admin | 世界で活躍するQA/Testエンジニアのための転職情報サイト

posted with カエレバ

【ISTQB /JSTQB AI Tester 解説】ISTQB AI Tester｜混同行列（Confusion Matrix）とML性能評価指標を徹底解説

admin — Fri, 30 Jan 2026 04:53:01 +0000

〜Accuracy・Precision・Recall・F1スコアを理解する〜

機械学習（ML）モデルの性能を評価する際、「正解率が高い＝良いモデル」とは限りません。

ISTQB AI Tester認定試験でも重要視されているのが、混同行列（Confusion Matrix）と、そこから導き出される性能評価指標です。

本記事では、

混同行列とは何か
True / False、Positive / Negative の意味
Accuracy・Precision・Recall・F1スコアの計算方法
実務や試験での考え方

を、具体例つきでわかりやすく解説します。

第5章：ML Functional Performance Metrics とは？

ISTQB AI Tester 第5章では、**機械学習モデルの「性能をどう測るか」**がテーマになります。

主なトピックは以下です。

混同行列（Confusion Matrix）
分類・回帰・クラスタリングにおける性能指標
ML性能指標の限界
適切な評価指標の選択
MLテストスイートにおけるベンチマーク設定

今回は、その中でも**最も基礎となる「混同行列」**にフォーカスします。

混同行列（Confusion Matrix）とは？

なぜ「Confusion（混乱）」という名前なのか？

混同行列とは、MLモデルがどこで「勘違い（混乱）」しているかを可視化するための表です。

分類問題では、モデルが常に正しい予測をするとは限りません。

そのズレを整理して示すのが混同行列です。

混同行列の基本構造

混同行列は、以下の 2つの軸 で構成されます。

Predicted（予測結果）：モデルが出した答え
Actual（実際の結果）：正解データ（教師データ）

それぞれに

Positive（肯定）
Negative（否定）

があり、合計 4つの結果 が生まれます。

混同行列の4つの要素

実際 / 予測	Positive（肯定）	Negative（否定）
Positive	True Positive（TP）	False Negative（FN）
Negative	False Positive（FP）	True Negative（TN）

各用語の意味

True Positive（TP）

→ 正しい「陽性」予測（予測も実際もPositive）
False Positive（FP）

→ 誤った「陽性」予測（予測はPositiveだが実際はNegative）
False Negative（FN）

→ 見逃し（予測はNegativeだが実際はPositive）
True Negative（TN）

→ 正しい「陰性」予測（予測も実際もNegative）

👉 FP と FN が多いほど、モデルは混乱していると判断できます。

具体例：スパムメール判定

Positive：スパムメール
Negative：通常メール

状況	判定
スパムをスパムと判定	True Positive
通常メールをスパムと誤判定	False Positive
スパムを見逃す	False Negative
通常メールを正しく判定	True Negative

👉 どのミスが致命的かはユースケース次第です。

混同行列から導かれる主要な性能指標

混同行列を元に、次の指標が計算されます。

Accuracy（正解率）
Precision（適合率）
Recall（再現率）
F1スコア

Accuracy（正解率）

計算式

Accuracy = (TP + TN) / (TP + TN + FP + FN) × 100

意味

全体のうち、どれだけ正しく分類できたか

⚠️ ただし、**データの偏り（不均衡データ）**があると、Accuracyだけでは不十分。

Precision（適合率）

計算式

Precision = TP / (TP + FP) × 100

意味

「Positive」と判定したもののうち、どれだけ本当に正しかったか
誤検知（False Positive）を減らしたい場合に重要

Recall（再現率 / Sensitivity）

計算式

Recall = TP / (TP + FN) × 100

意味

実際にPositiveなものを、どれだけ取りこぼさず検出できたか
見逃し（False Negative）を減らしたい場合に重要

Precision と Recall のトレードオフ

Precision を上げる → 厳しく判定 → 見逃し増加
Recall を上げる → 甘く判定 → 誤検知増加

👉 このバランスを取る指標が F1スコア です。

F1スコア（最重要）

計算式

F1 Score = 2 × (Precision × Recall) / (Precision + Recall)

特徴

Precision と Recall の調和平均
値は 0〜1
- 1に近い → 非常に良いモデル
- 0に近い → 性能が低いモデル

ISTQB試験でのポイント

F1スコアが低い＝モデル改善が必要
Accuracy だけで評価しない理由を説明できることが重要

ISTQB AI Tester視点でのまとめ

混同行列は MLモデルの「混乱」を見える化するツール
FP / FN が多い理由を分析するのがテスト担当者の役割
F1スコアは 分類モデル評価の基本
ユースケースに応じて指標を選択することが重要

👉 **「どの指標を、なぜ使うのか」**を説明できるようにしておきましょう。

posted with カエレバ

posted with カエレバ

【ISTQB /JSTQB AI Tester 解説】ISTQB AI Tester Chapter 4｜サンプル問題で学ぶ「MLデータと開発の落とし穴」

admin — Thu, 29 Jan 2026 04:50:17 +0000

ISTQB AI Tester認定の**Chapter 4（MLとデータ）**は、

「理論を理解しているか」だけでなく、

実務で起こりがちな課題を正しく認識できているかが問われる章です。

この記事では、公式チュートリアル動画で紹介されているサンプル問題3問を使って、

試験で何が問われるのか
なぜその選択肢が正解／不正解なのか
実務ではどういう場面に対応する知識なのか

を、順番に解説します。

問題1：MLソリューション開発・テスト時に起こりやすい課題はどれか？

問題文

次のうち、機械学習（ML）ソリューションの開発およびテストの過程で、起こりやすい課題の例はどれか？

選択肢

A. データ匿名化（Anonymization）には、さまざまなMLアルゴリズムの専門知識が必要である

B. 使用されるデータが非構造化データである

C. 予算の大部分がデータ準備に費やされる

D. モデル学習時にデータパイプラインのスケーラビリティが課題となる

正解

C. 予算の大部分がデータ準備に費やされる

解説

ML開発では、

データ収集
データクレンジング
前処理・整形
ラベリング

といったデータ準備工程に、全体工数の40〜50％以上がかかることが一般的です。

結果として、時間・コストの多くがデータ準備に集中することが大きな課題になります。

他の選択肢が誤りな理由

A：データ匿名化はセキュリティやプライバシーの問題であり、MLアルゴリズム知識は必須ではない
B：画像・音声・自然言語などの非構造化データは、MLでは一般的
D：スケーラビリティは主に「運用・デプロイ時」の課題

問題2：特定のアルゴリズムだけ学習できない理由は？

問題文

あるデータサイエンティストが、「同じ学習データを使っているのに、特定のアルゴリズムではモデルを学習できない」と訴えている。最も可能性が高い原因はどれか？

選択肢

A. データが誤っている

B. データが欠損している

C. データのラベル付けが不適切である

D. データ量が不足している

正解

D. データ量が不足している

解説

ポイントは、

👉 「他のアルゴリズムでは学習できている」 という点です。

データが誤っている／欠損している／ラベルが不適切

→ どのアルゴリズムでも学習に失敗する可能性が高い

一方で、

一部のアルゴリズムだけ失敗する

→ そのアルゴリズムが要求するデータ量が足りない可能性が高い

たとえば、

単純なモデル：少量データでも学習可能
深層学習モデル：大量データが必要

という違いが、試験でも実務でも重要です。

問題3：画像を回転させてデータを増やす手法は何か？

問題文

MLエンジニアが、学習データ不足を補うために、既存のラベル付き画像を回転させて追加の学習データを作成している。このとき使われているアプローチはどれか？

選択肢

A. クラウドソーシング

B. データ拡張（Augmentation）

C. AIベースのラベリング

D. アウトソーシング

正解

B. データ拡張（Augmentation）

解説

**データ拡張（Data Augmentation）**とは、

回転
反転
明るさ変更
ノイズ付加

などを行い、既存データを変形して学習データを増やす手法です。

他の選択肢との違い

A クラウドソーシング：多数の人にラベル付けを依頼する方法
C AIベースのラベリング：AIが自動でラベルを付与する方法
D アウトソーシング：作業自体を外部委託すること

今回の例では、MLエンジニア自身が既存データを加工しているため、

明確に「データ拡張」が正解になります。

Chapter 4 サンプル問題から分かる試験対策ポイント

理論よりも「実務での起こりやすさ」が問われる
「一部だけ動かない」「なぜこの選択肢は違うのか」を論理的に考える
データ準備・データ量・ラベリング・拡張は超重要テーマ

👉 Chapter 4は、現場経験がある人ほど有利な章でもあります。

まとめ

ISTQB AI Tester Chapter 4のサンプル問題は、

データ準備のコスト
アルゴリズムとデータ量の関係
データ拡張の正しい理解

といった、AIテストに必須の実践知識を確認する内容になっています。

単なる暗記ではなく、

「なぜその答えになるのか」を説明できるレベルまで理解しておくと、

本試験でも確実に得点できます。

posted with カエレバ

posted with カエレバ

【ISTQB /JSTQB AI Tester 解説】データ学習におけるデータラベリングとは？

admin — Wed, 28 Jan 2026 04:47:55 +0000

― データラベリング手法・アプローチと誤ラベルのリスク ―

ISTQB AI Tester認定試験のChapter 4では、機械学習（ML）におけるデータの重要性が繰り返し強調されます。

本記事では、その中でも 4.5「教師あり学習におけるデータラベリング（Data Labelling for Supervised Learning）」 をテーマに、

データラベリングとは何か
なぜ教師あり学習に不可欠なのか
代表的なラベリング手法
ラベリングの実施アプローチ
誤ラベル（Mislabelled Data）が生じる原因

を、具体例とともにわかりやすく解説します。

データラベリングとは何か？

**データラベリング（Data Labelling）**とは、

未整理・未分類のデータに「正解となるラベル」を付与する作業のことです。

教師あり学習（Supervised Learning）では、

入力データ（特徴量）＋正解ラベル のセットを使ってモデルを学習させます。

そのため、ラベルのないデータや、曖昧なラベルしかないデータでは、

モデルは「何を正解とすべきか」を理解できません。

ポイント

教師あり学習＝ ラベル付きデータが前提
データラベリングは MLプロジェクト全体の約25%の工数を占めることもある
非常に重要かつコストの高い工程

データラベリングの具体例

① テキストデータのラベリング例

たとえば、商品レビューの感情分析。

「とても満足しています」 → ポジティブ
「二度と買いません」 → ネガティブ

このように、テキストを 意味的なクラス（感情・カテゴリ） に分類します。

極端な例では、

ポジティブレビュー用フォルダ
ネガティブレビュー用フォルダ

に分けるだけでも、シンプルなラベリングになります。

② 画像データのラベリング例（アノテーション）

画像の場合は、単なる分類だけでなく、

**物体の位置を示すラベル付け（アノテーション）**が必要になることがあります。

代表的な手法：

バウンディングボックス（矩形）で物体を囲む
3D物体や不規則な形状に対する高度なアノテーション

例：

自動運転画像で「歩行者」「車」「信号機」を矩形で囲む
製品画像で「欠陥箇所」を指定する

これらの作業は、専用ツールを使って行われるのが一般的です。

データラベリングの主なアプローチ（5種類）

データラベリングには、以下のような実施方法があります。

① 内製（Internal Labelling）

社内の開発者・テスター・専門チームがラベリングを行う方法。

メリット

ドメイン知識が豊富
要件理解が正確

デメリット

コスト・工数が高い
スケールしにくい

② 外注（Outsourced Labelling）

外部の専門企業・スペシャリストにラベリングを依頼。

メリット

大量データを短期間で処理可能
専門ノウハウがある

デメリット

要件定義が不十分だと誤ラベルが増える
コミュニケーションコスト

③ クラウドソーシング（Crowdsourcing）

多数の一般ユーザーにラベリングを依頼。

同じデータを複数人がラベル付け
多数決や合意形成で最終ラベルを決定

メリット

大規模データに向く
コストが比較的低い

デメリット

品質管理が難しい
専門性が低い場合もある

④ AI支援ラベリング（AI-assisted Labelling）

AIツールがラベリングを行い、人間がレビュー・修正する方法。

AIが一次ラベル付け
人が確認・補正（2段階プロセス）

メリット

効率が非常に高い
人的負荷を削減

デメリット

AI自体の誤判定リスク
ツールの品質に依存

⑤ ハイブリッド方式（Hybrid）

上記の 複数手法を組み合わせる方法。

例：

外注＋AI支援
クラウドソーシング＋AI管理ツール

実務では、最もよく使われる現実的なアプローチです。

事前にラベル付けされたデータ（Pre-labeled Data）の活用

場合によっては、すでにラベル付け済みのデータセットを再利用できることもあります。

画像認識の汎用分野
長年研究されてきた一般的タスク

注意点

自分の用途に本当に適合しているか？
バイアスや品質問題はないか？

テスト観点では、「既存データをそのまま信用しない」姿勢が重要です。

誤ラベル（Mislabelled Data）が発生する原因

教師あり学習では、

「ラベルは正しい」という前提でモデルが学習します。

しかし、実際には誤ラベルは避けられません。

主な原因一覧

ランダムエラー

　人間の単純なミス（完全には防げない）
システム的エラー

　誤った指示・不十分なトレーニング
悪意ある誤り

　意図的に間違ったラベルを付けるケース
翻訳エラー

　多言語データ変換時の意味ズレ
主観的判断の違い

　解釈が分かれるタスク（感情・評価など）
ドメイン知識不足

　業務知識がないままラベリング
分類が複雑すぎる

　境界が曖昧なクラス設計
ラベリングツールの欠陥

　ツール自体のバグや仕様問題
AIによる確率的誤り

　AI支援ラベリングの限界

テスト観点での重要ポイント（試験対策）

ISTQB AI Testerでは、以下の理解が重要です。

データラベリングは 品質リスクの源泉
誤ラベルは モデル性能低下・バイアス・安全性問題につながる
テスターは
- ラベル品質
- プロセス
- ツール
- 人的要因
  
  を横断的に確認する役割を持つ

まとめ

データラベリングは教師あり学習の根幹
工数が大きく、品質リスクも高い
多様なラベリング手法・アプローチが存在する
誤ラベルは必ず発生する前提で対策することが重要

AIテストでは、「モデル」ではなく「データ」こそが最大のテスト対象になることを忘れてはいけません。

posted with カエレバ

posted with カエレバ

【ISTQB /JSTQB AI Tester 解説】ISTQB AI Tester解説｜データ品質がMLモデルに与える影響とは？

admin — Tue, 27 Jan 2026 04:45:26 +0000

機械学習（ML）モデルの性能は、アルゴリズムよりもデータの質に大きく依存する

——これは、ISTQB AI Testerシラバスでも繰り返し強調されている重要ポイントです。

本記事では、**ISTQB AI Tester Chapter 4.4「Data Quality and its Effect on ML Model」**の内容をもとに、

データ品質が悪いと何が起きるのか
その影響はどのように分類できるのか
実務・試験対策として何を意識すべきか

を、具体例つきで解説します。

なぜデータ品質がMLモデルの品質を左右するのか？

MLモデルは、人間で言えば「学習者」、データは「教材」です。

もし、

教材が間違っている
情報が不足している
偏った内容しか書かれていない

としたら、どれほど優秀な学習者でも正しい判断はできません。

たとえ話：授業の質と成績の関係

教師が曖昧な説明しかしない
重要な論点を教えない
古い内容しか扱わない

このような授業を受けた学生に「良い成績を取れ」と言うのは無理がありますよね。

👉 MLモデルもまったく同じで、

「質の悪いデータ → 質の悪いモデル・予測」

という結果になります。

データ品質問題が引き起こす3つの影響カテゴリ

ISTQB AI Testerでは、データ品質問題の“影響”を次の3カテゴリに分類しています。

① 精度の低下（Reduced Accuracy）

原因となるデータの特徴

以下のようなデータが原因で、モデルの予測精度が低下します。

誤ったデータ（wrong）
不完全なデータ（incomplete）
ラベル付けミス（mislabeled）
データ量不足（insufficient）
古いデータ（obsolete）
無関係なデータ（irrelevant）
前処理されていないデータ（not pre-processed）

※これらは、前章「データ品質問題（4.3）」で詳しく解説されています。

具体例：住宅価格予測モデル

ケース

住宅価格を予測するMLモデルを構築
学習データに「サンルーム付き戸建て住宅」のデータがほとんど含まれていない

結果

サンルーム付き戸建ての価格予測が大きく外れる

👉

マンションのデータばかりで

戸建て（しかも特殊条件付き）を予測するのは無理、ということです。

② バイアスのあるモデル（Biased Model）

原因となるデータの特徴

データが不完全
データ分布が偏っている（unbalanced）
公平性がない（unfair）
多様性がない（lacking diversity）
重複データが多い（duplicated）

具体例：医療AIの疾病予測

ケース

ある病気の予測モデルを構築
学習データが「特定の性別」からしか収集されていない

結果

他の性別に対する予測精度が著しく低下
不公平・危険な判断につながる可能性

⚠️

「その性別だけに使う」前提なら問題ありませんが、

一般用途のAIとしては致命的なバイアスになります。

③ モデルの侵害・危殆化（Compromised Model）

原因となるデータの特徴

プライバシー配慮不足
セキュリティ制約違反
個人情報を含むデータ管理の不備

具体例：個人情報漏洩リスク

ケース

個人情報を含むデータで学習したモデル
適切な匿名化・制御がされていない

結果

モデルを解析（リバースエンジニアリング）される
個人情報が推測・漏洩する可能性

👉

このようなモデルは

**「Compromised Model（侵害されたモデル）」**と分類されます。

まとめ｜ISTQB AI Tester試験・実務での重要ポイント

データ品質問題は、次の3つの影響に整理できることが重要です。

カテゴリ	主な影響
精度の低下	予測が当たらない
バイアスモデル	不公平・偏った判断
侵害モデル	セキュリティ・プライバシー問題

ISTQB AI Testerでは、

「どの品質問題が、どの影響カテゴリに属するか」
「その結果、何が起きるか」

を分類思考で説明できるかが問われます。

👉

単なる用語暗記ではなく、

原因 → 影響 → リスク

の流れで理解しておくことが、試験対策・実務の両方で非常に重要です。

posted with カエレバ

posted with カエレバ

【ISTQB /JSTQB AI Tester 解説】ISTQB AI Tester｜データセットの品質問題（Dataset Quality Issues）をわかりやすく解説

admin — Sun, 25 Jan 2026 05:02:05 +0000

はじめに

ISTQB AI Tester Certification のシラバス第4章では、

**機械学習（ML）モデルの学習に使われる「データセットの品質」**が、AIシステムの性能や信頼性を大きく左右することが説明されています。

本記事では、**Chapter 4.3「Dataset Quality Issues（データ品質の問題）」**について、

AIテスト初心者でも理解できるように整理・解説します。

なぜデータ品質が重要なのか？

機械学習モデルは、

「与えられたデータからしか学べない」

という大前提があります。

そのため、

データが間違っている
不足している
偏っている

といった問題があると、どれほど高度なアルゴリズムでも誤った結果を出してしまいます。

データセットにおける代表的な品質問題一覧

以下は、MLモデルの学習用データでよく発生する代表的な品質問題です。

① 間違ったデータ（Wrong Data）

内容

センサーの故障による誤検知
手入力ミス（タイポ、コピペミス）
データ収集時の設定ミス

具体例

速度センサーが故障し「0km/h」を常に記録
年齢欄に「222歳」と入力されている

👉 正しくないデータは、モデルに誤った学習をさせる原因になります。

② 不完全なデータ（Incomplete Data）

内容

一部の項目が空欄
特定期間のデータが欠落

原因例

ハードウェア障害
人為的ミス
セキュリティ・プライバシー制限

具体例

センサー停止中のログ欠落
個人情報保護のため年齢・性別が取得不可

③ 誤ったラベル付け（Mislabeled Data）

内容

教師あり学習では、正しいラベル付けが必須です。

具体例

「犬」の画像に「猫」とラベル付け
正解クラスの取り違え

👉 誤ラベルは、モデルの判断基準そのものを壊します。

④ データ量が不足している（Insufficient Data）

内容

パターン認識に必要なデータ量が足りない

重要ポイント

必要なデータ量は MLアルゴリズムごとに異なる
一律の「正解データ数」は存在しない

具体例

顔認識で数十枚しか画像がない
例外ケースのデータが極端に少ない

⑤ 前処理されていないデータ（Data Not Pre-Processed）

内容

ノイズ除去がされていない
フォーマットが不統一
外れ値（Outlier）が残っている

具体例

日付形式が YYYY/MM/DD と DD-MM-YYYY 混在
明らかに異常な数値が未処理

⑥ 古いデータ（Obsolete Data）

内容

現在の状況を反映していないデータ

具体例

数年前の金融データで現在の市場を予測
旧仕様製品のログで最新モデルを学習

👉 古いデータは「正確そうに見える誤答」を生みやすい点が危険です。

⑦ 不均衡なデータ（Unbalanced Data）

内容

特定の属性に偏ったデータ構成

原因例

性別・人種・年齢の偏り
センサー設置位置の問題
データ提供者の事情

具体例

顔認識で特定人種のデータが極端に少ない
天井設置カメラで背の高い人ばかり認識

⑧ 不公平なデータ（Unfair Data）

内容

社会的・倫理的観点で「公平」とは言えないデータ

ポイント

「公平」と「均衡」は同義ではない
多様性配慮で意図的なバイアスを持つ場合もある

具体例

マイノリティ支援目的で特定グループを多めに含めたデータ

👉 公平性は主観的であり、目的に応じた判断が必要です。

⑨ 重複データ（Duplicate Data）

内容

同一データが複数回含まれている

影響

モデルが特定データを過大評価

具体例

同じ画像が100回含まれている

⑩ 無関係なデータ（Irrelevant Data）

内容

問題解決に関係ないデータ

具体例

犬識別モデルに猫の画像を大量投入

👉 精度低下だけでなく、計算資源の無駄にもなります。

⑪ プライバシー問題（Privacy Issues）

内容

個人情報・機密情報の取り扱い

具体例

EU圏では GDPR に準拠する必要あり
個人識別情報（PII）の不適切な使用

⑫ セキュリティ問題（Security Issues）

内容

意図的に混入された不正データ

具体例

学習データへの攻撃（データポイズニング）
誤誘導を狙ったラベル操作

まとめ｜AIテスターが意識すべきポイント

AIモデルの品質は データ品質に直結
テストでは「モデル」だけでなく「データ」も評価対象
すべての問題を事前に洗い出すことは困難
気づいた品質問題を早期に共有・改善する姿勢が重要

posted with カエレバ

posted with カエレバ

【ISTQB /JSTQB AI Tester 解説】MLモデルにおける学習・検証・テストデータセットをわかりやすく解説

admin — Sat, 24 Jan 2026 04:55:21 +0000

はじめに

**ISTQB AI Tester 認定（Chapter 4）**では、

機械学習（ML）モデルを支える「データ」の扱いが非常に重要なテーマとして扱われています。

本記事では、

学習データ（Training Data）
検証データ（Validation Data）
テストデータ（Test Data）

という 3つのデータセットの役割・使い分け・分割比率を、

テスト観点・具体例を交えながらわかりやすく解説します。

MLモデル開発に必要な3つのデータセットとは？

① 学習データセット（Training Data Set）

役割

MLモデルが「パターン」や「ルール」を学習するためのデータ
モデルの重みやパラメータを直接更新するために使用される

具体例

画像認識：ラベル付き画像（犬／猫など）
自然言語処理：文章＋正解ラベル
自動運転：センサー情報＋正解操作データ

👉 最も多くの割合を占めるデータセットです。

② 検証データセット（Validation Data Set）

役割

学習途中のモデル性能を評価する
ハイパーパラメータ調整（チューニング）に使用
過学習（Overfitting）を防ぐために重要

ポイント

学習には使わない
しかし「モデル改善」には利用する

👉 テストデータとは明確に役割が異なる点が試験でよく問われます。

③ テストデータセット（Test Data Set / Hold-out Data）

役割

最終的なモデル品質を評価するためのデータ
学習・検証では一切使用しない

重要な考え方

テストデータは「完全に未知のデータ」でなければならない

これにより、

実運用時の性能を正しく評価できる
評価結果の信頼性が確保される

👉 テストデータを学習に使ってはいけない理由は、ISTQB試験の頻出ポイントです。

データ分割はなぜ必要なのか？

MLモデルでは、

同じデータで学習と評価を行うと、正しい性能評価ができません。

そのため、

学習用
改善・調整用
最終評価用

という 役割分担されたデータ分割が必要になります。

一般的なデータ分割比率（ガイドライン）

ISTQBシラバスでも示されているように、

絶対的な正解の比率は存在しません。

よく使われる例

学習	検証	テスト
60%	20%	20%
80%	10%	10%

考え方のポイント

学習データは多いほど良い
検証・テストは「代表性」が重要
データ量・アルゴリズム・計算資源によって調整する

データ分割は基本的に「ランダム」

通常、データは ランダムに分割されます。

ただし以下の場合は注意が必要です：

データ量が極端に少ない
実運用データを代表しない偏りが生じる恐れがある

👉 テストエンジニアとしては

「分割後のデータが現実を反映しているか？」

という視点が重要になります。

データが少ない場合の対処方法（重要）

問題点

学習・検証・テストに分けると、

学習データが不足し、モデル性能が出ない

解決策（ISTQBで重要）

学習データ＋検証データを統合
テストデータは必ず別で保持
学習／検証部分を複数パターンで分割して繰り返し評価

（いわゆる クロスバリデーション的アプローチ）

例

80%を学習＋検証として使用
20%をテスト専用として保持
学習80%の中で、さらにランダム分割を繰り返す

👉 複数回の結果を平均化し、モデル性能を評価する

テストエンジニア視点での重要ポイントまとめ

テストデータは 絶対に学習に使わない
検証データとテストデータの役割を混同しない
データ分割比率に「正解」はない
データ量が少ない場合の工夫が問われる
品質評価の信頼性確保が最大の目的

まとめ

MLモデルの品質は、

アルゴリズム以上に「データの扱い方」で決まると言っても過言ではありません。

ISTQB AI Tester では、

技術者として
テスト担当として

**「なぜそのデータ分割が必要なのか」**を

論理的に説明できる理解が求められます。

posted with カエレバ

posted with カエレバ

ISTQB AI Tester | Data Preparation (Part-2) | Feature Engineering | Challenges in Data Preparation

【ISTQB /JSTQB AI Tester 解説】ISTQB AI Tester｜データ準備（Part 2）完全解説

admin — Fri, 23 Jan 2026 04:52:24 +0000

特徴量エンジニアリングとデータ準備の課題

本記事では、

の内容をもとに、機械学習（ML）におけるデータ準備の後半を詳しく解説します。

前回（Part 1）では、

データ取得（Data Acquisition）
データ前処理（Data Pre-processing）

について学びました。

今回はその続きとして、**特徴量エンジニアリング（Feature Engineering）**と、

**データ準備における代表的な課題（Challenges）**を扱います。

データ準備はMLワークフローの要（かなめ）

機械学習モデルの性能は、

アルゴリズムよりもデータの質で決まると言われるほどです。

どれだけ優れたモデルを使っても、

不要な情報が多い
ノイズだらけ
偏ったデータ

では、正しい予測はできません。

そのため、データ準備はMLワークフローの中核工程になります。

特徴量エンジニアリング（Feature Engineering）とは？

特徴量（Feature）とは何か？

特徴量とは、

👉 データに含まれる「属性」や「性質」のことです。

例：

犬の画像認識
- 耳の形
- 体の輪郭
- 毛色
自動運転
- 車速
- 距離
- 周囲物体の位置

この特徴量をどう扱うかが、モデル性能を大きく左右します。

特徴量エンジニアリングの2つの要素

特徴量エンジニアリングは、次の2つに分かれます。

特徴量選択（Feature Selection）
特徴量抽出（Feature Extraction）

特徴量選択（Feature Selection）

特徴量選択とは？

特徴量選択とは、

👉 モデル学習や予測に本当に役立つ特徴量だけを選び出す作業です。

逆に言えば、

役に立たない情報
予測を混乱させる情報

を意図的に除外します。

これら不要な情報は、一般に ノイズ（Noise） と呼ばれます。

特徴量選択のメリット

特徴量選択を行うことで、以下の効果があります。

学習時間の短縮
過学習（Overfitting）の防止
予測精度の向上
モデルの汎化性能向上

具体例：犬の画像認識モデル

犬を認識するMLモデルを考えてみましょう。

ピンボケした画像
極端な角度から撮影された画像
不要な背景情報

これらは、犬の識別に本質的ではありません。

むしろ、

「犬とは何か」を学習する際に混乱を招く情報になります。

👉 そのため、

本当に必要な特徴量だけを残し、不要なものを削除するのが特徴量選択です。

特徴量抽出（Feature Extraction）

特徴量抽出とは？

特徴量抽出とは、

👉 既存の特徴量から、より情報量の多い・重複しない特徴量を作り出すことです。

結果として、

データサイズが小さくなる
同等の精度を、より低コストで実現

できます。

特徴量選択との違い

観点	特徴量選択	特徴量抽出
目的	不要な特徴量を削除	新しい有用な特徴量を生成
アプローチ	フィルタリング	変換・圧縮
効果	ノイズ削減	情報密度向上

EDA（探索的データ分析）も並行して実施

EDA（Exploratory Data Analysis）とは？

EDAとは、

👉 データの傾向や特徴を可視化・分析する作業です。

具体的には、

データ分布の確認
異常値の検出
相関関係の把握
グラフやチャートによる可視化

などを行います。

なぜEDAが重要なのか？

EDAを行うことで、

どの特徴量が重要か
ノイズはどこにあるか
データの偏りはないか

を事前に把握できます。

結果として、

より精度の高いデータ準備につながります。

データ準備における主な課題（Challenges）

データ準備は重要ですが、同時に多くの課題も存在します。

① ドメイン知識の必要性

アプリケーション分野（自動車、金融、医療など）
データの性質
適切な前処理・特徴量設計手法

これらを理解していないと、

正しいデータ準備はできません。

例：

自動運転（Automotive）
ギャンブル・金融系AI

では、求められるデータの扱い方が全く異なります。

② 高品質データの入手が困難

AI・MLはまだ発展途上分野です。

十分な量のデータがない
複数ソースから集める必要がある
品質がバラバラ

といった問題が頻発します。

③ データパイプライン自動化の難しさ

リアルタイムデータ収集
スケーラビリティ確保
パフォーマンス維持

これらを同時に満たす

本番用データパイプライン構築は非常に難易度が高いです。

④ コストが高い

データ準備は、

人手
計算資源
ストレージ

が大量に必要です。

AIシステムは、

従来のソフトウェアよりもコストがかかる点が大きな課題です。

⑤ データ準備工程での欠陥見逃し

前処理ミス
欠損値の扱いミス
不正データの混入

これらを見逃すと、

誤ったデータがそのままモデルに投入されます。

結果として、

モデル全体の信頼性が低下します。

⑥ サンプルバイアスの混入

特定条件のデータが多すぎる
偏ったサンプル構成

これはAI品質問題として非常に重要です。

⑦ 欠陥分類（タクソノミー）が未成熟

従来ソフトウェアでは、

欠陥分類表（Defect Taxonomy）

が確立されています。

しかし、MLモデルでは、

典型的欠陥パターンが未整理
何が「不具合」か判断が難しい

という課題があります。

まとめ｜AI Testerとして押さえるべきポイント

データ準備はML品質の基盤
特徴量選択と特徴量抽出の違いを理解する
EDAは必須作業
データ準備には多くの技術的・組織的課題がある

ISTQB AI Tester試験では、

「なぜそれが課題なのか」まで理解しているかが問われます。

posted with カエレバ

posted with カエレバ

【ISTQB /JSTQB AI Tester 解説】ISTQB AI Tester｜MLモデルのためのデータ準備（Part1）

admin — Thu, 22 Jan 2026 04:51:42 +0000

〜データ取得（Data Acquisition）とデータ前処理（Data Pre-processing）を徹底解説〜

はじめに：なぜ「データ準備」が最重要なのか？

ISTQB AI Tester認定の**Chapter 4（MLとデータ）**では、

「データがAIの品質を決定する」という考え方が中心テーマになります。

機械学習（ML）モデルは、

どんなデータを使うか
どのように整形・加工するか

によって、精度・安全性・信頼性が大きく左右されます。

実際、ML開発全体のうち 約43%の工数がデータ準備に費やされる と言われており、

モデル構築（約17%）よりもはるかに重い工程です。

本記事では、

4.1 データ準備（Data Preparation）Part1 として、

以下の2点を重点的に解説します。

データ取得（Data Acquisition）
データ前処理（Data Pre-processing）

Chapter 4 全体構成のおさらい

Chapter 4 では、次の内容を扱います。

4.1 MLワークフローにおけるデータ準備
4.2 学習・検証・テストデータセット
4.3 データセットの品質問題
4.4 データ品質がMLモデルに与える影響
4.5 教師あり学習におけるデータラベリング

本記事は 4.1（Part1） にフォーカスします。

1. データ準備（Data Preparation）とは？

データ準備とは、

MLモデルを学習させるために、適切なデータを集め・整え・使える形にすることです。

もし、

不適切なデータ
偏ったデータ
ノイズだらけのデータ

を使ってしまうと、

MLモデルは 誤った予測・不安定な挙動・低精度 を示します。

そのため、データ準備は

MLワークフローの成功を左右する最重要ステップなのです。

2. データ準備の主な構成要素

データ準備は、主に以下の3つで構成されます。

データ取得（Data Acquisition）
データ前処理（Data Pre-processing）
特徴量エンジニアリング（Feature Engineering）

本記事では ①② を扱います。

3. データ取得（Data Acquisition）

データ取得は、さらに 3つのフェーズ に分かれます。

3.1 データの特定（Identification）

最初に行うのは、

「何のデータが必要か」を明確にすることです。

例：自動運転システムの場合

必要なデータとして、次のようなものが特定されます。

カメラ映像（動画・画像）
レーダーデータ
LiDAR（Laser Imaging Detection and Ranging）データ

👉 目的（何を学習させたいか）から逆算してデータを決めることが重要です。

3.2 データの収集（Gathering）

次に、特定したデータを どこから・どのように集めるか を決めます。

社内データ（ログ、センサーデータ）
公開データセット
標準機関・公的機関のデータ
- 例：IMF（国際通貨基金）の金融データ

ポイントは、

信頼できるデータソースか
継続的に取得できるか

という観点です。

3.3 データのラベリング（Labeling）

ラベリングは、教師あり学習において不可欠です。

画像 → 「猫」「犬」
メール → 「スパム」「非スパム」

※ 詳細は 4.5 データラベリング で解説されるため、

ここでは概要理解でOKです。

3.4 データの形式（データタイプ）

取得されるデータは、次のように多様です。

数値データ
カテゴリデータ
画像
テキスト
時系列データ
センサーデータ
地理空間データ
動画・音声

👉 AIシステムの目的によって、最適なデータ形式は異なります。

4. データ前処理（Data Pre-processing）

現実のデータは、

そのままではMLモデルに使えないことがほとんどです。

そのため、次のような前処理が必要になります。

4.1 データクリーニング（Cleaning）

主な作業内容：

不正確なデータの除去・修正
重複データの削除
外れ値（Outliers）の処理
欠損値の補完（Imputation）
- 平均値（Mean）
- 中央値（Median）
- 最頻値（Mode）

また、

個人情報（PII）は 匿名化・マスキング
GDPR等の法規制への配慮も必須

👉 テスト観点としても非常に重要なポイントです。

4.2 データ変換（Transformation）

データの形式を MLモデルが扱いやすい形に変換します。

例：

住所文字列 → 郵便番号 / 市区町村 / 番地に分割
カテゴリデータ → 数値データ
画像形式変換（JPEG → PNG）
不要なフィールドの削除

数値データの代表的手法

スケーリング
標準化（平均0、標準偏差1）
正規化（0〜1に変換）

4.3 データ拡張（Augmentation）

データ数を人工的に増やす手法です。

例：画像認識

回転
拡大・縮小
明るさ変更
角度変更

これにより、

モデルの汎化性能向上
敵対的攻撃（Adversarial Attack）への耐性向上

が期待できます。

4.4 サンプリング（Sampling）

全データを使わず、

代表的な一部データを選択します。

目的：

学習コスト削減
学習時間短縮

例：

500枚の画像 → 100枚を抽出
まず少量で学習 → 精度確認 → 追加学習

👉 反復的（イテレーティブ）な学習が重要です。

まとめ：試験対策としての重要ポイント

データ準備は MLワークフロー最大の工数
データ取得は

特定 → 収集 → ラベリング
データ前処理は

Cleaning / Transformation / Augmentation / Sampling
品質の悪いデータは、必ず品質の悪いAIを生む

ISTQB AI Testerでは、

「なぜその処理が必要なのか」

という 理由説明型の問題 が出やすい点も要注意です。

posted with カエレバ

posted with カエレバ

【ISTQB /JSTQB AI Tester 解説】Chapter 3 サンプル問題解説｜機械学習の基本を確実に押さえる

admin — Wed, 21 Jan 2026 04:25:17 +0000

ISTQB AI Tester認定試験の**Chapter 3（Machine Learning）**では、

機械学習の基本概念を「定義レベルで正しく理解しているか」が問われます。

今回は公式チュートリアル動画に基づき、

実際の試験形式に近いサンプル問題3問を使って、

✔ 問題文の読み方

✔ 選択肢の見極め方

✔ ありがちなひっかけポイント

を丁寧に解説していきます。

問題1：教師あり学習における分類（Classification）と回帰（Regression）

問題文

次のうち、教師あり学習（Supervised Learning）における「分類」と「回帰」を最も適切に説明しているものはどれか。

選択肢

A. 回帰とは、同じテストデータを実行したときに、MLモデルの結果が変わらないことを確認することである

B. 分類とは、ラベル付きデータを複数のクラスにグループ化することである

C. 分類とは、MLモデルを学習させるためにデータにラベルを付与することである

D. 回帰とは、MLモデルが出力するクラス数を予測することである

正解

✅ B. 分類とは、ラベル付きデータを複数のクラスにグループ化することである

解説

この問題の最大のポイントは、**問題文にある「best（最も適切）」**という言葉です。

試験では「一部正しい」選択肢ではなく、定義として完全に正しいものを選ぶ必要があります。

A：これは「回帰（Regression）」ではなく、ソフトウェアテストにおける「リグレッションテスト」の説明
B：分類の正確な定義。教師あり学習では正解
C：ラベル付けは「前処理作業」であり、分類そのものではない
D：回帰は「数値を予測する」ものであり、クラス数の予測ではない

👉 用語の定義を正確に覚えているかが問われる典型問題です。

問題2：強化学習（Reinforcement Learning）の具体例

問題文

次のうち、強化学習（Reinforcement Learning）の例として最も適切なものはどれか。

選択肢

A. モバイルゲームアプリが、プレイヤーの課金額に応じてフィードバックのタイミングや選択肢を変更する

B. 翻訳アプリが、インターネット上の多言語テキストを検索して翻訳精度を向上させる

C. 工場の品質検査システムが、人間の検査員を監視して不良品を識別する

D. 欠陥予測システムが、過去の品質指標を使って不具合が多そうな部品を特定する

正解

✅ A. モバイルゲームアプリが、プレイヤーの課金額に応じて挙動を変える

解説

強化学習の本質は次の3点です。

環境との相互作用
行動に対する報酬（Reward）
報酬を最大化するように振る舞いを変える

各選択肢の判断ポイント

A：

課金額＝報酬

行動（UI変更）＝報酬最大化

👉 強化学習の典型例
B：

正解データをもとに学習 → 教師あり学習
C：

人間が正解（ゴールドスタンダード） → 教師あり学習
D：

過去データに基づく予測 → 教師あり学習

👉 **「報酬関数があるかどうか」**を必ず確認しましょう。

問題3：過学習（Overfitting）の原因

問題文

学習済みMLモデルをテストしたところ、検証データでは高い精度を示したが、独立したテストデータでは性能が著しく低下した。

この状況の最も可能性の高い原因はどれか。

選択肢

A. アンダーフィッティング（Underfitting）

B. コンセプトドリフト（Concept Drift）

C. オーバーフィッティング（Overfitting）

D. 受入基準の不備

正解

✅ C. オーバーフィッティング（Overfitting）

解説

これは試験でも頻出の超重要パターンです。

検証データでは良い
未知データでは悪い

👉 これは典型的な 過学習（Overfitting）

他の選択肢が違う理由

A：学習不足なら、検証データでも精度は低い
B：学習後に環境が変化する現象。今回は該当しない
D：要件の問題であり、データ依存の精度差とは関係しにくい

試験対策のポイントまとめ

「best」「most appropriate」という表現に注意
正解だけでなく不正解の理由を説明できるようにする
用語定義（分類・回帰・強化学習・過学習）は暗記レベルで

ISTQB AI Testerでは、

曖昧な理解は必ずひっかけられます。

まとめ

Chapter 3のサンプル問題は、

「機械学習をなんとなく知っている人」と

「定義を正確に理解している人」をはっきり分ける内容です。

✔ 用語を正確に

✔ 具体例とセットで

✔ なぜ違うのかを説明できる

この3点を意識して学習すれば、確実に得点源になります。

posted with カエレバ

posted with カエレバ