複数のタスク（例えば、音声認識と翻訳）を共同で学習するAIシステムを構築し、その複雑さと監査可能性についてのガバナンスが必要です。
関連する目的間で表現と重みを共有するマルチタスク・アーキテクチャは、サンプル効率を向上させる一方で、結合度と不透明性を高めます。ガバナンス上の課題には、各タスクが性能および公平性の要件を満たしていることの担保、複雑なデプロイメント・パイプラインの管理、ならびに説明可能性の維持が含まれます。ドキュメントでは、共有コンポーネントが各タスクの出力にどのような影響を与えるか、また更新がタスク間でどのように伝播するかを明確に区分して記載する必要があります。
グローバルな顧客サポートAIは、分類（「問い合わせカテゴリ」）と感情分析のために、共同モデリングを採用しています。再学習時には、チームは両タスクについて公平性と精度をそれぞれ評価し、各タスクの指標を記録し、相互影響（例：感情分析のバイアスが分類に及ぼす影響）を確認します。ガバナンスにより、一方のタスクにおける改善が他方のタスクの性能低下を招かないことを確実にしています。
