この記事で分かること
- AIシステムの目的ごとに必要なデータの種類
- データの所在、形式、品質、更新、権限を確認する方法
- 評価用データと正解例を作る手順
- データ不足や古い情報による失敗を避ける運用方法
AIシステムに必要なデータは目的で変わる
社内文書検索なら、規程、マニュアル、FAQ、議事録など、参照してほしい資料が必要です。問い合わせ対応なら、過去の質問、正しい回答、対応ルール、回答してはいけない条件を用意します。分類なら、入力と分類先の例、分析なら、項目の定義と期間、更新方法が必要です。
AIへ渡すデータと、評価に使うデータを分けます。学習や検索に使う資料だけでは、正しい結果か判定できません。質問、期待する回答、参照元、判定理由を組み合わせた評価用ケースを作り、開発前後で同じ条件を使えるようにします。
| 目的 | 主なデータ | 評価の例 |
|---|---|---|
| 文書検索 | 規程、手順書、FAQ、版情報 | 根拠文書と回答の一致 |
| 問い合わせ対応 | 質問、回答、対応履歴 | 回答候補の正しさと修正量 |
| 分類 | 入力例、分類先、判定基準 | 分類の一致率 |
| 要約・生成 | 原文、テンプレート、用語ルール | 抜け、誤り、修正時間 |
| 分析 | 数値、項目定義、期間、属性 | 集計の再現性と判断の妥当性 |
最初にデータの所在と管理者を確認する
データ一覧には、ファイル名だけでなく、保存場所、形式、件数、更新頻度、管理部署、利用できる人、最新版の判定方法を記載します。Excel、Access、CSV、PDF、メール、データベースなど、場所が分かれる場合は、最初に扱う範囲を決めます。
管理者が不明なデータをそのままAIへ登録すると、古い情報や利用できない情報が混ざります。正しい資料を承認する人、更新する人、AIへ登録する人を分け、更新のタイミングと履歴を残します。文書が削除された場合に検索対象から外す方法も必要です。
サンプルデータは代表例と難しい例を用意する
正常なデータだけでなく、空欄、重複、古い版、誤字、複雑な表、画像化された文字、別部署の資料を用意します。実データを共有できない場合は匿名化しますが、匿名化で文字数や構造が変わるなら、その影響を伝えます。
データ整備の手順
- AIを使う業務と期待する出力を決める
- データの保存場所、形式、管理者、利用権限を一覧にする
- 重複、古い版、欠損、表記ゆれを確認する
- 対象データと対象外データを決める
- 評価用データと正解例を作る
- 取り込み、更新、削除、検索、出力をテストする
- 運用時の更新者、評価者、問い合わせ窓口を決める
全データを一度に整える必要はありません。業務上の優先度が高く、正しい状態を確認できる範囲から始めます。対象外にした資料と、後から追加する条件を記録しておくと、検証結果を本番計画へ引き継げます。
データ品質を評価する五つの観点
正確性
内容が正しいか、業務の最新ルールと合っているかを確認します。AIは誤った資料も参照するため、取り込み前に管理者の確認を受けます。
完全性
必要な項目や資料が欠けていないかを見ます。欠損を許容するのか、エラーとして戻すのか、担当者へ差し戻すのかを決めます。
一貫性
部署やファイルによって項目名、単位、表記、日付形式が違わないか確認します。違いがある場合は変換ルールを残します。
最新性
更新日、適用開始日、旧版の扱いを確認します。新旧の資料を同時に検索させないため、版と公開範囲を管理します。
利用可能性
個人情報、営業秘密、第三者の権利、社内規程を確認し、AIや外部サービスへ送れるかを判断します。利用できるデータでも、閲覧者を限定する場合があります。
| 品質項目 | 確認する質問 | 問題がある場合 |
|---|---|---|
| 正確性 | 誰が正しいと承認したか | 管理者の確認へ戻す |
| 完全性 | 必要な項目はそろっているか | 欠損を警告・差し戻し |
| 一貫性 | 表記や単位は統一されているか | 変換ルールを適用 |
| 最新性 | 最新版と旧版を判定できるか | 版と公開日を管理 |
| 利用可能性 | 誰がどの範囲を見られるか | 匿名化や権限制御 |
評価用データと正解例を作る
評価用データは、実際の利用者が入力しそうな質問やファイルから作ります。各ケースに期待する回答、根拠、許容される表現、回答できない場合の扱いを付けます。担当者によって答えが違う場合は、業務ルールを確認し、判定理由を注記します。
テストケースには、通常の質問だけでなく、曖昧な質問、誤字、長文、古い情報、権限外の質問、資料に答えがない質問を含めます。正答率だけでなく、根拠表示、回答不能の判断、担当者の修正時間を測ります。
権限と外部サービスへの送信を管理する
全社向け資料と部署限定資料を同じ検索対象へ入れる場合、利用者の権限を検索結果へ反映します。部署、役職、案件、顧客などで閲覧範囲が変わるなら、誰がどの資料へアクセスできるかを表にします。
AI APIやクラウドを使うときは、入力データがどこへ送られ、保存され、ログに残るかを確認します。個人情報や営業秘密を扱う場合は、匿名化、マスキング、送信対象の限定、保存期間、削除方法を社内の責任者と相談します。
データの利用可否を開発会社だけで判断しないことも重要です。情報システム、セキュリティ、法務、現場のデータ管理者が確認し、承認を残します。マクティズムのAI開発サービスでも、業務の流れ、入力情報、利用者、運用体制を踏まえたAI活用を検討する案内があります。
データ更新と運用を設計する
AIシステムを公開した後も、資料や業務ルールは変わります。誰が新しい資料を承認し、誰が登録し、旧版をいつ外し、更新後にどのテストを再実行するかを決めます。毎回すべてを確認するのか、重要な資料だけを確認するのかも運用条件です。
データ品質の問題を受け付ける窓口を置きます。誤回答が報告されたら、入力、参照資料、権限、生成結果、利用者の修正を確認し、原因を分類します。モデルを変更する前に、古い資料やデータの欠損が原因でないかを調べます。
- 資料を更新する担当者
- 正しい内容を承認する担当者
- AIの回答を評価する担当者
- 誤回答や障害を受け付ける窓口
- データ削除と権限変更を行う担当者
- 改善の優先順位を承認する責任者
データ不足による失敗を避ける
「資料を入れれば正しく答える」と考えると、古い版や社内独自の略語で問題が起こります。開発前に、正しい資料の管理者、評価用ケース、回答できない場合の扱いを決めます。データが足りない場合は、対象業務や出力を変更し、無理に全自動化しません。
数値分析では、項目の定義が特に重要です。同じ「売上」でも、税を含むか、返品を差し引くか、期間をどう切るかで結果が変わります。計算式、単位、集計期間、除外条件を文書に残し、サンプルで人の計算と照合します。
データを増やすことが精度向上につながるとは限りません。重複や誤ったデータが増えると、結果の確認が難しくなります。対象を絞って品質を確認し、追加データを入れる前後で評価指標を比較します。
AIシステムのデータ整備チェックリスト
- 目的と出力に必要なデータを説明できる
- 保存場所、形式、件数、更新者を一覧化した
- 最新版、旧版、重複、欠損を確認した
- 代表例と例外例のサンプルを用意した
- 評価用ケースと正解例を作った
- 部署や役割ごとの閲覧範囲を決めた
- 外部サービスへ送信する情報を確認した
- 登録、更新、削除、評価の担当者を決めた
- 品質問題と誤回答の受付方法を決めた
開発会社へデータを渡す前の準備
相談前に、すべてのデータを提出する必要はありません。まず、業務を理解できる代表的なサンプルと、処理が難しいサンプルを選びます。ファイルの種類、作成部署、更新頻度、どの項目をAIへ使いたいかを添えます。機密情報がある場合は、匿名化や一部マスキングの方法を社内で確認します。
データ一覧には、ファイルやテーブルの名前、保管場所、管理者、利用範囲、更新日、件数、形式、版、個人情報の有無を書きます。記載できない項目は空欄のままにせず、確認が必要な事項として管理します。開発会社へ渡すデータと、社内だけで保持するデータを分けておくと、安全な相談を進めやすくなります。
既存のExcelやAccessを使う場合は、ファイルを開いて入力から出力までの流れを説明します。列名が毎回変わる、担当者ごとにコピーがある、手作業で修正しているといった事情も、データ品質に影響します。問題を隠さず共有し、整備作業を発注範囲へ含めるかを相談します。
本番後のデータ評価を継続する
AIシステムの品質は、初回検証だけで終わりません。資料の更新、業務ルールの変更、利用者の増加、質問の傾向、外部サービスの仕様変更で結果が変わることがあります。月次や四半期ごとに、代表的な評価ケースを再実行し、誤りや修正の傾向を確認します。
評価結果は、入力、参照資料、権限、AIの出力、担当者の修正に分けて記録します。間違いの原因が資料の古さならデータ管理を直し、検索対象が不適切なら取り込みや権限を見直します。すべてをモデル変更で解決しようとせず、原因に合う改善を選びます。
| 運用時の変化 | 確認するデータ | 対応例 |
|---|---|---|
| 資料が更新された | 版、適用日、公開範囲 | 旧版を外して再評価 |
| 質問が増えた | 質問分類、回答不能、修正 | FAQや検索対象を追加 |
| 部署が増えた | 役割、権限、利用範囲 | アクセス制御を再確認 |
| 結果が不安定 | 入力、参照元、処理ログ | 原因を分類して改善 |
| 費用が増えた | 利用回数、文字量、再実行 | 上限や方式を見直す |
データ更新の責任者が不在になることも想定します。担当者の交代、退職、組織変更があっても、正しい資料を承認し、AIへ登録し、評価する手順を引き継げるようにします。更新履歴と担当者を保存し、いつの情報で回答したかを確認できる状態にします。運用の記録を定期的に確認し、改善につなげます。安全性も定期的に見直し、変更内容は必ず記録します。
AIシステムのデータに関するFAQ
データが少なくてもAIシステムを作れますか？
目的と対象を絞れば検討できます。少ないデータでどの条件が成立するかをPoCで確認し、回答できない場合の運用を設計します。
ExcelやAccessのデータも使えますか？
形式、更新方法、列名、権限、エラー処理を確認したうえで、取り込みや分析、入力チェックなどへの利用を検討できます。
古い資料はすべて削除すべきですか？
保存が必要な場合もあるため、削除ではなく検索対象から外す、版を表示する、管理者だけが見られるようにするなど、業務ルールに合う方法を決めます。
正解データは誰が作りますか？
業務上の正しさを判断できる担当者が基準を作り、開発会社が評価しやすい形式へ整理する方法があります。判定理由と承認者を記録します。
データを外部AIへ送ってもよいですか？
データの種類、契約、社内規程、保存や学習利用の条件を確認します。個人情報や秘密情報は匿名化や送信範囲の限定を検討し、社内の責任者が承認します。
AIシステムのデータ整備を相談する
マクティズムのAI開発サービスでは、社内文書検索、問い合わせ対応、文書作成、Excelや既存システムとの連携などを、業務とデータの状態に合わせて検討できます。仕様が固まっていない段階から、必要なデータ、評価、運用を整理する相談が可能です。
相談時は、データの保存場所、形式、件数の目安、更新者、利用者、困っている作業を共有してください。機密データは匿名化したサンプルから始め、どこまで確認できるかを相談します。
まとめ｜データは品質と運用まで設計する
AIシステムに必要なデータは、目的に合い、正しさ、完全性、一貫性、最新性、利用可能性を確認できる状態にします。所在、管理者、形式、版、権限を一覧にし、通常例と例外例を使った評価用データを準備してください。
AIの出力を業務で使い続けるには、データを更新する人、正解を判断する人、誤回答を調べる人を決める必要があります。大量のデータを先に集めるのではなく、対象を絞って品質と業務効果を確認し、結果を見ながら安全に範囲を広げましょう。
