AIの基礎応用
採用試験の合否判定AIモデルが、過去の採用データから学習した結果、特定の性別や年齢層に対して系統的に低いスコアを付与するようになりました。このモデルを改善する際、単純に差別的なパターンを削除すると、他のどのような問題が生じる可能性があるか？
A.モデルの全体的な予測精度が向上し、問題が解決する
✗ バイアス除去は倫理的には重要ですが、単純な削除は予測精度を低下させる可能性があります。改善ではなく悪化することもあります。
B.バイアス除去により、モデルが有用な情報まで失い、過少学習（アンダーフィッティング）に陥る可能性がある← 正解
✓ 正解です。公平性のため属性情報を削除しすぎると、有用な予測シグナルまで失われ、モデルが十分に学習できない過少学習に陥ります。公平性と精度のバランスが必要です。
C.採用担当者の人的判断がなくなり、より公正になる
✗ AIのバイアスを単に削除しても、根本的な採用判定の公正性は保証されません。人的判断との連携が重要です。
D.訓練データの量が減るため、モデルの計算コストが大幅に増加する
✗ データの削除と計算コストの増加には関連性がありません。むしろデータが減れば処理は軽くなります。
この問題のポイント
公平性のため属性情報を削除しすぎると、有用な予測シグナルまで失われ、モデルが十分に学習できない過少学習に陥ります。公平性と精度のバランスが必要です。
「AIの基礎」の他の問題
IT・クラウド の関連資格
AWS Certified Cloud Practitioner（CLF-C02）
AWSクラウドの入門資格。クラウドの概念・AWSのコアサービス・セキュリティ・料金モデルを問う。
AWS Certified Solutions Architect - Associate（SAA-C03）
AWSでのシステム設計能力を問うアソシエイト資格。高可用性・セキュリティ・コスト最適化の設計が中心。
DP-900：Microsoft Azure Data Fundamentals
Azureのデータサービスの基礎を問うMicrosoft認定資格。リレーショナル/非リレーショナルデータ、分析ワークロード、コアのデータ概念を扱う。