正解: B

データオーナーは事業部門の責任者（部長以上）であり、データの品質基準の定義やAI利用の可否の最終判断を行います。パイプラインの構築・運用（A）はデータエンジニアの責務です。メタデータの維持管理（C）はデータスチュワードの責務です。バックアップとリストア（D）はインフラチームの技術的な業務であり、ガバナンスの主要ロールの責務ではありません。データオーナーは「このデータをAIに使ってよいか」を最終的に承認する権限と責任を持つ、ガバナンス上最も重要なロールです。

正解: C

データの完全性が低い（欠損値が多い）場合、最も深刻なリスクは「欠損パターンの偏りによるバイアス」です。例えば、特定の年齢層や地域のデータが欠損しやすい場合、AIモデルはそのグループに対して不正確な予測を行うようになります。これは「Missing Not At Random（MNAR）」と呼ばれる問題です。パイプライン速度（A）やストレージコスト（B）への影響は軽微です。データカタログの検索精度（D）は完全性とは直接関係しません。AI向けのデータ品質管理では、欠損値の「量」だけでなく「パターン」を分析することが重要です。

正解: B

チャットログをRAGに活用する際の最も深刻なプライバシーリスクは、メッセージ内に直接記載されたPII（個人特定情報）がRAGの回答に含まれてしまうことです。チャットは自由形式のテキストであるため、「田中太郎さんの電話番号は080-XXXX-XXXXです」のように個人情報が直接記載されるケースが頻発します。これがベクトルDBに格納され、RAGの回答として出力されれば、個人情報保護法違反やプライバシー侵害につながります。ストレージコスト（A）、回答品質（C）、パイプライン負荷（D）はいずれも運用上の課題ですが、プライバシーリスクとしては優先度が低いです。PII自動検出とマスキングを取り込みステージで実施することが必須です。

正解: C

品質ゲートは「チャンキング後、ベクトルDBへの格納前」に配置するのが最適です。この位置では、PII除去済みのクリーンなデータに対して品質チェックを行い、基準を満たさないチャンクがベクトルDBに格納されるのを防げます。取り込み直前（A）ではまだデータが未処理であり、品質チェックの前提となるクレンジングが済んでいません。PII検出の直前（B）ではPII除去が行われておらず、PII含有チャンクが品質チェックを通過する可能性があります。格納後（D）では問題のあるデータが既にインデックスされており、削除コストが発生します。「書き込む前に検証する」という原則に従い、ベクトルDB格納前に品質ゲートを設けることで、信頼性の高いRAGシステムを構築できます。

正解: B

顧客の氏名・購買履歴を含むCRMデータは、PII（個人特定情報）を含むためLevel 3（機密）に分類されます。AI利用にはデータオーナーの承認と匿名化・マスキングが必要です。公開APIの仕様書（A）はLevel 1（公開）であり、制限なくAI利用可能です。M&A経営会議資料（C）はLevel 4（極秘）であり、AI利用は禁止されます。社内技術ブログ（D）はLevel 2（社内）であり、社内LLMでの利用は許可されます。データ分類フレームワークでは、データの機密性レベルに応じてAI利用の可否と条件を明確に定義し、Level 3のデータは匿名化・仮名化を実施した上でデータオーナーの承認を得ることが求められます。