AI史から法律・倫理まで：G検定を3週間で回す順番

G検定（ジェネラリスト検定）は、一般社団法人日本ディープラーニング協会（JDLA）が主催する、AI・ディープラーニングの基礎知識を問う検定試験です。技術を自ら開発するエンジニアではなく、AIを「事業に活用する人材（ジェネラリスト）」を対象としており、文系・理系を問わず幅広いビジネスパーソンに受験されています。本記事では、公式シラバスに沿った出題範囲全9分野の学習ポイント、約200問・120分という独特の試験形式への対策、3パターンの勉強スケジュールまでを順に解説します。なお受験料・実施回・出題数などは年度により変動するため、最新情報はJDLAの公式サイトで必ず確認してください。

Gはジェネラリスト——実装しない人のためのJDLA検定

G検定の「G」はジェネラリスト（Generalist）の頭文字です。JDLAは、ディープラーニングを実装できるエンジニア向けの「E資格」と、ディープラーニングを事業に活用する人材向けの「G検定」という2つの試験を運営しており、G検定はそのうちの後者にあたります。AIを自分で実装する必要はなく、AIの可能性と限界を理解し、ビジネスの現場で適切に活用・判断できる知識を証明する位置づけです。

G検定の大きな特徴は、自宅などからオンラインで受験できる点です。会場に行く必要がなく、インターネット環境があれば受験できます。出題は多肢選択式で約200問、試験時間は120分程度。1問あたりに使える時間が短く、知識の正確さに加えてスピードが求められるのが特徴です。年に複数回実施されているため、自分の学習計画に合わせて受験回を選びやすいのも利点です。

資格取得のメリットは大きく3つあります。1つ目は、AIリテラシーを客観的に証明できること。DXやデータ活用が進む現在、AIの基礎を体系的に理解していることを示せます。2つ目は、社内のAIプロジェクトで共通言語を持てること。エンジニアとの会話や、AI導入の意思決定に役立ちます。3つ目は、就職・転職・キャリアアップでのアピール材料になること。文系出身者がデータ・AI分野へ踏み出す第一歩としても活用されています。

オンラインで約200問を120分、合格ラインは非公表

• 主催：一般社団法人 日本ディープラーニング協会（JDLA）
• 出題形式：オンライン実施・多肢選択式・約200問
• 試験時間：120分程度（実施回により変動するため公式サイトで要確認）
• 受験料：13,200円（税込）程度（学生割引などの割引制度あり。年度により変動）
• 実施回：年に複数回（実施スケジュールは公式サイトで要確認）
• 受験方法：自宅などからのオンライン受験（CBT形式）
• 合格基準：合格ラインは非公表（おおむね正答率6〜7割が目安と言われるが断定はできない）
• 受験資格：制限は特になし（誰でも受験可能）

注意したいのは、約200問を120分で解くため、1問あたりの時間がきわめて短いことです。単純計算で1問あたり30〜40秒程度しかなく、じっくり考える余裕はほとんどありません。さらに合格ラインは非公表で、「正答率6〜7割が目安」とよく言われますが、これは公式に発表された数値ではないため、あくまで参考程度に捉えてください。確実に合格を狙うなら、目安より高い正答率を出せる実力を目標にするのが安全です。

シラバスは生成AIを取り込んで動き続けている

G検定で特に意識したいのが、公式シラバスが時代の変化に合わせて改定されている点です。近年は大規模言語モデル（LLM）や生成AIの急速な発展を受けて、生成AI関連の出題範囲が拡充される方向で見直しが行われてきました。古い参考書や情報だけで対策すると、最新の出題範囲をカバーしきれない可能性があります。学習を始める前に、必ずJDLA公式サイトで最新のシラバスを確認し、自分が使う教材がそのバージョンに対応しているかをチェックしましょう。

収録1038問を9分野に集計した分量の目安

G検定の出題は、公式シラバスに沿って大きく9つの分野に整理できます。ケンテイラボに収録している全1038問の対策問題を内容ごとに集計すると、おおよそ次のような分量の目安が見えてきます。以下はあくまでケンテイラボ収録問題を分野別に集計した参考値であり、本番の出題比率を断定するものではありません。

• ① AI入門と歴史：おおむね8%前後（AIの定義・三度のブーム）
• ② 探索・推論・知識表現：おおむね9%前後（探索木・エキスパートシステム）
• ③ 機械学習・深層学習の概要：おおむね10%前後（学習の枠組み全体像）
• ④ 機械学習の具体的手法：おおむね12%前後（教師あり・なし・各アルゴリズム）
• ⑤ DL理論基礎：おおむね12%前後（ニューラルネットワーク・誤差逆伝播）
• ⑥ DL要素技術：おおむね11%前後（活性化関数・最適化・正則化）
• ⑦ DL応用①画像・音声・自然言語：おおむね13%前後（CNN・RNN・Transformer）
• ⑧ DL応用②強化・生成・転移・解釈・軽量化：おおむね13%前後（GAN・生成AI・転移学習）
• ⑨ AIの社会実装・法律・倫理：おおむね12%前後（個人情報・著作権・AI倫理）

ディープラーニング関連（⑤〜⑧）を合わせると全体のほぼ半分を占めます。一方で、⑨の社会実装・法律・倫理も出題が多く、文系の方でも得点しやすい分野です。技術分野と社会・法律分野をバランスよく押さえることが合格の鍵になります。「DLの仕組みで稼ぎつつ、法律・倫理で取りこぼさない」が基本戦略です。

AI史から法律・倫理まで、9分野で何を覚えるか

① AI入門と歴史：三度のブームと冬の時代を物語で追う

AIとは何かという定義から、過去三度にわたるAIブームの流れを扱う分野です。後の技術的な内容を理解するための前提知識になるため、最初にしっかり押さえておきたい範囲です。各ブームで何が流行り、なぜ冬の時代を迎えたかというストーリーで覚えると定着します。

• AIの定義の多様性と、強いAI・弱いAIの考え方
• 第一次AIブーム（探索・推論）と、トイプロブレムの限界
• 第二次AIブーム（知識表現・エキスパートシステム）と、知識獲得のボトルネック
• 第三次AIブーム（機械学習・ディープラーニング）の到来
• チューリングテスト、シンギュラリティ（技術的特異点）などの基本概念

② 探索・推論・知識表現：ミニマックス法とエキスパートシステムの限界

第一次・第二次ブームを支えた、古典的なAI技術を扱う分野です。探索木を使った問題解決や、知識をコンピュータに表現させる手法が中心になります。ディープラーニング以前のアプローチを理解することで、なぜ機械学習が必要とされたのかが見えてきます。

• 探索：幅優先探索・深さ優先探索、コスト最小の経路を探すアルゴリズムの考え方
• ゲーム木の探索：ミニマックス法、αβ法（枝刈り）
• 知識表現：意味ネットワーク、オントロジー
• エキスパートシステム：専門家の知識をルールとして組み込む仕組みとその限界
• 知識獲得のボトルネック：知識を人手で整備することの難しさ

③ 機械学習の全体像：教師あり・なし・強化学習と過学習

機械学習とは何か、その全体像を扱う分野です。教師あり学習・教師なし学習・強化学習という大枠の分類や、学習と評価の基本的な流れを押さえます。個々のアルゴリズムに入る前の見取り図として重要です。

• 機械学習の3分類：教師あり学習・教師なし学習・強化学習の違い
• 回帰と分類の違い（連続値の予測か、カテゴリの予測か）
• 学習データ・検証データ・テストデータの役割分担
• 過学習（オーバーフィッティング）と未学習、汎化性能の概念
• ホールドアウト法・交差検証（クロスバリデーション）による評価

④ 具体的手法：SVM・決定木・k-meansと評価指標の読み方

代表的な機械学習アルゴリズムを個別に扱う分野です。線形回帰やロジスティック回帰、決定木、サポートベクターマシン、k-means法など、名前と用途・特徴をセットで覚える必要があります。それぞれが教師あり・なしのどちらか、回帰・分類・クラスタリングのどれに使うかを整理しましょう。

• 教師あり学習：線形回帰、ロジスティック回帰、サポートベクターマシン（SVM）、決定木、ランダムフォレスト
• アンサンブル学習：バギング・ブースティング（勾配ブースティングなど）
• 教師なし学習：k-means法（クラスタリング）、主成分分析（PCA、次元削減）
• 評価指標：正解率・適合率・再現率・F値、混同行列、ROC曲線とAUC
• k近傍法（k-NN）など、距離に基づく手法の考え方

⑤ ニューラルネットの理論：誤差逆伝播と勾配消失問題

ディープラーニングの土台となるニューラルネットワークの理論を扱う分野です。ニューロンのモデルから、層を重ねた多層パーセプトロン、学習を支える誤差逆伝播法までを理解します。数式の暗記よりも、「どうやって学習が進むのか」という仕組みのイメージを持つことが大切です。

• 単純パーセプトロンと多層パーセプトロン（MLP）の構造
• 順伝播と誤差逆伝播法（バックプロパゲーション）による学習の流れ
• 損失関数（誤差関数）と、それを小さくする勾配降下法
• 勾配消失問題と、ディープラーニングが長く実用化されなかった背景
• ディープラーニングのブレイクスルー（事前学習・GPUの活用など）

⑥ 学習を安定させる技術：ReLU・Adam・ドロップアウト

ニューラルネットワークを実際にうまく学習させるための、さまざまな技術を扱う分野です。活性化関数、最適化手法、正則化、初期化など、学習を安定・高速化する工夫が問われます。それぞれが「何のための技術か（勾配消失対策か、過学習対策かなど）」を意識して整理しましょう。

• 活性化関数：シグモイド・tanh・ReLU、ReLUが勾配消失に強い理由
• 最適化アルゴリズム：確率的勾配降下法（SGD）、Momentum、Adamなど
• 正則化：ドロップアウト、L1・L2正則化、過学習を抑える工夫
• バッチ正規化（Batch Normalization）による学習の安定化
• ハイパーパラメータ（学習率・バッチサイズなど）とその調整

⑦ CNN・RNN・Transformer——領域ごとの主役モデル

ディープラーニングを画像・音声・自然言語といった具体的な領域に応用する技術を扱う分野です。画像認識のCNN、系列データのRNN、そして近年主流となったTransformerなど、現代のAIを支える主要モデルが登場します。各モデルがどの領域で何を得意とするかを押さえましょう。

• 画像：畳み込みニューラルネットワーク（CNN）、畳み込み層・プーリング層の役割、代表的な画像認識モデル
• 系列データ：再帰型ニューラルネットワーク（RNN）、LSTM・GRUによる長期依存への対応
• 自然言語処理：word2vecなどの単語の分散表現、Attention（注意機構）
• Transformer：Attentionを中核とした構造で、自然言語処理の主流となったモデル
• BERT・GPTなど、Transformerをベースとした言語モデルの基礎

⑧ 強化学習からGAN・拡散モデル・LLMまでの発展領域

ディープラーニングの発展的な応用テーマを幅広く扱う分野です。強化学習、生成モデル（生成AI）、転移学習、モデルの解釈性、軽量化など、近年特に注目される技術が含まれます。シラバス改定で生成AIの比重が高まっているため、特に重点的に押さえたい範囲です。

• 強化学習：エージェントと環境、報酬、Q学習、深層強化学習（DQNなど）
• 生成モデル：GAN（敵対的生成ネットワーク）、VAE、拡散モデル（Diffusion Model）の概要
• 生成AI：大規模言語モデル（LLM）、プロンプト、ハルシネーション（もっともらしい誤情報）への注意
• 転移学習・ファインチューニング：学習済みモデルを別タスクに活かす手法
• 説明可能なAI（XAI）、モデルの軽量化（蒸留・量子化・プルーニング）

⑨ 個人情報・著作権・AI倫理——文系が得点源にできる分野

AIを社会で実際に使う際の、ビジネス・法律・倫理の論点を扱う分野です。技術が苦手な文系の方でも得点しやすく、出題も多いため、ここを確実に取ることが合格に直結します。個人情報や著作権、AIの公平性・バイアスといった、現代的なテーマが問われます。

• AIプロジェクトの進め方（PoC・データの収集と前処理・運用）
• 個人情報保護法、匿名加工情報など、データ利用に関わる法律の基礎
• 著作権・知的財産と、学習データや生成物をめぐる論点
• AIの公平性・バイアス、説明責任、透明性などのAI倫理
• 国内外のAIに関するガイドラインや原則、AIガバナンスの考え方

予備知識の量で決まる3週間・1ヶ月・2ヶ月の3案

G検定の学習期間は、AIや数学の予備知識量によって変わります。プログラミングや統計の素養がある方なら2〜4週間、文系で初めてAIに触れる方なら1〜2ヶ月が目安です。以下の3パターンから、自分の状況に合うスケジュールを選んでください。

3週間集中：統計・プログラミングの素養がある人向け

• 1週目：公式シラバスを確認し、①〜④（AI史・古典AI・機械学習）を一気に学習
• 2週目：⑤〜⑧（ディープラーニングの理論〜応用・生成AI）を集中して理解
• 3週目：⑨（社会実装・法律・倫理）を仕上げ、模擬問題で時間配分を確認

プログラミングや統計の基礎がある方、データ分野の経験がある方向けの短期コースです。1日1.5〜2時間×21日でおおむね30〜40時間。問題演習を多めに取り入れ、約200問・120分のスピードに早く慣れるのが効率的です。

1ヶ月標準：平日は1時間ずつ、週末に演習をまとめる

• 1週目：①〜③（AI史・探索推論・機械学習の概要）で全体像をつかむ
• 2週目：④〜⑥（機械学習の手法・DL理論・DL要素技術）を用語中心に整理
• 3週目：⑦⑧（DL応用・生成AI）を理解し、最新の生成AI動向も確認
• 4週目：⑨（社会実装・法律・倫理）の暗記＋全分野の模擬問題演習

もっとも標準的なコースです。1日1時間×30日でおおむね30時間。仕事と両立しながらでも、平日は1時間ずつ進め、週末に問題演習をまとめて行う配分で合格レベルに到達できます。

2ヶ月じっくり：数式に苦手意識がある人の分散学習

• 1〜2週目：①〜③をていねいに読み込み、AIの全体像と用語に慣れる
• 3〜4週目：④〜⑥を毎日少しずつ、図とともに仕組みを理解する
• 5〜6週目：⑦⑧を学習し、CNN・Transformer・生成AIなど主要モデルを整理
• 7週目：⑨の社会実装・法律・倫理を暗記する
• 8週目：全分野の模擬問題＋時間配分の練習で仕上げる

文系・AI初学者向けの、ゆとりを持ったコースです。1日30〜40分×60日でおおむね30〜40時間。期間を長めに取ることで、専門用語が記憶に定着しやすくなります。コツコツ型の方や、数式に苦手意識がある方におすすめです。

シラバス確認→用語→モデル→法律→演習の順に進める

使う教材が最新シラバスに対応しているかを確かめる

学習を始める前に、JDLA公式サイトで最新のシラバスを確認します。生成AIの追加など改定が続いているため、使う参考書がそのバージョンに対応しているかをチェックしましょう。古い教材だけで対策すると、最新の出題範囲を取りこぼすおそれがあります。

細部の暗記より、用語どうしのつながりを先につかむ

G検定は出題範囲が広く、専門用語が大量に登場します。最初から細部を暗記しようとせず、まずは公式テキストや黒本などで全体像と用語のつながりをつかみます。「機械学習とディープラーニングの関係」「教師あり・なし・強化学習の違い」といった大枠を先に理解しましょう。

モデルは数式でなく「何を入れて何が出るか」で覚える

CNN・RNN・Transformer・GANなどは、数式を完璧に追うよりも「何を入力して何を出力する、どんな仕組みか」をイメージで理解するのが効率的です。図解の多い教材を使い、各モデルがどの領域（画像・言語・生成など）で使われるかをセットで覚えましょう。

⑨の法律・倫理を暗記で確実に取り切る

⑨の社会実装・法律・倫理は、技術が苦手でも得点できる分野です。個人情報保護・著作権・AI倫理・ガイドラインなどは、暗記すれば確実に点になります。技術分野で不安がある人ほど、この分野を取りこぼさないことが合格の支えになります。

1問30〜40秒で判断する感覚を演習で作る

約200問を120分で解くG検定では、知識だけでなくスピードが重要です。問題演習を繰り返し、1問あたり30〜40秒で判断する感覚を身につけましょう。わからない問題は飛ばし、確実に取れる問題を優先する判断力も鍛えます。ケンテイラボの1038問が役立ちます。

G検定受験者が陥りやすい学習の罠

SVMとSGD、GANとVAEなど略語が混ざる

機械学習・ディープラーニングには似た名前の手法が多く、SVMとSGD、CNNとRNN、GANとVAEなどを混同しがちです。名前だけでなく「何のための手法か」「どの領域で使うか」をセットで覚えると区別しやすくなります。一覧表を作って比較するのも効果的です。

実装レベルまで理解しようとして時間が尽きる

数式や理論を完璧に理解しようとすると時間が足りなくなります。G検定はジェネラリスト向けの試験なので、実装レベルの深い理解までは求められません。「概念とイメージを正しく押さえる」ことを優先し、深追いしすぎないバランス感覚が大切です。

古い教材のまま生成AI分野を素通りする

シラバス改定で比重が増している生成AI（LLM・拡散モデルなど）を、古い教材しか使わずに軽視すると失点につながります。ハルシネーションやプロンプト、生成物をめぐる権利関係など、最新トピックは時事的な情報も合わせて確認しておきましょう。

約200問を120分で解ききれず時間切れになる

知識は十分でも、約200問を120分で解ききれず時間切れになるケースがあります。模擬問題で時間を計りながら解き、わからない問題に固執しない練習をしておきましょう。オンライン受験では、調べながら解こうとして時間を浪費しないことも重要です。

文系受験・合格ライン・教材選びについての疑問

Q. プログラミング未経験でもG検定は取れますか？

A. 可能です。G検定はAIを実装するエンジニアではなく、事業に活用するジェネラリストを対象としているため、プログラミングのスキルは必須ではありません。用語と概念を体系的に理解し、法律・倫理分野を固めれば、文系の方でも十分に合格を目指せます。

Q. 合格ラインが非公表とはどういう意味ですか？

A. 合格ラインはJDLAから公表されていません。「正答率6〜7割が目安」と言われることがありますが、これは公式の数値ではないため断定はできません。確実に合格するには、目安より高い正答率を安定して出せる実力を目標にするのが安全です。

Q. オンライン受験なので調べながら解けますか？

A. オンライン受験のため物理的に調べる手段はありますが、約200問を120分で解く形式では、調べている時間はほとんどありません。基本は知識で即答し、調べるのは本当に迷った一部に限る、という前提で対策するのが現実的です。受験ルールは公式の最新案内を確認してください。

Q. 公式テキストと黒本、どれを使えばいいですか？

A. JDLA推奨の公式テキストや、定番の問題集（いわゆる黒本など）が広く使われています。最も大切なのは、最新シラバス（生成AIの追加など）に対応したバージョンを選ぶことです。古い教材だけだと最新範囲を取りこぼすおそれがあります。

Q. 同じJDLAのE資格とはどこが違いますか？

A. G検定はAIを事業活用する「ジェネラリスト」向け、E資格はディープラーニングを実装する「エンジニア」向けの試験です。E資格は受験に認定プログラムの修了が必要で、実装寄りの深い知識が問われます。まずはG検定で基礎を固め、必要に応じてE資格を目指す流れが一般的です。

Q. 年に何回、受験のチャンスがありますか？

A. G検定は年に複数回実施されているため、不合格でも次の回に再挑戦しやすい試験です。実施スケジュールや受験回数の扱いは公式サイトで確認してください。複数回のチャンスがあるぶん、計画的に学習して臨めます。

収録1038問を学習段階ごとに使い分ける

ケンテイラボでは、G検定の対策問題を全1038問・無料で公開しています。シラバスの9分野を網羅しているので、学習の段階に合わせて次のように活用するのがおすすめです。

• 学習初期：分野別演習で、技術分野と法律・倫理分野のどちらが弱いかを把握する
• 学習中期：間違えた問題を繰り返す復習モードで、似た用語・手法の混同を解消する
• 学習後期：ランダム出題で多くの問題を時間内に解き、本番のスピード感に慣れる
• 直前期：全1038問を周回し、各分野で取りこぼしのない状態に仕上げる

登録不要・完全無料で利用できるため、公式テキストや問題集での学習と並行して、気軽に大量の問題演習を取り入れられます。出題範囲が広くスピードも求められるG検定だからこそ、数多くの問題に触れて知識を定着させ、本番でも素早く正確に解ける実力を身につけましょう。