AIのキャリブレーションとは、機械学習モデルが出力する予測確率と、実際の正解率のズレを補正し、モデルの信頼性を正しく評価できるように調整するプロセスのことです。過信を防ぎ、実運用での安全性を高めるために不可欠な技術です。
キャリブレーションとは
一言でいうと、AIが提示する「自信度（確率）」の数字を、実際の正しさの度合いと一致させる調整作業のことです。
詳しく解説
機械学習モデル、特に深層学習モデルは、実際には間違っている予測に対しても「99%確実である」といった過度に高い確率を出力する傾向（過信）があります。キャリブレーションはこのズレを修正し、モデルが出力する確率を実際の的中率に近づける仕組みです。プラトーリングやPlattスケーリング、温度スケーリングといった手法を用いて、検証データに基づきモデルの出力値を補正します。これにより、モデルがどれほど信頼できるかを人間が正確に判断できるようになります。
具体例・使われ方
医療用画像診断AIにおいて、病気の確率が「80%」と出た場合、キャリブレーションが適切に行われていれば、過去の同等の症例において実際に80%の確率でその病気であるということになります。自動運転の障害物検知システムや金融の信用スコアリングなど、誤判断のリスクが大きい分野で不可欠な技術です。
似た用語との違い
一般的なモデルの評価指標である正解率（Accuracy）やAUCが「モデルがどれだけ正解を当てられたか」を測るのに対し、キャリブレーションは「出力された確率の信頼性の高さ」に注目する点で異なります。正解率が高くても、キャリブレーションが不十分であるケースは多々存在します。
注意点
キャリブレーションはあくまで学習済みモデルの出力値を事後的に調整するものであるため、モデル自体の根本的な予測精度を向上させるわけではありません。また、補正に用いる検証データの質や量が不十分な場合、かえって信頼性を損ねるリスクがあるため注意が必要です。