タービン故障の検知といった予知保全のユースケースにおいて最も重要なのは、壊滅的な事態を防ぐために、実際の故障を可能な限り多く特定することです。AAIA™スタディガイドでは、このような高リスクのシナリオでは、正しく特定された真陽性の割合を測定するリコールが最も適切な指標であると強調されています。
「陽性例（例えば、故障）を見逃すことがコストや危険を伴うシナリオでは、再現率は極めて重要です。再現率によって、たとえ多少の偽陽性を犠牲にしても、モデルが実際の問題のほとんどを確実に検出できるようになります。」適合率は陽性予測の正確さを測り、特異度は真の陰性予測を測ります。データの不均衡がある場合、正確度は誤解を招く可能性があります。したがって、D（再現率）が最も適切です。
参考資料: ISACA Advanced in AI Audit™ (AAIA™) 学習ガイド、セクション:「AI の運用とパフォーマンス」、サブセクション:「評価指標と予測精度」

トレーニングデータの検証に一貫性がない場合、最も深刻なリスクは、AIモデルが不正確、不完全、偏り、または破損したデータから学習してしまうことです。これはシステムの信頼性の低下（オプションC）に直接つながり、不正確な予測、エラー率の上昇、偏り、または不安定な動作として現れます。
AAIAは、モデルの動作はトレーニングデータの整合性に完全に依存しているため、再トレーニング前のデータ検証が最も重要な管理策の一つであると強調しています。データの品質と正確性が保証されない場合、結果として得られるモデル出力の信頼性が低下し、コンプライアンス、運用上の意思決定、そしてユーザーの信頼を損なう可能性があります。
オプションAは、複雑さの増大が中核的なリスクではないため、それほど重要ではありません。オプションBは重要ですが、二次的なものです。ドキュメントの問題は、本質的にモデルの信頼性を低下させるものではありません。オプションDは効率性の問題であり、出力の整合性に対するリスクではありません。
したがって、質の低いトレーニング データによる信頼性の低下は、最も重大なリスクとなります。
参考文献:
AAIA ドメイン 2: AI 特有のデータ管理 (データ検証、確認、データ品質)。
AAIA ドメイン 1: AI のガバナンスとリスク管理。

AI システムでは、データの正確性とプライバシーがパフォーマンスと規制遵守の両方の基盤となります。
データの正確性とプライバシーコンプライアンス(D)に対する不十分な管理は、誤った意思決定、法令違反、規制上の罰則、そして深刻な評判の失墜につながる可能性があるため、最大のリスクとなります。AAIAは、データガバナンスプログラムにおいて、AIライフサイクル全体を通じて、データの正確性、安全性、合法性、そして適切な処理を確保する必要があることを強調しています。
オプションA（一貫性のない慣行）は懸念すべき問題ですが、多くの場合、根本的なガバナンスの弱点の兆候です。その影響は、精度とプライバシーに影響を与える場合に最も深刻です。オプションBは、可用性と回復力にとって重要なバックアップ手順に焦点を当てていますが、AIの意思決定の質と法的リスクの中心ではありません。オプションC（限定的なパフォーマンスと精度のレビュー）は深刻ですが、これも精度とプライバシーに関する主要な管理の完全な不備よりも範囲が狭いです。
参考文献:
ISACA、AAIA 試験内容概要 - ドメイン 1: プライバシーおよびデータ ガバナンス プログラム (正確性、プライバシー、およびガバナンス制御)。
AI システム向けの ISACA データ ガバナンスとプライバシー ガイダンス。