正解：B
プロジェクトの目的やゴールの定義がないまま分析を進めても、実効性のある結果は得られない。まず課題の整理や業務プロセスの把握、関係者へのヒアリングを実施すべきであり、目的が曖昧な状態で手元のデータをすべて統合して機械学習を実行する対応は不適切である。

正解：A
データガバナンスは、データを企業資産として安全かつ有効に活用するための体制やルール、運用方針を整備・管理する取り組みを指す。バックアップによるデータ復旧や、分散処理による計算速度の向上、手作業によるデータの前処理作業はデータガバナンスそのものの定義ではなく、技術的手段や特定の作業領域に関する説明である。

正解：A
データ倫理の遵守は、不適切な利用や意図しないバイアスの混入を防ぎ、社会的な信頼を維持・確保するために不可欠である。倫理的な運用を確立したとしても、法的な同意取得手続きやデータ前処理、意思決定時の合意形成プロセスが不要になるわけではない。

正解：A
技術やデータ活用が社会基盤として真に定着した状態とは、利用者がその存在を意識しないほど日常や社会構造に不可欠な前提として統合された状態を指す。学術的関心の高まりや過渡的なトレンド評価、投資資金の集中や企業の急増は発展段階や市場の関心を示す指標であり、社会的な基盤としての浸透そのものを表すものではない。

正解：B
「最寄り駅からの徒歩区分」はカテゴリ変数（名義尺度・順序尺度）であり、そのままでは数式にもとづく機械学習モデルへ投入できないため、ダミー変数への変換が必要となる。一方、「物件の専有面積」や「築年数」は連続値の数値データ（間隔尺度・比例尺度）であるため、そのまま説明変数として利用可能であり変換を要しない。

正解：D
空調消費電力量の予測には、気温や湿度といった気象条件、在室人数や稼働時間などの利用状況、床面積などの空間規模に関するデータが直接的に影響する。一方、ビル周辺の地域における人口密度は、個別のオフィスフロア内における空調の使用状況や熱負荷との直接的な相関が極めて低いため、特徴量として最も適切ではない。

正解：A
モデル構築の初期段階では、まずデータの分布や異常値の有無を可視化・集計によって把握する探索的データ分析（EDA）が欠かせない。データの性質や構造を理解しないまま、いきなり複雑なディープラーニングなどのモデルにデータを投入するAの対応は、適切な前処理や特徴量エンジニアリングを妨げるため最も不適切である。

正解：A
情報セキュリティの3要素（機密性・完全性・可用性）のうち、認可された者だけが情報にアクセスできる状態を維持することを「機密性」と呼ぶ。データの暗号化やID・パスワードによる閲覧権限の制御は、不審者や権限のない者による情報の不正入手を防ぎ、機密性を確保するための典型的な対策である。

正解：A
抽出条件は、契約プランが「プランX」、契約期間が12以上30未満、かつ対応拠点が「横浜」または「千葉」である。テーブル内の各レコードを条件に照らし合わせると以下のようになる。

・Seq1（プランX・横浜・12）：すべての条件を満たす
・Seq2（プランY・千葉・24）：契約プラン対象外
・Seq3（プランX・埼玉・18）：対応拠点対象外
・Seq4（プランX・横浜・36）：契約期間対象外
・Seq5（プランY・横浜・12）：契約プラン対象外
・Seq6（プランX・千葉・24）：すべての条件を満たす
・Seq7（プランX・横浜・8）：契約期間対象外
・Seq8（プランY・埼玉・36）：契約プラン対象外

したがって、条件をすべて満たすのはSeq1とSeq6の2件となる。条件の論理積（AND）と論理和（OR）を正しく評価することが重要である。

正解：A
連携元データの仕様変更や条件変更を確認せずに放置すると、データマート内の整合性が損なわれ、誤った集計結果にもとづく意思決定を引き起こすため不適切である。アクセス権限や負荷の管理、メタデータの保持による追跡性の担保、定常処理に対する中間テーブルの活用は、いずれもデータ分析基盤を安全かつ効率的に運用するための適切な取り組みである。

正解：B
再現率（Recall）は、実際に正例（病気）であるデータのうち、モデルが正しく正例と予測できた割合を示す指標である。病気のスクリーニング検査のように、見逃し（偽陰性）によるリスクが非常に大きく、対象者を漏れなく発見したい場合にはこの再現率を最も重視する。適合率は「正例と予測した中の正解割合」、正解率は「全体における正解割合」、特異度は「負例を正しく負例と予測できた割合」であり、見逃しを最小化するという目的において最優先される指標ではない。

正解：B
顧客を類似した特徴を持つグループに自動的に分割するクラスタリングは、目的変数（正解データ）を与えずにデータそのものの構造や規則性を捉える「教師なし学習」に該当し、代表的な手法としてk-means法が用いられる。一方、ロジスティック回帰やランダムフォレストは正解データを用いて分類・回帰をおこなう「教師あり学習」、線形回帰も数値を予測する「教師あり学習」の手法であるため、顧客をグループ分けする今回の目的には適切ではない。

正解：A
aは公平性およびバイアスの防止、bは説明責任や監査可能性の確保、cはプライバシー保護および目的外利用の抑止であり、いずれもAIシステムの設計段階で対処すべきガバナンス上の重要リスクに該当する。一方、dはシステム運用開始後のカスタマーサポートにおける業務設備やインフラの対応体制に関する課題であり、設計フェーズで検討すべきAIガバナンス上のリスクとは性質が異なる。

正解：A
提供契約で定められた条件を厳格に遵守し、定められた利用目的の範囲内でのみ利用したうえで、指定の期限までに確実にデータを削除するAが最も適切である。Bのように加工をおこなったとしても契約外の目的で利用することは認められない。Cにおける他部署への無断共有は第三者提供に該当しうるため不適切であり、Dの中間生成物や集計結果についても契約内容に照らした削除判断が必要である。