AI・PMOの進化
学習不足
Underfitting
読み：がくしゅうぶそく
モデルの表現力や学習が足りず、学習データにある重要な関係も捉えられない状態です。
01初心者向け
まず意味をつかむ
練習問題でも十分に答えられない状態です。単純過ぎる規則や不適切な入力では、案件の複雑な関係を学べず、新しい案件でも誤りが多くなります。
02実務者向け
仕事でどう使うか
学習側と検証側が共に低得点なら、入力項目の不足、モデル構造、学習の停止条件を調べます。単純な基準モデルと比べて、追加する複雑さの効果を測ります。
03専門家向け
判断を一段深める
得点の低さが必ずモデルの単純さを意味するとは限りません。正解ラベルの曖昧さや測定誤りでも改善が止まるため、データ品質の確認と併せて判断します。
IN PRACTICE
具体例で考える
架空の工数予測で規模だけでは誤差が大きく、連携システム数を加えると学習・検証の両方が改善します。
理解を助けるための架空の例です。学習でも誤差大
入力・構造を点検
別データでも再評価
二種類の得点と業務上の入力条件を合わせて調べます。
ここは誤解しやすい
モデルを複雑にする前に、課題とデータの定義が正しいかを確かめます。
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。