Step 1 確認クイズ

NLP×業務課題の理解に関する確認クイズである。5問中4問以上の正解（80%以上）で合格となる。

Q1. カスタマーサポートの課題

NetShop社のカスタマーサポートにおいて、手動分類の最大の問題点はどれか？

• A) 分類カテゴリが少なすぎる
• B) 担当者間の分類一致率が72%と低い
• C) 問い合わせ件数が少なすぎる
• D) テンプレートの数が多すぎる

正解: B) 担当者間の分類一致率が72%と低い

解説: 手動分類の最大の問題は担当者間の一貫性の欠如である。一致率72%は、同じ問い合わせに対して担当者によって異なるカテゴリに分類される可能性が28%あることを意味する。これにより対応品質にばらつきが生じ、顧客体験が損なわれる。

Q2. NLPタスクの分類

顧客の問い合わせから注文番号や商品名を自動的に抽出するNLPタスクとして、最も適切なものはどれか？

• A) テキスト分類
• B) 感情分析
• C) 固有表現認識（NER）
• D) テキスト要約

正解: C) 固有表現認識（NER）

解説: 固有表現認識（Named Entity Recognition）は、テキストから特定の種類の情報（人名、組織名、日付、商品名など）を抽出するタスクである。注文番号や商品名の抽出はNERの典型的な適用例。

Q3. NLP技術の進化

BERTの登場（2018年）がNLPに与えた最大のインパクトはどれか？

• A) ルールベースの手法が不要になった
• B) 事前学習+Fine-tuningにより少量データでも高精度を実現した
• C) GPUが不要になった
• D) すべてのNLPタスクが完全に自動化された

正解: B) 事前学習+Fine-tuningにより少量データでも高精度を実現した

解説: BERTは大量のテキストで事前学習し汎用的な言語理解を獲得した上で、少量のタスク固有データでFine-tuningする手法を確立した。これにより、ラベル付きデータが少ないタスクでも高い精度を達成できるようになった。

Q4. 技術選定

月5,000件の問い合わせを処理するシステムにおいて、推論速度と精度のバランスが最も良い手法はどれか？

• A) ルールベース（正規表現）
• B) 統計ML（TF-IDF + SVM）
• C) BERT Fine-tuning
• D) LLM API（Zero-shot）

正解: C) BERT Fine-tuning

解説: BERT Fine-tuningは高い精度（90%以上）を維持しながら、LLM APIよりもはるかに高速かつ低コストで推論できる。月5,000件規模のシステムでは、BERT Fine-tuningが速度とコストのバランスに優れる。統計MLは速度は速いが精度で劣り、LLM APIは精度は高いがコストとレイテンシが課題となる。

Q5. ROI試算

NLP導入により60%の問い合わせを自動処理した場合、15人体制（月給35万円）から何人体制に削減でき、年間の人件費削減額はいくらになるか？

• A) 8人体制、年間2,940万円削減
• B) 5人体制、年間4,200万円削減
• C) 10人体制、年間2,100万円削減
• D) 3人体制、年間5,040万円削減

正解: B) 5人体制、年間4,200万円削減

解説: 60%の自動化により残りの2,000件を手動対応する場合、必要人員は約4.2人。余裕を持たせて5人体制とすると、10人分の人件費（月350万円）が削減でき、年間で4,200万円の削減効果が見込める。

結果

• 4問以上正解（80%以上）: 合格。Step 2に進もう。
• 3問以下: Step 1のレッスンを復習してから再挑戦しよう。

推定所要時間: 15分