\
顔認識アプリケーションには、次のような複雑な計算タスクが伴います。
* 特徴抽出 - 顔の独特な特徴を識別します。
* モデルのトレーニングと更新 - ユーザーデータの継続的な学習と適応。
* 画像処理 - さまざまな照明と角度でのリアルタイム画像認識を処理します。
このシナリオでは、モバイル デバイスが継続的に再起動しており、過剰な処理要求によってリソースが過負荷になっていることが示唆されます。
* モバイル デバイスの計算能力には限界があります。
* サーバーとは異なり、モバイル デバイスにはディープラーニング モデルに必要な強力な GPU/TPU がありません。
* デバイス上での学習は計算コストがかかります。
* モデルはリアルタイム学習を実行している可能性があり、CPU と RAM に過度の負荷をかける可能性があります。
※フィードバックを連続送信すると過熱の原因となります。
* システムが複数のプロセス（トレーニング、推論、ネットワーク通信）を実行している場合、システム リソースが過負荷になり、クラッシュが発生する可能性があります。
* (A) フィードバックには物理的な接続が必要であり、インターネット経由では送信できません。#(誤り)
※クラウドベースのAIサービスでは、インターネット経由でのフィードバック送信が一般的です。これが問題の原因ではありません。
* (B) モバイルオペレーティングシステムは機械学習アルゴリズムを処理できません。#(誤り)
* 多くのモバイルアプリケーションはMLモデルを効率的に使用しています。ここで問題となるのは、OSのMLアルゴリズム実行能力ではなく、計算負荷の高さです。
* (C) アプリケーションのサイズが携帯電話のストレージ容量を大量に消費しています。#(誤り)
* ストレージの問題は通常、デバイスの再起動ではなく、インストールの失敗や遅延を引き起こします。ここでの問題は、ストレージ スペースではなく、処理の過負荷です。
* AI ベースのアプリケーションには、かなりの計算能力が必要です。「AI ベースのアプリケーションの計算能力は、リソースが限られたデバイスに展開する場合に課題となる可能性があります。」
* エッジデバイスは、複雑な ML ワークロードの処理に苦労する可能性があります。「モバイルデバイスやエッジデバイスはクラウド環境に比べて処理能力が限られているため、AI モデルをデプロイするには最適化が必要です。」オプション D が正しい理由は何ですか?他のオプションが間違っている理由は何ですか?ISTQB 認定テスターの AI テスト学習ガイドからの参照したがって、顔認識システムの計算要求はモバイルハードウェアが処理するには高すぎるため、継続的な再起動が発生するため、オプション D が正解です。

限定的AI（弱いAIとも呼ばれる）は、一般的な知能や意識を持たずに特定のタスクを実行するように設計されています。質問のAIシステムは、音声を認識し、予約関連の特定のリクエストに応答することはできますが、無関係なトピック（天気や労働市場など）について質問されると応答できません。
* オプションA：「汎用AI」
* 誤り。汎用AI（AGI）とは、人間が実行できるあらゆる知的タスクを実行できるAIシステムを指します。ここで説明するシステムは特定のタスクに特化しており、汎用的な知能を備えているわけではありません。
* オプションB：「狭義のAI」
* 正解です。AIシステムは事前定義されたドメイン（チケット予約）に限定されており、無関係な質問を処理できません。これは、特定のタスクには優れているものの、より広範な認知能力を欠く、特化型AIの特徴です。
* オプションC：「スーパーAI」
* 誤り。スーパー AI は人間の知能を超え、高度な推論能力と創造性を発揮します。
シナリオ内の AI はこのレベルには程遠いです。
* オプションD：「従来のAI」
* 誤り。従来型AIは、ルールベースのシステムを含む可能性のある、より広義の用語です。ここで説明するシステムは機械学習と自然言語処理に依存しており、より狭義のAIに近いと言えます。
* 狭義 AI の定義:「狭義 AI とは、汎用的な知能を持たずに、単一のタスクまたは限られた一連のタスクを実行するように設計された AI システムを指します」。
* 汎用 AI と限定的 AI:「汎用 AI は依然として研究分野ですが、現在の AI アプリケーションのほとんどは限定的 AI のカテゴリに分類されます」。
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 B は AI ベースのチケット予約システムの正しい分類です。

A/Bテストは、システムの2つの異なるバージョンを比較し、どちらのパフォーマンスが優れているかを判断する統計的テスト手法です。このシナリオでは、古いNLPアルゴリズムの精度を評価し、アップデート後に新しいアルゴリズムもユーザーによる評価を受けました。2つのバージョンを比較するための統計的テストは、A/Bテストの基本的なアプローチです。
A/B テストは次のような場合によく使用されます。
* ユーザー エクスペリエンス テスト (例: Web サイトの異なるバージョンの比較)。
* ML モデルの評価 (例: 2 つの AI ベースの分類器の比較)。
* パフォーマンス評価 (例: 新しい推奨アルゴリズムがより効果的かどうかを判断する)。
このアプローチにより、データに基づいた意思決定が可能になり、システムへの変更が有意義な改善につながることが保証されます。
* セクション 9.4 - A/B テストでは、A/B テストは AI ベースのシステムの更新を比較し、新しいバージョンが優れているかどうかを判断するために使用されると述べています。
ISTQB認定テスターAIテスト学習ガイドからの参考資料:

ニューラルネットワークでは、ニューロンの活性化値は、前の層からの入力、接続の重み、そしてニューロンレベルのバイアスの組み合わせによって決定されます。詳細な内訳は以下のとおりです。
アクティベーション値の入力:
前の層のニューロンの活性化値: これらは、現在のニューロンへの入力として機能する、前の層のニューロンからの出力です。
接続に割り当てられた重み: ニューロン間の各接続には重みが関連付けられており、入力信号の強度と方向を決定します。
ニューロン レベルでの個別のバイアス: 各ニューロンには入力合計を調整するバイアス値があり、活性化関数をシフトできます。
計算：
活性化値は、前の層からの重み付けされた入力を合計し、バイアスを追加することによって計算されます。
式: z=∑(wiai)+bz = \sum (w _i \cdot a_i) + bz=∑(wiai)+b、ここで、wiw_iwi は重み、aia_iai は前のレイヤーからのアクティベーション値、bbb はバイアスです。
次に、この合計に活性化関数 (シグモイド、ReLU など) を適用して、最終的な活性化値を取得します。
オプションAが正しい理由:
オプション A は、活性化値の計算に関係するすべてのコンポーネント（個々のバイアス、前の層の活性化値、および接続の重み）を正しく識別します。
他の選択肢を排除する:
B . 前の層のニューロンの活性化値と、ニューロン間の接続に割り当てられた重み: このオプションでは、非常に重要なバイアスが考慮されません。
C . ニューロンレベルでの個々のバイアスと、ニューロン間の接続に割り当てられた重み: このオプションでは、前のレイヤーからの活性化値が失われます。
D . ニューロンレベルでの個々のバイアスと、前の層のニューロンの活性化値: このオプションでは、重要な重みが失われます。
参照：
ISTQB CT-AI シラバスのセクション 6.1「ニューラル ネットワーク」では、ニューラル ネットワーク内のニューロンのコンポーネントと機能について説明します。
「ニューラル ネットワークの活性化関数」(ISTQB CT-AI シラバス、セクション 6.1.1)。

シラバスでは、トレーニングに使用されたものと同じドメインでの入力の変更は、適応性を持って処理されることが期待されると説明されています。
適応性とは、システムが環境や入力の変化に応じて動作を調整する能力を指します。これには、画像やセンサーデータの解像度の変化など、システムの想定される動作範囲内にある入力の変化も含まれます。（参照：ISTQB CT-AIシラバスv1.0、セクション7.6および8.2）