【DX検定】AI×ソフトウェア分野まとめ｜キーワード解説＋出題ポイント

DX検定の「AI×ソフトウェア分野（H）」は、AIとソフトウェアを基礎・応用・開発の観点で整理し、代表的なサービス/事例も含めて理解することが求められる領域です。しかし、AI用語は似た概念が多く、ソフトウェア領域も範囲が広いため、違いを言語化して覚えないと取り違えやすいのが実情です。

本記事は、H1（AI）とH2（ソフトウェア）で、実際の試験の問題文や選択肢での頻出キーワードを出題頻度（★〜★★★）つきで整理した「合格用まとめ」です。

AIは基礎・応用・開発に加えて代表サービス/事例も押さえられ、ソフトウェアも同様に段階別に整理できるうえ、「混同しやすいキーワードまとめ」で用語の差分を最後に総復習できるので、短時間で理解の精度を上げたい方におすすめです。

出題範囲の全体像はこちらのページをご覧ください。

H1_AI
H2_ソフトウェア
混同しやすいキーワードまとめ

H1_AI

AIの基礎知識

生成AI（★★★）

定義：学習データの分布をもとに、文章・画像・音声・動画などの“新しいコンテンツ”を生成するAI。
ポイント：

「分類・予測（識別）」よりも「生成（創作・編集）」が主役（文章生成、画像生成、動画生成、音声生成など）
生成AIは“それっぽい”出力が得意だが、正しさ（事実性）は別問題になりやすい（→ハルシネーション）

混同しやすいポイント：生成AI＝万能の正解生成、ではない（検索・根拠提示の仕組みとセットで理解する）

ジェネレーティブAI（★★★）

定義：「生成AI」の言い換え（generative AI）。
ポイント：問題集では「ジェネレーティブAI」という表記も出るため同義として結びつけて覚える

機械学習（★★★）

定義：データから規則性を学習し、予測・分類・推薦などを行う手法の総称。
ポイント：

“ルールを人が書く”のではなく、“データから学ぶ”
生成AIも機械学習の一領域（大規模モデル／深層学習を多用）

混同しやすいポイント：「教師データ」「アノテーション」など、学習データ作りの工程が頻出

ニューラルネットワーク（★★★）

定義：脳神経回路を模した層構造（ノードと重み）で特徴を学習するモデル。
ポイント：

画像・音声・自然言語などの複雑データで強い
深層化（層を増やす）すると表現力が上がる（→ディープラーニング）

混同しやすいポイント：「ニューラルネットワーク＝ディープラーニング」ではない（深層化したNNがDL）

ディープラーニング（★★）

定義：多層（深い）ニューラルネットワークを用いた機械学習。
ポイント：画像認識・音声認識・自然言語処理・生成AIの中心技術
混同しやすいポイント：“学習に大量データ・計算資源が必要”という前提を忘れない（→GPU/AIチップ）

強化学習（★）

定義：試行錯誤により、報酬が最大になる行動方策を学ぶ学習。
ポイント：ロボット制御、ゲーム、意思決定などで登場しやすい
混同しやすいポイント：教師データで正解を当てる（教師あり）とは違い、環境から報酬で学ぶ

推論（★★★）

定義：与えられた情報から結論を導く思考プロセス（AI文脈では推論モデル／Reasoningとも絡む）。
ポイント：問題集では「推論（演繹・帰納・アブダクション）」がセットで問われやすい
混同しやすいポイント：“推論＝計算（inference）”の意味もある（モデル実行の意味）。文脈で判断する

演繹（★）

定義：一般法則→個別結論（正しければ必ず正しい結論）。
ポイント：例：すべての人間は死ぬ／ソクラテスは人間→ソクラテスは死ぬ

帰納（★★）

定義：個別事例→一般法則（確率的・経験則）。
ポイント：例：観測した白鳥が全部白い→白鳥は白い（反例が出る可能性）

アブダクション（★★）

定義：観測結果を最もよく説明する“仮説”を立てる推論。
ポイント：例：地面が濡れている→雨が降った（かもしれない）
混同しやすいポイント：帰納と混ざりやすいが、アブダクションは“原因仮説の推定”に寄る

サポートベクターマシン（★★）

定義：分類境界（マージン最大）を最適化して分類する手法（SVM）。
ポイント：古典的だが用語として頻出。「ニューラル系」と対比で出やすい
混同しやすいポイント：深層学習と違い、特徴量設計やカーネルの考え方がカギ

ベイジアンネットワーク（★★）

定義：確率変数の依存関係をグラフ構造で表す確率モデル。
ポイント：不確実性を扱う、条件付き確率、因果っぽい依存の表現などで登場
混同しやすいポイント：“因果そのもの”を保証するわけではない（設計・仮定が重要）

教師データ（★）

定義：入力データに対して正解ラベル（目的変数）が付与された学習データ。
ポイント：教師あり学習の前提。データ品質が性能に直結

アノテーション（★）

定義：データ（画像・音声・文章など）にラベルや注釈を付ける作業。
ポイント：教師データ作成の中心工程（時間・コストがかかる）
混同しやすいポイント：ひっかけ：アノテーション≠スコーピング、≠クラスタリング、≠クレンジング

スコーピング：課題・範囲決め
クラスタリング：似たものを自動でグルーピング
クレンジング：欠損・表記ゆれ・外れ値などの整形

AIの応用知識

拡散モデル（★★）

定義：ノイズ付与→ノイズ除去を繰り返して生成するモデル（画像・動画生成で頻出）。
ポイント：画像生成・動画生成の中核として登場しやすい（動画生成AIの話題とセット）
混同しやすいポイント：GAN（敵対的生成）と混同しやすい

拡散＝段階的な復元
GAN＝生成器と識別器の対戦

トランスフォーマー（★★）

定義：注意機構（Attention）を中心にした深層モデル。LLMの中核アーキテクチャ。
ポイント：LLM・生成AIを語るうえで避けられない基礎語
混同しやすいポイント：選択肢の誤記（transformer系のもじり）に注意。構造のキーワードとして押さえる

マルチモーダル（★）

定義：テキストだけでなく画像・音声など複数モーダルを統合して扱うこと。
ポイント：LLMの発展形として「画像も理解」などが出やすい
混同しやすいポイント：“直接リアルタイム制御までやる”などの言い切りは要注意（ロボット応用の設計論と混ざりやすい）

音声合成（★★）

定義：テキスト等から音声を生成する技術（TTSなど）。
ポイント：ナレーション、読み上げ、音声アシスタント、キャラ音声などで使われる
混同しやすいポイント：音声合成（声）と音楽生成（曲）は別（サービス名で混ざりやすい）

Text to Speech（★）

定義：テキスト→音声（TTS）のこと。
ポイント：問題文・選択肢では英語表記で出ることがある

大規模言語モデル（LLM）（★★★）

定義：大量のテキストで学習し、文章生成・要約・翻訳・推論などを行う言語モデル。
ポイント：

“何ができるか”よりも“どこが弱いか（幻覚、根拠、最新性）”がひっかけになりやすい
「トークン」「コンテキスト長（長文処理）」とセットで問われやすい

混同しやすいポイント：“無料のみで利用可能”のような極端な断定は疑う（サービス提供形態は変わりやすい）

SLM（Small Language Model）（★）

定義：LLMより小型（軽量）な言語モデルの総称。
ポイント：小さい＝弱い、ではなく「用途に合わせて軽量で速い」価値がある（端末内・エッジなど）混同しやすいポイント：何が“小さい”の指標か：パラメータ数（頻出）

パラメータ数（★）

定義：モデル内部の重みの総数（モデル規模の代表指標）。
ポイント：SLM/LLMの大きさ比較で最重要
混同しやすいポイント：トークン数（文の長さ）／レイヤー数（層の数）／学習データ量（データ規模）と混ざる

トークン数

定義：モデルが扱う最小単位（単語・サブワード等）の数。
ポイント：長文対応（コンテキスト長）で出る

基盤モデル（★）

定義：幅広いデータで事前学習された汎用モデル（下流タスクに転用される）。
ポイント：LLMは典型的な基盤モデル

事前学習（★）

定義：大量の汎用データでまず学習して“土台能力”を作る工程（Pre-training）。
ポイント：事前学習→（必要に応じて）RAG／ファインチューニング／プロンプト設計へ

プロンプトエンジニアリング（★★）

定義：望む出力を得るための指示文（プロンプト）設計。
ポイント：“モデルを変えずに”振る舞いを寄せる代表手段

混同しやすいポイント：プロンプト設計とファインチューニング（重み更新）は別

ファインチューニング（★）

定義：追加データでモデルを再学習し、特定用途に最適化すること（Fine-tuning）。
ポイント：用語の取り違え注意：事前学習（汎用）とファインチューニング（用途特化）

混同しやすいポイント：RAGと混同：RAGは“知識を検索で補う”、ファインチューニングは“モデル自体を調整”

RAG（★★★）

定義：外部知識を検索し、その結果を参照して生成する方式（検索拡張生成）。
ポイント：

LLM単体の弱点（最新性・根拠）を補う定番アーキテクチャ
典型構成：埋め込み→ベクトル検索→関連文書→回答生成

混同しやすいポイント：「RAG＝幻覚がゼロになる」は誤り。抑制はできるが設計と検証が必要

検索拡張生成（★★）

定義：RAGの日本語表記。
ポイント：選択肢では「検索×対話型AI」や「AI検索」文脈で登場しやすい

ハルシネーション（★）

定義：もっともらしいが誤った内容を生成してしまう現象（幻覚）。
ポイント：RAG／根拠提示／検証フローで“減らす”ことはできる

混同しやすいポイント：“抑制”という言い方が出ても、万能ではない（極端な断定に注意）

ベクトルデータベース（★★）

定義：埋め込みベクトル（数値ベクトル）を格納し、類似検索に最適化したDB。
ポイント：RAGの要（類似検索で関連文書を引く）

混同しやすいポイント：

ドキュメントDB（★）／リレーショナルDB（★）／グラフDB（★）と対比で出る
さらに紛らわしい語：OLAP（★）・OLTP（★）・ETL（★）
- OLTP：日々の取引処理（更新中心）
- OLAP：分析処理（集計中心）
- ETL：抽出→変換→格納（分析基盤で頻出）

埋め込み（Embedding）（★）

定義：テキスト等を意味を保った数値ベクトルに変換すること。
ポイント：ベクトルDBの入力／類似検索の根幹

AI検索（Perplexityなど）（★）

定義：対話UIと検索を統合し、答えを文章で返す検索体験。
ポイント：“検索結果一覧”ではなく“回答”を出す体験がポイント
混同しやすいポイント：対話UI（それっぽさ）だけでなく、RAGなどの“根拠参照”が鍵になりやすい

AIエージェント（★★）

定義：目標達成のために、タスク分解→計画→実行を（ある程度）自律的に行うAI。
ポイント：

「指示に1回答える」より「複数ステップでやり切る」イメージ
自律エージェント（★）は同系統語としてセットで押さえる

混同しやすいポイント：“自律＝勝手に動いてよい”ではない。ガードレール設計（権限、監視、ログ）が重要

MAS（マルチAIエージェントシステム）（★★★）

定義：複数エージェントが役割分担し、協調して問題解決する仕組み。
ポイント：　役割例：調査役／企画役／検証役／実行役…などに分ける

混同しやすいポイント：“中央集権（1つがすべて指揮）”の断定は要注意。協調・分散設計が肝

推論モデル（★★）

定義：論理推論・多段推論を重視して設計されたモデル（Reasoning含む）。
ポイント：“推論”の語が出たとき、思考プロセス（演繹等）とモデル能力（Reasoning）の両面を意識する

AIガバナンス（★）

定義：AIの利用・開発を、倫理・法務・リスク・品質の観点で統制する枠組み。
ポイント：社内ルール、審査、監査、説明責任、事故対応などを含む
混同しやすいポイント：ガバナンス＝技術用語ではなく“運用設計”。定義を短く暗記しておく

説明責任（アカウンタビリティ）（★★）

定義：意思決定や運用について、説明できる責任を負うこと。
ポイント：AIガバナンスの中心語。社内外への説明・記録・根拠がカギ
混同しやすいポイント：データリテラシー（★）やアラインメント（★）と並べられてひっかけになりやすい

アラインメント（★）

定義：AIの振る舞いを、人間の意図・価値観・ルールに整合させる考え方。
ポイント：ガバナンス文脈で登場しやすい（ただし“説明責任”と混同しない）

AI新法（★★）

定義：日本のAI政策・統制に関する枠組み（名称公表などの規定が話題）。
ポイント：“悪質事業者の是正→改善がなければ名称公表”のような方向性がキーワード
混同しやすいポイント：「刑事罰・行政罰を導入し厳格罰則」など“強い罰則断定”は誤りになりやすい（極端な言い切り注意）

AI戦略本部（★）

定義：AI政策の司令塔として基本計画策定などを担う枠組み（首相が本部長など）。
ポイント：“戦略本部／戦略会議／論点整理”がセットで出るため関係性を整理

AI戦略会議（★）

定義：AI政策に関する検討・議論の場（会議体）。
ポイント：“暫定的な論点整理（★★）”の公開・透明性と紐づけて覚える

暫定的な論点整理（★★）

定義：論点を整理した中間的なとりまとめ。
ポイント：「透明（★★★）」と結びついて出やすい（公開・透明性）

AIの開発知識

GPU（★★★）

定義：並列計算に強いプロセッサ（深層学習の学習・推論を高速化）。
ポイント：

AI計算＝GPUの文脈は鉄板
企業名とセット：エヌビディア（★★）、インテル（★★）など

混同しやすいポイント：CPUとの役割差（並列・行列計算に強い）を短く言えるようにする

AIチップ（★★★）

定義：AIの推論／学習に最適化された専用・準専用チップの総称。
ポイント：

ひっかけ語：DLチップ（★）／MLチップ（★）／IoTチップ（★）など
→“AI用途に最適化”が本質。名称だけで惑わされない
エッジ（端末側）でリアルタイム処理を支える用途も重要

混同しやすいポイント：「GPUだけがAIチップ」ではない（用途特化のNPU/TPUなどの系統もある）

TPU（★）

定義：AI計算に特化したプロセッサ（代表例として挙げられやすい）。
ポイント：“AIチップの例”として暗記しておく（GPUと並べられやすい）

Jetson（★★）

定義：エッジAI向けの計算プラットフォーム（リアルタイム推論用途で登場しやすい）。
ポイント：エッジでの推論（低遅延）と相性がよい

GeForce（★★）

定義：GPUシリーズ名として出やすい（PC向け等）。
ポイント：“シリーズ名の取り違え”を狙われやすいので、AI計算文脈で出たらGPU系だと押さえる

チップレット（★）

定義：複数の小さなチップ（ダイ）を組み合わせて1つの高機能チップとして構成する技術。
ポイント：性能・歩留まり・コスト面での狙いが出やすい
混同しやすいポイント：3D積層（★）や光電融合（★★）など“別の先端実装”と並べて混乱させられやすい

3D積層（★）

定義：半導体を縦方向に積み上げて高密度化する実装技術。
ポイント：“小型化・高性能化”の方向性でまとめて暗記

光電融合（★★）

定義：光（フォトニクス）と電子回路を融合して高速・低消費電力な通信/処理を狙う技術。
ポイント：“次世代の計算・通信”文脈で出やすい

エッジデバイス（★★）

定義：クラウドではなく現場（端末側）でデータ処理・推論を行うデバイス。
ポイント：低遅延・通信制約・プライバシー要件で重要
混同しやすいポイント：エッジ最適化の代表語：知識蒸留（★★）、転移学習（★★）など

知識蒸留（★★）

定義：大きいモデル（Teacher）の知識を小さいモデル（Student）へ移して軽量化する手法。
ポイント：エッジ推論で使われやすい“モデル圧縮”の代表

転移学習（★★）

定義：事前学習済みモデルの知識を別タスクへ転用する学習。
ポイント：“ゼロから学習せずに効率よく”が本質
混同しやすいポイント：ファインチューニングと近いが、転移学習は“転用の考え方”を含む広い概念

Python（★）

定義：AI/データ分析で広く使われるプログラミング言語。
ポイント：ライブラリ（TensorFlow/Keras等）とセットで出る

Keras（★★）

定義：Pythonで使われる深層学習向け高水準ライブラリ。
ポイント：“深層学習＝Keras/TensorFlow”のセット感を押さえる
混同しやすいポイント：CRAN（★★）はR言語のパッケージ公開場所であり、PythonのKerasとは別

CRAN（★★）

定義：R言語のパッケージ配布リポジトリ。
ポイント：“R言語のエコシステム”として暗記

TensorFlow（★）

定義：深層学習フレームワーク（代表例）。
ポイント：名前だけでも押さえる（Kerasと一緒に出やすい）

Theano（★）

定義：深層学習/数値計算の文脈で登場するライブラリ名として押さえる。
ポイント：代表ライブラリのひっかけ枠（現在の主流かどうかより“用語認知”が重要）

CUDA

定義：GPU計算（特に並列計算）向けのプラットフォーム/開発環境として有名。
ポイント：問題集に直接出なくても、GPUコンピューティングの代表語としてシラバス上は重要

代表サービス/事例_AIの応用知識

OpenAI「Sora」（★★）

定義：テキストや画像などから動画を生成する動画生成AIとして知られる名称。
ポイント：

動画生成のキーワード：拡散モデル（★★）×トランスフォーマー（★★）がセットで出やすい
混同しやすいポイント：
GAN（敵対的生成）と拡散モデルの取り違え

生成AI編集（★）

定義：生成AIを“ゼロから生成”だけでなく“編集（補完・修復・加工）”に使う活用。
ポイント：Inpainting/補完、音声編集、動画編集など“制作フローの一部”として出やすい

AIアナウンサー（★）

定義：合成音声や生成AIでアナウンスを自動生成する仕組み。
ポイント：バーチャルプロダクション（★★）と一緒に出やすい

バーチャルプロダクション（★★）

定義：CG/合成技術で仮想背景などを活用し、撮影と制作を統合する制作手法。
ポイント：AIカメラ制御（★）、クラウドレンダリング（★）など周辺語とセット

AI検索「Perplexity」（★）

定義：対話型で回答を返す検索体験の代表例として出やすいサービス名。
ポイント：RAG（★★★）と結びつけて覚える（根拠参照→回答生成）
混同しやすいポイント：対話型UI（Bard等）とRAG（根拠検索）を分けて理解する

Google Bard / Gemini（Bard：★、Gemini：★★）

定義：対話型AIとして代表例に挙げられやすい名称。
ポイント：トークン（文脈長）やモデル世代の話題と絡むことがある
混同しやすいポイント：“できる/できない”の断定は危険。試験は「用語・位置づけ」を中心に覚える

Anthropic / Claude 3（Anthropic：★★、Claude 3：★★）

定義：対話型AIの提供企業・モデル名として頻出。
ポイント：「無料のみ」など極端な言い切りは誤りになりやすい（選択肢のクセ）

OpenAI / GPT-4（OpenAI：★、GPT-4：★★）

定義：LLMの代表例として頻出する企業名・モデル名。
ポイント：“いつ発表”など時事が混ざると迷いやすいので、まずは「代表的LLMの例」として押さえる

Meta / Llama 2（Llama 2：★★）

定義：オープン寄りのLLMとして代表例に挙がりやすい名称。
ポイント：オープンソース（★★★）と一緒に覚える

DeepSeek（★★）

定義：LLM文脈で登場するモデル/プロジェクト名。
ポイント：ライセンス（MIT：★★／Creative Commons：★★）のひっかけが絡みやすい
混同しやすいポイント：“完全に自由”など雑に覚えない。**オープンソース（★★★）と利用条件（ライセンス）**をセットで暗記

オープンソース（★★★）

定義：ソースコード等が公開され、利用・改変・再配布が一定条件で認められる形態。
ポイント：ライセンスとセット（MIT/Apache/GPL/Creative Commonsなど）
混同しやすいポイント：“オープン”＝“何でも無条件OK”ではない（条件はライセンスで決まる）

MITライセンス（★★）

定義：代表的な緩やかなオープンソースライセンスの一つ。
ポイント：名前だけでも押さえる（ひっかけで出やすい）

Creative Commons（★★）

定義：著作物の利用条件を整理したライセンス体系（コンテンツ文脈で登場しやすい）。
ポイント：ソフトウェアライセンス（MIT等）と混ざりやすいが、CCは“コンテンツ”寄りで出ることが多い

ディープフェイク（★★）

定義：AIで顔・声などを合成し、本物のように見せる偽造コンテンツ。
ポイント：偽情報・なりすまし・信用毀損の代表例
混同しやすいポイント：Faceup（★★）は“顔合成アプリ名”として出やすい（概念＝ディープフェイク、具体例＝アプリ名）

Faceup（★★）

定義：顔合成（フェイススワップ）の例として出やすいアプリ名。
ポイント：「ディープフェイク」との関係を押さえる（概念と具体例）

CAI（Content Authenticity Initiative）（★★）

定義：コンテンツ真正性（改ざん検知・出自）に関する取り組みの名称として出やすい。
ポイント：“生成物の真正性”がテーマ（ディープフェイク対策の流れ）

C2PA（Coalition for Content Provenance and Authenticity）（★★）

定義：コンテンツの来歴（provenance）や真正性の標準化を進める枠組みとして出やすい。
ポイント：CAIと並べられて混同させにくるので、どちらも真正性系としてまとめて覚える

デジタルツイン（★★★）

定義：現実世界の対象（設備・環境など）をデータで再現した“仮想の双子”。
ポイント：予測・最適化・シミュレーションに使う（農業やフィジカルAI文脈でも登場）
混同しやすいポイント：世界モデル（★）と近いが、デジタルツインは“現実の写像（データ同期）”の色が強い

世界モデル（★）

定義：環境のダイナミクスをモデル化し、未来予測や計画に使う考え方。
ポイント：“予測してから動く”文脈で出やすい

SayCan（★）/ RT-2（★）

定義：LLMをロボットの上位計画（プランニング）に活かす方向性の例として出やすい名称。
ポイント：LLMは「言語指示→行動計画」へ繋げる役割が中心
混同しやすいポイント：“感情認識を上げてリアルタイム制御そのものをする”など、役割を盛りすぎた説明は疑う

コノキュー（CONOQ）（コノキュー：★★／CONOQ：★）

定義：XR/メタバース関連の文脈で出やすい名称（企業・ブランドとして出る）。
ポイント：NTTドコモ（★★★）×XR World（★）の組み合わせで出やすい
混同しやすいポイント：KDDI（★★）やLINE（★★）など他社名と“それっぽいサービス名”が並ぶので、セット記憶が有効

XR World（★）

定義：XR/メタバース領域のサービス名として出やすい。
ポイント：XR（★★★）の代表例として押さえる

XR / AR / VR / MR（XR：★★★、AR：★★、VR：★★、MR：★）

定義：現実と仮想の重ね方の違いで分類する概念群（総称がXR）。
ポイント：

VR：仮想世界に没入
AR：現実にデジタル情報を重畳
MR：現実と仮想を相互作用させて融合
XR：これらの総称

混同しやすいポイント：“ARとMR”を混同しやすい。MRは相互作用・融合の色が強い

メタバース（★★）

定義：アバター等で参加する、持続的な仮想空間の概念。
ポイント：XRとセットで頻出（ただし、XR＝技術分類、メタバース＝空間/体験の概念）

アバターロボット（★）

定義：遠隔操作などで、時間・距離の制約を超えて“人の身体機能や行動”を拡張するロボット。
ポイント：「時間的価値の最大化」「身体能力の拡張」といった表現を暗記
混同しやすいポイント：ホログラフィック（★）は関連語だが、目的や方式の取り違えに注意

ホログラフィック（★）

定義：立体的に見える映像表現技術の文脈で登場する語。
ポイント：“コミュニケーション強化”などでそれっぽく出るが、別文脈の選択肢として混ぜられやすい

生体電位信号（★）/ 脳波（★）

定義：人体が発する電気信号（筋電位など）／脳活動由来の信号。
ポイント：“体を動かそうとする意図”を捉えるのは生体電位信号側で出やすい
混同しやすいポイント：脳波と筋電位（生体電位）をごちゃ混ぜにしない（どこから取る信号か）

ブレインマシンインターフェース（BMI/BCI）

定義：脳や神経系の信号を機械操作へつなぐインターフェース。
ポイント：問題集で直接語が出なくても、関連語（脳波・生体信号）とセットでシラバス上重要

H2_ソフトウェア

ソフトウェアの基礎知識

RPA（★★★）

定義：定型的な事務作業をソフトウェアで自動化する仕組み。
ポイント：“仮想知的労働者（Digital Labor）（★）”という言い回しが重要
混同しやすいポイント：“ソフトウェアロボット（★）”とも近いが、RPAの説明語として使われることがある

Digital Labor（★）

定義：RPAなどにより、人がやっていた事務作業を担う仮想労働者の比喩。
ポイント：省力化（★）とセットで出やすい

ノーコード開発（★★）

定義：コードを書かず（少なく）にアプリ/自動化を作る開発手法。
ポイント：RPA/Power Platformと相性が良い

コードインジェクション（★）

定義：外部入力を悪用して意図しないコードを実行させる攻撃。
ポイント：生成AI活用でも“入力の扱い”は重要（類似の発想としてプロンプトインジェクションも押さえると強い）

ソフトウェアの応用知識

Microsoft Power Automate Desktop（★）

定義：デスクトップ操作を含む自動化（RPA）に使われるツール名として出やすい。
ポイント：

Power Virtual Agent（★）/ Power Apps（★）/ Power BI（★）と並べて混同させにくる
- Automate Desktop：自動化（RPA）
- Power Apps：アプリ作成
- Power BI：可視化（BI）
- Power Virtual Agent：対話ボット系

Unity（★）

定義：ゲーム/3Dコンテンツ制作のためのゲームエンジン。
ポイント：Unreal Engine（★）と対比で頻出
混同しやすいポイント：“Builder系のそれっぽい名称”（Google Game Builder：★、Smart Game Builder：★）に注意（本命はUnity/Unrealが多い）