機械学習（ML）は人工知能（AI）のサブセットであり、システムは明示的にプログラムされることなく、データを用いて学習し、時間の経過とともに改善していきます。選択肢Bは、システムが予測パターンを通じて経験から自動的に改善できると述べており、機械学習を正確に説明しています。これは、アルゴリズムがデータを分析し、パターンを認識し、人間の介入を最小限に抑えて意思決定を行うというMLの基本概念と一致しています。参考資料：AIと機械学習の概念の基礎を網羅したAIGP BODY OF KNOWLEDGE。

企業Aは、サードパーティ（企業B）からライセンス供与された生成AIモデルを統合しており、有害コンテンツやわいせつなコンテンツがユーザーに配信されるリスクを主に懸念しています。このシナリオでは、AIモデルにおけるこうしたコンテンツリスクのテストと検証が最も直接的かつ効果的なガバナンス戦略となります。
AIガバナンス実践レポート2025によると、AIを導入する組織は、パフォーマンス監視プロトコルを導入し、有害なコンテンツのフィルタリングなど、システムが本来の目的に適切に機能することを保証する必要があります。
「運用ガバナンス...システムが本来の目的に適切に機能することを保証するパフォーマンス監視プロトコルの開発。」(p. 12)
「製品ガバナンスには、製品の開発または展開前にリスクを特定し対処するためのシステム影響評価が含まれます。」(p. 11) さらに、多くの組織が準拠を目指す世界標準を定めたEU AI法では、潜在的な有害動作がないかシステムをテストおよび監視する明確な義務が定められています。
「この法律は、適切な説明責任構造の確立、システムへの影響の評価、技術文書の提供、リスク管理プロトコルの確立、パフォーマンスの監視などの規制義務を課しています...」（7 ページ）オプション B は、モデルがビジネス A の最低限のコンテンツ安全性要件に準拠していることを確認するための、展開前のテストと検証のベスト プラクティスを直接反映しています。
間違った選択肢を評価してみましょう。
* A. 検証済みのユーザー生成テキストを微調整することでモデルの整合性が向上する可能性はありますが、モデルが正しく一般化されることは保証されません。特に、ビジネスAがモデル内部にアクセスできない場合（サードパーティライセンスのシナリオではよくあることです）は、その傾向が顕著です。また、微調整自体にもリスクが伴い、契約上の制限を受ける可能性があります。
* C. ユーザーレポート機能は事後対応的であり、予防的ではありません。長期的な監視と緩和には役立ちますが、企業Aの最大の懸念である有害な出力による初期の被害を防ぐことはできません。
* D. ビジネス B に文書を要求することは透明性とリスク管理には役立ちますが、モデルがビジネス A のコンテンツ安全性基準を満たしていることの独立した検証に代わるものではありません。
したがって、展開前にモデルの動作をテストして許容できない出力がないか確認することは、AI ガバナンスのベスト プラクティスと義務に最も適合したアプローチです。

透明性は推奨されていますが、二次被害の予測を公表することは、社内業績評価において必須または標準的な慣行ではありません。リスク評価と報告は通常、社内で行われるか、規制当局と共有されます。
AIガバナンス実践レポート2024より:
「組織は二次リスクを評価する必要があるが、開示は状況、規制要件、およびリスク管理の裁量に左右される。」（30ページ）

LLM（大規模言語モデル）の再学習は、主に、データの経時変化に合わせてパフォーマンスを向上または維持するため、特定のユースケースに合わせて微調整するため、そして新しいデータ解釈を取り入れて精度と関連性を高めるために行われます。しかし、モデルの予測の解釈可能性を確保することは、通常、再学習の理由にはなりません。解釈可能性とは、モデルの出力がどれだけ容易に理解・説明できるかということに関係しており、これは通常、再学習プロセス自体ではなく、異なる技術や手法によって対処されます。この点については、IAPP AIGP Body of Knowledgeでモデルの再学習と解釈可能性を別々の概念として論じています。

医療現場に診断AIを導入する際の倫理的な懸念事項は、多様な患者集団全体にわたる公平性と正確性を確保することです。AIが対象となる集団を代表していないデータセットで学習した場合、健康格差を拡大させ、誤診につながるリスクがあります。
AIガバナンス実践レポート2024より:
「多様性に欠けるトレーニングデータセットは、特定のグループに対して体系的にパフォーマンスが低い出力を生成する可能性があります。これは、医療現場で不正確または偏った結果につながる可能性があります。」（p. 41）
「偏見、差別、公平性への挑戦…不十分または代表的でないトレーニングデータは、AI システムに歴史的差異を広める結果をもたらす可能性があります。」(p. 42) 医師の監督によってリスクは軽減されるかもしれませんが、偏ったデータは依然として臨床上の意思決定に影響を与える可能性があります。
* A- ここでは経済的利益は倫理的リスクの中心ではありません。
* C- 重要だが、データの代表性ほど重大ではない。
* D- エラー率は重要ですが、検証によって対処されます。これは中核的な倫理的問題ではありません。