AI: AI 倫理と未来

# 性別関連キーワードが AI スコアをどう偏らせるかをシミュレート
def score_resume(resume_text, model_bias=0.0):
    """設定可能なバイアスを持つ AI 履歴書採点器をシミュレート。"""
    base_score = 70

    # 男性関連キーワードは加点、女性関連は減点
    male_keywords = ["football", "military", "competitive", "dominant"]
    female_keywords = ["cheerleading", "nursing", "collaborative", "supportive"]

    for kw in male_keywords:
        if kw in resume_text.lower():
            base_score += 5 + model_bias  # バイアスが差を増幅

    for kw in female_keywords:
        if kw in resume_text.lower():
            base_score -= 5 + model_bias

    return min(max(base_score, 0), 100)

# 同じ資格だが課外活動が異なる 2 通
resume_a = "CS 学士、5 年経験、フットボール部主将"
resume_b = "CS 学士、5 年経験、チアリーディング部主将"

print(f"履歴書 A（男性コード）: {score_resume(resume_a, model_bias=3)}")
print(f"履歴書 B（女性コード）: {score_resume(resume_b, model_bias=3)}")
print(f"差: {score_resume(resume_a, model_bias=3) - score_resume(resume_b, model_bias=3)} 点")

履歴書 A (男性コード): 88
履歴書 B (女性コード): 52
差: 36 点

# 簡単な例で差分プライバシーの概念を示す
import random

def count_with_dp(data, threshold, epsilon=1.0):
    """差分プライバシーのノイズを加えて閾値超えをカウント。"""
    true_count = sum(1 for x in data if x >= threshold)

    # Laplace 機構：感度と epsilon に応じて較正したノイズを加える
    # 感度 = 1（1 人追加／削除でカウントは最大 1 変化）
    sensitivity = 1
    scale = sensitivity / epsilon
    noise = random.gauss(0, scale)  # ガウス機構の変種

    noisy_count = true_count + noise
    return true_count, round(noisy_count, 2)

# 10 人の従業員の給与（単位 $1000）
salaries = [45, 52, 48, 78, 55, 61, 49, 92, 53, 67]

true_val, dp_val = count_with_dp(salaries, threshold=60, epsilon=1.0)
print(f"真のカウント (給与 >= $60k): {true_val}")
print(f"DP カウント (epsilon=1.0):      {dp_val}")
print(f"プライバシー保証: いずれか 1 人の存在で出力が変化する幅は最大約 1/{1.0}")

# epsilon が小さいほどプライバシーが強く、ノイズが大きい
true_val2, dp_val2 = count_with_dp(salaries, threshold=60, epsilon=0.1)
print(f"\nより強いプライバシー (epsilon=0.1):")
print(f"真のカウント: {true_val2}, DP カウント: {dp_val2}")
print(f"より多くのノイズが加わるが、より強いプライバシー保護")

真のカウント (給与 >= $60k): 4
DP カウント (epsilon=1.0):      3.72
プライバシー保証: いずれか 1 人の存在で出力が変化する幅は最大約 1/1.0

より強いプライバシー (epsilon=0.1):
真のカウント: 4, DP カウント: 6.15
より多くのノイズが加わるが、より強いプライバシー保護

事例研究: AI 生成画像の著作権紛争

事例 1: Getty Images vs. Stability AI (2023)
- Getty は Stability AI を、数百万の著作権画像をライセンスも対価もなく
  Stable Diffusion の学習に使用したとして提訴。
- 論点: 著作権画像での学習はフェアユースに当たるか？
- 状況: 係争中。業界を形作る判例になる可能性。

事例 2: Thaler v. Perlmutter (米国著作権局, 2023)
- Stephen Thaler は、人間の関与なしに彼の AI システム DABUS が
  生成した画像の著作権を求めた。
- 判決: 著作権なし——人間の著作者性が必要。
- 含意: 純粋な AI 出力には著作権保護なし。

事例 3: Naruto v. Slater (猿の自撮り事件, 2018)
- マカクが自撮り。法廷は非人間は著作権を持てないと判断。
- 判例が AI に拡張: 非人間の創作者は著作権の主体になれない。

開発者への要点:
1. AI 出力が著作権フリーと決めつけてはならない——法域で異なる
2. 著作権データで学習すると法的リスクにさらされる可能性
3. AI 出力に有意な人間の創造的入力を加えると自らの著作権主張が強まる
4. 使う AI ツールのライセンス／利用規約を必ず確認する

# 簡単なディープフェイク検出スコア解析をシミュレート
def analyze_deepfake_indicators(video_metadata):
    """動画メタデータからディープフェイクの指標を解析。"""
    indicators = {
        "face_consistency": video_metadata.get("face_consistency", 0),  # 0-100
        "audio_visual_sync": video_metadata.get("audio_visual_sync", 0),  # 0-100
        "edge_artifacts": video_metadata.get("edge_artifacts", 0),  # 0-100, 高い= artifacts 多い
        "blink_frequency": video_metadata.get("blink_frequency", 0),  # 1 分あたりのまばたき回数
        "skin_tone_consistency": video_metadata.get("skin_tone_consistency", 0),  # 0-100
    }

    # 重み付きスコア（高い=より本物らしい）
    weights = {
        "face_consistency": 0.25,
        "audio_visual_sync": 0.25,
        "edge_artifacts": 0.15,  # 逆: artifacts 多い=怪しい
        "blink_frequency": 0.15,
        "skin_tone_consistency": 0.20,
    }

    # edge artifacts: 値が高い=より怪しい（スコアは逆転）
    artifact_score = 100 - indicators["edge_artifacts"]

    # blink frequency: 正常は 1 分あたり 15-20
    blink_score = 100 - abs(indicators["blink_frequency"] - 17) * 5

    overall = (
        indicators["face_consistency"] * weights["face_consistency"]
        + indicators["audio_visual_sync"] * weights["audio_visual_sync"]
        + artifact_score * weights["edge_artifacts"]
        + blink_score * weights["blink_frequency"]
        + indicators["skin_tone_consistency"] * weights["skin_tone_consistency"]
    )

    if overall >= 75:
        verdict = "LIKELY AUTHENTIC"
    elif overall >= 50:
        verdict = "UNCERTAIN - Needs manual review"
    else:
        verdict = "LIKELY DEEPFAKE"

    return round(overall, 1), verdict

# 怪しい動画でテスト
suspicious = {
    "face_consistency": 55,
    "audio_visual_sync": 40,
    "edge_artifacts": 70,
    "blink_frequency": 3,
    "skin_tone_consistency": 50,
}

# 本物の動画でテスト
genuine = {
    "face_consistency": 92,
    "audio_visual_sync": 88,
    "edge_artifacts": 5,
    "blink_frequency": 16,
    "skin_tone_consistency": 95,
}

score1, v1 = analyze_deepfake_indicators(suspicious)
score2, v2 = analyze_deepfake_indicators(genuine)
print(f"怪しい動画: score={score1}, verdict={v1}")
print(f"本物の動画:  score={score2}, verdict={v2}")

怪しい動画: score=48.4, verdict=LIKELY DEEPFAKE
本物の動画:  score=90.3, verdict=LIKELY AUTHENTIC

開発者 AI スキルロードマップ — 本講座と次のステップの接続

レベル 1: AI 基礎（本講座、レッスン 1-15）
├── レッスン 01-05: Python 基礎、データ構造、NumPy
├── レッスン 06-10: ML 基礎、教師あり学習
├── レッスン 11-14: 深層学習、NLP、LLM 応用
└── レッスン 15: 倫理、安全性、責任ある AI  <-- ここがあなたの位置

レベル 2: AI エンジニアリング（推奨次講座）
├── MLOps: モデル展開、監視、ML の CI/CD
├── プロンプトエンジニアリング: 発展手法、評価
├── RAG システム: 検索拡張アプリケーションの構築
└── 微調整: ドメイン適応のための LoRA、QLoRA

レベル 3: AI 専門化（経路を選ぶ）
├── 経路 A: AI 安全研究
│   ├── アライメント手法（RLHF、憲法的 AI）
│   ├── 解釈可能性とメカニズム理解
│   └── レッドチームと敵対的評価
├── 経路 B: AI プロダクト開発
│   ├── マルチエージェントシステムとオーケストレーション
│   ├── エッジ AI とオンデバイス展開
│   └── 人間 AI インタラクション設計
└── 経路 C: AI インフラ
    ├── 分散学習システム
    ├── 推論最適化（量子化、蒸留）
    └── AI プラットフォームアーキテクチャ

レベル 4: AI リーダーシップ（長期成長）
├── 責任ある AI ガバナンスフレームワーク
├── AI 戦略と事業統合
└── 分野横断的協働スキル

# AI 採用システム — 倫理監査レポート生成器
# ステップ 1: 学習データのバイアスを特定
# ステップ 2: 緩和戦略を提案
# ステップ 3: 公平性テストを設計
# ステップ 4: プライバシー保護方針を定義
# ステップ 5: 構造化倫理監査レポートを出力

import json
from datetime import datetime


def audit_training_data(data_stats):
    """ステップ 1: 学習データのバイアスを特定。"""
    findings = []

    total = data_stats["total_samples"]
    for group, count in data_stats["group_distribution"].items():
        ratio = count / total
        if ratio < 0.2 or ratio > 0.6:
            findings.append({
                "group": group,
                "issue": "過少／過剰表示",
                "ratio": round(ratio, 3),
                "severity": "HIGH" if ratio < 0.1 or ratio > 0.8 else "MEDIUM"
            })

    # グループごとのラベル分布を確認
    for group, label_dist in data_stats["label_by_group"].items():
        positive_rate = label_dist.get("positive", 0) / sum(label_dist.values())
        findings.append({
            "group": group,
            "issue": "陽性ラベル率",
            "positive_rate": round(positive_rate, 3),
            "severity": "INFO"
        })

    return findings


def propose_mitigations(findings):
    """ステップ 2: 所見に基づき緩和戦略を提案。"""
    mitigations = []
    for f in findings:
        if "過少／過剰" in f.get("issue", ""):
            mitigations.append({
                "target": f["group"],
                "strategy": "リサンプリング ＋ データ拡張",
                "rationale": f"グループ {f['group']} の比率は {f['ratio']}、バランスが必要"
            })
        elif "陽性ラベル" in f.get("issue", ""):
            mitigations.append({
                "target": f["group"],
                "strategy": "学習時の均等オッズ制約",
                "rationale": f"グループ {f['group']} 陽性率: {f['positive_rate']}"
            })
    return mitigations


def design_fairness_tests():
    """ステップ 3: 公平性評価テストを設計。"""
    tests = [
        {
            "name": "人口統計的パリティテスト",
            "metric": "selection_rate_difference",
            "threshold": 0.05,
            "description": "グループ間の陽性予測率の差は < 5% であること"
        },
        {
            "name": "均等オッズテスト",
            "metric": "true_positive_rate_difference",
            "threshold": 0.05,
            "description": "グループ間の TPR 差は < 5% であること"
        },
        {
            "name": "個人公平性テスト",
            "metric": "similar_individual_similarity",
            "threshold": 0.9,
            "description": "類似した候補は類似したスコアを受けること（相関 > 0.9）"
        },
        {
            "name": "交差バイアステスト",
            "metric": "selection_rate_by_intersection",
            "threshold": 0.1,
            "description": "保護属性の交点（人種 ＋ 性別など）でバイアスを確認"
        }
    ]
    return tests


def define_privacy_policies(data_types):
    """ステップ 4: プライバシー保護方針を定義。"""
    policies = []
    for dtype in data_types:
        if dtype in ["name", "email", "phone", "address"]:
            policies.append({
                "data_type": dtype,
                "action": "学習前に削除",
                "method": "データセットからの直接削除"
            })
        elif dtype in ["age", "location", "education"]:
            policies.append({
                "data_type": dtype,
                "action": "一般化 ／ k-匿名化",
                "method": "範囲にバケット化（年齢: 20-30, 30-40 など）"
            })
        elif dtype in ["work_history", "skills"]:
            policies.append({
                "data_type": dtype,
                "action": "モデルに差分プライバシー",
                "method": "学習時に epsilon <= 3.0 の DP-SGD を適用"
            })
    return policies


def generate_report(data_stats, data_types):
    """ステップ 5: 完全な倫理監査レポートを生成。"""
    findings = audit_training_data(data_stats)
    mitigations = propose_mitigations(findings)
    tests = design_fairness_tests()
    privacy = define_privacy_policies(data_types)

    report = {
        "title": "AI 採用システム倫理監査レポート",
        "date": datetime.now().strftime("%Y-%m-%d"),
        "summary": {
            "total_findings": len(findings),
            "high_severity": len([f for f in findings if f.get("severity") == "HIGH"]),
            "mitigations_proposed": len(mitigations),
            "fairness_tests_designed": len(tests),
            "privacy_policies_defined": len(privacy)
        },
        "step1_data_bias_findings": findings,
        "step2_mitigation_strategies": mitigations,
        "step3_fairness_tests": tests,
        "step4_privacy_policies": privacy,
        "recommendations": [
            "1. すべての HIGH 重大度所見が解決するまで展開しないこと",
            "2. モデル更新ごとに公平性テストを実行（自動 CI/CD ゲート）",
            "3. 境界的な決定には人間レビュー委員会を設置",
            "4. 四半期ごとに外部倫理監査を実施",
            "5. 年次で透明性レポートを公開"
        ]
    }
    return report


# 監査を実行
data_stats = {
    "total_samples": 50000,
    "group_distribution": {
        "male": 35000,
        "female": 12000,
        "non-binary": 3000
    },
    "label_by_group": {
        "male": {"positive": 14000, "negative": 21000},
        "female": {"positive": 2400, "negative": 9600},
        "non-binary": {"positive": 300, "negative": 2700}
    }
}

data_types = ["name", "email", "age", "location", "education", "work_history", "skills"]

report = generate_report(data_stats, data_types)
print(json.dumps(report, indent=2, ensure_ascii=False))

{
  "title": "AI 採用システム倫理監査レポート",
  "date": "2026-07-07",
  "summary": {
    "total_findings": 6,
    "high_severity": 0,
    "mitigations_proposed": 6,
    "fairness_tests_designed": 4,
    "privacy_policies_defined": 7
  },
  "step1_data_bias_findings": [
    {
      "group": "male",
      "issue": "過少／過剰表示",
      "ratio": 0.7,
      "severity": "MEDIUM"
    },
    ...
  ],
  "recommendations": [
    "1. すべての HIGH 重大度所見が解決するまで展開しないこと",
    "2. モデル更新ごとに公平性テストを実行（自動 CI/CD ゲート）",
    "3. 境界的な決定には人間レビュー委員会を設置",
    "4. 四半期ごとに外部倫理監査を実施",
    "5. 年次で透明性レポートを公開"
  ]
}