ISTQB CT-AIシラバスのセクション2.4「データラベリングアプローチ」では、AI支援によるデータラベリングを、自動化ツールが初期ラベリングを実行し、その後、人間のアノテーターがラベルを検証、修正、または完成させるハイブリッドプロセスとして明確に定義しています。この2段階のプロセスにより、データ品質を確保するために人間の監視を維持しながら効率性が向上します。シラバスでは、この手法は、手動によるラベリングだけでは時間がかかりすぎる、またはコストがかかりすぎる場合、また、人間が最終的な正式なラベルを付与する前に、初期の自動化によって明らかなパターンを特定できる場合に効果的な妥協策であると説明されています。
オプションA（社内ラベリング）は、組織内のスタッフが実施するラベリングを指しますが、自動化は考慮されていません。オプションB（クラウドソーシングによるラベリング）は、分散した労働力を活用しますが、通常は自動化は行われません。オプションC（アウトソーシングによるラベリング）は、ラベリング作業を外部ベンダーに委託しますが、同様にAIファーストのステップは含まれません。シラバスに記載されている、自動化と人的介入の2段階ワークフローは、オプションDのみに反映されています。
したがって、AI 支援によるデータラベル付け (オプション D) は間違いなく正しいと言えます。

機械学習を用いて手書きの数字のスキャンから数字を認識することは、分類の一例です。その概要は次のとおりです。
分類：このタイプの機械学習では、入力データを定義済みのクラスに分類します。このシナリオでは、入力データ（手書きの数字）は10個の数字クラス（0～9）のいずれかに分類されます。
他の選択肢はなぜないのか:
強化学習: これは、目標を達成するために環境と対話することによって学習するものであり、数字を認識するという問題には当てはまりません。
回帰: これは、数字認識などの離散カテゴリではなく、連続した値を予測するために使用されます。
クラスタリング: 事前定義されたクラスを使用せずに類似のデータ ポイントをグループ化しますが、ここではそうではありません。

ISTQB CT-AIシラバス（セクション4.3「AIシステムのテスト環境」）では、従来のソフトウェアテストとは異なり、AIシステムのテストでは、機械学習モデルの決定を分析および説明するための専用ツールが必要になる場合があると説明されています。これには、AIが特定の予測を行った理由を理解するための可視化ツール、説明可能性フレームワーク、診断ユーティリティが含まれます。AIの決定は不透明である可能性があるため、テスト環境は説明可能性をサポートし、オプションBが正しいことを確認する必要があります。
選択肢Aは不正解です。シラバスには、自律AIシステムに自律的なテスト環境が必要であるとは記載されていません。選択肢Cは不正解です。テスト環境は学習してはならず、予測不可能なテスト条件を回避するために安定した状態を維持する必要があります。選択肢Dは不正解です。マルチエージェントシステムでは確率的な相互作用が生じることが多く、決定論は必須ではなく現実的でもありません。
したがって、オプション B はシラバスに正確な選択肢となります。

質問は、AIシステムの安全性に関する問題を引き起こす可能性が最も低い特性はどれか、というものです。それぞれの選択肢を評価してみましょう。
非決定性 (A): 非決定性システムでは、同じ入力であっても異なる結果が生成される可能性があり、予測できない動作や潜在的な安全上の問題につながる可能性があります。
堅牢性 (B): 堅牢性とは、システムがエラー、異常、予期しない入力を適切に処理する能力を指します。堅牢なシステムは、さまざまな条件下でも機能を維持できるため、安全性の問題が発生する可能性が低くなります。
高い複雑性 (C): AI システムの複雑さが高いと、システムの動作の理解、予測、管理が困難になり、安全性に関する問題が発生する可能性があります。
自己学習（D）：自己学習システムは新しいデータに基づいて適応するため、予期せぬ動作の変化を引き起こす可能性があります。適切に監視および制御されない場合、安全性の問題につながる可能性があります。
参照：
ISTQB CT-AI シラバスのセクション 2.8「安全性と AI」では、AI システムの安全性に影響を与えるさまざまな要因について説明し、安全な運用を維持するための堅牢性の重要性を強調しています。

提供された混同行列から精度、再現率、特異度を計算するには、次の式を使用します。
* 混同マトリックス:
* 実際に腐っている: 45 (真陽性)、8 (偽陽性)
* 実際に新鮮: 5 (偽陰性)、42 (真陰性)
* 正確さ：
* 精度は、総母集団における真の結果（真陽性と真陰性の両方）の割合です。
* 計算式: 精度=TP+TNTP+TN+FP+FN\text{精度} = \frac{TP + TN}{TP + TN + FP + FN}精度=TP+TN+FP+FNTP+TN
* 計算: 精度=45+4245+42+8+5=87100=0.87\text{精度} = \frac{45 + 42}{45 + 42
+ 8 + 5} = \frac{87}{100} = 0.87精度=45+42+8+545+42=10087=0.87
* 再現率（感度）:
* リコールは、実際の陽性結果の合計に対する真陽性結果の割合です。
* 式: 想起率=TPTP+FN\text{想起率} = \frac{TP}{TP + FN}想起率=TP+FNTP
* 計算: 再現率=4545+5=4550=0.9\text{再現率} = \frac{45}{45 + 5} = \frac{45}{50} = 0.9 再現率=45+545=5045=0.9
* 特異性:
* 特異度は、実際の陰性結果の合計に対する真陰性結果の割合です。
* 式: 特異度 = TNTN + FP\text{特異度} = \frac{TN}{TN + FP}特異度 = TN + FPTN
* 計算: 特異度=4242+8=4250=0.84\text{特異度} = \frac{42}{42 + 8} = \frac{42}
{50} = 0.84特異度=42+842=5042=0.84
したがって、精度、再現率、特異度の正しい組み合わせはそれぞれ 0.87、0.9、0.84 です。
参考文献:
ISTQB CT-AI シラバスのセクション 5.1「混同マトリックス」では、精度、再現率、特異度などのさまざまなメトリックを計算するための詳細な式と説明が提供されています。
「ML 機能パフォーマンス メトリクス」(ISTQB CT-AI シラバス、セクション 5)。