AIの学習や分析に用いるデータの正確性や信頼性を表す指標です。低品質なデータはモデルの精度低下を招くため、機械学習プロジェクトの成否を分ける重要な要素として近年特に重視されています。
データ品質とは
データ品質とは、AIモデルの学習や推論に用いられるデータが、その目的に対してどれほど正確で、適切で、信頼できるかを示す度合いのことです。
詳しく解説
AIモデルの性能は、入力されるデータの状態に大きく依存します。「ゴミを入力すれば、ゴミが出てくる」という「Garbage in, garbage out」の原則があるように、不正確なデータや偏ったデータで学習を行うと、AIは正しい判断を下せなくなります。そのため、機械学習の前処理において、欠損値の補完や異常値の除去、ラベル付けの正確性向上などを行い、データ品質を担保する作業が不可欠となっています。
具体例・使われ方
例えば、画像認識AIの学習データにおいて、猫の画像に「犬」という誤ったラベルが多数混入している場合、AIは正しく学習できません。また、顧客の購買予測モデルを作る際に、古い情報や重複したデータが大量に含まれていると、精度の高い予測ができなくなります。これらを防ぐためにデータのクリーニングや検証が行われます。
似た用語との違い
データ量（ビッグデータ）が多ければ良いAIができると誤解されがちですが、データ品質は量とは異なる概念です。どれほど膨大なデータ（ビッグデータ）を集めても、そこにノイズや偏りが多ければ意味がありません。近年では、量よりも質を重視する「データ中心AI（Data-centric AI）」というアプローチが注目されています。
注意点
データ品質を高めるための作業には多大な時間とコストがかかります。また、人間が手動でデータクレンジングを行う場合、作業者の主観や偏見が入り込むリスクがあり、それが新たなバイアスを生む原因になることにも注意が必要です。