AIプロジェクトの進め方の要点まとめと練習問題17問

学習目標

AIを業務に生かすために、課題の設定から検証、開発、運用までをどう進めるかを理解し、CRISP-DMやCRISP-ML、PoC、MLOpsといった進め方の枠組みと、体制づくりや社外との連携、開発や提供に使う道具の役割を、場面に応じて選べるようにします。

要点

よくある失敗から考える

「AIで何かできないか」から始めたプロジェクトは、作ったモデルが業務で使われずに終わりがちです。検証を繰り返すばかりで本番に進めない、運用後に精度が落ちる、という問題もよく起こります。AIプロジェクトの進め方は、こうした失敗を避けるための考え方と手順の集まりです。

課題から始める

AIのビジネス活用は、解決したい課題と、利用者・現場・経営層などのステークホルダーのニーズの整理から始めます。何がどれだけ良くなれば成功かを先に決め、AIを使わないほうがよい場合も検討します。導入にあわせて業務の流れを根本から作り直すBPR（ビジネスプロセス・リエンジニアリング）を行うと、効果が大きくなることがあります。

進め方の枠組み

CRISP-DM：ビジネスの理解、データの理解、データの準備、モデリング、評価、展開の6フェーズで進める標準プロセスです。順番は固定ではなく、必要に応じて前のフェーズに戻りながら進めます。
CRISP-ML：CRISP-DMを機械学習向けに広げたものです。ビジネスとデータの理解を1つのフェーズにまとめ、運用後のモニタリングと保守のフェーズを加えました。各フェーズで品質を確かめます。
PoC（概念実証）：本格的な開発の前に、小さな規模で実現できるか、費用に見合うかを確かめます。期限と、次に進むか止めるかの基準を先に決めておきます。
MLOps：機械学習モデルの開発と運用を一体で回す考え方です。本番ではデータの傾向が変わって精度が落ちることがあるため、監視、再学習、再デプロイを自動化して続けます。

開発の進め方には2つの型があります。

型	進め方	AI開発での向き不向き
ウォーターフォール	要件を最初に固め、設計から順に一方向に進める	試すまで精度が分からないため、計画どおりに進めにくい
アジャイル	短い周期で作って確かめることを繰り返す	試行錯誤が必要なAIの開発と相性がよい

体制と社外との連携

データサイエンティストは、統計や機械学習を使い、データから業務に役立つ知見を引き出す専門職です。業務の担当者やエンジニアと組んで進めます。社内に足りない技術やデータは、他企業や他業種との連携、大学や研究機関との産学連携で補います。社内と社外の知識や技術を双方向に行き来させて新しい価値を生む考え方を、オープン・イノベーションと呼びます。

開発と提供の道具

道具	何のためのものか
Python	機械学習のライブラリが豊富で、AI開発で広く使われる言語
Jupyter Notebook	コード、実行結果、メモを1か所に残しながら対話的に分析する道具
Docker	アプリケーションを実行環境ごとコンテナにまとめ、Dockerが動く環境なら同じように動かせる仕組み
クラウド	GPUなどの計算資源を、必要なときに必要な分だけ借りる使い方
Web API	モデルの機能を、ほかのシステムから通信で呼び出せるようにする窓口

つまずきやすい点

BPRは業務の流れそのものを根本から作り直す取り組みで、今の手順の一部をそのままAIに置き換えることとは違う点
PoCで高い精度が出ても、本番のデータの量や質、運用の体制で同じ結果になるとは限らず、事前に決めた基準で次に進むか止めるかを判断する点
モデルは本番に出したら完成ではなく、データの傾向が変わると精度が落ちるため、監視と再学習を続ける仕組み（MLOps）が必要になる点
Dockerは実行環境ごとアプリケーションをまとめて同じ動作を再現する仕組み、Web APIは他のシステムから通信で機能を呼び出す窓口で、役割が違う点

シラバスのキーワード

19語

シラバス第1.4版に載っている語をすべて並べています。色のついた語は用語集で解説しています。「2問」などの数字は、その語を扱う練習問題の数です。

練習問題

17問

この項目の17問を解く

復習の時期が来た問題と、まだ解いていない問題から順に出題します。

混同しやすい用語

アジャイルとウォーターフォールの違い進め方とAI開発での使い分け

この項目を読み終えたら

読んだ項目にチェックをつけると、学習ガイドの目次に記録されます。

この項目の17問を解く次の項目へ ›

出典

G検定試験出題範囲（シラバス2024）第1.4版（技術分野項目35 AIプロジェクトの進め方） 2026年10月30日閲覧
IBM SPSS Modeler CRISP-DM Guide（Chapter 1. Introduction to CRISP-DM） 2026年10月30日閲覧
Stefan Studer et al., Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology, Machine Learning and Knowledge Extraction 3(2), 392–413 (2021) 2026年10月30日閲覧
D. Sculley et al., Hidden Technical Debt in Machine Learning Systems, Advances in Neural Information Processing Systems 28 (2015) 2026年10月30日閲覧
Michael Hammer, Reengineering Work: Don't Automate, Obliterate, Harvard Business Review (1990) 2026年10月30日閲覧
Henry Chesbrough, Open Innovation: The New Imperative for Creating and Profiting from Technology, Harvard Business School Press (2003) 2026年10月30日閲覧
Docker Docs, What is Docker? 2026年10月30日閲覧
Project Jupyter 2026年10月30日閲覧

作成：ウカトレ編集部（AIで作成し、別のAIが一次資料と照合）人による確認：未最終確認日：2026年10月30日シラバス第1.4版技術35

全問オリジナル（JDLAの過去問ではありません）。誤りを報告