JDLA Generative AI Test 2024 #1 に合格してました！
ひっそりと受験してました！
Generative AI Test とは
G検定 や E資格 の 一般社団法人 日本ディープラーニング協会 が開催している 生成 AI 特化 の試験です。
| JDLA Generative AI Test 2024 #1 | |
|---|---|
| 試験開催日 | 2024年6月8日（土）10:00～23:59 |
| 受験資格 | どなたでも受験可能 |
| 実施概要 | 試験時間 20分 択一式/多肢選択式 19問 ・ 記述式 1問 オンライン実施（PC/スマホ） |
| 出題範囲 | シラバス より出題 |
| 受験費用 | 2,200円 (税込) |
試験時間は20分と非常に短いです。
選択式19問と記述式1問の計20問ということで、
1問あたり1分です。ほとんど悩んでる時間はありません。
見直し時間は無かった！
また、試験当日は 10:00～23:59 ならいつでも受験可能なのがとても良かったです。
当日は夕方まで予定があったのですが、この自由度の高さが申し込みの決め手になりました！
シラバス
下記にシラバスをコピペしましたが、この辺の用語から出題されます！
生成AIの技術
特徴
・テキスト、画像、音声等の生成モデルに共通する技術的な特徴を俯瞰して理解している。
・確率モデル、ハルシネーション (Hallucination)
・大規模言語モデルの基本構造を理解している。
・基盤モデル、言語モデル、大規模言語モデル (LLM)、トランスフォーマー (Transformer)、アテンション (Attention)、GPT-3
・大規模言語モデルにおけるモデルの学習方法を理解している。
・教師あり学習、自己教師あり学習、事前学習、ファインチューニング
・大規模言語モデルのアラインメントを理解している。
・アラインメント (Alignment)、人間のフィードバックによる学習 、インストラクション・チューニング (Instruction Tuning)
・大規模言語モデルにおける生成の仕組みを理解している。
・コンテキスト内学習 (In-Context Learning)、Zero-Shot、Few-Shot、Chain-of-Thought、サンプリング手法
・大規模言語モデルの性能評価について知っている。
・リーダーボード、ベンチマーク
・確率モデル、ハルシネーション (Hallucination)
・大規模言語モデルの基本構造を理解している。
・基盤モデル、言語モデル、大規模言語モデル (LLM)、トランスフォーマー (Transformer)、アテンション (Attention)、GPT-3
・大規模言語モデルにおけるモデルの学習方法を理解している。
・教師あり学習、自己教師あり学習、事前学習、ファインチューニング
・大規模言語モデルのアラインメントを理解している。
・アラインメント (Alignment)、人間のフィードバックによる学習 、インストラクション・チューニング (Instruction Tuning)
・大規模言語モデルにおける生成の仕組みを理解している。
・コンテキスト内学習 (In-Context Learning)、Zero-Shot、Few-Shot、Chain-of-Thought、サンプリング手法
・大規模言語モデルの性能評価について知っている。
・リーダーボード、ベンチマーク
動向
・テキスト、画像、音声等の生成モデルの技術動向を俯瞰して理解している。
・条件付き生成、拡散モデル (Diffusion Model)
・大規模言語モデルのオープン化の動向と原因について理解している。
・オープンコミュニティ、オープン大規模言語モデル、オープンデータセット、オープンソース、量子化や蒸留による推論の効率化
・大規模言語モデルの性能を決める要素の動向と原因について理解している。
・スケーリング則 (Scaling Laws)、データセットのサイズ、データセットの質、モデルのパラメーター数、計算資源の効率化、LoRA、GPU
・大規模言語モデルのマルチモーダル化の動向と原因について理解している。
・マルチモーダル
・大規模言語モデルの外部ツール・リソースの利用の動向と原因について理解している。
・学習データの時間的カットオフ、大規模言語モデルの知識、大規模言語モデルの不得意タスク
・条件付き生成、拡散モデル (Diffusion Model)
・大規模言語モデルのオープン化の動向と原因について理解している。
・オープンコミュニティ、オープン大規模言語モデル、オープンデータセット、オープンソース、量子化や蒸留による推論の効率化
・大規模言語モデルの性能を決める要素の動向と原因について理解している。
・スケーリング則 (Scaling Laws)、データセットのサイズ、データセットの質、モデルのパラメーター数、計算資源の効率化、LoRA、GPU
・大規模言語モデルのマルチモーダル化の動向と原因について理解している。
・マルチモーダル
・大規模言語モデルの外部ツール・リソースの利用の動向と原因について理解している。
・学習データの時間的カットオフ、大規模言語モデルの知識、大規模言語モデルの不得意タスク
生成AIの利活用
特徴
・生成AIには何ができるのかを理解している。
・ケイパビリティ
・生成AIをどのように使うのかを理解している。
・活用事例
・生成AIの性能を拡張する使い方を理解している。
・プロンプトエンジニアリング
・ケイパビリティ
・生成AIをどのように使うのかを理解している。
・活用事例
・生成AIの性能を拡張する使い方を理解している。
・プロンプトエンジニアリング
動向
生成AIのリスク
特徴
動向
・生成AIについて、現時点では認識されていない新たなリスクの出現とそれに伴う規制化の可能性を理解している。
・新たなリスク、規制化、情報収集
・生成AIの活用に伴うリスクを自主的に低減するための方法を把握している。
・自主対策
・新たなリスク、規制化、情報収集
・生成AIの活用に伴うリスクを自主的に低減するための方法を把握している。
・自主対策
まとめ
生成AIモデルの開発者だけに向けた試験ではなくて、生成AIの動向やリスクなど利用者が注意すべきこととかも問われるので、世の中全員が受けたほうが良いと思った！
