データレベルでのバイアス検出は、ISTQB CT-AIシラバスのセクション2.3「データ品質とバイアス」で説明されているように、データ取得および前処理手順をレビューすることで実行されます。サンプルバイアスは、データが歪んでいる場合、または前処理によって意図しない変化が生じた場合に発生します。例えば、フィルタリング、正規化、またはラベル付けの手順によってデータのサブセットに不均衡な影響が生じた場合などです。オプションBはこれを正しく反映しており、レビュー担当者は、前処理手順によってデータセットが変更され、サンプルの歪みが生じているかどうかを識別できます。これは、データパイプラインにおけるバイアス源のレビューに関するシラバスのガイダンスと完全に一致しています。
オプション A は不正解です。アルゴリズムの偏りはデータ収集手順ではなくモデルに由来するからです。
オプション C は、LIME がデータレビューではなくモデル後に適用される説明方法であるため、正しくありません。
オプション D では誤って「アルゴリズムのバイアス」と記載されていますが、前処理はアルゴリズムのバイアスではなくサンプルのバイアスに影響します。
したがって、オプション B は、データ関連のレビュー中にバイアスを検出する方法に関するシラバスの定義に正しく一致しています。

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、バイアスを加えることによって計算されます。
* 式: z=#(wi#ai)+bz = \sum (w_i \cdot a_i) + bz=#(wi#ai)+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、前のレイヤーの活性化値、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、重要なバイアスが失われます。
* 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アクティブ化値が失われます。
* 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、重要な重みが考慮されません。
参考文献:
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)。

モデルとアルゴリズムのハイパーパラメータの設定は、機械学習ワークフローの重要なステップであり、主にチューニングフェーズで行われます。
モデルの評価 (A): この段階では、メトリックを使用してモデルのパフォーマンスを評価しますが、通常はハイパーパラメータの設定は含まれません。
モデルのデプロイ (B): デプロイは、モデルを本番環境に導入し、実際のアプリケーションで使用する段階です。この段階の前に、ハイパーパラメータはすでに設定されている必要があります。
モデルのチューニング (C): これはハイパーパラメータを設定する適切な段階です。チューニングとは、モデルのパフォーマンスを最適化するためにハイパーパラメータを調整することです。
データテスト（D）：データテストでは、モデルのトレーニングとテストに使用されるデータの品質と整合性を確認します。ハイパーパラメータの設定は含まれません。
したがって、モデルとアルゴリズムのハイパーパラメータを設定するための ML ワークフローの最も適切な段階は、C. モデルの調整です。
参照：
ISTQB CT-AI シラバスのセクション 3.2 の ML ワークフローでは、ハイパーパラメータを設定するチューニング フェーズを含む、ML プロセスのさまざまな段階について概説しています。
サンプル試験問題ドキュメントの質問 #31 では、ハイパーパラメータが設定される ML ワークフローの段階について具体的に説明しています。

クラスタリングは、類似したデータポイントをクラスターにグループ化する機械学習手法の一種です。教師なし学習において重要な概念であり、出力クラスに関する事前知識なしにデータ内のパターンやグループ分けを見つけようとするアルゴリズムです。それぞれのオプションを分析してみましょう。
A . クラスタリングは連続量の分類です。
これは誤りです。分類は通常、離散的なカテゴリを対象としますが、クラスタリングは類似したデータポイントをグループ化するものです。連続量の分類は、一般的に回帰と呼ばれます。
B. クラスタリングは教師あり学習です。
これは不正解です。クラスタリングはラベル付きデータに依存しないため、教師なし学習手法です。
C . クラスタリングは出力クラスに関する事前知識なしで実行されます。
正解です。クラスタリングでは、アルゴリズムはクラスに関する事前知識なしにデータポイントをクラスターにグループ化します。そして、データに内在する構造を発見します。
D. クラスタリングを行うには、クラスを知っておく必要があります。
これは誤りです。クラスタリングではクラスに関する事前知識は必要ありません。むしろ、データ自体に基づいてクラスまたはグループを識別し、形成することを目的としています。
したがって、クラスタリングは出力クラスに関する事前の知識なしで実行される教師なし学習手法であるため、正解は C です。

ISTQB CT-AIシラバスには、AIベースのシステムの安全性確保を困難にするいくつかの特性が列挙されています。セクション2.8「安全性とAI」では、安全性の確保を困難にする特性が明確に挙げられています。
複雑性、非決定性、確率的動作、自己学習、透明性の欠如、そして堅牢性の欠如。これらのうち、複雑性は主要な課題です。なぜなら、現代のAIシステム、特にディープラーニングを使用するシステムは、高度に非線形な動作、多数のパラメータ、そして予測困難な複雑な相互作用を備えているからです。
オプション B (複雑性) はシラバスと直接一致しているため正解です。
オプションA（決定論）はAIの振る舞いとは正反対です。AIは多くの場合非決定論的であり、決定論はシステムを安全でないものにするわけではありません。オプションC（解釈可能性）は信頼性と説明可能性に影響を与えますが、シラバスでは透明性の課題として位置付けられており、安全性確保における主要な難点ではありません。オプションD（堅牢性）は望ましい特性であり、安全性確保が難しい理由ではありません。堅牢性の欠如が課題となるのであって、堅牢性そのものではありません。
したがって、複雑さはシラバスの明示的な安全関連の難しさを最もよく反映します。