問題 No.1957
AIやディープラーニングを活用したシステムにおいて、さまざまな物理量を検知・取得するために用いられる「センサ」の役割に関して、不適切なものを一つ選べ。
【正解の解説】
センサが取得した生データの前処理や特徴量抽出の工程は、機械学習モデルの入力精度に関わらずすべて自動で最適化されるため、人間による設計や調整は一切不要である。
料理に例えるなら、センサが収穫した食材（生データ）をAIが美味しく調理するためには、人間が下処理や味付けの方向性（特徴量設計）を丁寧に決めてあげる必要があります。AIが勝手に全てを完璧にやってくれるわけではなく、ゴミのようなデータを与えればゴミのような結果しか返ってこない「ゴミイン・ゴミアウト」の原則があるため、人間の事前の設計や調整が必ず必要となります。
スポンサーリンク
【その他の選択肢の解説】
センサから出力されるアナログ信号をデジタル値に変換する量子化の過程では、サンプリング間隔の調整次第で検出精度やデータの再現性が大きく変動する。
初学者が「センサの基本動作」として見落としがちな、アナログからデジタルへ変換する際のサンプリング間隔の重要性を突いたひっかけです。連続的な物理量をデジタル化する際、測定の網の目が粗すぎると肝心なデータの変化を取りこぼしてしまうため、この調整はデータの再現性を決める極めて重要なエンジニアリングの要素となります。
近年のエッジAIデバイスに搭載されるスマートセンサでは、デバイス単体でのデータ処理能力が向上しているため通信帯域の負荷を効率的に軽減できる。
通信帯域の負荷軽減というエッジAIの利点を述べた適切な記述です。人間で例えるなら、全ての情報を本部に逐一無線で報告するのではなく、現場の警備員（スマートセンサ）が自分で判断して重要な異常だけを報告するようなものです。これにより無駄な通信が減り、システム全体の効率が劇的に向上するという近年のIoTトレンドを的確に表しています。
センサが収集する時系列データに含まれる環境ノイズや欠損値を除去する補正処理は、後続のパターン認識や異常検知の精度向上に直接的な影響を与える。
ノイズ除去や欠損値の補正は、AIが誤った学習をするのを防ぐための極めて重要な前処理です。例えば、メガネが汚れて曇っていると正しい景色が見えないのと同じで、センサデータにノイズが混ざったままだと、後続のパターン認識モデルが誤った判断を下してしまいます。したがって、この前処理の正確さはAIの信頼性を担保する上で直結する重要なプロセスです。