AAISMは、モデルトレーニング前に、出所チェック、スキーマとラベルの検証、サニタイズ、異常値／外れ値検出といったハードゲーティングによるデータ取り込みを実施することで、トレーニング時の攻撃を防ぐよう組織に指示しています。これらの対策は、汚染されたレコードがパイプラインに流入するのを最も直接的にブロックするものであり、アーキテクチャの複雑さやデータ量よりも優先されます。ソースの多様性は代表性を高める可能性がありますが、敵対的な汚染を確実に阻止できるわけではありません。
参考資料：AI Security Management™ (AAISM) 知識体系 - 敵対的機械学習：トレーニング時の脅威、安全なデータ取り込みと検証管理、AI リスク対策と保証。AAISM 学習ガイド - ポイズニング防止ゲート、機械学習パイプラインにおける出所、品質、異常スクリーニング。

AAISM 標準では、従来の侵入テストだけでは AI システムには不十分であると明確に述べられています。
効果的な AI セキュリティ テストには次の要件があります。
* AI特有の脅威モデリング（例：データポイズニング、プロンプトインジェクション、モデル盗難）
* 敵対的攻撃シミュレーション（ホワイトボックス、ブラックボックス、勾配ベースの攻撃）
* 堅牢性と操作耐性の評価
オプション B はこれらの要件を正確に捉えています。
オプション A、C、および D は、AI 固有の攻撃ベクトルには対処しません。
参考資料: AAISM 学習ガイド - AI セキュリティ テストと敵対的評価。

AAISMは、影響範囲を限定し、機密データを保護し、リスクの低い領域から段階的に導入することで、AI導入を組織のリスク許容度と整合させることを推奨しています。非クリティカル機能向けにプライベートLLMを構築することで、データ管理を維持し、より厳格なガバナンス（アクセス制御、ログ記録、評価）を実現し、モデルエラーを安全性やミッションクリティカルな運用から隔離することができます。クリティカル機能向けのパブリックLLM（A）は、高保証体制との整合性が取れていません。オープンマーケットのデータセット（B）を購入すると、出所やライセンスに関するリスクが高まります。サードパーティアクセス（C）は適切かもしれませんが、ベンダー/可視性の制限やデータ保管場所に関する懸念が生じ、航空宇宙セキュリティのニーズを満たさない可能性があります。
参考資料：AIセキュリティ管理™（AAISM）知識体系 - AIユースケースへのリスクアペタイトマッピング、重要度セグメンテーション、データ制御および展開モデル。AAISM学習ガイド - 高保証環境への段階的な導入、プライベートLLMとホスト型LLMのトレードオフ、ガバナンス、評価、および封じ込めパターン。

AIシステム、特に生成型AIのRPO（目標復旧時点）とRTO（目標復旧時間）を設定する際には、トレーニングデータとモデル成果物をリカバリウィンドウ内に復元することが非常に重要です。これが実現されない場合、復元されたシステムは不正確または不完全な動作をする可能性があります。これにより、事業継続性が損なわれる可能性があります。
AAISM のリスク管理原則では次の点を重視しています。
* 回復目標は、トレーニング データと推論データの両方のデータ保護要件と一致する必要があります。
* 大規模なトレーニング データセットを復元する機能は非常に重要です。これらの機能がないとダウンタイムが発生し、運用上およびコンプライアンス上のリスクにつながるためです。
* 計算効率とハードウェアの一貫性は二次的な考慮事項であり、RPO/RTO 定義の主な要因ではありません。
したがって、RTO 内で直接トレーニング データセットのバックアップと復元機能を確保することが主な要件です。

AIセキュリティマネジメント（AAISM）研究フレームワークによると、プライバシーおよび規制基準へのコンプライアンスは、適用される義務を特定、文書化し、維持するための正式なプロセスから始める必要があります。このガイダンスでは、組織は説明責任を確保し、プライバシー法との整合性を確保するために、法的および規制上の要件に関する包括的な登録簿を維持すべきであると明確に述べられています。この登録簿は、個人データを扱うAIシステムを取り巻くすべてのガバナンス、リスク、および管理の実践の基盤となります。
このような登録簿を維持することで、推奨システムがプライバシー・バイ・デザインおよびプライバシー・バイ・デフォルトの原則に基づいて運用されることが保証されます。これにより、意思決定者や監査人は、あらゆるAIデータ処理活動を関連するコンプライアンス義務にまで遡って追跡することができ、GDPR、CCPA、その他の法域の規制などの法令遵守を実証できます。
選択肢に挙げられている他の対策は、グッドプラクティスには貢献するものの、同様の直接的なコンプライアンス成果は得られません。モデルの再トレーニングは技術的な精度を向上させますが、法的義務への対応にはつながりません。監督委員会は有益ですが、効果的な監督を行うためには、文書化された登録簿を基準として必要とします。顧客データの無期限保管は、規制要件、特にデータ最小化と保管制限の原則に反します。
AAISMドメインアライメント:
この要件は、ドメイン 1 - AI ガバナンスとプログラム管理に該当し、構造化されたガバナンス プログラムの一環として組織の説明責任、ポリシーの作成、コンプライアンス ドキュメントの維持を重視しています。
AAISM および ISACA 資料からの参照:
AAISM試験内容概要 - ドメイン1：AIガバナンスとプログラム管理 AIセキュリティ管理学習ガイド - プライバシーと規制コンプライアンス管理 ISACA AIガバナンスガイダンス - 適用可能な法的要件の登録の維持