4.1標準
採用支援モデルの評価で、応募者の一部属性がデータにほとんど含まれていない。
グループごとの誤りを比較したい。
最初に行うべき対策はどれか。
× 不正解
責任あるAIでは、データの代表性を確認し、対象グループごとの性能・影響を測定して改善する。
詳細解説
正しい対象集団を代表するデータ量と品質を確認し、グループ別評価を設計する
代表性が不足したまま平均値を測ると、特定グループへの影響を見落とす。
代表性が不足したまま平均値を測ると、特定グループへの影響を見落とす。
問題の要件では、対象集団を代表するデータ量と品質を確認し、グループ別評価を設計するが解決する範囲と、別の工程が担う範囲を分けて判断する。
誤り属性情報をすべて削除すれば公平性を証明できる
評価用の属性を失うとグループ別の差を測れない場合がある。
評価用の属性を失うとグループ別の差を測れない場合がある。
問題の要件では、属性情報をすべて削除すれば公平性を証明できるが解決する範囲と、別の工程が担う範囲を分けて判断する。
誤り全体平均の精度だけで公平性を判断する
平均値はグループ間の性能差を隠す可能性がある。
平均値はグループ間の性能差を隠す可能性がある。
問題の要件では、全体平均の精度だけで公平性を判断するが解決する範囲と、別の工程が担う範囲を分けて判断する。
誤り不均衡を確認せず本番へ公開する
既知のデータ不足を放置すると不公平な影響を拡大する。
既知のデータ不足を放置すると不公平な影響を拡大する。
問題の要件では、不均衡を確認せず本番へ公開するが解決する範囲と、別の工程が担う範囲を分けて判断する。
実際に確かめる
一時的な検証環境で実行できる例です。
AWS公式AIF-C01ガイドのDomain 4.1で公平性、代表性、バイアス評価を確認する。期待される結果
代表性、グループ別評価、平均値だけでは不十分な理由を説明できる。理解のポイント
- 代表性
- グループ別評価
- 平均値の限界
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公式ドキュメントで、対象サービスが提供する機能と前提条件を確認する。
- モデル、データ、アプリケーション、利用者の責任分界を混同しない。
基礎のおさらい
代表性
評価データが実際に影響を受ける集団や条件を適切に表すこと。
グループ別評価
属性や利用条件ごとに性能・誤り・影響を比較する評価。
問題IDAWS-AIF-051
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