ISTQB CT-AIシラバス（セクション5.3「欠陥分析のためのAIサポート」）では、AIは自然言語処理または分類モデルを用いて欠陥レポートを分類できると説明されています。分類は、欠陥を効率的にルーティングし、システムのどの領域が影響を受けているかを特定するのに役立ちます。したがって、選択肢Cは正解です。AIは欠陥カテゴリを識別し、割り当てとトリアージを支援できます。
選択肢Aは不正解です。機械学習はドメイン固有のリスクモデリングなしには重大度や結果を推測できません。選択肢Bは重複検出と重大度を不正確に結び付けています。シラバスでは重複検出と重大度分析を区別しています。選択肢Dは不正解です。AIはカテゴリを用いて欠陥のルーティングを支援する可能性がありますが、シラバスではAIが特定の開発者を特定するとは述べられていません。
したがって、オプション C はシラバスに正確な記述です。

* 株価予測モデルのテストの種類：コンセプトドリフトとは、対象変数の統計特性が時間の経過とともに変化することを指します。コーヒー生産に甚大な損失をもたらし、株価に影響を与えるような激しい暴風雨が発生した場合、モデルが時間の経過とともにデータの新しいパターンに適応できることを確認するために、コンセプトドリフトのテストが必要になります。
* 参照: ISTQB_CT-AI_Syllabus_v1.0、セクション 7.6「コンセプト ドリフトのテスト」では、変化する外部要因の影響を受ける可能性のあるモデルにおけるコンセプト ドリフトをテストする必要性について説明しています。

シラバスでは報酬ハッキングを次のように定義しています。
「報酬ハッキングは、AIベースのシステムが、設計者の意図を歪めた『巧妙な』あるいは『簡単な』解決策を用いて特定の目標を達成することで発生する可能性があります。」この場合、掃除機は報酬関数の抜け穴、つまりバンパートリガーを回避するために後進しながら速度に対する報酬を最大化するという抜け穴を発見しました。
（参照：ISTQB CT-AIシラバスv1.0、セクション2.6、99ページ中24ページ）

AIシステムにおけるバイアスは、トレーニングデータに固有の偏見が含まれており、モデルが不公平な予測を行う際に発生します。経験に基づくテスト、特に探索的データ分析（EDA）は、トレーニングデータ内のパターン、分布、潜在的な差別要因を分析することで、こうしたバイアスを明らかにするのに役立ちます。
* オプションA：「トレーニングデータセットが運用上適切であることを確認するために、経験に基づくテストを実施する必要があります。これには、トレーニングデータセット内のバイアスをチェックするための探索的データ分析（EDA）の適用が含まれます。」
* 正解です。EDA では、データセットのバイアス、不一致、欠損値を調べ、ML モデルの予測における公平性を確保します。
* オプションB：「トレーニングデータセットを使用して作成されたモデルと、テストデータセットを使用して作成された別のモデルを比較するには、バックツーバックテストを使用する必要があります。2つのモデルに大きな差がある場合、元のモデルにバイアスがあることが示されます。」
* バックツーバックテストは回帰テストや AI システムのバージョンの比較に使用されますが、主にバイアスの検出には使用されません。
* オプション C: アルゴリズムが顧客に適しているかどうかを確認するには、受け入れテストを使用する必要があります。
チームは受け入れ基準を再調整して、アルゴリズムが検証データセット用に確保された残りの応募者を正確に予測し、偏りがないことを確実にするようにすることができます。」
* 受け入れテストは、バイアスを検出して軽減することではなく、事前に定義されたビジネス要件を満たすことに重点を置いています。
* オプションD：「A/Bテストは、テストデータセットが元のトレーニングデータによってもたらされた可能性のあるバイアスを検出しないことを確認するために使用する必要があります。2つのモデルに大きな違いがある場合は、元のモデルにバイアスがあることが示されます。」
* A/B テストは、バイアスを明示的に特定するのではなく、モデルのバリエーションを評価するために使用されます。
* バイアステスト方法：「AIベースのシステムは、アルゴリズムバイアス、サンプルバイアス、不適切なバイアスについてテストする必要があります。経験に基づくテストとEDAは、バイアスの検出に役立ちます。」
* 探索的データ分析 (EDA)：「EDA は、視覚化と統計分析を通じてトレーニング データ内の潜在的なバイアスを明らかにするのに役立ちます」。
回答オプションの分析:ISTQB CT-AI シラバス参照:したがって、オプション A は、ローン申請者モデルのバイアスを検出するのに最適な選択肢です。

自律型AIベースのシステムを検証する際には、適切なレベルの自律性を維持しながら、必要な場合にのみ人間の介入を要求することを保証することが非常に重要です。AIシステムが不必要に人間の入力を求めると、自律性の目的が損なわれ、次のような問題が発生する可能性があります。
* 操作速度を遅くします。
* システムへの信頼を低下させる。
* 意思決定における不適切な信頼閾値を示します。
これは、過度の人間による介入がパフォーマンスの低下につながる自律走行車、AI 駆動型金融取引、ロボットによるプロセス自動化において特に重要です。
* A. システムがトレーニング データの正しい分類を自動的に確認することを確認するためのテスト ケース# これは、トレーニングの一貫性の検証には関連しますが、自律性の検証には関連しません。
* B. システムがデータ入力を適切に自動化していることを検出するためのテストケース# 関連はありますが、データ自動化は自律性の検証に直接的には対応していません。
* D. システムが無効な出力データを自動的に抑制することを確認するためのテストケース# これは、意思決定の自律性ではなく、出力のフィルタリングに重点を置いています。
なぜ他の選択肢は間違っているのでしょうか?したがって、自律型 AI ベースのシステムを検証するための最も重要なテストケースは、不必要に人間の介入を要求しないことを確認することです。
* セクション 8.2 - 自律 AI ベース システムのテストでは、システムが必要な場合にのみ人間の介入を要求し、自律性を妨げないかどうかをテストすることが重要であると述べています。
ISTQB認定テスターAIテスト学習ガイドからの参考資料: