公平性のリスク
AIの公平性では、学習データの偏り、ラベル付けの偏り、特徴量選択、評価指標の設計により、特定の属性の人に不利な判断が生じるリスクを考えます。正解は、学習データの偏りにより特定属性へ不利な判断をする可能性があるという説明です。 (選択肢1が正しい)
正解の理由
AIの公平性では、学習データの偏り、ラベル付けの偏り、特徴量選択、評価指標の設計により、特定の属性の人に不利な判断が生じるリスクを考えます。正解は、学習データの偏りにより特定属性へ不利な判断をする可能性があるという説明です。
仕組み・頻出ポイント
- 全体の精度が高くても、性別、年齢、地域、障害、国籍などのグループ別に見ると誤判定率が大きく異なる場合があります。公平性を確認するには、属性別の評価、データ代表性の確認、閾値調整、人間による監督、異議申立て手段が必要です。
- 法令・倫理・契約・技術対策を分けて考え、必要に応じて組み合わせることがAIガバナンスの基本です。
- 判断に迷う場合は、データの性質、利用目的、影響を受ける人、説明責任、監査可能性を確認します。
G検定で覚えるべきこと
G検定では「AIは数式だから差別しない」「精度が高ければ公平」といった誤解が狙われます。実務では、モデルの性能指標と社会的影響を同時に評価します。
他の選択肢の評価
- 選択肢1: 正解です。問題の論点に対して最も適切な説明です。
- 選択肢2: この選択肢は論点がずれているか、対象となる法律・倫理原則の説明として不十分です。
- 選択肢3: 過度に断定的、またはリスク管理を否定しているため不適切です。AIガバナンスでは例外や運用条件を確認します。
- 選択肢4: 過度に断定的、またはリスク管理を否定しているため不適切です。AIガバナンスでは例外や運用条件を確認します。
追加の確認観点
確認観点としては、全体精度ではなく属性別の影響を見ることです。特定グループだけ誤判定が多い場合、平均的な性能が高くても公平とは言えません。評価データの代表性も確認します。
結論として、この問題では「用語の定義」だけでなく、どの前提で使えるのか、どの誤解を避けるべきか、実務では何を確認するのかまで結びつけて理解することが重要です。