セクション6 問題集 — AI ソリューションのモニタリング
問題 1
入力 X の 分布が時間とともに変化 することを何と呼ぶ？
A. Training-Serving Skew B. Data Drift C. Concept Drift D. Feature Attribution Drift
解答と解説
正解：B
- 入力 X の分布変化 = Data Drift
問題 2
入力 X と出力 Y の関係 P(Y|X) が変化することを何と呼ぶ？
A. Training-Serving Skew B. Data Drift C. Concept Drift D. Feature Attribution Drift
解答と解説
正解：C
- 関係 P(Y|X) の変化 = Concept Drift（ラベル必要）
問題 3
🆕 新ガイドで追加された、各特徴量の モデルへの寄与度 の分布変化は？
A. Feature Attribution Drift B. Concept Drift C. Training-Serving Skew D. Label Drift
解答と解説
正解：A
- 新ガイドの 4 つ目のドリフト = Feature Attribution Drift
問題 4（複数選択 — 2 つ選べ）
LLM プロンプトインジェクション対策に 適切なツール 2 つを選べ。
A. Model Armor B. Safety Filters (Gemini 内蔵) C. CMEK D. Cloud KMS
解答と解説
正解：A, B
- A：包括的 LLM 防御（プロンプトインジェクション・ジェイルブレイク・PII 漏洩・有害コンテンツ）
- B：Gemini 標準のセーフティフィルタ
- C/D は暗号化キー管理
問題 5
表形式モデルの予測理由を説明するには？
A. Sampled Shapley (Explainable AI) B. Integrated Gradients C. XRAI D. SHAP の自作実装
解答と解説
正解：A
- 表形式 = Sampled Shapley（Explainable AI が提供）
問題 6
画像分類の 判断根拠を可視化 したい。最適は？
A. Sampled Shapley B. Integrated Gradients または XRAI C. BLEU D. ROC-AUC
解答と解説
正解：B
- 画像の説明 = Integrated Gradients (ピクセル単位) または XRAI (リージョン単位)
問題 7
🆕 生成 AI の品質を 継続評価 するマネージドサービスは？
A. Cloud Monitoring B. Gen AI Evaluation Service (LLM-as-a-judge 統合) C. BigQuery D. Looker
解答と解説
正解：B
- Agent Platform 内蔵の Gen AI Evaluation Service が自動評価 + LLM-as-a-judge + 人手評価を統合
問題 8
訓練と推論の 前処理ズレ を検知する。何という現象？
A. Training-Serving Skew B. Data Drift C. Concept Drift D. Network Skew
解答と解説
正解：A
- 前処理コードのずれ = Training-Serving Skew。対策は TFT / Feature Store
問題 9
公平性の指標で 属性ごとの陽性予測率の差 を測る指標は？
A. Demographic Parity B. Equalized Odds C. Accuracy D. F1
解答と解説
正解：A
- Demographic Parity = 属性間で陽性予測率が等しい
- Equalized Odds は FPR/FNR が属性間で等しい
問題 10（複数選択 — 2 つ選べ）
PII を含む LLM レスポンスの 漏洩対策 2 つ：
A. Model Armor で出力スキャン B. Sensitive Data Protection (DLP) で後段スキャン C. ログ全削除 D. Gemini Pro に切替
解答と解説
正解：A, B
- A：LLM 特化の包括防御
- B：構造化 PII の検出
- C/D は対策にならない
問題 11
ドリフト検知時に 自動再訓練 を起動する。設計は？
A. Model Monitoring → Pub/Sub → Pipelines (CT) B. 手動でメール → 人手 C. ログ確認のみ D. デプロイ全停止
解答と解説
正解：A
- 検知 → Pub/Sub → Pipelines 起動の自動チェーンが CT パターン
問題 12
差分プライバシー (DP) の役割は？
A. データ送信暗号化 B. 訓練データに数学的ノイズを加えて個人特定を防ぐ C. レイテンシ削減 D. コスト削減
解答と解説
正解：B
- DP は 訓練データへのノイズ追加 で個人特定リスクを定量的に保証
- (ε, δ) パラメータで保証強度を表現
問題 13
連合学習 (Federated Learning) の特徴は？
A. データを集めて中央で学習 B. 端末側で学習し、勾配だけを中央に送る C. 全データを GCS に複製 D. 学習しない
解答と解説
正解：B
- 連合学習 = 端末で学習 + 勾配のみ集約。生データ非送信、プライバシー強化
問題 14
Model Card と Data Card の役割は？
A. モデル / データの 目的・性能・限界・偏り を文書化（透明性） B. 課金管理 C. ユーザー認証 D. ハードウェア仕様
解答と解説
正解：A
- 透明性 (transparency) の手段。責任ある AI の標準的ドキュメント
問題 15（複数選択 — 2 つ選べ）
🆕 Model Armor が防げる脅威 2 つ：
A. プロンプトインジェクション B. PII 漏洩（入出力） C. ハードウェア障害 D. 課金エラー
解答と解説
正解：A, B
- Model Armor は LLM 特化の包括防御。プロンプトインジェクション / ジェイルブレイク / PII / 有害コンテンツ / データ漏洩 に対応
問題 16
Concept Drift の 検知に必要なもの は？
A. 真のラベル（実際の結果） B. 推論レイテンシ C. CPU 使用率 D. ネットワーク帯域
解答と解説
正解：A
- Concept Drift は P(Y|X) の変化 を見るので、真のラベルが必要。プロキシメトリクスで近似することも可
問題 17
Model Monitoring の サンプリング率 で高 QPS の場合の典型は？
A. 100% 必須 B. 5〜10% で十分 C. 0% D. リクエスト時刻で決定
解答と解説
正解：B
- 高 QPS なら 5〜10% で統計信頼性 十分。コストとのバランス
問題 18
機密データを メモリ内でも暗号化 したい。Google のオプションは？
A. Confidential VM / Confidential GKE Nodes B. Cloud KMS のみ C. CMEK のみ D. 不可能
解答と解説
正解：A
- Confidential Computing：TEE (Trusted Execution Environment) でメモリ内データも暗号化
問題 19
LLM-as-a-judge の 典型的なバイアス で対策が必要なものは？
A. 順序効果（position bias） B. 容量制限 C. 課金通貨 D. リージョン差
解答と解説
正解：A
- LLM-as-a-judge は順序効果・長文選好・自己評価バイアスがある。position swap で緩和
問題 20
🆕 Agent Platform Model Monitoring で監視できる対象として 正しい ものは？（複数選択 — 2 つ選べ）
A. 入力特徴量のドリフト B. 予測値の分布変化 C. ハードウェア温度 D. 課金通貨
解答と解説
正解：A, B
- A：入力ドリフト検知
- B：予測値分布の変化検知
- C/D は監視対象ではない
全 20 問。全 6 セクション計 120 問の問題集を解いたら、
04_模擬試験/へ進んでください。