第1回 問題集（生成AI・AIサービス基礎）

正解: B. MLはAIを実現するための一つの手法であり、AIの部分集合である

正解の根拠・詳細解説

AI（人工知能）は「人間の知的なふるまいを模倣する技術全般」を指す広い概念で、MLはそのAIを実現する代表的な手法の一つです。さらにMLの一種としてディープラーニング（深層学習）が存在します。

正解: B. 正解ラベル付きのデータを使ってモデルを学習させる

正解の根拠・詳細解説

教師あり学習は、入力データと正解（ラベル）のペアを与えてモデルを学習させる手法です。スパム判定やデマンド予測などが代表例です。

正解: B. 顧客のセグメント化（クラスタリング）

正解の根拠・詳細解説

教師なし学習はラベルのないデータからパターンや構造を発見する手法で、クラスタリング（顧客セグメント化など）や異常検知に活用されます。

正解: C. エージェントが環境と相互作用し、報酬を最大化するように学習する

正解の根拠・詳細解説

強化学習は、エージェントが環境に対して行動を取り、その結果得られる報酬（または罰）をもとに、報酬を最大化する行動方針を学習する手法です。ロボット制御やゲームAIなどで使われます。

正解: D. インデックス層（Index Layer）

正解の根拠・詳細解説

ニューラルネットワークは入力層・隠れ層（1つ以上）・出力層から構成されます。「インデックス層」という用語はニューラルネットワークの構成要素として存在しません。

正解: B. 訓練データに過剰に適合し、新しいデータへの汎化性能が低下する状態

正解の根拠・詳細解説

過学習とは、モデルが訓練データの細部やノイズまで学習してしまい、未知のデータ（テストデータ）に対する予測性能（汎化性能）が低下してしまう現象です。

正解: B. 訓練はモデルを学習させる工程、推論は学習済みモデルを使って予測を行う工程である

正解の根拠・詳細解説

「訓練（トレーニング）」はデータを使ってモデルのパラメータを最適化する工程、「推論（インファレンス）」は学習済みモデルに新しい入力データを与えて予測結果を得る工程です。

正解: B. 住宅の価格を数値で予測する

正解の根拠・詳細解説

回帰は連続値（数値）を予測するタスクです。住宅価格の予測は典型的な回帰問題です。スパム判定や動物の種類分類は「分類（Classification）」タスクに該当します。

正解: B. ディープラーニングは多層のニューラルネットワークを使うMLの一種である

正解の根拠・詳細解説

ディープラーニングは、多数の層（layer）を持つニューラルネットワークを用いるMLの一手法です。画像認識や自然言語処理など複雑なタスクで高い性能を発揮します。

正解: B. 機械学習モデルの構築・訓練・デプロイを一括で行うマネージド型サービス

正解の根拠・詳細解説

Amazon SageMakerは、データ準備からモデルの構築・訓練・チューニング・デプロイ・監視までを一つのプラットフォームで行える、機械学習のためのフルマネージドサービスです。

正解: B. 画像・動画内の物体・人物・テキストの検出と分析

正解の根拠・詳細解説

Amazon Rekognitionは、画像や動画に含まれる物体・シーン・顔・テキストなどを検出・分析するための画像/動画解析サービスです。

正解: B. 自然言語処理によるテキストの感情分析・キーフレーズ抽出・エンティティ検出

正解の根拠・詳細解説

Amazon Comprehendは自然言語処理（NLP）サービスで、テキストの感情分析、キーフレーズ抽出、エンティティ（人名・地名等）検出、言語検出などを行います。

正解: B. 音声をテキストに変換する（音声認識）

正解の根拠・詳細解説

Amazon Transcribeは、音声データをテキストに変換する自動音声認識（ASR）サービスです。コールセンターの会話記録の文字化などに利用されます。

正解: B. テキストを自然な音声に変換する（音声合成）

正解の根拠・詳細解説

Amazon Pollyは、テキストを自然な音声に変換する音声合成（Text-to-Speech）サービスです。多言語・多様な音声（ボイス）に対応しています。

正解: B. ニューラル機械翻訳によるテキストの翻訳

正解の根拠・詳細解説

Amazon Translateは、ニューラル機械翻訳技術を用いてテキストを別の言語に翻訳するサービスです。

正解: A. スキャンした文書や画像からテキスト・表・フォームのデータを抽出する

正解の根拠・詳細解説

Amazon Textractは、スキャンされた文書（PDF・画像など）からテキスト、表、フォームのキー・バリューペアなどを自動的に抽出するOCR/文書解析サービスです。

正解: C. 過去のデータをもとに将来の需要などを時系列予測する

正解の根拠・詳細解説

Amazon Forecastは、機械学習を用いて売上・需要・在庫などの時系列データを分析し、将来の値を予測するサービスです。

正解: A. 顧客ごとにパーソナライズされたレコメンデーション（おすすめ商品など）を生成する

正解の根拠・詳細解説

Amazon Personalizeは、ユーザーの行動データをもとに、個人ごとにパーソナライズされたレコメンデーション（推薦）を生成する機械学習サービスです。

正解: A. 音声・テキストを使った対話型インターフェース（チャットボット）の構築

正解の根拠・詳細解説

Amazon Lexは、自然言語理解（NLU）と自動音声認識（ASR）を組み合わせて、チャットボットや音声アシスタントを構築するためのサービスです。

正解: A. 機械学習を活用した自然言語によるインテリジェントな企業内検索

正解の根拠・詳細解説

Amazon Kendraは、自然言語による問い合わせに対して、社内文書やFAQなどから関連性の高い回答を見つけ出すインテリジェント検索サービスです。

正解: B. ロボットアームの動作制御の最適化

正解の根拠・詳細解説

強化学習は、試行錯誤を通じて報酬を最大化する行動方針を学習する手法であり、ロボット制御やゲームAI、リソース最適化などの逐次的な意思決定問題に適しています。

正解: C. k-meansによるクラスタリング

正解の根拠・詳細解説

k-meansクラスタリングは、ラベルのないデータを類似度に基づいてグループ化する代表的な教師なし学習の手法です。

正解: B. 過去データからパターンを学習し、需要予測や異常検知などの意思決定を支援すること

正解の根拠・詳細解説

機械学習のビジネス価値は、過去のデータからパターンを学習し、需要予測・異常検知・レコメンデーションなどを通じて人間の意思決定を支援・効率化することにあります。100%の精度を保証するものではありません。

正解: A. ラベル付きデータには正解（目的変数）の情報が含まれ、ラベルなしデータには含まれない

正解の根拠・詳細解説

ラベル付きデータは、入力に対応する正解（ラベル・目的変数）が付与されたデータで、教師あり学習に使用されます。ラベルなしデータには正解情報が含まれず、教師なし学習に使用されます。

正解: B. 大量のデータで事前学習され、様々なタスクに転用・適応できる大規模モデル

正解の根拠・詳細解説

基盤モデルは、大量かつ多様なデータで事前学習され、ファインチューニングやプロンプトを通じて多様なタスク（要約・翻訳・生成等）に適応できる大規模モデルです。GPTやAmazon Titanなどが代表例です。

正解: B. モデルがテキストを処理する際の最小単位（単語や部分文字列）

正解の根拠・詳細解説

トークンは、生成AIモデルがテキストを処理・生成する際に扱う最小単位で、単語全体や単語の一部（サブワード）に分割されます。多くのAPIは課金単位としてトークン数を使用します。

正解: A. テキストや画像などのデータを、意味的な関係を保持した数値ベクトルに変換したもの

正解の根拠・詳細解説

埋め込み（Embedding）は、テキストや画像などの意味的な特徴を、固定長の数値ベクトルとして表現したものです。類似度検索やRAGのベクトル検索で活用されます。

正解: B. 事前学習済みモデルに対し、特定タスク・ドメインに特化した追加データで再訓練し性能を向上させること

正解の根拠・詳細解説

ファインチューニングは、すでに大量データで事前学習された基盤モデルに対し、特定の用途やドメインに合わせた追加データで再訓練を行い、その分野での性能を高める手法です。

正解: B. 画像生成（テキストから画像を生成するモデル等）

正解の根拠・詳細解説

拡散モデルは、ノイズを段階的に除去していく過程を学習することで画像を生成する手法で、Stable DiffusionなどのText-to-Image生成AIで広く使われています。

正解: B. モデルが事実に基づかない、もしくは誤った情報を自信を持って生成する現象

正解の根拠・詳細解説

ハルシネーションとは、生成AIが事実とは異なる情報やもっともらしいが誤った内容を、あたかも事実のように生成してしまう現象です。生成AI活用における重要な課題の一つです。

正解: B. 出力のランダム性（多様性）を制御する。値が高いほど多様で創造的な出力になる

正解の根拠・詳細解説

Temperatureパラメータは、生成AIの出力の多様性・ランダム性を制御するハイパーパラメータです。値を高くするとより多様で創造的な（予測しにくい）出力になり、低くするとより決定的で一貫した出力になります。

正解: B. Attention（注意機構）

正解の根拠・詳細解説

トランスフォーマーは、入力シーケンス内の各要素同士の関連性を計算するAttention（注意機構）を中核とするアーキテクチャで、多くの大規模言語モデル（LLM）の基盤となっています。

正解: A. 事前学習は大規模・汎用データでの初期学習、ファインチューニングは特定タスク向けの追加学習である

正解の根拠・詳細解説

事前学習は大規模かつ汎用的なデータセットでモデルの基礎的な能力を獲得させる段階、ファインチューニングはその後、特定タスクやドメインに特化したデータで追加学習を行う段階です。

正解: D. 物理的なハードウェア部品

正解の根拠・詳細解説

生成AIはテキスト・画像・音声・音楽・コード・動画などのデジタルコンテンツを生成できますが、物理的なハードウェア部品を直接生成することはできません。

正解: B. テキスト・画像・音声など複数の異なる種類のデータを統合的に処理できるモデル

正解の根拠・詳細解説

マルチモーダルモデルは、テキスト・画像・音声・動画など複数の異なるモダリティ（データ形式）を統合的に理解・生成できるモデルです。

正解: A. モデルが一度の処理で考慮できる入力トークンの最大量

正解の根拠・詳細解説

コンテキストウィンドウとは、モデルが一度の推論で参照・考慮できる入力（プロンプト＋会話履歴）の最大トークン数を指します。これを超える情報はモデルが認識できません。

正解: A. あるタスクで学習した知識を、別の関連タスクに応用すること

正解の根拠・詳細解説

転移学習は、あるタスク・ドメインで学習したモデルの知識（パラメータ）を、別の関連するタスクに適用し、少ないデータ・時間で高い性能を得る手法です。ファインチューニングは転移学習の一形態です。

正解: B. モデル内部の重み（学習可能な値）の総数で、モデルの規模・複雑さを示す指標

正解の根拠・詳細解説

パラメータ数は、ニューラルネットワーク内の学習可能な重みの総数を指し、一般的にモデルの規模や表現力を示す指標として使われます（ただし精度を直接保証するものではありません）。

正解: B. モデルに望む出力を得るために与える指示・入力テキスト

正解の根拠・詳細解説

プロンプトは、生成AIモデルに対して望む出力を得るために与える指示・質問・文脈などの入力テキストです。プロンプトの設計（プロンプトエンジニアリング）が出力品質に大きく影響します。

正解: B. 出力候補の確率分布の上位p%の範囲からサンプリングし、多様性を制御する

正解の根拠・詳細解説

Top-pサンプリングは、出力候補トークンの確率の合計が指定したp（例: 0.9）に達するまでの上位候補からのみサンプリングする手法で、Temperatureと同様に出力の多様性を制御します。

正解: D. 生成された内容が常に100%正確であることの保証

正解の根拠・詳細解説

生成AIは業務効率化や創造的支援に大きなメリットをもたらしますが、ハルシネーションのリスクがあるため、生成内容が常に100%正確であることは保証されません。人間によるレビューが推奨されます。

正解: B. ゼロショット学習（プロンプトによる推論）

正解の根拠・詳細解説

ゼロショット（Zero-shot）は、追加の訓練データやファインチューニングなしに、プロンプトの指示だけでモデルにタスクを実行させる手法です。

正解: B. フューショット（Few-shot）プロンプティング

正解の根拠・詳細解説

フューショットプロンプティングは、プロンプト内にいくつかの入出力例を含めることで、モデルに望ましいタスクの実行方法を示す手法です。追加の訓練（重みの更新）は行いません。

正解: B. 画像生成モデルは拡散モデル等を用い、テキスト生成モデルは主にトランスフォーマーを用いるなど、アーキテクチャや手法が異なることが多い

正解の根拠・詳細解説

画像生成モデルは拡散モデル（Diffusion Model）などを用いることが多く、テキスト生成モデルは主にトランスフォーマーアーキテクチャを用いるなど、用途に応じて異なる手法・アーキテクチャが採用されます。

正解: B. 入出力のトークン数とモデルの規模

正解の根拠・詳細解説

多くの生成AIサービスでは、入力・出力のトークン数とモデルの規模（パラメータ数）に応じて課金されるため、これらが推論コストに直接影響します。

正解: D. データベースの正規化

正解の根拠・詳細解説

基盤モデルのカスタマイズには、プロンプトエンジニアリング・RAG・ファインチューニングという3つの代表的な手法があります。データベースの正規化はリレーショナルデータベース設計の概念であり、モデルカスタマイズ手法ではありません。

正解: B. RAGを用いて根拠となる外部データソースに基づいた回答を生成させる

正解の根拠・詳細解説

RAG（検索拡張生成）は、信頼できる外部データソースから関連情報を検索し、それを根拠としてモデルに回答を生成させる手法で、ハルシネーションの低減に有効です。

正解: A. 責任あるAI（Responsible AI）

正解の根拠・詳細解説

学習データに含まれる偏り（バイアス）がモデルの出力に反映される問題は、公平性・バイアスといった「責任あるAI」の重要な議題の一つです。

正解: B. 複数のAIプロバイダーが提供する基盤モデルをAPI経由でサーバーレスに利用できるマネージドサービス

正解の根拠・詳細解説

Amazon Bedrockは、Amazon・Anthropic・Meta・Cohere・Mistral AIなど複数のプロバイダーが提供する基盤モデルを、サーバーレスでAPI経由から統一的に利用できるマネージドサービスです。

正解: B. モデルへの入力（指示）を工夫することで、望ましい出力を引き出すこと

正解の根拠・詳細解説

プロンプトエンジニアリングは、モデルの重みを変更せずに、入力テキスト（プロンプト）の構成や指示の与え方を工夫することで、望ましい出力を得るための手法です。

正解: A. モデルに段階的な推論過程を明示させることで、複雑な問題への回答精度を高める手法

正解の根拠・詳細解説

Chain-of-Thoughtプロンプティングは、「ステップごとに考えてください」のような指示を与えることで、モデルに段階的な推論過程を出力させ、複雑な推論問題の精度を向上させる手法です。

正解: B. 外部の知識ベースから関連情報を検索し、それを根拠としてより正確で最新の回答を生成する

正解の根拠・詳細解説

RAGは、ユーザーの問い合わせに関連する情報を外部のナレッジベース（ベクトルデータベース等）から検索し、その情報をプロンプトに含めて生成AIに回答させることで、最新かつ根拠のある回答を実現する手法です。

正解: A. 埋め込み（Embedding）によるベクトル化

正解の根拠・詳細解説

RAGでは、文書を埋め込みモデルでベクトル化し、ベクトルデータベースに格納します。ユーザーの質問も同様にベクトル化し、類似度の高い文書を検索して根拠情報として利用します。

正解: B. RAGの実装を簡素化し、独自データソースをベクトル化して検索可能にするマネージド機能

正解の根拠・詳細解説

Amazon Bedrock Knowledge Basesは、S3などに保存された独自データを自動的にチャンク分割・ベクトル化し、ベクトルデータベースに格納することで、RAGの実装を簡素化するマネージド機能です。

正解: A. Amazon OpenSearch Service、Amazon Aurora（pgvector）

正解の根拠・詳細解説

Amazon OpenSearch ServiceやAmazon Aurora（PostgreSQL互換、pgvector拡張）は、埋め込みベクトルを格納・検索できるベクトルデータベースとしてRAGの実装に利用されます。

正解: B. 複数のステップにわたるタスクを自律的に計画・実行し、APIやデータソースと連携する

正解の根拠・詳細解説

Agents for Amazon Bedrockは、ユーザーの要求に対して複数ステップのタスクを自律的に計画し、外部API呼び出しやデータ取得を組み合わせて実行する機能です。

正解: B. 有害なコンテンツの生成抑制や、トピックの制限など、生成AIアプリケーションの安全性を高めること

正解の根拠・詳細解説

Guardrails for Amazon Bedrockは、特定トピックのブロック、有害コンテンツのフィルタリング、個人情報のマスキングなど、生成AIアプリケーションに安全対策を実装するための機能です。

正解: C. ファインチューニング

正解の根拠・詳細解説

一般的に、プロンプトエンジニアリングが最も手軽で低コスト、RAGは外部データ連携の構築が必要で中程度のコスト、ファインチューニングは追加学習のための計算リソース・専門知識・データ準備が必要で最もコストが高い傾向があります。

正解: B. RAGを用いて社内文書を検索可能にし、回答の根拠として利用する

正解の根拠・詳細解説

頻繁に更新される独自データに基づいた回答が必要な場合、まずRAGを検討するのが一般的です。RAGはモデルの再学習を必要とせず、データソースを更新するだけで最新情報を反映できます。

正解: A. 人手評価と自動評価（モデルベース評価）の両方をサポートするモデル評価機能

正解の根拠・詳細解説

Amazon Bedrockのモデル評価機能では、人間による評価（Human evaluation）と、別のモデルを評価者として使う自動評価（Model-based evaluation）の両方の方式で、複数モデルの性能を比較できます。

正解: B. 悪意のある入力によってモデルの意図された動作を操作し、不適切な出力をさせようとする攻撃

正解の根拠・詳細解説

プロンプトインジェクションは、悪意のあるプロンプトを入力することで、モデルに開発者が意図しない指示を実行させたり、安全策を回避させたりする攻撃手法です。Guardrailsなどで対策します。

正解: C. モデルの提供元の社内の組織図の詳細

正解の根拠・詳細解説

基盤モデル選定では、精度・コスト・レイテンシ・コンテキストウィンドウサイズ・モダリティ対応などが重要な評価基準です。モデル提供元の組織内部の詳細な組織図は、モデル選定の評価基準とは関係ありません。

正解: A. 例を1つだけプロンプトに含めてタスクを示す手法

正解の根拠・詳細解説

One-shotプロンプティングは、プロンプト内に望ましい入出力の例を1つだけ含めて、モデルにタスクのやり方を示す手法です。Few-shotの一種（例が1つのケース）です。

正解: A. ラベル付けされた、もしくは構造化された訓練用データセット

正解の根拠・詳細解説

Amazon Bedrockでのファインチューニングには、タスクに応じた訓練用データセット（S3に格納）が必要です。基盤モデルのソースコード自体を直接編集することはできません。

正解: B. 小規模で高速なモデルの選択や、レスポンスのストリーミング表示の活用

正解の根拠・詳細解説

用途に応じて軽量・高速なモデルを選択したり、生成結果を逐次表示するストリーミングレスポンスを活用することで、ユーザーが感じる応答速度（体感レイテンシ）を改善できます。

正解: B. 出力フォーマットの指定（構造化出力のプロンプティング）

正解の根拠・詳細解説

プロンプト内で出力形式（JSON、表形式など）を明示的に指定することで、後続の処理で扱いやすい構造化された出力を得る手法は、プロンプトエンジニアリングの一種です。

正解: A. モデル評価（Model Evaluation）

正解の根拠・詳細解説

複数の基盤モデルやプロンプトのバリエーションを比較し、タスクに最も適したモデル・設定を選定するプロセスはモデル評価と呼ばれ、Amazon Bedrockではこれを支援する機能が提供されています。

正解: B. 埋め込みベクトル間の距離（コサイン類似度等）を計算し、意味的に近いデータを検索する

正解の根拠・詳細解説

ベクトルデータベースでの類似度検索は、クエリの埋め込みベクトルと格納されたデータの埋め込みベクトルとの距離（コサイン類似度やユークリッド距離など）を計算し、意味的に類似したデータを取得する仕組みです。

正解: B. データが更新された際に再度ファインチューニングが必要になり、リアルタイム性に欠ける

正解の根拠・詳細解説

ファインチューニングはモデルの重みに知識を埋め込むため、データが更新されるたびに再学習が必要になります。頻繁に更新される情報にはRAGの方が適している場合が多いです。

正解: A. 一定のスループットを保証するために専用のモデルキャパシティを確保すること

正解の根拠・詳細解説

プロビジョンドスループットは、安定した高いリクエスト量が見込まれる場合に、専用のモデルキャパシティを確保して一定のスループットを保証するBedrockの購入オプションです。

正解: A. 文書をチャンク（小さな単位）に分割し、関連部分のみをRAGで検索・利用する

正解の根拠・詳細解説

長文をそのままコンテキストウィンドウに収めるのが難しい場合、文書をチャンクに分割し、RAGで質問に関連する部分のみを検索して利用するのが一般的な対処法です。

正解: D. 常に最大のコンテキストウィンドウと最大トークン数で出力させる

正解の根拠・詳細解説

コスト最適化では適切なモデルサイズの選定、プロンプトの簡潔化、キャッシュの活用が有効です。逆に常に最大のコンテキストウィンドウ・最大トークン数を使うことはコストを増大させ、最適化に反します。

正解: B. 公平性・透明性・説明可能性・プライバシー保護などを考慮してAIを開発・運用すること

正解の根拠・詳細解説

責任あるAIとは、AIシステムの開発・運用において、公平性、透明性、説明可能性、プライバシー、安全性などの倫理的・社会的な側面を重視するアプローチです。

正解: B. 訓練データの偏りなどにより、特定のグループに対して不公平な予測結果が生じる傾向

正解の根拠・詳細解説

バイアスとは、訓練データの偏りやモデル設計の問題により、特定の属性（性別・人種等）を持つグループに対して不公平・不正確な予測結果が生じる傾向を指します。

正解: A. 訓練データの多様性を確保し、特定グループへの偏りがないか評価・モニタリングする

正解の根拠・詳細解説

公平性確保のためには、訓練データが特定の属性に偏っていないかを評価し、モデルの予測結果がグループ間で不当な差を生んでいないかを継続的にモニタリングすることが重要です。

正解: A. Amazon SageMaker Clarify

正解の根拠・詳細解説

Amazon SageMaker Clarifyは、訓練データやモデルの予測結果に含まれるバイアスを検出し、モデルの判断根拠を説明（Explainability）するための機能を提供します。

正解: B. AIの判断根拠を人間が理解できるようにし、信頼性や規制対応を確保するため

正解の根拠・詳細解説

説明可能性は、AIがなぜその判断・予測を行ったのかを人間が理解できるようにすることで、信頼性の確保、誤りの検出、規制・コンプライアンス対応を可能にするために重要視されます。

正解: A. 機械学習モデルの予測結果に対して人間によるレビュー（Human-in-the-loop）を組み込む

正解の根拠・詳細解説

Amazon Augmented AI（A2I）は、機械学習モデルの予測結果のうち、信頼度が低いケースなどについて、人間によるレビュー（Human-in-the-loop）のワークフローを構築するためのサービスです。

正解: A. モデルが想定外の入力やノイズに対しても安定した性能を維持する能力

正解の根拠・詳細解説

ロバストネス（堅牢性）とは、ノイズの混入したデータや想定外の入力（敵対的な入力等）に対しても、モデルが安定した性能を維持できる能力を指します。

正解: A. モデルの訓練データや評価方法に関する情報を、利用者に対して適切に開示する

正解の根拠・詳細解説

透明性を高めるには、モデルがどのようなデータで訓練され、どのような評価が行われたかなどの情報を、利用者や関係者に適切に開示することが重要です。

正解: A. モデルの性能・想定用途・限界・トレーニングデータの情報などを文書化し、透明性を確保すること

正解の根拠・詳細解説

モデルカードは、モデルの目的、性能評価結果、想定される利用ケースと限界、訓練データの概要などを文書化したもので、モデルの透明性確保と適切な利用を促進します。

正解: A. 大規模モデルの訓練・推論には相当量のエネルギーが必要であり、これを考慮した責任ある利用が求められる

正解の根拠・詳細解説

大規模な基盤モデルの訓練・推論には多くの計算リソースとエネルギーが必要であり、責任あるAIの観点から、その環境負荷を認識し、タスクに応じた適切な規模のモデル選択などが推奨されます。

正解: B. 多様な背景・能力を持つユーザーが公平に利用できるようにシステムを設計すること

正解の根拠・詳細解説

インクルーシブデザインは、年齢・障がい・言語・文化的背景などが異なる多様な利用者が、公平にシステムを利用できるように配慮して設計するアプローチです。

正解: B. モデルの誤判断や予期しない挙動を発見し、適切な対応を取るため

正解の根拠・詳細解説

AIモデルは誤判断やバイアスを含む可能性があるため、人間による継続的な監督・レビューを行うことで、誤りや不適切な挙動を早期に発見し、修正・対応することが重要です。

正解: A. 訓練データが対象とする実世界の集団を適切に反映していないと、モデルが特定グループに対して不正確・不公平な予測をするリスクが高まるため

正解の根拠・詳細解説

訓練データが実際に予測対象となる集団の多様性を適切に反映していない場合、モデルは過小評価されたグループに対して不正確または不公平な予測を行うリスクが高まります。

正解: A. AIの判断結果について、誰が責任を持つかを明確にしておくこと

正解の根拠・詳細解説

説明責任（Accountability）とは、AIシステムの設計・運用・判断結果について、組織や個人が責任を持ち、問題が発生した際に説明・対応できる体制を確保することを指します。

正解: A. Amazon SageMaker Clarifyによるバイアス検出と、Guardrails for Amazon Bedrockによる安全対策の提供

正解の根拠・詳細解説

AWSは、Amazon SageMaker Clarify（バイアス検出・説明可能性）やGuardrails for Amazon Bedrock（安全対策）など、責任あるAIの実践を支援する複数のツールを提供しています。

正解: B. 訓練データに含まれる著作物の影響により、生成物が既存の著作物と類似してしまう可能性がある

正解の根拠・詳細解説

生成AIは大量の既存コンテンツで訓練されているため、その出力が既存の著作物に類似してしまうリスクがあり、知的財産権の観点から注意が必要です。これは責任あるAIで議論される重要な論点です。

正解: A. 異なる属性グループ間での予測精度や偽陽性率・偽陰性率の差

正解の根拠・詳細解説

公平性評価では、性別や年齢などの異なる属性グループ間で、モデルの予測精度・偽陽性率・偽陰性率などに不当な差がないかを確認することが一般的な手法です。

正解: A. 有害・不適切なコンテンツの生成を抑制するフィルタリング機構の実装

正解の根拠・詳細解説

生成AIアプリケーションでは、有害・不適切・偽情報となりうるコンテンツの生成を抑制するため、Guardrails等を用いたフィルタリング機構の実装が推奨されます。

正解: A. AIの判断が及ぼす影響を関係者が理解し、適切な意思決定や監督を行えるようにするため

正解の根拠・詳細解説

AIの判断が業務や個人に重要な影響を与える場合、その判断根拠をステークホルダー（経営層・利用者・規制当局等）に説明できることは、適切な監督と信頼確保のために重要です。

正解: A. 多様な視点を取り入れることで、特定の偏った前提や見落としを減らせる可能性があるため

正解の根拠・詳細解説

開発チームに多様な背景・視点を持つメンバーが含まれることで、特定のグループに偏った前提や設計上の見落としに気づきやすくなり、より公平なAIシステムの実現に寄与します。

正解: A. 重要な意思決定や、誤りが重大な影響を及ぼす可能性のある業務プロセス

正解の根拠・詳細解説

医療・金融・法的判断など、誤りが重大な影響を及ぼす可能性のある業務プロセスでは、生成AIの出力に対して人間によるレビューを組み込むことが特に重要とされます。

正解: A. デプロイ後もデータの傾向変化（データドリフト）等によりモデルの性能やバイアスが変化する可能性があるため

正解の根拠・詳細解説

デプロイ後の実環境データは時間とともに変化（データドリフト）する可能性があり、モデルの性能やバイアスの状態も変化しうるため、継続的なモニタリングと再評価が重要です。

正解: A. 公平性、説明可能性、プライバシーとセキュリティ、安全性、ガバナンス、堅牢性、透明性、コントローラビリティ

正解の根拠・詳細解説

AWSは責任あるAIの中核的な要素として、公平性・説明可能性・プライバシーとセキュリティ・安全性・ガバナンス・堅牢性・透明性・コントローラビリティ（操作性）などを重視しています。

正解: A. 異議申し立てや人間による再審査の手段を提供する

正解の根拠・詳細解説

自動化された意思決定（例: 信用スコアリング等）が個人に重大な影響を与える場合、責任あるAIの観点から、異議申し立てや人間による再審査の手段を提供することが推奨されます。

正解: B. AIサービスを稼働させる基盤インフラ（データセンター・ハードウェア・ホストOS等）のセキュリティ

正解の根拠・詳細解説

責任共有モデルでは、AWSは「クラウドのセキュリティ」（データセンター、ハードウェア、ネットワーク、AIサービスの基盤等）を、顧客は「クラウド内のセキュリティ」（データ、IAM設定、プロンプト内容の管理等）を担当します。

正解: B. Amazon Macieなどを用いてPIIを検出し、適切なマスキングや保護措置を講じる

正解の根拠・詳細解説

Amazon Macieは、S3に保存されたデータ内の個人情報（PII）などの機密データを自動的に検出するサービスです。生成AIアプリケーションでも、PIIの検出・マスキング・適切な保護が推奨されます。

正解: B. データを不正なアクセスから保護し、機密性を確保すること

正解の根拠・詳細解説

暗号化（保管時・転送時の暗号化）は、データへの不正アクセスを防ぎ、機密性を確保するための基本的なセキュリティ対策です。AWSの多くのAIサービスはデフォルトで暗号化をサポートしています。

正解: B. 最小権限の原則に基づき、必要最小限の権限のみを付与する

正解の根拠・詳細解説

IAMの基本原則は「最小権限の原則」であり、ユーザーやアプリケーションには、タスク遂行に必要な最小限の権限のみを付与することがセキュリティのベストプラクティスです。

正解: A. AWSのコンプライアンスレポートやセキュリティ・コンプライアンス文書（監査資料等）をオンデマンドで取得できるサービス

正解の根拠・詳細解説

AWS Artifactは、AWSのコンプライアンス関連レポート（SOCレポート等）や契約書類を、オンデマンドでダウンロードできるセルフサービス型のポータルです。

正解: A. データの品質・セキュリティ・利用ポリシーなどを組織的に管理し、適切なデータ活用を確保すること

正解の根拠・詳細解説

データガバナンスとは、データの品質管理、アクセス制御、利用ポリシー、ライフサイクル管理などを組織的に整備し、データが適切かつ安全に活用される体制を確保する取り組みです。

正解: A. 個人データの取得・処理・保管に関して、適切な同意取得やデータ最小化などの対応が求められる

正解の根拠・詳細解説

GDPRなどのデータ保護規制は、AIシステムが個人データを取得・処理・保管する際にも適用され、適切な同意取得、データ最小化、利用目的の明確化などの対応が求められます。

正解: A. データの出所・変換履歴・利用状況を追跡し、品質管理やコンプライアンス対応を可能にすること

正解の根拠・詳細解説

データリネージは、データがどこから来て、どのように変換・利用されたかを追跡する仕組みです。これにより、データ品質の問題の特定や、規制対応・監査への対応が容易になります。

正解: A. AWS PrivateLinkを使用し、インターネットを経由せずにAIサービスにプライベート接続する

正解の根拠・詳細解説

AWS PrivateLinkを利用することで、インターネットを経由せずにVPC内からAWSのAIサービス（Bedrock等）にプライベートに接続でき、ネットワークセキュリティを強化できます。

正解: A. AI利用ポリシー、承認プロセス、リスク評価の枠組み、監査体制

正解の根拠・詳細解説

AI利用に関するガバナンス体制には、利用ポリシーの策定、承認・レビュープロセス、リスク評価の枠組み、監査・モニタリング体制などを組織横断的に整備することが含まれます。

正解: A. HIPAA（医療情報）やPCI DSS（決済情報）などの業界固有の規制への準拠

正解の根拠・詳細解説

医療分野ではHIPAA、決済分野ではPCI DSSのように、業界固有の規制・コンプライアンス要件が存在し、AIシステムを含むIT基盤はこれらに準拠する必要があります。

正解: A. モデルの訓練データ、評価結果、推論ログなどを適切に記録・保管する

正解の根拠・詳細解説

監査可能性を確保するには、モデルの訓練に使用したデータ、評価結果、本番環境での推論ログなどを体系的に記録・保管し、後から検証・説明できる状態を維持することが重要です。

正解: A. AWSアカウント内でのAPIコール履歴を記録し、誰がいつどのAIサービスにアクセス・操作したかを追跡する

正解の根拠・詳細解説

AWS CloudTrailは、AWSアカウント内でのAPIコール（誰が、いつ、何を実行したか）を記録するサービスで、AIサービスへのアクセス・操作の追跡やセキュリティ監査に活用されます。

正解: A. プロバイダーのデータ利用ポリシーを確認し、必要に応じてデータが訓練に使われない設定・契約を選択する

正解の根拠・詳細解説

クラウドAIサービス利用時は、入力データがモデルの再学習に利用されるかどうかについて、各プロバイダーのデータ利用ポリシーを事前に確認し、必要に応じて利用しない設定や契約を選択することが重要です。

正解: A. 許可されたユーザー・システムのみがデータやモデルにアクセスできるようにし、不正利用や情報漏洩を防ぐこと

正解の根拠・詳細解説

アクセス制御（IAM等）は、認可されたユーザーやシステムのみがデータ・モデル・APIにアクセスできるよう制限することで、不正利用やデータ漏洩のリスクを軽減する基本的なセキュリティ対策です。

正解: A. データが処理・保管される地理的な場所に関する要件・制約

正解の根拠・詳細解説

データレジデンシーとは、特定の国・地域の法律・規制により、データが特定の地理的な場所（リージョン等）でのみ処理・保管されることを求める要件を指します。

正解: A. 攻撃者がAPI経由での問い合わせ結果を分析し、モデルの機能や挙動を模倣・複製しようとする攻撃

正解の根拠・詳細解説

モデル抽出攻撃は、攻撃者がAPIに大量の問い合わせを送り、その応答パターンを分析することで、対象モデルの機能や振る舞いを模倣した代替モデルを作成しようとする攻撃です。

正解: A. AWS KMS（Key Management Service）を使用した暗号化

正解の根拠・詳細解説

AWS KMSを使用してデータを暗号化することは、保管中のデータ（Data at Rest）を保護するための標準的な方法です。多くのAWSサービスはKMSとの統合をサポートしています。

正解: A. 従業員がAIツールをどのような目的・範囲で利用してよいかを明確にし、リスクを管理すること

正解の根拠・詳細解説

アクセプタブルユースポリシーは、組織内でAIツールをどのように、どの範囲で利用してよいかを明確にすることで、機密情報の漏洩や不適切な利用などのリスクを管理するために策定されます。

正解: A. 組織の情報セキュリティ管理体制が一定の基準を満たしていることを客観的に示す

正解の根拠・詳細解説

ISO/IEC 27001などの第三者認証は、組織の情報セキュリティマネジメントシステムが国際的な基準を満たしていることを客観的に証明するものであり、AIシステムを含む情報資産の管理体制の信頼性を示します。

正解: A. 出力内容をフィルタリング・レビューする仕組みを導入し、機密情報の外部流出を防ぐ

正解の根拠・詳細解説

生成AIの出力に意図せず機密情報が含まれてしまうリスクに対応するため、出力内容のフィルタリングやレビュープロセスを導入し、従業員への教育も併せて行うことが、ガバナンス上有効な対策です。

正解: A. パスワードのみに依存せず、追加の認証要素を要求することでアカウントの不正アクセスリスクを低減するため

正解の根拠・詳細解説

多要素認証（MFA）は、パスワードに加えて追加の認証要素（ワンタイムコード等）を要求することで、パスワード漏洩時でも不正アクセスのリスクを大幅に低減できる、AWS含む全サービスで推奨されるベストプラクティスです。

正解: A. 必要最小限のデータのみを収集・利用することで、プライバシーリスクや漏洩時の影響範囲を低減できるため

正解の根拠・詳細解説

データ最小化とは、目的達成に必要最小限のデータのみを収集・保持する原則です。これにより、プライバシーリスクや、万が一の漏洩時の影響範囲を低減できます。GDPR等でも重視される考え方です。

正解: B. ユーザーのプロンプトや生成された出力は、基盤モデルの改善目的で使用されず、暗号化されて保護される

正解の根拠・詳細解説

Amazon Bedrockでは、ユーザーが送信したプロンプトや生成された出力は、基盤モデルプロバイダーの学習データとして使用されず、保管時・転送時ともに暗号化されるなど、データのプライバシーとセキュリティが確保されています。