・英語による用語：Evaluation / Evals
・用語カテゴリ：技術用語
・日本語読み：エバリュエーション（評価）
・種別：AI品質測定
・位置づけ：AIの性能・品質・安全性を測る取り組み
・関連：ベンチマーク ／ ハルシネーション ／ LLM ／ アラインメント
・備考：モデルやAIアプリの品質・性能・安全性を体系的に測定・比較する取り組み（Evals）。
Evaluation（評価）とは？AIの品質を測る取り組み
Evaluation（評価／Evals）とは、AIモデルやAIを組み込んだアプリケーションの品質・性能・安全性を、体系的に測定・比較する取り組みです。単に「なんとなく良さそう」ではなく、決めた基準とデータにもとづいて客観的にAIの良し悪しを判断するための工程を指します。
評価には大きく、標準的なテストセットで数学・コーディング・知識などの能力を測るベンチマークと、自社の実際のユースケースに即して精度・有用性・安全性を測る独自評価があります。手法も、正解と照合する自動採点、人間による評価、そして近年広く使われる「別のAIに出力の良し悪しを判定させる」LLM-as-a-Judgeなど多様です。回答の正確さだけでなく、ハルシネーション（もっともらしい誤り）の有無、指示への忠実さ、応答速度、コストなど、複数の観点を組み合わせて見るのが一般的です。
実務でEvalsが重要になるのは、モデルやプロンプトを変更したときに「本当に良くなったのか、劣化していないか」を確かめる場面です。評価の仕組みを整えておくことで、改善を客観的な数字で判断でき、AI導入の品質管理・継続的改善の土台になります。
一方で、ベンチマークの点数が高くても実業務で役立つとは限らず、評価用データが学習に混入する「汚染」の問題もあります。自社の目的に沿った評価設計こそが、AI活用の成否を分ける鍵といえます。
