Badacze przedstawili CPSAINT, framework łączący mechanistyczne zrozumienie awarii systemów AI z ilościową oceną ryzyka. Problem jest pilny, bo autonomiczne systemy przekraczają granice zaufania szybciej niż istniejące modele ryzyka są w stanie to reprezentować. Dotychczasowe podejścia albo opisywały ścieżki awarii bez możliwości transferu informacji o ryzyku, albo produkowały oszacowania ryzyka traktując wewnętrzne procesy jako czarną skrzynię.
Framework opiera się na siedmiowarstwowej dekompozycji integralności: Physical state (stan fizyczny), Sensors (sensory), Data (dane), Compute (obliczenia), Actuators (aktuatory), Environment (środowisko) i Time (czas). Każda warstwa ma jasnie zdefiniowane zmienne semantyczne. Paruje to z funkcjonałem FRIESA-K, który mapuje każdą ścieżkę awarii na konkretną instancję ryzyka. Kluczowa innowacja leży w tym, jak określa się efektywność kontroli - opiera się to na dynamice stanu systemu (model Markowa z absorpcją), a nie na arbitralnych ocenach.
Testowanie na dwóch zdywersyfikowanych scenariuszach - robocie magazynowym pracującym w rzeczywistym czasie oraz agencie usług finansowych z instrumentami governantu - pokazuje, że ta sama grammatyka warstw i semantyka zmiennych pozostają niezmienione. To oznacza, że framework ma potencjał do uniwersalnego zastosowania w różnych domenach, co stanowi znaczący krok w kierunku standardyzacji oceny bezpieczeństwa systemów autonomicznych.