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】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

【ISTQB /JSTQB AI Tester 解説】MLアルゴリズム選定の要因と過学習・未学習を徹底解説

admin — Tue, 20 Jan 2026 04:22:06 +0000

ISTQB AI Tester シラバス Chapter 3 では、

機械学習（ML）モデルを構築するうえで非常に重要な2つのテーマ が登場します。

3.4 MLアルゴリズム選定に関わる要因
3.5 過学習（Overfitting）と未学習（Underfitting）

本記事では、

「なぜこのアルゴリズムを選ぶのか？」

「モデルがうまく動かない本当の理由は何か？」

を 実務・試験の両面 から、わかりやすく解説します。

1. MLアルゴリズム選定に「絶対的な正解」はない

まず大前提として重要なのは、

最適なMLアルゴリズムを一意に決める決定的なルールは存在しない

という点です。

アルゴリズムは一から作ることも可能
しかし実務では 既存ライブラリのアルゴリズムを選び、調整（チューニング）する のが一般的

その際、複数の要因を組み合わせて判断 します。

2. MLアルゴリズム選定に影響する主な要因（3.4）

① 必要とされる機能（Required Functionality）

まず最初に考えるべきは、

そのMLモデルに「何をさせたいのか」

です。

代表例：

分類（Classification）

例：犬か猫かを判別する
予測（Prediction / Regression）

例：売上や気温を予測する
クラスタリング（Clustering）

例：顧客を購買傾向ごとにグループ化する

👉 機能が違えば、選ぶべきアルゴリズムも根本的に変わります。

② 要求される品質特性（Quality Characteristics）

次に重要なのが 品質面の要求 です。

代表的な観点：

精度（Accuracy）
処理速度（Performance）
応答時間（Prediction Speed）
学習・再学習の速度
透明性・解釈性・説明可能性

具体例

「多少遅くても 高精度 を重視したい」
「多少精度が落ちても リアルタイム性 を優先したい」

👉 精度が高いモデルほど、処理が重くなる傾向 があるため、トレードオフの判断が必要です。

③ 利用可能なリソース（メモリ・計算能力）

特に 組み込みシステムやエッジAI では重要です。

利用可能なメモリ量
CPU / GPU の性能
同時処理数（トランザクション数）

👉 高性能なアルゴリズムでも、

ハードウェア制約を超えると実装できません。

④ 学習データの種類（Type of Data）

アルゴリズムによって扱えるデータは異なります。

画像データ向き
テキストデータ向き
数値データ向き

例：

画像分類に特化したアルゴリズムでは、

テキストデータが使えない 場合もあります。

⑤ データ量（Amount of Data）

学習データの量
テストデータの量

ポイント：

データが少ないと 過学習しやすい
データが多すぎると 学習時間・計算コストが増大

👉 アルゴリズムによって「大量データ向き」「少量データ向き」があります。

⑥ 入力特徴量（Number of Features）

特徴量（Feature）とは、モデルが判断材料として使う要素です。

例：動物分類モデル

分類：犬 / 猫
犬のクラス：

ポメラニアン、ハスキー、ブルドッグなど

👉 特徴量が増えるほど精度は向上しやすいが、学習は難しくなる

⑦ クラス数（Number of Classes）

2クラス分類向きのアルゴリズム
多クラス分類に弱いアルゴリズム

例：

犬と猫を同時に扱えず、

「小さい犬」「大きい犬」と誤分類してしまうケース

⑧ 過去の経験と試行錯誤（Experience / Trial & Error）

最後は 実務的な要因 です。

過去に成功したアルゴリズム
実験的に複数を試すアプローチ

👉 経験と試行錯誤も、立派な判断材料 です。

3. 過学習（Overfitting）とは何か（3.5）

■ 定義

過学習（Overfitting） とは、

学習データに過度に適合しすぎて、新しいデータに対して正しく予測できなくなる状態

■ 特徴

学習データでは高精度
未知データでは精度が急落

■ 原因

ノイズや外れ値まで学習してしまう
学習データが少ない
モデルが複雑すぎる

イメージ例

すべてのデータ点に無理やり合わせようとして、

汎用性を失う

4. 未学習（Underfitting）とは何か

■ 定義

未学習（Underfitting） とは、

モデルが単純すぎて、学習データの傾向すら捉えられていない状態

■ 特徴

学習データでも精度が低い
新しいデータでも精度が低い

■ 原因

学習データが少なすぎる
重要な特徴量が含まれていない
モデルが単純すぎる

具体例

犬の画像を 5〜10枚だけ 学習
実際には100種類以上の犬種が存在
→ 11枚目以降をまったく識別できない

5. 過学習・未学習のまとめ（重要）

状態	問題点	イメージ
過学習	覚えすぎ	詰め込み学習
未学習	学習不足	情報不足

👉 理想は「適度な学習」

過学習でも未学習でもない バランスの取れたモデル が重要です。

6. まとめ（試験対策ポイント）

MLアルゴリズム選定に絶対的ルールはない
機能・品質・データ・リソースを総合的に判断
過学習・未学習は データ量とモデル複雑度のバランス問題
ISTQB試験では 定義・原因・特徴の区別 が頻出

posted with カエレバ

posted with カエレバ

【ISTQB /JSTQB AI Tester 解説】機械学習（ML）の学習形態の選び方を徹底解説

admin — Mon, 19 Jan 2026 06:52:48 +0000

ISTQB AI Tester認定のChapter 3：Machine Learningでは、

「どの機械学習（ML）の手法を選ぶべきか」という非常に重要なテーマが扱われます。

本記事では、3.3 Selecting a Form of Machine Learning の内容をもとに、

機械学習の学習形態の選び方
データや出力の違いによる判断基準
試験でも実務でも使える具体例

を交えながら、わかりやすく解説します。

機械学習の3つの基本的な学習形態

まず前提として、機械学習には次の3つの学習形態があります。

① 教師あり学習（Supervised Learning）

入力データと**正解ラベル（出力）**がセットで与えられる
主な用途
- 分類（Classification）
- 回帰（Regression）

② 教師なし学習（Unsupervised Learning）

正解ラベルが存在しない
データの構造や特徴を自動的に発見する
主な用途
- クラスタリング（Clustering）
- アソシエーション（Association）

③ 強化学習（Reinforcement Learning）

環境との相互作用を通じて学習
状態・行動・報酬を繰り返しながら最適化
**知的エージェント（Intelligent Agent）**として振る舞う

MLの学習形態を選ぶ際の基本ガイドライン

では、実際にどの学習形態を選べばよいのか。

ISTQB AI Testerでは、以下の観点が重要だと説明されています。

① 十分な学習データ・テストデータがあるか

最も重要なのは データの有無と品質 です。

学習用データ（Training Data）
テスト用データ（Test Data）
MLモデルが理解できる適切な形式

これらが揃っていなければ、どんなML手法でもうまく機能しません。

② 正解ラベル（出力データ）が存在するか？

ここが教師あり／教師なしを分ける最大のポイントです。

✔ 正解ラベルがある場合 → 教師あり学習

例：

「このメールはスパムか？」（Yes / No）
「住宅価格はいくらか？」（数値）

③ 出力の種類で分類か回帰かを判断する

教師あり学習の場合、出力の性質によってさらに分かれます。

分類（Classification）

出力が 離散的・カテゴリ型
例：
- 合否判定（合格／不合格）
- 画像が「犬 or 猫」

回帰（Regression）

出力が 連続的な数値
例：
- 売上予測
- 気温予測
- 車両の停止距離予測

④ 正解ラベルがない場合 → 教師なし学習

データに出力ラベルがない場合は、教師なし学習を検討します。

クラスタリング（Clustering）

似たデータをグループ化
例：
- 顧客の購買傾向によるセグメント分け
- センサーデータの異常検知

アソシエーション（Association）

同時に起こりやすい関係を発見
例：
- 「ビールを買う人はスナックも買う」
- ECサイトのレコメンド機能

⑤ 環境との相互作用があるか？ → 強化学習

次のような条件がある場合、強化学習が適しています。

環境が存在する
行動の結果として報酬が得られる
状態が変化し続ける

例：

自動運転
ゲームAI
ロボット制御
動的な在庫・価格最適化

⑥ 複数の状態と意思決定が連続するか？

状態（State）が複数存在
各状態で意思決定が必要

このような問題設定では、強化学習が最適です。

まとめ｜MLの学習形態は「データ」と「出力」で決まる

ポイントを整理すると、次のようになります。

観点	適した学習形態
正解ラベルあり	教師あり学習
出力がカテゴリ	分類
出力が数値	回帰
正解ラベルなし	教師なし学習
グループ化したい	クラスタリング
関連性を見つけたい	アソシエーション
環境と相互作用	強化学習

「どんなデータがあり、何を出力したいのか」

これを明確にすれば、適切なML手法は自然と見えてきます。

ISTQB AI Tester試験でも、この判断ロジックそのものが問われるため、

暗記ではなく「理由付きで説明できる理解」が重要です。

posted with カエレバ

posted with カエレバ

【ISTQB /JSTQB AI Tester 解説】機械学習（ML）ワークフローとは？

admin — Sun, 18 Jan 2026 06:43:00 +0000

― ISTQB AI Tester試験で必須の基本プロセスを完全理解 ―

ISTQB AI Tester Chapter 3では、機械学習（Machine Learning：ML）をどのような流れで構築・運用するのかという

「MLワークフロー（ML Workflow）」が重要なテーマとして扱われます。

機械学習モデルは、

作って終わりではなく、運用しながら改善し続けるものです。

その全体像を体系的に理解することが、AIテストにおいて不可欠になります。

MLワークフローの全体像

MLワークフローは、大きく次の 2フェーズ に分かれます。

モデル開発（Model Development）
デプロイ・利用・監視（Deploy, Use, Monitor）

まずはモデルを作り、その後、実システムで使いながら継続的に改善していきます。

① モデル開発フェーズ（Model Development）

1. 目的（Objective）の理解

最初に行うべき最重要ステップが 目的の明確化 です。

なぜこのMLモデルが必要なのか？
何を予測・分類・判断したいのか？
ビジネス上のゴールは何か？

これらをステークホルダーと合意し、

さらに 受け入れ基準（Acceptance Criteria） を定義します。

具体例

不正取引検知モデル

→「不正検知率95%以上」「誤検知率5%以下」など

2. フレームワークの選定

目的・受け入れ基準・ビジネス要件に基づき、

AI／ML開発フレームワークを選択します。

TensorFlow
PyTorch
Scikit-learn など

ISTQBでは、「なぜそのフレームワークを選んだのか」

という合理性が重要視されます。

3. アルゴリズムの選択・構築

次に、MLアルゴリズムを決定します。

既存ライブラリのアルゴリズムを使用
独自アルゴリズムを新規開発

選択基準は以下の通りです。

目的
受け入れ基準
利用可能なデータの種類・量

補足

すべてをゼロから作るのは時間とコストが大きい
実務では 既存アルゴリズム＋カスタマイズ が一般的

4. データの準備とテスト（Prepare & Test Data）

MLモデルの品質は データ品質で決まる と言っても過言ではありません。

主な作業内容

データ収集（Data Acquisition）
データ前処理（Pre-processing）
特徴量エンジニアリング（Feature Engineering）
探索的データ分析（EDA）

重要ポイント

学習・評価・テスト用データは 運用データを代表している必要がある
不要・機密情報は事前に除去

具体例

リアルタイム株取引システム

→ 過去の市場データ＋リアルタイムデータを活用

5. モデルの学習（Training）

選択したアルゴリズムと学習データを使ってモデルを訓練します。

エポック（Epoch）

学習データ全体を1回学習する単位
複数回繰り返すことで精度が向上

2種類のハイパーパラメータ

モデルハイパーパラメータ

例：ニューラルネットワークの層数、決定木の深さ
アルゴリズムハイパーパラメータ

例：学習回数（Epoch数）、学習率

6. モデル評価（Evaluation）

学習済みモデルを 検証データ（Validation Data） で評価します。

精度
再現率
F値など

評価は 科学実験のように管理された環境 で行い、

結果は必ず文書化します。

7. モデルのチューニング（Tuning）

評価結果をもとに、モデルを改善します。

ハイパーパラメータ調整
学習データ量の変更
モデル構造の見直し

👉 学習 → 評価 → チューニング を

高速なループで繰り返すのが特徴です。

8. モデルのテスト（Testing）

完成したモデルは、独立したテストデータで最終確認します。

重要ポイント

学習・評価で使ったデータは使用しない
実運用を想定したデータで検証

機能テスト以外も重要

学習時間
推論時間
リソース使用量（CPU/GPU）

※ 通常はデータサイエンティストが担当

※ テスターも十分な知識があれば実施可能

② デプロイ・利用・監視フェーズ

9. モデルのデプロイ（Deploy）

完成したモデルを 実システムに組み込みます。

クラウド
組み込みシステム
Web API経由など

10. モデルの利用（Use）

モデルはAIシステムの一部として動作します。

バッチ処理（定期実行）
リアルタイム処理（オンデマンド）

11. モデルの監視と改善（Monitor & Fine-tune）

運用環境では、データの変化（ドリフト） が発生します。

入力データの傾向変化
精度低下

対応策

モデル再調整
新データで再学習
A/Bテストによる比較

👉 継続的改善 がML運用の本質です。

まとめ｜MLワークフローは「循環型プロセス」

MLワークフローは直線的ではなく、

学習・評価・改善を繰り返す循環型プロセスです。

ISTQB AI Testerでは、

各工程の目的
テスト観点
データとモデルの関係

を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】機械学習（ML）の3つの学習形態を徹底解説

admin — Sat, 17 Jan 2026 07:43:34 +0000

― 教師あり学習・教師なし学習・強化学習とは？

ISTQB AI Testerシラバスの Chapter 3（Machine Learning） では、

まず最初に「機械学習の学習形態（Forms of Machine Learning）」を理解することが求められます。

本記事では、以下の3つの機械学習の形態について、

定義 → 仕組み → 具体例 → 試験でのポイント の順でわかりやすく解説します。

教師あり学習（Supervised Learning）
教師なし学習（Unsupervised Learning）
強化学習（Reinforcement Learning）

機械学習（Machine Learning）とは？

機械学習とは、データからパターンやルールを学習し、将来の予測や判断を行う技術です。

AIシステムの多くは、この機械学習を中核として構成されています。

① 教師あり学習（Supervised Learning）

概要

教師あり学習とは、

「正解ラベル付きデータ（Labeled Data）」を使って学習する手法です。

入力データ：画像、数値、テキストなど
出力ラベル：「犬」「猫」「年齢」「価格」などの正解情報

学習時に「これは犬」「これは猫」と答えを明示的に与えるのが特徴です。

具体例①：画像認識（犬と猫の分類）

犬の画像 → ラベル「Dog」
猫の画像 → ラベル「Cat」

このような 入力＋正解ラベルのペア を大量に与えることで、

モデルは「犬らしさ」「猫らしさ」を学習します。

身近な例：Googleの「私はロボットではありません」

信号機・横断歩道・バス・自転車を選ばせる認証画面は、

教師あり学習で学習された画像分類モデルが使われています。

テストフェーズ

学習後、未学習の新しいデータ（Unseen Data） を入力
正しい予測ができるかを評価
精度が十分高ければモデルを本番環境へデプロイ

教師あり学習が解決する問題の種類

1️⃣ 分類（Classification）

入力データを あらかじめ決められたカテゴリ に分類する問題。

例

顔認証（本人／他人）
画像内の物体検出
メールのスパム判定

👉 スマホの顔認証は、

「あなたの顔画像＝1つのクラス」として学習されています。

2️⃣ 回帰（Regression）

数値を予測する問題。

例

年齢・身長・体重の推定
株価・売上・需要予測
開発スプリントの完了時期予測

👉 過去データの傾向から、将来の数値を推定します。

② 教師なし学習（Unsupervised Learning）

概要

教師なし学習では、

正解ラベルを与えずにデータの構造や共通点を見つけることが目的です。

ラベルなしデータ（Unlabeled Data）を使用
データ同士の「似ている／違う」を自動的に判断

身近な例：スマホの写真アプリ

誰の写真か一切指定していない
それでも「同じ人物の写真」が自動でグループ化される

👉 これが 教師なし学習（クラスタリング） です。

テストフェーズ

新しいデータを入力
既存のグループ（クラスタ）のどこに属するかを判断
写真の角度や光の影響で誤分類することもある

教師なし学習が解決する問題の種類

1️⃣ クラスタリング（Clustering）

データの類似性に基づいてグループ分けする。

例

顧客を購買傾向別に分類
行動パターン分析
異常検知（通常と異なるデータ）

2️⃣ アソシエーション（Association）

データ間の関連性・組み合わせ を見つける。

例

ECサイトの「この商品を買った人は、こちらも購入しています」
スマホ購入 → 保護フィルム・ケースの推薦

👉 購買行動の「一緒に起こりやすいパターン」を学習します。

③ 強化学習（Reinforcement Learning）

概要

強化学習は、

エージェント（Agent）が環境と相互作用しながら学習する手法です。

正解データは事前に用意しない
行動の結果に応じて「報酬」または「罰」を受け取る
試行錯誤を繰り返して最適な行動を学ぶ

仕組み（基本構造）

エージェント（AI）
環境
行動（Action）
報酬（Reward）

👉 良い行動 → 報酬

👉 悪い行動 → ペナルティ

具体例

自律走行車（障害物回避・速度調整）
ロボット制御
チャットボットの対話改善
ゲームAI（囲碁・将棋）

ポイント

事前にすべての状況を定義できない
センサー情報など リアルタイムデータ を利用
報酬設計が最も難しい課題

3つの学習形態の比較まとめ

学習形態	ラベル	主な用途
教師あり学習	あり	分類・数値予測
教師なし学習	なし	グループ化・関係性発見
強化学習	なし	自律的意思決定

ISTQB AI Tester試験対策ポイント

「ラベルの有無」 を必ず確認
分類＝教師あり、クラスタリング＝教師なし
強化学習＝報酬と環境の相互作用
実例と結びつけて理解するのが重要

まとめ

機械学習の3つの学習形態は、

AIシステムのテスト設計・評価観点を考える上で非常に重要です。

ISTQB AI Tester試験では、

「どの課題に、どの学習形態が適切か」を判断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 /JSTQB AI Tester 解説】ISTQB AI Tester｜Chapter 2 サンプル問題解説

admin — Fri, 16 Jan 2026 07:39:20 +0000

― 自律性・バイアス・リワードハッキングを完全理解 ―

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

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。

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。

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。

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

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。

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。

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。

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

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。

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。

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。

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

品質特性	見極めポイント
自律性	人の介入なしで判断・行動しているか
バイアス	データや母集団の偏りが原因か
リワードハッキング	目標達成のために不自然な行動を取っていないか

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。

posted with カエレバ

posted with カエレバ

【ISTQB /JSTQB AI Tester 解説】AIの透明性・解釈性・説明可能性と安全性とは？

admin — Thu, 15 Jan 2026 04:37:22 +0000

AI（人工知能）を活用したシステムは、私たちの生活や仕事の中で当たり前の存在になりつつあります。

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

観点	意味
透明性	何を使って作られているか分かる
解釈性	仕組みを理解できる
説明可能性	判断理由を説明できる

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。

posted with カエレバ

posted with カエレバ

【ISTQB /JSTQB AI Tester 解説】AIシステムの倫理・副作用・リワードハッキングをわかりやすく理解する

admin — Wed, 14 Jan 2026 04:33:05 +0000

ISTQB AI Tester シラバス Chapter 2「Quality Characteristics for AI-Based Systems」では、

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）

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
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
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
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
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。

posted with カエレバ

posted with カエレバ

【ISTQB /JSTQB AI Tester 解説】AIベースシステムの進化（Evolution）とバイアス（Bias）をわかりやすく理解する

admin — Tue, 13 Jan 2026 04:38:23 +0000

ISTQB AI Tester シラバス第2章では、AIベースシステム特有の品質特性について学びます。

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。

posted with カエレバ

posted with カエレバ