AIを活用したセキュリティ監視において、PMIスタイルのAIリスク管理では、誤検知と見逃しが主要な運用リスクとして挙げられます。誤検知はアナリストを圧倒し、アラート疲労を引き起こす一方、見逃しは実際の脅威を隠蔽します。これらのリスクを軽減するために、ガイダンスではアルゴリズムの選択だけでなく、継続的な監視、フィードバック、人間とAIの協働を重視しています。セキュリティチームとの継続的なフィードバックループを確立する（オプションD）ことで、セキュリティアナリストはアラートを確認し、真偽をラベル付けして、そのラベルをAIパイプラインにフィードバックします。これにより、しきい値の調整、再較正、再学習が可能になり、誤分類率が徐々に減少します。
オプションB（モデルの組み合わせとトレードオフ）は設計段階では役立ちますが、システム展開後の誤検出/誤陰性の継続的な制御を保証するものではありません。オプションAは範囲が狭く、アルゴリズムに特化しすぎており、ガバナンスとライフサイクルの側面を無視しています。オプションCはデータセキュリティに対応していますが、これは重要ではあるものの、分類エラー率とは無関係です。PMIスタイルのAI運用（MLOpsに類似）は、実世界のフィードバックによるクローズドループ学習が安全性、回復力、およびパフォーマンスにとって重要であることを強調しています。したがって、誤検出と誤陰性のリスクに直接対処する対策は、セキュリティを備えた継続的なフィードバックループを確立することです。

最適な答えは D です。堅牢なデータ検証および修正プロセスを実装します。PMI-CPMAI では、データの理解とデータ準備において、チームはトレーニングデータの要件を評価し、データ品質を検証し、データのクレンジングと強化を実行し、データがモデル開発に適しているかどうかに基づいて実行可否の判断を下す必要があります。収集中に不一致が検出された場合、最優先事項はデータを検証し、不一致の原因を特定し、統合やモデリングに進む前に不良レコードを修正または分離することです。
オプションAは、特にセンサー、ログ、データベースのデータソースを組み合わせる場合、最終的には必要になるかもしれないが、センサーデータが正確で信頼できるかどうかを確認する前に、フォーマットを統一するべきではない。
オプションBは、ガバナンスにおける最初の対応策ではなく、品質問題に直接対処するものではありません。オプションCは、検証プロセスでセンサー自体に欠陥があることが判明した場合にのみ適切です。根本原因を確認する前にハードウェアを交換するのは時期尚早です。PMIの方法論では、AIプロジェクトにおける基礎的な活動として、データ品質の検証とクレンジングを一貫して重視しています。シナリオでは不一致が明確に示されているため、最も適切な最初の対応は、データを検証して修正し、その後の統合やモデル構築の決定が信頼できる入力に基づいて行われるようにすることです。

PMIに準拠したAIデータ管理手法では、欠損データの処理はリスク、品質、および使用適合性の観点から検討されます。モデル開発に先立ち、プロジェクトマネージャーは、データセットが十分な完全性を備えているだけでなく、意図するAIユースケースに対して代表的かつ偏りのないものであることを確認する必要があります。欠損データの割合が最小限で、体系的な偏りがない場合は、それらのレコードを削除することで、残りのデータセットの整合性と一貫性を維持し、人為的または誤解を招くような値の混入を防ぐことが、一般的で許容される対策となります。
オプションBとC（データの複製または無作為にゼロを埋める）は、基となるデータ分布に深刻な歪みを生じさせ、モデルの動作に偏り、パフォーマンスの低下、汎化能力の低下につながる可能性があり、PMIスタイルのガイダンスで強調されている責任あるAIの実践に反します。構造化された戦略や分析なしに欠損データを単に無視すること（オプションA）も、潜在的なデータ品質の問題を隠蔽し、下流にエラーを伝播させる可能性があるため、推奨されません。
したがって、優れたAIデータ準備の実践に沿って、欠損値が本当に限定的で重要な属性に集中していない場合は、欠損値が最小限であれば欠損値のあるレコードを削除する（オプションD）ことが、提示された選択肢の中で最も効果的で責任あるアプローチです。

最適な答えは A. 合成データ生成の使用です。PMI の CPMAI 試験概要には、AI データ準備の管理の一部として、データ拡張と合成データ生成の監督が明示的に含まれており、バイアスへの対処、データ前処理結果の検証、モデル開発の前と開発中にデータが適切であることを確認する必要性も強調されています。予測が特定のクラスに偏っている場合、それは通常、トレーニング データにおける不均衡または過小表現の問題を示しています。合成データ生成は、弱いクラスの表現を増やし、母集団全体にわたるモデル学習を改善できるため、効果的な緩和手法です。
オプションBの層化サンプリングは、訓練データとテストデータの分割におけるクラス比率の維持や評価の規律に役立ちますが、ターゲットを絞った合成データ拡張ほど効果的にクラスの不均衡問題を直接修正するものではありません。オプションCは最適化効率に影響を与えますが、公平性やクラスの表現には影響しません。オプションDはパフォーマンスを調整できますが、データ自体が偏っている場合、ハイパーパラメータの変更では根本的な問題は解決されません。PMIの資料では、信頼できるAIにはバイアス、リスク、コンプライアンスのギャップを積極的に管理する必要があると指摘しており、モデル調整だけに頼るのではなく、データ中心の緩和アプローチを選択することを推奨しています。

PMI-CPMAIのレガシーシステムからAI対応ソリューションへの移行に関するガイダンスでは、プロジェクトマネージャーは、複数の認知機能を一度に導入しようとするのではなく、段階的かつ漸進的な導入を通じて複雑さとリスクを管理することが推奨されています。この資料では、複数の認知パターン（分類、予測、レコメンデーション、自然言語処理など）が特定された場合、「実装ロードマップでは、初期イテレーションにおいて限られた数のユースケースとパターンを優先し、範囲を拡大する前に価値と技術的な実現可能性を検証する必要がある」と強調しています。この段階的なアプローチにより、チームは各イテレーションから学び、データパイプラインと統合を洗練させ、ガバナンスとリスク管理を調整してから、より高度な、あるいは追加の認知コンポーネントを追加することができます。
PMI-CPMAIはまた、初期段階での過剰な複雑化は、コスト超過、変更への抵抗、技術的な失敗の可能性を高めると指摘し、チームに対し「既存の運用への混乱を最小限に抑えつつ、迅速に価値を提供する管理可能なリリースにAI機能を段階的に導入する」ことを推奨しています。一度に1つのパターンを対象とする段階的なアプローチを確立することで、プロジェクトマネージャーの懸念に直接対処できます。つまり、「ビッグバン」方式のAI導入を回避し、各ステップで構造化された変更管理、トレーニング、ステークホルダーの連携が可能になります。すべてのパターンを単一のイテレーションに統合したり、従業員に一度にすべてをトレーニングしたりするなどの活動は、AI機能の段階的で価値重視の進化と矛盾します。したがって、最初の活動は、一度に1つの認知パターンに焦点を当てた段階的なアプローチを確立することです。