1.3標準
ラベル付けコストが高い。
モデルが不確かなサンプルを優先して人が確認する。
運用として適切なものを2つ選べ。
× 不正解
アクティブラーニングは不確実性だけでなく代表性・影響度を考えてラベル対象を選び、追加後は独立データで再評価する。
詳細解説
正しい不確実性、代表性、影響度を基にラベル対象を選ぶ
限られたラベル作業を効果の高いデータへ配分できる。
限られたラベル作業を効果の高いデータへ配分できる。
問題の要件では、不確実性、代表性、影響度を基にラベル対象を選ぶが解決する範囲と、別の工程が担う範囲を分けて判断する。
正しい追加ラベル後に独立評価セットで性能・公平性・安全性を再確認する
選択バイアスと回帰を検出できる。
選択バイアスと回帰を検出できる。
問題の要件では、追加ラベル後に独立評価セットで性能・公平性・安全性を再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。
誤りモデルが迷うサンプルだけを無制限に集める
データ分布が偏る可能性がある。
データ分布が偏る可能性がある。
問題の要件では、モデルが迷うサンプルだけを無制限に集め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。
誤り人が付けた新ラベルを評価データへそのまま混ぜる
評価が汚染される。
評価が汚染される。
問題の要件では、人が付けた新ラベルを評価データへそのまま混ぜ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 1.3のデータラベリング、実験、モデル改善を確認する。期待される結果
ラベルコストを抑えながら、選択バイアスを監視してモデルを改善できる。理解のポイント
- アクティブラーニング
- 不確実性
- 選択バイアス
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
アクティブラーニング
モデルが情報価値の高いサンプルを選び、人のラベル付けを依頼する方法。
選択バイアス
選ばれたデータが全体分布を代表せず、評価や学習へ偏りを生むこと。
問題IDAWS-AIF-391
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