【G検定過去問風テスト】AIの精度と説明可能性のトレードオフを徹底解説

2026年8月23日 2026年8月23日 atsushi_kitazawa

※本記事では、アフィリエイトプログラムより教材を紹介しています。

📝 問題

AIモデルの性能や特性に関する説明として、最も適切な選択肢を1つ選べ。

A）ディープラーニングモデルは、従来の単純なモデルと比較して、高い予測精度と高度な説明可能性を同時かつ容易に両立できる点に最大の特徴がある
B）モデルの複雑さを上げて予測精度を高めようとすると、一般的にモデルの解釈性や説明可能性は低下する傾向にある
C）AIガバナンスの観点から、用途やリスクの大小にかかわらず、世の中に提供されるすべてのAIシステムに対して全く同じレベルの高度な説明可能性が法的に一律義務付けられている
D）説明可能性（XAI）とは、AIの学習データがどのウェブサイトから取得され、いつデータベースに格納されたかという履歴を管理・提示する運用のことである

🔍 ここをクリックして正解を見る

正解: B）モデルの複雑さを上げて予測精度を高めようとすると、一般的にモデルの解釈性や説明可能性は低下する傾向にある

💡 合格に近づく！徹底解説

重要度: ★★★

■ 1分で分かる！この問題の要点

予測精度と説明可能性（解釈性）の間には、一般的に「トレードオフの関係」が存在する。
ディープラーニングは精度が極めて高い反面、ブラックボックス化しやすく説明可能性が低くなる。
法律やガイドラインによる説明義務は、リスクの大きさに応じて求められるレベルが異なる（リスクベースアプローチ）。

■ 初学者向け解説（例え話や背景）

複雑なパズルを解くときに、直感やひらめきで一瞬で正解を当てる名人は「なぜその答え分かったの？」と聞かれてもうまく説明できませんよね。AIも同じで、数百万ものパラメータを組み合わせて超高精度な予測をたたき出すモデルほど、内部の仕組みが複雑になりすぎて人間には「なぜその予測をしたのか」が分からなくなってしまいます。これが精度と説明可能性のトレードオフです。

■ 選択肢の解説

A) ディープラーニングモデルは...（×）: 精度と説明可能性を「同時かつ容易に両立できる」という点が誤りです。高精度なモデルほど説明可能性は低下しやすくなります。
B) モデルの複雑さを上げて予測精度を高めようとすると...（○）: 正しい記述です。複雑なモデルほどブラックボックス化しやすく、解釈性が低くなるトレードオフが存在します。
C) 用途やリスクの大小にかかわらずすべてのAIに...（×）: リスクの小さいAIにまで一律の高度な説明義務が課されるわけではありません（リスクベースアプローチが基本です）。
D) 説明可能性（XAI）とはデータの履歴を管理・提示する...（×）: データの履歴管理に関する記述は「データの来歴（データリネージ）」の説明であり、誤りです。

リンク