AI・PMOの進化
クラス不均衡
Class Imbalance
読み：くらすふきんこう
分類データで、ある種類の件数が他の種類に比べて大きく少ない状態です。
01初心者向け
まず意味をつかむ
重大障害が全体の1％しかないと、全部を正常と答えても正解率は99％になります。少数側を見つけたい課題では、その割合を意識する必要があります。
02実務者向け
仕事でどう使うか
クラス別件数と誤りの費用を確認し、再現率や適合率を併せて測ります。重み付けや再抽出は学習側だけで行い、評価側は運用時の構成に合わせます。
03専門家向け
判断を一段深める
件数を均等化したデータ上の得点を、そのまま現場の成績へ当てはめられません。少数例の多様性が不足する問題と比率の問題を区別し、検知閾値も業務容量から判断します。
IN PRACTICE
具体例で考える
架空の障害100件と正常9900件で、正解率に加えて障害の見逃し件数と誤警報件数を報告します。
理解を助けるための架空の例です。正常9900件
障害100件
種類別の評価
件数が多い種類と少ない種類を比較する図です。
ここは誤解しやすい
多数派へ合わせた正解率だけで、少数派への性能を評価しないようにします。
PROXIA INSIGHTS
考え方を、実務へつなぐ
AIを「使う」から、PMの判断に「活かす」へ ↗この知識を、組織の力へ。