AIプロジェクトの進行プロセス
解説：なぜAI開発は「アジャイル」なのか？
従来のシステム開発（銀行のシステムやWebサイト作成など）は、「仕様書通りに作れば完成する」という確実性がありました。
しかし、AI開発は「やってみないと精度が出るかわからない」という不確実性が常に伴います。
そのため、一度決めたら後戻りしない「ウォーターフォール型」ではなく、短いサイクルで試行錯誤を繰り返す「アジャイル型」の進行が適しているとされます。
1. 基本フレームワーク：CRISP-DM
G検定で最も頻出の用語です。データマイニング（AI開発）の標準的なプロセスモデルとして、「CRISP-DM（クリスプ・ディーエム）」が定義されています。
以下の6つのプロセスを、一方通行ではなく「行ったり来たり（反復）」しながら進めます。
🔄 CRISP-DMの6段階
- ビジネスの理解 (Business Understanding)：
何のためにAIを作るのか？ 目的とゴールを定義する。 - データの理解 (Data Understanding)：
どんなデータがあるか確認し、品質をチェックする。 - データの準備 (Data Preparation)：
AIが学習できるようにデータを加工・整形する（前処理）。
※ここが最も時間がかかる！ - モデリング (Modeling)：
AIモデルを作成し、学習させる。 - 評価 (Evaluation)：
できたモデルはビジネスの目的を達成できているか検証する。 - 展開 / 共有 (Deployment)：
実際の現場システムに組み込んで運用を開始する。
発展形：CRISP-ML(Q)
CRISP-DMを現代の機械学習（Machine Learning）向けに拡張したものです。最後の「展開」の後に、「モニタリングとメンテナンス」のフェーズが追加されているのが特徴です。
（※AIは一度作って終わりではなく、データの変化に合わせて再学習が必要なため）
2. 運命の分かれ道：PoC (Proof of Concept)
PoC（概念実証）とは
本格的な開発にお金をかける前に、「そもそもこのアイデアは実現可能なのか？」を小規模に検証するフェーズのことです。「とりあえず試作してみる」段階です。
⚠️ 陥りやすい罠：「PoC貧乏（PoC死）」日本のAIプロジェクトで社会問題になっている現象です。
- 「とりあえずPoCをやってみよう」と繰り返すばかりで、精度が微妙だったり、現場への導入効果が見えなかったりして、いつまで経っても本番運用に進まない状態のこと。
- 対策：PoCを始める前に「精度が80%を超えたら本番開発に進む」といった撤退・合格ライン（終了条件）を明確にしておくことが重要です。
3. 開発手法の比較：ウォーターフォール vs アジャイル
| 手法 | 進め方のイメージ | AIとの相性 |
|---|---|---|
| ウォーターフォール | 「滝」のように上から下へ。 要件定義→設計→開発→テストと順番に進め、後戻りしない。 |
× 悪い 「やってみないと分からない」AI開発では、後戻りできないリスクが高すぎる。 |
| アジャイル | 「反復」サイクル。 「計画→開発→検証」の短いサイクル（スプリント）を何度も繰り返して完成度を高める。 |
◎ 良い モデルの精度を見ながら柔軟に計画を変更できるため、AI開発の標準となっている。 |
G検定対策
出題ポイント
- CRISP-DMの順番：特に「ビジネスの理解」が最初に来ることと、「データの準備」に最も時間がかかることは常識として問われます。
- PoCの定義：「本格導入前の検証フェーズ」であること。そして「PoC貧乏（PoC疲れ）」という失敗パターンが存在すること。
- アジャイル開発：「AIプロジェクトに適した手法はどれか？」という問いに対し、「ウォーターフォールではなくアジャイル」を選べるように。
ひっかけ対策
- 「CRISP-DMは、一度デプロイしたら終了である」→ × 誤り。
サイクル（循環）モデルです。運用結果を評価し、また最初のビジネス理解やデータ準備に戻って改善を続けます。 - 「PoCを行えば、必ずプロジェクトは成功する」→ × 誤り。
PoCはあくまで「検証」です。「技術的に無理だった」と判明してプロジェクトが中止になることも、PoCの重要な成果の一つです。
