解説：法律・倫理
G検定 法律・倫理・AIガバナンス
このページでは、G検定で押さえておきたい法律・倫理・AIガバナンスを解説します。個人情報保護、著作権、AI倫理、公平性、透明性、説明可能性、生成AIのリスク、AIの社会実装など、近年重要度が高いテーマを整理します。
法律・倫理は後回しにしすぎない
G検定では、AIの技術だけでなく、AIを社会で安全に使うための法律・倫理・ガバナンスも問われます。生成AIの普及により、著作権・個人情報・バイアス・フェイク情報などの論点も重要になっています。
前提：生成AIとの関係
LLMや画像生成AIは便利な一方で、著作権・個人情報・ハルシネーション・悪用リスクと深く関係します。
理解度チェック
法律・倫理は用語だけでなく、具体的な場面でどう判断するかが問われやすい分野です。
演習で定着させる
個人情報・著作権・AI倫理・ガバナンスは、問題演習で選択肢を判断できるようにしておきましょう。
最新情報は公式資料も確認しましょう
- 法律・規制・ガイドラインは改訂される場合があります。
- 受験前にはJDLA公式シラバス、文化庁のAIと著作権に関する資料、個人情報保護委員会の情報、AI事業者ガイドラインなども確認しておくと安心です。
- このページはG検定対策向けの学習整理であり、個別の法的判断を示すものではありません。
AIに関する主要な法律
AIの開発・利用では、個人情報保護法や著作権法を中心に、さまざまな法律が関係します。G検定では、法律名と「何を守るための法律か」をセットで押さえましょう。
個人情報保護法
個人を識別できる情報の取扱いを定める法律です。個人情報、個人データ、匿名加工情報、仮名加工情報などの違いを整理しましょう。
著作権法
文章・画像・音楽・プログラムなどの著作物を保護する法律です。AI学習、生成物、無断利用、権利者の利益との関係が論点になります。
特許法
発明を保護する法律です。AIを使った発明、AI関連技術、職務発明などの論点と関係します。
不正競争防止法
営業秘密や限定提供データなどを保護する法律です。AI開発で使うデータやノウハウの取扱いと関係します。
独占禁止法
公正な競争を守るための法律です。データの集中、プラットフォーム、AIによる価格設定などの論点と関係します。
AI開発契約
AI開発では、成果物、データの権利、精度保証、秘密保持、責任分担などを契約で整理する必要があります。請負契約と準委任契約の違いも押さえましょう。
個人情報・著作権で押さえたいポイント
個人情報と著作権は、G検定の法律分野でも特に重要です。生成AIと関係する論点も多いため、学習データ・入力データ・出力結果のそれぞれで注意点を整理しましょう。
個人情報
氏名、住所、顔写真、メールアドレスなど、特定の個人を識別できる情報です。AI学習や分析で扱う場合も、適切な管理が必要です。
匿名加工情報
特定の個人を識別できないように加工し、復元できないようにした情報です。仮名加工情報との違いを整理しましょう。
仮名加工情報
他の情報と照合しない限り個人を識別できないように加工した情報です。匿名加工情報よりも、再識別可能性への注意が必要です。
学習データの取扱い
AIの学習に使うデータには、個人情報や著作物が含まれる場合があります。取得方法、利用目的、権利者の利益を不当に害しないかを確認する視点が重要です。
AI生成物
AIが生成した文章・画像・音声などの扱いは、創作性、既存著作物との類似性、利用目的などが論点になります。
入力情報の注意
生成AIに個人情報、機密情報、未公開情報を入力すると、漏えいリスクが生じる場合があります。業務利用では社内ルールの確認が必要です。
AI倫理の主要テーマ
AI倫理では、公平性・透明性・安全性・プライバシーなど、AIが社会に与える影響を考えます。G検定では、用語の意味と具体例をセットで覚えると判断しやすくなります。
公平性
AIの判断に不当な偏りや差別が生じないようにする考え方です。アルゴリズムバイアス、サンプリングバイアス、センシティブ属性と関係します。
プライバシー
個人データの収集・利用・保存・共有において、個人の権利や安全を守る考え方です。プライバシー・バイ・デザインも重要です。
透明性・説明可能性
AIがどのような根拠で判断したのか、人間が理解できるようにする考え方です。ブラックボックス問題やXAIと関係します。
説明責任
AIの開発者・提供者・利用者が、AIの判断や影響について適切に説明し、責任を持つ考え方です。トレーサビリティとも関係します。
安全性・セキュリティ
AIが意図しない害を与えないようにする考え方です。敵対的攻撃、データ汚染、モデル汚染などのリスクを押さえましょう。
インクルージョン
AIの恩恵を一部の人だけでなく、多様な人が公平に受けられるようにする考え方です。アクセシビリティやダイバーシティとも関係します。
生成AIで注意したいリスク
生成AIは便利な一方で、誤情報、権利侵害、個人情報漏えい、悪用などのリスクがあります。自然言語処理や生成AIを学んだ後は、リスク面も必ず確認しましょう。
ハルシネーション
AIが事実と異なる内容を、もっともらしく生成してしまう現象です。生成AIの出力は必ず確認が必要です。
ディープフェイク
AIで人物の顔や声を合成し、本人のように見せる技術です。詐欺、なりすまし、偽情報拡散のリスクがあります。
フェイクニュース
生成AIによって、事実と異なる情報を大量に作成・拡散できるリスクがあります。情報の信頼性確認が重要です。
フィルターバブル
利用者の好みに合う情報ばかりが表示され、異なる視点に触れにくくなる状態です。推薦アルゴリズムと関係します。
エコーチェンバー
似た意見を持つ人同士で情報が繰り返され、考えが強化される現象です。世論形成や民主主義への影響と関係します。
環境負荷
大規模AIモデルの学習や運用には、多くの計算資源や電力が必要になる場合があります。AI活用では環境面の視点も重要です。
AIガバナンスと責任あるAI
AIガバナンスとは、AIを適切に開発・提供・利用するための管理体制やルールのことです。組織としてAIのリスクを把握し、責任あるAI利用を進める考え方が重要です。
AIポリシー
組織としてAIをどのように使うかを定めた方針です。利用範囲、禁止事項、確認手順、責任分担などを整理します。
リスクベースアプローチ
AIの用途や影響の大きさに応じて、必要な管理や規制の強さを変える考え方です。高リスクなAIほど厳格な管理が求められます。
トレーサビリティ
AIの判断や出力について、どのデータ・モデル・プロセスが関係したかを追跡できるようにする考え方です。
倫理アセスメント
AIの導入前後に、差別・安全性・プライバシー・説明責任などの観点からリスクを確認する取り組みです。
ハードロー・ソフトロー
ハードローは法的拘束力のある法律・規制、ソフトローはガイドラインや自主ルールです。AI分野では両方を理解することが重要です。
AIの社会実装で押さえる用語
AIを実務に導入するには、技術だけでなく、プロジェクトの進め方やデータの扱いも重要です。G検定では、社会実装に関する用語も問われます。
CRISP-DM
データ分析プロジェクトの標準的な進め方です。業務理解、データ理解、データ準備、モデリング、評価、展開の流れを押さえましょう。
MLOps
機械学習モデルの開発・運用・監視を継続的に行う考え方です。本番環境でAIを運用するために重要です。
PoC
概念実証のことです。AIを本格導入する前に、小規模に試して効果や実現可能性を確認します。
アジャイル開発
短いサイクルで試作と改善を繰り返す開発手法です。不確実性の高いAIプロジェクトと相性があります。
アノテーション
学習データに正解ラベルを付ける作業です。教師あり学習の品質に大きく影響します。
データリーケージ
本来使ってはいけない情報が学習データに混入し、評価結果が過大に見える問題です。実運用で性能が出ない原因になります。
国内外の主な規制・ガイドライン
AIの利用が広がる中で、国内外で規制やガイドラインの整備が進んでいます。G検定では、代表的な枠組みと考え方を押さえておきましょう。
日本のAI事業者ガイドライン
AIを開発・提供・利用する事業者向けのガイドラインです。安全性、透明性、公平性、説明責任などの観点を整理しています。
EU AI Act
EUのAI規制です。AIのリスクに応じて規制の強さを変えるリスクベースアプローチが特徴です。
OECD AI原則
信頼できるAIのための国際的な原則です。人権、透明性、安全性、説明責任などの考え方と関係します。
GDPR
EUの個人データ保護規則です。AIで個人データを扱う場合の国際的な規制として押さえておきましょう。
この分野の出題ポイント
法律・倫理・AIガバナンス分野では、用語の意味だけでなく、具体的な場面でどの考え方が関係するかを判断できるようにすることが大切です。
法律・倫理を学んだ後の進め方
法律・倫理まで確認できたら、練習問題と模擬テストで全体の理解度を確認しましょう。苦手分野が見つかった場合は、分野別問題集で重点的に復習するのがおすすめです。
次のステップへ
法律・倫理まで押さえたら、練習問題と模擬テストで全体の理解度を確認しましょう。試験前は、間違えた問題をそのままにせず、分野別に復習することが大切です。