数値フィールドがオブジェクト（文字列）形式（オプションC）で保存されている場合、データ型が不適切であることを示します。数値がテキストデータとして保存されている場合、モデルは相関関係や統計的関係を正しく計算できません。
AAIA は、次のような誤ったデータ型が ML モデルの誤動作の最も一般的な原因の 1 つであることを強調しています。
* 平均、相関、または数学的演算を計算できない
* 前処理におけるサイレントエラー
* 歪んだ学習パターン
* 機能の重要度評価が正しくありません。したがって、オブジェクト形式の最終成績パーセント フィールドは、処理リスクの最も重要な指標です。オプション A、B、および D は、それぞれのフィールドに対して有効なデータ型であり、固有のモデル処理リスクはありません。
参考文献:
AAIA ドメイン 2: データ品質、データ タイプ、および前処理。
AAIA ドメイン 3: AI の準備とデータ検証。

AAIA™スタディガイドでは、AIガバナンスの主目的は、AIイニシアチブの構造と説明責任を確立することであると定義されています。これには、AIが責任を持って透明性を持って使用されるよう、開発、導入、リスク管理、監査の各役割において責任を明確に割り当てることが含まれます。
「AIガバナンスは、AIの倫理的かつ安全な導入を導くポリシー、役割、そして監督体制を確立するものです。明確な説明責任は、不正利用の防止と戦略的な整合性の確保に役立ちます。」選択肢AとCはガバナンスの重要な要素ですが、その中核的な定義ではありません。選択肢Dはビジネス上の成果であり、ガバナンスの目標ではありません。したがって、選択肢Bが最も包括的かつ正確な目標です。
参照: 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、「ガバナンスの目標と構造」サブセクション

AI関連のインシデントは、データ、モデルの挙動、アルゴリズムのパフォーマンスに依存するため、従来のITインシデントとは大きく異なることがよくあります。AAIA™スタディガイドによると、インシデント管理プログラムには、モデルのドリフトの検出と軽減、データポイズニングや整合性攻撃からの保護など、AIに特化した機能が含まれている必要があります。
AIインシデント対応フレームワークは、モデルのドリフト、敵対的入力、データ整合性の侵害など、機械学習特有の問題を考慮する必要があります。効果的なプログラムには、これらのAI特有の脅威に対する検出、対応、回復のメカニズムが組み込まれています。オプションAとBは、時間の経過とともにインシデント対応の改善に貢献し、オプションDはベストプラクティスの整合を示唆していますが、高リスクのリアルタイムAI脆弱性に対する積極的な対応能力に直接対処するのはオプションCのみです。
参照: ISACA AI監査上級™ (AAIA™) 学習ガイド、セクション:「AIガバナンスとリスク管理」、サブセクション:「AIコンテキストにおけるインシデントとリスク管理」

相関係数が-0.85（オプションC）の場合、強い負の相関関係を示し、有意な逆相関関係があることを示しています。AIモデル開発において、高い相関係数（正または負）は、特徴量の選択とモデルの挙動に大きな影響を与えます。
AAIA は、監査人が評価するために相関関係の強さを理解する必要があることを強調しています。
* 機能の関連性
* モデルの重み付けの妥当性
* 多重共線性のリスク
* データの品質と代表性
その他の相関関係は弱いか無視できるほどです。
したがって、-0.85 のペアが最も重要です。
参考文献:
AAIA ドメイン 1: AI データの関係
AAIAドメイン2：データの理解と統計の基礎

精度は、実際に正しかった予測の割合を測定します。誤検知の回避が優先される場合（例：詐欺の告発、セキュリティアラート、融資の拒否など）、精度は次のような理由から重要な指標となります。
* 高精度 = 誤検出が非常に少ない
* 精度が低い = 誤検出が多い
AAIA は、リスクの状況に応じて適切なパフォーマンス メトリックを使用することを重視しています。
精度 (B) により不均衡が隠される可能性があります。
リコール（D）は偽陰性に関連します。
F1 (C) は精度と再現率のバランスをとりますが、誤検知を特に強調するものではありません。
参考文献:
AAIAドメイン2：モデルパフォーマンスメトリクスとリスクベースの評価