ISTQB CT-AIシラバスのセクション4.2「AIモデルのテストカバレッジ基準」では、ニューラルネットワークに特化したカバレッジ手法について説明しています。これらの手法の中で、閾値カバレッジは適応可能と明記されており、テスト担当者はニューロンの活性化を考慮するかどうかを決定するために異なる閾値を選択できます。
「カバーされます。」この柔軟性により、モデル アーキテクチャ、問題領域、および必要なテストの徹底度に応じてしきい値カバレッジを調整できます。
オプションAとB（Sign-SignとSign-Changeのカバレッジ）はより厳格な構造基準であり、シラバス内では適応可能とはされていません。これらはニューロン活性化の符号パターンに焦点を当てており、閾値の変更は認められていません。オプションD（ニューロンカバレッジ）は、少なくとも1回活性化したニューロンの割合を測定します。
シンプルですが、適応性の高い基準として定義されていません。その限界は文書化されており、浅い洞察しか提供せず、高いカバレッジを容易に達成してしまいます。
しきい値カバレッジのみで、テスターはアクティベーションしきい値を調整してより精密なカバレッジ測定を行うことができるため、オプション C が適切な選択となります。

ペアワイズテストは、すべての可能な組み合わせではなく、パラメータのペア間の相互作用をテストすることに焦点を当てることで、テストケース数を削減する組み合わせテスト手法です。入力パラメータの組み合わせが非常に多くなる可能性がある自動運転車などのAIベースのシステムで広く使用されています。
* オプション A:「テストするパラメータの数を 12 個未満に減らすことができます。」
* これは誤りです。ペアワイズテストはテストケースの数を大幅に削減しますが、必ずしも12個などの固定数に限定されるわけではありません。最終的なテスト数は、パラメータの数とその取り得る値によって異なります。
* オプション B:「この方法を使用して、優先度の高い欠陥がすべて特定されます。」
* これは誤りです。ペアワイズテストは2つのパラメータ間の相互作用によって生じる欠陥の検出には効果的ですが、3つ以上のパラメータを含むより複雑な相互作用によって生じる欠陥は検出できない可能性があります。
* オプション C:「必要なテストの数は減らせますが、すべてのテストを実行するには自動化が必要になるほどテストのセットが大量にある可能性があります。」
* 正解です。ペアワイズテストによってテストケースの数は削減されますが、自動運転車などのAIベースのシステムでは依然として多数のテストシナリオが存在します。そのため、すべてのテストケースを限られた時間内に実行するには、自動化が必要になることがよくあります。
* オプション D:「この問題には AI が関係しているため、ペアワイズを適用することはできません。また、進化する値によって、検証できない予期しない結果が生じる可能性があります。」
* これは誤りです。ペアワイズテストは、時間の経過とともに進化するシステムも含め、AIベースのシステムに適用できます。ただし、進化する動作を検証するには、追加のテスト手法が必要になる場合があります。
* AI システムのペアワイズ テスト:「ペアワイズ テストは、欠陥検出機能を維持しながらテスト ケースの数を効果的に削減できるため、広く使用されています。」
* 自動化の要件:「実際には、ペアワイズ テストの場合でも、広範なテスト スイートでは自動化が必要になる場合があります」。
回答オプションの分析:ISTQB CT-AIシラバス参照:

クラスタリングは教師なし学習の一種で、事前定義されたラベルを使わずに類似性に基づいてデータポイントをグループ化します。ISTQB CT-AIシラバスによると、クラスタリングは次のようなシナリオで使用されます。
* 目的は、データ内の自然なグループ化を見つけることです。
* データセットにはラベル付けされた出力がありません。
* パターンと構造は自動的に識別される必要があります。
回答の選択肢を分析する:
* A. 買い物客とその買い物傾向を関連付ける # 正解
* 買い物客は、購買行動（高級品を求める買い物客と予算重視の買い物客など）に基づいてグループ化できます。これは、市場セグメンテーションにおける一般的なクラスタリング アプリケーションです。
* B. ひれの種類に基づいて個々の魚をグループ化する #.偽
* ひれの種類にラベルが付けられている場合は、分類問題となり、教師あり学習が必要になります。
* C. パッケージの魅力に基づいてマフィンの購入を分類する #.偽
* 魅力スコアまたはラベルを事前に定義する必要があるため、クラスタリングではなく分類です。
* D. 広告キャンペーン後のキャットフードの予想購入量の推定 # 不正解
* これは予測タスクであり、教師あり学習の一部である回帰モデルに最適です。
したがって、クラスタリングは事前定義されたラベルなしで傾向に基づいて買い物客をグループ化するために使用されるため、オプション A が最適な回答です。
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 3.1.2 (教師なし学習 - クラスタリングと関連付け)
* ISTQB CT-AI シラバス v1.0、セクション 3.3 (ML の形式の選択 - クラスタリング)。

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。
訓練データにおける分布のシフトを検証し、不適切なバイアスの有無を確認する（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 パイプラインでさまざまな種類のバイアスを検出するのに役立つ最も有用なテストは、B です。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します。
参照：
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。

ISTQB CT-AIシラバス（セクション3.2「モデル評価」）では、学習データセット、検証データセット、テストデータセットの正しい使用方法が規定されています。テストデータセットは実際の運用データを代表するものでなければならず、学習データセットと検証データセットと分布が等しく、公平で偏りのない評価を保証する必要があることが強調されています。オプションDはまさにこの要件に合致しています。
選択肢Aはシラバスに矛盾しています。検証セットとテストセットの目的が異なっているためです。検証セットはチューニング用、テストセットは最終評価用です。これらを組み合わせると、結果の信頼性が損なわれます。選択肢Bは誤りです。シラバスでは、データが限られている場合でも、テストセットを省略するのではなく、テストセットを維持するか、クロスバリデーションなどの手法を使用することが推奨されています。選択肢Cは誤りです。均等配分（33/33/33）は推奨されません。通常、トレーニングセットははるかに大きい（例：70～80%）ためです。
したがって、OptionD はシラバスのガイダンスに沿った唯一のステートメントです。