1. スコーピング:
   対象: 商品レコメンドAI
   保護属性: 性別、年齢
   リスクレベル: MEDIUM（直接的な差別ではないが、購買機会の不平等につながりうる）

2. データ監査:
   代表性: 50代以上が15%と少なく、学習データが不足。購買履歴も若年層に偏り
   データバイアス: 高額商品の購買データが男性に偏っている（社会的バイアスの反映）

3. 出力監査:
   懸念1: 過去の購買パターンから「男性=高額商品」を学習。4/5ルールで
          女性の高額レコメンド率(40%)÷男性(60%)=0.67 → FAIL
   懸念2: 50代以上のデータ不足による協調フィルタリングの精度低下。
          コールドスタート問題と類似
   懸念3: 人気バイアス（ポピュラリティバイアス）。既存ユーザーの多数派パターンが
          新規ユーザーに過度に適用されている

4. 是正勧告:
   短期: レコメンド結果の性別・年齢別分布を日次監視するダッシュボード構築
   中期: 50代以上向けのレコメンドにコンテンツベースの重みを増加、
         高額商品レコメンドの性別バイアスを後処理で補正（リランキング）
   長期: 公平性制約付きのレコメンドモデルに移行、
         新規ユーザー向けの探索的レコメンド（Explore/Exploit）導入

5. 継続監視:
   メトリクス: グループ別CTR、グループ別レコメンド多様性、4/5ルール
   頻度: 日次で自動監視、月次でレポート、四半期で詳細監査

1. バイアスの分類:
   指摘1: 言語スタイルバイアス（社会的地位の推定による差別的対応）
   指摘2: 言語バイアス（学習データの日本語偏重）
   指摘3: 専門性バイアス（リテラシーレベルによる対応品質差）
   指摘4: ジェンダーステレオタイプバイアス

2. 影響度評価:
   | 指摘事項 | 影響度 | 緊急度 | 対応優先度 |
   |---------|--------|-------|----------|
   | 性別ステレオタイプ回答 | 高 | 高 | 1(最優先) |
   | 敬語未使用時の品質低下 | 中 | 中 | 2 |
   | 英語対応精度の差 | 中 | 低 | 3 |
   | 専門度による丁寧さの差 | 低 | 低 | 4 |

3. 根本原因分析:
   指摘1: システムプロンプトに「回答の丁寧さを入力に合わせる」旨の指示があり、
          カジュアルな入力に対して簡略回答を生成
   指摘2: LLMの学習データにおける日本語と英語のドメイン知識の差
   指摘3: LLMが専門用語を使うユーザーをより「知識がある」と推定し、
          詳細な回答を生成する傾向
   指摘4: LLMの学習データに含まれる社会的ステレオタイプの反映

4. 是正措置:
   即時対応: 性別ステレオタイプ回答を検出するフィルターを追加
   システム改修: 出力フィルタリングにジェンダー中立性チェックを追加
   プロンプト改善:
   - 「入力の言葉遣いに関わらず、常に丁寧かつ詳細な回答を提供する」を追加
   - 「性別に関する仮定を行わない」を明示
   - 英語対応用の専門知識をRAGで補強

5. テスト計画:
   - 同一質問の敬語/カジュアル版でA/Bテスト（回答品質の差が5%以内）
   - 性別を想起させる質問でステレオタイプテスト（月次50件）
   - 日英同一質問ペアでの精度比較（月次30件）

1. 導入前チェックリスト:
   1. 保護属性の特定と文書化
   2. 学習データの代表性検証（グループ別の分布確認）
   3. ラベルバイアスの検証（アノテーター間一致率の確認）
   4. 公平性メトリクスの選定と基準値の設定
   5. 4/5ルールの適用結果
   6. ステレオタイプテストの実施
   7. エッジケースの網羅テスト
   8. 緩和手法の適用と効果検証
   9. Human-in-the-Loopの設計確認
  10. 監査レポートの作成と承認

2. 定期監査:
   頻度: 四半期（HIGHリスク）、半年（MEDIUM）、年次（LOW）
   担当: AI倫理チーム（リード）+ 対象部門の代表者
   手順: スコーピング(1日)→データ監査(2日)→モデル監査(2日)→
         出力監査(2日)→レポート作成(1日)→経営報告(1日)

3. 自動監視:
   メトリクス: グループ別性能差、選択率の偏り、信頼度分布の変化
   アラート: 4/5ルール違反→即時、性能差10%超→24時間以内に調査開始
   ダッシュボード: グループ別KPIトレンド、バイアス指標の時系列推移

4. インシデント対応フロー:
   発見(0h): 報告受付→AI倫理チームに通知
   初動(4h以内): 影響範囲の特定、必要に応じてシステム停止判断
   調査(48h以内): 根本原因分析、影響を受けたユーザーの特定
   是正(1週間以内): 緩和措置の実装、テスト、デプロイ
   報告(2週間以内): インシデントレポート作成、再発防止策の策定

5. 組織体制:
   AI倫理責任者(1名): CTO直轄、最終判断権限
   AI倫理チーム(3名): 監査実施、ツール開発、教育
   部門バイアスチャンピオン(各部門1名): 日常的な監視、報告