影響力のあるトレーニング事例を特定することで、どのデータポイントがモデルの決定に最も影響を与えるかが明らかになり、出力がどのように生成されるかについての直接的な洞察が得られ、説明可能性が向上します。

サードパーティ製コンポーネントを介した微調整中に隠れたバックドアが侵入するリスクを軽減する最も効果的な方法は、データ、コード、モデル、および依存関係全体にわたって、サプライチェーンを考慮した脅威モデリングと整合性検証を適用することです。これには、SBOM/MBOM のレビュー、暗号署名とハッシュ検証、データセットとモデル重みの管理された出所、依存関係の固定、安全なアーティファクトリポジトリ、および展開前のセキュリティテスト (バックドアのスキャンと評価を含む) が含まれます。単にオープンソースを優先する (オプション B) だけでは整合性は保証されません。パラダイムの変化を学ぶ (オプション C) ことはサプライチェーンのリスクとは無関係です。ログを無効にする (オプション D) と、フォレンジックの可視性が低下し、リスクが高まります。
参考文献：
AAISM知識体系：安全なAIサプライチェーン、モデルの出所、完全性、SBOM/MBOM管理、展開前のセキュリティテスト、バックドア/ポイズニング評価。
AAISM学習ガイド：AI脅威モデリング（トレーニング/微調整における攻撃対象領域）、サードパーティ/ベンダーコンポーネントの保証、暗号化の完全性とアーティファクトのガバナンス。

AAISMは、安全性が極めて重要なアクションや規制対象となるアクションに対して、リスクベースのヒューマン・イン・ザ・ループ型オーケストレーションを規定しています。インシデントの重大度、データの機密性、および規制要件に基づいて自律性を段階的に制御する階層型自動化戦略により、説明責任、監査可能性、および比例性が確保され、ガバナンス上の義務が満たされます。

AAISMは、AIシステムが機密性の高いデータや影響の大きいデータ（例：財務情報、個人情報、健康情報）を処理する場合、精度の閾値が重要なリスク指標になると規定している。不正確な予測は、危害、規制違反、差別、または経済的損失を引き起こす可能性がある。
可用性（D）は重要ではあるが、機密性の高い意思決定シナリオにおいては正確性の方が重要となる。応答時間（B）やアクセス性評価（A）は、正確で信頼性の高い予測の必要性を上回るものではない。
参考文献：AAISM学習ガイド - AIモデルリスク指標；高影響システムに対する精度要件。

AAISMは、AIリスクシグナル、閾値、およびモデルロジックは、厳格な検証および変更管理プロセスを通じて管理されなければならないと述べています。正式なレビューやテストなしに主要なリスク指標を無効にすることは、以下の点における失敗を直接的に反映しています。
* AIモデルの検証
* 変更管理
* ガバナンスの監督
これは選択肢Dと完全に一致する。
ダッシュボードの欠如（C）は監視に影響を与えますが、リスクシグナルが無効化される理由を説明するものではありません。コンピューティングリソース（A）は意図的な無効化の原因にはなりません。コンサルタントへの依存（B）は、不適切な内部モデル変更とは関係ありません。
参考文献：AAISM学習ガイド - AIガバナンス、モデル検証と変更管理の失敗。