CPMAIのデータ理解とデータ準備の段階では、ヘルスケアなどの分野におけるAIの成功は、モデリング開始前にデータの一貫性、品質、およびアクセス性を確保する堅牢なデータパイプラインにかかっていることが強調されています。ガイダンスでは、これらの段階はデータのプロファイリングと評価を行い、その後、データが信頼性が高く、下流のモデルで使用できるように、データのクリーニング、変換、構造化を実行することだと説明されています。
データ品質評価とETL（抽出、変換、ロード）プロセスを組み合わせることで、これらの目標を直接的にサポートできます。ETLパイプラインは、異なるシステム間でフォーマットを標準化し、検証ルールを適用し、欠損値を管理し、コーディングスキーム（診断コードなど）を統一し、アクセス可能なストアにデータを一元化します。これはまさに、CPMAIが効果的なモデル開発の前提条件として挙げている基礎的な作業であり、特に医療などの規制分野では、データの不整合やアクセス不能が臨床的および規制上の影響を及ぼす可能性があるため、非常に重要です。
対照的に、NLPを使用してレコードを標準化する（B）は、後々役立つ可能性のある特殊な技術ですが、体系的な品質管理およびETLプロセスに取って代わるものではありません。EHRとMLアルゴリズムを統合する（C）ことや、ハイブリッドクラウドストレージを設計する（D）ことは、初期データの一貫性とアクセス性を定義して確保することよりも、後々の技術的な統合とインフラストラクチャに関するものです。したがって、CPMAIのデータ中心のガイダンスに沿って、ETLプロセスを使用してデータ品質評価を実施することが正しい方法であり、選択肢Aが最良の回答となります。

AIによる信用リスク評価システムの場合、PMIスタイルのAIガバナンスとライフサイクルガイダンスでは、モデルの精度、関連性、信頼性を確保するために、ドメイン知識とデータ知識を組み合わせる必要があることが一貫して強調されています。金融分野においては、これは、（1）データ構造、データ品質、特徴量エンジニアリング、モデルの動作を理解するデータアナリスト／データサイエンティスト、および（2）規制上の制約、融資方針、リスク許容度、変数と出力の現実世界における意味を理解する金融／信用リスク専門家の関与を意味します。両者が協力して、入力データが顧客リスクプロファイルを正しく表していること、派生した特徴量が健全な信用リスクロジックを反映していること、モデルの出力が解釈可能であり、組織の方針と整合していることを検証します。
オプションB、C、Dは、PMIスタイルのガイダンスで説明されている優れたAI実践と矛盾します。「非認知ソリューションの経験を持つ」中小企業に焦点を当てることは、信用リスクモデリングとは無関係です。一般的なITスタッフに頼ることは、専門的な金融およびデータに関する専門知識の必要性を無視することになります。専門知識ではなく、利用可能性に基づいて中小企業を選定することは、モデルの品質とリスク管理を直接的に損ないます。したがって、AI信用リスクイニシアチブにおける効果的かつ期待される方法は、社内のデータアナリストと金融専門家をデータ中小企業として活用し、モデルの設計、検証、および継続的なモニタリングを支援することです。

PMIの「AIの7つのパターン」では、機能の選択は、システムが主に人間に助言を行うのか、それとも人間に代わって行動するのかによって決まります。目標が、最小限の人的介入でポリシーの制約の下で請求を承認またはルーティングするなど、運用上のアクションを自動化することである場合、その機能は自律システムと整合します。自律システムは、定義されたルール、安全対策、および運用境界内での自動実行を重視します。
予測分析（B）はリスクをスコアリングできますが、通常は意思決定支援を目的としています。自律システムは、ガバナンスで承認されたポリシーに従って自動的にアクションを実行することで、これを拡張します。PMI-CPMAIの責任ある信頼できるAI原則は、自律性の高いユースケースにはより強力な制御が必要であることを強調しています。つまり、自動化された意思決定に対する説明責任を確保するために、明確なエスカレーションパス、緊急時対応計画、監視、監査証跡が必要です。会話型（A）とハイパーパーソナライゼーション（D）は、自動裁定の中核的なニーズには適合しません。したがって、自律システムは、事前定義されたガードレールを備えた低リスクの自動承認に最適です。

PMI-CPMAIの運用AIシステムの評価に関するガイダンス（特に不正検出のようなリスクに敏感な分野）では、プロジェクトマネージャーは単一の指標ではなく、複数の補完的な評価方法を用いてモデルのパフォーマンスをビジネスKPIに結び付ける必要があると強調しています。この資料では、不正検出モデルには非対称なコスト（偽陽性と偽陰性）、進化する不正パターン、複雑なビジネスへの影響があるため、「単一の指標ではビジネス価値やリスクを十分に把握できない」と説明しています。その代わりに、チームはホールドアウトとクロスバリデーション、過去の期間でのバックテスト、混同行列、コスト/ベネフィット加重指標、本番環境に近い環境でのA/Bテストやチャンピオン・チャレンジャーテストなど、多様な検証手法を用いることが推奨されています。
PMI-CPMAIはまた、評価においては、技術的指標（精度、再現率、ROC/AUC、F1スコア、リフト）とビジネス指向の指標（不正損失の回避、調査作業負荷、顧客摩擦、規制またはコンプライアンスの閾値）を組み合わせるべきであると指摘しています。複数の手法を用いることで、プロジェクトマネージャーは様々な視点の一貫性を確認し、有害な副作用を隠蔽する「見栄えの良い」単一の数値に惑わされることを回避できます。四半期ごとの財務報告書や外部の専門家だけに頼るだけでは、必要な詳細なモデル固有の洞察は得られず、単一の包括的な指標は、PMIが重視する多次元評価に反します。したがって、ビジネスKPIに対するAI不正対策システムの正確かつ信頼性の高い評価を確実にするためには、多様な検証手法を活用することが最も効果的な方法です。

PMI-CPMAIは、データタイプ/フォーマット、特に時間的要件と粒度要件に注意を払いながらデータニーズを定義することを重視しています。なぜなら、これらがデータの収集、処理、および管理方法を決定づけるからです。
ストリーミングデータは、継続的な流入、ほぼリアルタイムの処理、検証、監視、パイプラインの信頼性に関する運用上の複雑さの増大をもたらします。対照的に、バッチデータは個別のスケジュールされたロード（たとえば、毎晩のダンプ）で到着するため、一般的に、モデルのトレーニングやスコアリングにデータを使用する前に、取り込みウィンドウの制御、完全性の検証、異常の調整、問題の修正が容易になります。これは、チームがデータフローと処理要件を定義し、データ品質の受け入れ基準を設定するというPMIの期待と一致します。これらの活動は、流入が継続的ではなく定期的である場合に、通常はより簡単になります。CPMAIの実践では、バッチ処理はより強力なガバナンスチェックポイントもサポートします。チームは標準化された品質チェックを実行し、データセットのバージョン管理を維持し、前処理手順をより一貫して文書化できるため、監査可能性と説明責任に役立ちます。バッチデータには依然として競合や矛盾が含まれる可能性がありますが、これらの問題は本質的にストリーミングよりも「大きい」わけではありません。重要な違いは、バッチ取り込みはタイミングと量がより予測可能であるため、運用面で管理しやすい傾向があることです。