透明性の高い説明可能なモデルと、透明性の低い説明不可能なモデルの違い
Transparent/Explainable vs Opaque/Unexplainable Models
AI 生成試験ガイド v1.1 準拠人による確認：未実施
このページの内容は、AWS 公式の試験ガイドをもとに AI が作成しました。誤りを含む可能性があります。正式な情報は公式の試験ガイドで確認してください。
概要
「」はがどう作られたか（データ、学習、制限）を説明できること、「」は個々の出力がなぜそうなったかを説明できること。決定木や線形モデルは説明しやすく、深層や大規模 LLM はになりやすく直接説明しにくい。
Transparency means you can describe how the model was built (data, training, limits); explainability means you can say why a specific output came out that way. Decision trees and linear models are easier to explain; deep neural networks and large LLMs tend to be black boxes.
主な用語
| 日本語 | English |
|---|---|
| とうめいせい | Transparency |
| せつめいかのうせい | Explainability |
| Black box | |
| Interpretable model | |
| Post-hoc explanation |
解説
日本語の解説は準備中です。上の概要と用語表で要点を確認し、確認テストで理解度を確かめてください。
出典：AWS Certified AI Practitioner (AIF-C01) 試験ガイド Domain 4 › Task 4.2
項目名と要約は本サイトによるものです。試験ガイドの原文は公式サイトで確認してください。
読み終えたら「学習済み」にしましょう。確認テストで 80% 以上正解すると「習得済み」になります。
D4 確認テスト 1 へ