AIF責任あるAIのガイドライン
ある医療機関がAmazon SageMakerで患者の再入院リスクを予測するモデルを開発しました。担当医師から「なぜこの患者が高リスクと判定されたのか」という予測ごとの根拠説明を求められています。Amazon SageMaker Clarifyのどの機能を使用すべきですか？
Aトレーニング前バイアス分析（Pre-training Bias Analysis）を用いて学習データセット内の統計的偏りや不均衡を検出し定量化する
（トレーニング前バイアス分析）はデータ公平性の評価です。
BSHAP（SHapley Additive exPlanations：シャープリー加法的説明）値を算出して各特徴量が個々の予測に与える寄与度を可視化する
✓ 正解
SHAP（シャープリー加法的説明）はゲーム理論に基づく説明可能AI手法で、特定の予測結果に対して各特徴量がどれだけ寄与したかを数値化します。SageMaker ClarifyはSHAPを内蔵しており、個々の予測の根拠を臨床医に説明できます。
CSageMaker Model Monitorのデータドリフト検出機能を用いて本番環境での入力データの分布変化を継続的にモニタリングする
（SageMaker Model Monitor）は本番監視です。
DSageMaker Autopilotを活用して学習データを自動分析し、精度または解釈可能性を基準に最適なアルゴリズムを自動的に選択する
（SageMaker Autopilot）は自動MLのためのサービスです。
解説
選択肢A（トレーニング前バイアス分析）は、学習データセット内の統計的偏りや不均衡を定量化するためのバイアス評価機能であり、個々の予測結果の根拠説明には対応していません。
選択肢BのSHAP（SHapley Additive exPlanations：シャープリー加法的説明）値は、ゲーム理論に基づく説明可能AI手法で、特定の予測結果に対して各特徴量がどれだけ寄与したかを数値化します。SageMaker ClarifyはSHAPを内蔵しており、個々の予測根拠を臨床医に説明できる最適な選択です。
選択肢C（SageMaker Model Monitor）は、本番環境での入力データの分布変化（データドリフト）を継続監視する機能であり、個々の予測に対する根拠説明には対応していません。
選択肢D（SageMaker Autopilot）は、最適なアルゴリズムを自動選択・デプロイするAutoMLサービスであり、既存モデルの予測根拠を個別に説明する機能ではありません。
ドメイン別正答率・予想スコアでリアルタイムに実力把握
無限ノックでAIFを徹底対策。全問AI生成のオリジナル問題。
無料で演習を始める →