AI用語集
人工知能の完全辞典
モデルドリフト
AIモデルの生産環境における性能が、入力データや変数間の関係の変化により徐々に低下する現象。ドリフトは継続的な監視とモデルの再学習が必要です。
データドリフト
モデルの入力データの分布が元の学習データと比較して統計的に変化すること。この現象は予測に悪影響を与える可能性があり、積極的な検出が必要です。
パフォーマンス監視
生産環境でのモデルのパフォーマンスメトリクス（精度、適合率、再現率、その他関連KPI）の継続的な監視。この監視によりパフォーマンスの異常を迅速に検出できます。
モデル解釈可能性
AIモデルの決定を理解し解釈する能力で、信頼性と規制遵守に不可欠。SHAPやLIMEなどの技術により個々の予測を説明できます。
特徴量重要度追跡
モデルが予測に使用する特徴量の相対的重要度の継続的な監視。この監視によりモデルの意思決定パターンの変化を特定できます。
予測信頼度スコア
各個別予測に対するモデルの確実性のレベルを示す定量的メトリック。信頼度スコアが低い場合、人間の介入が必要なリスクの高い予測を示す可能性があります。
モデル劣化
データの古さやビジネスコンテキストの変化など、様々な要因により生産環境でのモデルの有効性が徐々に失われること。劣化にはモデルの積極的なメンテナンスが必要です。
リアルタイム推論監視
リアルタイム推論時の予測とパフォーマンスメトリクスの即時監視。この監視により異常とシステム障害を即座に検出できます。
Alerting System
モデルのメトリクスが事前に定義されたしきい値を超えた場合に通知を生成する自動化インフラストラクチャ。アラートにより、性能低下がビジネスに重大な影響を与える前に迅速な介入が可能になります。
Baseline Metrics
モデルの検証時に確立されたパフォーマンス基準で、本番環境でのモニタリングにおける比較点として機能します。これらのベースラインにより、パフォーマンスの低下を客観的に定量化できます。
Canary Deployment
完全なデプロイメントの前に、新しいモデルをトラフィックのごく一部でテストする段階的デプロイメント戦略。この方法により、新しいモデルバージョンに関連するリスクを最小限に抑えます。
Observability Pipeline
本番環境で稼働するモデルのログ、メトリクス、トレースを収集、処理、保存するインフラストラクチャ。このパイプラインはシステムの動作に関する完全な可視性を提供します。
Drift Detection Algorithm
データ分布やモデルのパフォーマンスの変化を自動的に識別する統計または機械学習アルゴリズム。これらのツールにより、ドリフトの事前検出が可能になります。
Model Health Dashboard
本番環境で稼働するモデルの主要なパフォーマンスメトリクス、アラート、全体的な健全性状態を表示する中央管理型の視覚的インターフェース。このツールはMLOpsチームの意思決定を容易にします。
Anomaly Detection
モデルの出力における異常な動作や逸脱した予測を自動的に識別するプロセス。この検出により、詳細な調査が必要なケースを分離できます。
Performance Regression
モデルの初期基準メトリクスと比較して測定可能なパフォーマンスの低下。リグレッションは段階的または突発的に発生し、根本原因の分析が必要です。
モデルガバナンス
モデルのライフサイクル全体にわたり、コンプライアンス、トレーサビリティ、監査可能性を保証するポリシー、手順、管理の集合体。ガバナンスはAIシステムの信頼性と倫理性を確保します。
レイテンシ監視
リアルタイムアプリケーションに不可欠な、本番環境でのモデル予測の応答時間監視。継続的な監視によりSLA遵守とユーザー体験が保証されます。
スループット追跡
システムの負荷容量を評価するために不可欠な、単位時間あたりに処理される予測量の測定。スループットの追跡はインフラリソースの規模決定に役立ちます。