はじめに

英語の技術動画で学ぶシリーズ。今回は Anthropic の非営利団体向けAI講座（全9本）の6本目から。

Data analysis with AI (7:10)

この動画の問い

「AIにデータ分析を任せたいけど、出てきた結果を信用できない」

動画はこの一点から始まる。

自分が既に分析を終えた過去データをAIに渡し、同じ結論に行けるか確かめる。

行けたら任せられる。行けなかったら任せない。

動画はこれを delegation diligence loop（任せる前に確かめるループ）と呼ぶ。

退役軍人支援団体のプログラム責任者。四半期ごとに、

の2つを突き合わせて、参加率を出し、月ごとの変化を追い、出席と就職に関係があるかを調べる。毎回数時間かかる。

Rio の希望はこうだった。

やりたいこと	任せたいこと
結果の解釈は自分でやる	データの整形と数式いじり

テストには前四半期のデータを使う。答えを知っているし、整形前の生データも残っているから。

Rio は出席データと就職データを渡し、「3ヶ月の参加パターンを分析して、出席と就職の相関をグラフにしてほしい」と頼んだ。

返ってきた要約を、Rio はそのまま信じずに自分の記録と照合する。

「プログラムの種類に注意して、もう一度」と足すと、AIは修正できた。

ここで Rio が手に入れたのは分析結果ではなく、「毎回プログラムの種類を明示して頼む」という指示の型。これが重要。

「参加者が登録した時期別でも見られる?」と聞いてみた。

AIは登録データを持っていなかったが、データから取り出すのを手伝えた。Rio は後で照合するようメモした。

推測ではなく、確かめた上での自信で今四半期に臨める。

何度指示を直しても答えに届かないなら、そのタスクは任せるべきではないと分かったということ。

これも失敗ではなく、このテストの成果として扱う。

「そもそも自分がデータに詳しくないので、AIの間抜けに気づけない」という人向けの話もある。

validation builds confidence, but it doesn't eliminate responsibility

動画では、このやり方は分析タスク全般に使えるとしている。寄付者の分析、予算の予測、アンケートの集約、成果の追跡。

まず試す → 何ができるか確かめる → 自信を持って使う、もしくは任せないと決める。

一方で、答えが分かっている過去データが用意できないタスクには、このやり方は使えない。その場合どうするかは動画では触れられていない。

英語	意味	動画での使われ方
delegate	(仕事を)任せる	a task you shouldn't delegate
diligence	任せる前の入念な確認	the delegation diligence loop
validate	正しいと確かめる	systematically validated what AI can and can't do
infer	(データが無い所を)推測する	it'll try to infer them
accountability	最終的な責任	take accountability for the final report