　内部品質は、「要求分析の十分性」「データ設計の十分性」「データセットの被覆性」「データセットの均一性」「機械学習モデルの正確性」「機械学習モデルの安定性」「プログラムの健全性」「運用時品質の維持性」の8項目に整理されている。システムの開発者は、プロセス管理や数値評価によってこれらを具体的に確認することで、外部品質に求められる要件が達成可能になる。

　外部品質として特定されたのは「リスク回避性」「AIパフォーマンス」「公平性」の3軸で、それぞれ、要求の強さに応じてレベル分けされている。

　内部品質を向上させることで、外部品質のレベルが十分なものとなり、これにより最終製品の利用時品質が確かなものになる。また、同ガイドラインは、AIシステムの開発者と利用者が、対象システムに求められる品質要求に関して、客観的な基準を基に合意できるため、品質に関する不透明性の排除につながる。

求められる品質条件を達成するための全体構造（クリックで拡大）出典：産総研

着目する内部品質特性（クリックで拡大）出典：産総研

　今後は、実際にAIシステムをビジネスで活用した結果を基に、国際標準化も視野に入れて、定期的なガイドライン改訂や英文ガイドラインの作成を実施し、有用性を高めていく。

AI製品の品質保証はどうする、日本初のガイドラインで品質と開発速度を両立せよ
AI技術を活用した製品の品質保証に関する調査／体系化、適用支援／応用、研究開発を推進するQA4AIコンソーシアムが、東京都内でイベント「Open QA4AI Conference」を開催。日本初となる「AIプロダクト品質保証ガイドライン」について、同コンソーシアム運営委員長の西康晴氏が説明した。
AIと機械学習とディープラーニングは何が違うのか
技術開発の進展により加速度的に進化しているAI（人工知能）。このAIという言葉とともに語られているのが、機械学習やディープラーニングだ。AIと機械学習、そしてディープラーニングの違いとは何なのか。
世界を変えるAI技術「ディープラーニング」が製造業にもたらすインパクト
人工知能やディープラーニングといった言葉が注目を集めていますが、それはITの世界だけにとどまるものではなく、製造業においても導入・検討されています。製造業にとって人工知能やディープラーニングがどのようなインパクトをもたらすか、解説します。
人工知能は製造現場でどう役に立つのか
人間の知的活動を代替するといわれる人工知能が大きな注目を集めている。ただ、製造現場で「使える」人工知能は、一般的に言われているような大規模演算が必要なものではない。「使える人工知能」に向けていち早く実現へと踏み出しているファナックとPFNの取り組みを紹介する。
機械学習で入ってはいけないデータが混入する「リーケージ」とその対策
製造業が機械学習で間違いやすいポイントと、その回避の仕方、データ解釈の方法のコツなどについて、広く知見を共有することを目指す本連載。第1回では「リーケージ」について取り上げる。
教師データが足りないと「異常予測」は難しい、ならば「異常検知」から始めよう
製造業が機械学習で間違いやすいポイントと、その回避の仕方、データ解釈の方法のコツなどについて、広く知見を共有することを目指す本連載。第3回は、「異常予測」と「異常検知」について取り上げる。教師データ量の不足が課題になる「異常予測」に対して、「異常検知」は教師データなしでも始められることが特徴だ。