AAISM では、運用フェーズを AI システムが積極的に展開され、パフォーマンス、ドリフト、セキュリティ、信頼性の継続的な監視が必要な段階と定義しています。
ビジネスアライメント（B）は計画と設計に含まれます。最適化（A）とユーザーフィードバック（D）は開発サイクルまたは改善サイクルの一部であり、主要な運用目標ではありません。
参考資料: AAISM 学習ガイド - AI ライフサイクル管理、運用監視要件。

AAISMは、AIインシデント対応の基本フェーズとして「準備」を規定しています。最優先事項は、AI/MLの専門知識（セキュリティ、データサイエンス、製品、法務/コンプライアンス）を備えた、部門横断的なインシデント対応（IR）チームを編成し、その体制を強化することです。責任あるチームが存在して初めて、プレイブック、コミュニケーション、封じ込め/根絶手順、復旧プロセス、エスカレーションパスを定義できるようになります。専任チームがなければ、手順やチャネルのオーナーシップと有効性は損なわれます。
参考資料:* AI セキュリティ管理 (AAISM) 知識体系: インシデント管理 - 準備、役割と責任、部門横断的な調整* AAISM 学習ガイド: AI IR 運用モデル、利害関係者のマッピング、権限とエスカレーション* AAISM 標準へのマッピング: セキュリティ運用 - 手順の前に準備 (プレイブックに先立つ人材と役割)

AAISMは、メンバーシップ推論攻撃は、モデルがトレーニング中に使用されたデータポイントに遭遇した際に、異常に高い信頼度スコアを悪用することが多いと規定しています。侵入テスターは、既知および未知のサンプルにおけるモデルの信頼度挙動を分析することで脆弱性を特定します。
合成データ（A）では推論漏れをテストできません。ログを無効にすると（C）、証拠が失われ、可視性が低下します。テストセットの精度（D）は無関係です。
参考資料: AAISM 学習ガイド - AI プライバシー攻撃、メンバーシップ推論テスト手法。

AIモデルにおけるバイアスは、主に学習データの限界や不均衡に起因します。AAISMの学習資料では、このリスクを軽減する最も効果的な方法は、人口統計、シナリオ、コンテキストを網羅する多様なデータソーシング戦略を採用することであると強調されています。アクセス制御はデータのセキュリティを保護するものであり、公平性を保証するものではありません。データ調整は正確性を保証しますが、表現の不均衡に対処するものではありません。
暗号ハッシュは整合性を保ちますが、バイアスの緩和には効果がありません。システム全体の不公平性を軽減するためには、多様で代表的なデータを入手することが重要な管理策となります。
参考文献:
AAISM試験内容概要 - AIテクノロジーとコントロール（バイアスと公平性の管理）AIセキュリティ管理学習ガイド - データガバナンスとバイアス削減戦略

AAISMは、データの使用、保持、トレーニング／微調整、分離、および削除を明示的に規定する契約および技術管理を通じて、サードパーティAIのリスクを管理するよう組織に指示しています。生成AI機能を利用する際の最も効果的なデータセキュリティ対策は、プロバイダーが組織のデータをトレーニングまたは二次目的で使用することを禁止し、保持期間の制限と安全な削除を義務付ける、強制力のあるオプトアウト条項を義務付けることです。サードパーティの監査レポート（A）は保証を提供しますが、特定のデータに対するプロバイダーの行動を保証するものではありません。意識向上ポリシー（B）は必要ですが、外部処理を制御するには不十分です。IP所有権ガイドライン（D）は、データセキュリティリスクではなく、法的権利に関するものです。
参考資料: AI セキュリティ管理™ (AAISM) 知識体系 - サードパーティ/調達管理、データの使用および保持条項、トレーニング/微調整のオプトアウト、安全な削除および目的の制限。