AAISMは、AIにおける根本的な倫理的リスクは、不公平または差別的な結果をもたらすバイアスの永続化であると強調しています。したがって、最も重要な検証ステップは、AIシステムの出力に悪影響のないバイアスが含まれていることを確認することです。責任ある開発ポリシー、利害関係者の承認、プライバシーレビューはすべてガバナンスに貢献しますが、倫理的な結果を直接的に保証するものではありません。出力の公平性の検証は、AIが倫理原則に違反しないことを保証するための重要な安全策です。
参考文献:
AAISM 学習ガイド - AI リスク管理（バイアスと倫理の検証）
ISACA AIセキュリティ管理 - 倫理的なAI実践

回避攻撃は、モデルを変更せずに入力を操作して誤分類を誘発します。AAISMは、敵対的ロバストネス制御を規定しており、敵対的トレーニングを主要な対策としています。敵対的に撹乱されたサンプルをトレーニング/検証に組み込むことで、決定境界を強化し、脅威モデル全体（例：Lp境界の撹乱）に対する耐性を向上させます。モニタリング（A）は検出目的であり、予防目的ではありません。
パラメータアクセスを制限すると（C）、機密性は保護されますが、入力空間攻撃は軽減されません。
差分プライバシー (D) は、敵対的入力に対する堅牢性ではなく、トレーニング データの漏洩に対処します。
参考資料:AI Security Management™ (AAISM) Body of Knowledge: 敵対的 ML 回避と
ポイズニング、堅牢性と回復力の制御、敵対的トレーニング。AAISM 学習ガイド: モデル強化手法、堅牢な精度の評価、敵対的サンプルを使用したセキュリティ テスト。

AAISMは、コストと可用性に影響を与えるLLMの主要なリスクとして、無制限の消費（トークン／ペイメントの枯渇、定額制ではないツール呼び出し、プロンプト爆弾）を指摘しています。制御には、リクエストクォータ、最大トークン数、レート制限、予算ガード、サーキットブレーカー、コストを考慮したルーティングが含まれます。過剰なエージェンシー（A）は監視されていないアクションに関連し、機密情報の開示（B）と迅速な漏洩（C）は機密性リスクであり、コンピューティング支出の急増の主な要因ではありません。
参考資料: AI セキュリティ管理™ (AAISM) 知識体系 - LLM リスク分類 (不正使用とコストのリスク)、ガードレール: レート制限、クォータ、予算管理、回復力とコスト抑制パターン。

差分プライバシーは、個々のデータ提供のプライバシーを保護しつつ、有用な集計学習と統計分析を可能にすることを目的としています。ノイズメカニズムは、特定の個人のデータが含まれているかどうかを明らかにしたり、それらに関する推論を可能にしたりすることなく、結果がモデル化（例えば、不正行為のパターン）に役立つように調整されます。精度、速度、計算効率は二次的な考慮事項となる場合がありますが、主な目的は、実用性を維持しながらプライバシーを保護することです。
参考資料：AIセキュリティ管理（AAISM）知識体系：プライバシー保護型機械学習、差分プライバシーの目標とメカニズム。AAISM学習ガイド：個人の貢献保護、応用モデルにおける効用とプライバシーのトレードオフおよび調整。

AAISMのAIシステムにおけるサードパーティおよびベンダーリスクへのアプローチは、データ利用の透明性を主要な管理策として重視しています。ガイダンスでは、組織は「どのようなデータが収集され、どのように処理、保存、保持され、学習に再利用されるか、あるいは他の関係者と共有されるか」について明確な文書を入手する必要があると説明しています。オプションCは、ベンダーに対し、アプリケーションが組織のデータをどのように使用するかの開示を義務付けることで、適切なリスク評価、契約上の管理、技術的保護策を可能にすることで、この問題に直接対処します。外部監査（A）は有用ですが、コストがかかり、調達前に必ずしも実行可能とは限りません。法的協議（B）は重要ですが、データフローが明確でなければ効果がありません。公開されているポリシー（D）は、多くの場合、高レベルでマーケティング指向であり、適切なリスク評価に必要な具体性が欠けています。したがって、ベンダーから明確なデータ利用に関する開示を得ることが、最も効果的な出発点となります。
参考資料: AI セキュリティ管理™ (AAISM) 学習ガイド - サードパーティの AI リスクとデータ共有、ベンダー ガバナンス要件。