偽陰性
AI モデルが、実際にはポジティブであるインスタンスに対してネガティブクラスを誤って予測した場合（タイプ II エラー）。
Definition
モデルが実際のケースを見逃したときに発生します。詐欺、セキュリティ、医療診断では危険です。偽陰性だと、脅威が検出されなかったり、介入を見逃したりする可能性があります。ガバナンスは、リコール率を監視し、許容できるリスクレベルを確立し、見逃した事象を発見するための二次的なチェックやモニタリング（異常検知など）を実施する必要があります。
Real-World Example
がんスクリーニングAIでは、偽陰性率が 2% であれば、腫瘍100個に2個が検出されないことになります。ある病院では、信頼性の低いスキャンのために手動の二重読み取りプロセスを設定し、モデルの決定閾値を下げ、偽陽性がわずかに増加することを犠牲にして偽陰性を 1% に減らし、患者の結果を追跡して調整の有効性を検証します。
.svg)
