試験概要
AIエンジニアとして実践的な知識があることの指標となる資格。概ね毎年2月と8月に試験が実施されています。
E資格体験講座を受講中
トーマさんのアドバイス
E資格試験を受験するには
協会認定の講座を修了する必要あり
E資格体験講座を受講中
トーマさんのアドバイス
私が受けたプログラムも日本ディープラーニング協会認定のものでしたが、独自の「演習課題」を準備してくれていました。私の場合はこの課題こそがE資格試験合格につながる実演演習になっていたなと思います。不安がある人は勉強の期間を長めにとっておいた方が良いので、いつでも場所や時間を選ばずに受講開始できるオンライン講座がオススメです。
協会認定の講座は自分に合ったものを選びたい
JDLA認定講座はさまざまな事業者が開催していますので、資格取得を目指している人はその中の1つを選んで受講することになります。費用や受講期間、オンライン対応など、各社サービス内容が異なりますので、自分にとって何を重要視するのかという部分をある程度見極めて比較することをおすすめします。
現役AIエンジニア5名が講座をレビュー
現役のAIエンジニア5名が、JDLA認定講座を受講し、レビュー。
良かった点も悪かった点も合わせてどんな人におすすめかを紹介しています。
今回受講した講座は、著名な講師による監修を受け、質の高い講座提供を行っている「zero to one」の講座を受講しています。
試験概要
ディープラーニングおよび機械学習における総合的な知識と動向を学ぶ指標となる検定。技術者だけでなく営業、マーケ職など幅広い職種の人が受験しています。
公式テキストを
利用した人の評判
公式テキストだけでは
検定合格できない！？
公式テキストを
利用した人の評判
G検定を開催している日本ディープラーニング協会では公式テキスト(通称白本)があるのですが、これだけを読めばG検定に合格できるわけではなく、テキストに書かれていないことも出てきます。あとは何より練習問題。合格を目指すのであればこれがあることがかなり重要かと思いますが、この本の練習問題は多くないので、もっと多くの練習問題に触れる機会が必要です。読みやすくまとまっていて、初学者がAIを理解する点では優れた本だと思うのですが…。
確実に合格を狙うなら講座を利用するべき
G検定の合格に向けては参考書やテキストなどを活用して独学で勉強することもできますが、企業が実施する対策講座を利用した方が知識の習得や理解が早まることがあります。
対策講座であれば、対面でもオンラインでもG検定の合格に向けたコンテンツが詰まっているので、それだけ効率的に対策を進められます。さまざまな企業や団体が対策講座を開催しているので、自分に合った講座を選んでみると良いでしょう。
人工知能の発展が目覚ましい昨今では、AIやディープラーニング、機械学習などに関する資格が増えてきています。ここでは、E検定やG検定の他にチェックしておきたい資格をご紹介します。
ディープラーニングに関する実装能力と知識を客観的に測れる検定試験。「AIを100万人が学ぶこと」を目的として設立されており、義務教育を受けている人であれば誰でも受験が可能です。
試験内容は、AIの中でもディープラーニング、さらに画像分類の実装スキルに焦点を当てていることが特徴。ディープラーニングの実装に必要な「数学の知識」「プログラミングの知識」「基礎理論の理解」について問われます。A級・B級・S級の3つのレベルがあり、「ディープラーニング実装師」の資格を取得できます（B級は2021年2月より試験開始）。
| 受験料 | A級：3,500円／B級：2,000円／S級：5,000円 ※税込 |
|---|---|
| 受験時間 | A級・S級：60分／B級：40分 |
| 問題数 | A級：小問60題／B級：小問30題／S級：小問50題 |
| 出題形式 | 全て多肢選択式 |
| 試験方式 | 全てオンライン（自宅受験） |
▪️A級 出題範囲
| AI（20題） | ニューラルネットワークの基礎的な構造の理解 （主要モデルや自然言語処理など） |
|---|---|
| プログラミング（20題） | Pythonと、数値計算をするための各種ライブラリの実装知識 入力層と出力層／Weight／順伝播の計算／行列の掛け算／バイアス項の導入／sigmoid関数 など |
| 数学（20題） | 集合と確率／数列と行列／関数と微分 |
| 出題形式 | 全て多肢選択式 |
▪️S級 出題範囲
| ディープラーニング （20問） |
【基本的な手法】 seq2seq／Transformer／HRED／Word2Vec (Skip-gram) 【モデル】 VGG16／VGG19／GoogLeNet-v1／ResNet-50, 101, 152, 18, 34／ResNeXt-50,101 など（主要モデルや自然言語処理など） |
|---|---|
| 画像処理 （30問） |
初歩的な画像処理の実装力を問う （「画像処理100本ノック」1-100問よりPythonによる実装を出題） |
ITパスポートは、2009年に開始した国家試験。ITに関する基礎的な知識が身についていることを証明できます。
試験では、AIやビッグデータ、IoTといった新しい技術や、アジャイルなどの新しい手法の概要に加え、経営全般の知識、IT知識、プロジェクトマネジメントなど、非常に幅広い分野に関する総合的な知識を問われます。
ITパスポートを取得することにより、「ITを正しく理解し、ITを活用できるIT力が身につく」というメリットがあります。
出題範囲は「ストラテジ系（経営全般）」「マネジメント系（IT管理）」「テクノロジ系（IT技術）の3つの分野に分けられます。
| 受験料 | 5,700円 ※税込 |
|---|---|
| 受験時間 | 120分 |
| 問題数 | 小問100問 （ストラテジ系（経営全般）：35問程度／マネジメント系（IT管理）：20問程度／テクノロジ系（IT技術）：45問程度） |
| 出題形式 | 四肢択一式 |
| 試験方式 | CBT方式 |
▪️ストラテジ系 出題範囲
経営全般に関する内容を問われます。具体的には「企業と法務（企業活動・法務）」「経営戦略（経営戦略や技術戦略のマネジメント・ビジネスインダストリ）」「システム戦略（システム戦略・システム規格）」。35問程度の出題となります。
▪️マネジメント系 出題範囲
IT管理に関する内容を問われます。具体的な内容は「開発技術（システム開発技術・ソフトウェア開発管理技術）」「プロジェクトマネジメント」「「サービスマネジメント（サービスマネジメント・システム監査）」20問程度の出題です。
▪️テクノロジ系 出題範囲
IT技術に関する内容を問われます。具体的な内容は「基礎理論（基礎理論・アルゴリズムとプログラミング）」「コンピュータシステム（ソフトウェア・ハードウェアなど）」「技術要素（ヒューマンインタフェース・マルチメディアなど）」。45問程度の出題です。
ITエンジニアの登竜門ともいわれる試験。合格することにより情報処理を取り扱う技術者としての知識や技能が一定以上の水準に達している、と認定される国家試験です。
試験では、特定の機種や製品などに依存しない出題を行っている点が特徴。そのため、ITの技術に関する知識を幅広く習得できることから、ITに携わっている全ての人が活用できる試験といえます。
基本情報技術者試験は午前試験と午後試験に分かれているため、それぞれの試験に対する対策が必要です。
| 受験料 | 5,700円 ※税込 |
|---|---|
| 受験時間 | 午前：150分／午後：150分 |
| 問題数 | 午前：出題数80問（解答数80問）／午後：出題数11問（解答数5問） |
| 出題形式 | 午前：多肢選択式（四肢択一）／午後：多肢選択式 |
| 試験方式 | 午前・午後ともにオフライン形式 |
基本情報技術者の上位に位置付けられ、より実務知識を問われる試験。こちらも経済産業省が認定する国家資格です。同試験の合格率は20％程度となっていますので、難易度は高い試験であるといえるでしょう。
試験の対象は「高度IT人材となるために必要な応用的知識・技能をもち、高度IT人材としての方向性を確立した者」とされており、ITエンジニアとしてワンランク上の技術と知識・応用力を身につけることができます。
情報参照元：IPA公式HP(https://www.ipa.go.jp/about/press/20220624.html)
| 受験料 | 5,700円 ※税込 |
|---|---|
| 受験時間 | 午前：150分／午後：150分 |
| 問題数 | 午前：出題数80問（解答数80問）／午後：出題数11問（解答数5問） |
| 出題形式 | 午前：多肢選択式（四肢択一）／午後：多肢選択式 |
| 試験方式 | 午前・午後ともにオフライン形式 |
情報処理推進機構が運営する国家試験であり、データベースに関するプロフェッショナルであることを証明できます。データベース全般に関する高い知識・技術を問われることから、情報処理技術者試験の中でも難易度が高い試験の一つ。
午前中の試験は「テクノロジ系」「マネジメント系」「ストラテジ系」の内容、午後は「データベースシステムの企画・運用定義・開発・運用・保守」「データベース技術」に関する内容が問われます。
| 受験料 | 5,700円 ※税込 |
|---|---|
| 受験時間 | 午前Ⅰ：50分／午前Ⅱ：40分 午後Ⅰ：90分／午後Ⅱ：120分 |
| 問題数 | 午前Ⅰ：出題数30問（解答数30問） 午前Ⅱ：出題数25問（解答数25問） 午後Ⅰ：出題数3問（解答数2問） 午後Ⅱ：出題数2問（解答数1問） |
| 出題形式 | 午前Ⅰ・午前Ⅱ：多肢選択式（四肢択一） 午後Ⅰ・午後Ⅱ：記述式 |
| 試験方式 | オフライン方式 |
一般財団法人 統計質保証推進協会が実施している、統計に関する知識や活用力を評価する試験です。試験は1級・準1級・2級・3級・4級・統計調査士・専門統計調査士・統計検定データサイエンス基礎の8つに分かれています。受験資格はなく、自分のレベルに合わせた受験が可能です。
この試験は、統計の理論を学びたいと考えている方に向いているといえるでしょう。AI・ディープラーニングに必須ともいえる統計の知識を身につけることが可能です。
| 受験料 | 6,000〜10,000円（税込） |
|---|---|
| 受験時間 | 60〜120分 |
| 問題数 | 30問程度 |
| 出題形式 | 試験により異なる |
| 試験方式 | オフライン、CBT方式 |
エンジニアやプログラマや開発・研究者などを想定した検定。画像処理に関する基礎的な知識を測る「ベーシック」と専門知識の理解に加え、その知識を応用するための能力を測る「エキスパート」の2つに分かれています。
出題分野は基礎から画像信号処理、パターン認識・計測、メディア処理・符号化、画像処理システム、知的財産権などを対象としており、幅広い分野に関するソフトウェアやシステム、製品等の開発に必要な知識を測る内容となっています。
| 受験料 | ベーシック：5,600円／エキスパート：6,700円 ※税込 |
|---|---|
| 受験時間 | ベーシック：60分／エキスパート：150分 |
| 問題数 | 10問 |
| 出題形式 | マークシート形式 |
| 試験方式 | オフライン |
一般社団法人Pythonエンジニア育成推進協会が運営している、Pythonに関する試験です。試験では、Pythonの基礎からデータ分析の実装まで幅広い内容が問われるため、Pythonを用いたデータ分析を行う場合に必要とされる基本的な知識の確認ができる。
同試験はインターネット上で模擬試験の受験が可能となっています。
| 受験料 | 大人：10,000円／学割：5,000円 |
|---|---|
| 受験時間 | 60分 |
| 問題数 | 40問 |
| 出題形式 | 4択問題 |
| 試験方式 | CBT方式 |
AWS（Amazon Web Services）に関する知識やスキルを測るための試験である「AWS認定試験」のひとつ。AWS 機械学習専門認定資格は、開発やデータサイエンスに関わる業務に携わっている人を対象としており、AWSのデータベースを一般的な機械学習のスキルをAWS上で利用できるかを問う試験内容となっています。
具体的な試験内容は、データエンジニアリング・探索的データ解析・モデリング・機械学習の実装と運用。公式HPには試験の例題が掲載されています。
| 受験料 | 33,000 円（税込）／模擬試験 4,400 円（税込） |
|---|---|
| 受験時間 | 180分 |
| 問題数 | HPに記載なし |
| 出題形式 | 複数の選択肢と複数の答えがある問題 |
| 試験方式 | テストセンターまたはオンラインプロクター試験 |
ディープラーニングとは、人工知能(AI)を支える技術である機械学習のうちの一つの技術です。AIそのものの概念は1950年代からありましたが、ディープラーニングは2010年代より研究が進んだ新しい技術です。
ディープラーニングは機械学習における革新的な性能向上をもたらしています。
例えば「画像認識」においては、従来型の機械学習技術でも少しずつ性能が向上していましたが、2012年にディープラーニングの手法が登場してからは、画像認識の性能が一気に向上しました。その後も性能向上が続き、人間の平均的な画像認識精度を2015年に超えたことが話題となりました。（ヒトが5%程度間違える画像認識問題を、3.57%程度で認識できるようになった[※1]）。
[※1]Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun: Deep Residual Learning for Image Recognition, in arXiv: 1512.03385, 2015.
https://arxiv.org/abs/1512.03385
また、2015年に囲碁のプロ棋士にディープラーニングを用いた「Alpha Go」が勝利したことも話題となりました。オセロやチェスにおいては機械学習を用いてプロを下すこともありましたが、囲碁でAIがプロに勝つには10年先と言われていました。しかし盤面(局面)を画像として認識するディープラーニングを用いたことで、トッププロに勝利しました。
「色の認識」を例にとると、従来型の機械学習では人間が定義した「色情報」を元に、色の識別・学習をおこなうことで色を認識していました。
一方、ディープラーニングは与えられた大量のデータセットから、自動的にどの色がどういった特徴を持っているかを自ら抽出することが可能です。
つまり人が定義付けた情報がなくとも、どんな特徴を利用すれば情報の識別ができるのかを、自ら見つけ出して学習することができるといった点に、大きな違いがあるのです。
そのため、これまで人間の力では識別できなかった特徴を抽出できることになり、画像認識や音声認識の分野で幅広く活用されるようになりました。
現在のAIブームは1950年代から3回目のブームと言われています。このAIブームをけん引しているのは、ディープラーニングの技術といっても過言ではなく、人工知能に関するキーワードとして「ビッグデータ」が注目されているのも、ディープラーニングの技術における精度向上のためには多量のデータを持つことがカギとなるためです。
AIと聞いて一般的にイメージされるのは、人間の脳のような動きを機械が表現することのように思います。まさにディープラーニングは脳の神経細胞「ニューロン」をシミュレーションする技術です。赤ちゃんにいろいろな絵や写真を見せて学習させることは、ディープラーニングの「画像認識」そのものとなります。
ディープラーニングは脳の機能を機械再現する「ニューラルネットワーク」を用いた技術です。
脳のニューロンは他のニューロンとつながり、電気信号を伝える、または伝えないことで事象を認識します。ディープラーニングでは「入力」と「出力」の間に3層以上の中間層を持つニューラルネットワークが設計され、入ってきた情報に対して重み付けをして値を出すことを繰り返します。中間層の数は1000層、ニューロンの数は数千万個になることもあり、これの処理(乗加算)は多量になるのですが、GPUの登場によって高速に計算できるようになりました。
ディープラーニング技術を用いることで、技術開発のフローや必要とされる要素も変わっていきます。
従来の技術開発では仕様策定から機能ブロックに分解して設計をしプログラムにより各モジュールを実装、調整という流れでしたが、ディープラーニング技術においては、ニューラルネットワークを用意してデータを収集すれば学習をさせることで機能開発ができます。
従来の技術開発ではプログラム量が機能の複雑さに比例するのに対し、ディープラーニングではデータ量が実現できる機能に左右されるようになります。
このようにEnd-to-End開発といえるディープラーニングの技術は、汎用性の高い技術で、アイデア次第で様々な課題解決につなげることができます。
例えば音声を入力し、文字を出力すれば音声認識が可能となります。質問を入力し、求められている回答を出力とすればチャットボットの機能も。また、運動の習熟と画像認識を組み合わせれば、実を見分けて収穫するような機能をロボットに持たせることも可能です。「入力」と「出力」があれば、このようにさまざまな分野に応用できる可能性に満ちた技術なのです。
ディープラーニングの活用例としては、画像認識を挙げることができます。画像認識とは、映し出された物体や人の顔などを認識する技術のことです。人間が書いた文字を認識することも可能です。画像認識を使えば顔認証システムなどに活用することが可能で、セキュリティ強化などにも役立てられます。
音声認識では、人間の声をコンピューターに認識させることができます。例えば、スマートフォンに話し掛けるだけで応答するのも、音声認識の技術を活用しています。その他、コールセンターなどでの顧客対応にも活用可能であり、コンピューターが人間の代わりに指示や案内を行ってくれます。
自然言語処理とは、人間が書いた文字や話した音などをもとに意味の通る形でコンピューターが処理することを言います。自然言語処理を活用すれば、翻訳や文字変換といった技術に応用することができます。また、対話システムの構築も可能であり、スマートスピーカーやSiriといったアシストサービスにも自然言語処理の技術が活用されています。
レコメンデーションとは、その人に合った情報を提供することを言います。例えば、ECサイトなどで商品を閲覧している際に、おすすめの商品が提示されることがあります。これがレコメンデーションの技術であり、過去の購買履歴や閲覧履歴、SNSに投稿された情報などを参考に、その人に最も合っていると思われる情報を提供する仕組みです。
松尾氏は1997年 東京大学工学部電子情報工学科卒業後、スタンフォード大学客員研究員を経て、東京大学大学院工学系研究科准教授を務めました。2019年からは東京大学大学院工学系研究科の教授として活躍しています。人工知能やディープラーニングに精通した人物として知られており、日本ディープラーニング協会では理事長を務めています。ビッグデータ分析などにも精通しており、複数企業の取締役等も兼任しています。
巣籠悠輔氏はGunosy、READYFORの創業メンバーとしてエンジニアリングやデザインを担当するなど、インターネット分野における高い技術力を発揮してきた人物です。
人工知能を使った医療情報の分析やオンライン診療サービスを行う会社を創業するなど、AIを活用した事業を具現化する人物の1人としても注目を集めています。
2019年12月、「コミュニケーションとテクノロジー」をテーマにした「Communication Tech CONFERENCE 2019」が開催されました。
登壇した東京大学大学院工学系研究科教授の松尾豊氏によると、かなり近い将来AIは本当の意味で言葉を理解するようになるとのこと。「深層生成モデル」というディープラーニングの高次元な生成モデルが進化することで、言葉の意味処理がどんどん可能になってきているということです。
ソフトバンクグループは2019年6月、東京大学大学院工学系研究科教授の松尾豊氏を取締役に迎えました。
松尾氏はディープラーニングとWeb工学を専門とし、学習研究に熱心なかたわら産業界との橋渡し役としても積極的に活動しています。資金力が大きく先進的な投資を積極的に行う企業が、このような動きを取ったことで、日本におけるディープラーニング分野の進化と技術や人材に対する需要の高まりがさらに予想されます。
AI関連事業を行うAVILENの吉田拓真氏が、世界最弱のオセロを開発しました。人気Youtuberの「はじめしゃちょー」がこのAIと対戦する動画で話題になりました。
「わざと負けようとするオセロ」はいくつか開発されており、ここでは「石を少なく取るために最善の1手を取るAI」になっているのだそう。発表直後から有段者に動きを研究されて、最弱ながら「そこそこ勝たせられている」と、「アルファ碁」とはまた異なる人間vsAIの構図で盛り上がりを見せており、開発者としてこのような動きに興奮しているのだそうです。
山形大学がペルーのナスカの地上絵を新たに143枚発見しました。そのうちの1枚がAI技術による発見であったと発表されています。
IBMのディープラーニングプラットフォーム「IBM Watson Machine Learning Community Edition」でAIモデルを開発し、いくつかの候補が提示されたことで今回の発見にいたりました。今後も、過去10年に及ぶデータをAIで分析しながら新たな発見を目指すようです。
DeNAと人工知能開発のプリファード・ネットワークスが共同設立した「PFDeNA」は、少量の血液で癌の早期発見ができる研究を進めています。
癌には「ExRNA」という血液中の物質が大いに関係しており、この種類や量を分析することで14種類もの癌の早期発見が期待できます。ディープラーニングでそれぞれのパターンを深層学習することにより、癌の有無の判定ができるようになるとのことです。
次のページでは、自社でAI人材を育成したい企業に向けて人研修を行っているおすすめ事業者の紹介と、詳細について解説しています。またG資格などの資格取得ができる業者も含め16社紹介しているため、学習期間や金額など参考にしてください。
AIやディープラーニングといった分野では、まだまだ成長性が見込まれています。新しい技術でもあり、今後もますます開発競争が加速していくと予想されています。
そんな中で、GMOインターネット株式会社とディープラーニング開発企業(AVILEN)が協業を開始したように、ディープラーニングの開発企業と提携して協業しようとする企業も増えてきています。今後の協業状況からも目が離せません。
