生成AI（Generative AI）とは？仕組み・種類・ハルシネーションまでわかりやすく解説【IPA試験対策】

📊 生成AI（Generative AI）の基本情報

生成AIの技術階層

▲ AI → 機械学習 → ディープラーニング → LLM/拡散モデル → 生成AI という包含関係

⚠ 生成AIの主なリスク

💡 生成AIの核心を3行で

・学習データをもとに新しいコンテンツ（テキスト・画像・コード等）を自動で作り出すAI技術
・ディープラーニングの上に構築された大規模言語モデル（LLM）や拡散モデルが基盤
・ハルシネーション、ファインチューニング、基盤モデル、オプトアウトが頻出キーワード

📊 過去問・公開問題での出題実績

📝 IPA試験での出題パターン

パターン1：「生成AIの活用事例を選べ」
4つの事例から「自然言語の指示で新しいコンテンツを生成する」ものを選ぶ形式。サーバ構築やテスト自動化など「生成」と名が付くだけの選択肢がひっかけになる。

パターン2：「関連用語の定義を選べ」
ハルシネーション、ファインチューニング、基盤モデルなどの用語名を答えさせる、または定義文を選ばせる形式。アノテーション、ディープフェイク、バイアスとの区別が問われる。

パターン3：「リスク・法的論点を問う」
AP R7春 問78のように、著作権法との関係やオプトアウトの意味を問う形式。FE R7 問17もこの系統。今後の出題増加が見込まれる。

試験ではここまででOKです。GANやTransformerのアーキテクチャ詳細は午前問題では問われないので、深追いは不要です。

Q. 生成AI（Generative AI）が、学習データの誤りや不足などによって、事実とは異なる情報や無関係な情報を、もっともらしい情報として生成する事象を指す用語として、最も適切なものはどれでしょうか？

• A. ハルシネーション
• B. アノテーション
• C. ディープフェイク

Q. 生成AIと敵対的サンプルは何が関係しているのですか？

敵対的サンプルは、AIの画像認識モデルに微細なノイズを加えて誤判定を引き起こす攻撃手法です。生成AIそのものへの攻撃ではありませんが、AIの脆弱性に関する出題として同じカテゴリで問われることがあります。「入力をわずかに改変してAIを騙す」のが敵対的サンプル、「事実と異なる出力をAI自身が生成してしまう」のがハルシネーションという違いを整理しておくと、選択肢の切り分けに役立ちます。

Q. 「RAG（検索拡張生成）」とは何ですか？試験に出ますか？

RAG（Retrieval-Augmented Generation）は、AIが回答を生成する前に外部のデータベースやドキュメントを検索し、その検索結果を参考にして回答精度を高める技法です。ハルシネーションの低減策として注目されています。2025年時点ではIP・FEの出題範囲には明示されていませんが、APの午前問題や高度試験で今後出題される可能性があります。「ファインチューニング＝モデルの内部を書き換える」「RAG＝外部データを参照して回答を補強する」という違いだけ把握しておけば十分です。

Q. 実務で生成AIを導入する際、最初に検討すべきことは何ですか？

最も重要なのは「利用ポリシーの策定」です。社内の機密情報や個人情報を外部の生成AIサービスに入力してよいのか、出力結果を社外公開してよいのか、著作権上の扱いをどうするか──こうしたルールを事前に決めておかないと、情報漏えいや法的リスクに直結します。実際にFE R7 問17では、オプトアウト設定（入力データを学習に使わせない設定）の理解が問われており、実務と試験の両面で重要な論点です。

Q. 「プロンプトエンジニアリング」と「プロンプトインジェクション」は何が違いますか？

プロンプトエンジニアリングは、生成AIから望ましい出力を得るために指示文を工夫する「正しい使い方」です。一方、プロンプトインジェクションは、悪意のある指示文を入力してAIの制限を回避させたり、意図しない動作を引き起こさせたりする「攻撃手法」です。同じ”プロンプト”を扱う概念ですが、目的がまったく異なるため、選択肢で混在させるひっかけパターンに注意してください。