第7章|PoC・評価・KPIを設計する
DAY 41 ・ 約30分品質・速度・コスト・重大失敗を評価する
平均点だけで危険な失敗を隠さない。
「品質・速度・費用・重大失敗を同時に評価し、平均値だけで利用可能性を決めません」を理解し、Evaluation Scorecardとして対象業務へ適用し、採用・保留・停止の理由を第三者へ説明できる。
言葉を知る
用語を暗記するだけでなく、どの判断に使う言葉かまで整理します。
Latency
依頼を受けてから結果または中間応答を返すまでの時間です。
Cost per Task
一件の業務を完了するためのモデル、Tool、人、基盤の費用です。
Critical Failure
平均点に関係なく、発生時にReleaseを止める重大な失敗です。
Confidence Interval
標本から推定した値の不確実さを幅として表す考え方です。
Regression
変更によって以前は合格していた挙動が悪化することです。
Evaluation Scorecard
「品質・速度・費用・重大失敗を同時に評価し、平均値だけで利用可能性を決めません」を、判断・制御・測定まで含む独自成果物へまとめます。
評価トレードオフ
条件が変わった場合は、同じ成果物へ確認日と差分を追記して再評価します。
仕組みを理解する
この日の設計対象
品質・速度・費用・重大失敗を同時に評価し、平均値だけで利用可能性を決めません。 ここで扱うのは用語を覚えることではなく、対象業務について選択できる状態を作ることです。まず現在分かっている事実、まだ検証していない仮説、組織として決める方針を分けます。技術的に可能という説明だけでは、業務へ入れてよい根拠になりません。対象、利用者、目的、入力、出力、外部への影響を同じ境界で記し、今回あえて扱わない範囲も明示します。 モデル応答時間と業務完了時間、モデル費用と人の確認費、軽微誤りとCritical Failureを分けます。 境界の内側だけを詳しくして、前後の依存を消さないことが重要です。前工程から何を受け取り、後工程が何を確定情報として使うかを確認します。設計の結論には、採用案だけでなく保留条件と不採用理由を残します。
構造を順に追う
代表負荷で実行し、出力、検索、Tool、確認、再試行を計測してBaselineと比較します。 各段階へ、開始条件、入力、処理、出力、担当、完了条件を付けます。順番どおりに進む正常例だけでなく、入力不足、競合、タイムアウト、権限不足、外部停止のときにどこへ移るかを記します。AIの応答を得た時点を完了にせず、その結果が人またはシステムで正しく利用され、必要な記録が残るところまでを一つの流れとして見ます。 段階の間では、識別子、版、状態、根拠を引き渡します。自由文だけで状態を表すと、再開・重複防止・監査が難しくなります。後から部品を交換できるよう、業務上の契約と特定製品の設定を分けます。
似た概念を混ぜない
モデル応答時間と業務完了時間、モデル費用と人の確認費、軽微誤りとCritical Failureを分けます。 似て見える仕組みを一つの箱へ入れると、誰が更新し、どの失敗を止め、何を評価するかが曖昧になります。目的、保存期間、権限、更新者、失敗時の影響という観点で比較し、同じ情報でも用途が違えば別の扱いにします。 名称の違いだけで分けるのではなく、実際の案件を一件通して、いつ何が必要になるかを確かめます。判断材料がなくても処理を進められる設計は、モデルが空白を推測で埋める危険があります。「分からない」「保留」「人へ戻す」を正しい状態として用意します。
判断を再現可能にする
品質が高くても期限や費用を満たさなければPivotし、重大失敗があれば自動拡大しません。 判断票には、選択肢、採用理由、使った証拠、反対証拠、決定者、確認日を残します。点数を付ける場合も、合計点だけで結論を決めません。安全、権利、契約、説明責任など、満たさなければ進めない条件を別のゲートにします。 判断が人によって割れる場合は、平均で隠さず、どの前提が違うかを確認します。製品デモ、公式仕様、自社ログ、担当者の経験は証拠の強さが違います。結論を最も動かす未確認事項を、次の検証課題として担当と期限へ変えます。
失敗から先に設計する
長い入力で遅延と再試行費が急増するのに、平均の短い案件だけで合格します。 失敗を「回答が少し違う」の一種類にまとめず、発生原因、検知方法、影響範囲、回復可能性で分けます。外部へ送る、公開する、削除する、支払う、個人を評価するなどの操作は、下書きより厳しい条件を置きます。頻度が低くても重大な失敗は、平均品質へ埋めません。 通常経路を速くするだけでなく、危険な入力を正しく止めることも価値です。再試行が同じ外部操作を重ねないか、停止後に誰が案件を引き継ぐか、誤りを訂正して影響を受けた人へ説明できるかを確認します。
制御を一つに頼らない
予算とTimeout上限を実行基盤で制限し、品質劣化時のFallbackとRollbackを試します。 指示文だけ、確認者だけ、ログだけの単独対策にせず、予防、検知、停止、対応、復旧を重ねます。固定条件はコードや権限で強制し、曖昧な分類はAIに候補を出させ、高影響の結論は必要な材料を見られる人が担います。人の確認には、時間、専門性、根拠、保留手段が必要です。 制御が働いた件数も記録します。ブロックが多すぎる場合は業務を止め、少なすぎる場合は検知漏れの可能性があります。例外対応を担当者の善意に任せず、連絡先、期限、代替経路、再開条件を運用へ含めます。
測る対象と基準を固定する
中央値と上位遅延、Cost per Task分布、再試行、確認時間、Critical Failure、Confidence Intervalを測ります。 指標には対象期間、母数、除外条件、測定者、データの所在を付けます。平均だけでなく中央値、分布、重大失敗を分け、導入前と導入後を同じ定義で比べます。活動量、出力品質、利用状況、事業成果は別の層です。生成回数が増えても、採用されず確認負荷が増えれば価値は出ていません。 測定のために過剰な個人情報を集めたり、学習目的を従業員評価へ無断転用したりしません。欠測をゼロとして扱わず、測れない項目は未確認として残します。どの数字ならGo、修正して再試験、停止のどれにするかを実行前に決めます。
データと責任を対応させる
この設計で使う情報には、所有者、提供者、品質責任者、アクセス承認者、更新頻度、保存期間を付けます。共有フォルダーに存在することは、正確で利用許可があることを意味しません。最新版、機密区分、個人情報、著作権、契約上の制約を確認し、目的に必要な最小範囲だけを扱います。 この設計に必要な情報と、念のため集めたい情報を分けます。訂正が生じたとき、元データ、参照知識、処理状態、出力履歴のどれを更新するかを決めます。データが古い、欠ける、権限外の場合に、AIが補完せず保留できる経路を作ります。
実装へ渡せる粒度にする
「代表負荷で実行し、出力、検索、Tool、確認、再試行を計測してBaselineと比較します」を、特定の画面操作ではなく入出力契約として表します。各部品は、何を受け取り、何を返し、どの認証で、何秒待ち、何回再試行し、どのログを残すかを持ちます。外部作用の前後には、承認対象と実行対象が同一であることを確かめる識別子を置きます。 一つの巨大なエージェントへ任せず、固定処理、検索、モデル、人、既存システムを役割で分けます。ただし部品が多いほど受け渡しと障害点も増えます。必要最小限の構成から始め、品質と運用の証拠が得られた範囲だけを拡大します。
実例を三種類で通す
証券会社の社内リサーチ整理の通常例、境界例、失敗例を一件ずつ用意します。通常例では期待する流れと出力、境界例では判断が割れる条件、失敗例では停止・復旧・説明を確認します。成功例だけを繰り返しても、本番の安全性は分かりません。実例には個人情報を必要以上に含めず、架空化または利用許可のある代表データを使います。 各例について、どの情報を参照し、どの分岐を通り、誰が何を確定し、何が記録されたかを追います。設計図の外で担当者が補った作業は、見なかったことにせず図へ戻します。
関係者レビューを行う
業務責任者、実行担当、データ責任者、技術担当、リスク・法務、出力を受ける人は異なる懸念を持ちます。全員が毎回参加する必要はありませんが、誰の確認が欠けているかは残します。レビューでは「便利そうか」だけでなく、目的、境界、必要データ、最悪の失敗、停止、費用、測定を順に確認します。 「品質が高くても期限や費用を満たさなければPivotし、重大失敗があれば自動拡大しません」という結論を第三者に復唱してもらい、解釈がずれれば成果物を修正します。専門用語だけで説明せず、実際の一件がどう変わるかを示します。反対意見は抵抗として捨てず、未発見の制約や影響を知る証拠として扱います。
変更と版を管理する
設計時点のモデル、外部サービス、規程、データ版、確認日を記録します。AI関連の仕様は変わるため、一度の合格を永久保証としません。入力分布、料金、権限、モデル、知識、業務ルールの変更を検知したら、影響する評価例と承認を再実行します。変更理由と差分を残し、以前の正常状態へ戻せるようにします。 「長い入力で遅延と再試行費が急増するのに、平均の短い案件だけで合格します」という問題が再発したとき、どの版で、誰が、どの証拠を見て判断したかを追えることが必要です。軽微な表示変更と、能力・権限・データ利用の変更を同じ承認にしません。後者は失敗影響が変わるため、再評価の対象です。
集計前に重大失敗を分離する
平均正答率、平均時間、平均費用は全体傾向を示しますが、誤送信、権限外閲覧、危険判断の見逃しを隠すことがあります。評価表ではCritical Failureを個別件数で示し、一件でも停止する条件を事前に決めます。速度改善は再確認や復旧の時間を含め、費用は推論料金だけでなく監視、データ整備、人の確認も含めます。品質・速度・費用を同じ母数で比較します。
今日の完了条件
Evaluation Scorecardは、空欄をそれらしい言葉で埋めたら完成ではありません。「品質・速度・費用・重大失敗を同時に評価し、平均値だけで利用可能性を決めません」を、判断・制御・測定まで含む独自成果物へまとめます。 通常例と失敗例を第三者が追え、採用・保留・不採用の理由が証拠へ戻れ、次に誰が何を確かめるかが分かる状態を完成とします。 最後に、目的と対象外、主要な選択、残る不確実性、停止条件、次の見直し日を一段落で説明します。図と表の名称・識別子をそろえ、前日までの成果物と矛盾しないか確認します。未解決事項は欠点を隠すものではなく、次の安全な検証を定義する項目です。
実例で理解する
具体例で判断する
決算資料の整理支援では、要点一致だけでなく、資料取得、根拠抽出、人の確認までの時間と費用を測ります。短い資料と大きい資料を分け、重要数字の誤引用をCritical Failureにします。標本が少ない段階は一点の精度で断定せず、範囲と不確実性を示します。 この例では、技術的に可能な最大範囲ではなく、目的を測れて失敗を小さく止められる範囲を選びます。担当者の経験を消すのではなく、どの判断材料と例外処理を維持するかを明示します。導入前の値、試験期間、対象件数、重大失敗を固定し、結果が良くても権限は自動で広げません。条件が変わった場合は、同じ成果物へ確認日と差分を追記して再評価します。
Evaluation Scorecard
「品質・速度・費用・重大失敗を同時に評価し、平均値だけで利用可能性を決めません」を、判断・制御・測定まで含む独自成果物へまとめます。
- 対象と目的を固定する
- 「モデル応答時間と業務完了時間、モデル費用と人の確認費、軽微誤りとCritical Failureを分けます。」を図へ反映する
- 「代表負荷で実行し、出力、検索、Tool、確認、再試行を計測してBaselineと比較します。」を順に記録する
- 制御と人の責任を対応させる
- 「中央値と上位遅延、Cost per Task分布、再試行、確認時間、Critical Failure、Confidence Intervalを測ります。」で受入条件を置く
04|今日の理解度を確認する
今日の理解度を確認する
DAY41「品質・速度・コスト・重大失敗を評価する」で、「Latency」の説明として適切なものはどれですか。
この日の基礎となるLatencyの説明です。
Latency:依頼を受けてから結果または中間応答を返すまでの時間です。: 正解です。この日の基礎となるLatencyの説明です。
製品名だけで品質・速度・コスト・重大失敗を評価するの結論を決める: 製品名だけでは、依頼から応答までの時間を測定できません。
Cost per Task:一件の業務を完了するためのモデル、Tool、人、基盤の費用です。: Cost per Taskは本文中の関連概念ですが、設問が問うLatencyとは役割が異なります。
Critical Failure:平均点に関係なく、発生時にReleaseを止める重大な失敗です。: Critical Failureも「品質・速度・コスト・重大失敗を評価する」に関係しますが、Latencyの定義を置き換えるものではありません。
「証券会社の社内リサーチ整理で長い入力で遅延と再試行費が急増するのに、平均の短い案件だけで合格します」という状況が起きました。最も適切な判断はどれですか。
目的、境界、責任を保った判断です。
品質が高くても期限や費用を満たさなければPivotし、重大失敗があれば自動拡大しません。: 正解です。目的、境界、責任を保った判断です。
Latencyだけを確認し、Cost per Taskが未確認でも「品質・速度・コスト・重大失敗を評価する」を本番運用へ進める: Latencyだけでは不十分です。本文はCost per Taskを含む条件が欠ける場合、保留または追加確認を求めています。
Evaluation Scorecardの根拠を残さず、AIの出力が自然なら「品質・速度・コスト・重大失敗を評価する」の判断を採用する: 出力の自然さは業務上の根拠になりません。「品質・速度・コスト・重大失敗を評価する」では証拠と判断条件を追跡する必要があります。
Critical Failureの成功例だけで判断し、Confidence Intervalに関する例外と失敗影響を除外する: 成功例だけでは設問の状況を評価できません。Confidence Intervalに関する例外と失敗影響も判断材料です。
DAY41「品質・速度・コスト・重大失敗を評価する」で、対象を混同しないために置く区別として最も適切なものはどれですか。
役割と更新責任を分離できます。
モデル応答時間と業務完了時間、モデル費用と人の確認費、軽微誤りとCritical Failureを分けます。: 正解です。役割と更新責任を分離できます。
「品質・速度・コスト・重大失敗を評価する」ではLatencyとCost per Taskを同一視し、所有者と更新責任を共通化する: 本文はLatencyとCost per Taskの役割・更新責任を分けています。同一視すると誤った状態を参照します。
Evaluation Scorecardの作成後は、入力・参照情報・生成履歴の版を区別しない: 成果物があっても情報の役割と版は別です。区別しないと変更と根拠を追跡できません。
「品質・速度・コスト・重大失敗を評価する」の例外を通常経路へ混ぜ、分からない状態や保留状態を設けない: 本文は未確認を推測で埋めず、保留・照会・停止へ分けることを求めています。
DAY41「品質・速度・コスト・重大失敗を評価する」の設計を運用後に評価する測定対象として最も適切なものはどれですか。
導入前後を同じ対象と条件で比べられます。
中央値と上位遅延、Cost per Task分布、再試行、確認時間、Critical Failure、Confidence Intervalを測ります。: 正解です。導入前後を同じ対象と条件で比べられます。
製品名だけで品質・速度・コスト・重大失敗を評価するの結論を決める: 製品名だけでは、遅延や費用の分布、再試行、重大失敗を比較できません。
「品質・速度・コスト・重大失敗を評価する」の処理件数だけを増やし、Latencyの品質と重大失敗は測らない: 活動量だけでは品質や安全を判断できません。本文の測定対象と合格条件が欠けています。
「品質・速度・コスト・重大失敗を評価する」の導入前後で対象期間と母数を変え、平均値だけを比較する: 条件が異なる比較では改善を判定できません。期間・母数・除外条件を固定する必要があります。
Evaluation Scorecardを実装へ渡せる状態にする設計はどれですか。
成果物の入力、判断、制御、確認を追跡できます。
Evaluation Scorecardの目的・入力・判断手順・制御・責任・受入条件を同じ版で対応付ける: 正解です。成果物の入力、判断、制御、確認を追跡できます。 詳細な確認事項: 対象と目的を固定する、「モデル応答時間と業務完了時間、モデル費用と人の確認費、軽微誤りとCritical Failureを分けます。」を図へ反映する、「代表負荷で実行し、出力、検索、Tool、確認、再試行を計測してBaselineと比較します。」を順に記録する、制御と人の責任を対応させる、「中央値と上位遅延、Cost per Task分布、再試行、確認時間、Critical Failure、Confidence Intervalを測ります。」で受入条件を置き、一つの版で対応付ける
Evaluation Scorecardに対象と目的を固定するだけを書き、判断根拠と受入条件は口頭確認にする: Evaluation Scorecardは一部項目だけでは実装・監査へ渡せません。判断、責任、受入条件を同じ版で追跡します。
Evaluation Scorecardの版を残さず、完成後にLatencyの根拠を必要に応じて追記する: 後付けでは判断時点の根拠を再現できません。対象、根拠、責任、版を同時に固定します。
「品質・速度・コスト・重大失敗を評価する」の正常例だけで受け入れ、失敗時の停止・復旧・未確認を成果物へ含めない: 正常例だけでは安全な実装条件になりません。失敗経路と復旧条件も受入対象です。
04|今日の理解度を確認する
今日の理解度を確認する
今日の整理をする
この3点を持ち帰る
- ✓ 品質・速度・費用・重大失敗を同時に評価し、平均値だけで利用可能性を決めません。
- ✓ モデル応答時間と業務完了時間、モデル費用と人の確認費、軽微誤りとCritical Failureを分けます。
- ✓ 予算とTimeout上限を実行基盤で制限し、品質劣化時のFallbackとRollbackを試します。
講義本文 5,043字
PRIMARY SOURCES