DX検定の 「業務（仕組みとしてのIT）分野（C）」 は、現場の業務を“仕組み”として捉え直し、プロセスを変革するための考え方や具体例を押さえることが求められる領域です。しかし、扱うテーマが実務寄りでイメージは湧きやすい一方、関連用語や事例が多く、用語同士の違いを曖昧なまま覚えてしまいがちなのが実情です。
本記事は、C1（ビジネスプロセス・イノベーション）を中心に、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。
ロボット／AI・ソフトウェア／IoT・ハードウェア／ビッグデータ・データサイエンス／クラウド・開発／セキュリティ・ネットワークといった切り口で“業務での活用事例”を横断的に押さえつつ、「混同しやすいキーワードまとめ」で似た概念を最後に総復習できる構成なので、出題の狙いどころを外さず学習を進め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。
C1_プロセス・イノベーション
ロボット関連技術の活用事例
ロボット（★★★）
定義：センサーや制御で“現実世界で動く作業”を自動化する機械・システム。
ポイント：
- 現場（物流・製造・医療）では「人の作業の代替」だけでなく「精度・安全・スピード」の改善にも効く
- ソフトウェアの自動化（RPA）と、物理世界の自動化（配膳ロボット・倉庫ロボット等）は“対象”が違う
間違えやすいポイント：
- RPAを“物理ロボット”と混同しない（RPAはPC上の作業自動化）
- ロボット＝AI必須、ではない（ルール制御でも成立する）
手術支援ロボット（★★）
定義：医師の手術操作を補助し、高精度な処置を可能にする医療ロボット。
ポイント：高精度・低侵襲（体への負担軽減）と相性がよい。
間違えやすいポイント：医師を置き換える“自律手術”ではなく、あくまで支援が中心。
インテュイティブサージカル（★）
定義：手術支援ロボット分野の代表的企業として頻出。
ポイント：手術支援ロボットの文脈で「企業名」を問われやすい。
間違えやすいポイント：大学名・国内企業名など“それっぽい選択肢”に注意。
フィジカルAI（★）
定義：AIがロボット等の“物理的な実体”を通じて現実世界で動作する領域。
ポイント：
- 現実環境で安全に学習・検証するために、仮想空間での訓練（シミュレーション）が重要になりやすい
- ロボット制御だけでなく、環境理解（認識）も含む
間違えやすいポイント：「生成AI」と同一視しない（生成AIは生成が主、フィジカルAIは現実で動く）。
デジタルツイン（★★★）
定義：現実世界をデータで仮想空間に再現し、予測・最適化に使う仕組み。
ポイント：
- 「仮想再現」＋「現実データと同期」＋「シミュレーション/最適化」がセットで出やすい
- フィジカルAIの訓練基盤としても問われやすい
間違えやすいポイント：「3Dモデルを作るだけ」では不十分（現実データと連動しているかが肝）。
LiDAR／ライダー（★★）
定義：レーザー等で距離を測り、周辺環境を3Dで把握するセンシング技術。
ポイント：
- ロボット・ドローン・自動運転など「空間把握」が必要な領域で頻出
- 方式（ToF系、三角測量など）が選択肢で揺さぶられやすい
間違えやすいポイント：ミリ波レーダー等の“別センサー”と役割を混同しない。
dToF（Direct Time-of-Flight）（★）
定義：光が往復する時間（ToF）で距離を測る方式の一つ。
ポイント：強い日光下でも測定性能が高い、といった特徴で出やすい。
間違えやすいポイント：三角測量方式・映像処理方式などと混同しない。
ミリ波レーダー（★★）
定義：ミリ波帯の電波で物体検知・距離推定などを行うセンサー。
ポイント：光学（LiDAR/カメラ）と並んで、外乱（天候・光）への強さが論点になりやすい。
間違えやすいポイント：LiDAR（光）と“同じ方式”として扱わない。
ドローン（★★）
定義：無人航空機（UAV）で、点検・配送・撮影などに使われる。
ポイント：センシング（LiDAR等）と組み合わせた活用文脈で出やすい。
間違えやすいポイント：単なるラジコンではなく、業務利用（点検・物流等）文脈で押さえる。
マイクロロボット（★）
定義：数mm〜数µmスケールの微小ロボットで、医療・精密作業などで注目される。
ポイント：
- 駆動方式（磁気駆動・振動駆動）や微細加工（MEMS等）がセットで問われやすい
- 小型ゆえに“体内・狭所”など特殊環境での活用が想定されやすい
間違えやすいポイント：レーザー加工（加工法）とMEMS（微細機械システム）を混同しない。
MEMS（Micro Electro Mechanical Systems）（★★）
定義：半導体プロセス等で作る微小な機械構造（センサー等）を集積したシステム。
ポイント：マイクロロボットや各種センサーの基盤技術として出やすい。
間違えやすいポイント：単なる“電子部品”ではなく、微小な機械構造まで含む。
アバターロボット（ホンダ）（★）
定義：遠隔操作・遠隔体験を拡張する文脈で登場するロボット概念/事例。
ポイント：「時間や距離の制約を超える」価値が選択肢で問われやすい
間違えやすいポイント：家庭用エンタメ等の“それっぽい用途”に流されない。
オプティマス（Optimus）（★）
定義：米テスラの人型ロボットとして問われやすい固有名詞。
ポイント：企業名（テスラ）とセットで暗記。
間違えやすいポイント：Atlas（ボストン・ダイナミクス）など他社人型ロボット名と混同しない。
アトラス（Atlas）（★）
定義：米ボストン・ダイナミクスの代表的ロボット名として登場。
ポイント：企業×ロボット名の対応が狙われやすい。
間違えやすいポイント：綴り揺れ・表記揺れ（Atlsa等）で迷わせる選択肢に注意。
天工（Tiangong）（★★★）
定義：中国の人型ロボットとして出題される固有名詞。
ポイント：実証実験、オープンソース公開、制御アーキテクチャ（大脳/小脳型）など“説明文の細部”で問われやすい
間違えやすいポイント：派手な成果（例：マラソン優勝など）を盛った誤選択肢に注意。
Amazon セコイア（Sequoia）（★）
定義：倉庫内物流の効率化（棚→カゴ管理など）を狙うシステム名として登場。
ポイント：Kiva/Proteus/Prime Airなど“Amazon系固有名詞”の整理が重要。
間違えやすいポイント：Prime Air（配送ドローン）を倉庫システムと混同しない。
SayCan／RT-2（各★）
定義：LLMをロボットの上位計画（プランニング）に活用する系統の代表例。
ポイント：LLMが「指示の解釈→動作系列（命令列）化」に寄与する、という方向性で出やすい
間違えやすいポイント：LLM＝感情認識やリアルタイム制御そのもの、と言い切る説明は疑う。
RPA（★★★）
定義：定型的なPC業務（入力・転記・照合等）をソフトウェアで自動化する仕組み。
ポイント：
- “ルールベースで回せる事務作業”の自動化が得意
- 現場の業務改革では「省力化」「人の作業の置き換え」の文脈で出やすい
間違えやすいポイント：
- AI（学習・推論が必要）と混同しない（RPAは基本的に定型手順）
- 物理ロボットではない（PC上の作業自動化）
仮想知的労働者（Digital Labor）（★★）
定義：人が行っていた知的作業の一部を、ソフトウェアが代替するという捉え方。
ポイント：RPAの説明文で「デジタル労働力」として登場しやすい。
間違えやすいポイント：“AIが自律的に判断する”と断定する説明に寄り過ぎない。
ソフトウェアロボット（★★）
定義：RPAで業務手順を実行する自動化プログラム（ボット）。
ポイント：RPAの構成要素として、用語対応で問われやすい。
間違えやすいポイント：「ロボット」という語感で物理ロボットを想起しない。
Microsoft Power Automate Desktop（★）
定義：MicrosoftのRPA系ツール（デスクトップ操作の自動化）として登場。
ポイント：RPAの具体例として“製品名当て”で出やすい。
間違えやすいポイント：Power BI（可視化）やPower Apps（アプリ作成）と役割を混同しない。
Microsoft Power Virtual Agent（★）
定義：チャットボット等の対話自動化の文脈で登場するMicrosoft製品。
ポイント：RPA（自動操作）とは別軸で“対話の自動化”に寄る。
間違えやすいポイント：同じPower系でも、用途（自動化/可視化/アプリ/対話）が違う。
Microsoft Power Apps（★）
定義：業務アプリをローコードで作るためのMicrosoft製品。
ポイント：現場主導の業務改善（アプリ内製）の文脈で出やすい。
間違えやすいポイント：Power Automate（自動化）と混同しない。
Microsoft Power BI（★）
定義：BI（可視化・分析）のMicrosoft製品。
ポイント：RPAの選択肢で“それっぽいMicrosoft製品”として紛れやすい。
間違えやすいポイント：RPAツールではない（可視化・分析が主）。
IoT/ハードウェア関連技術の活用事例
IoT（★★★）
定義：モノ（デバイス）をネット接続し、データ収集・制御に活かす仕組み。
ポイント：
- 「データ取得（センサー）」→「伝送」→「蓄積/分析」→「制御」の流れで覚えると強い
- エッジAI・クラウドとセットで問われやすい
間違えやすいポイント：IoT＝AIではない（IoTは“つなぐ/集める”が主）。
IoTデバイス（★★）
定義：センサー等を搭載し、データ送信や制御を行う端末側デバイス。
ポイント：クラウド/オンプレ/ローカルなど「データの置き場」とセットで問われやすい。
間違えやすいポイント：ローカルストレージ（保存先）とデバイス（端末）を混同しない。
エッジ（★★★）
定義：クラウドではなく、現場端末・近傍サーバー側で処理する考え方。
ポイント：遅延（レイテンシ）を減らす、通信量を抑える、現場で即応する、といった利点が問われやすい
間違えやすいポイント：エッジ＝オンプレと同義ではない（“現場近くで処理”が焦点）。
エッジAI（★★）
定義：クラウドに送らず、端末側（エッジ）でAI推論を行う方式。
ポイント：
- リアルタイム性が重要な領域（予兆保全、画像認識など）で出やすい
- 「推論はエッジ、学習はクラウド」など役割分担の説明が出やすい
間違えやすいポイント：エッジAI＝自然言語処理、と短絡しない（例では画像認識が出やすい）。
予兆保全（★★）
定義：設備・機械の異常兆候をデータから検知し、故障前に保全する考え方。
ポイント：エッジAIの用途例として頻出。
間違えやすいポイント：故障後の修理（事後保全）と混同しない。
メタデータ（★）
定義：データを説明するためのデータ（例：撮影日時、形式、属性情報など）。
ポイント：「データそのもの」ではなく「データの意味・属性を説明する」側
間違えやすいポイント：バイナリデータ/ピクセルデータ/エッジデータなど“データ本体”と混同しない。
バイナリデータ（★）
定義：0/1のバイト列として扱われるデータの総称。
ポイント：画像・音声など、構造化されないデータの表現として出やすい。
間違えやすいポイント：メタデータ（説明データ）と対比で整理する。
ピクセルデータ（★）
定義：画像を画素（ピクセル）の集まりとして表したデータ。
ポイント：画像系の設問で“それっぽいデータ名”として登場しやすい。
間違えやすいポイント：ピクセルデータ（画像本体）とメタデータ（属性情報）を混ぜない。
オンプレミス（★）
定義：自社施設内のサーバー等でシステムを運用する形態。
ポイント：クラウドとの対比（管理範囲、柔軟性、コスト構造）で問われやすい。
間違えやすいポイント：エッジ（現場近くで処理）と同一視しない。
ローカルストレージ（★）
定義：端末・機器内にある保存領域。
ポイント：クラウドと対比で「保存場所」の整理に使われる。
間違えやすいポイント：IoTデバイス（端末）とローカルストレージ（保存領域）をごちゃ混ぜにしない。
AIチップ（★★★）
定義：AIの推論/学習処理を高速化するために最適化された半導体。
ポイント：
- GPUやエッジ向けモジュール（Jetson等）とセットで出やすい
- 「リアルタイム処理」文脈と相性がよい
間違えやすいポイント：IoTチップ（接続・制御寄り）など“用途のズレ”で迷わせる選択肢に注意。
GPU（★★★）
定義：並列計算が得意な演算装置で、AI処理の基盤として頻出。
ポイント：AIチップの文脈で“GPU＝AI計算の代表”として登場しやすい。
間違えやすいポイント：CPUと役割（並列性の強さ）を混同しない。
NVIDIA Jetson（★★）
定義：エッジAI向けの組み込みAIコンピューティング製品群（シリーズ名）。
ポイント：クラウドではなく“現場（エッジ）でリアルタイム処理”の文脈で出やすい。
間違えやすいポイント：GeForce（主にPC向けGPUシリーズ）と混同しない。
GeForce（★★）
定義：NVIDIAのGPUシリーズ名として登場（Jetsonとの対比で出やすい）。
ポイント：シリーズ名の識別問題で問われやすい。
間違えやすいポイント：Jetson＝エッジ、GeForce＝一般GPU系、の方向で整理しておく。
ギガキャスト（★★）
定義：大型のアルミ鋳造装置等で車体部品を一体成形し、工程を簡素化する製造技術。
ポイント：
- 部品点数の削減、製造工程の簡素化がキーワード
- テスラのメガキャスティングとの類似が問われやすい
間違えやすいポイント：“EV専用エンジン製造技術”のような説明は誤りになりやすい。
メガキャスティング（★）
定義：テスラ文脈で登場する大型一体鋳造の考え方（比較対象として出やすい）。
ポイント：ギガキャストとの“類似”を押さえる。
間違えやすいポイント：名称だけで別技術と誤認しない。
ビッグデータ/データサイエンス関連技術の活用事例
ビッグデータ（★★）
定義：量・種類・生成速度などの観点で従来手法では扱いにくい大規模データ。
ポイント：
- 分析（意思決定・予測・最適化）につなげる前提の語として出やすい
- IoT/クラウドとセットで登場しやすい
間違えやすいポイント：データが“大きい”こと自体が目的ではない（活用が本体）。
データウェアハウス（★）
定義：分析のために、複数データを統合して蓄積する基盤。
ポイント：分析用途（BI/分析/可視化）と相性がよい。
間違えやすいポイント：業務処理DB（トランザクション）と用途を混同しない。
垂直統合型データウェアハウス（★）
定義：特定ベンダー/製品群に強く依存して構成される統合型DWHの捉え方。
ポイント：“統合の仕方（設計思想）”として選択肢に出やすい。
間違えやすいポイント：MLOps（運用基盤）やFaaS（提供形態）と軸が違う。
MLOps（★）
定義：機械学習モデルを継続的に運用（学習・デプロイ・監視・更新）するための仕組み。
ポイント：「作って終わり」ではなく、継続運用（品質・再学習・監視）が核
間違えやすいポイント：単なるモデル学習手法ではない（運用の仕組み）。
代表サービス/事例
Farming as a Service（FaaS）（★）
定義：農業の現場に必要な仕組みを“サービスとして”提供する考え方（文脈依存で略語に注意）。
ポイント：スマートファーム文脈で“提供形態”として問われやすい。
間違えやすいポイント：FaaS＝Functions as a Service（クラウド）と混同しない（出題文脈で判断）。
スマートファーム・アズ・ア・サービス（★）
定義：スマート農業のセンシング/分析/運用までをサービスとして提供する形。
ポイント：初期投資を抑えつつ高度化できる、という文脈で整理。
間違えやすいポイント：単なるIoT導入（機器売り）と混同しない（運用まで含めがち）。
QRコード決済
定義：QRコードを使って決済する方式。
ポイント：ビッグデータ/決済データ活用の文脈でシラバス上の代表例として押さえる。
間違えやすいポイント：NFC等の非接触決済と方式を混同しない。
クラウドコンピューティング/開発関連技術の活用事例
クラウド（★★★）
定義：ネット経由で計算資源・ストレージ等を必要に応じて利用できる形態。
ポイント：
- スケーラビリティ（増減のしやすさ）と運用負担の外出しが論点になりやすい
- IaaS/PaaSなど提供レイヤの違いが選択肢で出やすい
間違えやすいポイント：クラウド＝自動的に安全、ではない（責任分界を意識）。
クラウドサービス（★★★）
定義：クラウドで提供される各種サービスの総称。
ポイント：マルチクラウド等の文脈で、用語として頻出。
間違えやすいポイント：クラウド（概念）とクラウドサービス（提供物）を曖昧にしない。
クラウドコンピューティング（★★）
定義：クラウドを使って計算資源を柔軟に利用する考え方。
ポイント：「クラウドとは何か」の定義問題で出やすい。
間違えやすいポイント：オンプレミスとの対比で、論点（柔軟性/管理/コスト）を整理。
IaaS（★）
定義：インフラ（VM、ネットワーク、ストレージ等）をサービスとして提供する形態。
ポイント：自分でOSやミドルの運用も担う側に寄る。
間違えやすいポイント：PaaS（アプリ実行基盤）と提供範囲を混同しない。
PaaS（★）
定義：アプリの実行基盤をサービスとして提供する形態。
ポイント：インフラ運用の一部を省ける方向で整理。
間違えやすいポイント：IaaSより上位レイヤ、SaaSより下位レイヤ。
マルチクラウド（★）
定義：複数クラウドを併用してシステムを構成・運用する考え方。
ポイント：ベンダーロックイン回避や要件最適化の文脈で出やすい。
間違えやすいポイント：単なるバックアップ用途と短絡しない。
コンテナ（★★★）
定義：アプリと依存関係をひとまとまりにして動かす実行単位。
ポイント：
- 環境差分を減らし、配布・デプロイをしやすくする
- Kubernetes（運用）とDocker（作成/実行）の関係が問われやすい
間違えやすいポイント：仮想マシン（VM）と同一視しない（OSの持ち方が違う）。
Docker（★）
定義：コンテナを作成・実行するための代表的ツール/技術。
ポイント：コンテナの具体例として“名称当て”で出やすい。
間違えやすいポイント：Kubernetes（オーケストレーション）と役割を混同しない。
Kubernetes（★）
定義：コンテナ群を自動配置・スケール等で管理するオーケストレーション基盤。
ポイント：オープンソースのコンテナ運用基盤として出やすい。
間違えやすいポイント：Hadoop/Spark（データ処理系）と混同しない。
オープンソース（★★★）
定義：ソースコードが公開され、条件のもと利用・改変・再配布できるソフトウェア。
ポイント：Kubernetes等の説明文で頻出。
間違えやすいポイント：無料と同義ではない（ライセンス条件がある）。
DevOps（★★）
定義：開発（Dev）と運用（Ops）が協力し、継続的に価値提供する考え方。
ポイント：リリース頻度向上・品質向上の文脈で出やすい。
間違えやすいポイント：ツール名ではなく“文化/体制/プロセス”の話。
CI/CD（★）
定義：継続的インテグレーション/継続的デリバリー（デプロイ）で開発〜リリースを自動化する考え方。
ポイント：DevOpsの実現手段としてセットで出やすい。
間違えやすいポイント：アジャイル（開発手法）と同一視しない（CI/CDはパイプライン寄り）。
プラットフォームエンジニアリング（★★）
定義：開発者が安全・高速に開発できる“内製プラットフォーム”を整備する活動。
ポイント：開発生産性の向上（インサイト提供など）と結びついて出やすい。
間違えやすいポイント：データエンジニアリング（データ基盤整備）と役割を混同しない。
Git／ブランチ（★★★）
定義：Gitは分散型バージョン管理、ブランチは並行開発の分岐。
ポイント：大規模開発ではブランチ戦略（例：GitLab Flow）が論点になりやすい
間違えやすいポイント：SVN（集中型）との違いを曖昧にしない。
GitLab Flow（★★）
定義：GitLabが提唱するブランチ運用の考え方（規模感との対応で出やすい）。
ポイント：中〜大規模プロジェクト側で採用、という文脈で問われやすい。
間違えやすいポイント：SVNを“フロー”として扱う誤選択肢に注意。
SVN（Subversion）（★★）
定義：集中型バージョン管理システム。
ポイント：Gitとの対比（集中型/分散型）で押さえる。
間違えやすいポイント：GitLab Flow（運用フロー）と混同しない。
edgecross（★）
定義：日本の製造業文脈で登場する、エッジコンピューティング関連の枠組み/名称。
ポイント：単語として認識しておく。
間違えやすいポイント：企業名（デンソー、ファナック等）と“枠組み名”の区別をつける。
エッジクロスコンソーシアム（★）
定義：エッジ活用の産業連携（コンソーシアム）として登場する固有名詞。
ポイント：選択肢の組み合わせ問題で出やすい。
間違えやすいポイント：製品名・プラットフォーム名と混同しない。
セキュリティ/ネットワーク関連技術の活用事例
メタバース（★★）
定義：仮想空間上で交流・体験・経済活動などを行える概念/プラットフォーム。
ポイント：「仮想空間プラットフォーム」「UGC」「NFT」など周辺語とセットで出やすい
間違えやすいポイント：AR/VR/XRの定義と混同しない（XRは技術の総称、メタバースは空間/サービス概念）。
プラットフォーム（★★★）
定義：利用者・提供者など複数主体が集まり、価値のやり取りが生まれる“土台”。
ポイント：
- マーケットプレイス、SNS、仮想空間など“場”としての性格を持つ
- UGC（ユーザー生成）やクリエーターエコノミーと相性がよい
間違えやすいポイント：単なるWebサイト/アプリを“プラットフォーム”と言い切る説明に注意（多主体の相互作用があるか）。
クリエーターエコノミー（★）
定義：個人クリエーターがプラットフォーム上で収益化する経済圏。
ポイント：メタバース/UGC/マーケットプレイスとセットで出やすい。
間違えやすいポイント：単なる広告収入の話に矮小化しない。
UGC（ユーザー生成コンテンツ）（★）
定義：ユーザーが作って投稿・共有するコンテンツ。
ポイント：プラットフォーム価値（参加者が増えるほど増える）を支える要素として出やすい。
間違えやすいポイント：企業が作る公式コンテンツと混同しない。
暗号化（★★★）
定義：データを第三者に読めない形に変換し、機密性を守る技術。
ポイント：
- データ保護の基本語として頻出
- “保存”ではなく“読めない形にする”が本質
間違えやすいポイント：暗号化＝認証、ではない（暗号化はデータ保護、認証は本人確認）。
認証（★★★）
定義：利用者が本人であることを確認する仕組み。
ポイント：パスワード代替（パスキー等）文脈で出やすい。
間違えやすいポイント：暗号化（機密性）と役割を混同しない。
パスキー（★）
定義：パスワードの代替として、生体認証や端末PIN等と公開鍵暗号を組み合わせる仕組み（標準化文脈で登場）。
ポイント：
- 「パスワード入力に代わる」流れで出やすい
- 標準化団体（W3C等）と組み合わせで問われやすい
間違えやすいポイント：SMS認証（ワンタイムコード）と同一視しない。
フィッシング（★★）
定義：偽サイト等でID・パスワード等を盗む詐欺手法。
ポイント：金融詐欺・偽サイトの例として出やすい。
間違えやすいポイント：マルウェア感染やDDoSと“攻撃の仕組み”が違う。
マルウェア（★★）
定義：悪意あるソフトウェアの総称。
ポイント：ランサムウェアはマルウェアの一種、という整理が有効。
間違えやすいポイント：DDoS（サービス妨害）をマルウェアと混同しない。
ランサムウェア（★★★）
定義：データを暗号化して復旧の身代金を要求するマルウェア。
ポイント：近年は「暗号化＋情報窃取＋暴露脅迫」の二重の脅迫がセットで出やすい
間違えやすいポイント：フィッシング（入口手段）とランサムウェア（実害手段）を混同しない。
二重の脅迫（Double Extortion）（★★）
定義：暗号化で止めるだけでなく、盗んだデータの公開（暴露）もちらつかせて脅迫する手口。
ポイント：ランサムウェアの説明文で頻出。
間違えやすいポイント：単なる“破壊”ではなく“暴露”がキーワード。
DDoS（★★）
定義：大量アクセス等でサービスを利用不能にする攻撃。
ポイント：サービス妨害（可用性）を狙う、と整理。
間違えやすいポイント：暗号化して身代金要求（ランサムウェア）とは別物。
代表サービス/事例
健康・医療・介護等データの流通・利活用環境
定義：医療・介護等のデータを安全に流通・活用するための基盤整備の文脈。
ポイント：データ連携・プライバシー・ガバナンスの論点とセットで押さえる。
間違えやすいポイント：単に“データを集める”ではなく、流通・利活用のルール/基盤が焦点。
プラットフォームビジネス
定義：プラットフォームを介して、多主体の相互作用から価値を生むビジネス。
ポイント：メタバース、マーケットプレイス、UGCなどと関連づけて理解する。
間違えやすいポイント：自社単独で完結する売り切り型ビジネスと混同しない。
混同しやすいキーワード対
RPA（★★★）/ AI
ポイント：
- RPA：定型手順の自動化（ルールベース）
- AI：学習・推論で“判断”を含む処理が可能
間違えやすいポイント：RPAを“自律判断するAI”のように説明する選択肢に注意。
IoT（★★★）/ エッジAI（★★）/ クラウド（★★★）
ポイント：
- IoT：モノをつないでデータを集める
- エッジAI：現場端末で推論（リアルタイム）
- クラウド：集約して大規模処理・蓄積・分析
間違えやすいポイント：オンプレミスとエッジを同一視しない。
Docker（★）/ Kubernetes（★）
ポイント：
- Docker：コンテナを作る・動かす
- Kubernetes：コンテナ群を管理（配置・スケール等）
間違えやすいポイント：Hadoop/Sparkなど“データ処理基盤”を混ぜた選択肢に注意。
暗号化（★★★）/ 認証（★★★）
ポイント：
- 暗号化：データを読めない形にする（機密性）
- 認証：本人確認（なりすまし防止）
間違えやすいポイント：暗号化すればなりすましが防げる、のような混同。
マルウェア（★★）/ ランサムウェア（★★★）/ フィッシング（★★）/ DDoS（★★）
ポイント：
- マルウェア：悪意あるソフトの総称
- ランサムウェア：暗号化＋身代金要求（＋二重脅迫）
- フィッシング：偽サイト等で認証情報を盗む
- DDoS：大量アクセス等でサービス妨害
間違えやすいポイント：入口（フィッシング）と実害（ランサム等）を同列に扱わない。
