AAISMは、AI監査後に是正措置が実施されることを保証する責任はモデル所有者にあることを明確にしています。モデル所有者は以下の事項について責任を負います。
- モデルの動作
- コンプライアンス上のギャップ
- セキュリティの改善
- ガバナンスの整合性

AAISMは、AI特有の脅威モデリングを、特に信用スコアリングのような高リスクシステムにおけるセキュリティ・バイ・デザインの初期段階における重要な制御要素として位置付けています。AAISMは、以下の点を体系的に特定しています。
- データポイズニング
- バイアスの脆弱性
- モデル回避
- モデル抽出
悪用シナリオ

AAISMは、特に医療関連アプリケーションにおいて、トレーニングデータの適合性（合法的な情報源、出所、品質、代表性、安全性）を最優先事項としています。トレーニングデータの正確性と適切性は、臨床上の安全性、有害な出力の削減、データ保護／業界義務の遵守を左右します。モデル規模を大きくしたり、データ量を増やしたりしても、不適切または低品質なデータセットを補うことはできません。チューニングは、患者の安全要件に沿った厳格なキュレーション、ラベル付けの品質、および安全対策によって適切なデータを確保することに比べれば、二次的なものです。
参考文献:* AIセキュリティ管理™ (AAISM) 知識体系: データガバナンスと品質; 高リスク/健康コンテキスト制御; 安全性と危害の最小化* AAISM学習ガイド: データ出所と適合性、ドメイン固有のデータセット制御; 機密性の高いセクター向けの設計によるコンプライアンス

AIシステムは、学習、適応、そして変化するデータや環境との相互作用を通じて継続的に進化します。従来のリスク指標では、モデルのドリフト、行動の変化、あるいは時間の経過に伴う意思決定パターンの変化によって生じる新たなリスクを適切に検出できない可能性があるため、AIに特化した主要リスク指標（KRI）が不可欠です。

混同行列は、真陽性（TP）、真陰性（TN）、偽陽性（FP）、偽陰性（FN）を明示的に表にまとめたものであり、派生指標（精度、再現率、F1スコア、特異度）およびエラー分析の基礎となります。精度と再現率は、この行列から導出される単一の指標です。ハイパーパラメータの調整はプロセスであり、分析成果物ではありません。
参考文献：AAISM知識体系：モデル評価と保証 - 分類指標とエラー分析；AAISM学習ガイド：混同行列の基礎と派生指標。