ML パイプラインのバイアス検出には、ML プロセス全体の公平性と正確性を確保するためのさまざまなテストが含まれます。
* トレーニングデータにおける分布のシフトをテストし、不適切なバイアスを検出する (A): これは、モデルのバイアスにつながる可能性のあるデータ分布のシフトの有無を確認することを意味します。これは重要なテストですが、バイアスを検出するための最も直接的な方法ではありません。
* モデル評価中にデータバイアスをテストする（B）：これは、モデルを評価し、トレーニングに使用したデータにバイアスがないか検出する重要な段階です。これにより、モデルに潜在するデータバイアスに直接対処します。
* データパイプラインにおけるアルゴリズムバイアスの発生源のテスト (C): このテストは、パイプライン内のデータ処理および変換段階から発生する可能性のあるバイアスを特定するのに役立つため、非常に重要です。アルゴリズムバイアスの発生源を検出することで、モデルがこれらのプロセスからバイアスを継承しないようにすることができます。
* 入力テスト データに潜在的なサンプル バイアスがないか確認します (D): これは重要なステップですが、全体的なデータ パイプラインよりも入力データに重点​​が置かれます。
したがって、MLパイプラインにおけるさまざまな種類のバイアスを検出するのに最も役立つテストは、B. モデル評価中にデータバイアスについてモデルをテストすることです。
:
ISTQB CT-AI シラバスのセクション 8.3「アルゴリズム、サンプル、不適切なバイアスのテスト」では、ML パイプラインのさまざまな段階でバイアスを検出するために実行できるさまざまなテストについて説明します。
サンプル試験問題ドキュメントの質問 #32 では、モデルのバイアス評価の重要性が強調されています。

シラバスには次のように記載されています。
運用環境が変化しても、学習済みモデルがそれに応じて変化しない場合、コンセプトドリフトが発生します。モデルの出力は精度が低下し、有用性も低下します。したがって、運用モデルは受け入れ基準に照らして定期的に評価する必要があります。（参照：ISTQB CT-AIシラバスv1.0、セクション7.6、99ページ中54ページ）

AIベースのシステムにおけるテストデータの取り扱いには、特にデータのプライバシーと機密性に関して多くの課題が伴います。AIモデルは多くの場合、膨大な量のトレーニングデータを必要とし、その中には個人情報、機密情報、あるいは機密情報が含まれている可能性があります。データ保護法（GDPR、CCPAなど）への準拠を確保し、安全なデータ取り扱い方法を実施することは、AIテストにおける大きな課題です。
* データプライバシー規制
* AI ベースのシステムは、画像、名前、取引の詳細などの個人データを頻繁に処理するため、プライバシーに関する懸念が生じます。
* GDPR (一般データ保護規則) や CCPA (カリフォルニア州消費者プライバシー法) などの規制に準拠するには、機密データをテストに使用する前に、適切に匿名化、暗号化、または編集する必要があります。
* データセキュリティの課題
* 適切なセキュリティ対策が実施されていない場合、AI モデルによって機密情報が漏洩する可能性があります。
* トレーニングおよびテスト データを不正アクセスから保護することは、信頼とコンプライアンスを維持するために重要です。
* 法的および倫理的考慮事項
* 組織は、特定のデータセット、特に健康記録、財務データ、または個人を特定できる情報 (PII) を含むデータセットを使用する前に、法的承認を取得する必要があります。
* テスト担当者は、露出リスクを最小限に抑えるために合成データまたはデータ マスキング技術を採用する必要がある場合があります。
* (B) 出力データまたは中間データ#
* 出力データの分析は重要ですが、個人情報や機密性の高いテストデータの処理に比べると、それほど大きな課題にはなりません。
* (C) ビデオのフレーム速度またはアスペクト比#
* これらは AI モデルの処理における技術的な課題ですが、データのプライバシーや倫理的な考慮事項には該当しません。
* (D) データフレームワークまたは機械学習フレームワーク#
* 適切な ML フレームワーク (TensorFlow、PyTorch など) を選択することは重要ですが、テスト データの処理に関連する大きな課題ではありません。
* 個人情報や機密データの取り扱いは、AI テストにおける重要な課題です。「個人情報やその他の機密データには、サニタイズ、暗号化、編集のための特別な技術が必要になる場合があります。また、使用にあたっては法的な承認が必要になる場合もあります。」オプション A が正しいのはなぜですか?他のオプションが間違っているのはなぜですか?ISTQB 認定テスターに​​よる AI テスト学習ガイドからの参照したがって、AI ベースのシステムのテストデータを扱う際には、データのプライバシーと機密性が大きな課題となるため、オプション A が正解です。

AI生成のテストケースは、多くの場合、機械学習（ML）モデルやヒューリスティックアルゴリズムを用いて作成されます。これらの方法は、大量のテストケースを迅速に生成するのに効果的ですが、「テストオラクル問題」に悩まされることがよくあります。
* テストオラクル問題: テストオラクルは、テストケースの期待される出力を決定するために使用されるメカニズムです。AIベースのツールは、正しい出力が何であるかを本質的に理解していないため、AIによって生成されたテストケースは期待される結果が得られないことがよくあります。
* 検証の難しさ：期待される結果が得られないと、テストケースの検証は困難になります。テスターは、従来の合否判定ではなく、ヒューリスティック、異常検出、あるいは重大な障害に頼らざるを得なくなります。
* A (実行時間の遅さ): AI生成テストは通常​​、自動化され、効率性を重視して設計されています。本質的に遅いわけではなく、手動で記述したテストよりも高速に実行される場合が多いです。
* B (ニュアンスの問題により欠陥が発生しやすい): AI 生成テストは要件の複雑さに苦労する可能性がありますが、ニュアンスを検出できないために失敗するのではなく、主に期待される結果が得られません。
* C (ステップ数が多いためデバッグが複雑): AI 生成テストでは、障害の再現に必要なステップ数を制限することで、デバッグの複雑さを軽減しました。
* ISTQB CT-AI シラバス (セクション 11.3: テストケース生成における AI の使用)
* 「AI によって生成されたテスト ケースでは、期待される結果が得られないことが多く、テスト オラクルなしでは正確性を検証することが困難です。」
* 「検証では、事前に定義された期待される結果よりも、重大な障害を検出することに依存することがよくあります。」
他の選択肢が誤りである理由：ISTQB認定テスター向けAIテスト学習ガイドの参考資料：結論：AI生成のテストケースは期待通りの結果にならないことが多いため、検証が困難になり、テスターは正確な合否判定ではなく、重大な失敗に焦点を当てる必要があります。したがって、正解はDです。

AIとMLモデルは、欠陥解決プロセスの最適化において重要な役割を果たすことができます。ISTQB認定テスターAIテスト（CT-AI）シラバスによると、MLモデルは欠陥レポートの分析、重大な欠陥の優先順位付け、過去の欠陥解決パターンに基づく開発者への欠陥の割り当てに使用できます。
欠陥管理における主な AI アプリケーションは次のとおりです。
* 欠陥の分類 - NLP 技術は欠陥レポートを分析し、重大度や影響などのメタデータに基づいて欠陥を分類できます。
* 欠陥の優先順位付け - 過去の欠陥に基づいてトレーニングされた ML モデルは、どの問題が障害を引き起こす可能性が高いかを予測できるため、チームは最も重要な問題を優先できます。
* 欠陥の割り当て - AI ベースのモデルは、特定の欠陥に最適な開発者を提案し、過去のパフォーマンスと専門性に基づいて解決プロセスを最適化します。
与えられた回答の選択肢から:
* オプション A (自動優先順位付け) は便利ですが、開発者の専門知識とワークロードのバランスを考慮してバックログを直接効率的に削減するわけではありません。
* オプション C (プロセス改善のための根本原因分析) は長期的な戦略ですが、バックログの削減には直接対応しません。
* オプション D (テストに重点を置いた欠陥予測) は、問題を事前に特定するのに役立ちますが、既存のバックログは解決しません。
したがって、オプション B は、履歴データに基づいて最も適切な開発者に欠陥を割り当てる AI の機能と一致し、効率的な欠陥解決とバックログの削減を保証するため、最適な選択肢となります。
認定テスター AI テスト学習ガイド 参考文献:
* ISTQB CT-AI シラバス v1.0、セクション 11.2 (報告された欠陥の分析に AI を使用する)
* ISTQB CT-AI シラバス v1.0、セクション 11.5 (欠陥予測のための AI の使用)。