AI・PMOの進化
機械学習ライフサイクル
Machine Learning Lifecycle
読み：きかいがくしゅうらいふさいくる
機械学習を使う課題を決め、データ準備、学習、評価、配備、監視、更新、廃止へ進む過程。
01初心者向け
まず意味をつかむ
AIを作って渡した後も、新しいデータでの誤りを調べ、必要なら作り直す。使う仕事が変われば、別の仕組みへ移すこともある。
02実務者向け
仕事でどう使うか
開発側だけで完結する作業と、運用部門へ引き継ぐ作業を整理する。評価や配備の基準に加え、保守費用、監視当番、利用終了時の手順を計画する。
03専門家向け
判断を一段深める
モデル、学習データ、推論設定、承認記録を対応づけ、どの版が本番にあるかを追跡する。問題の発見から評価に戻る経路と、再配備や廃止を判断する権限を定める。
IN PRACTICE
具体例で考える
架空の需要予測では、売り場の変更後に誤差が増えた。担当者は入力と実績を確認し、データの整備からやり直して再評価し、承認後に新版へ移行した。
理解を助けるための架空の例です。課題設定から評価へ
配備して監視
更新または廃止
導入後の変化に応じ、再評価や廃止まで責任を持って進める。
ここは誤解しやすい
導入日を最終ゴールにすると、納品後に性能が落ちても調査できなくなる。引継ぎの際に監視と更新の予算、担当、記録へのアクセスを確定する。
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。