、データの種類によってどのネットワークを使うかが問われます。
- CNN（畳み込みニューラルネットワーク）
主に画像認識で使われます。画像の特徴をキュッと抜き出す「畳み込み層」と、位置のズレを吸収する「プーリング層」がセットです。 - RNN（再帰型ニューラルネットワーク）
過去の情報を記憶してループさせることができるため、自然言語や時系列データ（株価など）の処理に使われます。 - LSTM
RNNの弱点（長期的な記憶を保持できない）を、情報の「忘却ゲート」などを作ることで克服した進化系モデル。 - Transformer（トランスフォーマー）
Attention（アテンション：注目すべき場所を絞る）機構のみで構築された画期的なモデル。ChatGPTなどの大規模言語モデル（LLM）のすべてのベースになっています。 - GAN（敵対的生成ネットワーク）
偽物を作る「生成器」と、それを見破る「識別器」を戦わせて精度を上げる手法。ディープフェイクや画像生成の基盤技術です。 - 転移学習 / ファインチューニング
すでに別の大量データで賢くなった「学習済みモデル」を流用し、少ないデータで効率よく新しいタスクを学習させる手法。
5. AIの社会実装・法律・倫理（実務に直結！）
近年、出題割合が非常に高くなっているトレンド分野です。法律やガイドラインは最新の情報をチェックしておきましょう。
- XAI（Explainable AI：説明可能なAI）
ディープラーニングの「なぜその結果になったのか分からない（ブラックボックス化）」という問題に対し、AIの判断根拠を人間が理解できるようにする技術。 - 著作権法（第30条の4）
AI学習において非常に重要な日本の法律。原則として、情報解析（AIの機械学習など）が目的であれば、著作物を著作者の許可なく利用できると規定されています（ただし、不当に利益を害する場合はNG）。 - 個人情報保護法 / GDPR
データの取り扱いに関するルール。GDPRはEU（欧州連合）の非常に厳しいデータ保護規則で、日本企業でもEU圏のデータを扱う場合は対象になります。 - 自動運転のレベル
レベル0〜5まであります。試験で特に狙われるのは、レベル3（システムが主役だが、緊急時は人間が運転）と、レベル4（特定の条件下で、完全にシステムが運転）の違いです。 - PoC（概念実証）
AIプロジェクトを本格導入する前に、「本当に技術的に可能か？」「投資に見合うか？」を検証する小規模な実証実験のこと。
まとめ：用語同士の「紐付け」で一発合格を目指そう！
G検定は暗記量が多くて圧倒されがちですが、用語を一つずつ独立して覚えるのではなく、以下のようにキーワード同士をセットで紐付けるのがコツです。
- 「CNN」が来たら ＝ 画像認識
- 「Transformer」が来たら ＝ LLM・ChatGPTのベース
- 「エキスパートシステム」が来たら ＝ 第2次AIブーム
本番は時間との戦いです。問題文を見た瞬間にパッと概要が浮かぶレベルを目指して、繰り返し復習しましょう。皆さんの合格を応援しています！
