AIF-C01：AWS Certified AI Practitioner AI と機械学習の基礎 問18
AI と機械学習の基礎／ML 開発ライフサイクル（データ収集・学習・評価・デプロイ・MLOps）機械学習プロジェクトで、学習に使うデータに欠損値・重複・ラベルの誤り・偏りが多く含まれていることが分かりました。ML 開発ライフサイクルの観点から最も適切な考え方はどれですか。
当サイトのオリジナル問題（AIF-C01：AWS Certified AI Practitionerの出題範囲「AI と機械学習の基礎」に対応。実際の試験問題ではありません）
- Aデータの質はモデルの性能にほとんど影響しないため、そのまま学習させてよい
- Bモデルのアルゴリズムを変えれば、データの品質問題は自動的に解消される
- C学習前のデータ収集・前処理（クレンジング・品質確保）が性能を大きく左右するため、品質問題に対処してから学習する
- Dデータ量さえ多ければ、品質は問わなくてよい
正解：C
解説
機械学習では「質の低いデータからは質の低いモデルしか得られない（Garbage In, Garbage Out）」とされ、データ収集・前処理（欠損・重複・誤りの除去、偏りへの対処など）はモデル性能を大きく左右する重要な工程です。データ品質を無視したり、アルゴリズム変更や量の多さだけで品質問題が解決すると考えるのは誤りです。
下線の用語は 用語集 で意味を確認できます。
選択肢ごとの解説
- A誤り。データの質はモデル性能を大きく左右するため、品質問題を放置してはいけません。
- B誤り。アルゴリズムを変えてもデータ自体の欠損・誤り・偏りは解消されません。
- C正しい。学習前のデータ収集・前処理（品質確保）が性能を大きく左右するため、先に品質問題へ対処します。
- D誤り。データ量が多くても、質が低ければモデルの性能は上がりにくくなります。