生成AIパスポートの用語は、「AIの基礎」「生成の仕組み」「外部連携」「リスクと権利」「プロンプト」に分けると整理しやすくなります。単語の意味だけでなく、似た用語との違いと具体例をセットで覚えることが大切です。
たとえば、機械学習とディープラーニングは同じ意味ではありません。また、RAGとファインチューニングも、生成AIを活用するための異なる方法です。こうした関係を理解すると、用語の説明を読んだときに混乱しにくくなります。
なお、生成AIパスポートはシラバスの切り替え時期にあります。2026年10月試験までは旧シラバス、2027年2月試験以降は改訂シラバスが適用されます。受験する回に対応した資料を使って学習してください。
この記事では、受験前の復習に役立つ用語を分野別に整理し、混同しやすい言葉の違いと覚え方を解説します。「重要用語」は理解の土台として編集部が選んだもので、公式の出題頻度や出題予想を示すものではありません。
生成AIパスポートの用語を学ぶ前に、対応シラバスを確認しよう
最初に確認したいのは、用語集や教材がどの試験回に対応しているかです。新しい情報を学ぶことと、受験範囲を正確に把握することは、分けて考えましょう。
2026年10月試験までと2027年2月試験以降の違い
GUGAの公式サイトでは、両方のシラバスが公開されています。
| 受験時期 | 使用するシラバス | 学習時の注意点 |
|---|---|---|
| 2026年10月試験まで | 2026年2月試験より適用されたシラバス | 対応する公式テキストと照合する |
| 2027年2月試験以降 | 改訂シラバス | 新しい章構成と追加項目を確認する |
2027年向けの改訂では、AIエージェントに関する内容が拡充されています。さらに、コンテキストエンジニアリング、プロンプトインジェクション、シャドーAIなどの項目が加わり、AI倫理・ガバナンスや出力の評価・検証も強化されています。
そのため、古い教材に載っていない用語を見つけたときは、「教材の説明不足」と判断する前に、対象の試験回を確認してください。
この記事は試験範囲全体を置き換えるものではない
以下の分類は、用語の関係を理解しやすくするための整理です。公式シラバスの章立てをそのまま再現したものではありません。
| 学習分野 | 最初に考える問い |
|---|---|
| AIの基礎 | どのように学び、判断するのか |
| 生成AIの仕組み | 何を使って文章や画像を作るのか |
| 外部連携 | 資料やツールをどう利用するのか |
| リスク・権利 | どのような問題を防ぐ必要があるのか |
| プロンプト | 目的や条件をどう伝えるのか |
本記事で基本を整理した後は、対応する公式シラバスに戻り、未学習の項目を確認しましょう。AIの歴史、モデルの変遷、個別サービス、制度なども、用語集とは別に学習する必要があります。
試験の全体像は、生成AIパスポートの難易度・勉強方法で確認できます。独学で理解しにくい分野がある場合は、生成AIパスポート対策講座の比較で、対応シラバス・教材・質問対応・料金を確認してください。
生成AIパスポートの重要用語①｜AI・機械学習・深層学習の基礎
AIの基礎では、「広い概念」「実現する方法」「具体的な学習手法」を区別すると理解が進みます。AIに関係する言葉を、すべて同じ種類として覚えないことがポイントです。
AI・機械学習・ディープラーニングの意味
| 用語 | 意味 | 覚え方 |
|---|---|---|
| AI（人工知能） | 認識・推論・予測・生成などの知的な処理を実現する技術やシステムの広い概念 | 全体を表す言葉 |
| ルールベース | 人があらかじめ定めた条件や規則に従って処理する方法 | 人がルールを用意する |
| 機械学習 | データからパターンや関係を学び、新しい入力の予測などに使う方法 | データから学ぶ |
| ニューラルネットワーク | 人工ニューロンをつなぎ、重みなどを調整して処理するモデル | つながりと重み |
| ディープラーニング（深層学習） | 多層のニューラルネットワークを使う機械学習の手法 | 層を深くして学ぶ |
機械学習はAIを実現する方法の一つで、ディープラーニングは機械学習の手法の一つです。すべてのAIが機械学習を使うわけではありません。
一方、生成AIは、文章や画像などを生成するAIの技術分野です。ChatGPTは、そのようなモデルを利用したサービスに当たります。「AI」「学習手法」「サービス名」の違いを意識しましょう。
教師あり学習・教師なし学習・強化学習の違い
学習方法は、何を手掛かりに学ぶかで区別します。
| 用語 | 学習の手掛かり | 具体例 |
|---|---|---|
| 教師あり学習 | 入力と正解の組み合わせ | 正解付きメールから迷惑メールを分類する |
| 教師なし学習 | 正解ラベルのないデータの構造 | 購買傾向が似た顧客をグループに分ける |
| 強化学習 | 行動の結果として得られる報酬 | ゲームで高い報酬につながる行動を学ぶ |
| クラスタリング | データ同士の類似性 | 似た特徴のデータを集める |
覚える軸は、「正解」「構造」「報酬」です。教師なし学習は「何も学ばない」という意味ではなく、あらかじめ正解を与えずにデータの特徴を見つける方法です。
また、「強化学習」という名前から、AIを単純に高性能化する処理全般だと考えないようにしましょう。行動と報酬の関係が重要です。
過学習・汎化・転移学習を整理する
| 用語 | 意味 | 混同を防ぐポイント |
|---|---|---|
| 過学習 | 学習データに適合しすぎ、未知のデータで性能が落ちる状態 | 学習時の好成績だけでは判断できない |
| 汎化 | 学習した内容を未知のデータにも適用できること | 初めて見るデータでも役立つか |
| 正則化 | モデルの複雑さなどを制約し、過学習を抑える方法 | 覚え込みすぎを抑える |
| ドロップアウト | 学習中に一部のユニットを確率的に無効化する手法 | 特定のつながりへの依存を抑える |
| 転移学習 | ある課題で学んだ知識を別の課題に利用する方法 | 学習結果を別の用途に生かす |
過学習は「勉強しすぎれば必ず起きる」という意味ではありません。学習データへの適合と、未知のデータでの性能の差を考える言葉です。
機械学習の全体像を詳しく確認したい場合は、機械学習の意味・仕組み・学習方法の解説も参考になります。
生成AIパスポートの重要用語②｜生成モデル・LLM・文章生成の仕組み
この分野では、モデルの種類と、学習・生成の工程を分けて整理しましょう。略語だけを暗記するより、「何を扱うか」「どのように処理するか」を説明できる状態を目指します。
CNN・RNN・VAE・GAN・Transformerの違い
| 用語 | 基本的な特徴 | 覚える手掛かり |
|---|---|---|
| CNN | 畳み込みによって局所的な特徴を捉えるニューラルネットワーク | 画像などの部分的な特徴 |
| RNN | 前の処理の情報を利用し、系列データを扱うニューラルネットワーク | 順序のあるデータ |
| LSTM | 長期的な情報を扱いやすくするよう工夫されたRNNの一種 | RNNの記憶を補う |
| VAE | データの潜在表現を学び、そこから生成するモデル | 潜在空間から生成 |
| GAN | 生成器と識別器を競わせて学習するモデル | 作る側と見分ける側 |
| Transformer | Attentionを中心に、入力要素の関係を扱うモデル構造 | 要素同士の関係に注目 |
| 拡散モデル | ノイズを加える過程と、それを取り除く過程を利用する生成モデル | ノイズから生成へ |
これらは、すべて同じ用途に限定されるわけではありません。たとえば、「CNNは画像に使われることが多い」と「CNNは画像にしか使えない」は異なる説明です。
最初は特徴を短く整理し、その後で公式教材に記載された仕組みや歴史を確認すると、略語を見失いにくくなります。
LLM・トークン・コンテキストウィンドウの意味
| 用語 | 意味 | 注意点 |
|---|---|---|
| LM（言語モデル） | 言語の並びや確率的な関係を扱うモデル | LLMより広い呼び方 |
| LLM（大規模言語モデル） | 大規模なデータなどを用いて学習された言語モデル | サービス名ではない |
| トークン | モデルがテキストを処理する際の単位 | 日本語の1文字や1単語と常に一致しない |
| パラメータ | モデル内部の重みなど、学習で調整される値 | 数が多いだけで性能は決まらない |
| コンテキストウィンドウ | 一度の処理で扱える情報量の範囲 | 扱える範囲と、正確に利用できる能力は別 |
代表的な自己回帰型LLMは、文脈をもとに次のトークンを予測し、その処理を繰り返して文章を作ります。自然な文章を生成できても、内容の正確性まで自動的に保証されるわけではありません。
覚えるときは、「トークン＝処理の単位」「コンテキストウィンドウ＝扱える範囲」と並べると区別しやすくなります。
事前学習・ファインチューニング・RLHFの違い
| 用語 | 意味 | 整理する軸 |
|---|---|---|
| 事前学習 | 多くのデータから、基礎となるパターンや能力を学ぶ工程 | 基礎を作る |
| ファインチューニング | 学習済みモデルを追加学習し、特定の用途などに適応させる方法 | モデルを調整する |
| RLHF | 人間の評価を学習に取り込む、強化学習を用いた手法 | 人の評価を反映する |
| アライメント | 人間の意図や価値観などに沿う振る舞いを目指す考え方・取り組み | 望ましい振る舞いに近づける |
RLHFは、アライメントのために使われる手法の一つです。両者を同義語として覚えないようにしましょう。
また、通常の会話で情報を入力することと、モデルのパラメータを更新する追加学習は別です。「会話で覚えているように見える」だけで、モデル自体がその場で学習したとは限りません。
生成AIパスポートの重要用語③｜RAG・AIエージェント・MCPの外部連携
外部連携の用語は、「資料を参照する」「作業を進める」「接続する」という役割で区別すると理解しやすくなります。
RAG・チャンク・ベクトルデータベースの意味
| 用語 | 意味 | 具体的な役割 |
|---|---|---|
| RAG（検索拡張生成） | 外部情報を検索し、その情報を生成時に利用する仕組み | 社内資料を参照して回答する |
| チャンク | 検索や処理のために分割した情報のまとまり | 長い文書を扱いやすくする |
| 埋め込み（Embedding） | 情報の特徴を数値のベクトルで表現する方法 | 意味の近さを計算する |
| ベクトルデータベース | ベクトルを保存し、類似検索などに利用するデータベース | 関連情報を探す |
RAGの基本は、「関連する情報を検索する→その情報をモデルに渡す→回答を生成する」という流れです。追加学習によってモデルの重みを変更することとは、異なる方法です。
ただし、検索した資料が古い場合や、必要な箇所を取得できない場合には、回答に問題が残る可能性があります。RAGを使えば誤回答がなくなる、と覚えないことが大切です。
詳しい仕組みは、RAGの意味・仕組み・メリットの解説で確認できます。
AIエージェントとMCPは何が違う？
AIエージェントは、目標に向けて作業を分解し、必要に応じてツールを利用しながら処理を進める仕組みです。ただし、自律性の程度や実行できる作業は設計によって異なります。
一方、MCP（Model Context Protocol）は、AIアプリケーションと外部のデータやツールを接続するための標準的なプロトコルです。
これらは、互いに排他的な仕組みではありません。AIエージェントがRAGを利用し、MCPを通じてツールへ接続する構成も考えられます。
2027年向けに整理したい安全な運用の用語
新シラバスを学ぶ場合は、外部連携の便利さに加えて、権限や人間の確認も整理しておきましょう。
| 用語 | 意味 | 覚えるポイント |
|---|---|---|
| コンテキストエンジニアリング | AIに渡す指示・資料・履歴・ツール情報などを設計・管理すること | 指示文以外も整える |
| プロンプトインジェクション | 入力や外部コンテンツに埋め込んだ指示で、想定した動作を変えようとする攻撃 | 資料の中にも攻撃が入り得る |
| Human-in-the-Loop | 処理の途中に人間の確認や判断を組み込む考え方 | 重要な判断に人を入れる |
| 最小権限の原則 | 作業に必要な最小限の権限だけを与える考え方 | できることを広げすぎない |
| ガードレール | 不適切な入力・出力・行動を抑えるための制約や対策 | 安全のための制限 |
たとえば、資料を読むために、すべてのファイルを書き換える権限まで与える必要があるかを考えます。用語を「便利な機能」として覚えるだけでなく、利用時に確認する条件と結びつけましょう。
生成AIパスポートの重要用語④｜リスク・個人情報・著作権・AI倫理
安全性の分野では、問題の種類を区別し、その問題を防ぐ行動まで説明できることが重要です。「危険なもの」という一つのまとまりで覚えると、違いが曖昧になります。
リスクや権利の用語を具体的な利用場面と結び付けたい方は、生成AIの安全性・著作権に関する用語集も参考にしてください。試験の対象範囲は受験回に適用される公式シラバスで確認します。
ハルシネーション・バイアス・ディープフェイクの違い
| 用語 | 意味 | 確認すること |
|---|---|---|
| ハルシネーション | 事実や根拠と一致しない内容を、もっともらしく生成する現象 | 数値・出典・実在性 |
| バイアス | データや設計などに由来する偏り | 特定の属性への不公平 |
| ディープフェイク | AIなどを用いて、本物のように見せた映像・音声等を作る技術や生成物 | 本人の同意・真正性・利用目的 |
| フィッシング | 正規の相手などを装い、情報をだまし取る手法 | 送信元・接続先 |
| マルウェア | 不正な動作を行う悪意あるソフトウェアの総称 | 添付ファイル・ダウンロード元 |
| ランサムウェア | データの暗号化などを行い、身代金を要求するマルウェア | 感染防止・バックアップ |
ハルシネーションは、AIが意図的に人をだまそうとしていることを意味しません。一方、偽情報やなりすましでは、生成物を悪意を持って利用する人間の行動も問題になります。
生成AIの誤回答については、ハルシネーションの原因・事例・対策も参考にしてください。
個人情報・要配慮個人情報・加工情報を整理する
個人情報の用語は、日常的な「個人的な情報」という感覚だけで覚えず、法律上の定義を確認する必要があります。
| 用語 | 基本的な意味 | 注意点 |
|---|---|---|
| 個人情報 | 生存する個人に関する情報で、特定の個人を識別できるものなど | 他の情報との容易な照合も考慮する |
| 個人識別符号 | 法令で定められた、個人の識別につながる符号 | 単なる社内番号すべてを指すわけではない |
| 要配慮個人情報 | 病歴など、不当な差別や不利益を防ぐため特に配慮が必要な情報 | 法律上の対象を確認する |
| 仮名加工情報 | 他の情報と照合しない限り個人を識別できないよう加工した情報 | 原則として第三者提供が禁止される |
| 匿名加工情報 | 個人を識別できず、元の個人情報を復元できないよう、基準に従って加工した情報 | 氏名の削除だけで該当するとは限らない |
| マスキング | 情報の一部を伏せたり置き換えたりする処理 | 法律上の加工情報になったとは限らない |
個人情報・個人識別符号・要配慮個人情報は、個人情報保護委員会の通則ガイドラインで定義を確認できます。
また、仮名加工情報と匿名加工情報は、加工の条件や取扱いのルールが異なります。名前を消したから自由に外部AIへ入力できる、という理解は避けましょう。
生成AIへ入力してよいかは、情報の種類に加え、利用目的、サービスの契約・設定、組織のルールなどを確認して判断します。
著作権・知的財産権・肖像権の違い
| 用語 | 主に関係する対象 | 覚え方 |
|---|---|---|
| 知的財産権 | 創作や発明、事業上の表示などに関係する権利 | 複数の権利を含む広い概念 |
| 著作権 | 思想・感情を創作的に表現した著作物 | 創作的な表現 |
| 特許権 | 保護要件を満たし、特許を受けた発明 | 技術的な発明 |
| 商標権 | 登録された商標 | 商品・サービスの識別 |
| 意匠権 | 登録された意匠 | 物品等のデザイン |
| 肖像権 | 人の容貌などをみだりに撮影・公表されない利益 | 人物の姿 |
| パブリシティ権 | 著名人の氏名・肖像等が持つ顧客吸引力の利用 | 人物の商業的な価値 |
生成AIでは、「入力した資料」「生成された内容」「生成物の公開・販売」を分けて考えます。
文化庁は、AIと著作権について、学習段階と生成・利用段階などを区別して整理しています。生成物に著作権が生じるか、他者の著作権を侵害するかは、個別の事情によって判断されます。
「AIで作ったから権利を気にしなくてよい」「商用利用可能なツールなら、すべての生成物を自由に使える」といった単純化は避けてください。
AI倫理・AIガバナンス・シャドーAIの意味
| 用語 | 意味 | 具体的に考えること |
|---|---|---|
| AI倫理 | 公平性や人間への影響など、AIの開発・利用で考慮する価値や原則 | 差別や不利益を生まないか |
| AIガバナンス | AIを適切に管理するための方針・体制・運用 | 誰が確認し、責任を持つか |
| 透明性 | AIの利用や仕組みなどを、必要に応じて理解できるようにすること | 利用者に何を説明するか |
| アカウンタビリティ | 判断や運用について説明し、責任を果たすこと | 判断理由と責任者を明確にする |
| シャドーAI | 組織が承認・把握していないAIの業務利用 | 個人アカウント等の無断利用 |
AI倫理を「考える原則」、AIガバナンスを「組織で管理する仕組み」と置くと、違いを整理できます。
シャドーAIは、無料ツールだけの問題ではありません。有料サービスでも、組織が認めていない方法で業務情報を扱えば、管理上の問題になり得ます。
生成AIパスポートの重要用語⑤｜プロンプトと生成パラメータ
プロンプトの用語は、実際の依頼文に当てはめて覚えると理解しやすくなります。文章の書き方と、生成時の設定値は分けて整理しましょう。
プロンプト・Zero-shot・Few-shotの違い
| 用語 | 意味 | 覚え方 |
|---|---|---|
| プロンプト | AIへ渡す指示や入力 | 何をしてほしいか伝える |
| プロンプトエンジニアリング | 指示の設計・評価・改善を行うこと | 依頼の仕方を整える |
| Zero-shot | 入出力例を示さずに課題を依頼する方法 | 例なし |
| One-shot | 一つの例を示して依頼する方法 | 例を一つ |
| Few-shot | 少数の例を示して依頼する方法 | 例をいくつか |
たとえば、「次の問い合わせを分類してください」と依頼するだけならZero-shotの例になります。
一方、「この問い合わせは配送、この問い合わせは返品」と複数の分類例を示してから依頼する方法は、Few-shotの例です。
例を増やせば常に結果が良くなるとは限りません。誤った例や偏った例を与えると、その影響を受ける可能性があります。
指示・背景・入力データ・出力形式を分ける
用語を覚える際は、依頼文のどの部分に当たるかを考えてみましょう。
| 要素 | 役割 | 例 |
|---|---|---|
| Instruction | 実行してほしい処理 | 問い合わせを分類してください |
| Context | 背景や前提 | 通販サイトの顧客対応に使います |
| Input Data | 処理する対象 | 問い合わせ本文 |
| Output Indicator | 求める出力形式など | 分類・理由を表にしてください |
この整理は、指示文を理解するための学習上の枠組みです。すべてのAIサービスで、この名称の入力欄が用意されているわけではありません。
TemperatureとTop-pは「正確性の設定」ではない
| 用語 | 主な役割 | 誤解しやすい点 |
|---|---|---|
| Temperature | 次のトークンを選ぶ確率分布の鋭さを調整する | 低くしても事実の正確性は保証されない |
| Top-p | 累積確率に基づいて、選択候補の範囲を絞る | 正しい情報だけを残す設定ではない |
どちらも生成の選び方に関係しますが、同じ処理ではありません。
数値の意味や変更可能な範囲は、モデルやサービスによって異なります。用語としての役割と、実際のサービス設定を分けて確認してください。
AIツールの用語は「操作・料金・安全性」の順に理解する
生成AIパスポートの重要用語を覚える方法｜意味・違い・具体例で復習する
覚え方の基本は、用語を見て説明を読むだけでなく、説明を見て用語を答えられるようにすることです。似た言葉を比較すると、理解が曖昧な箇所も見つけやすくなります。
似た言葉の違いが曖昧な場合は、混同しやすいAI用語の違いで技術・モデル・サービスやRAG・ファインチューニングの関係を比較してから復習しましょう。
1．一つの用語を三つの欄で整理する
ノートや表に、次の三つの欄を用意します。
| 欄 | RAGを整理する例 |
|---|---|
| 意味 | 外部情報を検索し、生成時に利用する |
| 違い | ファインチューニングのようにモデルを追加学習する方法とは異なる |
| 具体例 | 社内規程の関連箇所を参照して回答する |
最初から長い説明を書く必要はありません。短い一文で説明し、足りない条件を公式教材で補う方法が使いやすいでしょう。
2．似た用語を並べて、違いを一文で答える
復習では、次の組み合わせが役立ちます。
| 比較する用語 | 違いを確認する問い |
|---|---|
| AI／機械学習／深層学習 | 概念と手法の関係はどうなっているか |
| 教師あり／教師なし／強化学習 | 正解・構造・報酬のどれを手掛かりにするか |
| 学習／推論 | モデルを調整する段階か、利用する段階か |
| RAG／ファインチューニング | 参照情報を渡すか、追加学習するか |
| AIエージェント／MCP | 作業を進める仕組みか、接続のルールか |
| 仮名加工情報／匿名加工情報 | 識別・復元・取扱いの条件はどう違うか |
| AI倫理／AIガバナンス | 原則か、管理体制・運用か |
| Zero-shot／Few-shot | 入出力例を示すか |
「どちらもAIを便利にするもの」といった広い説明で終わらせず、区別する条件を一つ挙げてください。
3．具体的な場面から用語を思い出す
次のような独自の確認問題で、理解を試してみましょう。
- 学習データでは好成績なのに、未知のデータで性能が落ちた。何を疑うか。
- 生成された説明に、実在しない資料名が含まれていた。どの現象に当たるか。
- 社内資料を検索し、その内容を使って回答を作った。どの仕組みか。
- 会社が承認していないAIへ、業務資料を入力した。どの管理上の問題か。
対応する用語は、順に「過学習」「ハルシネーション」「RAG」「シャドーAI」です。これらは学習用の例であり、公式問題や過去問ではありません。
4．最後に公式シラバスへ戻って抜けを確認する
復習の仕上げでは、対応シラバスの学習項目を見て、「説明できる」「違いが曖昧」「未学習」に分けます。
説明できない用語だけを再確認すると、すでに理解している内容を読み直す時間を減らせます。ただし、本記事の掲載用語だけで試験範囲を網羅できるわけではありません。
モデルやサービスの歴史、制度の説明などは、受験回に合った公式教材で補ってください。
用語の理解を確かめるには、練習問題10問やランダム60問・模擬試験が使えます。誤答した用語は、意味・違い・具体例へ戻って復習しましょう。
AWLの演習は非公式の独自問題です。公式問題や過去問ではありません。各ページの対応シラバス表示も確認してください。
生成AIパスポートの用語に関するよくある質問
この用語集だけで合格できますか？
合格を保証するものではありません。本記事は用語の関係を整理するための復習資料です。対応シラバス全体を確認し、公式教材などで未学習の項目を補ってください。
「重要用語」は出題されやすい言葉ですか？
本記事では、理解の土台になり、混同しやすい用語を選んでいます。公式の出題頻度に基づくランキングではなく、掲載用語の出題を保証するものでもありません。
2026年版の教材を2027年の試験対策に使えますか？
共通する基礎を学ぶ用途には役立ちます。ただし、2027年2月試験以降は改訂シラバスが適用されるため、追加項目や章構成を新しい資料で補う必要があります。
英語の正式名称も覚えた方がよいですか？
LLM、RAG、MCP、RLHFなどは、略語と意味を結びつけておくと理解が進みます。正式名称の暗記だけで終わらせず、その用語の役割や具体例も説明できるようにしましょう。
AIに用語の確認問題を作ってもらってよいですか？
試験前の学習補助として使う方法はあります。ただし、生成された問題や解説にも誤りが含まれる可能性があるため、公式資料と照合してください。
試験中に問題をAIや検索サービスへ送って解答を得る行為は、GUGAの禁止事項に含まれています。学習時の利用と受験中の利用を区別しましょう。
まとめ｜生成AIパスポートの重要用語は、違いと具体例まで押さえよう
生成AIパスポートの用語を整理する際は、最初に受験回と対応シラバスを確認してください。そのうえで、AIの基礎、生成の仕組み、外部連携、リスク・権利、プロンプトに分けて学ぶと、用語同士の関係をつかみやすくなります。
特に、機械学習と深層学習、RAGとファインチューニング、AIエージェントとMCPなどは、違いを一文で説明できる状態を目指しましょう。
「意味を読む→似た用語と比べる→具体例から思い出す→公式シラバスで抜けを確認する」という順で復習すると、単語の暗記から実際の理解へ進めます。
分からない言葉は、生成AI用語集で意味と関連用語を確認できます。資格の選び方や学習方法は、生成AI資格ガイドでも紹介しています。
出典・参考情報
以下は、試験の適用時期、技術の説明、個人情報・著作権の整理に使用した一次情報です。確認日：2026年10月6日。
試験概要・シラバスの出典
- 生成AI活用普及協会（GUGA）「生成AIパスポート」
試験概要、シラバスの適用時期、受験中の禁止事項。 - GUGA「生成AIパスポート試験シラバス／2026年10月試験まで」
旧シラバスの学習項目・詳細キーワード。 - GUGA「生成AIパスポート試験シラバス／2027年2月試験以降」
改訂後の学習項目・詳細キーワード。 - GUGA「生成AIパスポート、2027年試験のシラバスを大幅改訂」
AIエージェント、リスク予防、倫理・ガバナンス、実践・検証の拡充。
AI技術・外部連携の出典
- IBM「What is machine learning?」
機械学習、深層学習、学習方式、汎化の基本。 - IBM「What Are Large Language Models（LLMs）?」
大規模言語モデルと文章生成の基本。 - IBM「What is RAG（Retrieval Augmented Generation）?」
外部情報の検索と生成、追加学習との違い。 - IBM「What Are AI Agents?」
エージェントによる計画・ツール利用。 - Model Context Protocol「What is the Model Context Protocol（MCP）?」
AIアプリケーションと外部データ・ツールの接続。
個人情報・著作権の出典
- 個人情報保護委員会「個人情報保護法ガイドライン（通則編）」
個人情報、個人識別符号、要配慮個人情報の定義。 - 個人情報保護委員会「匿名加工情報と仮名加工情報の違いは何ですか」
加工条件・取扱いの違い。 - 文化庁「AIと著作権について」
学習段階、生成・利用段階、生成物の権利に関する整理。
