解説

機械学習におけるバイアス（偏り）は、学習データに偏りや質の問題があることで、モデルが特定方向に誤った予測をしてしまう現象です。バイアスを低減し、データ品質を高めるためには、①学習目的に適したデータであること（適合性）、②データの入手元・作成来歴（プロベナンス）の確認、③適切なアノテーション（ラベル付け）の実施が重要です。「人間でも判断困難な画像データを除外する」は、逆に学習データの多様性を損ない、モデルが難しいケースを学習できなくなるため不適切です。本問では選択肢a・b・cの3つが全て適切な対策として組み合わさった選択肢が正解となります（選択肢bとして示されているa,b,cの組合せ）。

なぜ他の選択肢は違うのか

選択肢 ア

選択肢aは「学習目的に適したデータか確認する」という適切な対策のみを示しており、b（入手元・来歴の確認）とc（アノテーションの適切な実施）も重要な対策であることを見落としています。バイアス低減には複数の観点からのデータ品質確保が必要で、一つの対策だけでは不十分です。

選択肢 ウ

a（適合性確認）とc（アノテーション）は適切な対策ですが、b（入手元・作成来歴の確認）を除外しています。データのプロベナンス（来歴）確認は、偏ったソースから収集されていないか、意図的に操作されていないかを確かめる上で重要であり、省略すべき対策ではありません。

選択肢 エ

「人間の目でも同定困難な画像を除外する」は誤った対策です。AIが人間より優れた認識能力を持てるようにするには、人間が難しいと感じるデータを学習させることも重要です。これを除外するとモデルが難易度の高いケースに対応できなくなります。

解くときのポイント

機械学習のデータ品質確保では「目的適合性の確認」「来歴・出典の確認」「適切なアノテーション」が三本柱。「難しいデータを除外する」は誤った直感なので注意。難しいデータこそ学習させることでモデルが強化されます。