1.3. Ràng Buộc Nghiệp Vụ & An Toàn

• Simulation Boundary: Hệ thống chạy cách ly hoàn toàn, không có API tự động đẩy mô hình chưa được kiểm duyệt sang môi trường production.
• Human-in-the-Loop (HITL): Phân quyền tối thiểu 2 vai trò: Engineer (thiết lập bài test, chạy mô phỏng, gắn cờ lỗi) và Reviewer (thẩm định báo cáo rủi ro, ký duyệt quyết định).
• Cổng Ẩn danh Bắt buộc (Anonymization Gate): Dữ liệu phải được tự động phát hiện và làm mờ khuôn mặt/biển số; nếu chưa có manifest ẩn danh, hệ thống sẽ chặn thực thi.
• Định lượng Minh bạch & Khách quan: Cung cấp đầy đủ các chỉ số định lượng ($\text{AP}{\text{clean}}$, $\text{AP}{\text{corrupted}}$, độ suy giảm $\text{D}(c,s)$, tỷ lệ tấn công thành công $\text{ASR}$, đường cong bền vững $\text{RA}(s)$, và điểm $\text{RobustScore}$).

2. GIẢI PHÁP KỸ THUẬT (Technical Solution & Architecture)

Hệ thống AdverTest được xây dựng theo kiến trúc Plugin-driven Modular Architecture, tách biệt triệt để giữa lõi điều phối, các bộ sinh tấn công, bộ điều hợp mô hình và tầng giao diện hiển thị.

flowchart TB
    subgraph UI_Layer["Tầng Giao Diện & Người Dùng (Next.js 14 + Tailwind CSS)"]
        UI_Dash["Investigation Dashboard"]
        UI_Comp["Diff & BBox/Mask Comparison Viewer"]
        UI_Report["Heatmap & RobustScore Report"]
        UI_Review["Review Queue & Audit Trail"]
    end

    subgraph API_Layer["Tầng Dịch Vụ & Điều Phối (FastAPI + Workers)"]
        API_GW["FastAPI REST Endpoints"]
        EST["Cost & Runtime Estimator"]
        AUDIT["Immutable Audit Logger"]
        QUEUE[("Job Queue: Celery / Async Worker")]
    end

    subgraph Core_Pipeline["Lõi Pipeline Điều Phối (src/core & src/pipeline)"]
        ANON_GATE{"Cổng Ẩn Danh Bắt Buộc<br/>(SCRFD Face + YOLO Plate Blur)"}
        CACHE[("Content-Addressed Prediction Cache<br/>hash(sample, attack, params, model)")]
        RUNNER["TestRunner / AttackDatasetGenerator"]
        RED_TEAM["Auto Red-Team Search<br/>(Optuna TPE / Bayesian Optimization)"]
    end

    subgraph Plugins["Hệ Sinh Thái Plugin Độc Lập"]
        subgraph Attacks["Nhóm Tấn Công (A - F)"]
            ATK_A["Nhóm A: 19 Common Corruptions"]
            ATK_B["Nhóm B: Depth-aware Weather"]
            ATK_C["Nhóm C: Occlusion & Sensor Drop"]
            ATK_D["Nhóm D: Digital White-box (PGD/TOG/SAM)"]
            ATK_E["Nhóm E: Physical Adversarial Patch"]
            ATK_F["Nhóm F: Black-box & Transfer Matrix"]
        end
        subgraph Adapters["Bộ Điều Hợp Mô Hình (Model Adapters)"]
            ADP_YOLO["YOLO11 / YOLOv8"]
            ADP_FRCNN["Faster R-CNN / RT-DETR"]
            ADP_SAM["SAM 2.1 (Segmentation)"]
            ADP_3D["PointPillars / BEVFusion"]
        end
        subgraph Datasets["Nguồn Dữ Liệu"]
            DS_KITTI["KITTI 2D/3D"]
            DS_NUSC["nuScenes v1.0"]
            DS_SYNTH["Synthetic Benchmarks"]
        end
    end

    subgraph Eval_Layer["Tầng Đánh Giá & Thống Kê (src/evaluation)"]
        EVAL_AP["mAP@[.50:.95] / AP50"]
        EVAL_DEG["Degradation D(c,s) & rPC"]
        EVAL_ASR["ASR (Object / Image / Targeted)"]
        EVAL_SCORE["RobustScore (0 - 100)"]
        EVAL_BOOT["Bootstrap 95% CI (1000 resamples)"]
    end

    UI_Dash <--> API_GW
    UI_Comp <--> API_GW
    UI_Report <--> API_GW
    UI_Review <--> API_GW

    API_GW --> EST
    API_GW --> QUEUE
    QUEUE --> RUNNER

    DS_KITTI --> ANON_GATE
    DS_NUSC --> ANON_GATE
    DS_SYNTH --> ANON_GATE
    ANON_GATE --> RUNNER

    RUNNER <--> CACHE
    RUNNER --> Attacks
    RUNNER --> Adapters
    RED_TEAM -.-> Attacks
    RUNNER --> Eval_Layer
    Eval_Layer --> UI_Report

2.1. Thư Viện Tấn Công Toàn Diện (Attack Catalog: Nhóm A – F)

Tất cả các module tấn công kế thừa từ lớp trừu tượng BaseAttack, giao tiếp thông qua ảnh chuẩn hóa numpy float32 $\in [0, 1]$:

                  ┌────────────────────────────────────────────────────────┐
                  │                 HỆ THỐNG TẤN CÔNG                      │
                  └────────────────────────────────────────────────────────┘
          ┌───────────────────────────┼───────────────────────────┐
          ▼                           ▼                           ▼
 ┌─────────────────┐         ┌─────────────────┐         ┌─────────────────┐
 │ Nhóm A:         │         │ Nhóm B:         │         │ Nhóm C:         │
 │ Common Corrupt  │         │ Vật lý & Weather│         │ Che khuất/Sensor│
 ├─────────────────┤         ├─────────────────┤         ├─────────────────┤
 │ • 19 biến thể   │         │ • Tán xạ Fog    │         │ • CutOut/Erasing│
 │ • 5 mức độ      │         │ • Vệt mưa/tuyết │         │ • Che vật thể   │
 │ • Noise/Blur... │         │ • LiDAR Fog/Snow│         │ • Camera/LiDAR- │
 └─────────────────┘         └─────────────────┘         │   beam dropout  │
                                                         └─────────────────┘
          ┌───────────────────────────┼───────────────────────────┐
          ▼                           ▼                           ▼
 ┌─────────────────┐         ┌─────────────────┐         ┌─────────────────┐
 │ Nhóm D:         │         │ Nhóm E:         │         │ Nhóm F:         │
 │ Digital Whitebox│         │ Vật lý Patch    │         │ Black-box & Trf │
 ├─────────────────┤         ├─────────────────┤         ├─────────────────┤
 │ • FGSM, PGD     │         │ • DPatch, Thys  │         │ • Square Attack │
 │ • MI-FGSM, C&W  │         │ • EOT Augment   │         │ • Transfer 3x3  │
 │ • TOG / DAG     │         │ • Loss TV + NPS │         │   Matrix        │
 └─────────────────┘         └─────────────────┘         └─────────────────┘

1. Nhóm A — Common Corruptions (19 loại $\times$ 5 mức độ = 95 biến thể):
   • Chuẩn ImageNet-C (Hendrycks & Dietterich): Gaussian Noise, Shot Noise, Impulse Noise, Defocus Blur, Motion Blur, Fog, Frost, Snow, Brightness, Contrast, Pixelate, JPEG Compression...
2. Nhóm B — Thời tiết Vật Lý có Tính Toán Chiều Sâu (Depth-aware Weather):
   • Sương mù theo mô hình Koschmieder: $I(x) = J(x) \cdot e^{-\beta \cdot d(x)} + A \cdot (1 - e^{-\beta \cdot d(x)})$ với $d(x)$ là độ sâu thực tế từ LiDAR/Depth map.
   • Mô phỏng chùm tia LiDAR bị suy hao và tán xạ ngược trong môi trường sương mù và tuyết rơi dày.
3. Nhóm C — Che Khuất & Lỗi Cảm Biến (Occlusion & Sensor Faults):
   • Che khuất ngẫu nhiên (CutOut), che khuất mục tiêu theo Bounding Box ($10% - 75%$).
   • Mất tín hiệu cảm biến: Drop 1–3 camera surround-view, mất góc quét LiDAR (sector drop), mất tia quét (beam drop).
4. Nhóm D — Tấn Công Đối Kháng Kỹ Thuật Số (White-box Adversarial):
   • $\ell_\infty$ Attacks: FGSM, PGD ($T \in {10, 20, 40}$ bước), MI-FGSM (tích lũy động lượng).
   • $\ell_2$ Attacks: Carlini & Wagner (C&W) với binary search tìm hằng số phạt.
   • Tấn công đặc thù cho Object Detection: TOG (Vanishing - làm biến mất đối tượng, Fabrication - sinh ảo giác, Mislabeling - đổi nhãn), DAG (Dense Adversarial Generation).
   • Tấn công Foundation Model: SAM 2.1 PGD tối đa hóa sai lệch Binary Cross-Entropy của Mask dự đoán.
5. Nhóm E — Tấm Dán Đối Kháng Vật Lý (Physical Adversarial Patch):
   • Huấn luyện theo kiến trúc DPatch và Thys et al. với hàm mất mát tổng hợp: $$\mathcal{L}{\text{total}} = \mathcal{L}{\text{det}} + \lambda_{\text{TV}} \mathcal{L}{\text{TV}} + \lambda{\text{NPS}} \mathcal{L}_{\text{NPS}}$$
   • Trong đó: $\mathcal{L}{\text{TV}}$ (Total Variation) đảm bảo độ mượt của patch, $\mathcal{L}{\text{NPS}}$ (Non-Printability Score) ép màu sắc nằm trong không gian màu in ấn thực tế.
   • Áp dụng kỹ thuật EOT (Expectation Over Transformation): Xoay $\pm 20^\circ$, co giãn, đổi độ sáng để patch bền vững khi đưa ra đời thực.
6. Nhóm F — Black-box & Ma Trận Chuyển Giao (Transferability Matrix):
   • Square Attack: Tấn công hộp đen tối ưu hóa ngẫu nhiên không cần truy cập gradient.
   • Cross-model Transfer: Sinh nhiễu trên mô hình nguồn (YOLO11) và đo mức độ suy giảm chéo trên mô hình đích (Faster R-CNN, RT-DETR).

2.2. Bộ Điều Hợp Mô Hình (Model Adapters) & Cơ Chế Gradient Bridge

Hệ thống thiết lập cơ chế Gradient Bridge độc lập:

• Adapter bao bọc mô hình thực thi và cung cấp hàm input_gradient(sample, target_loss) trả về gradient dạng numpy array.
• Giúp tách rời hoàn toàn thuật toán tấn công toán học khỏi framework nền tảng (PyTorch, ONNX, TensorRT), hỗ trợ CI/CD chạy kiểm thử logic không cần GPU.
• Hỗ trợ các lớp mô hình: YOLO11s/v8s (1-Stage), Faster R-CNN (2-Stage), RT-DETR (Transformer), SAM 2.1 (Segmentation), PointPillars (3D LiDAR), BEVFusion (Multi-modal).

2.3. Cổng Ẩn Danh Dữ Liệu Bắt Buộc (Privacy Enforcement Gate)

• Tích hợp mô hình phát hiện khuôn mặt SCRFD / RetinaFace và mô hình phát hiện biển số xe fine-tuned.
• Lọc giao thoa (IoU Intersection Filtering): Chỉ giữ lại các vùng mặt/biển số nằm trong bounding box nhãn Person hoặc Car (chuẩn nuScenes) nhằm triệt tiêu False Positive.
• Khóa Cứng Pipeline: Mọi dataset nạp vào bắt buộc phải có tệp manifest ẩn danh kèm chữ ký băm (hash digest). Nếu chưa được ẩn danh, TestRunner sẽ từ chối thực thi với mã lỗi AnonymizationRequiredError (HTTP 409).
• Tách bạch tác động: Tự động đo $\Delta\text{AP}_{\text{anon}}$ trước khi tấn công để không làm lẫn lộn sai số do việc làm mờ ảnh gây ra.

2.4. Hệ Thống Đo Lường & Kiểm Định Thống Kê (Evaluation Suite)

[!IMPORTANT] Kiểm định Thống Kê Chặt Chẽ (Bootstrap CI 95%): Mọi chỉ số AP đều được tính toán kèm Khoảng tin cậy 95% qua 1000 lượt tái lấy mẫu (Bootstrap). Không so sánh 2 phiên bản mô hình nếu khoảng tin cậy của chúng chồng lấn nhau.

5 Sanity Checks bắt buộc (theo Carlini et al.):

1. $\varepsilon = 0 \implies \text{AP} = \text{AP}_{\text{clean}}$ (sai lệch $< 0.1$ điểm).
2. $\text{AP}(c,s)$ phải giảm đơn điệu theo độ nghiêm trọng $s$ và cường độ $\varepsilon$.
3. PGD luôn tạo ra mức suy giảm lớn hơn hoặc bằng FGSM ở cùng mức $\varepsilon$.
4. Nhiễu ngẫu nhiên cùng chuẩn $\varepsilon$ phải yếu hơn PGD (nếu không $\implies$ attack không hội tụ).
5. Tăng số bước lặp $T$ của PGD không bao giờ làm tăng AP của mô hình.

2.5. Tối Ưu Hóa Chi Phí Tính Toán GPU (GPU Cost Optimization)

1. Bộ nhớ đệm theo nội dung (Content-Addressed Prediction Cache):
   • Khóa cache được sinh theo mã băm: $$\text{Key} = \text{SHA256}(\text{Sample_Digest} \parallel \text{Attack_Name} \parallel \text{Params_JSON} \parallel \text{Severity} \parallel \text{Model_Version})$$
   • Loại bỏ $100%$ các lượt suy luận ảnh sạch (Clean Forward Pass) bị lặp lại.
2. Cơ chế Quét Phân Tầng (Two-tier Hierarchical Scanning):
   • Tầng 1: Quét nhanh các phép biến đổi nhẹ (Nhóm A, B) trên tập mẫu phân tầng $N=300$.
   • Tầng 2: Chỉ kích hoạt các thuật toán nặng (PGD-40, C&W, Universal Patch) trên top-k cấu hình hoặc đối tượng dễ bị tổn thương nhất.
3. Dừng Sớm Theo Thống Kê (Statistical Early Stopping):
   • Ngừng đưa thêm ảnh vào kiểm thử khi biên độ khoảng tin cậy 95% CI của $\text{rPC}$ đạt độ hẹp dưới $\pm 2.0$ điểm AP, giúp tiết kiệm $30% - 60%$ compute.
4. Tự Động Tìm Kiếm Điểm Yếu (Auto Red-Team Search qua Bayesian Optimization):
   • Tích hợp Optuna TPE (Tree-structured Parzen Estimator) để tìm không gian tham số $(\text{Attack}, \varepsilon, \text{Severity}, \text{Patch_Size}, \text{Offset})$ làm tối thiểu hóa $\text{AP}$.
   • Đạt kết quả worst-case tương đương duyệt lưới 2000 điểm chỉ với 60 lần thử nghiệm (trials), giảm $\ge 5\times$ lượng GPU-hours tiêu thụ.

2.6. Quy Trình Đóng Vòng & Giao Diện Trực Quan (Human-in-the-Loop)

Giao diện người dùng Next.js 14 cung cấp quy trình điều tra 5 bước chuẩn mực:

1. Quản lý Dữ liệu & Ẩn danh: Tải lên, import dataset, preview làm mờ khuôn mặt/biển số, kiểm tra trạng thái khóa an toàn.
2. Cấu hình Kiểm thử & Dự toán Chi phí: Lựa chọn model, dataset, tổ hợp nhóm tấn công; hệ thống tự tính toán và hiển thị trước thời gian thực thi cũng như lượng GPU-hours tiêu thụ dự kiến.
3. Giám Sát Tiến Trình & Log Thời Gian Thực: Theo dõi tiến độ từng batch qua WebSocket, quan sát nhiệt độ và mức độ sử dụng VRAM của GPU.
4. Phân Tích & Đối Soát Trực Quan (Investigation & Diff Viewer):
   • Thanh trượt so sánh ảnh gốc vs ảnh tấn công (Slider comparison).
   • Overlay bounding box màu thông minh: Xanh lá (nhận diện đúng), Đỏ (bỏ sót/sai nhãn), Vàng (sụt giảm confidence).
   • Heatmap suy giảm tương tác: Nhấp trực tiếp vào ô $(c,s)$ để lọc ra các ca lỗi nặng nhất.
5. Hàng Đợi Thẩm Định & Ký Duyệt (Review Queue & Audit Trail):
   • Chuyên gia an toàn (Reviewer) đưa ra quyết định có cấu trúc (Accept Risk, Trigger Retraining, Collect More Data, Reject Model) kèm chữ ký số và ghi nhận vào Audit Log bất biến.

3. ĐÁNH GIÁ TÍNH KHẢ THI (Feasibility Analysis)

                              TÍNH KHẢ THI DỰ ÁN
     ┌────────────────────────────────┬────────────────────────────────┐
     ▼                                ▼                                ▼
┌─────────────────────────┐      ┌─────────────────────────┐      ┌─────────────────────────┐
│  KỸ THUẬT & CÔNG NGHỆ   │      │   DỮ LIỆU & PHÁP LÝ     │      │   CHI PHÍ & VẬN HÀNH    │
├─────────────────────────┤      ├─────────────────────────┤      ├─────────────────────────┤
│ • Công nghệ chuẩn hóa   │      │ • Dữ liệu KITTI/nuScenes│      │ • Tối ưu GPU bằng Cache │
│   PyTorch, FastAPI, Next│      │   có sẵn, phân tầng rõ  │      │ • Quét 2 tầng & Optuna  │
│ • Plugin Registry mở    │      │ • Cổng ẩn danh SCRFD    │      │ • Chạy tốt trên 1 GPU   │
│   không lo xung đột code│      │   đáp ứng chuẩn GDPR    │      │ • Tích hợp thẳng CI/CD  │
└─────────────────────────┘      └─────────────────────────┘      └─────────────────────────┘

3.1. Tính Khả Thi về Kỹ Thuật & Công Nghệ

• Nền tảng công nghệ trưởng thành: Sử dụng Python 3.11, PyTorch 2.x, torchattacks, OpenCV, Kornia, Ultralytics và FastAPI kết hợp Next.js 14. Toàn bộ các thuật toán cốt lõi đều là các tiêu chuẩn đã được bình duyệt trong cộng đồng nghiên cứu quốc tế (ICLR, CVPR, NeurIPS).
• Kiến trúc mở không xung đột (Zero-conflict Extensibility): Nhờ cơ chế tự động khám phá (Plugin Registry Auto-discovery), các thành viên trong nhóm có thể phát triển song song các thuật toán tấn công hoặc thêm adapter mô hình mới trong các file độc lập mà không bao giờ gặp xung đột mã nguồn.
• Mô hình tham chiếu (Reference Model): Bộ phát hiện tham chiếu thuần numpy (blob_detector) giúp chạy trọn vẹn toàn bộ quy trình, API và giao diện ngay trên máy tính cá nhân/CPU mà không bắt buộc phải nạp mô hình lớn hay cần GPU đắt đỏ trong quá trình phát triển.

3.2. Tính Khả Thi về Dữ Liệu & Pháp Lý

• Bộ dữ liệu chuẩn hóa quốc tế: Tích hợp trực tiếp KITTI Vision Benchmark và nuScenes, cung cấp nhãn ground-truth chất lượng cao với phân chia tập train/val rõ ràng.
• Tuân thủ chuẩn quyền riêng tư: Cổng ẩn danh SCRFD + YOLO license plate blur giải quyết triệt để rủi ro rò rỉ dữ liệu cá nhân (PII), cho phép doanh nghiệp yên tâm kiểm thử trên các tập dữ liệu camera thực tế.

3.3. Tính Khả Thi về Chi Phí & Hạ Tầng Tài Nguyên

• Tiết kiệm hạ tầng tối đa: Nhờ Cache nội dung, cơ chế quét 2 tầng và thuật toán Optuna TPE, hệ thống có thể chạy toàn diện một kịch bản kiểm thử trên một GPU thương mại duy nhất (như NVIDIA RTX 3060 / 4090 hoặc T4 trên Cloud) với chi phí thấp hơn $\ge 70%$ so với phương pháp thông thường.
• Ngăn chặn rủi ro vượt ngân sách: Endpoint tính toán chi phí trước khi chạy giúp đội ngũ luôn chủ động kiểm soát tài nguyên điện toán.

3.4. Tính Khả Thi về Nghiệp Vụ & Vận Hành

• Sẵn sàng tích hợp MLOps: Hệ thống được Docker hóa hoàn chỉnh, cung cấp giao diện RESTful API chuẩn mực, cho phép cắm trực tiếp vào pipeline CI/CD như một cổng kiểm thử chất lượng an toàn (Robustness Gate) tự động trước khi đóng gói mô hình (Release Gate).

4. LỘ TRÌNH & HƯỚNG PHÁT TRIỂN (Future Development Roadmap)

                            LỘ TRÌNH PHÁT TRIỂN (ROADMAP)
                                          
 [ Giai đoạn 1: Nền tảng & Đóng vòng ] ──► [ Giai đoạn 2: Đa phương thức & Physical ] ──► [ Giai đoạn 3: Tiêu chuẩn Hóa & Auto-Heal ]
 ─────────────────────────────────────     ──────────────────────────────────────────     ─────────────────────────────────────────
 • Hoàn thiện bộ quét A-F                  • Hỗ trợ Autonomous Driving Foundation        • Xây dựng chuẩn chứng nhận an toàn AI
 • Tích hợp Adversarial Training             Models (UniAD, VAD, World Models)             tương thích ISO 26262 / ISO 21448 (SOTIF)
 • Đóng gói Docker Compose & Cloud         • Mở rộng Video & Temporal Consistency        • Cơ chế Auto-Heal (Active Learning tự
   Helm Charts                             • Kiểm thử Physical Patch ngoài đời thực        sinh dữ liệu bù đắp lỗ hổng tự động)

4.1. Giai đoạn 1: Tối Ưu Hóa Quy Trình Đóng Vòng & Phòng Thủ (Ngắn hạn: 3 – 6 tháng)

• Tích hợp Bộ Công Cụ Phòng Thủ (Defensive Suite):
  • Bổ sung module Adversarial Training (Huấn luyện Đối kháng): Tự động trích xuất các ca thất bại nặng nhất từ Review Queue để đưa vào pipeline fine-tune mô hình.
  • Tích hợp các bộ lọc khử nhiễu đầu vào (Denoising Autoencoders, Diffusion-based Image Purifiers) trước khi đưa ảnh vào detector.
• Nâng Cấp Red-Team Search: Tích hợp tối ưu hóa đa mục tiêu (Multi-objective Bayesian Optimization) vừa tối đa hóa mức độ suy giảm hiệu năng vừa tối thiểu hóa độ lộ diện của nhiễu.

4.2. Giai đoạn 2: Đa Phương Thức & Môi Trường Vật Lý (Trung hạn: 6 – 12 tháng)

• Hỗ trợ Mô Hình Nền Tảng Tự Hành End-to-End (E2E Foundation Models):
  • Mở rộng adapter sang các kiến trúc thế hệ mới như UniAD, VAD, và các mô hình thế giới (World Models như GAIA-1, DriveDreamer).
  • Đánh giá khả năng chống chịu trên toàn bộ chuỗi: Perception $\to$ Prediction $\to$ Planning/Control.
• Đánh giá Tính Nhất Quán Theo Thời Gian (Temporal & Video Robustness):
  • Kiểm thử trên chuỗi video liên tục; phát hiện hiện tượng nhấp nháy bounding box (Flickering), mất dấu vật thể trong bài toán Multi-Object Tracking (MOT).
• Bộ Công Cụ Thử Nghiệm Ngoài Đời Thực (Physical-world Validation Kit):
  • Cung cấp tính năng xuất file in ấn chuẩn màu (Print-ready PDF) cho Adversarial Patches; tích hợp camera chụp lại từ nhiều góc độ và điều kiện ánh sáng thực tế để đối chiếu sai lệch giữa mô phỏng và thực tế (Sim-to-Real Gap).

4.3. Giai đoạn 3: Nền Tảng Tự Sửa Chữa & Chuẩn Hóa Ngành (Dài hạn: 1 – 2 năm)

• Cơ Chế Tự Khắc Phục Lỗ Hổng (Auto-Healing & Active Learning):
  • Khi phát hiện điểm mù, hệ thống tự động điều hướng mô hình sinh ảnh (Generative AI / Diffusion Models) để tổng hợp thêm hàng nghìn góc chụp tương tự góc chết đó và tự động kích hoạt chu trình tái huấn luyện không cần can thiệp thủ công.
• Tiêu Chuẩn Hóa Chứng Nhận An Toàn AI (AI Safety Certification Standard):
  • Xây dựng bộ tiêu chuẩn đánh giá độ bền vững AI cho ngành ô tô và thiết bị bay không người lái (UAV), tương thích với các tiêu chuẩn an toàn chức năng quốc tế như ISO 26262 và ISO 21448 (SOTIF - Safety of the Intended Functionality).
  • Cung cấp chứng nhận thẩm định có chữ ký số (Cryptographically signed Audit Certificate) phục vụ việc cấp phép lưu hành hệ thống tự hành.

5. TỔNG KẾT & MA TRẬN ĐỐI CHIẾU GIÁ TRỊ