過学習（オーバーフィッティング）
Overfitting
AI用語解説
AIが学習に使ったデータに「覚えすぎ」てしまい、新しいデータには正しく対応できなくなる現象です。テスト環境では高性能でも、実際の業務では精度が落ちるという失敗につながります。
さらに詳しく解説
過学習（オーバーフィッティング）とは、AIモデルが学習に使ったデータの特徴を「丸暗記」してしまい、新しいデータに対して正しい予測や判断ができなくなる状態のことです。
たとえば、過去1年分の受注データでAIを学習させた場合、そのデータ内では非常に高い精度を出せても、季節や市場環境が変化した新しいデータには対応できず、予測が大きく外れることがあります。
中小企業でAIを導入する際、「テスト段階では精度90%だったのに、実際に使い始めたら全然当たらない」というケースは、この過学習が原因であることが多いです。
過学習を防ぐためには、学習データと評価データを分けて使う「交差検証」という手法が有効です。また、学習データのバリエーションを増やしたり、モデルの複雑さを適切に調整したりすることも重要です。ベンダーへの発注時には「本番環境に近いデータでの検証結果を示してほしい」と依頼することが、失敗を防ぐポイントになります。
中小企業での活用ポイント
使いどころ
過学習（オーバーフィッティング）は、業務の判断基準や顧客対応、社内ナレッジを整理するときに確認しておきたい用語です。導入前に意味を揃えることで、ツール選定や社内説明のズレを減らせます。
注意点
言葉だけを先に決めるのではなく、どの業務で使うか、誰が確認するか、成果をどう測るかまで一緒に整理することが重要です。
関連用語
自社での使い方を相談する
過学習（オーバーフィッティング）を自社の業務に当てはめる場合は、対象業務、既存データ、運用担当者、成果指標を先に整理すると判断しやすくなります。