PMI-CPMAIでは、AIイニシアチブにおけるスケーラビリティとは、データ量、ユーザー需要、または計算負荷の増加に直面した際に、ソリューションがパフォーマンス、信頼性、および精度を維持できる能力と定義されています。
PMI AI管理フレームワークは、AIシステムは「サービス品質を低下させることなく、容量、データスループット、モデル処理を拡張する」ように設計されなければならないことを強調しています（PMI-CPMAI学習パス：
AIソリューションの設計と実装。
PMIはさらに、拡張性を評価する際には、プロジェクトマネージャーはAIシステムが拡張性に対応できるかどうかを評価する必要があると述べています。
「モジュール型で分散型のアーキテクチャを使用して、予測を上回る使用レベル、より大規模なデータセット、および将来の機能増加に適応する。」公式ガイダンスでは、スケーラブルなAIソリューションは多くの場合、弾力性のあるクラウド環境、コンテナ化されたデプロイメント、および水平方向に拡張可能なコンピューティングレイヤーに依存すると指摘しています。これは、PMIの説明にある「AIのパフォーマンスは需要の増加に伴って安定している必要があり、計算能力、レイテンシのしきい値、およびスループットの期待値を検証するために、段階的に高い負荷に対するテストが必要となる」（PMI-CPMAI：AI技術基盤）に反映されています。
プロジェクトマネージャーの責任には、モデルパイプライン、データ取り込みシステム、推論サービスが、運用需要の拡大下でも効果的に動作し続けることを検証することが含まれます。PMIは、この要素、つまり負荷増加に対応できる能力こそがスケーラビリティ評価の要であると強調しています。一方、規制遵守、人的監視、統合に関する懸念事項は重要ではありますが、スケーラビリティというよりも、ガバナンス、倫理、相互運用性に関連するものです。
したがって、AIのスケーラビリティを保証する正しい要素は、負荷の増加に対応できるソリューションの能力である。

PMI-CPMAIは、許容可能なパフォーマンス指標を確立し、AIの成果をビジネス価値に合わせると同時に、責任ある信頼できる慣行を確保することに重点を置いています。チャットボットの場合、ビジネス価値には、
封じ込め（人間の介入なしに解決された問題の数）、顧客体験（満足度）、運用パフォーマンス（レイテンシ）などが含まれます。信頼できるAIにはガバナンスとコンプライアンス管理（プライバシー/セキュリティ、透明性、説明責任）が必要なため、リスク対策も含める必要があります。したがって、ユーザー満足度、封じ込め、適切なエスカレーション/ハンドオフ、プライバシーといった成果と管理を組み合わせた指標が必要です。
コンプライアンス違反発生率は、PMIに最も合致した指標です。応答時間のみ（A）では、品質とリスクが考慮されていません。
提供された機能（C）とコード行数（D）は、提供活動の指標であり、AIの価値や信頼性の指標ではありません。
PMIのアプローチは、実行可否の判断やライフサイクル監視を支援する指標を推奨しており、そのためオプションBが最適である。

AIモデルが定義されたKPI（精度70%に対し、要求される精度は89%）を下回る場合、PMIスタイルのAI評価ガイダンスでは、プロジェクトマネージャーに対し、アルゴリズムやインフラストラクチャに焦点を当てる前に、まずデータ関連の問題、特にトレーニングデータの代表性と品質を調査するよう指示しています。トレーニングデータが実世界のデータを代表するものでない場合（オプションA）、モデルは本番環境に適用できないパターンを学習してしまう可能性があります。例えば、一般的で単純なケースに過度に触れ、まれではあるものの重要なシナリオ、特定の顧客セグメント、地域、または新しい製品タイプへの対応が不十分になる可能性があります。
この不一致は、期待されるパフォーマンスと実際のパフォーマンスの精度低下の最も一般的な原因の1つです。代表性を確保するには、データがユースケースに関連する運用シナリオ、クラス分布、期間、およびユーザー属性の全範囲を網羅していることを確認する必要があります。
計算能力の不足（オプションB）は、モデルが収束するまで学習すると仮定した場合、最終的な精度よりも学習時間に影響を与えることが多い。データセットを正しく分割できない（オプションC）と、評価指標が信頼できなくなるが、質問には既に精度結果とKPIギャップが示されており、測定だけでなくパフォーマンスも示されている。
アルゴリズムの選択（オプションD）は重要ですが、通常はデータ基盤が健全であることを確認した後に評価されます。したがって、最初に調査すべき問題は、訓練データが現実世界のデータを代表しているかどうかです。

最適な回答はAです。包括的なデータ保護影響評価を実施します。PMI-CPMAIでは、AIイニシアチブのプライバシーとセキュリティ計画の監督の一環として、プライバシー影響評価の実施を明示的に含めています。また、GDPR、CCPA、その他のデータ保護規制への準拠の確保、PIIのガバナンスプロトコルの確立、暗号化、アクセス制御、安全なデータ処理手順の実装も含まれています。患者データが機密性が高く、厳しく規制されている医療現場では、プライバシーまたはデータ保護影響評価が最も適切な最初のアクションです。なぜなら、正式な制御が実施される前に、プライバシーリスク、アクセス制御の懸念、規制上のリスク、必要な保護措置を特定できるからです。
オプションBは重要ですが、ガバナンスフレームワークは評価結果に基づいて策定されるべきです。オプションCは、組織が必要な保護措置を理解した後に検討すべきです。オプションDは長期的な監視を支援する可能性がありますが、役割を割り当てることは、プロジェクト自体におけるコンプライアンス義務を評価するための最初の直接的な行動ではありません。PMIの信頼できるAI領域では、プライバシー評価と規制遵守を基礎的な活動として明確に優先しており、影響評価が最も強力で正当性のある最初のステップとなっています。

データ準備が完了し、チームがモデル開発の準備が整ったら、PMIに準拠したAIライフサイクルガイダンスでは、モデルのトレーニングを開始する前に、パフォーマンス指標と成功基準を明確に定義し、文書化することが求められています。プロジェクトマネージャーは、使用する指標（精度、適合率、再現率、F1スコア、AUC、ビジネスKPIなど）と許容範囲となる閾値について、全員が合意していることを確認する必要があります。これにより、後の段階でのトレーサビリティ、客観的な評価、および透明性のある実行可否の判断が可能になります。
質問ではデータが既に準備されており、チームは作業を進める準備ができていると述べられているため、初期のデータ品質活動は既に実施済みであることが示唆されます。「データ品質の最終評価」（オプションA）を繰り返すことは、評価指標を確定することほど重要ではありません。実行可否の質問（オプションC）とスケーラビリティレポート（オプションD）は、これらの指標が明確に定義されていることを前提としており、これらは下流の意思決定と成果物です。PMIスタイルのAIガイダンスでは、モデル開発は、技術的な成果物をビジネス価値とリスク許容度に結びつける、事前に定義され文書化されたパフォーマンス指標に基づいて進められるべきであると強調しています。
したがって、プロジェクトマネージャーが次に取るべき行動は、モデルのパフォーマンス指標を文書化することである。