CPMAIは、AIおよび予測プロジェクトを、単発的な厳格な取り組みではなく、反復的かつ漸進的なプロセスとして明確に位置づけています。この手法では、新たなデータや知見が得られた際に、必要に応じて段階的に進めていくことが可能です。予測プロジェクトにおいて、必要な過去のユーザーデータがすべて揃っていない場合、不足しているデータや潜在的な影響に関する想定を計画・文書化しつつ、入手可能なデータに基づいてプロジェクトを進めることが推奨されます。
PMI/CPMAIのガイダンスでは、「完璧な」データを待つことは価値提供を遅らせ、プロジェクトリスクを高める可能性があると強調しています。その代わりに、部分的ではあるものの代表的なデータを用いた早期の反復作業は、問題設定の妥当性検証、パイプラインのテスト、データアクセスに関する問題の早期発見に役立ち、ガバナンス担当者とデータ所有者は追加のデータセットのロック解除に取り組みます。重要なのは、プロジェクトが反復的であることを明確に認識することです。新しいデータが利用可能になった場合、以前のデータ理解と準備のステップに戻ることができます。これはまさにオプションBで説明されている内容です。追加のアクセスを予測しながら前進し、反復的なライフサイクルを活用して以前のステップを再検討するのです。プロジェクトを凍結する（C）か、計画なしに盲目的に進める（AまたはD）のではなく、このアプローチを採用します。

PMI-CPMAIは、AIモデルを実運用する前に、適切に管理された評価データセットを用いて、モデルが事前に定義された性能基準を満たしているかどうかを確認することを重視しています。これは、トレーニングデータとは異なり、現実世界の状況を代表する検証（および／またはテスト）データセットを用いてテストを行うことで実現されます。これらのデータセットにより、チームは精度、適合率、再現率、F1スコア、AUC、ドメイン固有のKPIといった合意された指標を算出し、関係者と事前に定義した受け入れ基準と直接比較することができます。
PMIフレームワークは、ビジネス目標、要件、指標、しきい値、評価結果というトレーサビリティを重視しています。検証テストは、この連鎖が具体的に確認される場です。モデルが保留データに対して一貫してしきい値を満たすか、または上回る場合、それはモデルが管理されたリリースに向けて準備が整っていることを示す強力な指標となります。
影響評価（オプションB）は、モデルが試験運用段階または本番運用段階に入った後に、ビジネス成果に焦点を当てて実施するのが適切です。エンドユーザー受け入れテスト（オプションC）は、主にユーザビリティとワークフローへの適合性を評価するものであり、モデルの詳細な性能を評価するものではありません。侵入テスト（オプションD）は、予測精度よりもセキュリティを評価するものです。
したがって、リリース前にモデルのパフォーマンスが選択された閾値を満たしていることを確認する最も効果的な方法は、検証データセットに対してテストすることです（オプションA）。

CPMAIのデータ理解フェーズでは、データソース、所有権、品質、そしてそれらのデータ資産を真に理解している人材を特定することに重点が置かれています。データ分野の専門家（SME）は、一般的な分析スキルやAI関連業務の経験だけで定義されるのではなく、AIソリューションを推進する特定のデータセットとドメインコンテキストに対する深い理解によって定義されます。
予測型警察活動において重要なデータセットは、過去の犯罪データ、社会経済データ、およびリアルタイムの事件報告です。CPMAIのガイダンスでは、チームはこれらのデータセットがどのように生成されるか、どのようなバイアスが含まれている可能性があるか、その限界、そしてそれらが表す現実世界のプロセスとどのように関連しているかを理解する必要性を強調しています。したがって、適切なデータ専門家を特定する最善の方法は、チーム内（または組織全体）で、これらの具体的なデータソース、その構造、および使用履歴について既に十分な知識を持っている人物を評価することです。
既存のAIツールに焦点を当てた研修、単一のデータストリームに関するワークショップ、あるいは一般的な分析資格といった選択肢では、ソース固有の深い知識は保証されません。CPMAIのデータ中心のアプローチに沿って、チームが過去の犯罪データや社会経済データにどれだけ精通しているかを評価するのが最も適切な方法であり、したがって選択肢Cが正解です。

規制対象データ（金融情報や個人情報など）を扱う AI プロジェクトの場合、PMI に準拠した AI 管理に関するガイダンスでは、データの収集、処理、共有を行う前に、規制要件とコンプライアンス要件を事前に理解しておく必要があることを強調しています。最初のステップは、適用されるすべての管轄区域（プライバシー法、銀行法、金融
（金融規制、業種別規則、国境を越えたデータ転送の制約、データ保持規則、同意要件など）。
この評価は、信頼できるAIの基盤となるものです。なぜなら、倫理原則、プライバシー保護、透明性メカニズム、説明責任構造は、具体的な法的義務および規制上の義務に直接対応していなければならないからです。これらの要件が明確に特定されて初めて、プロジェクトマネージャーは適切なデータガバナンスフレームワークを設計し、処理の法的根拠を定義し、アクセス制御を設定し、文書化と監査証跡に関する期待事項を具体的に定めることができます。
ガバナンスの策定（オプションB）、ステークホルダー会議の開催（オプションC）、または高レベルのデータ収集戦略の策定（オプションD）は、後の段階では有用なステップですが、規制およびコンプライアンス評価の前に実施すると、法律との整合性が損なわれ、費用のかかる再作業が必要になるリスクがあります。したがって、PMI-CPMAIが重視する責任あるコンプライアンス準拠のAIライフサイクル管理に沿って、プロジェクトマネージャーはまずデータ規制とコンプライアンス要件の包括的な評価を実施する必要があります。