変更要約: AI-900 第1章を AZ-900 基準まで深掘り（AI⊃ML⊃深層学習の関係、提供形態=事前構築/カスタム比較表、原則別Azureツール表、バイアスの仕組み、FAQ・追加クイズ）
1.2責任ある AI の原則
AI を安全・公正・透明に使うための Microsoft の「責任ある AI」6原則（公平性／信頼性と安全性／プライバシーとセキュリティ／包括性／透明性／説明責任）と、各原則を支える Azure の機能・ツールを理解します。
AI は強力な反面、偏り（バイアス）・誤り・プライバシー侵害・悪用などのリスクも伴います。Microsoft は AI を健全に活用するための指針として 責任ある AI（Responsible AI）の6原則を定めています。これらは抽象的な理念にとどまらず、Azure では各原則を支える具体的なツールや機能が用意されています。AI-900 では、各原則の意味と「どんな場面がどの原則に当たるか」を結べることが重要です。
1.2.16つの原則
- 公平性（Fairness）：特定のグループに不当な偏りを生まないようにする（例：性別・人種で差をつけない）。
- 信頼性と安全性（Reliability & safety）：一貫して安全に動作し、想定外の入力にも耐える（例：自動運転の安全動作）。
- プライバシーとセキュリティ（Privacy & security）：個人データを保護し、安全に扱う。
- 包括性（Inclusiveness）：あらゆる人（障がいの有無等を問わず）が利用できるようにする。
- 透明性（Transparency）：AI の動作・能力・限界を理解できるようにする（例：判断根拠の説明）。
- 説明責任（Accountability）：AI の結果に対して人（組織）が責任を負う仕組み・統制を持つ。
| 原則 | キーワード | 具体例 |
|---|---|---|
| 公平性 | 偏りを避ける | 採用AIが性別で差別しない |
| 信頼性と安全性 | 安全に一貫動作 | 異常入力でも暴走しない |
| プライバシーとセキュリティ | データ保護 | 個人情報を匿名化/保護 |
| 包括性 | 誰もが利用 | 音声/字幕で障がい者も利用可 |
| 透明性 | 説明できる | なぜその判断かを説明 |
| 説明責任 | 人が責任 | 結果に組織が責任を持つ |
1.2.2なぜ偏り（バイアス）は生まれるのか
公平性が特に重視されるのは、AI の偏りが学習データそのものの偏りから生まれるためです。たとえば過去の採用データが特定の属性に偏っていれば、それで学習した AI も同じ偏りを再生産してしまいます。これは「AI が悪意を持つ」のではなく、与えたデータの偏りを忠実に学んでしまう結果です。だからこそ、学習データの代表性を点検し、結果を継続的に監視する仕組みが必要になります。同様に、誤りやプライバシー侵害も「運用の中で起こりうる前提」で対策するのが責任ある AI の考え方です。
1.2.3各原則を支える Azure の機能
| 原則 | Azure の支援例 |
|---|---|
| 公平性 | Responsible AI ダッシュボード（公平性評価）／Fairlearn |
| 信頼性と安全性 | モデルの誤差分析・エラー分析、テスト/監視 |
| プライバシーとセキュリティ | データ暗号化・アクセス制御・差分プライバシー |
| 包括性 | 音声認識・読み上げ・字幕・Immersive Reader |
| 透明性 | モデル解釈可能性（InterpretML）／透明性ノート |
| 説明責任 | ガバナンス・監査ログ・人による最終承認 |
Q. 透明性と説明責任の違いは？ 透明性は「仕組みや根拠が理解できる」こと（説明可能性）。説明責任は「結果に対して人・組織が責任を負い、統制する」こと。前者は“分かる”、後者は“責任を持つ”——主語が「AIの理解しやすさ」か「人の責任」かで区別します。Q. 公平性と包括性の違いは？ 公平性は「特定グループに不当な差をつけない」、包括性は「障がいの有無等を問わず誰もが使える（アクセシビリティ）」。前者は“偏りを避ける”、後者は“全員が参加できる”観点です。
シナリオ：医療診断支援AIの導入。 患者データはプライバシーとセキュリティで保護、誤診を避けるため信頼性と安全性を検証、特定の人種で精度が落ちないか公平性を点検、判断根拠を医師に示す透明性、最終判断と責任は医師＝説明責任、視覚障がいのある医師も使える包括性。1つの導入に6原則すべてが関わります。
混同に注意：
①公平性（偏りを避ける）と包括性（誰もが利用できる＝アクセシビリティ）。
②透明性（理解できる/説明可能）と説明責任（人が責任・統制）。
③信頼性と安全性（安全に一貫動作）とプライバシーとセキュリティ（データ保護）。キーワードで結びつけると取り違えません。
「原則 → 具体例」を結ぶ問題が頻出です。例：「採用 AI が性別で偏らない」＝公平性、「AI の判断根拠を説明できる」＝透明性、「個人情報を保護する」＝プライバシーとセキュリティ、「結果の責任を人が持つ」＝説明責任、「障がいの有無を問わず使える」＝包括性、「想定外入力でも安全」＝信頼性と安全性。
1.2.4この節のまとめ
- 責任ある AI ＝ AI を安全・公正・透明に使うための指針
- 6原則：公平性／信頼性と安全性／プライバシーとセキュリティ／包括性／透明性／説明責任
- 偏りは学習データの偏りから生まれる→代表性の点検と継続監視が必要
- 試験は「原則 → 具体例」の対応が鍵。キーワードで連想（公平性＝偏り／透明性＝説明／説明責任＝人の責任）
進捗の記録にはログインが必要です。
理解度チェック
（軽い確認用）Q1. 採用選考の AI が特定の性別に不利にならないようにすることは、責任ある AI のどの原則に最も関係しますか？
Q2. AI がなぜその判断に至ったかを利用者が理解できるようにすることは、どの原則に当たりますか？
Q3. 「AI の結果に対して最終的に人が責任を負う」ことを表す原則はどれですか？
Q4. 障がいの有無にかかわらず、あらゆる人が AI サービスを利用できるようにすることはどの原則ですか？
Q5. 想定外の入力を受けても AI が一貫して安全に動作するようにすることはどの原則ですか？
Q6. AI モデルの偏り（バイアス）が生じる最も一般的な原因はどれですか？