平均値、中央値、または最頻値を使用して欠損値を代入することは、データセット内の空白を埋めるための一般的な手法です。
ただし、AAIA™ 学習ガイドによると、この方法では、特にデータが正規分布していない場合や、補完された値が過小評価されたグループに不均衡な影響を与える場合に、情報の歪みが生じる重大なリスクが生じます。
「単純な代入はデータの変動性を低減し、既存のバイアスを強化する可能性があります。また、データの真の分布を誤って表現し、モデル出力の歪みにつながる可能性もあります。」他の選択肢（B、C、D）は変換を伴う場合がありますが、本質的にはAほどバイアスやデータの誤表現を引き起こすことはありません。
参照: ISACA AI監査上級™ (AAIA™) 学習ガイド、セクション:「AIの基礎とテクノロジー」、サブセクション:「データ補完と変換リスク」

予測分析は、統計モデル、異常検出、機械学習を使用して次のことを行うため、高リスクの取引を識別するための最も効果的な方法です。
* 固有リスクと残余リスクに基づいて取引をランク付けする
* 監査人が手動で識別できない隠れたパターンを検出します
* 異常な取引プロファイル、外れ値、危険信号を強調表示します
* より詳細な検査が必要な取引を優先する
AAIA の監査領域では、AI によって強化されたリスクベースのサンプリングを重視しており、予測モデルによって範囲と精度が大幅に向上します。
NLP (A) はテキストから洞察を抽出しますが、取引リスクのスコアリングには適していません。
OCR（B）は文書をデジタル化しますが、リスクは特定しません。
ルールベースの分析 (C) は既知のパターンのみを検出しますが、予測分析は未知のリスクや新たなリスクを発見します。
参考文献:
AAIA ドメイン 3: 監査プロセスにおける AI (高度な分析、異常検出、リスク スコアリング)。

リカレントニューラルネットワーク（RNN）とその派生モデル（LSTMやGRUなど）は、時系列データを処理するように設計されており、時間やシーケンス内の位置をまたいだ依存関係を捉えます。言語翻訳では、単語やフレーズは文脈の中で解釈する必要があり、単語の意味は先行するトークン（高度なアーキテクチャでは後続のトークンも）に依存します。RNNはステップ間で内部状態を維持するため、モデルは文の前半部分の情報をエンコードして、後の出力を予測することができます。
オプションB（相関ルール）は、古典的なデータマイニング手法に関係するものであり、RNNが翻訳に有効である根本的な理由ではありません。オプションC（グリッドデータ）は、画像に使用される畳み込みニューラルネットワークに関連します。オプションD（単方向）は本質的に有利ではなく、実際には双方向モデルが好まれることが多いです。したがって、翻訳におけるRNNの使用を可能にする重要な特性は、逐次処理能力です。
参考文献:
ISACA、AAIA 試験コンテンツの概要 - ドメイン 1: AI モデル、考慮事項、および要件 (AI の種類、機械学習モデル)。
ISACA、AAIA 準備で使用される一般的な AI 基礎コンテンツ (NLP のシーケンス モデル)。

自然言語処理（NLP）は、契約書、電子メール、レポートなどの非構造化テキストデータから、システムが理解、要約し、関連する洞察を抽出することを可能にします。AAIA™スタディガイドでは、NLPは監査計画やリスク評価フェーズにおける文書レビューに最適なツールであるとされています。
「NLP技術は、大量の文書を効率的に処理し、重要な条項をハイライトし、矛盾やリスク指標を特定することができます。これにより、監査の生産性と徹底性が向上します。」RPA（A）は反復的なタスクを自動化しますが、コンテンツの解釈は行いません。予測分析（C）は傾向を予測し、自己回帰モデル（B）は文書を要約するのではなく、シーケンスを生成します。
参考資料: ISACA Advanced in AI Audit™ (AAIA™) 学習ガイド、セクション:「監査プロセスにおける AI」、サブセクション:「監査計画とリスク識別における NLP アプリケーション」

トレーニング データにエラーが見つかった場合の主なリスクは、モデルが不正確な入力や低品質の入力から学習したことで、出力が体系的に歪む可能性があることです (例: 財務情報の誤った記述、不正確な分類、誤ったフラグ)。データ品質テストは、AI モデルのトレーニング、検証、テストに使用されるデータの完全性、正確性、一貫性、有効性、整合性を評価することで、この問題に直接対処します。
機能テスト（A）は、アプリケーションが要件に従って動作するかどうかに焦点を当てており、基盤となるデータの品質には特に重点を置いていません。ユーザーインターフェーステスト（C）は、トレーニングデータではなく、ユーザビリティとプレゼンテーションに重点を置きます。ベンチマークデータ（D）によるモデル検証はパフォーマンス評価に役立ちますが、ベンチマークデータに欠陥があったり、トレーニングデータが代表的でなかったりする場合は、基盤となるトレーニングデータの根本原因となる問題を明らかにしたり修正したりできない可能性があります。AAIAの規定では、データ品質管理はAIの信頼性の基盤であり、中核的な運用管理として扱う必要があることが強調されています。
参考文献:
ISACA、AI 監査上級 (AAIA) 試験内容概要 - ドメイン 2: AI 特有のデータ管理 (データ品質、データ バランシング、データ セキュリティ)。
信頼できる AI 成果の基礎となるデータ品質管理に関する ISACA AI ガイダンス。