解説：AI倫理・法律
G検定 AI 倫理・法律
このページでは「AI 倫理・法律・社会実装」（シラバス法律倫理分野 全 18 項目＋技術分野 35〜36）を解説します。近年出題比率が増えている重要分野です。個人情報保護法・著作権・AI ガバナンス・公平性・透明性などをカバーします。
AI に関する主要な法律
AI 開発・運用で関わる主要法律。個人情報保護法と著作権法は特に頻出です。AI 学習データの扱いも問われます。
個人情報保護法
個人を識別できる情報の取扱いを規制。仮名加工情報・匿名加工情報の区別が重要。AI 学習データへの適用も注目。GDPR は EU の個人情報保護規則。
著作権法
AI 生成物の著作権帰属が問題に。AI 学習目的のデータ利用は一定条件下で認められる（著作権法 30 条の 4）。
特許法
AI 発明の特許取得可能性、職務発明の扱いが重要。新規性・進歩性が審査基準となります。
不正競争防止法
営業秘密・限定提供データの保護。AI が生成したデータの保護にも関連します。
独占禁止法
AI を使ったデータの寡占・競争阻害行為への規制。プラットフォーマーへの規制と関連します。
AI 開発受託契約
精度保証・NDA・PoC 契約など。準委任契約と請負契約の違いが重要なポイントです。
国内外の AI ガイドライン
AI 開発・運用の枠組み。法的拘束力のあるハードローと自主的なソフトローの違いが頻出です。
AI ガバナンス
AI の開発・利用を適切に管理・監督する枠組み。組織レベルから国レベルまで多層的に整備されています。
価値原則（AI 原則）
各国・企業が定める AI 開発・利用の基本原則。透明性・公平性・安全性などが代表的な価値です。
ハードロー vs ソフトロー
法的拘束力のある規制（ハード）と、自主的ガイドライン（ソフト）の対比。AI 規制では両者の組合せが議論。
リスクベースアプローチ
AI のリスクレベルに応じた規制を行う考え方。EU の AI Act が採用するアプローチで、リスク段階別の規制が特徴。
AI ポリシー
組織内の AI 利用ルールを定めた文書。企業の AI ガバナンス実装の基本となります。
AI 倫理の主要テーマ
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の主要テーマです。具体的事例とセットで押さえましょう。
公平性
AI の判断に差別・偏りが生じないようにする。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。
プライバシー
個人データの収集・利用における権利保護。プライバシー・バイ・デザイン、カメラ画像利活用ガイドブック。
透明性・説明可能性
AI の判断根拠を人間が理解できるようにする。ブラックボックス問題への対応、データの来歴、説明可能 AI。
安全性・セキュリティ
AI への攻撃や誤動作からの保護。Adversarial Attack（敵対的攻撃）、データ汚染、モデル汚染。
悪用
AI の不正使用や有害コンテンツの生成。ディープフェイク、フェイクニュースが代表的な脅威です。
民主主義への影響
AI による情報操作・世論誘導のリスク。エコーチェンバー、フィルターバブル。
環境への影響
大規模モデルの学習に伴う電力消費・CO2 排出。気候変動への影響として議論が進んでいます。
労働・雇用
AI による仕事の代替と新たな雇用創出のバランス。AI との協働、スキルの喪失、労働力不足。
インクルージョン
障害者・少数者への配慮、AI の恩恵を公平に享受する社会。ダイバーシティ、軍事利用の論点も含む。
AI ガバナンスと責任ある AI
AI を社会に適切に導入・運用するための仕組みを AI ガバナンスと呼びます。「責任ある AI（Responsible AI）」の考え方が頻出です。
公平性（Fairness）
AI が性別・人種・年齢などで不当な差別をしないこと。学習データのバイアスに注意が必要です。
透明性（Transparency）
AI の判断根拠を人間が理解できること。説明可能な AI（XAI）の研究が進む領域です。
説明責任（Accountability）
AI 利用者・開発者が判断結果に責任を持つこと。トレーサビリティの確保が前提となります。
プライバシー保護
個人データの収集・利用を最小限にし、適切に管理すること。データ最小化の原則が基本です。
安全性（Safety）
AI が意図しない害を与えないよう設計・運用すること。Adversarial Attack への耐性も含まれます。
AI の社会実装（項目 35〜36）
AI プロジェクトの進め方やデータの取扱いに関する基本用語。技術分野の項目ですが、倫理・ガバナンスと一体で問われることが多いです。
CRISP-DM
データ分析・AI 開発の標準的なプロセスモデル。業務理解 → データ理解 → 準備 → モデリング → 評価 → 展開。
MLOps
機械学習モデルの開発・運用・監視を継続的に改善する DevOps の AI 版。本番環境での運用が前提。
PoC（概念実証）
AI システムを本格導入前に小規模で試験する段階。投資判断や技術検証に使われます。
アジャイル開発
短いサイクルで繰り返し改善する開発手法。AI プロジェクトの不確実性に適した進め方です。
アノテーション
AI の学習データに正解ラベルを付与する作業。教師あり学習の品質を支える地味だが重要な工程。
データリーケージ
学習データにテストデータの情報が混入し、評価が過大になる問題。実運用で精度が出ない原因。
国内外の主な AI 規制
AI の普及に伴い、法律や規制の整備が進んでいます。G検定では日本の法律だけでなく、国際的な動向も問われます。
日本の主な法律
個人情報保護法・著作権法・不正競争防止法・特許法・独占禁止法など。AI 学習・運用での適用が論点。
EU AI 法（AI Act）
EU が制定した AI 規制法。リスクレベルに応じて AI システムを分類・規制するアプローチが特徴です。
OECD AI 原則
OECD が提唱する AI 開発・利用の国際的な指針。透明性・公平性・説明責任などを定めています。
GDPR（EU 一般データ保護規則）
EU の個人情報保護規則。AI 学習データに個人情報を含む場合の代表的な国際規制です。
この分野の出題ポイント
AI 倫理・法律分野で押さえておきたい 5 つのポイントです。近年比重が増加している重要領域です。
次のステップへ
AI 倫理・法律分野を押さえたら、練習問題と模擬テストで実力を試しましょう。