AWS認定資格 無料問題集

解答

正しい解答：Ｄ. 過学習（オーバーフィッティング）が発生している。

　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

　過去の衛星画像データを用いた評価では非常に高い精度を示しているが、最近取得した新しい画像に対しては誤検知が増加して、精度が大きく低下している主な原因として、最も適切であると考えられるのは、「過学習（オーバーフィッティング）が発生している」 ことです。過学習は、モデルが学習データに過度に適応して、データ中の本質的な特徴だけでなくノイズや偶然のパターンまで覚えてしまうことで、新しいデータへの汎化性能が低下する状態を指します。この状況においては、学習データに対しては高い精度を示しますが、未知のデータや新しい環境条件を含むデータに対しては誤検知が増加することになります。本問題のケースでは、過去の衛星画像を用いた評価は高精度だったにも関わらず、新しい画像では精度が急落している点が典型的な兆候と言えるでしょう。モデルの汎化性能と堅牢性を高めるには、学習データの多様性を確保して、偏りを避けることが重要です。責任あるAIの観点から、適切な評価手法や継続的なモニタリングを行い、新しい環境条件でも安定した性能を維持できるようにすることが求められます。

　その他の選択肢は、本問題のケースにおける主な原因とは言えません。「衛星画像の解像度が高すぎてモデルが処理しきれていない」 について、解像度が高すぎると処理負荷の増大や推論速度の低下につながる可能性はありますが、新しいデータでのみ精度が低下する直接原因にはなりません。また、解像度が高すぎる場合、学習時点から問題が発生することになるため、過去データでは高精度で新しいデータだけ精度が落ちるという状況とも整合しません。
　「データの前処理が十分に実施されていない」 について、前処理の不備は確かにモデル性能に影響しますが、過去データでは高精度で、新しいデータでのみ精度が低下するという現象を説明するには不十分です。前処理が原因であれば、過去データでも精度は低くなることが予測されるため、これが主な原因とは考えにくいでしょう。
　「過去の学習データに軽微なノイズが含まれていた」 について、軽微なノイズは多くの実データに存在しますが、通常はモデルの汎化性能を大きく損なうほどの影響を与えません。むしろ適度なノイズはモデルのロバスト性の向上に寄与することもあります。新しいデータでのみ精度が低下する状況を説明するには、ノイズの存在だけでは理由としては弱く、主な原因としては過学習の可能性を考える方がより妥当です。

Step Up！
　ロバスト性（Robustness）とは、人工知能（AI：Artificial Intelligence）モデルが予期しないデータや多少のノイズ、環境の変化に直面しても大きく性能が低下しない性質を指します。現実のデータは常に揺らぎやばらつきを含むため、ロバスト性が高いモデルほど実運用で安定した結果を出せます。特定のデータに依存しすぎず、幅広い状況に対応できることが重要です。