不均衡データ
あるクラスまたはカテゴリが他のクラスやカテゴリに比べて著しく数が多いデータセットは、適切な対策を講じない限り、AIモデルが多数派のクラスに偏る原因となる可能性があります。
ターゲットカテゴリー（例：詐欺対合法的なもの）の表現が不均衡な場合に発生し、多数派のクラスを優先し、まれだが重要なケースを見逃すことがあります。軽減技術には、リサンプリング（少数派のオーバーサンプリングまたは多数派のアンダーサンプリング）、合成データ生成（SMOTE）、またはクラス重み調整の使用が含まれます。ガバナンスでは、クラスの分布を監視し、クラス別のパフォーマンスを追跡し、軽減策の選択とその影響を文書化することが求められます。
銀行の不正検知データセットには、不正ケースが0.5%含まれています。データサイエンスチームはSMOTEを適用して不正例をオーバーサンプリングし、クラス重み付き損失でモデルを再トレーニングし、不正検知率を60%から85%に引き上げました。その過程を監査とコンプライアンスのために文書化しています。
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。