【G検定・振り返り】2021#2試験の詳細分析（その１）
本ページにはプロモーションが
含まれていることがあります
今年は夏が短く、もう秋の気配を感じますね。個人的には、暑がりやなので嬉しいです。🍁🎃🍂皆さんは今年の秋にやりたいことがありますか？🎃🌰🍁
さて、今回の投稿では、2021年7月17日に実施された、今年第２回目のG検定試験の分析結果を共有したいと思います。これからG検定を受験される方や現在勉強中のを方に少しでも役に立つといいですね。
資料請求でデータサイエンスの基礎が学べる講義を無料プレゼント
・講座（G検定・機械学習・データ分析など） 約3時間分
現役プロ講師によるわかりやすい講義
1分で簡単！今すぐ見れます(会員登録→お申込み→講座視聴)
2021#2のG検定試験で注目すること
2021年第２回（2021#2と略記）のG検定試験はある意味で特別です。何が特別かというと… 2021年４月にディープラーニング 協会（JDLA）がシラバスを改定した後の最初の試験だからです。それに伴い、重点的に出題される分野も多少なり変わってきたのではないかと心配していた受験者もいたかもしれません。G検定講座の講師として、私も少し緊張しました（笑）。
もう１つ特別な点があります。それまでは合否のみ情報を得られたのに対し、今回から「出題分野ごとの得点率」も受験者に知らせられるようになりました。
そこで、出題分野ごとの特徴と世の中の受験者の感触を調査してみました。
はい、そうです…私も今回受験しましたよ〜 日頃、講座の制作や執筆業務を行っているので、新しいシラバスの特徴を正確に把握することは重要ですので。
ちなみに、あれ？G検定ってなんでしたっけ？と、まだよくご存知ではない方のために、以下のコラムを参考にしてください！
参考コラム：G検定とは？難易度や年代・職種・業種別の合格率と合格基準を解説【2023年】
一言でいうと、G検定（公式名：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; Japan Deep Learning Association;） が実施している資格試験です。
その目的は、人工知能（AI）やデータサイエンスをビジネスに活用できる基礎知識を有しているかどうかを認定することです。
JDLA公式： https://www.jdla.org/business/certificate/
実は、皆さんとシェアしたい分析結果はボリュームが結構あるので😅、何回かにわけてお伝えしますね。
- 2021年の出題傾向がシラバス改定に伴い、どう変わったのか（今回）
- SNS上の声を分析してみました（次回）
- G検定のおすすめ学習法（次々回）
2021#2の試験で出題傾向が変わった！？
まず、一般的にいうと、G 検定で以下の分野が比較的頻出です。
- AI技術やデータ分析手法の具体的な仕組み、特徴、使い道
- ディープラーニングを応用した最新技術の用語
- AIの技術を理解するために必要な数学（微積分や線形代数）や統計学
- AI の社内実装に関する法的規制や倫理に関する議論
一番最後の項目は、AI技術が社会や産業に与える影響を評価する上で重要です。この分は多くの受験者が難しいと感じているようです。
今回から出題傾向が変わってきている？
全体的にみると、今回の試験は今までに比べて、「ハードな暗記を要する超難問」が減ってきて、業務に応用できそうな、実践的な知識を問う問題に移り変わっている気がします。
具体例を挙げると、かつては、強化学習の理論を深く掘り下げる問題を受験者が恐れていましたが、今回は目立って減りましたね。（せっかく超難問に一生懸命対策したのに、もったいない！ と感じる方もいたりするかもしれませんね (^^;)。
本当にジェネラリストとして知るべき本質的な質問が増えてきたので、検定の意義がより納得できるものになった気もします。
そして、細かい点ですが、数回前の試験までは、１つの問題文で（ア）〜（エ）と複数個の空欄があって、同じ問題文は複数の設問にわたるような出題（つまり、問１は（ア）に入るものを選ぶ、問２は（イ）にはいるものを選ぶ…）はなくなりました。問題文が簡潔になり、問われることの濃密度が上がったと思います。全て良い傾向でしょう…
出題分量が増えた分野は？
以下の分野がシラバスの改定に伴いより重視されてきているように感じます。
■モデルの解釈性
予測結果の解釈や可視化ツール、AI の透明性、XAI（Explainable AI;説明可能AI)、ブラックボックス問題など
■AIの社会実装に伴う課題
個人情報の扱い、データの取得・利用・保管に関する規則、セキュリティ、営業秘密など
■AIプロジェクトの進め方、ビジネスに応用する上の考え方
モデルを学習するための学習データの使い方、データ拡張の正しい行い方、データセットの偏り、AIの実装から本番導入までの流れ、MLOps、PoC、共同開発など
AI関連法律の分野に関していうと、以前の試験ではどちらかというと、純粋な法律の問題に近いものが出題されることが多かったです。例えば、特許権法や著作権法などの詳細を答える問題がありました。今では「AIと社会を結びつける」ことに傾いた内容に切り替わりつつあるように感じます。
上記で挙げた項目は「特に増えた」とあくまでも個人的に感じている（思い出せている？）分野です。もちろん、これまで同様に、 ディープラーニングの仕組みの基本、様々な機械学習アルゴリズム、自然言語処理、強化学習、画像生成などについては大量に、満遍なく出題されています。
ディープラーニングを用いた技術のうち、音声認識は特に今回多く問われたのが印象的でした。私は以前、物理の研究をしていたが、音波の物理を理解していないと難しいのでは、のような音声認識の問題もありましたね。今までは画像系がメインだったが、人間の五感に例えると他の「感覚」もAIに置き換える試みが増えてきていますね。
いかがでしたか？
次回の投稿では、SNS（Twitter）から見た受験者の声を紹介したいと思います。さらにその次は有効な勉強法をいくつか提案する予定です。そちらも楽しみにしてください。
また次回お会いしましょう！
資料請求でデータサイエンスの基礎が学べる講義を無料プレゼント
・講座（G検定・機械学習・データ分析など） 約3時間分
現役プロ講師によるわかりやすい講義
1分で簡単！今すぐ見れます(会員登録→お申込み→講座視聴)
実践的な
Python・データ分析スキル
を身に付けたい方へ
何から手をつけたら良いかわからない
独学で挫折したことがある
専門的な内容で身近に相談できる人がいない
このような悩みをお持ちでしたら
AI Academy Bootcampにご相談下さい！
この記事の著者 ヤン ジャクリン
2015年 東京大学大学院 理学系研究科物理学専攻 修了（理学博士）
2015年 高エネルギー加速器研究機構 素粒子原子核研究所（博士研究員）
2017年 株式会社GRI（現職） 講師 兼 分析官
2019年 Tableau Desktop Certified Associate 資格取得
・英検1級
・TOEFL IBT試験満点
北京生まれ、米国東海岸出身（米国籍）、小学高学年より茨城県育ち。
万物の質量の源となるヒッグス粒子の性質を解明し、加速器実験による新粒子発見に関する研究を行い、国際・国内学会発表20件以上、査読論文5件以上。
10年以上に渡り、幅広い年齢層の学習指導を学習塾や大学などで実施（5科目、英会話、受験指導、素粒子物理など）。
現在は、株式会社GRIにて、データ分析官（データ前処理、可視化分析、マーケティング施策の分析 他）
公開講座および法人研修を多数開設。
