AI・PMOの進化
ラベリング（機械学習）
Data Labeling
読み：らべりんぐ
学習や評価に使うデータへ、分類や対象位置などの正解情報を付ける作業です。
01初心者向け
まず意味をつかむ
問い合わせを請求・障害・契約へ分けるなど、AIに教える答えを人が整えます。単純な印付けに見えても、どちらにも当てはまる例のルールが必要です。
02実務者向け
仕事でどう使うか
ラベルの定義、判断例、迷った場合の相談先を用意します。複数担当者の一致度と誤りを点検し、分類基準を変えたときはラベルの版も記録します。
03専門家向け
判断を一段深める
ラベルは絶対的な真実とは限らず、判断者や業務制度の影響を受けます。生成AIによる仮ラベルを使う場合も、人の確認対象と不確実な例の扱いを分けます。
IN PRACTICE
具体例で考える
架空の議事録200件で決定事項の箇所を2人が独立に指定し、不一致の理由を調べて手引きを修正します。
理解を助けるための架空の例です。分類の手引き
独立した付与
不一致の点検
正解情報そのものの品質も確認する作業です。
ここは誤解しやすい
曖昧な分類基準を残したまま作業人数だけ増やすと、一貫性が下がります。
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。