Advanced in AI Audit® (AAIA®)

Modul 1 – KI- Governance und Risiko

A – KI-Modelle, Überlegungen und Anforderungen

• Arten von KI

• Machine-Learning /KI-Modelle

• Algorithmen

• KI-Lebenszyklus

• Geschäftliche Überlegungen

B – KI-Governance und Programmmanagement

• KI-Strategien

• Rollen und Verantwortlichkeiten im KI-Umfeld

• Richtlinien und Verfahren für KI

• Schulungs- und Awareness-Programme zu KI

• Metriken zur Erfolgsmessung von KI-Programmen

C – KI-Risikomanagement

• Identifikation KI-bezogener Risiken

• Bewertung von KI-Risiken

• Überwachung und Steuerung von KI-Risiken

D – Datenschutz und Daten-Governance Programme

• Daten-Governance

• Datenschutzaspekte

E – Best Practices,Ethik, Standards und Regularien für KI

• Relevante Standards, Frameworks und Regularien zu KI

• Ethische Überlegungen beim Einsatz von KI

Modul 2 – Betrieb von KI-Systemen

A – Datenmanagement für KI

• Datenerfassung

• Datenklassifizierung

• Datenvertraulichkeit

• Datenqualität

• Datenbalancierung

• Datenknappheit

• Datensicherheit

B – Entwicklung und Lebenszyklus von KI-Lösungen

• Entwicklungsprozesse, -methoden und Lebenszyklus

• Privacy- und Security-by-Design

C – Change Management für KI

• Änderungsmanagement im Kontext von KI

D – Überwachung von KI-Lösungen

• Verantwortung und Kontrolle menschlicher Aufsicht („AI Agency“)

E – Testverfahren für KI-Systeme

• Klassische Softwaretest-Techniken für KI

• KI-spezifische Testverfahren

F – KI-Bedrohungen und Schwachstellen

• Arten KI-bezogener Bedrohungen

• Kontrollen gegen KI-Bedrohungen

G – KI-Incident Response Management

• Vorbereitung

• Identifizierung und Meldung

• Bewertung

• Reaktion

• Nachbearbeitung

Modul 3 – Prüfmethoden, Techniken und Werkzeuge für KI-Audits

A – KI-Auditplanung und -design

• Identifikation von KI-Assets

• Arten von KI-Kontrollen

• Anwendungsfälle für KI-Audits

• Interne Schulungen zum KI-Einsatz

B – Test- und Stichprobenmethoden

• Gestaltung eines KI-Audits

• Testmethoden für KI-Audits

• KI-Stichproben

• Prüfung von KI-Ergebnissen

• Beispiel-Ablauf eines KI-Audits

C – Techniken zur Beweissammlung

• Datenerhebung

• Walkthroughs und Interviews

• Tools zur KI-Datenerfassung

D – Datenqualität und Data-Analytics im Audit

• Bewertung der Datenqualität

• Datenanalyse

• Datenberichterstattung

E – KI- Auditberichte und Ergebnisse

• Erstellung von Berichten

• Audit-Follow-up

• Qualitätssicherung und Nachverfolgung

SEKUNDÄRE KLASSIFIKATIONEN – AUFGABEN

Auswirkungen, Chancen und Risiken bewerten, wenn KI-Lösungen in den Audit-Prozess integriert werden.

• KI-Lösungen einsetzen, um Audit-Prozesse (Planung, Durchführung, Berichterstattung) zu verbessern.

• KI-Lösungen bewerten, um das Unternehmen zu Auswirkungen, Chancen und Risiken zu beraten.

• Auswirkungen von KI-Lösungen auf System­interaktionen, Umwelt und Menschen bewerten.

• Rolle und Auswirkungen von KI-Entscheidungs­systemen auf Organisation und Stakeholder bewerten.

• KI-Richtlinien und -Verfahren der Organisation inkl. gesetzlicher/ regulatorischer Compliance bewerten.

• Überwachung und Berichterstattung von Kennzahlen (z. B. KPIs, KRIs) speziell für KI bewerten.

• Prüfen, ob Verantwortlichkeiten für KI-bezogene Risiken, Kontrollen, Verfahren, Entscheidungen und Standards definiert sind.

• Data-Governance-Programm der Organisation speziell für KI bewerten.

• Datenschutz­programm der Organisation speziell für KI bewerten.

• Problem- und Incident-Management-Programme speziell für KI bewerten.

• Change-Management-Programm speziell für KI bewerten.

• Configuration-Management-Programm speziell für KI bewerten.

• Threat- und Vulnerability-Management-Programme speziell für KI bewerten.

• Identity- und Access-Management-Programm speziell für KI bewerten.

• Anbieter- und Supply-Chain-Management-Programme für KI-Lösungen bewerten.

• Design und Wirksamkeit von Kontrollen speziell für KI bewerten.

• Dateninput-Anforderungen für KI-Modelle (Angemessenheit, Bias, Datenschutz) bewerten.

• System-/Business-Anforderungen für KI-Lösungen prüfen, um Ausrichtung auf die Enterprise-Architektur sicherzustellen.

• Lebenszyklus der KI-Lösung (Design, Entwicklung, Bereitstellung, Überwachung, Stilllegung) sowie Ein-/Ausgaben auf Compliance und Risiko bewerten.

• Algorithmen und Modelle bewerten, damit KI-Lösungen Geschäfts­zielen, Richtlinien und Verfahren entsprechen.

• Auswirkungen von KI auf die Belegschaft analysieren und Stakeholder zu Training, Weiterbildung und weiteren Maßnahmen beraten.

• Prüfen, ob Awareness-Programme mit den KI-bezogenen Richtlinien und Verfahren der Organisation übereinstimmen.