ある企業が、画像と言語を組み合わせたAIの活用案を検討している。活用案と、それに対応するタスクやモデルの組み合わせとして、最も不適切なものを1つ選べ。
1つ選んでください
正解と解説を見る
解説
正解C
ポイント
画像と質問文の両方を入力して答えを出すのはVQAです。画像から説明文を作るだけのImage Captioningとは区別します。
選択肢ごとの解説
- A
適切
Image Captioningは、画像を入力として、その内容を表す説明文を生成するタスクです。Webページの画像に付ける代替テキストの作成は、典型的な活用例です。
- B
適切
Text-To-Imageは、文章を入力として、その内容に合う画像を生成するタスクです。DALL-Eなどの画像生成モデルが代表例で、企画段階のイメージ作りに使われます。
- C
不適切 ◯ 正解
画像と質問文の両方を入力として、質問への答えを出すのはVisual Question Answering（VQA）です。Image Captioningは質問を受け取らずに画像全体の説明文を作るため、特定の問いに答える目的には合いません。
- D
適切
Flamingoは、画像と文章が交互に並ぶ入力を扱えるモデルです。数件の例をプロンプトとして示すだけで、追加の学習なしに新しいタスクに対応できるFew-shotの能力が特徴です。
試験での狙われ方
活用場面を示し、何を入力して何を出力するかから、対応するタスク名を選ばせる形がよく見られます。
関連用語
Visual Question Answering、Image Captioning、Text-To-Image、Flamingo
参考
- G検定 試験出題範囲（シラバス2024）第1.4版 （技術分野 項目32 マルチモーダル） 2026年10月30日閲覧
- Antol et al., VQA: Visual Question Answering (2015) 2026年10月30日閲覧
- Alayrac et al., Flamingo: a Visual Language Model for Few-Shot Learning (2022) 2026年10月30日閲覧