論文の概要: Governing Bring Your Own AI: A Parameterized Maturity Model
- arxiv url: http://arxiv.org/abs/2609.05236v1
- Date: Fri, 04 Sep 2026 15:03:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:24.082603
- Title: Governing Bring Your Own AI: A Parameterized Maturity Model
- Title（参考訳）: GoverningがAIを導入:パラメータ化成熟度モデル
- Abstract要約: Bring Your Own AI(BYOAI)は、従業員認証された個人アカウントが企業IDとセキュリティコントロールの外部で使用されるシャドウAIの別形態である。
既存のフレームワークは組織によって管理されるAIツール用に設計されており、そのカバレッジは個人アカウントで使用されるアンマネージドなAIツールにまで拡張されていない。
リスク分類とフレームワーク導入プロファイルを生成する文献を体系的にレビューし,ガバナンスモデルを開発する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Employees are increasingly using personally owned generative AI tools such as ChatGPT, Gemini, and Claude for their daily work. This practice is known as Bring Your Own AI (BYOAI), which is a distinct form of Shadow AI in which employee-authenticated personal accounts are used outside of enterprise identity and security controls. Existing frameworks were designed for AI tools managed by organizations, and their coverage does not extend to unmanaged AI tools used with a personal account. In addressing these issues, we developed a governance model through a systematic review of the literature that produces a risk taxonomy and a framework-engagement profile. We also developed a parameterized governance model that measures how much a level of governance maturity reduces residual risk. A five-level maturity ladder is coupled to a technical control architecture through a chain in which the coverage of the control layer influences the security outcomes. Our study of a curated corpus of 30 records (24 research studies and 6 framework documents) indicated that the most prominent categories identified were data exposure and compliance, and framework engagement was inconsistent. Three mutually supporting pillars (technical, governance, and human) were established to support safeguards. Additionally, the results of the model demonstrated that prohibition-based solutions will result in residual risk levels close to those achieved through baseline solutions. Under the specified parameterization, layered control-based solutions substantially reduce modeled exfiltration risk and increase enforceable coverage.
- Abstract（参考訳）: 従業員は、ChatGPT、Gemini、Claudeといった個人所有のジェネレーティブAIツールを日々の作業に利用している。
このプラクティスはBring Your Own AI(BYOAI)と呼ばれ、従業員認証された個人アカウントが企業IDとセキュリティコントロールの外部で使用されるシャドウAIの別形態である。
既存のフレームワークは組織によって管理されるAIツール用に設計されており、そのカバレッジは個人アカウントで使用されるアンマネージドなAIツールにまで拡張されていない。
これらの課題に対処するために,リスク分類とフレームワーク導入プロファイルを生成する文献を体系的にレビューし,ガバナンスモデルを開発した。
また、ガバナンスの成熟度が残留リスクをどの程度低減するかを測定するパラメータ化されたガバナンスモデルも開発しました。
5段階の成熟度はしごは、コントロールレイヤのカバレッジがセキュリティ結果に影響を与えるチェーンを通じて、テクニカルコントロールアーキテクチャに結合される。
本研究は,30レコードのキュレートコーパス(研究研究24件とフレームワーク文書6件)を調査した結果,データ露出とコンプライアンスが最も顕著なカテゴリーであり,フレームワークの関与は矛盾していた。
安全を守るために、相互に支援する柱(技術、統治、人間)が3つ設置された。
さらに, モデルの結果から, 禁酒法に基づく解は, ベースライン解により達成されたものと類似した残留リスクレベルをもたらすことが示された。
特定のパラメータ化の下では、層状制御ベースのソリューションは、モデル化されたろ過リスクを著しく低減し、強制可能なカバレッジを増加させる。
関連論文リスト
- CyberFactory: Scaling Cyber Security Capabilities with Instances from the Wild [49.44069582581181]
CyberFactoryは、CVEを含む公開脆弱性アーティファクトをワイルドから実行可能で検証可能なタスクインスタンスに変換する。
再利用可能な脆弱性分析スキルを使用して、ソースインスペクション、ドメイン前の問題解決、エビデンスベースのバリデーションを通じて教師を指導する。
CyberGymでは1時間の予算で52.4%のPass@1に達し、Qwen3.5ベースモデルを+22.8ポイント改善した。
論文 参考訳（メタデータ） (2026-08-24T12:30:10Z) - Taxonomy-Driven Analysis of Open-Source AI Risk Mitigation Tools [0.04510277221887893]
本稿では,オープンソースツールの分類による分析を通じてAIリスク軽減を自動化するための構造化プロトコルを提案する。
我々は、21の著名なオープンソースツールの能力を、拡張されたMIT AIリスク緩和およびレスポンス分類の32のサブカテゴリにマップする。
この分析は、ツールが技術的および運用的コントロールの周りに集結し、ガバナンス、法律と規制、金融と市場のコントロールがほとんど適応していない、という非常に歪んだ状況を明らかにしている。
論文 参考訳（メタデータ） (2026-08-07T17:33:09Z) - Adversarial Attacks for Good: A Survey of Proactive Protection across the Visual Content Lifecycle [65.6642776933861]
この介入点付近で成長した保護パラダイムについて検討する。
ほとんどの保護は、主に静的あるいは弱い適応的な敵に対して検証されている。
我々は、堅牢で構成可能で、デプロイ可能な所有者側の保護のために、クロスステージ対策とオープンな問題を統合することで、閉鎖する。
論文 参考訳（メタデータ） (2026-08-05T00:46:50Z) - Risk Architecture for AI-Native Engineering Teams: An Organizational Framework for Agentic System Governance [0.0]
本稿では、純粋なソフトウェアエンジニアリング、ハイブリッド、AIネイティブチームを区別する7次元プロファイルを提供する。
研究の対象は人間の行動よりもフレームワークの妥当性にあるため、評価は観察されたカバレッジクレームよりも導出される。
論文 参考訳（メタデータ） (2026-07-01T19:31:02Z) - From Frontier to Shadow AI: A Simmering Threat to Assurance and Security in Critical Infrastructure [8.167474882691755]
我々は、重要なインフラ環境におけるシャドウAIに関する最初の実証的研究を提示する。
私たちは、AIが実際にどのように現れるか、既存の技術とガバナンスのコントロールとどのように相互作用するか、そして結果として生じるセキュリティ、保証、コンプライアンスのリスクを分析します。
論文 参考訳（メタデータ） (2026-05-23T07:21:08Z) - Automated Self-Testing as a Quality Gate: Evidence-Driven Release Management for LLM Applications [51.56484100374058]
我々は,エビデンスに基づくリリース決定を伴う品質ゲートを導入する自動自己テストフレームワークを提案する。
内部展開型多エージェント対話型AIシステムの縦型ケーススタディにより,本フレームワークの評価を行った。
論文 参考訳（メタデータ） (2026-03-13T20:44:15Z) - Aegis: Towards Governance, Integrity, and Security of AI Voice Agents [52.7512082818639]
音声エージェントのガバナンス,整合性,セキュリティのためのフレームワークであるAegisを提案する。
我々は,銀行コールセンタ,ITサポート,ロジスティクスにおけるケーススタディを通じて,この枠組みを評価する。
モデルファミリ間の系統的な差異を観察し,より感受性の高いオープンウェイトモデルを示した。
論文 参考訳（メタデータ） (2026-02-07T05:51:36Z) - AI Bill of Materials and Beyond: Systematizing Security Assurance through the AI Risk Scanning (AIRS) Framework [31.261980405052938]
人工知能(AI)システムの保証は、ソフトウェアサプライチェーンセキュリティ、敵機械学習、ガバナンスドキュメントに分散している。
本稿では,AI保証の運用を目的とした脅威モデルに基づくエビデンス発生フレームワークであるAI Risk Scanning(AIRS)フレームワークを紹介する。
論文 参考訳（メタデータ） (2025-11-16T16:10:38Z) - Making LLMs Reliable When It Matters Most: A Five-Layer Architecture for High-Stakes Decisions [51.56484100374058]
現在の大規模言語モデル(LLM)は、実行前にアウトプットをチェックできるが、不確実な結果を伴う高い戦略決定には信頼性が低い検証可能な領域で優れている。
このギャップは、人間と人工知能(AI)システムの相互認知バイアスによって引き起こされ、そのセクターにおける評価と投資の持続可能性の保証を脅かす。
本報告では、7つのフロンティアグレードLDMと3つの市場向けベンチャーヴィグネットの時間的圧力下での系統的質的評価から生まれた枠組みについて述べる。
論文 参考訳（メタデータ） (2025-11-10T22:24:21Z) - Rethinking Data Protection in the (Generative) Artificial Intelligence Era [138.07763415496288]
現代の(生産的な)AIモデルやシステムに生じる多様な保護ニーズを捉える4段階の分類法を提案する。
当社のフレームワークは、データユーティリティとコントロールのトレードオフに関する構造化された理解を提供し、AIパイプライン全体にわたっています。
論文 参考訳（メタデータ） (2025-07-03T02:45:51Z) - Demographic Benchmarking: Bridging Socio-Technical Gaps in Bias Detection [0.0]
本稿では、ITTACA AI監査プラットフォームが、AIレコメンデータシステムの監査において、階層的ベンチマークにどのように取り組むかを説明する。
フレームワークは、単に測定するだけでなく、特定のパフォーマンス指標の許容範囲を確立することができるので、監査役として役立ちます。
我々のアプローチは、社会デマトグラフィーの洞察を直接AIシステムに統合し、バイアスを減らし、全体的なパフォーマンスを改善する。
論文 参考訳（メタデータ） (2025-01-27T12:14:49Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。