損失関数
予測された出力と真の値との違いを定量化し、モデルのトレーニングと最適化を導く数学的関数です。
オプティマイザーが最小化する客観的指標（例：クロスエントロピー、平均二乗誤差、カスタムの公平性ペナルティ損失）。損失関数の選択はモデルの挙動に直接影響するため、ガバナンスは学習前に、損失定義が事業目標、倫理的制約（例：公平性正則化項の追加）、およびリスク許容度と整合していることを確認しなければならず、さらに監査可能性と再現性を確保するために設定内容を文書化しなければなりません。
不正検知モデルのチームは、偽陰性に対して偽陽性の4倍のペナルティを課す重み付き交差エントロピー損失を採用しています。これは、見逃された不正によるビジネスコストを反映したものです。さらに、重み付けの根拠を文書化し、適合率（precision）と再現率（recall）の双方における下流への影響を追跡することで、バランスの取れた成果を確保しています。
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。