AI・PMOの進化
データドリフト
Data Drift
読み：でーたどりふと
運用時の入力データの分布が、学習時や基準期間の分布から変化する現象です。
01初心者向け
まず意味をつかむ
以前より大型案件が多いなど、AIへ入る材料の構成が変わることです。入力が変わった事実と、予測が悪くなったかどうかは別に確かめます。
02実務者向け
仕事でどう使うか
数値の分布、カテゴリ比率、欠測率、入力形式を期間別に比較します。基準期間と警報条件を定め、業務変化か収集障害かを調べて対応を選びます。
03専門家向け
判断を一段深める
変化の検知は性能劣化の証明ではありません。件数が多いと小さな差も検出されるため、統計的な差と業務上の重要性を分け、正解取得後の性能も確認します。
IN PRACTICE
具体例で考える
架空の予測入力で海外案件の比率が10％から40％へ増えたため、対応言語と当該集団の誤差を重点点検します。
理解を助けるための架空の例です。基準時の分布
運用時の分布
変化の原因を調査
入力差の検知と予測精度の確認は別の評価です。
ここは誤解しやすい
データ分布に変化がないことだけで、モデルが引き続き正しいとは判断できません。
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。