PMIのCPMAI/PMI-CPMAIガイダンスでは、モデル開発と運用にデータを使用可能な状態にするための中心として「データ準備と変換」を位置付けています。CPMAI v7の概要には、データ準備要件の策定や、不整合なフォーマットに直接対処するデータクレンジングとエンハンスメント作業の実行など、データ準備活動の調整が明示的に含まれています。さらに、CPMAI v7では、「データ準備と変換の実行」として、データ品質と精度の向上、最適なAIパフォーマンスのためのデータのクレンジング/エンハンスメントの方法が記載されています。フォーマットの不整合（スキーマ、単位、エンコーディング、タイムスタンプフォーマットの不一致など）が問題となる場合、PMIに準拠した対応策は、データセットがモデルとパイプラインの要件を満たすように、必要な変換手順（フォーマットの正規化、フィールドの標準化、単位の変換、タイムスタンプの整合、カテゴリのエンコード）を定義して実行することです。ガバナンス（C）は重要ですが、より広範で進展が遅いため、それ自体では差し迫った技術的な不整合を解決するものではありません。データ品質レポート（D）は問題点を文書化するものであり、修正するものではありません。データ漏洩の影響（B）は、別のリスクカテゴリーです。したがって、提示された目的を最もよく満たす方法は、必要なデータ変換手順を特定することです。

AIベースの不正検出システムの場合、PMI-CPMAIに準拠したメリット実現とパフォーマンス管理に関するガイダンスでは、成功指標は明確なベースラインと比較して定量化し、継続的に監視する必要があると強調されています。検出精度、調査時間の短縮、コスト削減などのKPIを適切に定義および測定するには、プロジェクトチームはまず過去のデータ比較を使用してベースラインを確立する必要があります（D）。つまり、過去の不正事例、以前の検出率、平均調査期間、過去の財務損失を分析して、「AI導入前」のパフォーマンスを把握します。これにより、検証可能な方法で改善を測定できる基準点が得られます。
さらに、PMI-CPMAIは、AIライフサイクルガバナンスの一環として、継続的なパフォーマンス監視（B）を重視しています。不正行為のパターン、取引量、ユーザー行動は変化するため、ダッシュボードや定期的な評価を用いて、KPIに対するモデルのパフォーマンスを継続的に追跡する必要があります。これにより、パフォーマンス低下の早期発見、しきい値の再調整、そしてビジネス上のメリット（損失の減少、作業負荷の軽減など）が維持されていることの検証が可能になります。
定性的なフィードバック、無作為なベンチマーク、あるいは純粋に理論的な目標だけに頼ることは、PMI-CPMAIが求めるエビデンスに基づいた測定とガバナンスの要件を満たしません。したがって、適切なアプローチは、継続的なパフォーマンス監視システムを導入すること（B）と、過去のデータ比較を用いてベースラインを確立すること（D）の2つです。

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。

最適な答えはBです。エンドユーザーとのワークショップを開催してフィードバックを収集します。PMI-CPMAIでは、初期段階では、技術的な決定を確定する前に、AIソリューションを実際のビジネスニーズ、想定される導入状況、実際の運用状況に合わせることに重点を置いています。PMIの公式概要では、組織の準備状況の確認、既存のシステムやワークフローとの統合計画、ユーザーの抵抗や導入障壁の特定、ユーザー満足度と導入基準の開発を強調しています。また、組織の目標に沿ったプロジェクトの範囲、前提条件、制約、展開に関する考慮事項、成功基準を定義することも強調しています。
質問は最初に何をすべきかを問うているた​​め、プロジェクトマネージャーは、実際にシステムを使用する人、またはシステムの影響を受ける人との関わりから始めるべきです。エンドユーザーとのワークショップは、ソリューションがどこで使用されるか、どのデバイスが重要か、どのような運用上の制約があるか、そして実装の成功に影響を与える可能性のある条件は何かを知るための最も直接的な方法です。技術要件監査は、使用状況の実態が理解された後に行います。詳細な使用シナリオ分析は有益ですが、事前に想定するのではなく、ユーザーからのインプットに基づいて構築する必要があります。包括的なUXリサーチも役立ちますが、プロジェクトコンテキストにおけるPMIに準拠した最初のステップは、ステークホルダーとの関わりであり、これにより、後の分析は実際のユーザーのニーズと運用条件に基づいたものになります。

PMI-CP/CPMAIは、AIプロジェクトの範囲設定は、根本的に焦点と実現可能性に関するものであると強調しています。つまり、考えられるすべてのパターンやユースケースを一度に網羅しようとするのではなく、価値が高く達成可能な少数の目標を選択するということです。プロジェクトマネージャーが不正検出のための複数の認知パターン（例えば、異常検知、予測スコアリング、文書理解など）を特定した場合、次の段階は優先順位付けです。
このフレームワークでは、ビジネスへの影響（不正損失の削減、検出率の向上、誤検知の減少）、実装の複雑さ（データの入手可能性、技術的な難易度、統合作業）、リスク、価値実現までの時間といった基準に基づいて、候補となるパターンをランク付けすることを推奨しています。これにより、チームは、短期間で大きなメリットをもたらし、反復的に改善できる1つまたは2つのパターンを選択し、価値の低いアイデアや複雑なアイデアは延期または破棄することができます。
特定されたすべてのパターンを並行して実装しようとすると、スコープが拡大し、調整のオーバーヘッドが増加し、納品リスクが高まります。優先順位を付けずにパターンを順番に実装していくと、具体的な価値の提供が遅れます。非認知的な要件との比較は設計に役立ちますが、それ自体ではスコープを絞り込むことはできません。CPMAIのガイダンスに沿ってスコープを明確に絞り込む方法は、パターンの潜在的な影響と複雑さに基づいて優先順位を付け、最初に実装する焦点を絞ったサブセットを選択することです。