偽陰性
AIモデルが実際には正であるインスタンスに対して誤って負のクラスを予測する場合（タイプIIエラー）。
これは、モデルが実際に該当するケースを見逃した場合に発生し、不正、セキュリティ、または医療診断の領域では重大なリスクとなります。偽陰性は、脅威の未検知や必要な介入の機会損失につながる可能性があります。ガバナンスにおいては、再現率を継続的に監視し、許容可能なリスク水準を定義するとともに、見逃し事象を捕捉するための二次的なチェックや監視（例：異常検知）を実装することが不可欠です。
がん検診AIにおいて、偽陰性率が2%であるということは、100件の腫瘍のうち2件が検出されないことを意味します。ある病院では、信頼度の低いスキャンに対して手動のダブルリード（2名読影）プロセスを導入し、モデルの判定しきい値を引き下げることで、偽陽性がわずかに増加する代わりに、偽陰性率を1%まで低減しました。その後、この調整の有効性を検証するために、患者アウトカムの追跡を行っています。
私たちは、お客様が答えを見つけるお手伝いをします
Enzaiはどのような問題を解決しますか？
Enzaiは、エンタープライズグレードのインフラストラクチャを提供し、AIリスクとコンプライアンスを管理します。AIシステム、モデル、データセット、ガバナンスの決定が文書化され、評価され、監査可能な中央記録システムを作成します。
Enzai は誰のために作られていますか？
Enzaiは他のガバナンスツールとどのように異なりますか？
既存のAIガバナンスプロセスがない場合でも開始できますか。
AIのガバナンスはイノベーションを遅らせるのか？
Enzaiはどのように進化するAI規制と整合性を保っていますか？
リサーチ、インサイト、更新情報
組織がAIを採用し、管理し、監視する能力を、企業レベルの信頼性で強化します。規模で運営する規制対象の組織向けに構築されています。