AI・PMOの進化
過学習
Overfitting
読み：かがくしゅう
学習データの細部や偶然の揺れに合わせ過ぎ、未知のデータで予測性能が落ちる状態です。
01初心者向け
まず意味をつかむ
練習問題を丸暗記して、少し違う問題へ答えられなくなる状態に似ています。学習時の誤差だけ小さくても、運用で役立つとは限りません。
02実務者向け
仕事でどう使うか
学習側と検証側の得点差を調べ、モデルの複雑さ、正則化、学習量を見直します。案件数を増やす際も、同じ案件の複製ではなく多様な条件を集めます。
03専門家向け
判断を一段深める
検証データも設定選択で使い過ぎると過適合します。データ分割の妥当性を先に点検し、訓練不足や将来の分布変化による劣化と区別して対処します。
IN PRACTICE
具体例で考える
架空の遅延予測で学習正解率99％、別案件70％となり、木の深さを制限して差が縮むか確認します。
理解を助けるための架空の例です。学習では高得点
未知案件では低下
複雑さを再検討
得点差だけで原因を断定せず、分割条件も確認します。
ここは誤解しやすい
学習得点をさらに上げることが、過学習の改善になるとは限りません。
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。