機械学習の成功は失敗の先にある、実験を成果に結び付けるベストプラクティス

　一般にAIプロジェクトには膨大な時間とコストがかかるため、エンジニアやデータサイエンティストは「失敗だけは避けたい」と考える。しかし、そもそも機械学習モデルは、実験を前提に設計されているため、定期的な失敗がつきものだ。

　例えばAmazonでも、2018年にAIを採用活動に役立てるべく実験を行った際、トレーニングデータに問題があり、アルゴリズムが推薦する求職者に偏りが出てしまった例がある。だがここで重要なのは、こうした失敗はプロセスの一部にすぎない、と考えることだ。失敗を基に、アルゴリズムのドリフトを早期に発見できれば、致命的になる前にリスクを軽減することにつながる。

　実際、データセットに現れるバイアスは、初期トレーニング時や本番環境において、機械学習が失敗する主な原因の1つとなっているため、機械学習の性質や成否の理由を明らかにできれば、実験は価値あるものといえる。本資料では、AIプロジェクトの本質や成功させるためのポイント、ベストプラクティスについて、専門家のコメントを交えて詳しく解説する。