AWS認定資格 無料問題集

解答

正しい解答：Ａ. 予期しない入力への対応力強化のため、モデルの複雑さを可能な限り高める。

　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

　AIシステムの予期しない入力に対する堅牢性を向上させるための方法として、適切でないものは、「予期しない入力への対応力強化のため、モデルの複雑さを可能な限り高める」 ことです。AIシステムの堅牢性は、入力データの変化や予期しない状況が発生した場合でも、安定して適切な結果を出力できる能力を指します。AIシステムの堅牢性を向上させるには、実際の工場環境を想定した多様なテストデータでの評価をすることが有効です。例えば、製造ラインでは照明の明るさや色、カメラの角度、製品表面の状態などが変化する可能性があるため、様々な条件の画像を用いてモデルの性能を評価します。一方、モデルの複雑さを高めることは、必ずしも堅牢性の向上につながりません。むしろ、過度に複雑なモデルは学習データに過剰に適合して、実際の工場環境で発生する予期しない画像に対する汎化性能を低下させる可能性があります。そのため、モデルの複雑さと汎化能力のバランスを適切に保つことが重要です。
　様々な入力条件を想定して評価を行う際には、エッジケースを考慮することも重要です。例えば、本ケースでは、通常の照明条件だけでなく、照明が少し暗い、製品に多少の反射がある、カメラの位置が通常よりずれている、製品に非常に小さな傷や異常があるといったシナリオも考慮します。これにより、不良品の見逃しや正常な製品の誤検知が発生する可能性を低減できます。
　その他の選択肢は、堅牢性を向上させるために適した方法です。アドバーサリアル訓練は、意図的に作成した敵対的な入力データをモデルの訓練に使用するもので、モデルの堅牢性を向上させるのに役立ちます。例えば、製品の外観検査モデルの場合、モデルの誤認識を誘発するよう意図的に加工した画像を使用して訓練を行います。これにより、モデルは通常とは異なる画像や、わずかな変化を含む入力に対しても安定した予測を行いやすくなり、実際の製造現場でより信頼性の高い性能を発揮できるようになります。
　「学習データに画像の反転や明るさの変更などのデータ拡張を適用する」 ことも、堅牢性の向上には有効な手法です。データ拡張は、学習データに様々な変化を加えることで、モデルが特定の条件に過度に依存することを防ぎ、未知の入力に対する汎化能力を高めるのに役立ちます。