ITパスポート 2025年 問08

AIの機械学習で利用するデータの取扱いに関する記述【ITパスポート 解説】

正解の理由

• a: 学習の目的に合ったデータを使うことは、モデルが学ぶべき情報を正しく学習できるようにする根本です。目的外のデータが混じると誤学習や偏りを生みます。
• b: データの入手元・作成来歴（プロベナンス：provenance＝由来）を確認すると、収集方法や偏りの原因、不適切なデータの混入を見つけられます。説明責任や倫理面でも重要です。
• c: アノテーション（annotation：データに正解ラベルや注釈を付ける作業）を学習目的に合わせて行うことで、ラベルの一貫性や適切性が担保され、誤った教師情報を与えずに済みます。
• d: 人間の目でも同定が困難な画像は、ラベルノイズ（誤ったラベル）や学習の不確実性を増やします。こうしたデータを除外することは品質向上とバイアス低減に寄与します。

解法ステップ

1. 各選択肢（a〜d）を一つずつ「バイアス低減」や「データ品質確保」の観点で評価します。
2. 「適切な対策」として当てはまるかを判断します。
   • 目的適合性（a）は全てのプロジェクトで必須。
   • 来歴の確認（b）は偏りや倫理問題の発見に直結。
   • アノテーションの統制（c）は教師あり学習で特に重要。
   • 判別不能データの除外（d）はラベルの信頼性向上と学習効率化に有効。
3. すべて妥当なので、すべて含む選択肢（イ）を選びます。

選択肢別の誤答解説

• ア（a, b）
  a と b は正しいですが、c（アノテーションの適切化）や d（判別困難な画像の除外）も重要です。従ってアは不完全です。
• ウ（a, d）
  a, d は有効ですが、データの入手元やアノテーション管理を無視してよいわけではありません。b と c が欠けています。
• エ（b, c, d）
  b, c, d は適切ですが、「学習の目的に適したデータであることを確認する」こと（a）を抜かすと、そもそも学習対象がずれているリスクが残ります。よって不完全です。

よくある誤解

1. 「データは量があればよい」
   • 大量でも目的に合わない、偏った、またはラベルが間違っているデータだと性能は上がりません。質（ラベルの正確さ・多様性・由来確認）が重要です。
2. 「人間が識別できないデータでもモデルなら識別できる」
   • 一部の高度なケースを除き、モデルは人間のラベルを教師に学ぶため、人間も識別困難なデータはノイズになりやすいです。
3. 「入手元の確認は法律対応だけの作業」
   • 法的側面以外に、収集手法による偏りや特定集団の過剰/不足など、性能と公平性に直結する問題を見つけられます。

補足コラム

• データプロベナンス（provenance）とは？
  データがどこで、誰によって、どのように集められたかの記録です。データセットの説明（例：収集期間、収集方法、対象の属性分布、アノテータの基準など）を残すことが推奨されます。近年は「Datasheets for Datasets（データセットの仕様書）」のような形式が注目されています。
• アノテーションの品質管理方法
  • ガイドラインを作る：担当者間で基準をそろえる
  • 複数人でラベル付けし一致率を測る：一致率が低ければ基準を見直す
  • サンプル検査や定期的なレビューを行う
• 判別困難なデータの扱い方
  • 除外するのが一般的だが、除外基準は明確にする（例：人間の識別率が70%未満なら除外）。また、難しいケースを別クラスとして扱い、モデルの不確実性を評価する方法もあります。

FAQ