AAISMは、運用中のAIシステムにおいて有害または偏向した動作が観測された場合、組織は根本原因分析（RCA）から始まる正式なインシデント/差異対応ワークフローを開始し、逸脱の原因（データドリフト、コンセプトドリフト、機能漏洩、パイプラインの変更、管理の不備）を特定し、適切なリスク対応策を決定することを推奨しています。RCAを実施せずに即時再トレーニング（オプションA）を実施すると、同じ偏向が強化されるリスクがあります。監査（オプションC）は、対応策を策定するアクションではなく、RCAにおける主要な活動です。キルスイッチ（オプションD）は、リスクが定義された許容範囲を超え、即時の危害防止が必要な場合に備え、確保されています。
参考資料: AI セキュリティ管理 (AAISM) 知識体系 - インシデント対応とインシデント後の改善、モデルリスク処理とドリフト管理、バイアス検出と修復ガバナンス。

AAISMは、経営幹部向けのセキュリティおよびガバナンス報告において、AIシステムの安全性、信頼性、責任ある行動を反映するリスクと危害に関するKPIを優先しています。エラー率（安全性/品質シグナル）とバイアス検出（公平性/コンプライアンスシグナル）は、モデルリスク、潜在的なユーザーへの危害、規制への露出に関する先行指標であり、CISOにとって重要な関心事項です。説明可能性とF1（A）は、モデルのパフォーマンスです。
顧客努力/顧客維持率（B）はビジネスCX指標であり、応答時間/スループット（C）は運用SRE指標です。これらは価値あるものの、CISOによる監督においてはリスク中心のKPIに次ぐものです。
参考資料：AIセキュリティ管理（AAISM）知識体系 - AIリスク指標と保証、AIガバナンスダッシュボード。AAISM学習ガイド - AIコントロールの運用化、経営報告のための安全性、公平性、コンプライアンス指標。
O エラー率とバイアス検出

AAISM では、データ分割をデータセットを次のように分割するプロセスと説明しています。
* トレーニング
* 検証
* テストセット
これは、過剰適合を減らし、堅牢な評価を保証するために不可欠です。
学習（A）はモデルのトレーニングを指します。アノテーション（D）はデータにラベルを付けます。トレーニング（C）では検証/テストデータは作成されません。
参考資料: AAISM 学習ガイド - AI データの準備とデータセットの分割。

AAISMは、責任あるAIの第一の目的は、AIによる意思決定と予測に対する信頼を確立し、維持することであると強調しています。信頼は、透明性、説明責任、公平性、そしてガバナンスを通じて実現されます。
機密性と完全性は重要な技術的目標ですが、責任あるAIサービス提供の包括的な目的ではありません。自律性と学習能力はAIの特徴ですが、信頼がなければ、導入とコンプライアンスは揺らぎます。正しい答えは、責任あるAIサービスはAIの成果に対する信頼の構築に重点を置くべきだということです。
参考文献:
AAISM試験内容概要 - AIガバナンスとプログラム管理（責任あるAI原則）AIセキュリティ管理学習ガイド - 信頼と倫理的なAI導入

モデル カードは、ML モデルの使用目的、パフォーマンス特性、制限、公平性の考慮事項、および倫理的な注意事項を伝えるガバナンス アーティファクトです。
AAISM ガバナンス資料では、利害関係者の信頼は透明性と説明可能性から生まれると強調されています。
ハイパーパラメータとデータ品質管理は技術的な詳細ですが、利害関係者に対する明確さが欠けています。
モデルのプロトタイピングは開発の一部ですが、ガバナンス レコードではありません。
モデル カードは、次の場合に明示的に推奨されます。
* 意思決定のための説明可能性とコンテキストを提供します。
* ガバナンス、透明性、コンプライアンスを実証します。
* 利害関係者 (規制当局、監査人、ビジネス リーダー) がシステムを信頼できるようにします。
したがって、モデルカードは信頼を最も高めるアーティファクトです。