AAISMは、公共AIツールへの意図しないデータ漏洩に対する最も効果的な短期的な対策は、以下の点に焦点を当てた、役割に基づいたAIセキュリティ意識の向上であると述べています。
入力できないデータは何ですか？
漏洩による影響
- 従業員が直面する現実世界のシナリオ
利用規定（C）は必要ではあるが、それだけでは不十分である。LLM（D）をブロックすることでアクセスは減少する可能性があるが、ユーザーの行動は変わらず、AIの不正利用を招く可能性がある。一般的なフィッシング対策研修（B）では、AIの悪用リスクには対処できない。

AAISMの研究ガイドラインによると、アプリケーションテスト用の多様なデータを大量に入手する最も直接的かつ効果的な方法は、オープンソースのデータリポジトリを利用することです。これらのリポジトリは、無料で利用可能で、十分に文書化され、多くの場合標準化されたデータを提供し、準拠した方法でテストとベンチマークをサポートします。モデルカードはAIの動作を文書化しますが、データは提供しません。
検索コンテンツを組み込むと、法的、プライバシー、品質上のリスクが生じる可能性があります。データ拡張は既存のデータセットを拡張するのに役立ちますが、データが不十分な場合に必要な幅や規模を提供することはできません。したがって、大規模なテストデータセットを取得する際の推奨されるベストプラクティスは、オープンソースのリポジトリを使用することです。

AI影響評価は、環境的および社会的影響を含む、人々と社会への潜在的な影響に対処する必要のあるガバナンスツールです。このレビューでは、展開前および展開中に下流への影響（公平性、安全性、権利、持続可能性など）を特定し、説明責任とコンプライアンスを支援します。TEVV活動（テスト、評価、検証、妥当性確認）とセキュリティ管理の自己評価は保証とセキュリティ管理に不可欠ですが、影響評価の決定的な義務は、潜在的な社会的および環境的結果とそれに関連する緩和策を評価することです。モデルの再現性は技術的な品質属性ですが、影響評価の必須の中核ではありません。
参考文献:* AIセキュリティ管理（AAISM）知識体系：影響評価 - 社会的、環境的、および利害関係者への影響レビューに関するガバナンス要件* AIセキュリティ管理学習ガイド：AI影響評価の範囲、利害関係者影響分析、および社会的および環境的影響の文書化

AAISMの調査資料では、ブロックチェーンがデジタルメディアの出所を不変的に検証できるため、ディープフェイクのリスク管理における制御メカニズムとして注目されています。組織は、オリジナルのデータ署名をブロックチェーン上に記録することで、真正性を検証し、改ざんされたコンテンツや合成コンテンツを検出できます。データタグ付けは整理に役立ちますが、真正性を保証するものではありません。多要素認証（MFA）や適応型認証はIDセキュリティを強化しますが、コンテンツ操作のリスクには対処できません。ブロックチェーンの不変性と追跡可能性は、ディープフェイクの課題を軽減するための有力な技術として認められています。
参考文献：
AAISM学習ガイド - AI技術と制御（コンテンツの真正性に関する新たな制御） ISACA AIガバナンスガイダンス - データ整合性とディープフェイク対策のためのブロックチェーン

データ最小化と連合学習は、AIのトレーニングと処理中に使用される集中管理された個人データの量を制限することで、機密情報の漏洩リスクを低減します。これにより、プライバシーを保護しつつ、効果的かつ責任あるAIモデルの開発と運用が可能になります。