AAISMの調査内容では、データソースの出所検証がディープフェイクリスクに対抗する最も効果的な方法であるとされています。出所検証は、コンテンツの真正性、検証可能性、追跡可能性を保証し、悪意のある合成メディアが正当なものとして信頼されることを防ぎます。人間による監視は役立ちますが、高度な偽造を確実に検出することはできません。ツールへのアクセスを制限することでリスクは軽減されますが、外部からの攻撃を防ぐことはできません。汎用LLMは不正検出に最適化されていません。最も強力な制御は、受け入れ前にデータの出所と真正性を検証することです。
参考文献:
AAISM 学習ガイド - AIリスク管理（ディープフェイクとコンテンツ整合性リスク）ISACA AIセキュリティ管理 - 防御としての来歴検証

AAISMの技術管理フレームワークは、データポイズニング攻撃に対する主要な防御策として、データ検証を重視しています。ポイズニングは、攻撃者が悪意のあるデータや破損したデータをトレーニングセットに挿入することで発生します。
検証技術は、学習前に入力データの品質、真正性、一貫性を検証し、侵害されたサンプルによるモデルの破損を防ぎます。復元は侵害後のデータ復旧を支援し、透かしは所有権を保護し、侵入検知はデータ品質ではなくネットワークを監視します。最も効果的な予防策はデータ検証です。
参考文献:
AAISM 学習ガイド - AIテクノロジーとコントロール（データポイズニング緩和）ISACA AIセキュリティ管理 - データ検証と品質管理

モデルドリフトは、入力データの統計特性や特徴と結果の関係が時間の経過とともに変化した場合に発生し、モデルのパフォーマンス低下を引き起こします。AAISMのガイダンスでは、データ中心の要因（分布シフト、コンセプトドリフト、コンタミネーション）を主要な要因として分類し、トレーニングデータまたは増分学習データへの悪意のあるコンタミネーション（データポイズニング）は、モデルが学習する効果的なデータ生成プロセスを変化させるため、実稼働環境における観測可能なドリフトの直接的かつ高い確率の要因であると強調しています。対照的に、
* 完全な知識は攻撃者の能力記述子であり、ドリフトの原因ではありません。
* メンバーシップ推論はトレーニング セットのプライバシーを対象としており、本質的にデータ分布をシフトするものではありません。
* モデルの盗難は IP/機密性をターゲットとしますが、被害モデルのデータ分布や決定境界をその場で変更することはありません。
参考資料:* AI セキュリティ管理™ (AAISM) 知識体系: モデルリスクとドリフト、データ整合性リスク、敵対的 ML - ポイズニング vs. 回避* AAISM 学習ガイド: プロダクション監視とドリフト管理、リスクシナリオ - データポイズニングの影響と制御* AAISM 標準へのマッピング:
ライフサイクルリスク処理 - データ汚染に対する堅牢性、継続的な監視とフィードバック

AAISM および医療プライバシー規制 (AAISM コンテキスト内の HIPAA のようなガイダンス) では、システムを廃止するときに機密データを文書化して破棄する必要があることを強調しています。
破壊証明書により、次のことが保証されます。
* 合法的なデータ廃棄の証明
* 監査可能性
* 規制遵守
* 検査中の防御力
破壊後のリスク評価（A）は主要なコンプライアンス証拠ではありません。バックアップテスト（B）は運用上のタスクであり、廃止の証明ではありません。ポリシーの更新（C）は将来の改善策です。
参考資料: AAISM 学習ガイド - AI の廃止と規制コンプライアンス、データ破壊の証拠。

AAISM のインシデント対応ガイダンスでは、最初の基本的なステップとして、モデル開発者、データ管理者、セキュリティ責任者、コンプライアンス担当者を含む、部門横断的な AI 対応インシデント対応チームを編成することが挙げられています。
チームが確立されていない場合、回復 (C)、封じ込め (D)、または通信チャネル (A) を効果的に設計または実行することはできません。
参考資料: AAISM 学習ガイド - AI インシデント対応、機能横断型チームの設立。