対象はJDLAの「AI倫理・AIガバナンス」Q19・Q20です。いずれも誤った記述を選ぶ問題で、公式正解は Q19＝D、Q20＝C。制度や技術動向に関する選択肢は、公式問題が作られた時点と現在とを区別して学びます。
Q19：顔認識の議論を一つの地域へ一般化しない
顔認識には、誤認識、集団間の性能差、本人への説明、監視への転用、データ保管といった論点があります。精度が高い製品でも、利用目的や運用条件が変われば適切さの判断も変わります。米国NISTの評価でも、人口統計的な属性による誤認識率の差はアルゴリズムや評価条件によって異なります。「すべて同じ差が出る」「単一の原因が証明された」とは言えません。
Q19のDは、米国の自治体の規制を、公共部門と民間部門の双方を含む一律の禁止が大半であるかのように広げた記述として、JDLAの公式解答では誤りとされています。個々の制度は地域・時期・対象・用途ごとに異なるため、昔の選択肢を現在の米国法の総論として暗記しないでください。日本で顔認識を導入する場合も、目的、案内、保存期間、代替手段などを具体的に考える必要があります。
Q20：学習データが増えると電力が減る、とは限らない
AIの環境負荷には、学習と推論に使う電力、半導体や設備の製造、冷却、水利用など複数の側面があります。Q20のCは、学習データを増やせば電力消費が減るという方向の断定が誤りです。データ量が増えれば処理すべき量や訓練時間が増えることもあり、モデルやハードウェアの効率改善だけで総消費量が減るとは限りません。
一方で、データを減らせば常に良いわけでもありません。少ないデータでは目標精度に届かず、訓練をやり直すかもしれません。環境面を評価するときは、学習1回の電力だけでなく、再学習回数、推論の利用回数、データセンターの条件まで合わせて測ります。国際エネルギー機関（IEA）も、AIの拡大に伴うデータセンターのエネルギー需要を評価しています。
自分で確かめる
練習：顔認識で「どの地域でも民間利用は全面禁止だ」という説明と、AI学習で「データを2倍にすれば消費電力は必ず半分になる」という説明を見ました。それぞれ何を確かめますか。
解答：前者は地域・施行時期・公共と民間の別・対象用途を確認します。後者は実際の処理量、訓練時間、設備の消費電力を測ります。どちらも条件を外した断定が危険です。
覚える一行：倫理は利用条件ごとに考え、環境負荷は実測する。広すぎる断定に注意します。
参照：JDLA公式問題と解答、NISTの顔認識評価、経済産業省のカメラ利用資料、IEAのEnergy and AI。