AWS認定資格 WEB問題集＆徹底解説
AIプラクティショナー
合格に向けて、もっと深く学習する
豊富な問題と詳細なAWSサービス解説を、24時間無料でお試しいただけます
問題文と選択肢
ある企業が構築した機械学習モデルで、特定の属性のグループに対して不利な予測が偏って出力されていることが判明しました。推論結果に含まれるバイアスを低減するための取り組みとして、最も有効なものはどれですか。
- 特定のグループに偏っているトレーニングデータを見直し、各グループが適切に代表されるようバランスを調整する
- 学習率やバッチサイズなどのハイパーパラメータを調整する
- 複数のモデルを組み合わせてアンサンブル化する
- トレーニングの実行回数（エポック数）を増やす
解説
頻出度★★★★★
この問題は、「バイアスの主な原因はデータそのものの偏りであり、モデル側のチューニング（ハイパーパラメータ・アンサンブル・エポック数）では解消しない」と切り分けられるかがポイント
正解
A. 特定のグループに偏っているトレーニングデータを見直し、各グループが適切に代表されるようバランスを調整する
機械学習モデルは与えられたトレーニングデータの傾向をそのまま学習するため、特定のグループのデータが少ない・過去の不公平な判断がラベルに残っているといったデータの偏りが、そのまま推論結果のバイアスとして現れます。
したがって最も有効な対策は、各グループが適切に代表されるようにデータを収集・見直し、バランスを調整する（リサンプリング、不足グループのデータ追加、偏ったラベルの是正）ことです。
AWS では Amazon SageMaker Clarify を使って学習前データや学習後モデルのバイアス指標を測定でき、責任ある AI の実践として「データの偏りの検出と是正」が第一歩とされています。これが正解です。
B. 学習率やバッチサイズなどのハイパーパラメータを調整する
学習率やバッチサイズなどのハイパーパラメータ調整は、モデルの精度や収束の速さを最適化するための施策です。
データが特定のグループに偏っていれば、どれだけチューニングしてもその偏りを忠実に学習した高精度なモデルができるだけで、公平性は改善しません。
「精度の改善」と「バイアスの低減」を混同させる誤答です。
C. 複数のモデルを組み合わせてアンサンブル化する
アンサンブル（複数モデルの組み合わせ）は、分散を抑えて予測の安定性・精度を高める手法です。
しかし、組み合わせる個々のモデルが同じ偏ったデータで学習している以上、全体としても同じ偏りを持ちます。むしろ偏った予測が多数決で強化されることもあり、公平性の担保にはなりません。
D. トレーニングの実行回数（エポック数）を増やす
エポック数（トレーニング回数）を増やすことは、モデルをトレーニングデータにより強く適合させる行為です。
データが偏っていれば、学習を重ねるほどその偏りをより忠実に再現することになり、バイアスはむしろ強まります（加えて過学習のリスクも高まります）。バイアス低減とは逆方向の施策です。
これだけ覚える（記憶フック）
バイアスの出どころはデータ。偏ったデータをいくら学習・チューニングしても、偏りは増幅されるだけ。
バイアスの出どころはデータ。偏ったデータをいくら学習・チューニングしても、偏りは増幅されるだけ。
正解への思考ルート
問題文から要件を抽出し、選択肢の適否を判断するのがポイントです。| 要件 | 判断ポイント |
|---|---|
| 特定の属性のグループに不利な予測が偏っている | これは公平性（fairness）のバイアス。原因は学習データの偏り（代表性の不足・過去の不公平なラベル）にあることが大半 →選択肢（A）が正解 |
| バイアスを低減する取り組みを選ぶ | データ側を是正する選択肢か、モデル側を最適化する選択肢かで二分する。バイアスはデータ側の問題 →選択肢（B・C・D）を消す |
| ハイパーパラメータ調整・アンサンブル化 | どちらも精度や安定性を高める手法。偏ったデータで学習している限り、公平性は改善しない →選択肢（B・C）を消す |
| トレーニング回数（エポック数）の増加 | 偏ったデータへの適合を強めるだけで、バイアスはむしろ増幅する。過学習のリスクも伴う →選択肢（D）を消す |
ひっかけポイント
- 選択肢 B・C・D はいずれも「モデルの精度を上げる正しい手法」であるため、それ自体は間違いに見えない。しかし本問が問うているのは精度ではなく公平性（バイアス）であり、論点をすり替えた誤答
- 「学習を増やせば賢くなる＝偏りも直る」と考えがちだが逆。偏ったデータで学習を重ねるほどバイアスは強化される
- AIF では「バイアス」が公平性の偏り（データの代表性）を指すのか、統計学のバイアス-バリアンスのバイアス（未学習）を指すのかで対策が変わる。属性グループ・公平性の文脈なら前者と読む
- AWS でバイアスを検出・可視化するサービスは Amazon SageMaker Clarify。ただし Clarify は「測る」ツールであり、是正するのはデータの見直しである点まで押さえる
出題バリエーション
同じ知識が本番では条件を変えて出題されます。| 問題文がこう変わったら | 正解はこう変わる |
|---|---|
| 「学習前のデータや学習後のモデルにバイアスが無いか測定・可視化したい」 | Amazon SageMaker Clarify が正解に（検出・レポート）。 |
| 「モデルがなぜその予測をしたのか説明できるようにしたい」 | 説明可能性（Explainability）の話に変わり、SageMaker Clarify の特徴量重要度（SHAP）が正解軸に。 |
| 「モデルの用途・学習データ・限界を文書化して関係者に共有したい」 | Amazon SageMaker Model Cards（AI Service Cards）が正解に。 |
| 「トレーニングデータでは高精度だがテストデータで精度が出ない」 | バイアスではなく過学習の問題。正則化・データ拡張・早期終了が正解軸に。 |
＋ 質問 / コメント
解答・解説に疑問がある場合や、よりよい解説がある場合など、お気軽にコメントください。ただし、短文コメントは表示されません。また、中傷などコメントの内容によっては、会員機能を停止させて頂きます。教え学び合える場になれば嬉しいです。（コメント投稿にはログインが必要です）
正答率 69%
No.15 解説
ある企業が構築した機械学習モデルで、特定の属性のグループに対して不利な予測が偏って出力されていることが判明しました。推論結果に含まれるバイアスを低減するための取り組みとして、最も有効なものはどれですか。
- 特定のグループに偏っているトレーニングデータを見直し、各グループが適切に代表されるようバランスを調整する
- 学習率やバッチサイズなどのハイパーパラメータを調整する
- 複数のモデルを組み合わせてアンサンブル化する
- トレーニングの実行回数（エポック数）を増やす