1 00:00:11,840 --> 00:00:21,199 前回のレッスンでは、データの プライバシーとセキュリティを扱いました。 何を必ず守るべきか、その方法は何か。 さて今回は、データ分析でAIを使うのを ためらわせる、あの問いに向き合います。 2 00:00:21,199 --> 00:00:32,719 「AIの結果を、どうやって信頼するの?」 今回のテーマは、 委任と確認責任のループ。 具体的には、あなたの仕事において、 AIの分析力への信頼を、 3 00:00:32,719 --> 00:00:44,879 体系的に積み上げていく方法です。 すでに自分が理解している データを使ってAIを試すことで、 AIが自分の状況をどう支えてくれるかを、 より深く理解できるようになります。 4 00:00:44,879 --> 00:00:55,600 このプロセスは、委任から始まります。 やり方はこうです。 まず、自分が普段やっている分析作業の中で、 AIに任せてみたい具体的なタスクを 特定します。すでに自分の手で分析を 5 00:00:55,600 --> 00:01:06,320 完了させた過去のデータを見つけて、 AIと一緒に、それを再現してみます。 何がうまくいって、何がうまくいかないか を見極めながら、プロンプトを磨き直して また試す。AIが、あなたが知っている結果と 6 00:01:06,320 --> 00:01:15,680 一致できれば、似た作業を任せていい、 信頼できるとわかります。 逆にできなければ、これはAIに任せちゃ いけない仕事だと学べます。 では実例を見てみましょう。それから、 7 00:01:15,680 --> 00:01:27,600 データに自信がない人向けの話もします。 紹介するのはリオさん。 退役軍人支援NPO「バレー・ベテランズ」の プログラムディレクターです。 四半期ごとに、彼はプログラムの参加状況と 8 00:01:27,600 --> 00:01:38,560 就職実績を一緒に分析します。 参加率を計算し、月ごとの変化を追い、 出席状況と就職成功の間に 相関があるかを確かめる。 この分析にはいつも、 9 00:01:38,560 --> 00:01:49,360 何時間もかかってきました。 委任を考えるにあたって、リオは 分析結果は引き続きプログラム改善に 活かしたいと思っています。 結果の解釈は自分でやりたい。 10 00:01:49,360 --> 00:01:59,119 でも、データのクリーニングと、 分析するたびに陥る数式地獄からは 解放されたい。そこで、自分の状況で AIが使えるかどうかを試すために、 リオは前四半期のデータで評価することに 11 00:01:59,119 --> 00:02:11,760 しました。AIなしで分析した結果も、 分析前の生のデータも、すべて 手元にあります。これが彼の テストケースです。 リオはデータをアップロードし、 12 00:02:11,760 --> 00:02:22,400 描写(Description)と見極め(Discernment)を 使ってAIと作業を始めます。 ただし、AIが応答するたびに、 リオは自分が知っている正解と 照らし合わせて、 13 00:02:22,400 --> 00:02:32,800 AIの推論に潜む抜け漏れを書き留めていきます。 ときには、説明を足してあげると AIが期待どおりの結果を出してくれる ことがあります。そんなときリオは、 今後の分析でも 14 00:02:32,800 --> 00:02:44,000 同じ情報を毎回含めるべきだと学びます。 一方で、AIの本質的な力不足が 見えてくることもあります。 これが「委任と確認責任のループ」が 動いている状態。リオの「確認責任」が 15 00:02:44,000 --> 00:02:54,080 AIの能力を見極め、それが次に 何を委任するかの判断を変えていく。 最初のプロンプトはこんな感じ—— 「前四半期の職業訓練プログラムから、 出席データと就職実績データを共有します。 16 00:02:54,080 --> 00:03:05,120 3ヶ月分の参加パターンを分析して、 出席率と就職成功の相関を グラフ化してください。 特に知りたいのは、安定した出席が より良い就職実績につながるかどうかです」 17 00:03:05,120 --> 00:03:18,000 AIは要約を返します。 でもリオは、それを事実として 鵜呑みにせず、自分の記録と 照合して、良い点と気になる点を メモしていきます。 18 00:03:18,000 --> 00:03:29,280 AIはプログラム出席と就職の 相関は正しく見抜きました。 でも、住宅支援と就職支援を 組み合わせたプログラムについての 重要な気づきを見落としていた。 19 00:03:29,280 --> 00:03:44,159 そこでリオは描写を磨き直し、 「もう一度、プログラムの種類に 特に注目して分析して」とお願いします。 今度はAIが、自分の誤りに気づきました。 これでリオは学びます—— 20 00:03:44,159 --> 00:03:53,280 今後の四半期では、AIにプログラムの 種類を考慮するよう、必ず明示的に 依頼する必要があると。 さらに、もう少し難しいことを試します—— 「参加者がいつ申し込んだかをもとに、 21 00:03:53,280 --> 00:04:05,040 分析もできる?」 AIが応答する中で、リオは気づきます。 登録データを直接持っていなくても、 AIはそれを引き出す手伝いができる。 あとで結果を照合しようとメモを残します。 22 00:04:05,040 --> 00:04:15,040 このプロセスを通して、リオは 四半期レポートで AIに何ができて、 何ができないかを、体系的に 検証しました。適切な描写を渡せば、 AIは過去に自分が手作業でやっていた 23 00:04:15,040 --> 00:04:26,000 分析を、正確に再現できると学んだ。 同時に、明確な限界とフォローが 必要な部分も見えてきた。 コホート分析をするには、データに 登録日が必要——なければAIは推測しようとする 24 00:04:26,000 --> 00:04:36,479 けれど、それは彼の望むやり方ではない。 そして何より大事なのは、リオは今、 このやり方が今期のデータでも 信頼して使えると確信していて、 何を自分で渡すべきか、 25 00:04:36,479 --> 00:04:46,960 何を自分で補うべきかを、明確に メモにしてあるということ。 リオがこの検証済みのやり方を、新しい データに使うとき、確認責任は続きます。 数字が、自分の知っている 26 00:04:46,960 --> 00:04:58,400 プログラムの現状から見て妥当か 確認する。最終レポートには 責任を持つ。聞かれたらAIの役割を 透明に伝える。でも今は、当てずっぽうではなく、 検証された自信から動けている。 27 00:04:58,400 --> 00:05:10,720 このやり方をまとめると、こうなります—— 1つ、AIに任せたい具体的な分析作業を 特定する。何が必要か、はっきりさせる。 2つ、自分で完了させた過去のデータを 見つける。AIが正解にたどり着けるか 28 00:05:10,720 --> 00:05:22,639 を評価するには、自分が「正解」を 知っている必要があります。 3つ、AIと一緒に過去の分析を再現し、 結果を体系的に評価する。 AIは何を生み出したか? どう 29 00:05:22,639 --> 00:05:33,360 取り組んだか? どう伝えてきたか? 4つ、ギャップを見つけて、委任の 仕方を磨き、再びテストする。 AIが正しい結果を出せると検証できたら、 新しいデータでも自信を持って使える 30 00:05:33,360 --> 00:05:42,880 やり方が手に入る。何度か磨き直しても うまくいかないなら、これは委任すべき ではないタスクだと学べる。 ここまではいいけど、そもそも自分が データに自信がなくて、 31 00:05:42,880 --> 00:05:52,800 プロセスのギャップを自分で見抜く ことができなかったら? AIはそういう 人のために、自分では思いつかない ような解決策を考えたり実行する助けに もなります。 32 00:05:52,800 --> 00:06:03,680 AIモデルはコーディングが特に得意なので、 Excelの数式を書いたり、ぐちゃぐちゃな データを整え直したり、そういう 作業も手伝ってくれます。 33 00:06:03,680 --> 00:06:12,720 そんなときは、自分の疑問や アイデアをそのままAIに渡して、 「解決策がどう見えるか、理解する 手助けをして」と頼んでみてください。 チームのデータアナリストに 34 00:06:12,720 --> 00:06:23,840 相談するときと同じ感覚です。 AIと作業しながら、わからないことは どんどん聞いてください。プロセスを たどって、最終的な出力を 理解できるように。覚えておいて—— 35 00:06:23,840 --> 00:06:34,400 検証は自信を育てるけれど、責任を なくしてくれるわけではありません。 結果が筋の通ったものかを確認する責任、 分析プロセスでのAIの役割を 透明に伝える責任は、 36 00:06:34,400 --> 00:06:46,400 あなたにあります。 この検証のやり方は、どんな分析作業 でも使えます。寄付者分析、予算予測、 アンケート集計、成果のトラッキング—— まずテストして、何がうまくいくか確かめて、 37 00:06:46,400 --> 00:07:00,440 自信を持って活用する。あるいは、 これは任せちゃダメな仕事だと 学ぶ。次回のレッスンでは、ワークフロー 拡張について——AIが日常的な仕事を あなたに代わってこなすときに、 同じ原則をどう応用するかを見ていきます。