AWS認定資格 無料問題集

解答

正しい解答：Ｄ. バイアス

　URL を直接入力して「解答・解説」画面を表示した場合、何を選択・解答したかを特定できないため、解答の正誤判定ができません。必要に応じて「同じ問題に再挑戦」ボタンをクリックして、この問題に再チャレンジしてみてください。

徹底解説

　特定の属性や人口統計グループに対して、継続的に不公平な予測や判断をしてしまう傾向がある状態を表現している用語は、「バイアス」 です。バイアスとは、人工知能（AI：Artificial Intelligence）モデルが、学習データや設計上の要因によって、特定のグループや状況に対して一貫して不正確または不公平な判断や予測を行う傾向のことを指します。学習に使用されたデータに偏りがある場合や、モデルの設計・評価方法に問題がある場合に生じます。例えば、ある顔認識モデルが東洋人の顔には高い精度で反応する一方で、他の人種の顔には誤認識が多いとすれば、バイアスが存在している可能性があります。バイアスは、AIの公平性や倫理性に重大な影響を与えるため、データ収集段階における多様性の確保と、バイアス検出ツールの活用によって、可能な限り排除することが重要です。
　その他の選択肢は、不公平な予測や判断をしてしまう傾向がある状態を表現するものではありません。アンダーフィットは、機械学習（ML：Machine Learning）モデルが訓練データの特徴を十分に学習できていない状態を指します。モデルが単純すぎる場合や、学習時間が不十分な場合に起こり、予測精度が低くなります。結果として、汎化性能（未知データへの適応力）が不十分になりますが、特定の属性に対して不公平な結果を出す傾向とは関係ありません。バイアスは公平性の問題であり、アンダーフィットは精度や汎化性能の問題です。公平性は、AIモデルがすべての属性や人口統計グループに対して、均等で偏りのない結果を出すように設計されている状態を指します。つまり、公平性はバイアスの対義的な概念であり、モデルが不公平な予測や判断を下す傾向を抑えることを目指すものです。ハルシネーションは、実際には存在しない内容や事実と異なる情報をあたかも正確であるかのように出力してしまう現象です。生成 AI では、訓練データに含まれていない情報が欠けている部分に対して、基盤モデルが、推測により補完しようとするために、このような不具合が発生することがあります。これは出力の正確性や信頼性に関する問題であり、特定の属性に対する不公平さとは異なります。