3級
作成と設計の説明に加え、ツールのインストール・設定・更新コマンドを質問します。 例を 1 つ選び、自分の設計とその理由を声に出して説明してみましょう。
受験資格
満8歳以上から受験できます。
画面共有による面接
SONUBのビデオ機能で画面全体を共有してから作業を進めます。
3級のインタビュー課題例
- 作成を指示されたらすぐに入力を始め、30秒以内に完成させます。作成後60秒以内に実際に動作することを検証します。を使う不正を防ぐため、スキル作成は30秒に制限し、動作を証明するために追加で60秒が与えられます。
- ・・・・・などのツールをインストール・設定・更新するコマンドについて質問します。 ためらわず自分でコマンドを入力し、インストールと設定を行ってください。
- 指定テーマのAIをどう作るか聞かれたら、ためらわず即座に答え始め、3分以内に作成の全過程の説明を終えます。
検証の60秒はスキル作成完了後から別に数えます。作成時間の30秒には含めません。
この難易度の問題が複数出されます。これが入門の3級の水準です。
全級共通の案内
インタビュー質問の例：次の単語を当てるAI
審査官 学生が勉強ノートを書くときに次の単語を当ててくれるを作るとしたら、どう作り、うまく動くかをどう確かめますか？順を追って説明してください。
次の4つのステップで答えます。ステップごとに、何を話すかと短い例を示しています。
-
1. 目的
そのAIが誰のために何をするのか — 何が入って何が出るのかを話します。例：「学生が『機械』と打つと『学習』を提案する。」
-
2. データ
何から、どれだけ学ぶのか、テスト用に何を取っておくのかを話します。例：「自分のノートの文2,000個 — 80%で学び、20%はテスト用に取っておく。」
-
3. 作り方
中でどう動くのか、何で作るのかを話します。例：「のが、どの単語の後にどの単語が来るかを数え、いちばん多く来た次の単語を提案する。」
-
4. 確認
うまく動くとどうやって分かるのか — 測る数字を1つと限界を1つ話します。例：「テスト用の文で、本当の次の単語が提案3つの中に入る割合を数える。直前の単語1つしか見ないので、長い文では外れる。」
試験官はテーマを変えることがあります — たとえば迷惑メッセージの振り分けや昼食メニューのおすすめ。それでも同じ4つのステップで答えます。級が上がるほど各ステップをより詳しく説明し、インタビューにはこの質問のほかにも級ごとの質問と課題があります。
何を学ぶか
- すぐに入力を始め、指定されたを30秒以内に作ります。
- 作成後60秒以内にスキルの実際の動作を検証します。
- 指定テーマのAI設計を即座に説明し始め、3分以内に作成の全過程を説明します。
どう評価されるか
- スキルを30秒以内に完成させたか。
- 作成後60秒以内に実際の動作を検証したか。
- この水準の複数の問題に外部の助けなく即座に対応したか。
面接の予想質問
以下の11問は、面接で審査官が尋ねるかもしれない質問の例です。正解の単語一つを当てようとせず、声に出して説明してみてください。開くと説明の例と追加の質問が見られます。公式の試験問題ではありません。
人工知能の名前と会社
-
1
審査官 が何の略で、G・P・T の三つの言葉がそれぞれどんな意味なのかを説明してください。
説明の例を見る
説明の例 GPT は Generative Pre-trained Transformer の略です。Generative（生成型）は文章を新しく作り出すという意味、Pre-trained（済み）はとても多くの文章で前もってしてあるという意味、（トランスフォーマー）は2017年に Google の研究者たちの論文 " Is All You Need" で初めて発表されたの設計の名前です。 のの名前（GPT-4・GPT-5 など）や の GPT は、ここから来ています。
追加の質問 ChatGPT と GPT は同じものでしょうか、それとも違うものでしょうか？
-
2
審査官 を作っている会社を5社以上挙げ、それぞれの会社の代表的な AI の名前とあわせて説明してください。
説明の例を見る
説明の例 たとえば — ・・、 — 、Google（）— 、Meta — 、xAI — 、 — DeepSeek、Mistral AI — Mistral・Le Chat、Alibaba — です。一つの会社が、とそのモデルを使うアプリに別々の名前を付けることもあります（OpenAI の GPT モデルと ChatGPT アプリ）。
追加の質問 同じ質問を違う会社の AI にすると、なぜ答えが違うことがあるのでしょうか？
学習・データ・ベクトル
-
3
審査官 （Machine Learning）と（Deep Learning）がどう違うかを説明してください。
説明の例を見る
説明の例 機械学習は、人がルールを一つずつ書く代わりに、たくさんの例（）を見せて、コンピューターに自分でルールを見つけさせる方法全体のことです。ディープラーニングはその中の一つの分野で、の層を何重にも深く（Deep）重ねてします。昔ながらの機械学習では、どんな特徴を見るかを人が選ぶことが多いのに対し、ディープラーニングは写真の画素や文章のようなもとの資料から特徴まで自分で学びます。その代わり、データと計算がずっと多く必要です。
追加の質問 今の は機械学習でしょうか、ディープラーニングでしょうか？両方なら、それはなぜですか？
-
4
審査官 （Embedding）と（Vector）がどう違うかを、「子犬」と「犬」を例にして説明してください。
説明の例を見る
説明の例 ベクトルは [0.2, -1.5, 3.0] のように、いくつもの数を決まった順に並べたリストにすぎず、それだけでは意味を持ちません。埋め込みは、単語・文・絵の意味をそのようなベクトルに変える方法（またはそうして作ったベクトル）で、「子犬」と「犬」のように意味の似た言葉が近い数になるようにして作ります。ですから、埋め込みはすべてベクトルですが、ベクトルがすべて埋め込みというわけではありません。検索・おすすめ・は、意味を比べるときに埋め込みを使います。
追加の質問 埋め込みを使うと、言葉が違っても同じ意味の文章を見つけられるのはなぜでしょうか？
-
5
審査官 （Training Data）とは何か、なぜよいが大切なのかを説明してください。
説明の例を見る
説明の例 学習データは、 が学べるように見せる、たくさんの例（写真・文章・音など）です。AI の答えは学習データに似るので、まちがったデータで学ぶとまちがった答えを出します。
追加の質問 ネコを見分ける AI を作るなら、どんな写真を集めますか？
プロンプトとエージェント
-
6
審査官 （Prompt）と（System Prompt）がどう違うかを説明してください。
説明の例を見る
説明の例 プロンプトは、ユーザーがそのつど入力する質問や指示です。システムプロンプトは、会話が始まる前にアプリや開発者が前もって入れておく指示で、 の役割・話し方・守るルール（例:「あなたは親切な英語の先生です。日本語で答えます。」）を決め、会話のあいだずっと使われます。ふつうユーザーには見えず、ユーザーのプロンプトとぶつかったときは、たいていシステムプロンプトのほうを先に守るように学習されています。
追加の質問 学生向けの英会話を作るなら、システムプロンプトに何を書きますか？
-
7
審査官 （Agent）と（Harness）がどう違うかを説明してください。
説明の例を見る
説明の例 エージェントは、目標を受け取ると自分で計画を立て、道具（ファイルを読む・コマンドを実行する・検索するなど）を使い、結果を確かめながら仕事を最後までやりとげる のシステムです。ハーネスは、を包んでエージェントとして動かす外側ので、を入れ、道具をつないで実際に実行し、その結果をまたに返すくり返し（ループ）と、・コンテキストの管理を受け持ちます。かんたんに言えば、エージェント = 言語モデル + ハーネスで、 や がハーネスの例です。同じモデルでも、ハーネスが違えばエージェントの実力が変わります。
追加の質問 同じモデルを使う二つのエージェントの実力が違うことがあるのはなぜでしょうか？
-
8
審査官 （Agent）と（Language Model）がどう違うかを説明してください。
説明の例を見る
説明の例 言語モデルは、文章を受け取って次の文章（）を続けて書くそのもので、自分だけではファイルを開いたりコマンドを実行したりできず、一回聞かれると一回答えます。エージェントは言語モデルを頭脳として使い、そこに道具の使用・何段階ものくり返し・結果の確認を加えて、「このを直して」のような目標を受け取ると、自分で何度も行動して最後までやりとげます。たとえば は言語モデルで、 は Claude を使うエージェントです。
追加の質問 言語モデルに「今日の天気」を聞くとなぜまちがえることがあり、エージェントはそれをどう解決できるでしょうか？
ニューラルネットワーク・言語モデル・コンテキスト
-
9
審査官 （Neural Network）とは何か、人の脳と似ている点と違う点を説明してください。
説明の例を見る
説明の例 ニューラルネットワーク(人工ニューラルネットワーク)は、人の脳の神経細胞()から着想を得たです。単純な計算単位を層状につなぎ、各単位は入力にを掛けて足し合わせ、を通して次の層へ渡します。とは、を見てこの重みを調整し、パターンを身につけることです。脳から着想を得ていますが、実際の脳と同じように動くわけではありません。
追加の質問 ニューラルネットワークの「層」とはどういう意味ですか？
-
10
審査官 は です。では ・・ も LLM なのかを、一つずつ説明してください。
説明の例を見る
説明の例 Gemini（Google）・Claude（）・Grok（xAI）は、どれも LLM（Large Language Model、大規模言語モデル）のシリーズの名前で、同じ名前ののアプリもあります。Codex は違います。今の Codex は の（Codex CLI・アプリ）で、LLM そのものではなく、 系の（GPT-5-Codex のように向けに調整したモデルを含む）を頭脳として使うです。2021年には、同じ名前のコードを作るモデル Codex もありました。名前がモデルなのか、アプリなのか、エージェントなのかを見分ける必要があります。
追加の質問 は LLM でしょうか、アプリでしょうか？その中で動いているのは何でしょうか？
-
11
審査官 1M（100万）のコンテキストに対応したを 400K（40万）トークンのコンテキストに減らすと、何が変わるのかを説明してください。
説明の例を見る
説明の例 コンテキスト（）は、が一度に見られる文章の量（トークンの数）です。400K に減らすと、会話・読んだファイル・道具の結果を一度に入れられる量が 40% になり、大きなベースや長い文書を一度に入れられなくなります。長い作業では場所が早くいっぱいになるので、前の内容を要約（compact）したり切り捨てたりすることが増え、そのあいだに前に受けた指示や細かい点を忘れることがあります。そのため、必要なファイルだけを選んで読む・検索（）・メモのファイル・作業を分けることがより大切になります。その代わり、リクエストごとに入れるトークンが少ないので、費用と応答時間は減ることがあります。モデルそのものの賢さが下がるわけではありません。
追加の質問 コンテキストが小さくなったエージェントに長い作業を任せるなら、どのように分けて頼みますか？