AAISMは、データポイズニングを、破損したトレーニングデータが統計分布を変化させ、パフォーマンスの低下や安全性の低下につながるため、モデルのドリフトを直接引き起こす可能性のあるものと定義している。
モデル窃盗（A）はモデルの動作を抽出するが、ドリフトは引き起こさない。完全な知識（B）は攻撃者の能力であり、ドリフトを引き起こす攻撃ではない。メンバーシップ推論（D）はプライバシーを侵害するが、パフォーマンスを侵害するものではない。
参考文献：AAISM学習ガイド - モデルドリフトの原因、データポイズニングの影響。

診断結果における偏りは、臨床上の意思決定や患者の転帰に直接影響を与えるため、標準的なITリスク評価を超えた、専門的な医学的、倫理的、および規制上の専門知識が必要となります。この種のリスクには、公平性、安全性、および患者への潜在的な危害に関する、領域固有の評価が伴います。

AIの事業継続性および災害復旧（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サービスが緊急事態下でも機能的で正確かつ信頼できる状態を維持しているという客観的な証拠が得られ、AIスタック全体をエンドツーエンドで検証できます。

AAISMは、組織に対し、セキュリティ、安全性、コンプライアンスに関する制御を設計段階から組み込むこと（「設計段階からのセキュリティ確保」および「シフトレフト」）を推奨しています。これにより、堅牢性、プライバシー、ガバナンスに関する要件が、モデルのトレーニングを開始する前に、アーキテクチャ、データソース、モデルの選択、評価基準に対する非機能制約として定義されることが保証されます。これらの要件をトレーニング、テスト、または展開段階に先送りすると、残存リスクと手戻りが増加し、制御範囲のトレーサビリティが弱まります。
参考文献:* AIセキュリティ管理（AAISM）知識体系：ガバナンス - 設計段階からのセキュリティ確保、ポリシーから制御へのトレーサビリティ、要件管理* AAISM学習ガイド：AIプログラムライフサイクル - 計画と設計制御、設計時脅威モデリングと制御選択* AAISM標準へのマッピング：AIの設計段階におけるリスク特定と要件エンジニアリング

AIの許容使用ポリシー（AUP）は、従業員および第三者によるAIシステムの使用方法に関する組織の期待と範囲を定めます。AAISMのガイダンスでは、責任ある行動を統制し、不正使用を防止し、規制および組織の原則に合致させるために、倫理的および法的コンプライアンス基準をAUPの中核要素として重視しています。データ要件、収集/保存プロセス、および監視は、関連する標準および手順（データ管理ポリシー、SOP、運用手順書など）で規定される場合がありますが、AUPの本質的な機能は、倫理、合法性、および組織の価値観に基づいた許容使用を成文化することです。
参考文献：AIセキュリティ管理（AAISM）知識体系 - AIガバナンスポリシーと行動規範、責任ある利用原則。AAISM学習ガイド - ポリシー階層と制御マッピング、許容される利用とスタッフの義務。