不確実性の定量化は、AIモデルの予測に含まれる「不確実さ」を数値化する技術です。データ由来の「偶然的不確実性」とモデルの知識不足による「認識的不確実性」を評価します。自動運転や医療診断など、予測の誤りが重大な結果を招く分野において、AIの予測の信頼性を担保し、安全な意思決定を支援するために不可欠な手法です。
不確実性の定量化とは
不確実性の定量化（UQ）とは、AIや機械学習モデルが予測を行う際に、その予測結果にどれほどの「自信のなさ」や「ばらつき（不確実性）」が含まれているかを数値として評価・測定する技術です。単に予測値を出力するだけでなく、その予測がどの程度信頼できるかを明示するために重要となります。
詳しく解説
従来の機械学習やディープラーニングの多くは、1つの確定した予測値のみを出力する「決定論的モデル」でした。しかし、自動運転や医療診断といった安全性が重視される分野では、AIが間違えるリスクを把握することが不可欠です。不確実性の定量化は、モデルの予測に伴うリスクを定量的に示すことで、この課題を解決します。不確実性は主に2つの種類に分類されます。データそのものに内在するノイズに起因する「偶然的不確実性」と、モデルの学習データの不足や知識不足に起因する「認識的不確実性」です。これらを測定する手法として、統計的なアプローチであるベイズニューラルネットワークや、複数のモデルの予測を統合するアンサンブル学習などが広く研究・応用されています。
具体例・使われ方
例えば、自動運転システムにおいて、カメラ画像から障害物までの距離を予測する際に、不確実性の定量化が活用されます。AIが「前方の障害物まで約5メートル（ただし不確実性の範囲がプラスマイナス3メートル）」と判定した場合、システムはAIの自信が低いと判断し、安全のために減速やドライバーへの警告を行うことができます。また、医療の画像診断において、病変の有無を判定する際に、認識的不確実性が高い領域を医師に提示してダブルチェックを促すといった利用例もあります。
似た用語との違い
不確実性の定量化は、一般的な「点予測」や単なる「信頼区間」の算出とは異なります。通常の信頼区間はデータが特定の確率分布に従うことを前提に統計学的に算出されることが多いのに対し、機械学習における不確実性の定量化は、データ由来のノイズ（偶然的不確実性）だけでなく、学習モデル自体の構造や学習データの偏りに起因する知識不足（認識的不確実性）までを区別し、包括的に評価する点が特徴です。
注意点
不確実性の定量化を導入する際の注意点として、計算コストの増大が挙げられます。例えばベイズニューラルネットワークやアンサンブル学習は、高精度な定量化が可能である一方、通常のモデルよりも学習や推論に多くの時間とメモリを必要とします。また、不確実性として出力された数値自体が常に100%正しいとは限らず、モデル自体の設計ミスや想定外の未知のデータに対しては、不確実性を正しく見積もれないリスクがあることも理解しておく必要があります。