変更要約: 初版: ドメイン3（安全性・セキュリティ・ガバナンス）の4節を作成
3.4責任ある AI の原則の実装
透明性・公平性・説明責任を実装で担保する方法を学びます。推論の表示と出典提示、Bedrock agent tracing、公平性評価（CloudWatch メトリクス・A/B テスト・LLM-as-a-judge）、モデルカードによる制限の明示を扱います。
責任ある AI は理念でなく実装で示します。なぜその答えになったかを説明し（透明性）、偏りを評価・是正し（公平性）、限界を明示します（説明責任）。
3.4.1責任ある AI の実装
- 透明性：推論過程の表示、出典（根拠）の提示、CloudWatch での信頼度メトリクス収集、Bedrock agent tracing による推論トレース。
- 公平性評価：定義済みの公平性メトリクスを CloudWatch で監視、Prompt Management／Prompt Flows で A/B テスト、LLM-as-a-judge で自動評価。
- 説明責任：モデルカード で制限を明示し、Guardrails をポリシー要件に基づき設定、Lambda で自動コンプラチェック。
「回答の根拠/推論を見せる＝出典提示＋agent tracing」「偏りを自動評価＝LLM-as-a-judge＋公平性メトリクス」「2案の比較＝A/B テスト（Prompt Management/Prompt Flows）」「制限の明示＝モデルカード」 は頻出です。SageMaker Clarify はバイアス/説明可能性の評価にも使えます。
責任ある AI の実装は「見せる・測る・明示する」です。透明性は、回答に出典（根拠）を併記し、推論過程をユーザー向けに表示、Bedrock agent tracing でエージェントの推論ステップを可視化、CloudWatch で信頼度/不確実性メトリクスを収集します。公平性は、複数デモグラフィック間の出力差を測る公平性メトリクスを CloudWatch に定義し、2つのプロンプト/モデルを Prompt Management／Prompt Flows で A/B テスト、Bedrock の LLM-as-a-judge で大規模に自動評価します（SageMaker Clarify はバイアス/特徴寄与の評価に有用）。説明責任は、モデルカード で限界・既知のリスクを明示し、ポリシー要件に応じた Guardrails を設定、Lambda による自動コンプラチェックを組み込みます。理念を測定可能な実装へ落とすことが、プロに求められる責任ある AI の核心です。
| 原則 | 実装 | 手段 |
|---|---|---|
| 透明性 | 出典提示＋推論トレース | agent tracing/CloudWatch |
| 公平性 | 公平性メトリクス＋A/B＋自動評価 | LLM-as-a-judge/Clarify |
| 説明責任 | 制限の明示＋ポリシー強制 | モデルカード/Guardrails |
ひっかけ： 「責任ある AI はポリシー文書を用意すれば達成」は誤りです。出典提示・公平性メトリクス・A/B・LLM-as-a-judge・モデルカード・Guardrails といった測定可能な実装で担保します。また「LLM-as-a-judge は学習用のラベリング機能」も誤り（出力品質/公平性の自動評価手法）。
3.4.2この節のまとめ
- 透明性＝出典＋agent tracing／公平性＝メトリクス＋A/B＋LLM-as-a-judge
- 説明責任＝モデルカード＋Guardrails＋自動コンプラチェック
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. ユーザーに対し、生成された回答の根拠（どの文書に基づくか）と推論の透明性を示したい。適切な実装は？
Q2. 2つのプロンプト案の間で、複数のデモグラフィック間の出力の公平性を体系的に比較評価したい。最適な手段の組み合わせは？
Q3. モデルの既知の限界やリスクを利用者・監査人に明示し、説明責任を果たしたい。最適なのは？