Una Proposta per un Punteggio di Conformità S.A.F.E-AI

This thesis contributes to the field of AI governance by applying and extending the Rank Graduation Box framework to develop a unified compliance score that captures three key dimensions of AI trustworthiness: robustness, accuracy, and explainability. While these aspects are typically assessed in isolation, the proposed approach integrates them into a single, interpretable metric grounded in a consistent mathematical structure. To demonstrate this framework, cyber-attack scenarios are simulated on selected datasets, and the RGB methodology is used to evaluate the performance of machine learning models across multiple risk dimensions. The resulting score improves compliance monitoring and enables a consistent evaluation of AI risks.

Questa tesi contribuisce al campo della governance dell’IA applicando ed estendendo il framework Rank Graduation Box per sviluppare un punteggio di conformità unificato che cattura tre dimensioni fondamentali dell'affidabilità dell’IA: robustezza, accuratezza ed esplicabilità. Sebbene questi aspetti vengano solitamente valutati in modo isolato, l’approccio proposto li integra in un unico indicatore interpretabile, basato su una struttura matematica coerente. Per dimostrare l'efficacia di questo framework, vengono simulate situazioni di attacco informatico su specifici dataset, utilizzando la metodologia RGB per valutare le prestazioni dei modelli di apprendimento automatico su più dimensioni di rischio. Il punteggio risultante migliora il monitoraggio della conformità e consente una valutazione coerente dei rischi legati all’IA.