AAISMは、データポイズニングを、悪意のあるデータや破損したデータをトレーニング（またはファインチューニング）パイプラインに挿入することで、モデルの挙動を劣化させたり偏らせたりすることで、本番環境での出力の整合性を損なうことと定義しています。ポイズニングは開発／トレーニング（C）中に発生しますが、その主な目的は、下流の予測／出力の整合性への影響（D）です。オプションAとBは、ポイズニングではなく、機密性に関する脅威（例：反転や漏洩）に関係します。
参考資料:* AI セキュリティ管理™ (AAISM) 知識体系: モデルの整合性の脅威 - データ汚染の目的と影響、供給側のデータ管理* AAISM 学習ガイド: 汚染のリスクシナリオ、データの出所チェック、堅牢なトレーニング、異常検出による軽減策

AAISMの学習資料では、ブロックチェーンがデジタルメディアの出所を不変に検証できるため、ディープフェイクリスク管理のための制御メカニズムとして注目されています。ブロックチェーンに元のデータ署名を固定することで、組織は真正性を検証し、改ざんされたコンテンツや合成コンテンツを検出できます。データのタグ付けは整理に役立ちますが、真正性を保証するものではありません。多要素認証（MFA）と適応型認証はIDセキュリティを強化しますが、コンテンツ改ざんのリスクには対処できません。ブロックチェーンの不変性と追跡可能性は、ディープフェイクの脅威を軽減する技術として広く認められています。
参考文献:
AAISM 学習ガイド - AI テクノロジーとコントロール（コンテンツの真正性のための新たなコントロール）ISACA AI ガバナンス ガイダンス - データ整合性とディープフェイク軽減のためのブロックチェーン

AIの事業継続性と災害復旧（BC/DR）演習では、フェイルオーバーおよび復旧時に、重要なAIコンポーネント（特徴量ストア、モデルレジストリ、推論サービス、パイプライン）が合意された復旧目標の範囲内で動作することを検証する必要があります。DRテスト中にモデルのパフォーマンスと安定性を監視および評価することで、AIサービスが不測の事態においても機能し、正確で、信頼性が高いことを客観的に証明し、AIスタックをエンドツーエンドで検証できます。
オプションAは、本番環境における推論のためのサービス継続性の検証ではなく、障害発生時の再トレーニング（ニッチなシナリオ）に重点を置いています。オプションBはセキュリティテストであり、BC/DR検証ではありません。オプションCはデータ損失処理のテストですが、フェイルオーバーとリカバリをまたいだAIサービスの動作を包括的に検証するものではありません。
参考資料: AI セキュリティ管理™ (AAISM) 知識体系:「AI システムの運用レジリエンス - BC/DR」、「継続性の検証と証拠」、AAISM 学習ガイド:「AI DR テスト計画 - メトリック、モデル パフォーマンスの検証、およびリカバリ準備」。

AAISMのリスクガイダンスでは、ダウンタイムが重要なインフラ、製造、または安全運用に直接的な支障をきたす可能性があるため、産業用制御システムには最も厳格な復旧目標が適用されると指摘されています。健康支援システムにも高い可用性が求められますが、産業用制御システムは安全性が極めて重要でリアルタイムな環境を支えることが多く、遅延が壊滅的な結果につながる可能性があります。信用リスクモデルとナビゲーションシステムは重要ですが、直接的な物理的影響や運用への影響という点ではそれほど重要ではありません。したがって、産業用制御システムには最も厳格なRTO（目標復旧時間）が必要です。
参考文献:
AAISM 学習ガイド - AI リスク管理（AI における事業継続）
ISACA AIセキュリティ管理 - AIシステムのRTOの優先順位

AAISM は、AI ツールは組織の既存の管理目標とガバナンス要件と一致し、リスク管理、検出理念、運用プロセスとの一貫性を確保する必要があることを強調しています。
SIEMとの統合（D）は重要ですが、二次的なものです。異常検出（B）は機能であり、アーキテクチャ上の要件ではありません。自動オーケストレーション（A）はオプションです。
参考資料: AAISM 学習ガイド - AI セキュリティ アーキテクチャと制御の調整。