【G検定対策講座】第5回：【補講①】新シラバス対応：生成AI・LLM技術

 本授業では、今のAIトレンドの主役であり、テストでも配点が高くなっている「生成AIとLLM（大規模言語モデル）」の仕組みをすっきりと整理して解説します。

自然言語処理の常識を変えたTransformerの基本構造から、ハルシネーション（もっともらしい嘘）を防ぐためのアプローチ（RAG）、画像生成AIの裏側（拡散モデル）まで、押さえておくべき核心部分を網羅。 章末の確認問題も交えながら、最新シラバスの難問を確実に得点源にするためのリアルな実戦力を養います。

【この授業で学べること】

• 生成AIおよびLLM（大規模言語モデル）の歴史的背景と基本概念
• 現代の生成AIの基盤となる「Transformer」の仕組み（アテンション機構や位置符号化など）
• BERT（理解系）とGPT（生成系）の構造の違いとそれぞれの得意タスク
• 少ない計算量でモデルを調整するLoRAや、人間の価値観に合わせるRLHFの手法
• 事実に基づいた正確な回答を生成させ、ハルシネーションを防止する「RAG（検索拡張生成）」の仕組み
• 画像生成AIで使われる「拡散モデル」の順拡散過程と逆拡散過程の違い

【授業構成】

• イントロダクション
  • 補講①の狙いと新シラバスにおける位置づけ
• 2026年度 G検定の変更点と最新トレンド
  • 出題割合や試験時間の変化と時間配分戦略
  • シラバス改訂の3大ポイント（生成AI領域の強化、古典的技術の縮小）
• 大規模言語モデル（LLM）の基礎と進化
  • RNN / Seq2Seqの限界とアテンション機構（Attention）の登場
  • Self-Attention（自己注意機構）とMulti-Head Attention、Positional Encoding
  • Transformerの全体構造（EncoderとDecoder）
• 主要な言語モデルの特徴とアライメント
  • 双方向のBERT（理解系）と自己回帰型のGPT（生成系）
  • スケーリング則（規模拡大による性能向上）と、突然能力が開花する「エマージェント能力」
  • 人間のフィードバックによる強化学習（RLHF）とアライメント問題
• 生成AIの制御と応用技術
  • プロンプトエンジニアリング（Zero-shot / Few-shot / Chain-of-Thought）
  • セキュリティリスク（プロンプトインジェクション）とハルシネーション対策
  • RAG（検索拡張生成）の処理フローとベクトルDB、LoRAによる効率的なファインチューニング
• マルチモーダルと画像生成技術
  • 拡散モデル（順拡散過程・逆拡散過程）による画像生成のメカニズム
  • マルチモーダルAI（Gemini等）とNeRF（2D画像からの3Dシーン復元技術）
• 補講① 総仕上げ問題演習＆解説
  • 新シラバスの出題傾向に合わせた予測問題の解答と解説