4.1標準
採用支援モデルの評価で、特定グループの誤判定率が高い。
モデルをそのまま本番利用せず、影響を確認して改善する。
責任あるAIの取り組みとして適切なものはどれか。
× 不正解
責任あるAIでは、全体指標だけでなくグループ別の影響を分析し、データ・モデル・運用プロセスを改善する。
詳細解説
誤りモデルの出力を説明せず、異議申立てを禁止する
透明性と利用者の救済手段を損ない、責任ある利用に反する。
誤り誤判定があっても自動判断を止めない
高影響領域ではリスクに応じた停止・レビュー・改善が必要である。
誤り全体平均の正解率だけを確認し、グループ別の差を見ない
平均値だけでは特定グループへの不均衡な影響を見逃す可能性がある。
正しいグループ別の性能を分析し、データとモデルを見直して人間のレビューを組み込む
公平性の測定、原因分析、改善、影響の大きい判断での人間の確認を組み合わせる。
公式資料で確認する
以下の項目を公式資料の記述と照合して確認します。
AWS公式AIF-C01 Domain 4のResponsible AIと公平性に関する説明を確認する。
参考にした公式資料
確認できる内容
公平性をグループ別に評価し、人間のレビューや改善サイクルを組み込む理由を説明できる。
理解のポイント
- 公平性
- グループ別評価
- 人間のレビュー
確認時の注意
- 確認環境: AWS公式AIF-C01試験ガイドとAWS公式ドキュメントの確認
- AWS公式ドキュメントの対象サービス・機能の説明と、AIF-C01の対応Taskを確認する。
- サービスの提供範囲と、利用者が設計・設定する範囲を混同しない。
基礎のおさらい
バイアス
データ収集、ラベル、特徴量、モデル、運用方法の各段階で偏りが生じる可能性がある。
影響評価
正解率だけでなく、誤判定率、利用者への影響、異議申立てなどを継続的に確認する。
問題IDAWS-AIF-018
確認環境AWS公式AIF-C01試験ガイドとAWS公式ドキュメントの確認
最終技術確認2026-08-20
誤り・権利侵害を報告