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
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。
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。
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。
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。
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。
参考にした公式資料
確認できる内容
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