G検定 AI倫理・AIガバナンス 一問一答（135問）

◯ 正しい GDPRと同じく域外にも適用されます。日本企業でも、EU向けにAIシステムを提供したり、AIの出力がEU域内で使われたりする場合は対象になりえます。 EU AI法（AI Act）

× 誤り 義務は段階的に適用されます。禁止事項は2025年2月、汎用目的AIモデルの義務は2025年8月から適用され、高リスクAIの義務はさらに後に始まります。 EU AI法（AI Act）

◯ 正しい 禁止事項の違反は、最大3,500万ユーロか前年度の全世界売上高の7%の高い方です。中小企業やスタートアップには低い方が適用されます。 EU AI法（AI Act）

× 誤り リスクをステークホルダーにとって受容可能な水準で管理しつつ、便益を最大化することが目的とされています。ゼロリスクは求めていません。 AIガバナンス

◯ 正しい AIは技術も使われ方も変化が速いため、事前に固定したルールではなく、サイクルを継続的に回して見直すことが重視されています。 AIガバナンス

× 誤り 定義には、技術的なシステムだけでなく、組織的及び社会的なシステムの設計と運用も含まれています。 AIガバナンス

◯ 正しい 総務省主導の「国際的な議論のためのAI開発ガイドライン案」「AI利活用ガイドライン」と、経済産業省主導の「AI原則実践のためのガバナンス・ガイドライン」を統合しました。 AI事業者ガイドライン

× 誤り 事業活動以外でAIを使う人は「業務外利用者」と呼ばれ、対象に含まれません。ただし、事業者が業務外利用者に対して行うべき対応は記載されています。 AI事業者ガイドライン

◯ 正しい 2024年4月の第1.0版のあと、第1.01版、第1.1版と改訂され、2026年3月に第1.2版が公表されました。 AI事業者ガイドライン

◯ 正しい 法律に違反しなくても、偏った判断や理由を説明できない判断が人を傷つけたり、社会の信頼を損なったりすることがあります。AI倫理は、こうした問題も対象にします。 AI倫理

× 誤り 運用中に利用者や入力データが変わると、新たな偏りや悪用のリスクが生じます。AI事業者ガイドラインも、AIのライフサイクル全体で対策を実行することを求めています。 AI倫理

◯ 正しい 日本のAI事業者ガイドラインも、自らを非拘束的なソフトローと位置づけています。罰則がないからといって、原則に照らした見直しが不要になるわけではありません。 AI倫理

× 誤り OECDのAI原則は、人権と民主的価値を価値にもとづく原則の1つに掲げています。日本の人間中心のAI社会原則も、人間の尊厳を基本理念の1つとしています。 価値原則

◯ 正しい 「公平性」を何で測り、どこまで求めるかは、用途や状況によって変わります。原則を具体的な基準や手順に落とし込むのが、AIガバナンスの役割です。 価値原則

◯ 正しい 2019年のJobinらの研究は、透明性、正義と公正、無危害、責任、プライバシーの5つに収束する傾向を示しました。ただし、各原則の解釈や実践の方法には違いがあるとも指摘しています。 価値原則

◯ 正しい 本編の「はじめに」で、関係者の自主的な取り組みを促す非拘束的なソフトローとして策定したと説明しています。 ソフトロー

◯ 正しい ソフトローは法的拘束力のない規範を広く指す言葉です。OECDのAI原則や、業界団体の自主ルールもその例です。 ソフトロー

× 誤り 区別の基準は作成者ではなく、法的拘束力の有無です。国が作るガイドラインでも、法的拘束力がなければソフトローです。 ソフトロー

◯ 正しい AI専用の法律がなくても、個人情報、著作権、製造物責任などの既存の法律はAIにも適用されます。AIに関するハードローはAI専用の法律に限りません。 ハードロー

◯ 正しい 行動規範は独立した専門家が作成し、2025年7月に欧州委員会が受け取って公表しました。参加は任意ですが、法的義務を満たす方法を具体化します。ハードローとソフトローを組み合わせた例です。 ハードロー

◯ 正しい 第7条で、活用事業者は国や地方公共団体が実施する施策に協力しなければならないと定めています。ただし、違反に対する罰則はありません。 ハードロー

◯ 正しい 本編の「はじめに」で、過度な対策もAI活用の便益を損なうとして、リスクベースアプローチの重要性を述べています。 リスクベースアプローチ

× 誤り 最小限のリスクのAIには特別な義務がありません。義務の重さをリスクに比例させるのがリスクベースアプローチです。 リスクベースアプローチ

◯ 正しい 高リスクほど重くない「透明性に関するリスク」の区分です。ディープフェイクであることの表示も、この区分の義務に含まれます。 リスクベースアプローチ

◯ 正しい AI事業者ガイドラインも、法律の整備・施行と技術の発展との間にタイムラグが生じることを、非拘束的なソフトローでガイドラインを作った理由の1つに挙げています。 ソフトローとハードローの違い

× 誤り ソフトローは、改定しやすい長所を生かして継続的に使われます。AI事業者ガイドラインはLiving Documentとして更新を重ねており、2026年3月には第1.2版が公表されました。 ソフトローとハードローの違い

× 誤り ソフトロー・ハードローは法的拘束力の有無による区別で、リスクベースアプローチは対策の程度の決め方です。EUのAI法はハードロー、AI事業者ガイドラインはソフトローですが、どちらもリスクベースアプローチをとっています。 ソフトローとハードローの違い

◯ 正しい IoT推進コンソーシアム、総務省、経済産業省がまとめました。2017年1月のver1.0、2018年3月のver2.0に続く改訂で、令和2年・令和3年の改正個人情報保護法への対応などが行われています。 カメラ画像利活用ガイドブック

× 誤り ガイドブックは法令の遵守を前提に、事業者の自主的な取り組みを促すための参考資料です。罰則の対象になるのは法律に違反した場合で、ガイドブックに従わないこと自体ではありません。 カメラ画像利活用ガイドブック

◯ 正しい 対象は商用目的の利活用です。防犯目的や公共目的のカメラ画像は検討の対象外としつつ、その場合にもガイドブックの内容が参考になるとしています。 カメラ画像利活用ガイドブック

◯ 正しい GDPR第25条の定めです。取扱いの方法を決める時点から保護措置を組み込み、目的に必要な個人データだけが初期設定で扱われるようにすることを求めています。 プライバシー・バイ・デザイン

◯ 正しい エルサレムで開かれた第32回の会議で、プライバシー保護に欠かせない要素として認める決議が採択されました。提案者は、カナダ・オンタリオ州の情報・プライバシー・コミッショナーだったアン・カブキアンです。 プライバシー・バイ・デザイン

× 誤り 2010年の決議は、情報技術に加えて、業務慣行、プロセス、物理的な設計、ネットワーク基盤まで、組織全体に適用できる考え方として示しています。 プライバシー・バイ・デザイン

◯ 正しい 2018年のGender Shadesという研究で、誤り率は肌の色が濃い女性で最大34.7%、肌の色が薄い男性で最大0.8%でした。 アルゴリズムバイアス

× 誤り 全体の平均が高くても、人数の少ない集団に誤りが集中することがあります。属性ごとに分けて評価する必要があります。 アルゴリズムバイアス

◯ 正しい たとえば過去の採用結果を「良い人材」の正解として学習させると、過去の判断にあった偏りまで再現します。 アルゴリズムバイアス

× 誤り それは統計的パリティの説明です。機会均等は、実際に陽性の人に限って、陽性と予測される割合（真陽性率）をそろえます。 公平性の定義

× 誤り 公平性の定義は複数あり、同時には満たせない組み合わせもあります。どれを優先するかは、用途や影響を受ける人への害を踏まえて決めます。 公平性の定義

◯ 正しい 機会均等の条件（真陽性率）に加えて、偽陽性率もそろえる、より厳しい基準です。AI事業者ガイドラインの別添も、集団公平性の基準の例に挙げています。 公平性の定義

◯ 正しい 選ばれやすさに差がなければ、標本の構成は平均的に母集団の構成と一致します。集団ごとに抽出する層化抽出も併用されます。 サンプリングバイアス

◯ 正しい 選別を通過したものだけを見ることで生じる偏りで、生存者バイアスと呼ばれます。標本の選ばれ方に原因があるため、サンプリングバイアスの一種として説明されることがあります。 サンプリングバイアス

× 誤り 学習データも母集団から集めた標本です。AI事業者ガイドラインも、統計的な意味のバイアスの例としてサンプリングバイアスを挙げています。 サンプリングバイアス

◯ 正しい 憲法14条1項は、人種、信条、性別、社会的身分、門地による差別を禁じています。これらが検討の出発点になります。 センシティブ属性

× 誤り 重なる部分はありますが、同じではありません。性別や年齢は代表的なセンシティブ属性ですが、要配慮個人情報には含まれません。 センシティブ属性

× 誤り AI事業者ガイドラインの別添は、各事業者が自社にとってのセンシティブ属性を明確にし、確保すべき公平性の内容も決めるよう求めています。 センシティブ属性

◯ 正しい 本編の公平性の項目の脚注で示されている例です。属性を入力から外すだけでは、代理変数を通じた偏りを防げません。 代理変数

× 誤り 1つ1つは弱い相関でも、組み合わせると属性をかなり正確に推測できることがあります。単独の相関だけを調べても見落としが生じます。 代理変数

◯ 正しい これが代理変数の本来の意味です。公平性の文脈では、この「代わりになる」性質が、意図しない差別の経路として問題になります。 代理変数

◯ 正しい Gender Shadesという研究の結果です。評価用のデータが偏っていると、特定の集団での精度の低さに気づけません。 データの偏り

× 誤り クレンジングで直せるのは記録の誤りです。集団の過不足や、正確に記録された過去の不平等は、クレンジングでは取り除けません。 データの偏り

◯ 正しい 測定の偏りと呼ばれます。どの集団のデータを集めたかだけでなく、どう測ったかも確かめる必要があります。 データの偏り

◯ 正しい 転移性と呼ばれる性質です。攻撃者がモデルの中身を知らなくても、手元の別のモデルで作った入力で攻撃できる理由になります。 Adversarial Attack

× 誤り GANは生成器と識別器を競わせて学習する生成モデルで、「敵対的」という言葉が共通するだけです。防御手法の代表は敵対的学習です。 Adversarial Attack

× 誤り 通常のデータで高精度のモデルでも、わずかな摂動で誤認識します。精度の高さと、細工された入力への頑健性は別の性質です。 Adversarial Attack

◯ 正しい 後付けで対策を加えたり、出荷直前に初めて検査したりすると、手戻りが多発します。早い段階で織り込むほど修正の費用は小さくなります。 セキュリティ・バイ・デザイン

× 誤り 前者はシステムの安全を、後者は個人情報やプライバシーの保護を最初から組み込む考え方です。ガイドラインでも別の項目として挙げられています。 セキュリティ・バイ・デザイン

◯ 正しい AI事業者ガイドラインの別添が指摘する点です。これらの資産を狙うデータ汚染やモデル窃取などの攻撃を、脅威分析で想定します。 セキュリティ・バイ・デザイン

◯ 正しい バックドア攻撃と呼ばれます。普段の精度は下がらないため、通常のテストでは気づきにくい点が厄介です。 データ汚染

× 誤り それはAdversarial Examples（回避攻撃）の説明です。データ汚染は学習データに手を加え、学習の段階でモデルをゆがめます。 データ汚染

× 誤り 2025年の研究では、調べた範囲のモデルの規模によらず、約250件の細工した文書でバックドアを仕込めたと報告されています。割合ではなく件数が効くという結果です。 データ汚染

◯ 正しい 2015年に示されたモデルインバージョン攻撃です。モデルの出力を観察するだけで、学習データに近い情報が漏れる例です。 データ窃取

◯ 正しい 大きいモデルほど、学習データを多く記憶していたためです。モデルを大きくすると、学習データが漏れるリスクはむしろ高まりえます。 データ窃取

× 誤り 従来型の侵入に加えて、学習済みモデルへの問い合わせと出力の観察だけで学習データの情報を引き出す、機械学習特有の手口があります。 データ窃取

◯ 正しい 各参加者の学習データは共有されず、更新だけが集められるため、不正な更新を見分けにくいことが背景にあります。2018年の研究で示されました。 モデル汚染

◯ 正しい モデルを作って配布する側が細工をすれば、利用者は入手した時点で汚染されたモデルを使うことになります。入手経路の信頼性の確認が対策になります。 モデル汚染

× 誤り それはAdversarial Examples（回避攻撃）の説明です。モデル汚染は、モデルの重みそのものに細工をしておく攻撃です。 モデル汚染

◯ 正しい 複製モデルの上で作った敵対的サンプルは、元のモデルも誤認識させやすいためです。中身を知らない相手への攻撃の準備になります。 モデル窃取

× 誤り ラベルだけでも、問い合わせを重ねれば複製できることが示されています。出力の加工は複製を難しくする対策の1つで、回数の制限や監視と組み合わせます。 モデル窃取

◯ 正しい モデルは開発に費用がかかる資産で、営業秘密にもなりえます。同じ表で、データ汚染（データポイズニング攻撃）は主に完全性や可用性の侵害の側に挙げられています。 モデル窃取

× 誤り Adversarial Attackは、学習済みのモデルへの入力を細工する攻撃です。学習データに触れられなくても、推論時に入力を送れれば仕掛けられます。 データ汚染とAdversarial Attackの違い

◯ 正しい Adversarial Examplesは、きれいなデータで学習したモデルの弱点を突きます。データの管理は主にデータ汚染への備えで、敵対的学習や入力の検知などを別に組み合わせます。 データ汚染とAdversarial Attackの違い

◯ 正しい 全体の精度を下げる狙いで誤ったラベルのデータを混ぜる手口では、通常の入力でも誤りが増えます。一方、合図を含む入力のときだけ誤るバックドア型は、通常の入力では正しく動くため気づきにくくなります。 データ汚染とAdversarial Attackの違い

◯ 正しい 2017年ごろ、海外の掲示板サイトで、AIで顔を入れ替えた動画の投稿者名から広まったとされています。 ディープフェイク

◯ 正しい AI法の透明性に関する義務の1つです。リスクベースアプローチの区分では、禁止や高リスクではなく、透明性に関するリスクに当たります。 ディープフェイク

× 誤り 映画の特殊効果や、吹き替え音声に合わせた口の動きの補正などの用途もあります。問題になるのは、同意のない利用やだます目的での利用です。 ディープフェイク

◯ 正しい だます意図をもって作られる偽情報（disinformation）と区別されます。どちらも社会に混乱を招くおそれがあります。 フェイクニュース

◯ 正しい MITの研究者らがScience誌で報告しました。差を生んでいたのはボットではなく、人間による共有だったとされています。 フェイクニュース

× 誤り うわさや偽の報道は昔からあります。生成AIは、もっともらしい偽の文章や画像を大量に、安く作れるようにした点で、問題を大きくしています。 フェイクニュース

× 誤り これは説明可能性の説明です。データの来歴は、データの出所、収集の時期や目的、加工の手順といった、データそのものがたどった経緯の記録です。 データの来歴

◯ 正しい 共通の指針「7）アカウンタビリティ」の「①トレーサビリティの向上」の内容です。データの来歴の管理は、その土台になります。 データの来歴

◯ 正しい 2023年のData Provenance Initiativeの調査は、広く使われる共有サイトで、ライセンスの記載漏れが7割を超え、誤りも5割を超えると報告しました。来歴が途切れると、利用条件を確かめられなくなります。 データの来歴

◯ 正しい 見えないのは、入力から出力に至るまでの内部の過程です。入出力を記録したり、入力を変えて出力の変化を調べたりすることは、説明の手がかりになります。 ブラックボックス

◯ 正しい 膨大な数のパラメータが組み合わさって出力が決まるため、作った人でも理由を読み取れるとは限りません。中身を秘密にしているから見えない、という問題だけではありません。 ブラックボックス

× 誤り 膨大な数値を並べても、人はそこから判断の理由を読み取れません。根拠を人が理解できる形で示すには、XAIの手法や、解釈しやすいモデルの選択が必要です。 ブラックボックス

× 誤り 中心にあるのは、似た考えの人が集まり、同じ意見を聞き合うという人どうしのつながり方です。推薦アルゴリズムはこれを強めることがありますが、必要な条件ではありません。 エコーチェンバー

◯ 正しい 別添1の「AIによる便益/リスク」で、SNSなどのレコメンドを通じた社会の分断の例として示されています。 エコーチェンバー

◯ 正しい 白書は、両者によってインターネット上で集団分極化が起きているという指摘を紹介しています。考えを極端にした人は、考えの異なる相手を受け入れず、話し合いを拒みやすいとも述べています。 エコーチェンバー

◯ 正しい パリサーは同じ2011年のTEDの講演でも、検索結果やニュースの個人化が利用者の視野を狭める危険を指摘しました。 フィルターバブル

◯ 正しい 具体的な手法として、多様な情報源の利用やアルゴリズムの見直しが示されています。 フィルターバブル

× 誤り 検索結果も、過去の検索履歴などによって人ごとに変わることがあります。パリサーが挙げた例の1つも、検索結果の個人化でした。 フィルターバブル

◯ 正しい 施設全体の電力を計算機の電力で割った値をPUE（電力使用効率）と呼びます。1に近いほど付帯設備の電力が少ない、効率のよい施設です。 モデル学習の電力消費

◯ 正しい Pattersonらが示した見積もり方です。さらに電力1kWhあたりの排出量（排出係数）を掛けると、温室効果ガスの排出量になります。 モデル学習の電力消費

× 誤り AI事業者ガイドラインの別添も、エネルギー管理にAIを導入すると効率的な電力利用が可能になるなど、AIによる環境への貢献の可能性を忘れてはならないとしています。 モデル学習の電力消費

× 誤り Dell'Acquaらの実験では、範囲内の課題でAIを使った人は、より多くの課題をより速く、高い質で仕上げました。一方、範囲外の課題では、正しい解答を出す割合が使わなかった人より低くなりました。 AIとの協働

◯ 正しい Brynjolfssonらの2023年のワーキングペーパーでは、1時間あたりに解決した問い合わせが平均14%増え、経験の浅い担当者や技能の低い担当者では34%増えました。熟練者への効果はわずかでした。 AIとの協働

× 誤り 共通の指針の「②教育・リスキリング」は、AIと人間の作業の棲み分けが変わっていくと想定し、新たな働き方ができるよう教育・リスキリング等を検討するとしています。 AIとの協働

◯ 正しい 2025年に発表されたポーランドの4施設の研究では、AIを使わない検査での発見率が28.4%から22.4%に下がりました。観察研究のため、AIだけが原因とは断定できない点にも注意が必要です。 スキルの喪失

× 誤り ベインブリッジは1983年の論文で、手動での介入がまれな、うまくいっている自動化システムほど、運用者の訓練に最も大きな投資が必要になりうると指摘しました。使わない技能は衰えるためです。 スキルの喪失

× 誤り ベインブリッジも、手作業の技能だけでなく、状況を理解して判断する認知的な技能も、使わなければ衰えると論じています。AIは判断や文章作成も担うため、影響は知的な作業にも及びます。 スキルの喪失

◯ 正しい 15〜64歳の人口は、1995年の8,726万人をピークに減り続けています。働き手の中心となる年齢層が細ることが、労働力不足の背景にあります。 労働力不足

◯ 正しい 「はじめに」で、こうした指摘などを踏まえ、ソフトローによるゴールベースの考え方でガイドラインを作成したと述べています。 労働力不足

× 誤り 別添1は、業務負担の軽減や労働生産性の向上が期待できる一方で、失業リスクや格差の拡大なども一部では懸念されていると述べています。 労働力不足

◯ 正しい EU AI法2条3項に定めがあります。軍事目的のAIは、国際人道法などの国際法や、各国の防衛政策のもとで議論されています。 AIの軍事利用

◯ 正しい 防衛省の2025年のガイドラインもこの立場を踏まえ、研究開発するAI装備品が、人間の関与が及ばない完全自律型の致死兵器でないことを要件の1つにしています。 AIの軍事利用

× 誤り 防衛省は、リスクを管理しながらAIの活用を進める方針です。2024年7月に基本方針を示し、2025年6月にはAIを使う装備品の研究開発で確認する要件をガイドラインにまとめました。 AIの軍事利用

◯ 正しい 刑法230条2項の定めです。生きている人の名誉毀損では、摘示した事実が真実かどうかにかかわらず処罰の対象になりうる点と異なります。 死者への敬意

◯ 正しい 著作権法60条の定めです。遺族は、違反する行為をする者に対して、差止めなどを請求できます（116条）。 死者への敬意

× 誤り 追悼や記録として、生前の同意や遺族の意向を踏まえて行う再現もありえます。問題になるのは、本人の意思に反する言動をさせることや、本物と誤解させる公開などです。 死者への敬意

◯ 正しい 多様な人がいても、一部の人の意見が反映されなかったり、サービスを使えなかったりすれば、インクルージョンは実現していません。両者はセットで考えます。 ダイバーシティとインクルージョン

× 誤り 別添1の「多様性・包摂性の喪失」は、社会全体が同じモデルを同じ使い方で使うと回答が収束しうると指摘しています。RAGを活用した場合は、収束が加速して多様性がさらに失われる可能性にも触れています。 ダイバーシティとインクルージョン

◯ 正しい 具体的な例として、ユニバーサルデザインやアクセシビリティの確保、関連するステークホルダーへの教育・フォローアップなどを示しています。 ダイバーシティとインクルージョン

× 誤り 人間の自律性は、人間の側が自分の意思で判断し選択できることを指します。AIが自律的に動くことは、むしろ人間の自律性を守る配慮を必要とする場面です。 人間の自律性

◯ 正しい 第2部C「共通の指針」の人間中心の項目に記載があります。対策として、AIの欠点を含む特性を理解する研修などが挙げられています。 人間の自律性

◯ 正しい 5条1項(a)の禁止事項です。意識下に働きかけるサブリミナル技術も対象に含まれます。 人間の自律性

◯ 正しい 別添では、行動目標5-1「AIマネジメントシステムの機能の検証」が「評価」に置かれています。ゴール設定で定めたAIポリシーなどに照らして、仕組みが機能しているかを確かめます。 AIに対する監査

◯ 正しい 組織のAIマネジメントシステムそのものの要求事項は、ISO/IEC 42001が定めています。AI事業者ガイドラインの別添は、どちらも参照すると有用だとしています。 AIに対する監査

× 誤り 個々のAIの影響を洗い出すのは、倫理アセスメントの役割です。監査は、倫理アセスメントやモニタリングを含む管理の仕組み全体が、方針どおりに機能しているかを確かめます。 AIに対する監査

◯ 正しい ゴールを設定する場合だけでなく、設定しない判断についても説明することが期待されています。設定しない場合でも、評価や運用の取組は適宜行うことが期待されます。 AIポリシー

× 誤り ガイドラインは、呼称は各主体により相違してよいとしています。実際に、AI倫理原則、AIコミットメントなど、さまざまな名称が使われています。 AIポリシー

◯ 正しい 独自のポリシーを定める場合でも、「共通の指針」の内容を参考にすることが期待されています。 AIポリシー

× 誤り PyTorchのドキュメントは、同じシード値を使っても、CPUとGPUの間では結果が再現されないことがあり、バージョンやプラットフォームが異なる場合も完全な再現は保証されないとしています。環境やバージョンの記録・固定も必要です。 再現性

× 誤り 再現率は、実際に陽性のもののうち、モデルが正しく陽性と予測できた割合です。見逃しの少なさを表す指標で、再現性とは別の概念です。 再現性

◯ 正しい 多くの生成AIは、確率にもとづいて次の語を選ぶなど、出力の生成に乱数を使うためです。結果を検証できるよう、入力、設定、モデルの版を記録しておくことが大切です。 再現性

× 誤り トレーサビリティの向上は、技術的に可能かつ合理的な範囲で追跡・遡求できる状態を確保することとされています。ログの記録方法、頻度、保存期間も、「透明性」の項で、技術の特性や用途、事故の原因究明での重要性などを踏まえて検討するとしています。 トレーサビリティ

◯ 正しい 12条の記録保持の規定です。用途に応じたトレーサビリティを確保し、リスクのある状況の特定や、市販後モニタリング、運用の監視に役立てることが目的とされています。 トレーサビリティ

× 誤り 共通の指針は、データの出所に加えて、AIシステム・サービスの開発・提供・利用中に行われた意思決定なども、追跡・遡求の対象に挙げています。 トレーサビリティ

× 誤り 向きが逆です。自動化バイアスは、自動化されたシステムを過度に信頼し、依存してしまう傾向です。人間の関与を形だけのものにしてしまう要因になります。 人間の関与（Human-in-the-Loop）

◯ 正しい 14条4項(e)の規定です。同じ項は、システムを使わないと決めたり、出力を無視したり覆したりできること（(d)）や、自動化バイアスに注意を保てること（(b)）も挙げています。 人間の関与（Human-in-the-Loop）

◯ 正しい 「3）公平性」の「②人間の判断の介在」の内容です。あわせて、人間の判断が自動化バイアスに左右されないような対策を講じるべきだとしています。 人間の関与（Human-in-the-Loop）

◯ 正しい 入力と正解の関係が変わる現象をコンセプトドリフトといいます。入力データの分布だけを見ていると気づけないことがあるため、性能の指標もあわせて確認します。 モニタリング（AIシステムの運用監視）

◯ 正しい たとえば貸し倒れの予測は、結果がわかるまでに長い時間がかかります。その間は、入力や出力の分布が学習時からずれていないかが手がかりになります。 モニタリング（AIシステムの運用監視）

× 誤り 行動目標4-2は、AIシステムを開発する主体が、提供・利用する主体のモニタリングを支援することを期待しています。性能に大きく影響する入出力のログを自動で取る設定や、監視の方法の説明が例です。 モニタリング（AIシステムの運用監視）

◯ 正しい 行動目標3-1の内容です。合理性が認められなければ、AIの開発・提供・利用のあり方を見直すプロセスを、設計から利用開始後までの適切な段階に組み込むことが期待されています。 倫理アセスメント

◯ 正しい 2019年の「信頼できるAIのための倫理ガイドライン」を実務で使える形にしたもので、PDF版とウェブ版があります。 倫理アセスメント

× 誤り 乖離評価はリスクを評価するためのステップで、改善のきっかけとされています。乖離だけを理由に恣意的に不可とする対応は適当でないとされています。 倫理アセスメント