最終更新日：2026年7月14日
gk ethics cheatsheet
G検定トップ
＞ AI倫理まとめ（G検定対策）
まず結論
-
G検定のAI倫理は「3本柱」で整理すると強い
- 公平性（Fairness）
- 説明可能性（Explainability / XAI）
- プライバシー（Privacy）
- 技術そのものより 社会への影響と扱い方 が問われる
- 安全性、透明性、説明責任、人間による監督も含めて考える
直感的な全体像
AI倫理は、
「AIを使っても、人が不利益を受けないか？」
という視点で考えます。
- 正しい結果でも
- 公平でなければNG
- 説明できなければNG
- 個人情報を侵害すればNG
AI倫理は、どれか一つの指標を最大にすれば完成するものではありません。精度、公平性、説明可能性、プライバシー、安全性にはトレードオフがあり、利用場面と影響を踏まえて設計・運用します。
① 公平性（Fairness）
何が問題になる？
- 特定の属性だけ不利になる
- 学習データの偏りが原因
例
- 採用AIが特定の性別を排除
- 顔認識が特定人種で誤認識
対策の考え方
- データの偏りを減らす
- 属性ごとの性能を評価
公平性には複数の定義があり、すべてを同時に満たせない場合があります。「保護属性を入力から削除すれば差別は必ずなくなる」という説明は誤りです。ほかの特徴量が保護属性の代理変数になることがあります。
② 説明可能性（Explainability / XAI）
なぜ必要？
- なぜその判断になったのか分からない
- ブラックボックス問題
代表的な考え方
- XAI（Explainable AI）
- モデルの判断根拠を人に説明
注意点
- 説明性 ↑ → 知的財産リスク ↑
- 説明が分かりやすくても、説明内容が忠実・正確とは限らない
③ プライバシー（Privacy）
関連キーワード
- 個人情報
- 仮名加工情報
- 匿名加工情報
重要な切り分け
- 社内利用 → 仮名加工情報
- 外部提供 → 匿名加工情報
仮名加工情報は原則として内部分析向けで、匿名加工情報は一定の義務を守った上で第三者提供が可能です。ただし、加工すれば無条件に自由利用できるわけではありません。
④ 安全性・透明性・人間による監督
- 安全性・ロバスト性：想定外入力や環境変化でも危険な動作を抑える
- 透明性：AIを利用していること、目的、制約などを適切に示す
- アカウンタビリティ：判断や事故に対して誰が説明・対応するかを明確にする
- 人間による監督：高リスクな判断をAIだけに任せず、確認・介入・停止できるようにする
AI倫理は開発時だけの確認事項ではありません。導入後も性能低下、データ分布の変化、差別的影響、事故などを監視し、必要に応じて修正・停止します。
G検定ひっかけポイント
- ❌「精度が高ければ倫理的に問題ない」→ 誤り
- ❌「説明できるAIは常に安全」→ 誤り
- ❌「匿名化すれば何でもOK」→ 誤り
- ❌「保護属性を削除すれば公平になる」→ 代理変数による偏りが残る場合がある
- ❌「AIの判断なので提供者に責任はない」→ 説明責任と人間の監督が必要
- ❌「倫理確認は開発時に一度行えばよい」→ 運用後の継続監視が必要
まとめ（試験直前用）
- AI倫理は 公平性・説明可能性・プライバシー・安全性を横断して考える
- 技術より社会的影響を見る
- 透明性、説明責任、人間による監督、運用後の監視が重要
- 法務分野とセットで覚える
👉 次は 法務・倫理ひっかけ問題集（総集編） に進むと完成です。