誤検知とは、AIやシステムが正常なデータや事象を異常・脅威・特定の対象と誤って判定することです。統計学や機械学習では「偽陽性」とも呼ばれます。スパムメールフィルターによる正常メールの誤自動振り分けや、セキュリティ検知の誤アラートなどが代表例であり、検知精度の向上と運用負荷の軽減に向けて閾値の調整が重要となります。
誤検知とは
誤検知とは、システムやAIモデルが「対象ではない正常な状態やデータ」を、誤って「検出対象（異常や脅威など）」として判定してしまう現象のことです。統計学や機械学習の分類問題では「偽陽性」と呼ばれます。
詳しく解説
誤検知は、異常検知システムやスパム対策、医療診断、顔認証など多様な分野で発生します。AIモデルは与えられた入力データに対し、特定の条件を満たす確率を計算して判定を行います。この際、判定の基準となる「閾値」が高すぎたり低すぎたりすると誤検知が生じます。AIモデルの評価では、正しく陽性と判定できた割合を示す「精度」や「再現率」といった指標、および結果を整理する「混同行列」を用いて性能を計測します。誤検知が増えると、通知を確認する管理者の負担が増加し、重要なアラートが見過ごされる「アラート疲れ」を引き起こすため、ビジネス運用上大きな問題となります。
具体例・使われ方
誤検知の代表例として、通常の業務メールがスパムフィルターによって誤って迷惑メールフォルダに分類されるケースがあります。また、クレジットカードの不正利用検知システムが本人の正常な買い物を拒否するケースや、製造ラインの自動外観検査で傷のない良品を不良品と誤判定する事例などが挙げられます。
似た用語との違い
誤検知と混同されやすい概念に「未検知」があります。誤検知（偽陽性）は「問題がないのに問題ありと誤判定すること」であるのに対し、未検知は「偽陰性」とも呼ばれ、「問題があるのに見逃してしまうこと」を指します。一般に、誤検知を減らそうとして判定基準を厳しくすると未検知が増えやすくなり、逆に未検知を減らそうとすると誤検知が増えるというトレードオフの関係が存在します。
注意点
誤検知を完全にゼロにすることは現在のAI技術では極めて困難です。そのため、誤検知が発生することを前提とした運用設計が求められます。システム開発時には、誤検知と未検知のどちらのリスクがビジネス上大きいかを評価し、適切な「閾値」を設定することが不可欠です。また、過度な自動化を避け、人間の判断を挟む「ヒューマンインザループ」の構築も重要です。