ISTQB AI Tester認定試験の**Chapter 2（AIベースシステムの品質特性）**は、

概念理解だけでなく「どの品質特性を問われているか」を正確に見抜く力が重要です。

この記事では、Chapter 2の代表的なサンプル問題3問を取り上げ、

✔ 設問の意図

✔ 各選択肢の判断ポイント

✔ なぜそれが正解／不正解なのか

を、試験対策向けにわかりやすく解説します。

問題1：AIシステムにおける「自律性（Autonomy）」

設問

次のうち、AIベースシステムにおける「自律性（Autonomy）」の要求を最もよく表しているものはどれか。

選択肢

A.

システムは、ドライバーがブレーキまたはアクセルを操作するまで、他の車両との安全な距離を維持しなければならない。

B.

システムは、メール通信を遠隔監視することで、好ましいメール返信スタイルを学習しなければならない。

C.

システムは、住宅価格の予測結果と実際の販売価格を比較し、再学習が必要かどうかを判断しなければならない。

D.

システムは、異なるタイプのユーザーに対応するため、その振る舞いを1日以内に変更できなければならない。

正解

✅ A

解説

**自律性（Autonomy）**とは、

👉 人間の介入なしに、AIシステムが自ら判断し行動する能力 を指します。

• A：

  人間の操作がなくても、センサー情報を基に「安全距離を維持する」という判断を行っている

  → 自律的な意思決定を明確に表している

• B：

  学習（Learning）に関する要求であり、自律的な「判断・行動」そのものではない

• C：

  再学習やコンセプトドリフトへの対応に関する要求

• D：

  適応性（Adaptability）に関する要求

👉 **「人の操作がなくても判断するか？」**が、自律性を見抜く最大のポイントです。

問題2：AIベースシステムにおける「バイアス」

設問

次のうち、AIベースシステムのバイアスに関する説明として「正しくないもの」はどれか。

選択肢

A.

書籍推薦システムにおいて、ユーザーが意図的に偏った選択をすることで、システムが不適切な推薦を行う可能性がある。

B.

従業員の死亡年齢予測システムにおいて、退職者のみのデータを用いて学習を行うことで、バイアスが生じる可能性がある。

C.

クレジット審査システムにおいて、クレジットカード利用者のみのデータを学習に使用することで、バイアスが生じる可能性がある。

D.

ナビゲーションシステムにおいて、一般ユーザーには理解できないほど複雑な経路探索アルゴリズムを使用することで、バイアスが生じる。

正解

❌ D

解説

**バイアス（Bias）**とは、

👉 期待される結果と実際の結果との体系的な偏り のことです。

• A / B / C：

  いずれも

  • 偏ったデータ

  • 限定された母集団

    による 典型的なバイアスの例

• D：

  これは 説明可能性（Explainability）の問題

  👉 アルゴリズムが複雑＝バイアス ではない

📌 「データの偏りか？ それとも説明できないだけか？」

この切り分けが試験で非常に重要です。

問題3：リワードハッキング（Reward Hacking）

設問

次のうち、リワードハッキングの例として最も適切なものはどれか。

選択肢

A.

プログラミング支援ツールが、機能要件を満たしつつ応答時間を短縮するよう最適化している。

B.

手術中に患者を安定させることを目的とした麻酔供給装置が、患者を覚醒させないために過剰な麻酔を投与し続ける。

C.

外部開発会社が、AIプログラマーに対して記述したコード行数に応じて報酬を支払っている。

D.

人間と対戦するゲームAIが、常に最高得点を狙うよう設計されている。

正解

✅ B

解説

リワードハッキングとは、

👉 設定された目標（報酬）を最大化するために、意図しない手段で振る舞うこと です。

• B：

  「患者を安定させる」という報酬を最大化するため、

  本来考慮すべき「覚醒」という別の重要要素を無視

  → 典型的なリワードハッキング

• A：

  正当な最適化であり、不正な振る舞いではない

• C：

  人事評価の問題であり、AIの行動とは無関係

• D：

  単に報酬関数に従って行動しているだけで、ハッキングではない

📌 「目標を達成しているが、結果としておかしな行動になっていないか？」

これが判断基準です。

まとめ｜Chapter 2攻略のコツ

Chapter 2は**用語の暗記ではなく「シナリオ理解」**が問われます。

今回のような設問形式で練習すると、本試験でも迷いにくくなります。

ソフトウェアテスト技法練習帳　～知識を経験に変える40問～ [ 梅津正洋、竹内亜未、伊藤由貴、浦山さつき、佐々木千絵美、高橋理、武田春恵、根本紀之、藤沢耕助、真鍋俊之、山岡悠、吉田直史［著］ ]

posted with カエレバ

楽天市場

Amazon

ソフトウェアテスト技法ドリル【第2版】 テスト設計の考え方と実際 [ 秋山 浩一 ]

posted with カエレバ

楽天市場

Amazon

しかし、AIが「なぜその判断をしたのか分からない」状態で使われることは、大きなリスクを伴います。

そこでISTQB AI Testerでは、

AIベースシステムに求められる品質特性として、次のテーマを重視しています。

• 透明性（Transparency）

• 解釈性（Interpretability）

• 説明可能性（Explainability）

• 安全性（Safety）

本記事では、これらの概念を初心者にも分かるように解説します。

AIに「透明性・解釈性・説明可能性」が求められる理由

AIベースシステムは、次のような分野で使われることが多くなっています。

• 医療（診断支援、治療方針の提案）

• 金融（与信判断、不正検知）

• 自動車（ADAS、自動運転）

• 音声アシスタント（Siri、Alexa、Google Assistant）

これらの分野では、

**「AIを信頼できるかどうか」**が極めて重要です。

その信頼を支えるのが、

透明性・解釈性・説明可能性という3つの考え方です。

ブラックボックス化するAIの問題点

多くのAIシステムは、ユーザーから見るとブラックボックスです。

例えば：

• Siriがなぜその回答を出したのか分からない

• レコメンド結果の根拠が示されない

• 開発者自身も内部挙動を完全に説明できない

このような状態では、

• 判断ミスが起きても原因が追えない

• バイアス（偏り）が潜んでいても気づけない

• 規制当局や利用者が納得できない

といった問題が発生します。

Explainable AI（XAI：説明可能なAI）とは？

この課題を解決する考え方が、

**Explainable AI（XAI：説明可能なAI）**です。

XAIの目的は、

AIがどのように結論に至ったのかを

人間が理解できる形で説明できるようにすること

これにより、以下の効果が期待できます。

説明可能なAIが求められる主な理由（Royal Societyの整理）

説明可能なAIが重要とされる理由には、次のようなものがあります。

① ユーザーの信頼を高める

判断の根拠が分かれば、AIを安心して使えます。

② バイアス（偏り）の検出・防止

性別・人種・年齢などに対する不公平な判断を見つけやすくなります。

③ 規制・法令への対応

規制当局がシステムの妥当性を評価できるようになります。

④ システム設計の改善

内部挙動が分かれば、モデルやデータの改善が可能です。

⑤ リスク・脆弱性の評価

誤動作や想定外の挙動を事前に把握できます。

⑥ 社会的価値との整合

宗教・思想・倫理に配慮したAI設計が可能になります。

3つの重要概念の違い【試験対策として重要】

ISTQBでは、次の3つを明確に区別して理解する必要があります。

① 透明性（Transparency）

モデルやアルゴリズム、学習データがどのように使われているかが分かること

例：

• どのデータで学習したのか

• どんなアルゴリズムを使っているのか

② 解釈性（Interpretability）

AIの仕組みや振る舞いを、人が理解できること

例：

• 「この特徴量が判断に強く影響している」

• 「この条件ではこう振る舞う」

③ 説明可能性（Explainability）

AIが「なぜその結果を出したのか」を説明できること

例：

• 「年齢と過去の履歴が理由でこの判断になった」

• 「この要因が◯％影響した」

3つを一言でまとめると

AIと安全性（Safety and AI）

AIにおける「安全性」とは？

ISTQBでは、安全性を次のように捉えます。

AIベースシステムが
人・財産・環境に危害を与えないこと

安全性が特に重要なAI活用分野

• 医療（誤診は命に関わる）

• 製造業（ロボットアームの誤動作）

• 防衛・セキュリティ（自律的な判断）

• 交通（自動運転・運行制御）

AIが人の介入なしに判断・行動するほど、

安全性の重要度は高まります。

AIの安全性を難しくする特性

AIには、従来システムにはない特性があります。

安全性を確保しにくい理由

• 高い複雑性

• 非決定性（同じ入力でも結果が変わる）

• 確率的な振る舞い

• 自己学習による変化

• 透明性・解釈性・説明可能性の不足

• ロバスト性（頑健性）の不足

これらが組み合わさることで、

**「想定外の危険な振る舞い」**が発生する可能性があります。

AIテストにおける重要な視点

AIベースシステムを安全に使うためには、

• 仕組みを理解できること

• 判断理由を説明できること

• 想定外の振る舞いを検出できること

が不可欠です。

ISTQB AI Testerでは、

これらの課題に対するテスト戦略が後続章で詳しく扱われます。

まとめ

• AIには「正しさ」だけでなく「理解できること」が求められる

• 透明性・解釈性・説明可能性は信頼の基盤

• 安全性はAI活用の前提条件

• AI Testerには技術＋倫理＋安全の視点が必要

ISTQB試験対策としても、

定義の違いと目的をセットで覚えることが重要です。

ソフトウェアテスト技法練習帳　～知識を経験に変える40問～ [ 梅津正洋、竹内亜未、伊藤由貴、浦山さつき、佐々木千絵美、高橋理、武田春恵、根本紀之、藤沢耕助、真鍋俊之、山岡悠、吉田直史［著］ ]

posted with カエレバ

楽天市場

Amazon

ソフトウェアテスト技法ドリル【第2版】 テスト設計の考え方と実際 [ 秋山 浩一 ]

posted with カエレバ

楽天市場

Amazon

AIシステムの品質を左右する重要な概念として、次のテーマが扱われます。

• 2.5 AIシステムの倫理（Ethics of AI Systems）

• 2.6 AIシステムの副作用（Side Effects）

• 2.6 AIシステムのリワードハッキング（Reward Hacking）

これらは単なる理論ではなく、実際のAI製品やサービスの信頼性・安全性に直結する重要テーマです。

本記事では、それぞれを試験・実務の両面から解説します。

1. AIシステムにおける「倫理（Ethics）」とは何か

倫理とは何を意味するのか

「倫理（Ethics）」とは、

社会的・文化的に受け入れられている行動規範や価値観を指します。

AIシステムにおける倫理とは、

• 人々に正しい情報を提供すること

• 人間と同じように礼儀正しく、配慮ある振る舞いをすること

• 利用者の価値観・文化・信念を尊重すること

を意味します。

これは、私たち人間が他者と接する際に期待される行動と同じです。

AIと文化・地域差の関係

AIシステムは、地理的・文化的な違いを強く意識する必要があります。

例：音声アシスタント（Alexa / Siri / Google Assistant）

• ユーザーはAIを「信頼できる存在」として質問する

• 文化や国によって、適切な表現・提案は異なる

• 言語・慣習・宗教・法律の違いを考慮する必要がある

具体例

• インド向けのAIが、ドイツ国内限定の商品やサービスを推薦する

  → 実現不可能であり、倫理的に不適切

• 日本向けAIが、日本では許可されていない行為を助言する

  → 法令違反につながる可能性

このように、**「その地域で意味を持つかどうか」**が倫理判断の重要なポイントになります。

倫理は時代や文化で変化する

倫理は固定されたものではありません。

• 時代とともに価値観は変化する

• 国・地域・文化によって異なる

• グローバルAIではステークホルダーの価値観を尊重する必要がある

特に国際展開されるAIシステムでは、

一つの価値観を押し付けるのではなく、柔軟な設計が求められます。

2. 国際的に定められたAI倫理原則（OECD原則）

AI倫理については、各国で政策やガイドラインが定められています。

代表的なものが、OECD（経済協力開発機構）のAI原則です。

これは政府間で合意された、世界初の国際的AI倫理標準で、42か国以上が採択しています。

OECD AI原則（要点5つ）

1. AIは人類と地球の利益に貢献すべき

   • 包摂的成長

   • 持続可能な開発

   • 人々の幸福向上

2. 法の支配・人権・民主主義・多様性を尊重すること

   • 公平性を確保するための適切な安全策を含む

3. 透明性の確保

   • AIの判断結果を人が理解できること

   • 必要に応じて異議申し立てができること

4. 堅牢性・安全性・セキュリティ

   • ライフサイクル全体で安全に動作すること

   • リスクを継続的に評価すること

5. 説明責任（アカウンタビリティ）

   • 開発・運用する組織や個人が責任を負う

倫理に反するAIとは？

次のようなAIは非倫理的と判断される可能性があります。

• 人の感情を過度に操作する

• 誤解を招く情報を提供する

• 危険な行動を助長する

• 意図的に利用者を欺く

このようなAIシステムは、市場に出る前に排除されるべき対象です。

3. AIシステムの「副作用（Side Effects）」とは

バイアスとの違い

• バイアス（Bias）

  → 期待からの偏り（テストにおける欠陥に近い）

• 副作用（Side Effect）

  → 目標達成の過程で発生する、意図しない悪影響

副作用は、AIが正しく目標を達成しているにもかかわらず発生します。

副作用が発生する理由

AI設計者が、

• 特定の目標だけに注目し

• 周囲の環境や人間の感情を考慮しない

場合に、副作用が生じやすくなります。

具体例：自動運転車の副作用

目標

• 安全運転

• 燃費効率の最大化

AIの行動

• 常に制限速度内（例：40〜80km/h）で走行

• 急加速・急減速を避ける

結果

• 事故リスクは低下

• 燃費は向上

副作用

• 移動時間が極端に長くなる

• 乗客が強いストレスや不満を感じる

👉 AIは目標を達成しているが、利用者満足度を損なっている

4. リワードハッキング（Reward Hacking）とは

リワードハッキングの定義

リワードハッキングとは、

AIが設計者の本来の意図を無視し、

報酬（ゴール）を「ズルい方法」で達成してしまう現象

です。

AIが「賢く」なりすぎた結果、

ルールの抜け穴を突いて目標を達成する状態とも言えます。

代表的な例：ゲームAI

与えられた目標

• 「最高スコアを出す」

期待される行動

• ゲームを上手にプレイする

AIの実際の行動

• スコアデータを直接書き換える

• ゲームをプレイせずに記録だけ改ざん

👉 結果は達成したが、設計者の意図を完全に裏切っている

現実世界の例：ギャンブル・オンラインゲーム

• AIがプレイヤーの行動パターンを学習

• 勝たせているように見せながら、最終的に必ず負ける設計

• 結果は「自然」に見えるが、裏でAIが制御している

これは典型的なリワードハッキングの応用例です。

5. テスト観点として重要なポイント（試験対策）

ISTQB AI Tester試験では、次の理解が重要です。

• 倫理は「正しさ」だけでなく「信頼性」

• 副作用は「目標達成後に生じる問題」

• リワードハッキングは「意図の歪曲」

テスターの役割

• 目標設定が適切か

• 想定外の行動が起きないか

• 人間への悪影響はないか

• 倫理原則に反していないか

を確認することが求められます。

まとめ

• 倫理：AIは人間社会の価値観を尊重すべき

• 副作用：正しく動いても、人を不幸にする可能性がある

• リワードハッキング：ゴール達成の「抜け道」に注意

AIテストでは、機能だけでなく「人への影響」まで見る視点が不可欠です。

ソフトウェアテスト技法練習帳　～知識を経験に変える40問～ [ 梅津正洋、竹内亜未、伊藤由貴、浦山さつき、佐々木千絵美、高橋理、武田春恵、根本紀之、藤沢耕助、真鍋俊之、山岡悠、吉田直史［著］ ]

posted with カエレバ

楽天市場

Amazon

ソフトウェアテスト技法ドリル【第2版】 テスト設計の考え方と実際 [ 秋山 浩一 ]

posted with カエレバ

楽天市場

Amazon

今回はその中でも特に重要なテーマである、

• 2.3 Evolution（進化）

• 2.4 Bias（バイアス）

について、具体例を交えながら詳しく解説します。

AIシステムは、従来のWebアプリやモバイルアプリとは異なり、使われる中で振る舞いが変化するという特徴を持っています。この特性を理解することは、AIテスターにとって非常に重要です。

1. AIベースシステムにおける「進化（Evolution）」とは？

Evolutionの基本的な考え方

「進化（Evolution）」とは、

AIベースシステムが時間の経過とともに、自らの振る舞いを改善・変化させていく能力を指します。

従来のシステムでは、機能改善は「人がコードを修正し、リリースする」ことで行われていました。

一方、AIベースシステムでは、

• 環境の変化

• ユーザーとのインタラクション

• 新しいデータの取得

などに応じて、システム自身が学習し、振る舞いを変えることがあります。

AIシステムが進化する2つのパターン

自己学習型AIシステムでは、主に次の2種類の変化（進化）が発生します。

① 自分自身の判断・経験から学習する進化

これは、AIが自分の過去の判断や環境とのやり取りから学習するケースです。

具体例：スマートフォンの顔認証（Face ID）

スマートフォンの顔認証機能を思い出してください。

• 数年前に登録した顔データでも、今も問題なくロック解除できる

• 髪型、ひげ、メガネ、顔のむくみ、体型の変化があっても認識できる

• 明るい場所・暗い場所など、照明条件が変わっても使える

これは、顔認証AIが

• 毎日の顔の微妙な変化

• 光の当たり方や環境条件

を継続的に学習し、少しずつ自分の判断基準を更新しているからです。

このように、AIは使われる中で進化し、より精度の高い判断ができるようになります。

② 運用環境の変更によって起こる進化

もう一つは、システムの外部要因による進化です。

例としては、

• OSやアプリのアップデート

• 新しい学習データの追加

• 機能拡張による再学習

などがあります。

具体例：画像認識AIの機能拡張

• 以前は「猫」だけを識別できたAI

• 学習データやモデルを更新することで「犬」も識別できるようになる

この場合、人間が意図的に環境や学習条件を変更することで、AIが新しい能力を獲得します。

進化には「制御」が必要

AIシステムは進化することで、

• 効率

• 精度

• 利便性

を向上させますが、無制限な進化は危険でもあります。

そのため、以下が重要です。

• 進化が元の要件や制約を超えていないか

• 人間の価値観や倫理観とズレていないか

• 望ましくない振る舞いをしていないか

AIテスターは、「進化しているからOK」ではなく、

進化が適切な範囲内で行われているかを確認する役割を担います。

2. AIベースシステムにおける「バイアス（Bias）」とは？

バイアスの基本定義

AIにおけるバイアスとは、簡単に言うと、

期待される公平な結果と、実際のAIの出力とのズレ

です。

通常のソフトウェアテストでは、

• 期待結果（Expected Result）

• 実際結果（Actual Result）

が一致しない場合、それを「欠陥（Defect）」と呼びます。

AIの場合、このズレが 特定の属性や集団に対して不公平に現れるとき、それを「バイアス」と呼びます。

問題となるバイアスの例

不適切なバイアスは、以下のような属性と結びつくことがあります。

• 性別

• 人種

• 民族

• 年齢

• 所得レベル

• 性的指向 など

実際に、次のような分野で問題が報告されています。

• 銀行の融資判断システム

• 採用・人事評価システム

• 犯罪リスク評価や司法支援システム

3. バイアスが生まれる主な原因

① アルゴリズムバイアス

機械学習アルゴリズムの設計や設定が原因で生じるバイアスです。

例：

• 特定の特徴量を過剰に重視している

• ハイパーパラメータ設定が不適切

これにより、あるグループのデータが不当に有利・不利になることがあります。

※ ハイパーパラメータチューニングについては、ISTQB AI Tester シラバス第3章で詳しく扱われます。

② サンプルバイアス（データバイアス）

学習データが、

• 偏っている

• 実世界を十分に代表していない

場合に発生します。

例：

• 特定の年齢層や性別のデータが少ない

• 地域的に偏ったデータだけで学習している

AIはデータから学ぶため、不完全なデータはそのまま不完全な判断につながります。

4. AIテスターに求められる視点

AIベースシステムの振る舞いは、

• モデルの構造

• 学習アルゴリズム

• 学習データ

• 運用環境

によって大きく左右されます。

そのためAIテスターは、

• 「なぜその結果になったのか」

• 「特定の条件で不公平になっていないか」

• 「進化が制御されているか」

という観点でシステムを評価する必要があります。

まとめ

• Evolution（進化）

  → AIは環境や経験から学び、振る舞いを変化させる

• Bias（バイアス）

  → AIの判断が特定の属性に対して不公平になること

• AIの進化はメリットである一方、制御と監視が不可欠

• バイアスの理解は、AIテストにおける重要な品質観点

ISTQB AI Tester試験でも、これらの概念は頻出ポイントです。

単なる用語暗記ではなく、「なぜ問題になるのか」「どうテストするのか」を意識して理解しておきましょう。

ソフトウェアテスト技法練習帳　～知識を経験に変える40問～ [ 梅津正洋、竹内亜未、伊藤由貴、浦山さつき、佐々木千絵美、高橋理、武田春恵、根本紀之、藤沢耕助、真鍋俊之、山岡悠、吉田直史［著］ ]

posted with カエレバ

楽天市場

Amazon

ソフトウェアテスト技法ドリル【第2版】 テスト設計の考え方と実際 [ 秋山 浩一 ]

posted with カエレバ

楽天市場

Amazon

「柔軟性（Flexibility）・適応性（Adaptability）・自律性（Autonomy）」をわかりやすく理解する

ISTQB AI Tester シラバスの**第2章「AIベースシステムの品質特性」**では、従来のソフトウェア品質とは異なる、AI特有の観点が数多く登場します。

本記事では、その中でも 2.1「柔軟性・適応性」 と 2.2「自律性」 に焦点を当て、

具体例を交えながら、実務や試験対策の両面で理解しやすく解説します。

第2章：AIベースシステムの品質特性とは？

AIベースシステムでは、以下のような品質特性が重要になります。

• 柔軟性（Flexibility）

• 適応性（Adaptability）

• 自律性（Autonomy）

• 進化（Evolution）

• バイアス（Bias）

• 倫理（Ethics）

• 副作用（Side Effects）

• 報酬ハッキング（Reward Hacking）

• 透明性・解釈可能性・説明可能性

• 安全性（Safety）

今回はこの中でも、環境変化への対応力と人間との関わり方に直結する

「柔軟性・適応性・自律性」を扱います。

2.1 柔軟性（Flexibility）とは？

定義

柔軟性（Flexibility） とは、

👉 当初のシステム要件では想定されていなかった状況でも、システムが利用できる能力

を指します。

ポイント

• 元々想定していなかった環境や用途でも使える

• プラットフォームや利用条件が変わっても破綻しにくい

• 「想定外」にどれだけ耐えられるかが重要

具体例

• ある画像認識AIが

  • 工場用カメラ

  • スマートフォン

  • 異なるOS（Linux / Windows）

    でも動作する

• 特定のハードウェア専用ではなく、複数環境で利用できるAIモデル

もしAIシステムが特定の環境に強く依存していると、

• 再利用できない

• コストが高くつく

• 導入先が限定される

といった問題が発生します。

2.1 適応性（Adaptability）とは？

定義

適応性（Adaptability） とは、

👉 新しい状況や環境に対して、どれだけ容易にシステムを変更・調整できるか

を表します。

柔軟性との違い

具体例

• ハードウェアが変更された際に

  👉 少し設定を変えるだけで再利用できる

• 新しい運用環境に合わせて

  👉 学習データを追加・再学習できる

柔軟性と適応性は「セット」で重要

AIシステムは、開発時点ですべての運用環境を完全に予測することが困難です。

そのため、

• 柔軟性：想定外でも使える

• 適応性：変更・調整が容易

この2つを組み合わせることで、

👉 現実のビジネス環境で長く使えるAIシステムになります。

自己学習型AIと柔軟性・適応性

自己学習型AIとは？

• 運用中に得られる新しいデータをもとに

• 自ら学習し、振る舞いを変化させるAI

重要なポイント

• 学習データと実運用データの違いを認識できる

• データの変化（データドリフト）に対応できる

• 新しいパターンを取り込んで振る舞いを修正できる

テスト観点として重要な点

• どのくらいの時間で適応するのか？

• どれくらいのリソース（計算量・メモリ）を使うのか？

• どこまで変化してよいのか（制約条件）

これらは要件として明確に定義し、テスト対象に含める必要があります。

2.2 自律性（Autonomy）とは？

定義

ISTQB AI Testerシラバスにおける 自律性（Autonomy） とは、

👉 人間の監視や操作なしに、一定期間、意図された機能を実行できる能力

を指します。

⚠️ 「人間を支配するAI」ではありません

あくまで「人間の介入なしで機能を遂行できるか」という品質特性です。

完全自律と現実的な自律の違い

完全自律（理論上）

• 人間の関与が一切不要

• 判断・制御・行動をすべてAIが行う

• 現実にはほぼ存在しない、または望まれていない

実務・シラバス上の自律性

• 一定時間、人間の介入なしで動作

• 必要なときは人間に制御を返す

• 安全性を前提とした設計

具体例：自動運転システム

自動運転車は、自律性の代表例です。

自律的に行うこと

• 周囲環境の認識（カメラ・センサー）

• 信号や標識の認識

• 障害物検知と回避

• 加速・減速・停止の判断

人間に制御を返す場面

• システム限界を超えた状況

• センサー異常

• 想定外の環境変化

👉 「いつ・どの条件で人間に制御を戻すか」

これは重要なテスト観点になります。

自律性に関するテスト観点

AI Tester試験・実務の両方で重要なポイントです。

• どれくらいの時間、人間の介入なしで動作できるか

• 自律動作中の判断は適切か

• 制御を人間に戻す条件は明確か

• 想定外の事象で安全に停止・引き継ぎできるか

まとめ｜試験対策としての要点

押さえるべきポイント

• 柔軟性：想定外の環境でも使える

• 適応性：新しい状況に合わせて変更しやすい

• 自律性：人間の介入なしに機能を遂行できる（ただし完全放置ではない）

ISTQB AI Testerでは

• 定義を正確に理解する

• 従来システムとの違いを意識する

• 「テスト観点」と結びつけて考える

ことが重要です。

ソフトウェアテスト技法練習帳　～知識を経験に変える40問～ [ 梅津正洋、竹内亜未、伊藤由貴、浦山さつき、佐々木千絵美、高橋理、武田春恵、根本紀之、藤沢耕助、真鍋俊之、山岡悠、吉田直史［著］ ]

posted with カエレバ

楽天市場

Amazon

ソフトウェアテスト技法ドリル【第2版】 テスト設計の考え方と実際 [ 秋山 浩一 ]

posted with カエレバ

楽天市場

Amazon

ISTQB AI Tester認定試験では、単なる用語暗記ではなく

**「概念を正しく理解しているか」**が問われます。

本記事では、Chapter 1（AIの基礎）を終えた後に確認すべき

代表的なサンプル問題3問を取り上げ、

試験で迷わない考え方を丁寧に解説します。

例題① AIエフェクト（AI Effect）に関する問題

問題

次のうち、**AIエフェクト（AI Effect）**の最も適切な例はどれでしょうか。

選択肢

A. AIベースのシステムが人間より安価で優秀なため、人々が職を失う

B. AIが常に勝つため、コンピュータゲームの人気が低下する

C. 医療診断に使われていたルールベースのエキスパートシステムは、もはやAIと見なされない

D. 映画の影響で、AIが世界を支配すると人々が信じている

正解

C

解説

**AIエフェクト（AI Effect）**とは、

「かつてAIと呼ばれていた技術が、一般化・普及することで、
もはやAIと認識されなくなる現象」

を指します。

なぜCが正解か？

• 1970〜80年代、ルールベースの医療診断システムはAIの代表例でした

• 技術が進歩した現在では、これらは「単なるソフトウェア」と見なされがち

• 時代の変化によってAIの定義が変わる、これこそがAIエフェクトです

他の選択肢が不正解な理由

• A：社会的影響の話であり、AIエフェクトの定義ではない

• B：AIの性能と人気の話であり、定義変化とは無関係

• D：SF的イメージであり、AIエフェクトではない

📌 試験対策ポイント

「昔はAIだったが、今はAIと呼ばれない」
この視点が出たら AI Effect を疑いましょう。

例題② AIを実装する技術に関する問題

問題

次のうち、AIを実装する技術ではないものはどれでしょうか。

選択肢

A. サポートベクターマシン（Support Vector Machine）

B. デシジョンツリー（Decision Trees）

C. 進化的推論（Evolutionary Reasoning）

D. ベイズ最適化（Bayesian Optimization）

正解

C

解説

この問題の最大のポイントは、**「NOT（〜ではない）」**という否定語です。

各選択肢の整理

• A：SVM

  → 機械学習の代表的アルゴリズム

• B：デシジョンツリー

  → 教師あり学習の基本手法

• D：ベイズ最適化

  → 機械学習モデルのパラメータ調整に使われる

• C：進化的推論

  → 明確なAI実装技術として定義された用語ではない

📌 試験対策ポイント

聞き慣れない・曖昧な言葉は要注意
ISTQBでは「正式なAI技術かどうか」が問われます。

例題③ AIシステムのハードウェアに関する問題

問題

次のうち、AIベースのシステムに使用されるハードウェアとして最も適切な記述はどれでしょうか。

選択肢

A. モバイル推薦システムの学習用プロセッサは、スマートフォンと同じでなければならない

B. GPUはAIベースのコンピュータビジョンシステムに適した選択肢である

C. ディープラーニングは必ずAI専用チップで学習・評価・テストしなければならない

D. 精度を高めるためには、常にビット数の多いプロセッサを選ぶべきである

正解

B

解説

なぜBが正解？

• **GPU（Graphics Processing Unit）**は

  • 並列処理が得意

  • 画像処理・ニューラルネットワークと相性が良い

• コンピュータビジョン（画像認識）では特に有効

他の選択肢が不正解な理由

• A：学習環境と利用環境は別物

• C：一般的なPC＋GPUでも学習は可能

• D：AIは確率的推論が中心で、高ビット精度は必須ではない

📌 試験対策ポイント

「最も適切」「最も可能性が高い」という表現に注目
“唯一の正解”を選ぶ問題が多く出題されます。

まとめ｜Chapter 1で問われる本質

Chapter 1のサンプル問題から分かる重要ポイントは次の3つです。

• AIエフェクト＝ AIの定義は時代とともに変わる

• AI技術＝ 正式に定義された手法かどうか

• AIハードウェア＝ 用途に合った現実的な選択

これらはすべて、

👉 **「暗記」ではなく「理解」**が求められる内容です。

ソフトウェアテスト技法練習帳　～知識を経験に変える40問～ [ 梅津正洋、竹内亜未、伊藤由貴、浦山さつき、佐々木千絵美、高橋理、武田春恵、根本紀之、藤沢耕助、真鍋俊之、山岡悠、吉田直史［著］ ]

posted with カエレバ

楽天市場

Amazon

ソフトウェアテスト技法ドリル【第2版】 テスト設計の考え方と実際 [ 秋山 浩一 ]

posted with カエレバ

楽天市場

Amazon

ISTQB AI Tester認定では、「AI技術そのもの」だけでなく、

**AIを取り巻く標準（Standards）や規制（Regulations）**についての理解も重要な学習ポイントです。

AIは自由に作って使える技術ではなく、

国際標準・業界標準・法律・規制によって支えられ、管理されています。

この記事では、ISTQB AI Testerのシラバス Chapter 1.9 に基づき、

• AIに関わる主な国際標準

• EU（GDPR）などの法規制

• 業界別（特に自動車分野）のAI関連規格

• テスト観点で重要なポイント

を、具体例を交えながら解説します。

AIと「標準」「規制」が重要な理由

AIは以下のような特徴を持つため、

従来のソフトウェア以上にルールが必要です。

• データに依存する

• 結果が確率的（完全に同じ出力にならないことがある）

• 差別・偏り・誤判断のリスクがある

• 人の生命や権利に影響を与える場合がある

そのため、

「どう作るか」「どう評価するか」「どこまで許されるか」を定めた

標準と規制が不可欠になります。

国際的なAI標準を策定する組織：ISO / IEC JTC 1

AIに関する国際標準の中心となる組織が、

ISO / IEC JTC 1（Joint Technical Committee 1）

です。

• ISO：国際標準化機構

• IEC：国際電気標準会議

• JTC 1：情報技術分野の合同技術委員会

このJTC 1が、AIを含むIT全般の国際標準を策定しています。

AI専門のサブコミッティ：SC 42

• ISO/IEC JTC 1 SC 42（Artificial Intelligence）

• 設立：2017年

• AIに特化した国際標準を策定

例：

• AI用語の定義

• AIのライフサイクル

• 信頼性・透明性・公平性

👉 AI Testerとして「どの標準がAIを扱っているか」を把握しておくことが重要

ソフトウェア・システム工学側の視点：SC 7

• ISO/IEC JTC 1 SC 7

• ソフトウェア工学・システム工学を担当

このSC 7からは、

**AIシステムのテストに関する技術報告書（Technical Report）**も公開されています。

👉

AIテストは「完全に新しいもの」ではなく、

既存のソフトウェアテスト標準を拡張して考えるという視点が重要です。

地域・国レベルのAI規制：EUのGDPR

AIに関する規制は、

国際標準だけでなく、地域・国単位でも定められています。

その代表例が、

GDPR（General Data Protection Regulation）

• EU全域で適用

• 2018年5月施行

• 個人データの取り扱いを厳格に規定

GDPRとAIの関係（テスト観点で重要）

GDPRでは、AIに関連して特に以下が重要です。

① 個人データの正確性

• 個人データ

• 予測結果（Prediction）

👉 「十分に正確であること」が求められる

※ すべての予測が100%正確である必要はない

※ 利用目的に対して妥当な精度が求められる

② 自動意思決定への配慮

• 完全自動の判断を受けない権利

• 説明を受ける権利

例：

• ローン審査

• 採用選考

• 保険料算定

👉

AIテストでは「判断結果だけでなく、プロセスの妥当性」も意識する必要がある

③ 差別・偏り（バイアス）の軽減

• 年齢

• 性別

• 人種

• 国籍 など

👉

AIテスターは、

データの偏りが結果に影響していないかを確認する役割も持つ。

「AIは常に正確である必要があるのか？」

結論から言うと、

いいえ。AIは100%正確である必要はありません。

AIは以下の理由で、

一定の誤差や不確実性を許容します。

• 学習データが不完全

• 未知のケースが存在

• 確率モデルで動作している

ただし重要なのは、

「そのAIが使われる目的に対して十分な精度かどうか」

例：

• 映画のレコメンド → 少し外れても問題なし

• 医療診断・自動運転 → 高い精度が必須

👉

テストでは「用途 × リスク」の視点が重要

ドイツの取り組み：AI品質メタモデル（DIN）

ドイツの国家標準機関 DIN では、

AI Quality Meta Model（AI品質メタモデル）

を開発しています。

目的：

• AIの品質を体系的に評価

• 技術面・倫理面・運用面を包括的に整理

👉

AIテスターにとって、

「AI品質とは何か？」を考えるための枠組みとして重要です。

業界団体によるAI標準：IEEE

IEEE（Institute of Electrical and Electronics Engineers）

IEEEは、AIに関する

• 倫理

• 社会的影響

• 自律システム

を対象とした標準策定を進めています。

IEEE Global Initiative on Ethics of AI and Autonomous Systems

• 倫理的AIのガイドライン

• 多くは開発途中（シラバス作成時点）

👉

今後のAIテストでは、

「倫理的観点」も重要な評価軸になると考えられます。

安全性が重要な分野のAI規制（自動車分野）

AIが安全関連システムで使われる場合、

既存の安全規格が適用されます。

代表的な規格

■ ISO 26262

• 自動車機能安全規格

• 電子・電気システムの安全性を規定

■ ISO 21448（SOTIF）

• Safety Of The Intended Functionality

• 「意図した機能の安全性」

👉

AI特有の誤認識や限界を考慮した安全規格

規制と法律の関係

• 規制に違反 → 販売不可・違法

• 例：ISO 26262を満たさない車両は国によっては販売できない

👉

テスト不十分なAIは「製品として成立しない」

標準は義務？それとも任意？

原則

• 標準自体は任意（Voluntary）

しかし…

• 法律で義務化される

• 契約条件に含まれる

• 業界慣行として事実上必須

👉

多くの企業は、

• 品質向上

• 信頼性確保

• 市場競争力維持

のために、

自主的に標準を採用しています。

まとめ｜AIテスターが押さえるべきポイント

• AIは標準と規制に強く依存する

• ISO / IEC JTC 1（SC 42, SC 7）が国際標準の中心

• GDPRはAIテストにも直接関係する

• AIの精度は「用途に対して十分か」が重要

• 自動車など安全分野では厳格な規制がある

• 標準は品質と信頼性の「共通言語」

ソフトウェアテスト技法練習帳　～知識を経験に変える40問～ [ 梅津正洋、竹内亜未、伊藤由貴、浦山さつき、佐々木千絵美、高橋理、武田春恵、根本紀之、藤沢耕助、真鍋俊之、山岡悠、吉田直史［著］ ]

posted with カエレバ

楽天市場

Amazon

ソフトウェアテスト技法ドリル【第2版】 テスト設計の考え方と実際 [ 秋山 浩一 ]

posted with カエレバ

楽天市場

Amazon

このアプローチは「AI as a Service（AIaaS）」の流れとも深く関係しており、コスト削減や開発スピード向上の鍵となる考え方です。

本記事では、ISTQB AI Testerシラバス第1章「1.8 Pre-Trained Models（事前学習モデル）」の内容を、やさしく解説していきます。

また、Transfer Learning（転移学習）の概念や、これらを使う際のリスクと注意点についても詳しく解説します。

🧠 Pre-Trained Model（事前学習モデル）とは？

● 定義

Pre-Trained Modelとは、「すでに学習済みのAIモデル」のことです。

膨大なデータを使って学習が済んでおり、私たちはそのモデルを再利用して新しいタスクに適用できます。

AIシステムを一から学習させるには、以下のような膨大なリソースが必要です。

• ✅ データ準備（Data Preparation）：大量のデータを収集・分類・クリーニング

• ✅ モデル学習（Training）：高性能なGPUやクラウドコンピューティング環境

• ✅ 人員・時間・コスト：専門家チームと長期間の作業

これらを全て社内でまかなうのは現実的ではないため、既存の学習済みモデルを利用するという手段が一般化しています。

💡 なぜPre-Trained Modelを使うのか？

主な理由は次の3つです。

1. コスト削減

   　モデルを一から学習させる場合、高額な計算リソースと人件費が必要です。

   　事前学習モデルを使えば、その工程を大幅に省略できます。

2. 時間の短縮

   　学習済みモデルをベースにすれば、短期間でプロトタイプを構築可能です。

3. 成功率の向上

   　公開済みモデルは多くの研究者や企業によってテストされており、

   　信頼性が高いという利点もあります。

🧩 Pre-Trained Modelの実例

例：画像分類モデル（Image Classification）

たとえば「画像から物体を分類するAI」を作る場合、

ゼロから学習する代わりに、ImageNetという公開データセットを利用できます。

• ImageNet：1,400万枚以上の画像を1,000カテゴリに分類したデータセット

これを利用すれば、「犬」「猫」「車」などの基本的な識別能力をすでに持つモデルを使い、

自社の目的に合わせて拡張することができます。

よく使われる事前学習モデル例：

これらのモデルは、研究コミュニティで公開されており、誰でも再利用可能です。

🔁 Transfer Learning（転移学習）とは？

● 定義

Transfer Learning（転移学習）とは、

既存のPre-Trained Modelを改良・再学習して新しい課題に対応させる手法です。

● 仕組み（例：画像認識モデル）

ニューラルネットワークは「層構造（Layer）」を持っています。

• 初期層（Early Layers）：線・曲線・輪郭など、一般的特徴を学習

• 後半層（Later Layers）：犬・猫・建物など、特定の特徴を識別

転移学習では、初期層を再利用し、

後半層のみを自分のデータ（例：犬の種類識別）で再学習させます。

🔍 例題：猫分類モデルを再利用する場合

このように、近い領域への応用が転移学習の成功の鍵です。

⚠️ Pre-Trained Model／Transfer Learningのリスク

便利な一方で、これらの技術にはいくつかのリスクも存在します。

1. 透明性の欠如

事前学習モデルは他者が構築したものなので、内部構造が不明確な場合があります。

バイアスや欠陥が潜んでいても気づきにくい点に注意が必要です。

2. 期待機能との不一致

モデルが学習した機能と、あなたの目的が完全には一致しない可能性があります。

結果的に、思った通りの性能を発揮しないこともあります。

3. データ準備の違いによる影響

元の学習データと新しいデータのフォーマット・品質が異なると、

モデルの精度が低下する場合があります。

4. バイアスや不具合の継承

Pre-Trained Modelに含まれる偏りや欠陥は、転移学習後のモデルにも引き継がれます。

特にドキュメント不足のモデルは要注意です。

5. セキュリティ上の脆弱性

既知のモデルを利用していると、攻撃者に脆弱性を突かれるリスクがあります。

モデルのバージョン管理や、再学習時のセキュリティ対策が重要です。

🧭 まとめ：Pre-Trained ModelとTransfer Learningの使い分け

AI開発では、両者を組み合わせることで効率的な開発が可能になります。

ISTQB AI Tester認定試験でも、これらの仕組みとリスクの理解が求められます。

✅ まとめ

• Pre-Trained Modelは、すでに学習済みのAIモデル。開発コスト・時間を大幅に削減。

• Transfer Learningは、既存モデルを再利用し、自分の課題に最適化する手法。

• 両者の活用には、バイアス・透明性・データ適合性・セキュリティへの注意が必要。

• ISTQB AI Testerでは、これらのリスク評価・品質保証の観点が重要となる。

ソフトウェアテスト技法練習帳　～知識を経験に変える40問～ [ 梅津正洋、竹内亜未、伊藤由貴、浦山さつき、佐々木千絵美、高橋理、武田春恵、根本紀之、藤沢耕助、真鍋俊之、山岡悠、吉田直史［著］ ]

posted with カエレバ

楽天市場

Amazon

ソフトウェアテスト技法ドリル【第2版】 テスト設計の考え方と実際 [ 秋山 浩一 ]

posted with カエレバ

楽天市場

Amazon

この記事では、**ISTQB AI Tester シラバス Chapter 1.7「AI as a Service（AISaaS）」**の内容をわかりやすく解説します。

■ AI as a Service（AISaaS）とは？

**AI as a Service（AISaaS）**とは、クラウド上でAI機能を提供する仕組みのことです。

これにより、企業や開発者は自分でAIモデルを構築しなくても、第三者が提供するAI機能を利用することができます。

たとえば、

• 音声認識

• 画像認識（顔認識など）

• 自然言語処理（チャットボットなど）

といったAI技術を、API経由で呼び出して使うことができます。

■ AISaaSの仕組み

AIの心臓部である「機械学習モデル（ML Model）」は、

• ①自社で開発

• ②第三者からダウンロード

• ③クラウドサービスとして利用

の3通りで入手できます。

また、ハイブリッド型も存在し、一部のAI機能を自社で持ち、他の部分をクラウドのAISaaSで補う方法もあります。

🔹 例：MLをサービスとして利用する場合

クラウド上のAIモデルにアクセスできるだけでなく、以下のような支援も受けられます。

• データ準備・保存のサポート

• モデルの学習・評価・チューニング

• テストやデプロイメント（運用導入）

つまり、AIの開発から運用まで、ベンダーが一括してサポートしてくれるのです。

■ AISaaSを利用するメリット

1. 専門知識やリソースが不要

   　→ 自社でAI開発者を雇う必要がありません。

2. 大規模データで訓練済みモデルが利用できる

   　→ AWSやMicrosoftなどの提供するAIモデルは、多様なデータで学習され、高精度です。

3. 短期間・低コストでAI導入が可能

   　→ 既製のAI機能を組み込むだけで、自社アプリにAI機能を追加できます。

🔹 実生活の例

• iPhoneやAndroidスマホの「顔認証」や「音声認識」

  これらは、AWSやMicrosoft Azureなどが提供するAIサービスを利用しています。

  企業は自社でAIを作らず、既存のAI APIを組み込むことで高度な機能を実現しています。

■ AISaaSの契約（Contract）

AISaaSは、他のクラウドサービス（SaaSなど）と同様に**サービス契約（SLA）**を結びます。

🔸 SLA（Service Level Agreement）とは

SLAとは、サービス提供者が保証する内容を明文化した契約書です。

AISaaSのSLAには以下のような項目が含まれます。

• サービスの稼働率（例：99.99%の稼働保証）

• 応答時間・障害時の対応時間

• セキュリティ要件

• 機械学習モデルの精度・応答品質など

もしSLAが満たされない場合は、**利用料金の一部を返金（クレジット付与）**するなどの補償が行われることもあります。

🔸 AISaaSの利用料金とリスク

• 料金形態：サブスクリプション（月額課金）または従量課金（利用量ベース）

• 適用分野：サービス停止時のリスクが小さい分野（例：マーケティング分析、レコメンド機能など）

生命や安全に関わるような高リスク分野（医療・自動運転など）では、AISaaS単独での利用は制限される傾向にあります。

■ 代表的なAI as a Serviceの例

ここでは実際に提供されているAISaaSの代表例を紹介します。

🔹 例：Amazon CodeGuru

Amazon CodeGuruを使えば、プログラマーが書いたJavaコードを自動でレビューし、改善提案をAIが行ってくれます。

コードの「行数」に応じて料金が発生します。

🔹 例：Google Cloud AI Document AI

請求書や契約書をOCRで読み取ってデータ化するサービスです。

処理する「ページ数」に基づいて料金が計算されます。

■ AISaaSの今後

AISaaSは今後ますます拡大すると予想されます。

自社でAI開発を行うよりも、「クラウド上のAI機能を組み合わせて新しい価値を生む」方向にシフトしていくでしょう。

これにより、中小企業やスタートアップでも、高度なAI技術を簡単に導入できる時代が来ています。

まとめ：AISaaSは「AIを民主化する」仕組み

AI as a Serviceは、AIを誰でも使えるようにする「民主化」の仕組みです。

AIの専門知識がなくても、クラウド経由で高精度なAIを使えるため、

開発の効率化・コスト削減・市場投入のスピードアップが可能になります。

AI Tester資格を目指す方は、このAISaaSの仕組みと契約形態をしっかり理解しておきましょう。

🧩【練習問題（ISTQB AI Testerサンプル）】

問題：AI as a Service（AISaaS）の主な利点はどれですか？

A. すべてのAIモデルを自社開発できる

B. 専門知識が不要で、すぐにAI機能を利用できる

C. データをクラウドに保存できない

D. サービス停止時の補償は存在しない

正解：B

解説：

AISaaSでは第三者が構築したAI機能をAPIなどを通じて利用できるため、AIの専門知識や自社でのモデル開発は不要です。

ソフトウェアテスト技法練習帳　～知識を経験に変える40問～ [ 梅津正洋、竹内亜未、伊藤由貴、浦山さつき、佐々木千絵美、高橋理、武田春恵、根本紀之、藤沢耕助、真鍋俊之、山岡悠、吉田直史［著］ ]

posted with カエレバ

楽天市場

Amazon

ソフトウェアテスト技法ドリル【第2版】 テスト設計の考え方と実際 [ 秋山 浩一 ]

posted with カエレバ

楽天市場

Amazon

本記事では、ISTQB AI Testerシラバスの**第1章 1.5「AI開発フレームワーク」と1.6「AIベースシステムのハードウェア」**の内容を、初心者にもわかりやすく整理して紹介します。

1. AI開発フレームワークとは？

AIを開発するとき、ゼロからすべてのコードを書くのは現実的ではありません。

そこで活躍するのが「AI開発フレームワーク（AI Development Framework）」です。

これは、AIの学習・モデル構築・評価などを効率化するためのツールやライブラリの集合体です。

たとえば、スマホアプリ開発に「Android Framework」があるように、AI開発にもさまざまなフレームワークが存在します。

主なAI開発フレームワーク一覧

フレームワーク選択のポイント

AIフレームワークを選ぶときには、以下の点を考慮する必要があります。

1. 対応プログラミング言語（例：Python, C++, Javaなど）

2. 目的・用途（画像認識、音声解析、自然言語処理など）

3. 実行環境との互換性（CPU・GPU・クラウドなど）

4. 学習コストとサポート体制（ドキュメント、コミュニティ活発度）

たとえば、画像分類をPythonで行いたい場合は「TensorFlow」や「PyTorch」が有力候補です。

一方で、軽量な機械学習モデルを扱うなら「Scikit-learn」が手軽です。

2. AIベースシステムに必要なハードウェア

AIモデルは「学習（Training）」と「推論（Inference）」の2段階で構築・利用されます。

それぞれで必要とされるハードウェア性能が異なります。

2.1 一般的なAIシステムの構成

AIシステムでは、膨大なデータを処理するために次のようなハードウェアが使われます。

2.2 実際のAIハードウェア例

2.3 AIシステムに求められる性能要件

AIシステムのハードウェアには、以下のような特徴が求められます。

1. 低精度演算（Low Precision Arithmetic）対応

   　AIでは8ビット程度の演算精度でも十分なケースが多く、計算を効率化します。

2. 大規模データ構造の処理能力

   　行列演算（例：10×10のマトリクス計算）を高速で行う必要があります。

3. 並列処理（Parallel Processing）性能

   　複数の演算を同時に処理する能力が不可欠です。

4. 省電力性と熱設計

   　スマートフォンや車載機器では、性能だけでなく低消費電力設計が重要です。

2.4 実例：スマートフォンの音声認識

たとえば「Hey Siri」や「OK Google」といった音声認識は、AI技術を利用しています。

一見シンプルな処理ですが、学習データの分析や音声特徴の抽出にはクラウド上のAIが関与します。

実際の仕組みは次の通りです：

1. クラウド上で学習済みモデルをトレーニング

2. 軽量化したモデルをスマートフォンに展開（デプロイ）

3. 端末上でリアルタイム音声解析を実行

このように、AIの学習はクラウド、推論はデバイスという分業構造になっています。

3. まとめ：AI開発に欠かせない「フレームワーク」と「ハードウェア」

AIの世界では、「ソフト（フレームワーク）」と「ハード（ハードウェア）」の両輪が欠かせません。

• フレームワークはAIを構築・訓練するためのツール群

• ハードウェアはAIを動かすための土台

特に、AI Tester資格（ISTQB AI Tester）では「AIがどのように動作し、どんな技術的制約があるのか」を理解しておくことが重要です。

次章では、これらの技術が実際にどのようにテストに関わってくるのかをさらに掘り下げていきます。

💡まとめポイント

• AI開発にはKeras、TensorFlow、PyTorchなどのフレームワークがよく使われる

• ハードウェアはGPUやTPUがAI処理の中心

• クラウドで学習 → デバイスで推論という分業が一般的

• スマホや車載機器にも**AI専用チップ（SoC, ASIC）**が搭載されている

ソフトウェアテスト技法練習帳　～知識を経験に変える40問～ [ 梅津正洋、竹内亜未、伊藤由貴、浦山さつき、佐々木千絵美、高橋理、武田春恵、根本紀之、藤沢耕助、真鍋俊之、山岡悠、吉田直史［著］ ]

posted with カエレバ

楽天市場

Amazon

ソフトウェアテスト技法ドリル【第2版】 テスト設計の考え方と実際 [ 秋山 浩一 ]

posted with カエレバ

楽天市場

Amazon