最適な答えは B です。データ規制とコンプライアンス要件の包括的な評価を実施します。PMI-CPMAI では、信頼できる AI は、実行活動を進める前に規制とポリシー環境を理解することから始まります。試験内容の概要には、規制とポリシーのコンプライアンスの監視、セクター固有の要件への準拠の確保、法務およびコンプライアンス チームとの連携、監査のための文書の維持が具体的に含まれています。また、プライバシー影響評価、GDPR/CCPA への準拠、AI ライフサイクル全体を通じた安全なデータ処理も明示的に含まれています。そのため、チームはガバナンス、会議、またはデータ戦略を設計する前に、どの法律、基準、倫理的義務が適用されるかを知る必要があるため、広範なコンプライアンス評価が論理的な最初のステップとなります。
オプションAは重要ですが、ガバナンスフレームワークは要件が明確になった後に構築されるべきです。
オプションCはコラボレーションを促進する可能性がありますが、議論は最初の管理活動ではありません。オプションDは実行計画に関するものであり、前提条件となるコンプライアンスレビューに関するものではありません。PMIの構造では、信頼できるAI作業において規制への意識とプライバシーの監視を最優先事項としているため、プロジェクトマネージャーはデータ収集を開始する前に、コンプライアンスの状況全体を把握することから始めるべきです。

PMI-CPMAIは、認知型AI機能と従来の自動化ソリューション（非認知型ソリューション）を明確に区別しています。このガイダンスでは、ワークフロー内のすべてのタスクがAIの恩恵を受けるわけではないことを強調し、「プロジェクトリーダーは、ソリューションの複雑さを問題の複雑さに意図的に合わせ、認知型AIは真に知覚、学習、または高度な意思決定支援を必要とするタスクに限定すべきである」と述べています。決定論的でルールベースの反復的なタスクについては、機械学習モデルではなく、従来の自動化技術（スクリプト、RPA、ルールエンジン、ワークフローシステム）を使用することが推奨されています。
プロジェクトチームが、特定のタスク（単純なルーティング、フォーマット変換、決定論的検証など）には認知能力が不要であることを発見した場合、PMI-CPMAIは「認知タスクと非認知タスクを分離し、それぞれに最もシンプルで効果的なテクノロジーを適用する」ことを推奨しています。これにより、コスト、運用リスク、技術的負債が削減され、差別化された価値を提供する分野にAIエンジニアリングの取り組みを集中させることができます。非認知タスクにAIを適用すると、不必要な複雑さ、追加の監視およびガバナンスのオーバーヘッド、回避可能なモデルリスクが発生する可能性があります。インテリジェントな機能のみで進めたり、洞察に基づいて行動せずに従来のタスクを過剰に分析したりすると、この重要な最適化を見逃すことになります。
したがって、認知能力の要件に基づいてタスクを分類した後は、チームは非認知タスクには従来型の自動化ソリューションを活用し、認知能力が正当化される場合にのみAIの設計、データ、モデル作業に集中すべきである。これは、PMI-CPMAIが提唱する「目的に合った」技術選定と、責任ある効率的なAI導入という原則に合致する。

PMI-CPMAIは、AIプロジェクトに必要な専門知識の種類を明確に区別しています。具体的には、AI/MLスペシャリスト、データスペシャリスト（データSME）、ドメインSME、セキュリティまたはインフラストラクチャのエキスパートです。特にデータ分野の専門家（SME）について問われる場合、組織のデータがどのように構造化され、保存され、アクセスされ、管理されているかを深く理解している人材が対象となります。
政府のデータセキュリティ環境におけるAIを活用した異常検知ツールの場合、適格なデータ専門家とは、既存のデータアーキテクチャ、ログシステム、データフロー、スキーマ、および制約を熟知している人材です。彼らは、関連データがどこに存在するか（ネットワークログ、アクセスレコード、システムイベントなど）、現在どのように管理・保護されているか、そしてAIのパフォーマンスに影響を与える可能性のある制限や品質上の問題点を説明できます。候補者を既存のデータアーキテクチャに関する専門知識とデータベース最適化能力に基づいて評価することで、この能力を直接的に評価できます。
ニューラルネットワーク、ハイパーパラメータチューニング、GANに関する知識は、データ専門家ではなく、AI/MLエンジニアの特徴です。PMI-CPMAIのガイダンスでは、AIの成功は適切な役割の組み合わせにかかっており、データ専門家はデータ要件の定義、データの適合性の確保、セキュリティおよびガバナンス基準への準拠に不可欠であると強調しています。したがって、この異常検知プロジェクトに適したデータ専門家を最も的確に特定する方法は、現在のデータアーキテクチャに関する専門知識と、それらのデータシステムを最適化および管理する能力を評価することです。

PMI-CPMAIのAI準備および能力向上に関するガイダンスでは、データに関する知識と経験の明確なギャップは、重要なスキルおよび能力リスクとして扱われます。このフレームワークは、AIプロジェクトがデータリテラシー、データソース、構造、品質、および規制上の制約の理解に大きく依存することを強調しています。このようなギャップが存在する場合、PMIの方針に沿った実践としては、現在の取り組みを支援するとともに組織の内部能力を向上させるために、専門家を招き入れることが挙げられます。
外部のデータコンサルタントを雇用することで、データモデリング、ガバナンス、プライバシー、AI固有のデータ要件など、高度なデータ専門知識にすぐにアクセスできます。この専門家は、的を絞った評価を実施し、データ戦略の策定を支援し、データ準備を指導し、プロジェクトチームに集中的なトレーニングやコーチングを提供できます。PMI-CPMAIは、特に初期段階やリスクの高い分野において、社内のスキルが不十分な場合、外部の専門家を活用することが、複雑なAI実装のリスクを軽減する最も効果的な方法であることが多いと強調しています。
抽象的な「フレームワーク」や「プロトコル」を導入するといった選択肢だけでは、人間の専門知識のギャップを埋めることはできません。包括的な社内データ活用プログラムは長期的には有効かもしれませんが、そのためにはまず、何を学ぶべきか、そしてどのように学習を体系化すべきかについての指針が必要です。したがって、実装を進める上で最も効果的かつ実行可能な解決策は、外部のデータコンサルタントを雇い、的を絞った指導とトレーニングを提供することです。

最適な答えはCです。多様なテストケースを活用しましょう。PMI-CPMAIのモデル評価領域は、包括的な評価計画の策定と、適切な評価質問および基準の策定に重点を置いています。
検証は、一度限りの技術的なチェックではなく、関連するさまざまな条件、例外的なケース、およびデータコンテキストにわたってモデルの動作をテストするために設計された構造化されたプロセスとして扱われます。多様なテストケースを使用することが、予測が公共部門の政策設定において十分な精度、堅牢性、信頼性を備えているかどうかを評価する最善の方法です。
オプションAはソフトウェアの品質向上には役立ちますが、予測性能の検証には役立ちません。オプションBは、単一の検証作業では重要な障害モード、バイアス、または状況固有の弱点を見落とす可能性があるため、より劣ります。
オプションDはエンジニアリングの規律を重視していますが、継続的インテグレーションテストは、モデル予測の品質検証そのものよりも、コードとデプロイメントのワークフローに重点を置いています。PMIのCPMAIフレームワークは、包括的な評価設計、反復、およびドリフトや変化する条件などのパフォーマンス問題への対処を重視しています。そのため、広範かつ多様なテストカバレッジが、モデル検証において最もPMIに沿ったアプローチとなります。実際には、多様なテストケースは、モデルが狭いサンプルを超えて一般化し、信頼できる意思決定を支援するという強力な証拠となります。