基盤モデルとは
基盤モデル（Foundation Model）は、大量のデータで事前学習され、多様な下流タスクに適用できる大規模モデルです。言語、画像、音声などの領域で、汎用的な特徴表現や生成能力を獲得し、プロンプト、ファインチューニング、RAGなどを通じて個別用途に利用されます。
正解の理由
選択肢1は、大量データで事前学習され、多様な下流タスクに適用・調整できる大規模モデルと説明しています。これは基盤モデルの特徴を正しく表しています。たとえばLLMは、要約、翻訳、質問応答、文章生成、分類など、プロンプト次第で幅広いタスクに対応できます。
他の選択肢の評価
- 選択肢2は特定企業用のテンプレートの説明であり、事前学習済みの汎用モデルではありません。
- 選択肢3は小型決定木に限定した説明です。基盤モデルは通常、大規模データと大規模パラメータを前提に語られます。
- 選択肢4は画像前処理の説明であり、基盤モデルの概念とは関係ありません。
G検定向けポイント
- 事前学習: 大量データから汎用的能力を獲得する段階。
- 下流タスク: 要約、分類、検索応答など、利用目的に応じた個別タスク。
- 適用方法: プロンプト、ファインチューニング、RAGなど。
基盤モデルは高い汎用性を持つ一方、学習データ由来のバイアス、ハルシネーション、著作権、個人情報保護、計算資源などのリスクも伴います。試験では利点だけでなく制約もセットで覚えましょう。
試験対策の確認
生成AI・LLMの論点では、便利さだけでなく、制約とリスクを同時に押さえることが重要です。プロンプト、RAG、ファインチューニング、トークン、コンテキスト、権利・機密情報の各用語は相互に関連します。実務では、モデルの出力をそのまま正解とみなさず、根拠確認、アクセス制御、ログ管理、人間によるレビューを組み合わせて安全に運用します。
追加の確認観点
生成AI・LLMの問題では、技術用語を単独で覚えるより、入力、検索、生成、検証、運用管理の流れに置いて理解することが重要です。トークンやコンテキストは制約、プロンプトは制御、RAGは外部知識の参照、ファインチューニングは振る舞いの調整、ガバナンスは安全な利用のための仕組みです。実務では、出力が自然でも根拠が正しいとは限らず、機密情報や著作権のリスクも残ります。G検定では、便利な応用例と同時に、限界、確認手順、人間のレビューが必要な場面を押さえてください。