G検定がシラバス改訂。生成AIやAI倫理・AIガバナンスに関する範囲が追加、公式テキスト第3版も刊行

1. 人工知能の定義と基本概念

現シラバス:

• 人工知能や機械学習の定義、人工知能の分類（古典的な人工知能、機械学習、ディープラーニング）。
• 推論、認識、判断、エージェントなどの基本概念。

新シラバス:

• 人工知能のレベルを「単純な制御プログラム」「古典的な人工知能」「機械学習」「深層学習」の4つに分類。
• AI効果や人工知能とロボットの違いなどの具体例を追加。

2. 探索・推論の具体例と手法

現シラバス:

• 探索木、ハノイの塔、ロボットの行動計画、モンテカルロ法など。
• Mini-Max法、αβ法、ブルートフォースなどの手法。

新シラバス:

• 探索・推論の具体例を強調し、より詳細な説明。
• αβ法、Mini-Max法、SHRDLU、STRIPSなどの手法を追加。

3. 機械学習とディープラーニングの詳細

現シラバス:

• 機械学習とニューラルネットワーク、ディープラーニングの基本的な理論。
• ビッグデータ、レコメンデーションエンジン、スパムフィルターなどの応用例。

新シラバス:

• 機械学習とルールベース手法の差異、メリットデメリットを明確に説明。
• ディープラーニングの発展の歴史、古典的な機械学習との比較。
• 大規模言語モデル（LLM）の導入。

4. 教師あり学習と教師なし学習の詳細

現シラバス:

• 線形回帰、ロジスティック回帰、ランダムフォレスト、SVMなどの学習モデル。
• k-means法、ウォード法、主成分分析（PCA）などの教師なし学習モデル。

新シラバス:

• 教師あり学習における特徴量と教師データのペアの重要性。
• 教師なし学習における特徴量の必要性と分析対象に応じた問題の種類の詳細。
• t-SNE、協調フィルタリング、次元削減などのモデルを追加。

5. モデルの選択・評価

現シラバス:

• 正解率、適合率、再現率、F値、ROC曲線とAUCなどの評価方法。
• 交差検証、過学習、未学習、正則化などの評価指標。

新シラバス:

• 基本的なモデルの選択基準、評価方法、評価指標の詳細。
• 訓練誤差と汎化誤差の違いを強調。
• k-分割交差検証、MSE・RMSE・MAE、AICなどの新しい評価方法を追加。

6. ディープラーニングの要素技術

現シラバス:

• 単純パーセプトロン、多層パーセプトロン、誤差逆伝播法などの基礎知識。
• 畳み込みニューラルネットワーク（CNN）、リカレントニューラルネットワーク（RNN）など。

新シラバス:

• 全結合層、畳み込み層、正則化層、プーリング層などの役割とパラメータ数の理解。
• Attention、オートエンコーダ、データ拡張の基礎知識と応用例。

7. ディープラーニングの応用例

現シラバス:

• 画像認識、音声処理、自然言語処理、深層強化学習の具体的な応用例。
• 物体識別、物体検出、セグメンテーション、姿勢推定などのタスク。

新シラバス:

• 画像認識の代表的なモデル（ResNet、YOLOなど）や自然言語処理のモデル（BERT、GPT-nなど）を追加。
• 音声処理、データ生成、転移学習・ファインチューニング、マルチモーダルタスクの詳細を追加。

8. AIの社会実装とガバナンス

現シラバス:

• AIプロジェクトの進め方、データの収集・加工・分析・学習に関する注意点。
• プライバシー保護、公平性、安全性とセキュリティ、悪用防止などの社会的課題。

新シラバス:

• AIの運用に必要なモデルのヘルスモニタリングやライフサイクル管理。
• AI倫理・AIガバナンス、透明性、民主主義、環境保護、労働政策などの新しい課題を追加。

参照：G検定の試験範囲（シラバス）と例題