AAISMの調査内容では、ディープフェイクのリスクに対抗する最も効果的な方法として、データソースの出所を検証することを挙げています。出所検証によって、コンテンツの真正性、検証可能性、追跡可能性が確保され、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。人間の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。汎用的なLLMは、不正検出に最適化されていません。最も強力な対策は、データを受け入れる前に、その出所と真正性を検証することです。

AAISMは、モデルカードは、AIモデルに関する倫理的配慮、制限、公平性の制約、データソース、およびユースケースの適合性を文書化するために設計されたガバナンスツールであり、特に個人の権利、機会、またはサービスへのアクセスに影響を与える場合に重要であると強調している。
彼らの最大の価値は、透明性と倫理的な明確さを提供し、関係者がリスク、偏見に関する考慮事項、そして決定がユーザーにどのような影響を与えるかを理解できるようにすることである。
展開手順書（B）はモデルカードの一部ではありません。データ要件（C）を削減するものでもなく、モデルタイプの選択（D）を主な目的とするものでもありません。
参考文献：AAISM学習ガイド - AIガバナンス文書、透明性およびモデルカード。

AIセキュリティ管理において、バイアス評価は、モデルやパフォーマンスの問題である以前に、まずデータの問題として捉えられます。公式のAIセキュリティ管理コンテンツでは、影響評価において、トレーニングデータの代表性を、関連するすべてのユーザーおよび利害関係者の人口統計学的特性や特徴と照らし合わせて具体的に分析する必要があると説明されています。AIシステムのトレーニングに使用されるデータが特定のグループを過小評価または除外している場合、結果として得られるモデルは、平均的な速度や「精度」に関わらず、それらのグループに体系的な不利益をもたらします。

AAISMは、データポイズニングを、学習済みモデルが正しく動作しているように見せかけながら、実際には誤った動作（例えば、融資承認／拒否の偏り）をするように、トレーニングデータを意図的に操作することと定義しています。レッドチーム演習における適切なシミュレーションは、敵対的サンプルや誤ったラベル付けされたレコードを用いてトレーニングセットを改ざんまたはシードし、偏った、あるいは誤った決定境界を誘発することです。

攻撃者は、誤解を招くようなパターンを挿入したり、検出を回避するために行動を変化させたりすることで、行動分析モデルを操作しようとする可能性があり、その結果、脅威の特定が不正確になり、システムの有効性が損なわれる可能性がある。