はじめに

G検定の出題範囲には、AIの技術的背景だけでなく、応用分野に関する理解も求められる。中でも「ディープラーニングによって発展した分野」を正しく押さえることは、AI技術の本質を理解するうえで重要だ。

今回は、実際のG検定で出題された過去問をもとに、「どの分野がディープラーニングと相性が良いのか」、そして「なぜ一部の分野が不適切とされるのか」を明確にしていこう。

Contents

問題：G検定過去問より

ディープラーニングによって発展した分野として、最も不適切な選択肢を選べ。

正解は「3. エキスパートシステム」

「エキスパートシステム」は、ディープラーニングとは異なるAIのアプローチに基づいた分野である。ルールベース、つまり「人が定義したルールに基づいて推論する仕組み」が特徴だ。

対して、ディープラーニングは大量のデータから自動的に特徴を学習するアプローチだ。知識を人が記述する必要はなく、特に非構造データ（画像・音声・自然言語など）との相性が良い。

分野	ディープラーニングとの関係性
音声認識	音声波形から特徴を抽出し、発話内容を認識する際に高精度化が実現された。
画像認識	畳み込みニューラルネットワーク（CNN）により劇的な性能向上が実現された。
自然言語処理	Transformerベースのモデル（BERTやGPTなど）が台頭し、翻訳や対話で活躍中。
エキスパートシステム	手動でルールを設計する従来型AI。ディープラーニングとはアプローチが根本的に異なる。

ディープラーニングが得意とするのは、「パターン認識」や「特徴抽出」が重要なタスクだ。具体的には以下のような分野が挙げられる。

猫や犬を自動で分類したり、自動運転車が信号や標識を認識したりする技術の中心に、ディープラーニングがある。とくにCNNの登場によって、画像分類や物体検出の精度が飛躍的に向上した。

スマートスピーカーや音声アシスタントの発展には、LSTMやTransformerなどの深層学習モデルが欠かせない。生の音声データを高精度にテキスト化できるようになったのも、ディープラーニングの恩恵だ。

ディープラーニングは、意味を理解するような複雑な言語処理にも威力を発揮している。文脈を加味して翻訳する機能や、質問応答システムなどは、すべて深層学習によるものだ。

エキスパートシステムとは、「医師のような専門家の知識」をルールとしてコンピュータに記述し、その知識を使って推論を行う仕組みだ。1980年代のAIブームでは主流技術だった。

しかし、以下のような課題がある。

そのため、近年のAI開発では、より柔軟でスケーラブルな「ディープラーニング」に取って代わられている。

この問題から学べる重要なポイントは、「技術の背景を理解したうえで、関連性のある応用分野を見極めること」だ。

技術名	特徴	得意なタスク
ディープラーニング	自動で特徴を学習	画像認識、音声認識、自然言語処理など
エキスパートシステム	手動ルールベース	医療診断、工業検査（旧来型）など

過去問に繰り返し登場する分類パターンを理解しておくと、本試験でも落ち着いて選択肢を絞ることができる。

G検定では、単に正解を選ぶだけでなく、「なぜその選択肢が不適切なのか」を説明できる力が求められる。

今回の問題では、ディープラーニングの特性を活かしやすい分野（画像・音声・自然言語）と、旧来のAIであるエキスパートシステムの違いを正確に理解することがカギとなる。

✅ ディープラーニングは、パターン認識や非構造データの処理に強い
✅ エキスパートシステムは、ルールベースであり深層学習とは別の手法
✅ G検定では、「どの技術がどの分野に活用されているか」を関連づけて覚えることが大切

このような基礎を押さえておくことで、応用問題にも自信を持って取り組めるようになるはずだ。