G検定 大項目7 AIの社会実装に向けて 予想問題と解説

正解は「CRISP-DM」である。「業務理解→データ理解→データ準備→モデリング→評価→展開」の6段階を反復しながら進めるデータ分析・データマイニングの標準的な工程モデルがCRISP-DMである。PoCは本格開発の前に実現可能性を小規模な試作で検証する取り組みであり、6段階に分かれた反復型の工程モデルそのものではない。MLOpsはモデルを本番環境へデプロイした後の運用・再学習を継続的に回す仕組みで、分析プロジェクトの立ち上げから展開までの工程を定めるものではない。BPRは業務の流れ自体を抜本的に作り直す経営手法で、データ分析の作業段階を規定する語ではない。PoC・MLOps・BPRはいずれもAIプロジェクトの異なる局面（検証・運用・業務改革）を指す語であり、6段階の反復工程というCRISP-DMの定義とは階層が異なる。

https://www.jdla.org/certificate/general/ （大項目7 AIの社会実装に向けて）

正解は「PoC」である。設問が問うているのは、AIプロジェクトの初期段階で本格的な開発投資に入る前に置かれる「実現可能性を確かめる工程」である。AI・データの利用に関する契約ガイドラインが示す段階的な開発でも、PoCは事業価値や実現可能性を洗い出すアセスメントの直後、本格的な学習済みモデルの開発より前に位置づけられ、投資判断の材料として機能する。他の3つの選択肢は、いずれも「検証という行為」そのものではない点で共通してPoCと区別できる。BPRは業務の流れを作り直す経営手法、概念ドリフトは運用が始まった後にモデル精度が下がる現象、オープンデータは公開データの分類であり、経営手法・運用後の現象・データの種別という異なる位置づけに散らばっている点を軸に区別できる。

https://www.jdla.org/certificate/general/ （大項目7 AIの社会実装に向けて）

正解は「BPR」である。この設問が見ている論点は、AI導入効果を最大化する際に「個別の作業を自動化するだけ」なのか「業務プロセス全体を組み替える」のかという変更範囲の違いである。BPRは担当者や承認経路、入力と出力までを含めて業務の流れを根本から再定義する取り組みであり、単発の効率化とは変更が及ぶ範囲が異なる。残る3つの選択肢は、業務プロセスの再設計という主題そのものから外れた別の層に属している点で一括りにできる。CRISP-DMはデータ分析の進め方を定める工程モデル、Webスクレイピングはデータ収集の技術手法、クラウドは計算資源の利用形態であり、いずれも「業務の流れをどう作り直すか」という経営判断の対象ではなく、分析やインフラを支える実務的な手段にとどまる。

https://www.jdla.org/certificate/general/ （大項目7 AIの社会実装に向けて）

正解は「アノテーション」である。教師あり学習のデータ準備は、データを集める収集段階、形式を整える加工・前処理の段階、個々のデータへ正解となるラベルを付与する段階という順に進み、この設問は最後の「正解ラベルを付与する段階」だけを切り出して問うている。他の3つの選択肢は、いずれもラベル付与より前の段階か、ラベル付与そのものとは別の対象を指す点で共通してアノテーションと区別できる。Webスクレイピングは収集段階の技術的手法、データの加工・前処理は形式を整える段階、オープンデータは収集対象になり得る公開データの分類であり、正解の判断とラベル付与という作業そのものを表してはいない。

https://www.jdla.org/certificate/general/ （大項目7 AIの社会実装に向けて）

正解は「プライバシー・バイ・デザイン」である。システムやサービスの企画・設計の最初の段階から、あらかじめ個人情報の保護を組み込んでおく考え方がプライバシー・バイ・デザインである。アカウンタビリティ（説明責任）はAIの判断や結果について事後に説明する責任を指す語であり、設計段階での作り込みそのものではない。概念ドリフトは運用が始まった後にデータの傾向が変化してモデルの精度が下がる現象であり、設問が対比している「事後対応」の一例に近く、設計段階の話ではない。データの加工・前処理は欠損値処理や正規化などデータを整える工程であり、情報保護の設計思想を表す語ではない。

https://www.jdla.org/certificate/general/ （大項目7 AIの社会実装に向けて）

正解は「MLOps」である。機械学習モデルの開発・デプロイ・運用・再学習までを継続的かつ効率的に回し、本番環境で安定稼働させ続けるための仕組み・方法論がMLOpsである。CRISP-DMは業務理解からモデリング・評価・展開までを6段階で進める分析プロジェクトの工程モデルであり、本番運用後の継続的な再学習サイクルを主眼とする語ではない。概念ドリフトは運用中にデータの傾向が変化して精度が下がる現象そのものであり、それに対処する仕組みであるMLOpsとは同じ話題の中でも「問題」と「対処のための方法論」という異なる立場にある。BPRは業務プロセスそのものを抜本的に再設計する経営手法で、モデルの運用基盤とは対象が異なる。

https://www.jdla.org/certificate/general/ （大項目7 AIの社会実装に向けて）

正解は「説明可能AI」である。ディープラーニングなどで判断根拠がブラックボックス化する問題に対し、モデルが結論に至った理由を人間が理解できる形で示そうとする技術・研究分野が説明可能AI（XAI）である。敵対的サンプルはモデルを誤認識させるよう入力に微小な変化を加えたものであり、判断根拠を示す技術ではなくモデルを欺く側の入力を指す。フィルターバブルは推薦アルゴリズムが好みに合う情報ばかりを表示し続けた結果、利用者が自分の関心に近い情報だけに囲まれる状態であり、モデルの判断根拠とは無関係な現象である。概念ドリフトは運用中にデータの傾向が変化して精度が下がる現象であり、判断根拠の説明とは異なる問題を指す。

https://www.jdla.org/certificate/general/ （大項目7 AIの社会実装に向けて）

正解は「敵対的サンプル」である。人間にはほとんど気づけないわずかな変化を入力に意図的に加え、AIモデルに誤った認識をさせる入力が敵対的サンプル（Adversarial Examples）である。フィルターバブルは推薦アルゴリズムが好みに合う情報ばかりを表示し続けた結果、利用者が偏った情報に囲まれる状態であり、入力データを意図的に加工してモデルを欺く行為ではない。概念ドリフトは運用中に入力データの傾向が自然に変化して精度が下がる現象であり、「意図的な加工」という設問の条件とは異なる。オープンデータは誰でも自由に利用できる形で公開されたデータそのものを指す語で、モデルを欺くための加工入力ではない。

https://www.jdla.org/certificate/general/ （大項目7 AIの社会実装に向けて）

正解は「フィルターバブル」である。この設問は、利用者が情報の偏りにさらされる現象の中でも「アルゴリズムによる情報提示側の要因」で起きるものを問うている。フィルターバブルは、検索やSNSの推薦アルゴリズムが利用者の好みを学習して似た情報ばかりを優先表示し続けた結果として生じる状態であり、似た意見を持つ人々同士のやり取りの中で特定の意見が反響して強まるエコーチェンバー（人と人との交流が要因）とは、偏りが生まれる主体が異なる近接概念として区別される。他の選択肢は、いずれも「情報の偏り」という主題そのものから外れている。敵対的サンプルはモデルを欺くために入力へ加える意図的な変化、アノテーションは学習データへの正解ラベル付与作業、概念ドリフトは運用中の入力傾向の変化によるモデル精度の低下であり、いずれも利用者が触れる情報の偏りとは別の技術的な論点である。

https://www.jdla.org/certificate/general/ （大項目7 AIの社会実装に向けて）

正解はA/Bテストである。2つの案を実際の利用者に無作為に振り分けて表示し、成果指標（購入率など）がどちらで高いかを比較する検証手法である。PoC（概念実証）は本格開発の前に想定した手法で目的が達成できそうかを小規模な試作・実験で確かめる取り組みであり、実際の利用者を2グループに分けて成果指標を比較するものではない。Webスクレイピングはウェブ上の情報をプログラムで自動収集する手法であり、画面の比較検証とは対象が異なる。CRISP-DMは業務理解からモデリング・評価・展開までを6段階で進める分析プロジェクトの工程モデルであり、2つの画面案を実利用者で比較する個別の検証手法ではない。

https://www.jdla.org/certificate/general/ （大項目7 AIの社会実装に向けて）

正解はデータリーケージ。本来は予測時点で得られないはずの正解に関わる情報が学習データ（特徴量）に紛れ込み、検証では高精度に見えても本番運用で性能が出なくなる問題である。概念ドリフトは運用中に入力データの傾向が変化して精度が下がる現象、データの品質はデータの正確さや目的への適合の度合い、データの加工・前処理はデータを整える工程であり、いずれも正解情報の漏れ込みによって見かけ上だけ高精度になる問題を指す語ではない。 性能低下の時点と原因を分ける。概念ドリフトは運用後の分布変化、データ品質は正確性・欠損等の総称、前処理はデータ整形工程である。将来情報や正解を示唆する列が訓練・検証へ漏れ、見かけの精度だけ上がるのはデータリーケージである。

https://www.jdla.org/certificate/general/ （大項目7 AIの社会実装に向けて）

正解は「公平性（Fairness）・説明責任（Accountability）・透明性（Transparency）」である。FATは、公平性（Fairness）・説明責任（Accountability）・透明性（Transparency）の頭文字をとった語で、AIを社会で用いる際に重視される観点をまとめたものである。高速性や機能性などの一般的な品質特性とは異なり、AIの信頼性・倫理に関わる観点を指す。 選択肢ごとの差は次のように整理できる。「高速性・正確性・自動性」は誤答側で、高速性や機能性などの一般的な品質特性とは異なり、AIの信頼性・倫理に関わる観点を指す。「機能性・可用性・耐障害性」は誤答側で、高速性や機能性などの一般的な品質特性とは異なり、AIの信頼性・倫理に関わる観点を指す。「公平性・匿名性・追跡可能性」は誤答側で、FATは、公平性（Fairness）・説明責任（Accountability）・透明性（Transparency）の頭文字をとった語で、AIを社会で用いる際に重視される観点をまとめたものである。「公平性（Fairness）・説明責任（Accountability）・透明性（Transparency）」は正解側で、FATは、公平性（Fairness）・説明責任（Accountability）・透明性（Transparency）の頭文字をとった語で、AIを社会で用いる際に重視される観点をまとめたものである。

https://www.jdla.org/certificate/general/

正解は「アカウンタビリティ（説明責任）」である。アカウンタビリティ（説明責任）は、AIの判断や結果について、開発・提供・利用する側が関係者に対して経緯や根拠を説明し責任を負うべきだとする考え方である。スケーラビリティは規模拡大への対応力、冗長性は予備を持たせること、可搬性は移植のしやすさを指すシステムの性質であり、いずれも説明責任を表す語ではない。 システム品質の性質と統治上の責務を分ける。スケーラビリティは規模拡張、冗長性は予備構成、可搬性は環境間移植のしやすさである。判断を行った主体が根拠を説明し結果に責任を持つのはアカウンタビリティである。

https://www.jdla.org/certificate/general/

正解は「概念ドリフト」である。概念ドリフトは、時間の経過とともに入力データの傾向や、入力と出力の関係そのものが変化していき、運用中のモデルの予測精度が徐々に低下していく現象である。運用後の再学習・監視（MLOps）が重要になる。データリーケージは学習時に正解情報が混入する事故、過学習は訓練データに適合しすぎる現象、アノテーションはラベル付け作業であり、いずれも運用中の傾向変化による精度低下を指す語ではない。 問題が生じる時点を区別する。データリーケージは学習・検証時の情報漏れ、過学習は訓練データへの過度な適合、アノテーションはラベル付与作業である。本番運用後に環境や顧客行動が変わり関係がずれるのは概念ドリフトである。

https://www.jdla.org/certificate/general/

正解は「オープンデータ」である。オープンデータは、国や自治体、企業などが、誰もが自由に利用・再配布できる形で公開しているデータを指す。機械学習の学習用データの調達先としても活用される。要配慮個人情報や営業秘密は公開が制限される情報、教師データは教師あり学習で正解ラベルを付けたデータであり、いずれも自由な利用・再配布を前提に公開されたデータを指す語ではない。 データは公開条件と用途で区別する。要配慮個人情報と営業秘密は保護・非公開が原則、教師データはラベル付き学習データという用途分類である。公共機関等が機械判読可能で二次利用可能な条件で公開するのはオープンデータである。

https://www.jdla.org/certificate/general/

正解は「データサイエンティスト」である。データサイエンティストは、統計や機械学習の知識を用いてデータを分析し、ビジネス課題の解決や価値創出を担う専門人材である。ドメイン知識を持つ関係者と協働することも重要とされる。アノテーターはデータにラベルを付ける作業者、エンドユーザーは利用者、データ主体は個人データの本人を指す語であり、いずれもデータ分析で価値創出を担う専門人材そのものを指す語ではない。 人材は担当工程と責任で区別する。アノテーターはラベル付与、エンドユーザーは成果物の利用者、データ主体は個人データの本人である。分析設計・モデル化・事業への翻訳を担う専門人材はデータサイエンティストである。

https://www.jdla.org/certificate/general/

正解は「KPI」である。KPIは目標に対する進捗や成果を測定するための重要業績評価指標であり、AI導入が業務目標に寄与したかを確認する基準になる。PoCは実現可能性の小規模検証、BPRは業務プロセスの抜本的再設計、ELSIは倫理的・法的・社会的課題を表す概念であり、成果を数値で追う指標ではない。 導入活動と測定指標を分ける。PoCは実現可能性の試行、BPRは業務再設計、ELSIは倫理・法・社会課題の検討領域である。目標に対する進捗を定量追跡する重要業績評価指標がKPIである。

https://www.jdla.org/certificate/general/

正解は「ドメイン知識」である。ドメイン知識は、製造、医療、金融など特定の業務領域に固有の知識を指す。AIプロジェクトでは、技術者と現場の知識を持つ人が協力し、課題設定や評価基準を定める必要がある。オープンデータは公開データ、データリーケージは本来利用できない情報の混入、敵対的サンプルは誤認を誘う入力であり、業務領域の知識ではない。設問の製造工程、安全条件、異常の定義は、データの公開状態や学習時の混入ではなく、現場業務を理解するための知識を示す。AI技術の用語ではなく、判断基準を定める業務側の知識を選ぶ。

https://www.jdla.org/certificate/general/

正解は「エッジAI」である。エッジAIは、端末や現場に近い場所でAIの推論などを行う構成であり、通信遅延やデータ送信量を抑えたい場面で用いられる。クラウドはネットワーク越しに計算資源を利用する形態、MLOpsはモデルの開発・運用を継続的に回す方法論、プライバシー・バイ・デザインは設計段階から個人情報保護を組み込む考え方である。 計算する場所を確認する。クラウドは遠隔データセンターの計算資源、MLOpsは開発運用の方法論、プライバシー・バイ・デザインは設計原則である。工場端末やスマートフォンなど現場側で推論するのがエッジAIである。

https://www.jdla.org/certificate/general/

正解は「説明可能AI（XAI）」である。説明可能AI（XAI）は、AIの判断理由や根拠を人が理解できる形で説明するための考え方で、融資審査のように説明責任が問われる場面で重要になる。データリーケージは評価時に本来使えない情報が混入する問題、オープンデータは公開データ、GPUは計算資源であり、判断理由の説明という観点ではない。 説明責任を支える具体的なモデル解釈技術を問う。データリーケージは情報混入事故、オープンデータは公開条件、GPUは計算装置である。特徴寄与度や局所説明などで判断理由を説明可能にするのがXAIである。

https://www.jdla.org/certificate/general/

正解は「公平性」である。公平性は、AIの判断が特定の属性や集団に不当に不利な結果をもたらさないかを考える重要な観点である。クラウドは計算資源の利用形態、WebスクレイピングはWeb上のデータ収集、データの収集はプロジェクト工程であり、判断の偏りを評価する観点そのものではない。 評価対象がインフラやデータ工程ではなく、集団間の判断結果であると確認する。クラウドは計算形態、スクレイピングとデータ収集は取得工程である。属性別の採用率や誤り率などを比較し不当な偏りを点検するのが公平性の観点である。

https://www.jdla.org/certificate/general/

正解は「BPR」である。BPRは業務プロセスを抜本的に見直して再設計する取り組みであり、AI導入では単にモデルを作るだけでなく業務側の設計も重要になる。PoCは実現可能性の検証、A/Bテストは施策比較、WebスクレイピングはWeb上のデータ収集である。 変更範囲を見分ける。PoCは小規模検証、A/Bテストは施策比較、Webスクレイピングはデータ収集である。個別作業の自動化だけでなく業務プロセス全体を根本から組み替えるのがBPRである。担当者、承認経路、入力と出力まで再定義する点が、単なる個別作業の自動化との違いになる。

https://www.jdla.org/certificate/general/

正解は「概念ドリフト」である。概念ドリフトは、運用中にデータの分布や入力と正解の関係が変化し、学習時には高かったモデル性能が低下する現象である。データリーケージは本来使えない情報の混入、アノテーションはラベル付け、オープンデータは公開データである。 時間軸と原因を区別する。データリーケージは学習時の情報漏れ、アノテーションはラベル付与、オープンデータは公開データである。顧客行動や環境変化により学習時の関係が現在とずれるのが概念ドリフトで、監視と再学習が必要になる。

https://www.jdla.org/certificate/general/

正解は「アカウンタビリティ（説明責任）」である。アカウンタビリティは、AIの判断や運用について関係者に説明し責任を果たす観点であり、説明可能AIや透明性とも関係する。クラウドは計算資源の利用形態、内製と外注は開発体制、価値創出は事業成果に関する観点である。 技術・体制・事業成果と責務を区別する。クラウドは計算資源、内製と外注は開発体制、価値創出は事業目的である。誰が判断に責任を持ち、経緯・根拠・対応を説明するかを求めるのがアカウンタビリティである。

https://www.jdla.org/certificate/general/

正解は「CRISP-DM」である。この設問が問うているのは、データ分析プロジェクトを立ち上げてから展開に至るまでの標準的な工程がどう呼ばれるかという、プロジェクトマネジメントの枠組みそのものである。CRISP-DMは、ビジネス理解・データ理解・モデリング・評価・展開という流れを反復しながら進める代表的な工程モデルであり、AI導入プロジェクトの土台として位置づけられる。残る3つの選択肢は、いずれも「プロジェクトの進め方を定める工程モデル」という主題自体から外れ、それぞれ別の局面を指す語である点で一括りにできる。MLOpsはモデルを本番投入した後の運用・再学習の仕組み、FATは公平性・説明責任・透明性というAIに求められる性質、RLHFは人間のフィードバックを用いた強化学習の手法であり、いずれもプロジェクトの立ち上げから展開までの段階を規定する語ではない。

https://www.jdla.org/certificate/general/

正解は「ビジネス課題の定義」である。設問は、AIプロジェクトの中で「モデルを選ぶより前」に位置する最初の工程を問うている。ビジネス課題の定義は、AIで何を解決したいのか、どの業務指標をどれだけ改善したいのかを言語化する活動であり、この後に続くデータ収集・モデル選定・開発という工程の前提を定める役割を担う。他の3つの選択肢は、いずれもこの最初の工程より後で登場する要素である点で共通してビジネス課題の定義とは区別できる。Webスクレイピングとデータの収集はいずれも課題が定まった後にデータを取得する手段であり、エッジAIは開発後にモデルをどこで動かすかという実行環境の構成を指す語であって、プロジェクトの出発点となる課題設定を表す語ではない。

https://www.jdla.org/certificate/general/

正解は「MLOps」である。この設問は、AIプロジェクトの時間軸の中でも「本番運用が始まった後」を継続的にどう回すかという局面を問うている。MLOpsは、モデルの開発・デプロイだけでなく、本番運用中の監視や性能低下を踏まえた再学習までを一連のサイクルとして継続的に回す考え方・実践であり、運用フェーズ全体を対象とする点が特徴になる。他の3つの選択肢は、いずれもMLOpsが対象とする「運用開始後の継続的な回し方」とは異なる局面を指す語である。CRISP-DMはプロジェクトを立ち上げてから展開するまでの分析工程、プライバシー・バイ・デザインは設計段階からの情報保護の組み込み方、アノテーションは学習データへのラベル付与作業であり、いずれも運用中の継続的な監視・再学習という主題を指してはいない。

https://www.jdla.org/certificate/general/

正解は「内製と外注」である。内製と外注は、AI開発を自社で担うか外部に委託するかという体制上の論点である。A/Bテストは施策比較、KPIは成果指標、敵対的サンプルはAIの誤認を誘う入力であり、開発体制の選択ではない。問題文の「自社で体制を持つ」と「外部ベンダーへ委託する」は、開発主体をどこに置くかという対比である。施策の比較方法、成果を測る指標、モデルへの攻撃入力は、開発を担う組織の選択とは別の段階の論点になる。誰が開発するかを尋ねていると捉えると、内製と外注に絞れる。

https://www.jdla.org/certificate/general/

正解は「プライバシー・バイ・デザイン」である。設問が問うているのは、個人情報保護を「いつ」組み込むかという時期の違いである。プライバシー・バイ・デザインは、運用が始まってからの事後対応に頼るのではなく、企画・設計の最初の段階からあらかじめ保護の仕組みを作り込んでおく考え方であり、事後に説明責任を果たす取り組みとは組み込む時期の点で区別される。他の3つの選択肢は、いずれも「設計段階からの作り込み」という主題そのものとは異なる層に属する点で一括りにできる。データリーケージは学習時に本来使えない情報が紛れ込む事故、概念ドリフトは運用が始まった後にデータの傾向が変化する現象、オープンデータは公開データの分類であり、いずれも設計段階からの作り込みという考え方そのものを表す語ではない。

https://www.jdla.org/certificate/general/

正解は解決すべきビジネス課題の定義。AIプロジェクトでは、技術や手法を選ぶ前に『何のためにAIを使い、どのビジネス課題を解決するのか』を明確にすることが出発点になる。課題があいまいなまま開発を進めると、精度が高くても価値につながらない。GPUの台数やハイパーパラメータ、活性化関数はいずれも実装段階の技術的な選択で、プロジェクトの最初に定めるべきビジネス課題の定義とは段階が異なる。 選択肢ごとの差は次のように整理できる。「使用するGPUの台数」は誤答側で、本文で示した定義を「使用するGPUの台数」に当てはめると、設問の条件との一致・不一致を判定できる。「解決すべきビジネス課題の定義」は正解側で、正解は解決すべきビジネス課題の定義。「学習アルゴリズムのハイパーパラメータ」は誤答側で、本文で示した定義を「学習アルゴリズムのハイパーパラメータ」に当てはめると、設問の条件との一致・不一致を判定できる。「モデルの活性化関数の種類」は誤答側で、本文で示した定義を「モデルの活性化関数の種類」に当てはめると、設問の条件との一致・不一致を判定できる。

https://www.jdla.org/certificate/general/ （大項目7 AIの社会実装に向けて）

正解は、内製は社内にノウハウが蓄積しやすい一方で人材の確保や育成の負担が大きいという説明。内製と外注はそれぞれ利点と課題があり、体制・人材・スピードなどを踏まえて選択する。外注が必ず高コスト・低品質とは限らず、法律で一方に義務づけられているわけでもない。また外注でも自社に知見を残す工夫は重要で、常に外注が望ましいとはいえない。 選択肢ごとの差は次のように整理できる。「外注すれば自社にノウハウを一切残さずに済むため、常に外注が望ましい」は誤答側で、誤答。外注でも自社に知見を残す工夫は必要であり、ノウハウを一切残さないことが利点とはいえない。体制や人材を見ずに常に外注と断定している点も不適切である。「外注は必ず内製より費用が高くなり、品質も必ず劣る」は誤答側で、誤答。外注の費用と品質が必ず内製より劣るとは限らない。「必ず」という断定が、内製と外注それぞれの利点・課題を比較する考え方に反する。「内製と外注は法律で一方に義務づけられており、企業が自由に選ぶことはできない」は誤答側で、誤答。内製と外注の一方が法律で義務づけられているわけではない。企業は体制、人材、スピードなどを踏まえて選択する。「内製は社内にノウハウが蓄積しやすい一方、人材の確保や育成の負担が大きい」は正解側で、正解。内製には社内へノウハウを蓄積しやすい利点がある一方、必要な人材を確保・育成する負担がある。利点と課題を両方示している。

https://www.jdla.org/certificate/general/ （大項目7 AIの社会実装に向けて）

正解はステークホルダー。この設問は、AIの開発・運用に「誰が関わるか」という人・組織の話と、AIの技術的な作業や現象・知識の話を見分けることを問うている。ステークホルダーは、AIの開発や社会実装に関わったり、その影響を受けたりする利用者・開発者・規制当局・社会などの人や組織そのものを指す語であり、AIプロジェクトを進めるうえでニーズを聞き取るべき相手として位置づけられる。他の3つの選択肢は、いずれも人や組織ではなく、作業・専門知識・現象という別の種類の対象を指す点で一括りにできる。フィルターバブルは情報が偏って表示される現象、アノテーションは学習データへラベルを付与する作業、ドメイン知識は特定の業務領域に固有の専門知識であり、いずれも「関わる人・組織」を直接指す語ではない。

https://www.jdla.org/certificate/general/ （大項目7 AIの社会実装に向けて）

この事例では「予測時点では得られない情報が学習工程へ入っているか」を確認すると、データリーケージに絞れる。正解はデータリーケージ。本来は予測時点で得られないはずの正解に関わる情報が学習データ（特徴量）に紛れ込み、検証では高精度に見えても本番運用で性能が出なくなる問題である。概念ドリフトは運用中に入力データの傾向が変化して精度が下がる現象、データの品質はデータの正確さや目的への適合の度合い、データの加工・前処理はデータを整える工程であり、いずれも正解情報の漏れ込みによって見かけ上だけ高精度になる問題を指す語ではない。 性能低下の時点と原因を分ける。概念ドリフトは運用後の分布変化、データ品質は正確性・欠損等の総称、前処理はデータ整形工程である。将来情報や正解を示唆する列が訓練・検証へ漏れ、見かけの精度だけ上がるのはデータリーケージである。

https://www.jdla.org/certificate/general/ （大項目7 AIの社会実装に向けて）

この事例では「データ発生地点の近くで推論を完結する要件か」を確認すると、エッジAIに絞れる。正解は「エッジAI」である。エッジAIは、端末や現場に近い場所でAIの推論などを行う構成であり、通信遅延やデータ送信量を抑えたい場面で用いられる。クラウドはネットワーク越しに計算資源を利用する形態、MLOpsはモデルの開発・運用を継続的に回す方法論、プライバシー・バイ・デザインは設計段階から個人情報保護を組み込む考え方である。 計算する場所を確認する。クラウドは遠隔データセンターの計算資源、MLOpsは開発運用の方法論、プライバシー・バイ・デザインは設計原則である。工場端末やスマートフォンなど現場側で推論するのがエッジAIである。

https://www.jdla.org/certificate/general/

この事例では「モデルの判断根拠を人が理解できる形で示す要件か」を確認すると、説明可能AI（XAI）に絞れる。正解は「説明可能AI（XAI）」である。説明可能AI（XAI）は、AIの判断理由や根拠を人が理解できる形で説明するための考え方で、融資審査のように説明責任が問われる場面で重要になる。データリーケージは評価時に本来使えない情報が混入する問題、オープンデータは公開データ、GPUは計算資源であり、判断理由の説明という観点ではない。 説明責任を支える具体的なモデル解釈技術を問う。データリーケージは情報混入事故、オープンデータは公開条件、GPUは計算装置である。特徴寄与度や局所説明などで判断理由を説明可能にするのがXAIである。

https://www.jdla.org/certificate/general/

この事例では「プライバシー保護を設計の初期段階から組み込むか」を確認すると、プライバシー・バイ・デザインに絞れる。正解は「プライバシー・バイ・デザイン」である。設問が問うているのは、個人情報保護を「いつ」組み込むかという時期の違いである。プライバシー・バイ・デザインは、運用が始まってからの事後対応に頼るのではなく、企画・設計の最初の段階からあらかじめ保護の仕組みを作り込んでおく考え方であり、事後に説明責任を果たす取り組みとは組み込む時期の点で区別される。他の3つの選択肢は、いずれも「設計段階からの作り込み」という主題そのものとは異なる層に属する点で一括りにできる。データリーケージは学習時に本来使えない情報が紛れ込む事故、概念ドリフトは運用が始まった後にデータの傾向が変化する現象、オープンデータは公開データの分類であり、いずれも設計段階からの作り込みという考え方そのものを表す語ではない。

https://www.jdla.org/certificate/general/

この事例では「目的変数の確定後にしか得られない情報が特徴量へ漏れているか」を確認すると、データリーケージに絞れる。正解はデータリーケージ。本来は予測時点で得られないはずの正解に関わる情報が学習データ（特徴量）に紛れ込み、検証では高精度に見えても本番運用で性能が出なくなる問題である。概念ドリフトは運用中に入力データの傾向が変化して精度が下がる現象、データの品質はデータの正確さや目的への適合の度合い、データの加工・前処理はデータを整える工程であり、いずれも正解情報の漏れ込みによって見かけ上だけ高精度になる問題を指す語ではない。 性能低下の時点と原因を分ける。概念ドリフトは運用後の分布変化、データ品質は正確性・欠損等の総称、前処理はデータ整形工程である。将来情報や正解を示唆する列が訓練・検証へ漏れ、見かけの精度だけ上がるのはデータリーケージである。

https://www.jdla.org/certificate/general/ （大項目7 AIの社会実装に向けて）

この事例では「クラウド通信なしに端末側で推論する必要があるか」を確認すると、エッジAIに絞れる。正解は「エッジAI」である。エッジAIは、端末や現場に近い場所でAIの推論などを行う構成であり、通信遅延やデータ送信量を抑えたい場面で用いられる。クラウドはネットワーク越しに計算資源を利用する形態、MLOpsはモデルの開発・運用を継続的に回す方法論、プライバシー・バイ・デザインは設計段階から個人情報保護を組み込む考え方である。 計算する場所を確認する。クラウドは遠隔データセンターの計算資源、MLOpsは開発運用の方法論、プライバシー・バイ・デザインは設計原則である。工場端末やスマートフォンなど現場側で推論するのがエッジAIである。

https://www.jdla.org/certificate/general/

この事例では「予測結果だけでなく根拠を人へ示すか」を確認すると、説明可能AI（XAI）に絞れる。正解は「説明可能AI（XAI）」である。説明可能AI（XAI）は、AIの判断理由や根拠を人が理解できる形で説明するための考え方で、融資審査のように説明責任が問われる場面で重要になる。データリーケージは評価時に本来使えない情報が混入する問題、オープンデータは公開データ、GPUは計算資源であり、判断理由の説明という観点ではない。 説明責任を支える具体的なモデル解釈技術を問う。データリーケージは情報混入事故、オープンデータは公開条件、GPUは計算装置である。特徴寄与度や局所説明などで判断理由を説明可能にするのがXAIである。

https://www.jdla.org/certificate/general/

この事例では「事後対応でなく設計段階からプライバシーを組み込むか」を確認すると、プライバシー・バイ・デザインに絞れる。正解は「プライバシー・バイ・デザイン」である。設問が問うているのは、個人情報保護を「いつ」組み込むかという時期の違いである。プライバシー・バイ・デザインは、運用が始まってからの事後対応に頼るのではなく、企画・設計の最初の段階からあらかじめ保護の仕組みを作り込んでおく考え方であり、事後に説明責任を果たす取り組みとは組み込む時期の点で区別される。他の3つの選択肢は、いずれも「設計段階からの作り込み」という主題そのものとは異なる層に属する点で一括りにできる。データリーケージは学習時に本来使えない情報が紛れ込む事故、概念ドリフトは運用が始まった後にデータの傾向が変化する現象、オープンデータは公開データの分類であり、いずれも設計段階からの作り込みという考え方そのものを表す語ではない。

https://www.jdla.org/certificate/general/

この事例では「正解結果に由来する未来情報が学習へ混入したか」を確認すると、データリーケージに絞れる。正解はデータリーケージ。本来は予測時点で得られないはずの正解に関わる情報が学習データ（特徴量）に紛れ込み、検証では高精度に見えても本番運用で性能が出なくなる問題である。概念ドリフトは運用中に入力データの傾向が変化して精度が下がる現象、データの品質はデータの正確さや目的への適合の度合い、データの加工・前処理はデータを整える工程であり、いずれも正解情報の漏れ込みによって見かけ上だけ高精度になる問題を指す語ではない。 性能低下の時点と原因を分ける。概念ドリフトは運用後の分布変化、データ品質は正確性・欠損等の総称、前処理はデータ整形工程である。将来情報や正解を示唆する列が訓練・検証へ漏れ、見かけの精度だけ上がるのはデータリーケージである。

https://www.jdla.org/certificate/general/ （大項目7 AIの社会実装に向けて）

この事例では「発生端末側で低遅延推論を行うか」を確認すると、エッジAIに絞れる。正解は「エッジAI」である。エッジAIは、端末や現場に近い場所でAIの推論などを行う構成であり、通信遅延やデータ送信量を抑えたい場面で用いられる。クラウドはネットワーク越しに計算資源を利用する形態、MLOpsはモデルの開発・運用を継続的に回す方法論、プライバシー・バイ・デザインは設計段階から個人情報保護を組み込む考え方である。 計算する場所を確認する。クラウドは遠隔データセンターの計算資源、MLOpsは開発運用の方法論、プライバシー・バイ・デザインは設計原則である。工場端末やスマートフォンなど現場側で推論するのがエッジAIである。

https://www.jdla.org/certificate/general/