最終更新日：2026年8月27日
gk ethics cheatsheet
まず結論
AI倫理は、1つの指標だけで判断するのではなく、人や社会への影響を複数の観点から見ることが重要です。
| 観点 | 試験で見るポイント |
|---|---|
| 公平性 | 特定の集団だけ不利になっていないか |
| 説明可能性（XAI） | なぜその判断になったか説明できるか |
| プライバシー | 必要以上に個人へ踏み込んでいないか |
| 安全性・ロバスト性 | 想定外の状況でも危険な動作を抑えられるか |
| 透明性・説明責任 | AIの利用目的や責任主体が明確か |
| 人間による監督 | 人が確認・介入・停止できるか |
G検定では、「精度が高い＝倫理的に正しい」ではないと切れることが重要です。
直感的な説明
AIが高い精度で正解を出していても、次のような問題は残ります。
- 特定の人だけ不利になる
- なぜその結果なのか説明できない
- 必要以上の個人情報を使っている
- 誤作動したときに止められない
- 誰が責任を持つのか分からない
つまりAI倫理は、「当たるか」だけでなく「どう使うか」まで含めて考える分野です。
定義・仕組み
公平性（Fairness）
特定の属性や集団へ不当に不利益が集中しないようにする考え方です。
学習データに偏りがあると、モデルの出力にも偏りが現れることがあります。また、保護したい属性を入力から削除しても、ほかの特徴量が代理変数となり、偏りが残ることがあります。
説明可能性（Explainability / XAI）
AIがなぜその判断をしたのか、人が理解できる形で説明しようとする考え方です。
ただし、説明できることと、安全・公平であることは同じではありません。説明の分かりやすさと、モデルの本当の判断過程への忠実さも区別します。
プライバシー（Privacy）
個人に関する情報を必要以上に収集・利用・推測しないようにする考え方です。
G検定では、単に「個人情報かどうか」だけでなく、データ活用と個人への影響のバランスを見ることが重要です。
仮名加工情報・匿名加工情報などの法的な区分は、それぞれ要件や利用・提供上の制約があります。加工したから無条件に自由利用できるとは考えません。
安全性・透明性・人間による監督
- 安全性・ロバスト性：誤入力や環境変化があっても危険を抑える
- 透明性：AIを使っていること、目的、制約などを適切に示す
- アカウンタビリティ：誰が説明・対応する責任を持つかを明確にする
- 人間による監督：高リスクな判断をAIだけに任せず、人が介入できるようにする
AI倫理は開発時だけで終わるものではありません。導入後も性能低下、偏り、事故などを監視し、必要に応じて修正・停止します。
いつ使う？（得意・不得意）
問題文の表現から、どの論点かを切り分けます。
| 問題文の表現 | 注目する観点 |
|---|---|
| 特定の集団だけ不利 | 公平性 |
| 判断理由を説明したい | XAI・説明可能性 |
| 顔・位置・行動履歴などの扱い | プライバシー |
| 誤作動や攻撃に耐える | 安全性・ロバスト性 |
| 誰が責任を負うか | アカウンタビリティ |
| AIを人が止められる | 人間による監督 |
複数の観点が同時に関係する場合もあるため、1語だけで機械的に決めつけないことが大切です。
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」→ 公平性・プライバシー・安全性などは別問題
- ❌「説明できるAIは常に安全」→ 説明可能性と安全性は別の観点
- ❌「保護属性を削除すれば必ず公平になる」→ 代理変数で偏りが残ることがある
- ❌「匿名化・加工すれば何にでも自由に使える」→ 法的要件や利用上の制約がある
- ❌「AIが判断したので人に責任はない」→ 説明責任と人間の監督が重要
- ❌「倫理確認は導入前に一度だけ行えばよい」→ 運用後の継続的な監視が必要
- ⭕「極端な表現」や「必ず・完全に・すべて解決」に注意する
まとめ（試験直前用）
- 公平性 → 偏り・差別
- XAI → なぜその判断か
- プライバシー → 個人への影響
- 安全性 → 危険を抑えられるか
- 透明性・説明責任・人間の監督も重要
- 精度だけではAI倫理を判断できない
迷ったら、「誰に、どんな不利益やリスクがあるか？」を考えます。