AI システムの透明性は、信頼、説明責任、倫理コンプライアンスを確保するための重要な要件です。
ISACA AAIA™ 学習ガイドの「AI ガバナンスとリスク管理」セクションによると、AI システムの意思決定プロセスを理解することは、説明可能性の原則に該当します。
説明可能性とは、観察者が AI システムの内部の仕組みとその出力の背後にある根拠を理解できる程度を指します。
AI出力の説明可能性を検証することで、監査人や利害関係者は、モデルの意思決定が解釈可能かつ正当かどうかを判断できます。高い透明性とは、利害関係者が意思決定の方法と理由を追跡できることを意味します。アルゴリズムの複雑さと計算コストは​​技術的な考慮事項ですが、意思決定の透明性の監査を直接促進するものではありません。同様に、学習データの多様性はバイアスの低減に不可欠ですが、意思決定がどのように導き出されたかを説明するものではありません。したがって、選択肢Dは監査の透明性に最も合致しています。
参考資料: ISACA AI監査上級コース(AAIA™)学習ガイド、「AIガバナンスとリスク管理」セクション、「透明性と説明可能性」サブセクション

差異影響分析とは、モデルの決定が特定の保護対象グループまたはセンシティブなグループ（性別、年齢、民族、その他の属性など）に不均衡な不利益をもたらすかどうかを検出するために使用される特定の手法です。保険料や受給資格を決定するAIモデルにとって、公平性と差別禁止は重要な規制および倫理要件であり、AAIAのコンテンツでは、公平性とバイアス評価をAIガバナンスとリスク管理の中核要素として強調しています。
回帰テスト（A）は、変更によって以前機能していたコンポーネントに欠陥が生じないことを確認するものであり、公平性を確認するものではありません。クロスクラスター分析（B）はパターンを明らかにする可能性がありますが、本質的には公平性のテストではありません。予測分析（D）は、将来を見据えた分析を指す広義の用語であり、バイアスを検出するために特別に設計された手法ではありません。
したがって、相違影響分析は、保険 AI モデルの出力における偏りを識別するための最も適切かつ的を絞った方法です。
参考文献:
ISACA、AAIA 試験内容概要 - ドメイン 1: AI ガバナンスとリスク (バイアス、公平性、透明性の考慮事項)。
AAIA トレーニング資料で使用される ISACA AI 倫理と公平性に関するガイダンス。

LIME（Local Interpretable Model-Agnostic Explains：局所的解釈可能なモデル非依存型説明）は、複雑なモデルの挙動を局所的な領域におけるシンプルで解釈可能なモデルで近似することで、個々のAI予測を説明する優れたツールです。AAIA™スタディガイドでは、LIMEが非技術系の利害関係者に透明性と解釈可能性を提供する上で非常に効果的であると強調されています。
「LIMEを使用すると、監査人は特定の入力機能がAIの意思決定にどのように影響したかを実証することができ、特に規制対象または影響の大きい状況において、信頼と利害関係者の理解を促進することができます。」オプションA、B、Cは技術的なモデリング手法ですが、利害関係者に分かりやすい説明を優先していません。
したがって、透明性には D が最適です。
参考資料: ISACA AI監査上級コース(AAIA™)学習ガイド、「監査プロセスにおけるAI」セクション、「説明ツールとステークホルダーとのコミュニケーション」サブセクション