責任あるAI最終応用
AIモデルの説明責任を向上させるため、複雑なディープラーニングモデルよりも意思決定樹モデルを採用することが提案された。責任あるAI戦略として、このアプローチの課題は何か？
A.モデルの複雑性と解釈可能性のトレードオフにおいて、精度を過度に損なう可能性がある← 正解
✓ 正解です。責任あるAIは透明性と精度のバランスが重要です。単純なモデルが解釈可能でも、精度不足では実務価値が低下します。
B.単純なモデルは説明責任を完全に解決するため、追加対策は不要である
✗ 解釈可能性向上は重要ですが、十分な精度がなければ説明責任も果たせません。両立が理想です。
C.ディープラーニングモデルは必ずブラックボックスであり、解釈は完全に不可能である
✗ ディープラーニングでも解釈手法（LIME、SHAP等）により説明可能性を向上させることができます。完全に解釈不可能ではありません。
D.樹モデルは訓練データが小規模な場合でも高い精度を保証する
✗ モデルの複雑性と訓練データサイズは独立した課題です。樹モデルでもオーバーフィッティングのリスクがあります。
この問題のポイント
責任あるAIは透明性と精度のバランスが重要です。単純なモデルが解釈可能でも、精度不足では実務価値が低下します。
「責任あるAI最終」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。