Generative AI Passport Vocabulary Drill

生成AIパスポート 用語ドリル

一般社団法人生成AI活用普及協会（GUGA）の「生成AIパスポート」の頻出用語をフラッシュ暗記で。2027年2月試験から適用される新シラバスの5章に沿って、AIの基礎・生成AI・AIエージェント・リスクと法律・実践活用の250語を収録しています。

5
FIELDS
250
TERMS
12s
PER Q
20s
PER CYCLE

分野を選ぶ

AI Basics 50
50 words
AIの仕組み・機械学習・ニューラルネットワーク・AIの歴史の50語（新シラバス第1章）。
Generative AI 50
50 words
生成AIを支える技術・学習と推論の仕組み・LLM・主要モデル・各モダリティの50語（第2章）。
AI Agents 50
50 words
エージェントの種類と仕組み・RAGの発展形・MCPなどの外部連携・安全性と評価の50語（第3章・新設）。
Risk & Governance 50
50 words
代表的リスク・シャドーAI・個人情報と著作権・AI倫理・ガバナンス・AI法と国際ルールの50語（第4章）。
Practice 50
50 words
プロンプトの技法と業務別の活用（文書・企画・クリエイティブ・データ分析・開発自動化・業種別）の50語（第5章）。

収録語の一覧（全250語から抜粋）

生成AIパスポート 用語ドリルに収録している内容を分野別に掲載します。ドリルでは4択形式で出題し、正解後に意味・ポイントを表示します。

AIの基礎と歴史（全50語）

AIの仕組み・機械学習・ニューラルネットワーク・AIの歴史の50語（新シラバス第1章）。　※ 収録50語のうち20語を抜粋して掲載しています。

QUESTION意味ポイント
ルールベースRule-based仕組み人が書いた条件分岐の規則に従って判断する方式のAI規則の範囲外の状況には対応できない。エキスパートシステムが代表例。
機械学習Machine Learning仕組みデータからパターンや規則をコンピュータ自身に学習させる技術人が規則を書く代わりにデータで学ぶ。ディープラーニングはその一手法。
ディープラーニングDeep Learning仕組み多層のニューラルネットワークで特徴量そのものを自動で学習する手法特徴量の設計を人が行わなくてよい点が従来の機械学習との違い。
特徴量Feature仕組み予測や分類の手がかりとしてデータから取り出す数値や属性従来の機械学習では人が設計し、ディープラーニングでは自動で獲得する。
教師あり学習Supervised Learning学習法入力と正解ラベルの組から入力と出力の対応関係を学ぶ方式分類（迷惑メール判定）と回帰（売上予測）が代表的なタスク。
教師なし学習Unsupervised Learning学習法正解ラベルのないデータからまとまりや構造を見つけ出す方式クラスタリングや次元削減が代表例。顧客の自動グルーピングなどに使う。
強化学習Reinforcement Learning学習法試行錯誤の結果として得られる報酬が最大になる行動を学ぶ方式囲碁AIやロボット制御で使われる。RLHFもこの考え方を応用している。
半教師あり学習Semi-supervised Learning学習法少量のラベル付きデータと大量のラベルなしデータを組み合わせて学ぶ方式ラベル付けのコストが高い場面で有効。
自己教師あり学習Self-supervised Learning学習法データの一部を隠して当てさせるなどデータ自体から正解を作って学ぶ方式LLMの事前学習（次トークン予測）はこの一種。人手のラベルが不要。
ノーフリーランチ定理No Free Lunch Theorem学習法あらゆる問題で常に最良となる万能のアルゴリズムは存在しないという定理問題に応じて手法を選ぶ必要がある、という結論で問われる。
分類Classification学習法入力をあらかじめ決めたカテゴリのどれに属するか判定するタスク教師あり学習の代表。出力は「犬／猫」のような離散値。
回帰Regression学習法入力から売上や気温のような連続した数値を予測するタスク分類との違いは出力が連続値であること。
クラスタリングClustering学習法似たもの同士をまとめてデータをいくつかのグループに分けるタスク教師なし学習の代表。グループの意味づけは人が行う。
ニューラルネットワークNeural NetworkNN脳の神経細胞のつながりを模した入力層・中間層・出力層からなる数理モデル中間層を深く重ねたものがディープラーニング。
誤差逆伝播法BackpropagationNN出力の誤差を出力層から入力層へ逆向きにたどり各重みの修正量を求める方法ニューラルネットワークの学習を効率化した基本アルゴリズム。
勾配降下法Gradient DescentNN誤差が小さくなる方向へパラメータを少しずつ動かして最適値を探す方法一度に動かす幅が学習率。大きすぎると発散し小さすぎると遅い。
学習率Learning RateNN勾配降下法でパラメータを1回に更新する幅を決める値ハイパーパラメータの一つ。人が事前に設定する。
過学習OverfittingNN学習データに適合しすぎて未知のデータでの性能が下がる状態対策はデータを増やす、正則化、ドロップアウト、早期終了など。
ドロップアウトDropoutNN学習中にノードの一部をランダムに無効化して過学習を抑える手法特定のノードへの依存を防ぎ汎化性能を高める。
転移学習Transfer LearningNNある課題で学習済みのモデルを別の課題に流用して少ないデータで学ぶ手法学習済みの知識を活かすので学習時間とデータを節約できる。

生成AI（全50語）

生成AIを支える技術・学習と推論の仕組み・LLM・主要モデル・各モダリティの50語（第2章）。　※ 収録50語のうち20語を抜粋して掲載しています。

QUESTION意味ポイント
生成AIGenerative AI技術学習したデータをもとに文章・画像・音声などの新しいコンテンツを作り出すAI識別や予測を行う従来型のAIとの違いが問われる。
Self-AttentionSelf-Attention技術文中の各単語が他のどの単語と関係が深いかを重みづけして計算する仕組みTransformerの中核。離れた単語同士の関係も捉えられる。
拡散モデルDiffusion Model技術画像にノイズを加える過程の逆をたどりノイズから画像を復元して生成するモデルStable DiffusionやDALL·Eなど画像生成AIの主流方式。
潜在拡散モデルLatent Diffusion Model技術画像そのものでなく圧縮した潜在空間で拡散過程を行い計算を軽くしたモデルStable Diffusionが採用。家庭用GPUでも動かせるようになった。
基盤モデルFoundation Model技術大量のデータで事前学習され多様な用途に追加学習で適応できる汎用モデルLLMは基盤モデルの代表例。英語でFoundation Model。
マルチモーダルMultimodal技術テキスト・画像・音声など複数の種類のデータをまとめて扱えること画像を見せて質問に答えさせるなど、入力と出力の種類をまたげる。
モダリティModality技術テキスト・画像・音声・動画といったデータの種類マルチモーダルは複数のモダリティを扱えるという意味。
事前学習Pre-training学習大量の汎用データで言語や知識の一般的なパターンをモデルに学ばせる最初の工程最も計算資源を使う工程。基盤モデルはここで作られる。
次トークン予測Next Token Prediction学習それまでの文脈から次に来るトークンを確率的に予測する学習の課題LLMの事前学習の基本。生成もこの予測を繰り返して行う。
ファインチューニングFine-tuning学習事前学習済みのモデルを特定の用途のデータで追加学習させて調整すること社内用語や特定業務への最適化に使う。RAGとの違いがよく問われる。
RLHFReinforcement Learning from Human Feedback学習人が出力の良し悪しを評価した結果を報酬にしてモデルを強化学習させる手法人間のフィードバックによる強化学習。回答を有用で安全な方向へ調整する。
スケーリング則Scaling Laws学習モデルの規模・データ量・計算量を増やすほど性能が予測可能に向上するという経験則LLMの大規模化競争の根拠となった。
インストラクションチューニングInstruction Tuning学習指示と望ましい応答の組でモデルを追加学習させ指示に従いやすくすることファインチューニングの一種。チャット型AIの土台になる。
蒸留Distillation学習大きなモデルの出力を手本に小さなモデルを学習させ性能を引き継ぐ手法軽量で高速なモデルを作るために使われる。
トークンToken推論LLMが文章を処理する際の単語や文字の断片からなる最小単位料金や入力上限はトークン数で決まる。日本語は1文字1トークン前後になることが多い。
トークン化Tokenization推論入力された文章をモデルが扱えるトークンの列に分割する処理分割方法はモデルごとに異なる。
埋め込みEmbedding推論単語や文章を意味の近さが距離で表せる数値のベクトルに変換したもの意味が近い文章ほどベクトルも近くなる。RAGの検索に使う。
ハルシネーションHallucination推論生成AIが事実と異なる内容をもっともらしく出力してしまう現象幻覚とも訳される。出力の事実確認が欠かせない理由。
RAGRetrieval-Augmented Generation推論外部の文書を検索して得た情報をプロンプトに加えて回答を生成させる手法検索拡張生成。モデルを再学習せずに最新情報や社内文書を反映できる。
TemperatureTemperature推論出力の多様さを調整し値が高いほどランダムで創造的な応答になるパラメータ事実を答えさせたいときは低く、アイデア出しでは高めにする。

AIエージェント（全50語）

エージェントの種類と仕組み・RAGの発展形・MCPなどの外部連携・安全性と評価の50語（第3章・新設）。　※ 収録50語のうち20語を抜粋して掲載しています。

QUESTION意味ポイント
AIエージェントAI Agent種類目標を与えられると自ら計画を立てツールを使いながらタスクを進めるAIシステム一問一答のチャットと違い、複数の手順を自律的にこなす。
ワークフロー型エージェントWorkflow Agent種類あらかじめ人が決めた手順の流れに沿ってAIが各工程を処理するエージェント動きが予測しやすく、業務への組み込みやすさが利点。
自律型エージェントAutonomous Agent種類手順を固定せず状況に応じて次の行動をAI自身が判断して進めるエージェント柔軟だが想定外の動きをするリスクがあり監視が必要。
Human-in-the-LoopHuman-in-the-Loop種類AIの処理の途中に人の確認や承認を挟んで最終判断を人が担う設計送金・削除・公開など取り返しのつかない操作の前で使う。
自律性のレベルLevels of Autonomy種類AIが人の関与なしにどこまで判断・実行するかを段階で表した考え方用途のリスクに応じて自律性の高さを選ぶ。
コーディングエージェントCoding Agent種類指示に従ってコードの作成・修正・テスト・実行まで自律的に進めるエージェント開発の生産性を上げる代表的な活用例。
ブラウザ操作エージェントBrowser Agent種類Webブラウザを人の代わりに操作して検索や入力などの作業を行うエージェントログイン情報や決済の扱いに注意が必要。
リサーチエージェントResearch Agent種類多数の情報源を自ら検索・読み込みして調査結果をレポートにまとめるエージェントディープリサーチと呼ばれる機能の中核。
ベクトルデータベースVector DatabaseRAG文章を埋め込みベクトルとして保存し意味の近いものを高速に検索できるデータベースRAGで関連文書を探す土台になる。
ハイブリッド検索Hybrid SearchRAGキーワードの一致による検索と意味の近さによるベクトル検索を組み合わせる方式製品型番のような固有名詞にも意味の検索にも強くなる。
リランキングRerankingRAG検索で得た候補文書を質問との関連度で並べ替え上位だけをAIに渡す処理回答に使う情報の精度を上げる。
チャンクChunkRAGRAGで文書を検索しやすくするために分割した一つ一つの文章の断片分割の大きさが回答の精度に影響する。
Advanced RAGAdvanced RAGRAG質問の書き換えやリランキングなどを加えて検索と回答の精度を高めたRAG単純なRAGで起きる取りこぼしや誤った文書の参照を減らす。
Agentic RAGAgentic RAGRAGエージェントが検索の要否や検索先を自ら判断し必要なら検索を繰り返すRAG一度の検索で足りない複雑な質問に強い。
Graph RAGGraph RAGRAG情報同士の関係をナレッジグラフで表し関係をたどって回答に使うRAG人物・組織・出来事のつながりを問う質問に向く。
ナレッジグラフKnowledge GraphRAG物事を点とし関係を線で結んで知識を網の目状に表したデータ構造Graph RAGで使われる。
タスク分解Task Decomposition仕組み大きな目標を実行可能な小さな手順に分けて順番を決めることエージェントの計画（プランニング）の第一歩。
Function CallingFunction Calling仕組みLLMが外部の関数やツールを呼び出す必要を判断し呼び出しに必要な引数を出力する仕組み天気取得や社内システム検索などをAIから実行できる。ツール呼び出し。
短期メモリShort-term Memory仕組みエージェントが現在のタスクの途中経過や会話の流れを一時的に保持する記憶通常はコンテキストウィンドウ内で管理する。
長期メモリLong-term Memory仕組み会話やタスクをまたいで利用者の情報や過去の結果を保存し後で参照する記憶外部の保存先に蓄え、必要なときに検索して使う。

リスク予防・倫理・ガバナンス（全50語）

代表的リスク・シャドーAI・個人情報と著作権・AI倫理・ガバナンス・AI法と国際ルールの50語（第4章）。　※ 収録50語のうち20語を抜粋して掲載しています。

QUESTION意味ポイント
出力の検証Output Verification心構え生成AIの出力をそのまま使わず事実や根拠を人が確かめることAIは補助者であり、最終判断は人が行うのが基本姿勢。
批判的思考Critical Thinking心構えAIの回答を鵜呑みにせず根拠や妥当性を自分で吟味する姿勢もっともらしい誤りに気づくために必要。
AIを使わない判断Choosing Not to Use AI心構えリスクや目的に照らしてAIを使うべきでない場面を見極めること機密性が高い場面や正確性が厳しく求められる場面などが該当する。
ファクトチェックFact-checking心構え出力に含まれる数値・固有名詞・出典などの事実関係を一次情報で確認することハルシネーション対策の基本。
検証レベルVerification Level心構え用途の重要度と影響の大きさに応じて確認の厳しさを変えるという考え方社外向けの文書ほど厳しく確認する。
情報漏えい（生成AI）Data Leakageリスク機密情報や個人情報を入力した結果それが外部に流出したり学習に使われたりすること入力データの扱いは利用規約や設定（学習へのオプトアウト）で確認する。
著作権侵害（生成AI）Copyright Infringementリスク生成物が既存の著作物に似ていてそれを利用することで権利を侵害すること類似性と依拠性の両方があると侵害になり得る。
肖像権侵害Portrait Rights Infringementリスク本人の承諾なく顔や姿を撮影・公開・合成して人格的利益を害すること実在の人物を生成画像に使う場合に問題になる。
想定外の挙動Unexpected Behaviorリスク自律型AIが指示の意図と異なる操作や判断を行ってしまうこと権限の制限や人による承認で被害を抑える。
シャドーAIShadow AIコンプラ会社が承認していない生成AIツールを従業員が業務で勝手に使うこと情報漏えいや規程違反の原因になる。承認済みツールの整備が対策。
個人アカウントの業務利用Personal Account Useコンプラ会社の管理外にある個人契約のAIアカウントで業務データを扱うこと入力データの管理や監査ができず、漏えい時に追跡できない。
トレーサビリティTraceabilityコンプラ誰がいつどのAIで何を入力し何を出力したかを後から追跡できること利用履歴を残すことで実現する。
利用ガイドラインAI Usage Guidelinesコンプラ社内で使ってよいツールや入力してよい情報の範囲を定めた規程禁止事項だけでなく推奨の使い方も示すと定着しやすい。
個人情報保護法Act on the Protection of Personal Information個人情報個人情報を扱う事業者に取得・利用・提供のルールを定めた法律生成AIへ個人情報を入力する際も利用目的の範囲内かが問われる。
個人情報Personal Information個人情報生存する個人に関する情報で氏名や生年月日などにより特定の個人を識別できるもの顔画像や個人識別符号（マイナンバー等）も含まれる。
要配慮個人情報Special Care-required Personal Information個人情報人種・信条・病歴・犯罪の経歴など不当な差別につながるおそれがあり特に配慮を要する個人情報取得には原則として本人の同意が必要。
仮名加工情報Pseudonymized Information個人情報他の情報と照合しない限り特定の個人を識別できないよう加工した個人情報社内での分析向け。第三者提供は原則できない。
匿名加工情報Anonymized Information個人情報特定の個人を識別できずかつ元の個人情報に復元できないよう加工した情報一定のルールのもとで本人の同意なく第三者に提供できる。
マスキングMasking個人情報氏名や番号などの機密部分を伏せ字や記号に置き換えてから入力すること生成AIに入力する前の情報漏えい対策として有効。
営業秘密Trade Secret個人情報秘密として管理され事業に有用で公然と知られていない技術や営業上の情報不正競争防止法で保護される。AIへの入力で秘密管理性を損なうおそれ。

生成AIの実践と活用（全50語）

プロンプトの技法と業務別の活用（文書・企画・クリエイティブ・データ分析・開発自動化・業種別）の50語（第5章）。　※ 収録50語のうち20語を抜粋して掲載しています。

QUESTION意味ポイント
プロンプトエンジニアリングPrompt Engineering技法生成AIから目的の出力を引き出すために指示文を設計・改善する技術役割・目的・条件・出力形式を明確にするのが基本。
Zero-ShotZero-shot Prompting技法例を示さずに指示だけでタスクを実行させるプロンプトの手法単純なタスクではこれで十分なことが多い。
Few-ShotFew-shot Prompting技法いくつかの入力と出力の例を示してから同じ形式でタスクを実行させる手法出力の形式や口調をそろえたいときに有効。
One-ShotOne-shot Prompting技法入力と出力の例を一つだけ示してからタスクを実行させる手法Zero-ShotとFew-Shotの中間。
Chain-of-ThoughtプロンプトChain-of-Thought Prompting技法「段階的に考えて」などと指示して推論の過程を書かせ正答率を上げる手法計算や論理的な問題で効果が出やすい。
役割設定Role Prompting技法「あなたは経験豊富な編集者です」のようにAIに立場や専門性を与える指示回答の視点や専門性の水準をそろえられる。
出力形式の指定Output Format Specification技法箇条書き・表・JSON・文字数など回答の形をあらかじめ指定することそのまま業務に使える形で出力させられる。
具体度のコントロールSpecificity Control技法対象読者・目的・制約などを具体的に伝えて出力のぶれを抑えることあいまいな指示ほど一般的で使いにくい回答になる。
区切り記号Delimiters技法指示と参照資料の境界を###や引用符などで明確に分ける書き方AIが資料の中身を指示と取り違えるのを防ぐ。
ステップバイステップ指示Step-by-step Instruction技法作業の手順を番号付きで分けて順番に実行させる指示の書き方複雑な依頼でも抜け漏れを減らせる。
メタプロンプトMeta Prompt技法より良いプロンプトそのものをAIに作らせたり改善させたりするための指示プロンプト作成の手間を減らす使い方。
反復改善Iterative Refinement技法出力を見て指示を修正し再度生成するやり取りを繰り返して質を上げること一度で完璧を求めず、対話で詰めていくのが実践的。
ビジネスメール作成Business Email Drafting文書相手・目的・要件を伝えて依頼やお詫びなどのメール文面を作らせる活用送信前に宛名・日時・金額などの事実を必ず確認する。
校正・添削Proofreading文書誤字脱字や表現の不自然さを指摘させ文章を整えさせる活用修正箇所と理由を示させると判断しやすい。
要約Summarization文書長い文書や記事の要点を指定した長さや観点で短くまとめさせる活用重要な数字や条件の抜け落ちがないか元の文書と照合する。
議事録作成Meeting Minutes文書会議の録音や文字起こしから決定事項や宿題を整理させる活用発言者の取り違えや決定事項の誤りを人が確認する。
翻訳Translation文書文章を別の言語に訳させ文体や用語の統一も指定できる活用専門用語や固有名詞は誤訳しやすいので確認が必要。
スライド作成Slide Creation文書資料の構成案や各ページの文章、図の案を作らせる活用構成を先に作らせてから中身を詰めると効率が良い。
キャッチコピー作成Copywriting企画商品の特徴と対象者を伝えて広告の短い文言を多数案出しさせる活用他社の商標や既存のコピーに似ていないか確認する。
ブレインストーミングBrainstorming企画アイデアの候補を短時間で大量に出させ発想を広げる活用Temperatureを高めにすると多様な案が出やすい。

上記は収録内容の抜粋です。全250語はドリルを開始すると順に出題されます。

このドリルの位置付け

生成AIパスポートは、生成AIを安全に使うためのリテラシーを測る民間資格です。試験はオンライン（IBT方式）で、60分・60問の四肢択一式。受験料は一般11,000円（税込）、学生5,500円（税込）で、2月・4月・6月・8月・10月の年5回、それぞれ1か月の受験期間があります。

出題範囲はGUGAが公開するシラバスです。2027年2月試験からは新しいシラバスが適用され、「AIの基礎と歴史」「生成AI」「AIエージェント」「生成AIのリスク予防・AI倫理・ガバナンス」「生成AIの実践と活用事例」の5章になります。特に第3章のAIエージェント（MCP・A2A・プロンプトインジェクションなど）は新しく独立した章です。このドリルは新シラバスの章立てに合わせて作っています。

いつの試験を受けるか確認

2026年10月試験までは旧シラバス、2027年2月試験からは新シラバスです。2月試験の申込期間は10月1日〜1月31日。これから受ける人は新シラバスで準備するのが確実です。

使い方の3ステップ

分野別の覚え方

AIの基礎と歴史

機械学習の3分類（教師あり・教師なし・強化学習）と、ニューラルネットワークの構造（CNN・RNN・LSTM・Transformer）を「何を得意とするか」で覚えます。歴史はダートマス会議（1956年）から3回のAIブームまで、ブームごとの主役の技術を1語ずつ結びつけると混同しません。

生成AIとAIエージェント

RAGとファインチューニングは「モデルを再学習するかどうか」で区別します。エージェントの章は、MCP（ツールとの接続）、A2A（エージェント同士の連携）、Function Calling（ツールの呼び出し）がそれぞれ何と何をつなぐのかを言えるようにしておくと、4択で迷いません。

リスク予防・倫理・ガバナンス

法律の問題は、名前がよく似た用語の区別が中心です。引用と翻案、営業秘密とNDA、AI法とEU AI Actのように、対になる2語を続けて回すと効率よく覚えられます。シャドーAIやトレーサビリティなど、社内ルールの用語も新シラバスで増えています。

つまずきやすいポイント

合格率は8割前後の試験ですが、出題範囲は広く、法律や新しいエージェントの用語で取りこぼすと失点が重なります。用語を5秒で答えられる状態にしてから、公式テキストと模擬問題に進むのが近道です。

PR｜本セクションにはアフィリエイトリンクを含みます
講座・模試｜Udemy
Udemyで生成AIパスポートの対策講座を探す

用語を覚えたら、模擬試験形式の講座で60問・60分の時間配分に慣れておくと本番で焦りません。Udemyは年に何度もセールを開催しており、セール中は多くの講座が数千円台になります。

Udemyで講座を見る →

関連リンク