4.1標準
過去の承認記録を使うモデルで特定グループの再現率が低い。
原因を確認して改善する。
対応として適切なものを2つ選べ。
× 不正解
偏りは件数だけでなくラベルと選抜過程を調べ、再サンプリング・重み付け・ラベル改善を公平性と性能で再評価する。
詳細解説
正しいグループ別の件数、ラベル品質、欠損、選抜過程を確認する
データの生成過程と測定上の偏りを特定できる。
データの生成過程と測定上の偏りを特定できる。
問題の要件では、グループ別の件数、ラベル品質、欠損、選抜過程を確認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。
正しい再サンプリング・重み付け・ラベル見直しを候補として再評価する
改善策の影響を性能と公平性の両方で比較できる。
改善策の影響を性能と公平性の両方で比較できる。
問題の要件では、再サンプリング・重み付け・ラベル見直しを候補として再評価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。
誤り少数グループのデータを削除して平均を合わせる
不利益を見えなくするだけで情報を失う。
不利益を見えなくするだけで情報を失う。
問題の要件では、少数グループのデータを削除して平均を合わせ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。
誤り保護属性を隠せば対策完了とする
偏りや代理変数の影響が残る。
偏りや代理変数の影響が残る。
問題の要件では、保護属性を隠せば対策完了と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 Domain 4.1のバイアス、データ品質、公平性対策を確認する。期待される結果
偏りの原因をデータ生成過程まで追い、緩和策の副作用も評価できる。理解のポイント
- ラベル品質
- 再サンプリング
- 代理変数
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
サンプリングバイアス
観測データの集まり方が母集団や利用対象を代表しない偏り。
再サンプリング
データの抽出・複製・削減を調整し、学習時の集団比率を変える方法。
問題IDAWS-AIF-217
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