最終更新日：2026年9月4日
gk ml_process
まず結論
CRISP-ML(Q)は、CRISP-DMを機械学習アプリケーション向けに拡張し、開発から運用・保守までを品質保証とともに整理するプロセスモデルです。
「Q」は Quality assurance（品質保証） を表します。
G検定では、単に「CRISP-DMに監視を追加したもの」と覚えるより、機械学習のライフサイクル全体でリスクを考え、品質を確保する枠組みと押さえると切り分けやすくなります。
直感的な説明
CRISP-DMが「データ分析プロジェクトをどう進めるか」を整理する枠組みなら、CRISP-ML(Q)はそこへ、機械学習モデルを実際の製品・サービスで使い続けるための視点を加えたイメージです。
機械学習では、本番へ出した後に環境やデータが変わり、モデルの性能が低下することがあります。
そのため、モデルを作って終わりではなく、
目的・データを確認する → モデルを作る → 評価する → 配備する → 監視・保守する → 必要なら前の工程へ戻る
という反復的な流れで考えます。
定義・仕組み
CRISP-ML(Q)は、Studerらが提案した、機械学習アプリケーション向けのプロセスモデルです。
原典では、次の6つのフェーズで整理されています。
- Business and Data Understanding（ビジネス・データ理解）
- Data Preparation（データ準備）
- Modeling（モデリング）
- Evaluation（評価）
- Deployment（デプロイ）
- Monitoring and Maintenance（監視・保守）
CRISP-DMとの重要な違い
CRISP-DMでは「ビジネス理解」と「データ理解」は別フェーズですが、CRISP-ML(Q)ではビジネス目標と利用できるデータが強く影響し合うため、最初の1フェーズにまとめています。
また、機械学習モデルは環境変化によって性能が劣化する可能性があるため、Monitoring and Maintenance（監視・保守） が明示されています。
「Q」＝品質保証が重要
CRISP-ML(Q)の特徴は、フェーズの並びだけではありません。
各フェーズ・各タスクで、
- どんなリスクがあるかを考える
- 品質保証の方法を選ぶ
- リスクを低減する
- 必要なら前の工程へ戻る
という考え方を取り入れます。
つまり、品質確認を最後の評価フェーズだけで行うのではなく、ライフサイクル全体で行う点がポイントです。
いつ使う？（得意・不得意）
役立つ場面
- 機械学習モデルを製品・サービスとして長期運用する
- モデル構築後のデプロイ・監視・保守まで整理したい
- データ品質やモデル劣化などのリスクを工程ごとに管理したい
- CRISP-DMだけでは機械学習特有の運用課題を扱いにくい場合
注意点
CRISP-ML(Q)は学習アルゴリズムではありません。
モデル精度を直接上げる手法でもなく、プロジェクトの進め方と品質保証を整理するためのプロセスモデルです。
また、MLOpsそのものと同義でもありません。
G検定ひっかけポイント
CRISP-DMとの違い
❌ CRISP-ML(Q)はモデル構築だけに特化する
⭕ デプロイ後の監視・保守まで含めたMLライフサイクルを扱う
❌ CRISP-DMとフェーズ構成はまったく同じ
⭕ ビジネス理解とデータ理解を統合し、監視・保守を明示する
「Q」の意味
❌ Q＝モデルの予測精度だけを評価する
⭕ Q＝Quality assurance（品質保証）。各フェーズでリスクを考え、品質を確保する
MLOpsとの違い
❌ CRISP-ML(Q)＝MLOps
⭕ CRISP-ML(Q)はプロセスと品質保証を整理する枠組み、MLOpsはMLシステムの継続的な開発・デプロイ・運用を支える実践や仕組み
まとめ（試験直前用）
- CRISP-ML(Q)＝機械学習アプリケーションのライフサイクル＋品質保証を整理するプロセスモデル
- 「Q」は Quality assurance（品質保証）
- 原典では6フェーズ
- CRISP-DMと違い、監視・保守まで明示する
- 品質保証は最後だけでなく各フェーズで行う
- MLOpsとは同義ではない
参考資料（一次情報）
- Studer, S. et al. (2021), Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology